基于多尺度特征估计和高阶BING特征的目标检测方法技术

本发明专利技术提供一种基于多尺度特征估计和高阶BING特征的目标检测方法，首先利用现有的多尺度方向梯度直方图近似算法对原图构造图像特征金字塔。接着在每一个方向梯度直方图上提取高阶BING特征，然后利用两级线性SVM对滑动窗口中的每一个窗口进行判断，最后得到该窗口中是否包含目标。本发明专利技术将BING特征从简单的梯度特征扩展到能够表现更多特征细节的方向梯度直方图上，提取到高阶的统计信息，使特征表达更为丰富。在计算特征金字塔的时候使用多尺度方向梯度直方图近似算法，在几乎不增加计算量的条件下得到更为精细的特征金字塔，使得检测到的目标的位置更为精确。

【技术实现步骤摘要】

本专利技术属于模式识别领域，涉及目标检测技术。技术背景目标检测技术作为计算机视觉的最底层技术，一直是计算机视觉领域里的前沿研究方向之一，上层算法对检测的结果做进一步的分析和处理，来实现对目标的跟踪和识别等应用。近年来有很多新的目标检测算法被提出来，比如基于boosting思想的FPDW算法，基于BING特征的显著性检测方法，基于深度学习的fast-cnn算法，但是它们在检测精度和检测速度上都不能兼得。FPDW算法有较高的检测精度，但检测速度只有15fps；BING算法的检测速度能到300fps，但检测精度很低，只能用作对目标位置的粗略估计；fast-cnn算法是基于深度学习的检测算法，对硬件的需求很高。所以目标检测算法在检测精度和检测速度方面仍然需要更加深入的研究。
技术实现思路
本专利技术所要解决的技术问题是，提供一种在精度和速度上达到更好的平衡的目标检测方法。本专利技术为解决上述技术问题所采用的技术方案是，基于多尺度特征估计和高阶BING特征的目标检测方法，包括以下步骤：1)训练步骤：1-1)对样本图像进行标注，用矩形框将目标区域标注为正样本,标注类别标签为+1，在非目标区域随机采样大于正样本数量的负样本，标注类别标签为-1，得到全部样本的类别标签yn，n为样本总数；1-2)对标注的正负样本构造图像金字塔；1-3)对各标注的正负样本在不同尺寸下进行滑窗提取方向梯度直方图，得到方向梯度直方图特征金字塔；1-4)使用多尺度方向梯度直方图近似算法得到的特征金字塔的相邻两个方向梯度直方图之间再插入4个尺度均匀分布的方向梯度直方图，从而最终的方向梯度直方图特征金字塔；1-5)使用二进制近似算法计算方向梯度直方图特征金字塔中的每一个方向梯度直方图中每一个窗口的高阶BING特征g；1-6)输入高阶BING特征g与对应的类别标签yn训练该尺度对应的第一级SVM分类器g1(x)＝〈w1,g〉，〈·〉表示向量的内积，得到分类器的模型参数w1；1-7)对第一级SVM分类器训练完成后，对样本图像的图像金字塔上进行窗口滑窗提取高阶BING特征g，将高阶BING特征g输入第一级SVM分类器得到分数Sl；1-8)使用分数Sl和对应的类别标签yn来训练第二级SVM分类器得到第二级SVM分类器的模型参数vm和tm；2)检测步骤：2-1)对检测图像构造图像金字塔；2-2)对检测图像在不同尺寸下进行滑窗提取方向梯度直方图，得到方向梯度直方图特征金字塔；2-3)使用多尺度方向梯度直方图近似算法得到的特征金字塔的相邻两个方向梯度直方图之间再插入4个尺度均匀分布的方向梯度直方图，从而最终的方向梯度直方图特征金字塔；2-4)使用二进制近似算法计算方向梯度直方图特征金字塔中的每一个方向梯度直方图中每一个窗口的高阶BING特征g；2-5)将高阶BING特征g输入第一级SVM分类器得到分数Sl；2-6)将从第一级分数SVM分类器输出对检测图像的图像金字塔的分数Sl输入第二级SVM分类器得到分数Ol；2-7)对检测图像中所有窗口的得分Ol进行排序，取前面K个窗口作为候选的目标窗口，最后使用非极大值抑制消除多余的候选窗口，找到目标的位置。本专利技术首先利用现有的多尺度方向梯度直方图近似算法对原图构造图像特征金字塔。接着在每一个方向梯度直方图上提取高阶BING特征，然后利用两级线性SVM对滑动窗口中的每一个窗口进行判断，最后得到该窗口中是否包含目标。本专利技术的有益效果是，将BING特征从简单的梯度特征扩展到能够表现更多特征细节的方向梯度直方图上，提取到高阶的统计信息，使特征表达更为丰富。在高阶BING特征上可以明显减少滑窗的数量，将高阶BING特征的计算量巧妙的转移到特征金字塔的计算上，而特征金字塔的计算可以利用多尺度方向梯度直方图近似算法，从而减少特征的计算时间。在计算特征金字塔的时候使用多尺度方向梯度直方图近似算法，在几乎不增加计算量的条件下得到更为精细的特征金字塔，使得检测到的目标的位置更为精确。附图说明图1为系统流程图。图2为实施例在特征金字塔的相邻两个方向梯度直方图之间再插入4个尺度均匀分布的方向梯度直方图从而得到更为精细的方向梯度直方图特征金字塔的示意图。具体实施方式为了方便描述本专利技术的内容，首先对一些操作步骤和术语进行说明定义。1：图像金字塔，一种常用图像处理技术。对于一幅大小为(w,h)的输入图像，进行M次缩小或者放大操作，得到M个不同尺寸的图像，它们的尺寸为{(wo,ho)本文档来自技高网...

