一种基于图像分割的级联可变形部件模型目标检测方法技术

本发明专利技术公开了一种基于图像分割的级联可变形部件模型目标检测方法，属于图像检测领域。本发明专利技术以级联可变形部件检测方法为基础，在目标检测阶段提取物体的HOG特征，并通过计算构建像素梯度的查询表以快速获取HOG特征向量，减少特征提取时间。并基于分水岭图像分割方法对图像进行处理，计算权值构建掩膜以分离HOG特征的前景和背景，从而降低图像背景对目标检测的影响，提高检测准确率。然后利用训练阶段得到的模板与图像金字塔进行卷积，并在匹配过程中对目标假设进行裁剪，计算相应得分响应最终检测出目标。本发明专利技术在保证检测速度的情况下提高了传统方法的检测准确率。

【技术实现步骤摘要】

本专利技术属于目标检测
，根据模型的不同，可W对不同目标类型进行检测。
技术介绍
目标检测一直是计算机视觉领域一个重要的研究课题。在对目标进行检测过程 中，检测的准确度和速度是两个衡量检测性能的重要指标。在对目标对象进行检测时的主 要的挑战在于目标在外观，轮廓上的差异。行人运种非刚体目标经常在着装、姿势上有很大 的差别。而汽车等刚体目标则具有不同的颜色或形状。所W在对不同的目标进行检测和识 别时需要采用不同的检测模型和检测方法。在目标检测过程中还存在客观因素的影响，例 如光照变化，目标遮挡等复杂检测环境。 现有的目标检测方法主要可W分为两类：一类是W帖差法、背景减除法为代表的 利用相邻图像帖间信息获得检测目标的经典检测方法；第二类是基于目标特征的目标检测 方法，运种方法提取目标的颜色，纹理等特征用W描述目标，然后利用机器学习方法对运些 特征进行训练形成分类器，利用分类器匹配图像实现目标检测。针对不同种类目标的检测 问题，目前许多检测器的都采用HOG特征，比如化la^Triggs的行人检测器化及目前比较 流行的可变形部件模型检测方法。总之，特征提取是基于特征的目标检测方法的基础，特征 描述将直接影响检测性能。 可变形部件模型目标检测方法采用的是基于滑动窗口的检测方式，检测过程中利 用可变形部件模型遍历图像中所有位置进行模型匹配，然后通过计算相应得分W确定目标 位置。传统的可变形部件模型在提取图像特征时，没有对原图像进行预处理而直接提取HOG 特征，图像的背景易对目标图像的检测造成干扰。而且在提取HOG特征时需要计算每个像 素点的梯度，特征提取耗费比较长的时间。
技术实现思路
： 阳〇化]基于上述技术问题，本专利技术提供了一种基于图像分割的级联可变形部件模型目标 检测方法。本专利技术的目的在于提供一种能够提高目标检测的准确率，同时又具有较高检测 速度的目标检测方法。 本专利技术提出的方法，主要包括W下步骤： 步骤1 :可变形部件模型训练 根据训练样本是否含有特定目标物体W及物体位置，训练出对应目标对象的模 型。该模型包括描述目标整体特征的根模型、描述局部特征的部件模型W及部件模型与根 模型的弹性约束关系；训练好的模型表示为化Pi，P2,...P。)，分别表示根模型P和n个部 件模型Pi。其中Pi= (。1，山乂1，31)，其中!^1是模型的特征，(11是度量部件位置时的系数，乂1 表示部件模型相对于根模型的位置，Si表示部件的尺度。 步骤1. 1 :根据训练样本提供的标签信息确定训练模型所需的正样本集和负样本 集。 标签信息是训练样本中用限定框标记的物体所在的区域W及物体种类。正样本是 含有目标对象的图片，反之则为负样本。 步骤1.2:初始化根模型。 根据正样本集中的限定框的大小信息，选择根模型的尺寸，通过SVM训练得到一 个初始根模型。[001引步骤1.3:更新根模型。用初始根模型在样本数据中进行扫描并计算卷积得分，找出得分最大且和样本中 标记的位置覆盖面积最大的位置，W此位置来更新训练样本中的限定框标记。