一種基于圖像分割的級聯(lián)可變形部件模型目標(biāo)檢測方法
【技術(shù)領(lǐng)域】
[0001] 本發(fā)明屬于目標(biāo)檢測技術(shù)領(lǐng)域，根據(jù)模型的不同，可W對不同目標(biāo)類型進(jìn)行檢測。
【背景技術(shù)】
[0002] 目標(biāo)檢測一直是計(jì)算機(jī)視覺領(lǐng)域一個(gè)重要的研究課題。在對目標(biāo)進(jìn)行檢測過程 中，檢測的準(zhǔn)確度和速度是兩個(gè)衡量檢測性能的重要指標(biāo)。在對目標(biāo)對象進(jìn)行檢測時(shí)的主 要的挑戰(zhàn)在于目標(biāo)在外觀，輪廓上的差異。行人運(yùn)種非剛體目標(biāo)經(jīng)常在著裝、姿勢上有很大 的差別。而汽車等剛體目標(biāo)則具有不同的顏色或形狀。所W在對不同的目標(biāo)進(jìn)行檢測和識 別時(shí)需要采用不同的檢測模型和檢測方法。在目標(biāo)檢測過程中還存在客觀因素的影響，例 如光照變化，目標(biāo)遮擋等復(fù)雜檢測環(huán)境。
[0003] 現(xiàn)有的目標(biāo)檢測方法主要可W分為兩類：一類是W帖差法、背景減除法為代表的 利用相鄰圖像帖間信息獲得檢測目標(biāo)的經(jīng)典檢測方法；第二類是基于目標(biāo)特征的目標(biāo)檢測 方法，運(yùn)種方法提取目標(biāo)的顏色，紋理等特征用W描述目標(biāo)，然后利用機(jī)器學(xué)習(xí)方法對運(yùn)些 特征進(jìn)行訓(xùn)練形成分類器，利用分類器匹配圖像實(shí)現(xiàn)目標(biāo)檢測。針對不同種類目標(biāo)的檢測 問題，目前許多檢測器的都采用HOG特征，比如化la^Triggs的行人檢測器化及目前比較 流行的可變形部件模型檢測方法?？傊卣魈崛∈腔谔卣鞯哪繕?biāo)檢測方法的基礎(chǔ)，特征 描述將直接影響檢測性能。
[0004] 可變形部件模型目標(biāo)檢測方法采用的是基于滑動(dòng)窗口的檢測方式，檢測過程中利 用可變形部件模型遍歷圖像中所有位置進(jìn)行模型匹配，然后通過計(jì)算相應(yīng)得分W確定目標(biāo) 位置。傳統(tǒng)的可變形部件模型在提取圖像特征時(shí)，沒有對原圖像進(jìn)行預(yù)處理而直接提取HOG 特征，圖像的背景易對目標(biāo)圖像的檢測造成干擾。而且在提取HOG特征時(shí)需要計(jì)算每個(gè)像 素點(diǎn)的梯度，特征提取耗費(fèi)比較長的時(shí)間。

【發(fā)明內(nèi)容】
： 陽〇化]基于上述技術(shù)問題，本發(fā)明提供了一種基于圖像分割的級聯(lián)可變形部件模型目標(biāo) 檢測方法。本發(fā)明的目的在于提供一種能夠提高目標(biāo)檢測的準(zhǔn)確率，同時(shí)又具有較高檢測 速度的目標(biāo)檢測方法。
[0006] 本發(fā)明提出的方法，主要包括W下步驟：
[0007] 步驟1 :可變形部件模型訓(xùn)練
[0008] 根據(jù)訓(xùn)練樣本是否含有特定目標(biāo)物體W及物體位置，訓(xùn)練出對應(yīng)目標(biāo)對象的模 型。該模型包括描述目標(biāo)整體特征的根模型、描述局部特征的部件模型W及部件模型與根 模型的彈性約束關(guān)系；訓(xùn)練好的模型表示為化Pi，P2,...P。)，分別表示根模型P和n個(gè)部 件模型Pi。其中Pi= (。1，山乂1，31)，其中!^1是模型的特征，(11是度量部件位置時(shí)的系數(shù)，乂1 表示部件模型相對于根模型的位置，Si表示部件的尺度。
[0009] 步驟1. 1 :根據(jù)訓(xùn)練樣本提供的標(biāo)簽信息確定訓(xùn)練模型所需的正樣本集和負(fù)樣本 集。
[0010] 標(biāo)簽信息是訓(xùn)練樣本中用限定框標(biāo)記的物體所在的區(qū)域W及物體種類。正樣本是 含有目標(biāo)對象的圖片，反之則為負(fù)樣本。
[0011] 步驟1.2:初始化根模型。
[0012] 根據(jù)正樣本集中的限定框的大小信息，選擇根模型的尺寸，通過SVM訓(xùn)練得到一 個(gè)初始根模型。
[001引步驟1.3:更新根模型。
[0014]用初始根模型在樣本數(shù)據(jù)中進(jìn)行掃描并計(jì)算卷積得分，找出得分最大且和樣本中 標(biāo)記的位置覆蓋面積最大的位置，W此位置來更新訓(xùn)練樣本中的限定框標(biāo)記。使用經(jīng)過重 新標(biāo)記的正樣本和負(fù)樣本重新組成新的樣本庫，更新根模型。
[001引步驟1. 4 :初始化部件模型。
[0016] 在根位置上用貪婪算法計(jì)算出得分最大的區(qū)域，將此區(qū)域作為部件模型的位置。
