[發(fā)明專利]保持顏色信息的混合形變模型下的不良圖像檢測方法

有效

• 申請?zhí)枺?/td>: 201410359035.4
• 申請日: 2014-07-25
• 公開（公告）號: CN104134059B
• 公開（公告）日: 2017-07-14
• 發(fā)明（設(shè)計）人: 田春娜;高新波;張相南;鄭紅;李潔;陸陽
• 申請（專利權(quán)）人: 西安電子科技大學
• 主分類號: G06K9/00
• 分類號: G06K9/00;G06K9/46
• 代理公司: 北京科億知識產(chǎn)權(quán)代理事務(wù)所(普通合伙)11350
• 代理人: 湯東鳳

1.保持顏色信息的混合形變模型下的不良圖像檢測方法，其特征在于，包括如下步驟：

(1)搜集不良圖像訓練集，在訓練集圖像上標記多種人體敏感器官，作為敏感器官訓練樣本；

(2)從敏感器官訓練樣本上隨機采樣獲取像素點，并組成敏感器官的顏色樣本集；在顏色樣本集上訓練GMM模型得到人體敏感器官的顏色模型；

(3)提取敏感器官訓練樣本的HoG特征和GMM特征，并將HoG特征和GMM特征相結(jié)合作為敏感器官的特征；包括如下步驟：

(3a)敏感器官訓練樣本圖像劃分成若干個細胞單元，將細胞單元中的每個像素從RGB顏色空間轉(zhuǎn)換到Y(jié)C_bC_r顏色空間，并提取其C_b、C_r色度分量的值；其中，Y表示亮度分量，C_b表示藍色色度分量，C_r表示紅色色度分量；

(3b)將細胞單元分成U個互不重疊的小圖像塊，分別求出每個小圖像塊在C_b、C_r色度分量上的均值向量：將這些均值向量分別代入步驟(2)訓練出的GMM敏感器官顏色模型，得到每個小圖像塊在GMM模型中每個高斯分量ω_iG_i上的值，作為該小圖像塊的顏色特征，其中i∈{1,2,…,K}，K為高斯分量的個數(shù),ω_i表示K個獨立的高斯分量在高斯混合模型中的權(quán)重,將U個小圖像塊的顏色特征聯(lián)合起來記作

(3c)將敏感器官訓練樣本圖像轉(zhuǎn)換成灰度圖像，對輸入圖像進行Gamma校正；

(3d)計算灰度圖像中每個像素點(x,y)的水平方向和垂直方向梯度值g_x(x,y)和g_y(x,y)；

g_x(x,y)＝I(x+1,y)-I(x-1,y)

g_y(x,y)＝I(x,y+1)-I(x,y-1)

式中，I(x,y)表示像素點(x,y)處的灰度值，根據(jù)下式計算像素點(x,y)處的梯度幅值g(x,y)和方向α(x,y)；

$g(x,y)=\sqrt{g_x{(x,y)}^2+g_y{(x,y)}^2}$

$\mathrm{\α}(x,y)={\tan }^{-1}\left(\frac{g_y(x,y)}{g_x(x,y)}\right)$

(3e)將敏感器官訓練樣本的灰度圖像劃分成與步驟(3a)一樣的細胞單元，統(tǒng)計每個細胞單元上的梯度直方圖，用于描述目標的形狀信息；

對每個細胞單元采用9個bin的直方圖來統(tǒng)計細胞單元內(nèi)像素點的梯度信息，將各個bin中像素點的梯度大小進行累加組成該細胞單元的梯度直方圖，用9維特征向量來表示，記作h₁＝[f₁,f₂,…,f₉]，其中f_i為第i個bin的梯度累加值；

聯(lián)合得到的梯度特征向量h₁和得到顏色特征向量h₂，組成細胞單元的特征向量[h₁,h₂]；

將細胞單元組合成塊，并在塊內(nèi)歸一化；

(4)對每一種人體敏感器官的特定姿態(tài)，在其HoG特征和GMM特征相結(jié)合后的特征上，訓練該敏感器官在特定姿態(tài)下的可形變部件模型，將多種姿態(tài)下的可形變部件模型集成該敏感器官的混合形變模型；

(5)用敏感器官的混合形變模型分別對測試圖像進行檢測，融合檢測結(jié)果并判定圖像的性質(zhì)。