[發(fā)明專利]基于連續(xù)度的多尺度高分辨圖像目標(biāo)檢測(cè)方法

有效

• 申請(qǐng)?zhí)枺?/td>: 201210000364.0
• 申請(qǐng)日: 2012-01-02
• 公開（公告）號(hào): CN102722712A
• 公開（公告）日: 2012-10-10
• 發(fā)明（設(shè)計(jì)）人: 焦李成;王爽;高婷;白靜;霍麗娜;劉芳
• 申請(qǐng)（專利權(quán)）人: 西安電子科技大學(xué)
• 主分類號(hào): G06K9/62
• 分類號(hào): G06K9/62
• 代理公司: 陜西電子工業(yè)專利中心 61205
• 代理人: 王品華;朱紅星

技術(shù)領(lǐng)域

本發(fā)明屬于圖像處理技術(shù)領(lǐng)域，涉及圖像分割以及分類，可用于自然圖像中各種大尺度高分辨復(fù)雜背景場(chǎng)景中的目標(biāo)檢測(cè)與定位。?

背景技術(shù)

隨著計(jì)算機(jī)技術(shù)的發(fā)展和計(jì)算機(jī)視覺原理的廣泛應(yīng)用，利用計(jì)算機(jī)圖像處理技術(shù)對(duì)目標(biāo)進(jìn)行實(shí)時(shí)跟蹤研究越來越熱門，目標(biāo)的檢測(cè)定位在智能化交通系統(tǒng)、智能監(jiān)控系統(tǒng)、軍事目標(biāo)檢測(cè)及醫(yī)學(xué)導(dǎo)航手術(shù)中手術(shù)器械定位等方面具有廣泛的應(yīng)用價(jià)值。?

目標(biāo)檢測(cè)，是一種基于目標(biāo)幾何和統(tǒng)計(jì)特征的圖像分割，它將目標(biāo)的分割和識(shí)別合二為一，其準(zhǔn)確性和實(shí)時(shí)性是整個(gè)系統(tǒng)的一項(xiàng)重要能力。尤其是在復(fù)雜場(chǎng)景中，需要對(duì)多個(gè)目標(biāo)進(jìn)行實(shí)時(shí)處理時(shí)，目標(biāo)自動(dòng)提取和識(shí)別就顯得特別重要。?

目標(biāo)檢測(cè)主要包括兩個(gè)步驟：特征提取和分類器的訓(xùn)練。?

特征的表征能力將直接影響分類器的性能。常用的特征有：原始灰度特征、Haaris小波特征、形狀描述符特征、Gabor特征、有向梯度直方圖HOG特征、Forstner特征和SIFT特征等。常用的分類器有：基于神經(jīng)網(wǎng)絡(luò)的方法、隱馬爾科夫模型(HMM)、基于Kullback信息理論的方法、基于支持矢量機(jī)SVM的方法、貝葉斯決策方法和基于AdaBoost的方法。?

比較經(jīng)典的目標(biāo)檢測(cè)算法是利用HOG算子提取特征，AdaBoost訓(xùn)練分類器的目標(biāo)檢測(cè)框架。在背景中存在干擾邊緣時(shí)，HOG特征表現(xiàn)的比較差，會(huì)出現(xiàn)把一些背景中的特征判斷為目標(biāo)特征的情況，因此檢測(cè)的虛警率較高。AdaBoost是一種具有自適應(yīng)性的Boosting算法，它通過建立多學(xué)習(xí)機(jī)組合使得弱學(xué)習(xí)機(jī)的性能得到提升，由于其獨(dú)有的對(duì)學(xué)習(xí)機(jī)性能的自適應(yīng)和對(duì)過學(xué)習(xí)現(xiàn)象的免疫性，近年來引起了廣泛的關(guān)注。但是這種方法同樣還存在一些缺陷，HOG算子結(jié)合AdaBoost的方法需要對(duì)大量未知的特征進(jìn)行訓(xùn)練得到最終的分類器，整個(gè)過程需要對(duì)海量數(shù)據(jù)進(jìn)行處理分析，計(jì)算復(fù)雜度與時(shí)間復(fù)雜度都非常高。?

