[發明專利]一種非結構化環境中的3D目標實例物體檢測的方法

有效

• 申請號: 201611031180.5
• 申請日: 2016-11-18
• 公開（公告）號: CN108073940B
• 公開（公告）日: 2021-09-17
• 發明（設計）人: 王睿;梁穎;許婧文
• 申請（專利權）人: 北京航空航天大學
• 主分類號: G06K9/62
• 分類號: G06K9/62
• 代理公司: 暫無信息
• 代理人: 暫無信息

1.一種非結構化環境中的3D目標實例物體檢測的方法，其特征在于：該方法的具體步驟如下：

步驟一.獲取訓練數據：

對于每一個目標實例物體，拍攝獲取多視角,多光照條件下,包含目標實例物體的圖片IMG_P、背景圖片IMG_N、再通過圖像處理手段獲取IMG_P的二值掩碼IMG_P_mask以及目標實例物體在圖片中的位置標注信息；

步驟二.線下訓練模型：

(1)BING模型訓練；使用包含目標實例物體的圖片IMG_P、背景圖片IMG_N、以及目標實例物體在圖片中的位置標注信息作為輸入數據，訓練BING模型即學習二個級聯線性SVM分類器模型參數；

(2)候選窗口識別驗證階段模型訓練；由訓練好的BING模型預測包含目標實例物體的圖片IMG_P、背景圖片IMG_N來產生供后續分類器學習使用的訓練數據包括正樣本ROI_P和負樣本ROI_N；通過提取訓練數據正樣本ROI_P和負樣本ROI_N的顏色，形狀，紋理特征，分別學習三種判別模型——顏色直方圖，隨機森林分類器，線性SVM分類器；基于顏色的判別模型訓練，首先，使用IMP_P及其對應的二值掩碼IMG_P_mask分析HSV顏色直方圖確定主色調，提取所有正樣本ROI_P的主色調直方圖，并對得到的數據矩陣進行k-means聚類分析，獲取聚類中心，用于在線檢測階段的直方圖匹配；基于形狀特征的判別模型訓練，采用K-means算法，通過提取HOG特征將所有正樣本ROI_P分為n1類，n1為自然數，以得到各樣本的類別標簽，將聚類后具有類別標簽的正樣本ROI_P及負樣本ROI_N，共n1+1類樣本作為隨機森林分類器的訓練數據，來構建隨機森林模型；基于紋理特征的判別模型訓練，采用K-means算法，通過提取紋理特征將所有正樣本ROI_P分為n2類，n2為自然數，以得到各樣本的類別標簽，分別為聚類好的每類正樣本ROI_P訓練一個線性SVM二分類器；

步驟三.在線檢測：

將步驟二中訓練好的三個判別模塊：顏色直方圖匹配，隨機森林分類器，SVM分類器設計為級聯結構；在候選區域提取階段，將檢測圖像輸入BING模型，獲取可能帶有目標物體的候選窗口，再將這些窗口依次進行顏色直方圖匹配，級聯分類器分類驗證實現窗口驗證識別，最終獲得實例物體在檢測圖像中的位置；所述步驟二中使用的BING模型是用以區分特定目標物體與非特定物體的，具體實現過程如下：

(1)在訓練BING模型時，只將含有目標實例物體的圖片作為正樣本，來訓練兩個級聯的SVM線性分類器；

(2)利用訓練好的只針對特定目標物體的BING模型來預測測試圖片，實現方式即采用訓練好的兩級SVM線性分類器進行窗口打分，將得分高的窗口作為候選ROI送入后續分類器進行識別驗證。

2.如權利要求1所述的非結構化環境中的3D目標實例物體檢測的方法，其特征在于，所述步驟三中的級聯結構分類器，首先提取可能含有目標的候選窗口的顏色特征，采用直方圖匹配的方式進行判別；對于匹配成功的候選窗口，繼續提取HOG特征，采用隨機森林分類器進行多視角類別決策；對于非背景類，則最后提取紋理特征，并通過級聯的n2個SVM二分類器來判別窗口是否存在目標物體，最終保留成功通過三個判別模塊的候選窗口。