br>[0066] 11.在獲得目標(biāo)假設(shè)集之后，通過目標(biāo)假設(shè)的根模型和部件模型的位置預(yù)測目標(biāo) 的限定框位置。模型位置信息由根模型的寬度和每個模型的左上角坐標(biāo)表示。通過線性最 小平均算法得到限定框的左上角和右下角的坐標(biāo)，運(yùn)樣就構(gòu)成了限定框。結(jié)合根模型和部 件模型預(yù)測得到的限定框能更精準(zhǔn)得標(biāo)定坐標(biāo)位置。
[0067] 12.非極大值抑制獲取最終檢測結(jié)果。通過限定框預(yù)測之后獲取一組檢測結(jié)果，每 個檢測結(jié)果由一個限定框和一個分值組成。選擇分值最大的檢測結(jié)果，并刪除與運(yùn)些檢測 結(jié)果重疊面積大于50%的檢測結(jié)果，從而得到最終的目標(biāo)檢測結(jié)果。
【主權(quán)項】
1. 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，包括以下步驟： 步驟1:可變形部件模型訓(xùn)練 根據(jù)訓(xùn)練樣本是否含有特定目標(biāo)物體以及物體位置，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和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（P，P1,P2，…Pn)，分別表示根模型P和n個部件模型Pp 其中P1=(FDd1,Vl，S1)，其中F1是模型的特征，Cl1是度量部件位置時的系數(shù)，^表示部件 模型相對于根模型的位置，S1表示部件的尺度； 步驟I. 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； 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)域以及物體種類；正樣本是含有目標(biāo) 對象的圖片，反之則為負(fù)樣本； 步驟1. 2 :初始化根模型 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)練得到一個初 始根模型； 步驟1. 3 :更新根模型 用初始根模型在樣本數(shù)據(jù)中進(jìn)行掃描并計算卷積得分，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，以此位置來更新訓(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； 步驟1. 4 :初始化部件模型 在根位置上用貪婪算法計算出得分最大的區(qū)域，將此區(qū)域作為部件模型的位置； 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； 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 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，實現(xiàn)不同種類目標(biāo)的檢 測； 步驟2. 1 :基于查詢表的圖像HOG特征提取 將待檢測圖像進(jìn)行灰度化，采用Ga_a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；計算獲取三個查詢表，分別存儲對比度敏感 方向通道索引，對比度不敏感方向通道索引以及水平和垂直方向梯度的組合；將圖像劃分 為一個個小的cell即胞元，在計算每個像素點的梯度大小和方向時，通過查找查詢表快速 統(tǒng)計每個胞元的梯度直方圖，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； 步驟2. 2 :構(gòu)建圖像特征金字塔 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)行模型匹配時在圖像不同分辨率下 進(jìn)行，實現(xiàn)全面準(zhǔn)確得匹配； 步驟2. 3 :基于圖像分割的HOG特征前景背景分割 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個小的區(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)模板將相鄰的各個區(qū)域進(jìn)行合并，形成前景區(qū)域，并將圖像 的前景和背景進(jìn)行分離；再利用區(qū)域之間的相似度構(gòu)建圖像的掩膜，計算權(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)值計算公式為其中i的變化范圍為部件模型中block的個數(shù)，f[i]表示block之間相似度，a表示 預(yù)先設(shè)定的分割系數(shù)； 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： HseB[i] = [H[i],M[i] ?H[i],M[i]] 其中H[i]表示原始的HOG特征； 步驟2. 