[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

本發明公開了一種非結構化環境中的三維目標實例物體檢測的方法。該方法采取了基于分類器學習的多視角三維目標實例物體檢測方案。方案包含兩大模塊：候選窗口提取及目標識別驗證。首先利用改進的二值化規范梯度(BING Binary normed Gradients)算法，快速有效地獲取可能存在目標實例物體的候選窗口。在目標識別階段，方案融合了目標實例物體的顏色,形狀,紋理特征,并采用隨機森林,線性SVM分類器級聯的方式對候選窗口進行驗證，最終實現在非結構化的環境中對三維目標實例物體的快速準確識別檢測。

技術領域

本發明屬于計算機視覺領域，具體涉及一種在非結構化環境中的3D目標實例物體檢測的方法。

背景技術

目標檢測與識別是計算機視覺領域的研究熱點，在目標偵察，精確制導，智能監控，視覺導航，人機交互，空間遙感及智能服務等方面具有廣泛應用。視頻或圖像信號中的目標檢測的在本專利中的具體含義是利用計算機對圖像信號進行加工處理，主要通過提取并分析窗口特征，來判斷圖像中是否存在目標實例物體并標出目標在圖像中的位置。

按照目標物體所處的環境，可以分為結構化和非結構化環境。與結構化環境相比，非結構化環境是一種沒有明確結構、不規則的環境，即目標周圍的環境信息非固定，不可知。目前，目標檢測技術在簡單場景中能夠獲得較高的檢測率，然而對于實際復雜環境下的目標檢測問題尚未完全解決。

目標檢測可以進一步分為實例級(instance-level)目標檢測和類別級(category-level)目標檢測。類別級目標檢測的主要任務是判斷給定圖片中是否存在給定類別的實例物體并將該類別的實例物體全部用矩形框標出。實例級目標檢測的主要任務是在圖片中搜索某一個指定的實例物體并確定當前時刻目標在當前幀的位置。本發明主要針對實例級即特定3D目標檢測。

相比于二維平面物體，三維物體檢測的難點主要體現在視角變化問題上，在同一場景中，對于一個物體來說從不同的視角看過去，其表現形式可能是大不相同的。在現有技術中，針對多視角問題的解決方法大致可以分為兩類：基于CAD模型匹配的方法和基于特征的方法。在基于CAD模型匹配的物體檢測方法中，需要首先生成一個目標物體的三維模型，然后將此模型用于目標匹配。這種方法只對已知形狀的物體有效,并不適用于形狀和維數變化很大的物體,且不具備學習能力。相比之下，基于特征的方法可以避免這個問題。

鐘誠在專利中曾提出(鐘誠.多角度特定物體判別設備及多角度特定物體判斷方法[P].北京：CN102147851A,2010-02-08.)一種有監督的基于特征的三維物體檢測方法，將訓練樣本按角度均分成多個集合，然后針對每個視角，分別提取訓練樣本的特征，學習出多個級聯分類器組，其中每個級聯分類器組由多個與同一檢測角度相對應的分類器級聯構成。然而這種方法需要計算每個視角下的分類器組，計算量大，耗時長，且對于各個視角臨界處的圖像檢測效果不好。

為了解決這個問題，學者們提出了一種無監督的基于特征的三維物體檢測方法，即訓練樣本不需要進行事先分組，分類器是在所有角度的正樣本基上訓練而成的。徐勝在文章《三維物體識別研究》中提出一種基于二維視圖和局部特征提取匹配的三維物體檢測方法，該方法在目標視圖中提取了多種底層特征，包括多種不變矩，顏色，紋理等，這些特征在不同視角下具有穩定性，因此可利用它們訓練分類器。然而該方法選取的特征是針對整幅圖像的信息抽取，無法區分前景和背景，因此背景對于物體檢測的干擾是該方法面臨的重大挑戰。

為了解決背景干擾的問題，張維澤在《基于簡單局部特征學習的物體檢測方法》中提出了一種基于物體局部簡單特征的檢測方法，首先提取物體局部特征，如類HARR特征，分散矩形特征等，通過學習建立物體模型或者分類器，然后對靜態圖像中的特定物體類別進行檢測定位的方法，避免了背景對檢測的影響。然而特征檢測子的緯度較高，計算復雜度很大，使得該方法的耗時較長，處理速度較慢。