[發明專利]一種基于方向梯度特征學習的目標檢測方法

有效

• 申請號: 201710146530.0
• 申請日: 2017-03-13
• 公開（公告）號: CN107145894B
• 公開（公告）日: 2020-03-13
• 發明（設計）人: 鄭慧誠;何娜;陳佳捷;羅子泉;朱睿
• 申請（專利權）人: 中山大學;佛山市新東方電子技術工程有限公司
• 主分類號: G06K9/62
• 分類號: G06K9/62
• 代理公司: 廣州粵高專利商標代理有限公司 44102
• 代理人: 林麗明

一種基于方向梯度特征學習的目標檢測方法。本發明提供的方法以圖像塊中不同大小矩形區域內梯度大小之和為特征，基于boosting進行篩選，產生圖像塊的方向梯度特征，可替代手工設計的HOG特征。對不同目標的檢測結果也表明，本發明所提出的方向梯度特征相對于傳統的HOG特征能獲得更好的檢測效果。

技術領域

本發明涉及計算機視覺研究領域，更具體地，涉及一種基于方向梯度特征學習的目標檢測方法。

背景技術

目標檢測方法因應用廣泛，一直是計算機視覺領域的研究熱點。過去的十幾年里，目標檢測領域獲得了巨大的發展，特別是在2001年Viola和Jones提出boosted cascade這樣一個里程碑式的工作后，級聯框架在目標檢測中受到追捧。為了獲取泛化性能強的級聯目標檢測器，需要在訓練過程中投入更多的訓練數據，對目標檢測器而言，訓練一般要求平均假陽率要低于10^-6，意味著訓練過程需要處理非常大量的非目標樣本，時間花銷巨大，容易使訓練產生嚴重的瓶頸。現今絕大多數級聯檢測器框架的訓練都是基于假陽率和真陽率兩個標準的，但兩個標準之間是相互矛盾的，限制了級聯檢測器每一級的收斂速度，如果要生成高質量的檢測器一般需要訓練幾天甚至一周。因此有必要對目標檢測器的訓練過程進行優化，加快訓練速度。

目標檢測器設計中的另外一個關鍵因素是特征選擇。傳統的級聯檢測器訓練通常采用人工設計的特征，如HOG描述子固定將每個圖像塊均分成4個矩形單元，這種固定模式的特征提取方式不能有針對性地凸顯感興趣目標，因此訓練出來的檢測器辨別目標的能力有限。當前較流行的深度學習方法，雖然能夠發現并刻畫目標內部復雜的結構特征，但是需要龐大的訓練集，部署環境通常必須有GPU的支持，訓練也相當耗時，難以快速地對不同目標的特征進行學習。

發明內容

本發明為解決以上現有技術的難題，提供了一種基于方向梯度特征學習的目標檢測方法，該方法通過改進特征學習方式和訓練過程，提高了檢測器的精度，同時加快了級聯目標檢測器的訓練速度。

為實現以上發明目的，采用的技術方案是：

一種基于方向梯度特征學習的目標檢測方法，包括以下步驟：

(1).方向梯度特征學習

S1.采集N₊個只含目標的圖像區域和N_-個不含目標的圖像區域構成圖像區域訓練集X，在圖像區域上每隔s個像素定義一個大小為w×h像素的圖像塊；

S2.對于訓練集X中的每個圖像區域，計算其每個像素點的梯度大小及方向；

S3.將梯度方向分成l個連續的方向區間，然后為每個圖像區域生成l幅方向梯度圖，其具體過程如下：

S31.對于方向區間g的方向梯度圖，若圖像區域某個位置像素點的梯度方向在方向區間g內，則該方向梯度圖在相同位置的取值設為步驟S2計算得到的像素點的梯度大小，否則將該方向梯度圖在此處的取值置為0；

S32.通過對每個像素點進行步驟S31的操作得到訓練集X中每個圖像區域在方向區間g的方向梯度圖；

S33.通過對每個方向區間進行步驟S31、S32的操作得到訓練集X中每個圖像區域的l幅方向梯度圖；

S4.對圖像區域的每幅方向梯度圖，基于S1中所述分塊方式得到對應的方向梯度圖像塊集合；

S5.對于每個方向區間的方向梯度圖像塊集合，執行以下操作：

S51.從方向區間g的方向梯度圖像塊集合中選出若干方向梯度圖像塊形成方向梯度特征學習的訓練集；