4 :獲得級聯(lián)可變形模型 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，以減少進(jìn)行模 型匹配時計算卷積得分的計算量，最后簡化模型和原始模型一起構(gòu)成級聯(lián)模型； 步驟2. 5 :計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閾值 采用樣本圖像，并用PAA方法訓(xùn)練得到裁剪閾值，根據(jù)裁剪閾值確定相應(yīng)目標(biāo)假設(shè)是 否被裁剪； 步驟2. 6:模型匹配 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：其中《表示的是部件模型在圖像中實際所處的位置和尺度，Hl1(CO)表示將部件？1置 于《時的得分，％(?)表示部件P1在可變形部件模型中所處的標(biāo)準(zhǔn)位置，MS)表示部件 P1相對其在模型標(biāo)準(zhǔn)位置的形變代價，一個目標(biāo)假設(shè)的得分為各個模型置于《時所得分?jǐn)?shù) 減去各部件因位移產(chǎn)生的形變代價即為在該位置的匹配得分，在計算部件得分時，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：在相應(yīng)目標(biāo)假設(shè)位置計算根模型得分和部件得分，通過比較目標(biāo)假設(shè)位置CO的得分 和全局閾值T，確定該目標(biāo)假設(shè)位置是否存在目標(biāo)，全局閾值T的取值范圍為[0, 1];利用之 前計算得到的裁剪閾值，按階段對目標(biāo)假設(shè)位置進(jìn)行裁剪，即提前排除不滿足閾值條件的 假設(shè)位置，不用完整計算所有部件得分和形變花費(fèi)，最終獲得滿足閾值條件的所有目標(biāo)假 設(shè)集； 步驟2. 7 :限定框預(yù)測 在獲得目標(biāo)假設(shè)位置之后，需要標(biāo)示目標(biāo)在圖片中的位置，即標(biāo)定目標(biāo)的限定框位置， 根據(jù)目標(biāo)假設(shè)中根模型和部件模型的位置，對限定框坐標(biāo)位置進(jìn)行預(yù)測； 步驟2. 8 :非極大值抑制獲取最終檢測結(jié)果 通過限定框預(yù)測之后獲取一組預(yù)測的檢測結(jié)果，通過非極大值抑制去除重復(fù)的預(yù)測結(jié) 果，得到最終的檢測結(jié)果。2.如權(quán)利要求1所述基于圖像分割的級聯(lián)可變形部件模型目標(biāo)檢測方法，其特征在 于：所述步驟2. 6中裁剪為假設(shè)裁剪和形變裁剪：假設(shè)裁剪是指如果在co位置的前i個部 件的累積得分小于閾值^，那么直接裁剪該目標(biāo)假設(shè)位置，不用繼續(xù)估算該位置剩余的部 件得分；形變裁剪是指在計算某個部件的得分時，對形變空間S進(jìn)行搜索，如果前i個部件 的得分減去該形變空間的形變花費(fèi)Cl1(Si)小于閾值^'，那么直接跳過8,不用繼續(xù)計算 該形變空間； 閾值tpV表示為：
【專利摘要】本發(fā)明公開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，屬于圖像檢測領(lǐng)域。本發(fā)明以級聯(lián)可變形部件檢測方法為基礎(chǔ)，在目標(biāo)檢測階段提取物體的HOG特征，并通過計算構(gòu)建像素梯度的查詢表以快速獲取HOG特征向量，減少特征提取時間。并基于分水嶺圖像分割方法對圖像進(jìn)行處理，計算權(quán)值構(gòu)建掩膜以分離HOG特征的前景和背景，從而降低圖像背景對目標(biāo)檢測的影響，提高檢測準(zhǔn)確率。然后利用訓(xùn)練階段得到的模板與圖像金字塔進(jìn)行卷積，并在匹配過程中對目標(biāo)假設(shè)進(jìn)行裁剪，計算相應(yīng)得分響應(yīng)最終檢測出目標(biāo)。本發(fā)明在保證檢測速度的情況下提高了傳統(tǒng)方法的檢測準(zhǔn)確率。
【IPC分類】G06T7/00
【公開號】CN105225226
【申請?zhí)枴緾N201510552958
【發(fā)明人】羅光春, 段貴多, 秦科, 王倩
【申請人】電子科技大學(xué)
【公開日】2016年1月6日
【申請日】2015年9月2日