[發明專利]基于多尺度特征估計和高階BING特征的目標檢測方法

有效

• 申請號: 201610659122.0
• 申請日: 2016-08-11
• 公開（公告）號: CN106326916B
• 公開（公告）日: 2019-08-13
• 發明（設計）人: 解梅;朱倩;王建國;周揚
• 申請（專利權）人: 電子科技大學
• 主分類號: G06K9/62
• 分類號: G06K9/62
• 代理公司: 電子科技大學專利中心 51203
• 代理人: 鄒裕蓉

1.基于多尺度特征估計和高階BING特征的目標檢測方法，其特征在于，包括以下步驟：

1)訓練步驟：

1-1)對樣本圖像進行標注，用矩形框將目標區域標注為正樣本,標注類別標簽為+1，在非目標區域隨機采樣大于正樣本數量的負樣本，標注類別標簽為-1，得到全部樣本的類別標簽y_n，n為樣本總數；

1-2)對標注的正負樣本構造圖像金字塔；

1-3)對各標注的正負樣本在不同尺寸下進行滑窗提取方向梯度直方圖，得到方向梯度直方圖特征金字塔；

1-4)使用多尺度方向梯度直方圖近似算法得到的特征金字塔的相鄰兩個方向梯度直方圖之間再插入4個尺度均勻分布的方向梯度直方圖，從而最終的方向梯度直方圖特征金字塔；

1-5)使用二進制近似算法計算方向梯度直方圖特征金字塔中的每一個方向梯度直方圖中每一個窗口的高階BING特征g；

1-6)輸入高階BING特征g與對應的類別標簽y_n訓練該尺度對應的第一級SVM分類器g₁(x)＝<w₁,g>，<·>表示向量的內積，得到分類器的模型參數w₁；

1-7)對第一級SVM分類器訓練完成后，對樣本圖像的圖像金字塔上進行窗口滑窗提取高階BING特征g，將高階BING特征g輸入第一級SVM分類器得到分數S_l；

1-8)使用分數S_l和對應的類別標簽y_n來訓練第二級SVM分類器得到第二級SVM分類器的模型參數v_m和t_m；

2)檢測步驟：

2-1)對檢測圖像構造圖像金字塔；

2-2)對檢測圖像在不同尺寸下進行滑窗提取方向梯度直方圖，得到方向梯度直方圖特征金字塔；

2-3)使用多尺度方向梯度直方圖近似算法得到的特征金字塔的相鄰兩個方向梯度直方圖之間再插入4個尺度均勻分布的方向梯度直方圖，從而最終的方向梯度直方圖特征金字塔；

2-4)使用二進制近似算法計算方向梯度直方圖特征金字塔中的每一個方向梯度直方圖中每一個窗口的高階BING特征g；

2-5)將高階BING特征g輸入第一級SVM分類器得到分數S_l；

2-6)將從第一級分數SVM分類器輸出對檢測圖像的圖像金字塔的分數S_l輸入第二級SVM分類器得到分數O_l；

2-7)對檢測圖像中所有窗口的得分O_l進行排序，取前面K個窗口作為候選的目標窗口，最后使用非極大值抑制消除多余的候選窗口，找到目標的位置。

2.如權利要求1所述基于多尺度特征估計和高階BING特征的目標檢測方法，其特征在于，步驟1-5)中每一個窗口的高階BING特征g的特征提取步驟為：

對于一幅大小為(w,h)圖像，在每一個不重疊的4*4像素大小的窗口計算9個方向的方向梯度直方圖得到9維的向量，并將這個9維的向量排列成3*3大小的矩陣，計算完所有的窗口，就得到大小為的特征圖；

對特征圖中每一個6*6大小的窗口，使用二進制近似算法，得到一個36維的高階BING特征g，b_k是一個6*6大小的二進制矩陣，b_k中的元素為0或者1；其中，N_g表示用N_g個二進制的6*6大小的二進制矩陣b_k來近似特征圖中每一個6*6大小的窗口，k＝1,2,…,N_g，N_g＝6；

對于整幅特征圖，根據前后窗口之間的關系，后一個窗口的高階BING特征根據前一個窗口的高階BING計算b_k,i,j＝(b_k,i-1,j＜＜16)|r_k,i,j，其中，＜＜16表示左移16位，|表示或運算；

b_k,i,j表示圖像中第i行j列的窗口對應的二進制矩陣b_k，r_k,i,j表示6*6大小的二進制矩陣b_k的后面3行，r_k,i,j通過二進制近似算法求得。