[發明專利]非剛體目標檢測方法及其系統有效

申請號：	201510012127.X	申請日：	2015-01-09
公開（公告）號：	CN104504381B	公開（公告）日：	2017-12-26
發明（設計）人：	邱志明;張如高;趙曉萌;虞正華;彭莉;張偉	申請（專利權）人：	新智認知數據服務有限公司
主分類號：	G06K9/00	分類號：	G06K9/00;G06K9/62
代理公司：	上海遠同律師事務所31307	代理人：	張堅
地址：	201209 上海市浦***	國省代碼：	上海;31
權利要求書：	查看更多	說明書：	查看更多
摘要：
搜索關鍵詞：	剛體目標檢測方法及其系統
鉆瓜網技術展會專利詞庫專利權人專利榜在售專利公布日期熱門專利

【說明書】：

技術領域

本發明屬于目標檢測技術領域，尤其涉及一種非剛體目標檢測方法及其系統。

背景技術

目標檢測是計算機視覺領域內一項基礎性的工作。由于待檢測的目標外表可能千差萬別，使得此項工作變得有些復雜。而且，變化不僅來自亮度和視角，還有由于目標不是剛體而引起的形變，以及同一類目標的形狀和其他視覺上的變化。例如，人可能穿不同的衣服，做不同的姿勢，車可能有不同的形狀和顏色。而目前常用的目標檢測方法經常采用一些簡單的模型，例如固定的剛體模板或者特征袋模型來表征物體，這顯然不足以表示一個變化豐富的非剛體目標。

在目標檢測領域，由于HOG特征的引入，發生了翻天覆地的變化，目前主流行人檢測器，比如Dalal‐Triggs的行人檢測器，流行的DPM行人檢測器，Exemplar‐SVM模型檢測器等都是采用的HOG系列特征。但是HOG特征只是一種基于梯度的特征，不能很好的表示其他更豐富的模式，比如顏色，紋理等。總之，采用哪種特征學習來做檢測是一個非常重要的基礎課題。

另外，sliding window策略是目標檢測中最常用的檢測方式，我們需要遍歷圖像中的每個點以及獲取以該點為起始點的不同大小矩形窗口的某種特征信息，然后依靠所采用的評分方式對該檢索窗口進行估分，從而判斷當前檢測位置是否是目標。可以清楚的看到，這樣的遍歷空間是巨大的。目前雖然也有一些降低目標檢索空間的方法，比如Efficient Subwindow Search等，但是效果有限，而且最終得到的mAP值并不是太理想。

發明內容

基于此，針對上述技術問題，提供一種非剛體目標檢測方法及其系統。

為解決上述技術問題，本發明采用如下技術方案：

一種非剛體目標檢測方法，包括：

采用selective search region proposals算法對輸入圖像進行似物體檢測，找出輸入圖像中可能存在似物體目標的矩形區域；

通過預訓練的非剛體目標模型對獲得的每個矩形區域進行特征提取，獲得每個矩形區域的HSC特征以及紋理特征，所述非剛體目標模型為融合紋理特征的HSC特征模型，其由加入紋理特征的HSC特征樣本訓練構成；

按照HSC特征以及紋理特征的分辨率以金字塔形狀排列每個矩形區域的HSC特征以及紋理特征，構成特征金子塔；

對所述特征金字塔進行PCA投影，在低維度的特征金子塔空間進行模式分類；

對金字塔的每個尺度，分別用每個root進行卷積，得到每層金字塔層的root得分圖；

在root層的每個對應的part層，用所有part濾波器進行卷積，得到所有part的得分圖；

距離轉換重構每個root對應的所有part得分，減去偏移懲罰，綜合各個模型以及各個組件的結果，得到各個位置的最終得分，同模型的閾值進行比較判斷，得到所述矩形區域的非剛體目標的位置。

該方法在所述通過預訓練的非剛體目標模型對獲得的每個矩形區域進行特征提取步驟前，先對每個矩形區域進行邊緣擴展。