使用经过重 新标记的正样本和负样本重新组成新的样本库，更新根模型。[001引步骤1. 4 :初始化部件模型。 在根位置上用贪婪算法计算出得分最大的区域，将此区域作为部件模型的位置。 步骤1. 5 :使用不断更新的样本库训练更新模型。得到标准的可变形部件模型。 [001引步骤2 :基于图像分割的级联可变形部件模型目标检测； 将步骤1得到的标准的可变形部件模型转换为级联可变形部件模型，然后利用级 联模型在经过前景和背景分割的图像HOG特征上进行扫描匹配，并通过裁剪策略对目标假 设进行提前裁剪，过滤不满足条件的目标假设，最终根据模型的不同，实现不同种类目标的 检测。 步骤2. 1 :基于查询表的图像HOG特征提取。 将待检测图像进行灰度化，采用Gamma校正法对灰度化之后的图像进行归一化， 调节图像对比度，降低光照变化、噪声造成的干扰。计算获取立个查询表，分别存储对比度 敏感方向通道索引，对比度不敏感方向通道索引W及水平和垂直方向梯度的组合。将图像 划分为一个个小的cell(胞元），在计算每个像素点的梯度大小和方向时，通过查找查询表 快速统计每个胞元的梯度直方图，形成该胞元的特征向量。将胞元组成block,串联胞元 的特征向量组成block的特征向量；将图像中所有block的特征向量串联起来形成图像的 HOG特征。 步骤2. 2 :构建图像特征金字塔。 提取不同分辨率下图像的HOG特征，构成图像特征金字塔。在进行特征提取时采 用特征金字塔的形式，获取不同分辨率下的图像特征，在进行模型匹配时在图像不同分辨 率下进行，实现全面准确得匹配。 步骤2. 3 :基于图像分割的HOG特征前景背景分割。对原始图像进行形态学开闭运算消除图像噪声引起的局部极值。然后通过分水岭 变换方法将图像分割为一个个小的区域。然后再利用归一化积相关灰度匹配算法度量每个 区域之间的相似性。通过图形的形态模板将相邻的各个区域进行合并，形成前景区域，将图 像的前景和背景进行分离。并利用区域之间的相似度构建图像的掩膜，计算权值，并将该权 值与图像HOG特征进行结合，将图像的HOG特征的前景和背景进行分离。权值计算公式为其中i的变化范围为部件模型中block的个数，f山表示block之间相似度，a 表示预先设定的分割系数。 得到权重值之后，将HOG特征和权值结合构建图像掩膜，分离图像的前景和背景。 经过分割后的HOG特征表示为：矿化]=出山，1山.H，M] 其中H表示原始的HOG特征。 步骤2. 4 :获得级联可变形模型。 利用PCA技术对步骤1得到的可变形部件模型进行降维，获得简化模型，W减少进 行模型匹配时计算卷积得分的计算量。最后简化模型和原始模型一起构成级联模型。 步骤2. 5 :计算模型匹配过程中对目标假设进行裁剪所用到的裁剪阔值。 采用样本图像，并用PAA方法训练得到裁剪阔值，根据裁剪阔值确定相应目标假 设是否被裁剪。 阳03引步骤2. 6:模型匹配。将获得的级联模型在分割好的图像HOG特征金字塔上进行扫描并求卷积得分，得 分公式为：[003引其中《表示的是部件模型在图像中实际所处的位置和尺度。叫（《)表示将部件Pi置于《时的得分。ai(?)表示部件Pi在可变形部件模型中所处的标准位置。di(5)表示 部件Pi相对其在模型标准位置的形变代价。一个目标假设的得分为各个模型置于《时所 得分数减去各部件因位移产生的形变代价即为在该位置的匹配得分。在计算部件得分时， 还需要遍历形变空间查找部件最优形变位置，其过程表示为： 在相应目标假设位置计算根模型得分和部件得分。通过比较目标假设位置《的 得分和全局阔值T，确当前第1页1 2 3 本文档来自技高网...