[0017] 步驟1. 5 :使用不斷更新的樣本庫訓(xùn)練更新模型。得到標(biāo)準(zhǔn)的可變形部件模型。 [001引步驟2 :基于圖像分割的級聯(lián)可變形部件模型目標(biāo)檢測；
[0019] 將步驟1得到的標(biāo)準(zhǔn)的可變形部件模型轉(zhuǎn)換為級聯(lián)可變形部件模型，然后利用級 聯(lián)模型在經(jīng)過前景和背景分割的圖像HOG特征上進(jìn)行掃描匹配，并通過裁剪策略對目標(biāo)假 設(shè)進(jìn)行提前裁剪，過濾不滿足條件的目標(biāo)假設(shè)，最終根據(jù)模型的不同，實(shí)現(xiàn)不同種類目標(biāo)的 檢測。
[0020] 步驟2. 1 :基于查詢表的圖像HOG特征提取。
[0021] 將待檢測圖像進(jìn)行灰度化，采用Gamma校正法對灰度化之后的圖像進(jìn)行歸一化， 調(diào)節(jié)圖像對比度，降低光照變化、噪聲造成的干擾。計(jì)算獲取立個(gè)查詢表，分別存儲(chǔ)對比度 敏感方向通道索引，對比度不敏感方向通道索引W及水平和垂直方向梯度的組合。將圖像 劃分為一個(gè)個(gè)小的cell(胞元），在計(jì)算每個(gè)像素點(diǎn)的梯度大小和方向時(shí)，通過查找查詢表 快速統(tǒng)計(jì)每個(gè)胞元的梯度直方圖，形成該胞元的特征向量。將胞元組成block,串聯(lián)胞元 的特征向量組成block的特征向量；將圖像中所有block的特征向量串聯(lián)起來形成圖像的 HOG特征。
[0022] 步驟2. 2 :構(gòu)建圖像特征金字塔。
[0023] 提取不同分辨率下圖像的HOG特征，構(gòu)成圖像特征金字塔。在進(jìn)行特征提取時(shí)采 用特征金字塔的形式，獲取不同分辨率下的圖像特征，在進(jìn)行模型匹配時(shí)在圖像不同分辨 率下進(jìn)行，實(shí)現(xiàn)全面準(zhǔn)確得匹配。
[0024] 步驟2. 3 :基于圖像分割的HOG特征前景背景分割。
[00巧]對原始圖像進(jìn)行形態(tài)學(xué)開閉運(yùn)算消除圖像噪聲引起的局部極值。然后通過分水嶺 變換方法將圖像分割為一個(gè)個(gè)小的區(qū)域。然后再利用歸一化積相關(guān)灰度匹配算法度量每個(gè) 區(qū)域之間的相似性。通過圖形的形態(tài)模板將相鄰的各個(gè)區(qū)域進(jìn)行合并，形成前景區(qū)域，將圖 像的前景和背景進(jìn)行分離。并利用區(qū)域之間的相似度構(gòu)建圖像的掩膜，計(jì)算權(quán)值，并將該權(quán) 值與圖像HOG特征進(jìn)行結(jié)合，將圖像的HOG特征的前景和背景進(jìn)行分離。權(quán)值計(jì)算公式為
[0026]
[0027]其中i的變化范圍為部件模型中block的個(gè)數(shù)，f山表示block之間相似度，a 表示預(yù)先設(shè)定的分割系數(shù)。
[0028] 得到權(quán)重值之后，將HOG特征和權(quán)值結(jié)合構(gòu)建圖像掩膜，分離圖像的前景和背景。 經(jīng)過分割后的HOG特征表示為：
[0029]礦化]=出山，1山.H[i]，M[i]]
[0030] 其中H[i]表示原始的HOG特征。
[0031] 步驟2. 4 :獲得級聯(lián)可變形模型。
[0032] 利用PCA技術(shù)對步驟1得到的可變形部件模型進(jìn)行降維，獲得簡化模型，W減少進(jìn) 行模型匹配時(shí)計(jì)算卷積得分的計(jì)算量。最后簡化模型和原始模型一起構(gòu)成級聯(lián)模型。
[0033] 步驟2. 5 :計(jì)算模型匹配過程中對目標(biāo)假設(shè)進(jìn)行裁剪所用到的裁剪闊值。
[0034] 采用樣本圖像，并用PAA方法訓(xùn)練得到裁剪闊值，根據(jù)裁剪闊值確定相應(yīng)目標(biāo)假 設(shè)是否被裁剪。 陽03引步驟2. 6:模型匹配。
[0036]將獲得的級聯(lián)模型在分割好的圖像HOG特征金字塔上進(jìn)行掃描并求卷積得分，得 分公式為：
[0037]
[003引其中《表示的是部件模型在圖像中實(shí)際所處的位置和尺度。叫（《)表示將部件Pi置于《時(shí)的得分。ai(?)表示部件Pi在可變形部件模型中所處的標(biāo)準(zhǔn)位置。di(5)表示 部件Pi相對其在模型標(biāo)準(zhǔn)位置的形變代價(jià)。一個(gè)目標(biāo)假設(shè)的得分為各個(gè)模型置于《時(shí)所 得分?jǐn)?shù)減去各部件因位移產(chǎn)生的形變代價(jià)即為在該位置的匹配得分。在計(jì)算部件得分時(shí)， 還需要遍歷形變空間查找部件最優(yōu)形變位置，其過程表示為：
[0039]
[0040] 在相應(yīng)目標(biāo)假設(shè)位置計(jì)算根模型得分和部件得分。通過比較目標(biāo)假設(shè)位置《的 得分和全局闊值T，確