[發明專利]基于BING特征的人體目標視覺檢測方法和裝置

有效

• 申請號: 201810374551.2
• 申請日: 2018-04-24
• 公開（公告）號: CN108734200B
• 公開（公告）日: 2022-03-08
• 發明（設計）人: 楊戈;黃尚仁;黃靜
• 申請（專利權）人: 北京師范大學珠海分校
• 主分類號: G06K9/62
• 分類號: G06K9/62;G06V10/764;G06V10/46;G06N3/04
• 代理公司: 北京君尚知識產權代理有限公司 11200
• 代理人: 邱曉鋒

本發明涉及一種基于BING特征的人體目標視覺檢測方法和裝置。該方法利用基于BING特征視覺顯著性檢測的方法對視頻幀進行處理，以優化在目標檢測方面上使用傳統滑動窗口所帶來的性能問題；對顯著性檢測所篩選出的少量包含目標的候選窗口，進一步設計了SVM以及基于深度卷積特征的級聯分類器對人體目標所在的候選窗口進行精細的篩選，最終獲得視頻幀上的所有人體目標的位置以及尺寸。本發明提出利用基于BING特征視覺顯著性檢測的方法來優化傳統滑動窗口提取候選窗口的方法，并結合基于級聯SVM分類器的方法對候選窗口進行定向篩選，能夠有效迅速降低候選窗口的數量，在保證人體目標檢測精度的同時，降低了檢測時間。

技術領域

本發明屬于計算機視覺技術領域，涉及基于視覺注意的人體目標視覺檢測相關技術，具體涉及一種基于BING特征的人體目標視覺檢測方法和裝置。

背景技術

認知心理學領域經過大量的觀察發現人類在極其復雜的場景中依然能保持強大的感知能力是因為人類善于定位有意義的目標并進行觀察、識別和認知，即對有效信息有強大的篩選能力。基于這個出發點，如果要使得計算機也具備一定的認知能力，則要定義圖像或者視頻幀中的目標對象的顯著性的問題。

視覺顯著性檢測(Visual Saliency Detection)一般分為兩類，一類是：自底向上(Bottom-up Approach)的顯著性檢測，本質上是根據圖像某個候選區域中的像素與其周圍像素的差異性作為顯著性的量，差異越大則說明該區域越顯著。如基于直方圖統計的對比度(HC,Histogram Contrast)(Zeng P,Meng F,Shi R,et al.Salient Object DetectionBased on Histogram-Based Contrast and Guided Image Filtering[M].IntelligentData Analysis and Applications.Springer International Publishing,2016)，作者使用直方圖對每一個像素的顏色值進行統計，經過對直方圖降維和量化之后獲得顯著性結果；基于區域對比度(RC,Region Contrast)(Shi Y,Yi Y,Yan H, et al.Region contrastand supervised locality preserving projection-based saliency detection[J].TheVisual Computer,2015,31(9):1191-1205)的方法，作者先將圖像分為若干個區域，對每一個區域使用直方圖統計像素的顏色值，最后通過測量區域間的顏色的對比度來獲取各區域的顯著性。SLIC(Simple Linear Iterativeclustering,簡單的線性迭代聚類)(AchantaR,Shaji A,Smith K, et al.SLIC Superpixels Compared to State of-the-ArtSuperpixel Methods[J].Pattern Analysis Machine Intelligence IEEETransactions on,2012,34(11):2274-2282)的方法則利用像素之間特征的相似性將像素分組，用少量的超像素代替大量的像素來表達圖片特征，然后利用該特征來衡量圖像分塊的獨立性并給出顯著結果。

另一類是自頂向下(Top-down Approach)的顯著性檢測。相比于單純由底層數據驅動的自底向上的顯著性檢測而言，自頂向下則是基于任務驅動的，其先根據底層的特征做初級的檢測，然后結合先驗知識以及特定的任務需求，將檢測的范圍進一步縮小，獲得相關任務更加準確的顯著區域。如Wu Ying(Wu Y.A unified approach to salient objectdetection via low rank matrix recovery[C].Computer Vision and PatternRecognition.IEEE,2012:853 860)等人提出利用低秩矩陣(LowRank Matrix)結合噪聲來表示圖像，并利用矩陣恢復的方法恢復出低秩矩陣，并獲得對應的噪聲，也即是顯著區域，作者結合位置、語義以及顏色的先驗信息對模型作更高級的指導，使算法獲得更好的性能。