基于少量樣本的快速目標檢測方法
【專利摘要】本發(fā)明公開了一種基于少量樣本的快速目標檢測方法，其主要通過使用少量的樣本的梯度直方圖HOG特征來構(gòu)造關(guān)于目標的投票空間，以及計算查詢圖像的HOG特征和不同尺度下檢測圖像的HOG特征，采用滑動窗口的方式計算查詢圖像和檢測圖像塊的梯度直方圖距離，從而來對在檢測圖片中的目標進行定位；最后通過mean-shift算法對上一步中定位到的檢測圖像中的目標進行精確提取，從而把重疊在一起的檢測框相融合，其方法過程簡單，同時能夠基于更少的樣本進行檢測，得出的結(jié)果精確度更高。
【專利說明】基于少量樣本的快速目標檢測方法
【技術(shù)領(lǐng)域】
[0001]本發(fā)明屬于計算機視覺和模糊識別【技術(shù)領(lǐng)域】，具體是一種應(yīng)用在圖片庫和視頻中的基于少量樣本的快速目標檢測方法的設(shè)計。
【背景技術(shù)】
[0002]隨著電子信息技術(shù)的高速發(fā)展，圖像和視頻的應(yīng)用技術(shù)已經(jīng)深入到人們生活和工作的各個角落，例如基于圖像信息的認證、安防監(jiān)控以及圖像信息數(shù)據(jù)的檢索等等，在這樣的應(yīng)用場景中，通常需要對某一出現(xiàn)在圖像或視頻中的目標進行檢測和識別。由于圖像或視頻中的目標往往存在噪聲、光照已經(jīng)形變，所以在圖像或視頻中對某一目標的檢測依然是一個難題。通常，人們會選擇一種基于大量樣本來訓(xùn)練分類器的方式進行目標檢測，這樣的方案往往需要針對某一目標搜集成千上萬的樣本，并且需要很長的時間來訓(xùn)練分類器，一旦要檢測的目標更改，又需要重新搜集樣本進行訓(xùn)練。在許多應(yīng)用場景中，搜集成千上萬的訓(xùn)練樣本是不可能實現(xiàn)的，例如:在機場安檢的圖像信息認證過程中，一個旅客往往只有兩三張照片和本人進行身份驗證，在此情況下就無法獲得關(guān)于旅客的成千上萬張圖片來進行驗證，而是需要從幾張照片中進行驗證的技術(shù)；又如，在網(wǎng)絡(luò)購物中，客戶手里有幾個自己感興趣的商品圖片可是又叫不出商品名稱，于是需要通過圖片搜索的方式在網(wǎng)站上尋找到這些商品，此時就只能通過這幾個樣本就搜索到對應(yīng)商品圖片；另外，在安防監(jiān)控系統(tǒng)中，由于出現(xiàn)的目標各式各樣，若通過搜集成千上萬的樣本來訓(xùn)練分類器，將是一個非常浩大的工作，因此，可以選擇通過少量的樣本的方案來進行。此外，在圖像或視頻中進行目標檢測時，還需要考慮速度問題，即在圖像和視頻中能快速地定位目標，如果一個檢索算法太慢，會影響到相應(yīng)技術(shù)的推廣應(yīng)用。
[0003]現(xiàn)有技術(shù)中，西安電子科技大學(xué)的劉芳等人發(fā)明的“基于Primal Sketch算法的SAR圖像目標檢測方法”，專利申請?zhí)枮?2011101028551，該發(fā)主要針對目標檢測方法無法實現(xiàn)對不同類型的人工目標進行檢測的缺點，其實現(xiàn)過程為:1)對原SAR圖像運用PrimalSketch算法得到圖像結(jié)果信息的線段集合；2)定義并計算線段集合中所有線段的規(guī)整度和規(guī)整比率；3)確定用于區(qū)域升值呢的種子線段集合；4)以種子線段為基準進行區(qū)域生長，得到包含人工目標和自然目標的候選目標區(qū)域集合；5)根據(jù)候選目標區(qū)域內(nèi)線段的特征篩選得到最終的人工目標。該發(fā)明首先計算SAR圖像，然后采用Primal Sketch算法來表示SAR圖像中的線段集合，通過計算線段規(guī)整度和規(guī)整比率從而生成種子線段區(qū)域。但是該方法存在如下缺點:1)該方法的特征是基于圖像的線段，這樣的特征表達容易受到光照、對比度的影響，且沒有局部特征信息；2)運行速度較慢，難以滿足基于網(wǎng)絡(luò)的圖片和視頻檢索。

