[發明專利]一種弱監督條件下的共同對象檢測方法

有效

• 申請號: 201310179996.2
• 申請日: 2013-05-15
• 公開（公告）號: CN103268607B
• 公開（公告）日: 2016-10-12
• 發明（設計）人: 李宏亮;謝昱銳
• 申請（專利權）人: 電子科技大學
• 主分類號: G06T7/00
• 分類號: G06T7/00
• 代理公司: 電子科技大學專利中心 51203
• 代理人: 周劉英

技術領域

本發明屬于圖像處理技術領域，具體涉及一種弱監督條件下的共同對象檢測方法。

背景技術

隨著網絡技術、多媒體工具及成像技術的不斷發展和成熟，人們日常生活中涌現了大量的數字圖像。在種類繁多的數字圖像當中，由于分類的需要，圖像中往往會人為的加上一定的類別信息。然而，當我們需要確定屬于此類別對象在圖像中的具體位置時，這些類別信息卻不能為我們提供判別性的依據。此外，如果依靠人工標注方法來定位對象，在成千上萬的圖像數目面前，也變得不可行。對于這一亟待解決的問題，促使了圖像中共同對象檢測方法。

目前，依據監督力的強弱，主要有兩類對象檢測方法。即基于強監督的對象檢測方法和基于弱監督的對象檢測方法。其中，對于強監督情況下的對象檢測方法，需要有一個對應對象類別的訓練庫。在模型訓練階段，不僅需要待檢測對象的類別信息，還必須具有對象準確的位置信息。進而，用此訓練庫學習得到的對象模型便可對包含此類對象的未知圖像進行特定類對象的檢測任務。然而，此類方法的不足之處是，其一，方法中必須包含某類對象的相關訓練庫，并且需要對象的強監督信息。其二，用此訓練庫得到的對象模型僅能對此類對象進行檢測，而對包含其它類對象的情況則不能進行識別。另外，對象模型的訓練，也是額外較大的計算開銷。而基于弱監督條件下的對象檢測方法，近些年來得到了人們更多的關注。其和強監督方法相比，主要優點是，不需要對應模型的訓練過程，同時也不知道對象的位置信息，僅依靠弱監督力的類別標注信息來識別并定位圖像中的共同對象。其次，此類方法能對非特定類對象進行檢測。因此，該方法更適用于實際情況下的對象檢測任務。

共同對象檢測方法是一個新穎的研究課題，現有的共同對象檢測方法還很有限，主要方法還是依靠從對應類別的訓練庫中學習對象的判別性模型，再用此模型去實現每幅圖像中對象的檢測，最后對多幅圖像中候選的檢測結果再進行匹配。此類方法本質上還是屬于強監督條件下的對象檢測，而且僅適用于事前訓練好的特定類別對象的檢測任務，沒有從更具實際用途的弱監督角度去解決問題。

發明內容

本發明的發明目的在于：針對現有的依據強監督對象信息實現共同對象檢測的缺陷，本發明提出了一種弱監督條件下的共同對象檢測方法。

本發明的一種弱監督條件下的共同對象檢測方法，包括下列步驟：

步驟1：對輸入圖像進行對象級檢測，獲取每幅圖像的各初始對象區域；

步驟2：對所述初始對象區域進行篩選處理，得到包含一致對象的候選對象區域；

步驟3：基于字典對各候選對象區域的底層特征進行對象特征的表示，得到其中層特征；

步驟4：在得到每幅圖像候選對象區域的中層特征后，對各幅圖像中候選區域的特征進行特征相似性搜索，以確定共同對象區域；

步驟5：提取每幅圖像的共同對象區域的底層特征，對字典進行更新；

步驟6：基于更新后的字典重復執行步驟3、4和5，直到達到設定的檢測精確度或最大迭代次數M。

本發明基于弱監督力的類別標注信息，經過多次字典更新后能同時完成對象的判別性特征學習及共同對象的定位，本發明不需要對應模型的訓練過程，無需知道對象的準確位置，僅需知道在圖像中包含該類對象這一弱監督信息，即可實現共同對象檢測，且能對非特定類對象實現檢測。而基于強監督條件的檢測方法由于受訓練庫的限制，僅能對特定類對象進行檢測，與此相比，本發明的適用性更佳。

進一步的，可對所述初始對象區域進行向量化后構建整體矩陣，并通過低秩分解將所述整體矩陣分解為低秩成分和稀疏成分，該稀疏成分表示每個向量化始對象區域與其它檢測區域的差異程度，因此可基于所述稀疏成分對各幅圖像的初始對象區域進行篩選（一致性判斷），進而一定程度上克服復雜背景的干擾，得到包含一致對象的候選對象區域。

進一步的本發明中，對字典進行更新處理，得到新的字典D_C的學習模型如下：