【技术保护点】
一种基于图像分割的级联可变形部件模型目标检测方法，包括以下步骤：步骤1：可变形部件模型训练根据训练样本是否含有特定目标物体以及物体位置，训练出对应目标对象的模型；该模型包括描述目标整体特征的根模型、描述局部特征的部件模型和部件模型与根模型的弹性约束关系；训练好的模型表示为(P,P1,P2,…Pn)，分别表示根模型P和n个部件模型Pi。其中Pi＝(Fi,di,vi,si)，其中Fi是模型的特征，di是度量部件位置时的系数，vi表示部件模型相对于根模型的位置，si表示部件的尺度；步骤1.1：根据训练样本提供的标签信息确定训练模型所需的正样本集和负样本集；标签信息是训练样本中用限定框标记的物体所在的区域以及物体种类；正样本是含有目标对象的图片，反之则为负样本；步骤1.2：初始化根模型根据正样本集中的限定框的大小信息，选择根模型的尺寸，通过SVM训练得到一个初始根模型；步骤1.3：更新根模型用初始根模型在样本数据中进行扫描并计算卷积得分，找出得分最大且和样本中标记的位置覆盖面积最大的位置，以此位置来更新训练样本中的限定框标记，使用经过重新标记的正样本和负样本重新组成新的样本库，更新根模型；步骤1.4：初始化部件模型在根位置上用贪婪算法计算出得分最大的区域，将此区域作为部件模型的位置；步骤1.5：使用不断更新的样本库训练更新模型，得到标准的可变形部件模型；步骤2：基于图像分割的级联可变形部件模型目标检测将步骤1得到的标准的可变形部件模型转换为级联可变形部件模型，然后利用级联模型在经过前景和背景分割的图像HOG特征上进行扫描匹配，并通过裁剪策略对目标假设进行提前裁剪，过滤不满足条件的目标假设，最终根据模型的不同，实现不同种类目标的检测；步骤2.1：基于查询表的图像HOG特征提取将待检测图像进行灰度化，采用Gamma校正法对灰度化之后的图像进行归一化，调节图像对比度，降低光照变化、噪声造成的干扰；计算获取三个查询表，分别存储对比度敏感方向通道索引，对比度不敏感方向通道索引以及水平和垂直方向梯度的组合；将图像划分为一个个小的cell即胞元，在计算每个像素点的梯度大小和方向时，通过查找查询表快速统计每个胞元的梯度直方图，形成该胞元的特征向量；将胞元组成block，串联胞元的特征向量组成block的特征向量；将图像中所有block的特征向量串联起来形成图像的HOG特征；步骤2.2：构建图像特征金字塔提取不同分辨率下图像的HOG特征，构成图像特征金字塔；在进行特征提取时采用特征金字塔的形式，获取不同分辨率下的图像特征，在进行模型匹配时在图像不同分辨率下进行，实现全面准确得匹配；步骤2.3：基于图像分割的HOG特征前景背景分割对原始图像进行形态学开闭运算消除图像噪声引起的局部极值，然后通过分水岭变换方法将图像分割为一个个小的区域；然后再利用归一化积相关灰度匹配算法度量每个区域之间的相似性，通过图形的形态模板将相邻的各个区域进行合并，形成前景区域，并将图像的前景和背景进行分离；再利用区域之间的相似度构建图像的掩膜，计算权值，并将该权值与图像HOG特征进行结合，将图像的HOG特征的前景和背景进行分离；权值计算公式为M[i]=11+exp(-101-α(f[i]-α))]]>其中i的变化范围为部件模型中block的个数，f[i]表示block之间相似度，α表示预先设定的分割系数；得到权重值之后，将HOG特征和权值结合构建图像掩膜，分离图像的前景和背景；经过分割后的HOG特征表示为：Hseg[i]＝[H[i],M[i]·H[i],M[i]]其中H[i]表示原始的HOG特征；步骤2.4：获得级联可变形模型利用PCA技术对步骤1得到的可变形部件模型进行降维，获得简化模型，以减少进行模型匹配时计算卷积得分的计算量，最后简化模型和原始模型一起构成级联模型；步骤2.5：计算模型匹配过程中对目标假设进行裁剪所用到的裁剪阈值采用样本图像，并用PAA方法训练得到裁剪阈值，根据裁剪阈值确定相应目标假设是否被裁剪；步骤2.6：模型匹配将获得的级联模型在分割好的图像HOG特征金字塔上进行扫描并求卷积得分，得分公式为：score(ω,δ1,...δn)=m0(ω)+Σi=1nmi(ai(ω)⊕δi)-di(δi)]]>其中ω表示的是部件模型在图像中实际所处的位置和尺度，mi(ω)表示将部件pi置于ω时的得分，ai(ω)表示部件pi在可变形部件模型中所处的标准位置，di(δ)表示部件pi相对其在模型标准位置的形变代价，一个目标假设的得分为各个模型置于ω时所得分数减去各部件因位移产生的形变代价即为在该位置的...

【技术特征摘要】

【专利技术属性】
技术研发人员：罗光春，段贵多，秦科，王倩，
申请(专利权)人：电子科技大学，
类型：发明
国别省市：四川;51