[發明專利]一種基于非局部自相似性的HOG特征和聯合稀疏的目標檢測方法

有效

• 申請號: 201911062981.1
• 申請日: 2019-10-31
• 公開（公告）號: CN111126428B
• 公開（公告）日: 2022-08-05
• 發明（設計）人: 王鑫;鄧梁;嚴勤;呂國芳;石愛業
• 申請（專利權）人: 河海大學
• 主分類號: G06V10/764
• 分類號: G06V10/764;G06V10/80;G06V10/50;G06V10/772;G06K9/62
• 代理公司: 南京經緯專利商標代理有限公司 32200
• 代理人: 許方

1.一種基于非局部自相似性的HOG特征和聯合稀疏的目標檢測方法，其特征在于，整個方法包括訓練階段和測試階段，該方法包含以下步驟：

所述訓練階段包括以下步驟：

(1)提取特征：設置包含需要檢測的目標的光學遙感樣本圖像作為正樣本，而其余圖像則是背景圖像作為負樣本，通過顏色模型轉換，從RGB模型變換至HSV空間；接著利用Canny算子計算得到色調通道的邊緣圖像H_edge；然后將非局部相似性與HOG特征相結合，以局部圖像塊block為特征提取的最小計數單位，將所有block所提取的矩陣進行重組得到最終的行稀疏特征，即非局部自相似HOG矩陣

(2)訓練字典：將訓練樣本的非局部自相似HOG矩陣作為K奇異值分解算法的輸入，通過奇異值分解迭代更新字典的每一列，得到正負樣本所對應的正負字典Ψ_pos和Ψ_neg；

所述測試階段包括以下步驟：

(3)提取特征：輸入測試圖像，按照同(1)處理，分割出若干block，每個block所提取的矩陣組合在一起形成局部特征圖；在局部特征圖上利用滑動窗口法得到局部特征圖部分，將其重新組合即可得到局部圖像對應的非局部自相似HOG矩陣；

(4)聯合稀疏判別：將訓練階段得到的正負字典Ψ_pos和Ψ_neg分別用于窗口非局部自相似HOG矩陣重構，并分別得到重構殘差σ_pos和σ_neg，將其輸入Softmax函數中，即可得相應概率值η_pos和η_neg，如果η_pos＞η_neg，那么即可將位置的局部圖像判斷為正樣本，反之，則判斷為負樣本；

(5)利用非極大值抑制算法，以交并比與判定概率值為依據，消除判別時產生的冗余重疊框，得到最終目標檢測結果；

其特征在于，步驟(1)中的提取特征的方法如下：

(1.1)設置若干包含某類需要進行檢測的遙感目標的訓練正樣本圖像RGB_i，i＝1,...,train_sum，訓練樣本圖像中只有一個需要檢測的遙感目標，其中，train_sum為訓練樣本數量，通過顏色模型轉換，從RGB模型變換至HSV空間，接著利用Canny算子計算即可得到色調通道的邊緣圖像H_edge_i；

(1.2)將H_edge_i劃分為若干塊j∈[1,num_b]，num_b表示H_edge_i劃分的塊總數，block_i表示對應H_edge_i的所有塊集合，對其中的任意一塊進行進一步劃分，劃分成若干cell單元，num_c表示劃分的cell單元總數，表示對應的所有cell單元集合；

(1.3)針對任意一個cell單元設L(x,y)表示cell單元中位于(x,y)的像素，利用：

g_x＝L(x+1,y)-L(x-1,y)

g_y＝L(x,y+1)-L(x,y-1)

分別計算水平與垂直方向的梯度g_x、g_y，然后利用和分別計算出L(x,y)位置的梯度幅值與梯度方向G(x,y)、θ(x,y)，預設將360度所有方向量化為nbins個方向，構建一個對應于且長度為nbins的向量v_k，利用θ(x,y)的值與如下公式即可對v_k進行賦值：

其中，x_l表示v_k中位置為l的變量；

(1.4)將cell單元中每一個像素都按照(1.3)所述處理，全部賦值給v_k完畢以后，向量v_k就成為了對應于cell單元的梯度向量；

(1.5)將對應于中的所有cell單元都進行(1.4)操作，并將輸出的所有梯度向量組合于一起得到V_{nbins×num_c}＝[v₁,...,v_k,...,v_{num_c}]；

(1.6)設某一個梯度向量v_k梯度最大的方向為index_k＝argmax(v_k)，構建規模為nbins*nbins的零矩陣m_k，并對其進行賦值m_k[l,index_k]＝v_k(x_l)，l∈[1,nbins]，將所有對應于的cell單元的梯度向量對應的二維矩陣m＝[m₁,...,m_k,...,m_{num_c}]行列對齊堆疊在一起便得到三維矩陣V_{nbins×nbins×num_c}；

(1.7)對V_{nbins×nbins×num_c}進行二值化處理，設閾值為σ，將V_{nbins×nbins×num_c}中所有高于閾值σ的位置設為1，低于閾值σ設為0，使得向量進一步稀疏，設二值化處理V_{nbins×nbins×num_c}過后得到的為

(1.8)將按列拆成nbins份，其中，表示第n列所有數據形成的矩陣，其中，表示矩陣中第p列所有數據形成的向量；

(1.9)引入非局部均值模型，取核函數為指數函數，并將2范數改進為0范數，便可以將(1.8)得到的中的數據如下代入均值模型：

其中，h表示平滑參數，w(p,q)表示和之間的相似性，z(p)表示與其他所有屬于的數據計算相似性的歸一化參數；

然后將得到的的所有相似性與對應的另一方數據相乘相加即可得到輸入參數為的均值模型輸出

是(1.8)獲得的中的現有數據；

(1.10)將中所有數據都如(1.9)中的一樣進行均值模型處理，組合所有均值模型輸出得到選擇K個2范數最大的數據組合在一起，即可得到

(1.11)將在(1.8)中拆分的nbins份數據依次進行(1.9)(1.10)處理，即可得到nbins份數據的規模都是nbins行K列，將其列對齊，行方向直接相連，即可得到nbins²行K列矩陣

(1.12)將(1.2)中劃分的若干依次進行(1.5)至(1.11)處理即可得到此時將這些輸出列對齊，行方向直接連接，即可得到對應于H_edge_i的非局部自相似HOG矩陣length＝nbins²*num_b；

(1.13)輸入等量不含需要檢測的目標的訓練負樣本圖像Background_i，i＝1,...,train_sum，對負樣本圖像進行(1.1)至(1.12)所述處理，最終可得到負樣本對應的非局部自相似HOG矩陣