【發(fā)明內(nèi)容】

[0004]本發(fā)明所要解決的技術(shù)問題是針對上述現(xiàn)有技術(shù)中目標識別檢測方法中存在的缺點而提出一種基于少量樣本的快速目標檢測方法。[0005]本發(fā)明解決其技術(shù)問題采用的技術(shù)方案是:基于少量樣本的快速目標檢測方法，具體包括:
[0006]S1、收集關(guān)于要檢測的目標的樣本，并組成樣本集R ；
[0007]S2、將步驟SI中收集到的樣本放縮到統(tǒng)一大小，計算樣本集R中每個樣本圖片的梯度直方圖HOG特征，對樣本集R中的樣本圖片采用兩兩組合的方式分別計算兩個樣本圖片每個像素的HOG直方圖距離；
[0008]S3、針對樣本的大小，在每個像素位置求得所述步驟S2中的HOG直方圖距離的均值μ和方差Σ ；
[0009]S4、從樣本集R中隨機選擇一個樣本圖片作為查詢圖片Q，計算其HOG特征；對于輸入的測試圖片T在多個尺度上進行放縮，并分別在各個尺度上計算其HOG特征；
[0010]S5、用查詢圖片Q的HOG特征對多個尺度下的測試圖片T以滑動窗口的方式計算相似度，當相似度大于設(shè)定閾值時則認為是檢測目標；
[0011]S6、合并重疊已經(jīng)計算出的檢測目標作為最終的檢測結(jié)果。
[0012]進一步的,所述HOG直方圖距離計算公式為:
【權(quán)利要求】
1.基于少量樣本的快速目標檢測方法，其特征在于，具體包括: . 51、收集關(guān)于要檢測的目標的樣本，并組成樣本集R； . 52、將步驟SI中收集到的樣本放縮到統(tǒng)一大小，計算樣本集R中每個樣本圖片的梯度直方圖HOG特征，對樣本集R中的樣本圖片采用兩兩組合的方式分別計算兩個樣本圖片每個像素的HOG直方圖距離； . 53、針對樣本的大小，在每個像素位置求得所述步驟S2中的HOG直方圖距離的均值μ和方差Σ ； . 54、從樣本集R中隨機選擇一個樣本圖片作為查詢圖片Q，計算其HOG特征；對于輸入的測試圖片T在多個尺度上進行放縮，并分別在各個尺度上計算其HOG特征； . 55、用查詢圖片Q的HOG特征對多個尺度下的測試圖片T以滑動窗口的方式計算相似度，當相似度大于設(shè)定閾值時則認為是檢測目標； . 56、合并重疊已經(jīng)計算出的檢測目標作為最終的檢測結(jié)果。
2.如權(quán)利要求1所述的基于少量樣本的快速目標檢測方法，其特征在于，所述HOG直方圖距離計算公式為:
3.如權(quán)利要求1所述的基于少量樣本的快速目標檢測方法，其特征在于，所述步驟S2具體包括: . 521、對每個樣本圖片采用中值濾波的方式去噪； . 522、計算步驟S21去噪后每個樣本圖片的HOG特征，計算之后每個樣本圖片的每個像素位置都對應(yīng)一個直方圖向量； .523、對兩兩組合的樣本圖片分別計算在每個像素的HOG直方圖距離。
4.如權(quán)利要求3所述的基于少量樣本的快速目標檢測方法，其特征在于，所述步驟中S2中，兩個樣本圖片計算HOG特征之后均是一個三維矩陣，其HOG特征記為mXnXp，其中m和η分別表示HOG特征的在平面上的長度和寬度，P表示每個像素位置處直方圖向量的長度。
5.如權(quán)利要求1所述的基于少量樣本的快速目標檢測方法，其特征在于，所述步驟S4具體包括: . 541、對查詢圖片Q采用中值濾波方式去噪，計算其HOG特征； . 542、對輸入的測試圖片T采用中值濾波方式去噪，在多個尺度上進行放縮，在每個尺度上分別計算其HOG特征。
6.如權(quán)利要求1所述的基于少量樣本的快速目標檢測方法，其特征在于，所述步驟S5包括: . 551、采用滑動窗口的方式計算查詢圖片Q與同樣大小的某一尺度下的測試圖片T中相同大小的圖像塊Ti的HOG直方圖距離； . 552、若查詢圖片Q與圖像塊Ti對應(yīng)像素的HOG直方圖距離與步驟S3中所述的對應(yīng)像素位置的HOG直方圖距離的均值μ之差的絕對值小于對應(yīng)像素位置的HOG直方圖距離的方差Σ，則有一個相似度累積到Ti這個圖像塊上，累加Ti上所有位置的相似度就成為了圖像塊Ti與查詢圖片Q整體的相似度，當圖像塊Ti整體的相似度大于設(shè)定閾值時則認為是檢測目標。
7.如權(quán)利要求6所述的基于少量樣本的快速目標檢測方法，其特征在于，所述步驟S5

中，查詢圖片Q與圖像塊Ti之間的HOG直方圖距離為:
8.如權(quán)利要求1至7任一項權(quán)利要求所述的基于少量樣本的快速目標檢測方法，其特征在于，所述步驟S6中采用means-shift算法合并重疊已經(jīng)計算出的檢測目標。
【文檔編號】G06K9/46GK103530612SQ201310479987
【公開日】2014年1月22日 申請日期:2013年10月14日 優(yōu)先權(quán)日:2013年10月14日
【發(fā)明者】葉茂, 徐培, 占偉鵬, 黃仁杰, 張之曦 申請人:電子科技大學(xué)