后來有些學(xué)者研究了人眼視覺成像的機(jī)理，人眼在識(shí)別目標(biāo)時(shí)，是將目標(biāo)分解為?多個(gè)組件，根據(jù)人眼檢測(cè)到的許多目標(biāo)組件，結(jié)合目標(biāo)組件的空間結(jié)構(gòu)分布，識(shí)別目標(biāo)。對(duì)于某種目標(biāo)來說，僅僅需要幾個(gè)關(guān)鍵的部件，聯(lián)合部件的空間關(guān)系，就可以用來表征這個(gè)目標(biāo)，形成了最初基于稀疏的目標(biāo)檢測(cè)原理。Shivani?Agarwal和Dan?Roth最早提出了基于稀疏表示的目標(biāo)檢測(cè)方法，在該目標(biāo)檢測(cè)框架中，采用了Forstner算子提取目標(biāo)關(guān)鍵特征，采用稀疏神經(jīng)網(wǎng)絡(luò)框架(Sparse?Network?of?Winnow，SNOW)框架進(jìn)行分類器的訓(xùn)練。該框架可以使用極少數(shù)的特征來進(jìn)行目標(biāo)的表征，通過對(duì)這些極少數(shù)特征的訓(xùn)練，來得到一個(gè)可以用于對(duì)一個(gè)窗口進(jìn)行判決的分類器。對(duì)一幅待檢測(cè)圖像進(jìn)行尺度縮放、滑窗掃描，利用得到的分類器實(shí)現(xiàn)圖像中的目標(biāo)檢測(cè)。?

經(jīng)實(shí)驗(yàn)驗(yàn)證，該算法對(duì)于小尺度、低分辨率圖像中的目標(biāo)檢測(cè)具有較高的準(zhǔn)確率與較低的虛警率。但是對(duì)于大尺度、高分辨率的圖像，該算法具有較高的虛警率，并且對(duì)于大尺度的圖像，進(jìn)行多尺度縮放以及在每個(gè)尺度上滑窗掃描，是一個(gè)非常耗時(shí)的過程。?

發(fā)明內(nèi)容

本發(fā)明的目的在于針對(duì)上述已有技術(shù)的不足，提出一種基于連續(xù)度的多尺度高分辨圖像目標(biāo)檢測(cè)方法，以有效降低復(fù)雜背景中的虛警，并降低計(jì)算復(fù)雜度，提高目標(biāo)檢測(cè)的準(zhǔn)確率與時(shí)效性。?

實(shí)現(xiàn)本發(fā)明目的的技術(shù)原理是：利用Forstner算子提取目標(biāo)特征，采用稀疏神經(jīng)網(wǎng)絡(luò)框架SNOW進(jìn)行分類器的訓(xùn)練，對(duì)輸入的待檢測(cè)圖像，提取基于突變的感興趣區(qū)域，并對(duì)感興趣區(qū)域進(jìn)行多尺度縮放，得到基于連續(xù)度的目標(biāo)檢測(cè)結(jié)果，具體步驟包括如下：?

1.一種基于連續(xù)度的目標(biāo)檢測(cè)方法，包括如下步驟：?

(1)從網(wǎng)絡(luò)或視頻中獲取大小為100×40的正訓(xùn)練樣本和負(fù)訓(xùn)練樣本，構(gòu)成訓(xùn)練樣本集合；?

(2)從正類訓(xùn)練樣本集中提取基于Forstner算子的像素塊作為正類樣本特征，構(gòu)造正類樣本特征字典，然后對(duì)字典進(jìn)行聚類，得到多類特征子集，并為每一類子集賦予類別標(biāo)記；?

(3)計(jì)算正類樣本特征之間存在的所有空間關(guān)系，該空間關(guān)系包括距離和角度，給每種空間關(guān)系特征分別賦予類別標(biāo)記；?

(4)對(duì)步驟(2)得到的正類樣本特征，利用稀疏神經(jīng)網(wǎng)絡(luò)框架SNOW進(jìn)行訓(xùn)練，?得到分類器；?

(5)輸入任意大小的待檢測(cè)圖像，依次進(jìn)行均值濾波與二值化處理，得到二值圖像；?

(6)從二值圖像中檢測(cè)灰度連續(xù)突變，根據(jù)突變提取感興趣區(qū)域ROI：?