【技术保护点】
基于多尺度特征估计和高阶BING特征的目标检测方法，其特征在于，包括以下步骤：1)训练步骤：1‑1)对样本图像进行标注，用矩形框将目标区域标注为正样本,标注类别标签为+1，在非目标区域随机采样大于正样本数量的负样本，标注类别标签为‑1，得到全部样本的类别标签yn，n为样本总数；1‑2)对标注的正负样本构造图像金字塔；1‑3)对各标注的正负样本在不同尺寸下进行滑窗提取方向梯度直方图，得到方向梯度直方图特征金字塔；1‑4)使用多尺度方向梯度直方图近似算法得到的特征金字塔的相邻两个方向梯度直方图之间再插入4个尺度均匀分布的方向梯度直方图，从而最终的方向梯度直方图特征金字塔；1‑5)使用二进制近似算法计算方向梯度直方图特征金字塔中的每一个方向梯度直方图中每一个窗口的高阶BING特征g；1‑6)输入高阶BING特征g与对应的类别标签yn训练该尺度对应的第一级SVM分类器g1(x)＝<w1,g>，<·>表示向量的内积，得到分类器的模型参数w1；1‑7)对第一级SVM分类器训练完成后，对样本图像的图像金字塔上进行窗口滑窗提取高阶BING特征g，将高阶BING特征g输入第一级SVM分类器得到分数Sl；1‑8)使用分数Sl和对应的类别标签yn来训练第二级SVM分类器得到第二级SVM分类器的模型参数vm和tm；2)检测步骤：2‑1)对检测图像构造图像金字塔；2‑2)对检测图像在不同尺寸下进行滑窗提取方向梯度直方图，得到方向梯度直方图特征金字塔；2‑3)使用多尺度方向梯度直方图近似算法得到的特征金字塔的相邻两个方向梯度直方图之间再插入4个尺度均匀分布的方向梯度直方图，从而最终的方向梯度直方图特征金字塔；2‑4)使用二进制近似算法计算方向梯度直方图特征金字塔中的每一个方向梯度直方图中每一个窗口的高阶BING特征g；2‑5)将高阶BING特征g输入第一级SVM分类器得到分数Sl；2‑6)将从第一级分数SVM分类器输出对检测图像的图像金字塔的分数Sl输入第二级SVM分类器得到分数Ol；2‑7)对检测图像中所有窗口的得分Ol进行排序，取前面K个窗口作为候选的目标窗口，最后使用非极大值抑制消除多余的候选窗口，找到目标的位置。...

【技术特征摘要】
1.基于多尺度特征估计和高阶BING特征的目标检测方法，其特征在于，包括以下步骤：1)训练步骤：1-1)对样本图像进行标注，用矩形框将目标区域标注为正样本,标注类别标签为+1，在非目标区域随机采样大于正样本数量的负样本，标注类别标签为-1，得到全部样本的类别标签yn，n为样本总数；1-2)对标注的正负样本构造图像金字塔；1-3)对各标注的正负样本在不同尺寸下进行滑窗提取方向梯度直方图，得到方向梯度直方图特征金字塔；1-4)使用多尺度方向梯度直方图近似算法得到的特征金字塔的相邻两个方向梯度直方图之间再插入4个尺度均匀分布的方向梯度直方图，从而最终的方向梯度直方图特征金字塔；1-5)使用二进制近似算法计算方向梯度直方图特征金字塔中的每一个方向梯度直方图中每一个窗口的高阶BING特征g；1-6)输入高阶BING特征g与对应的类别标签yn训练该尺度对应的第一级SVM分类器g1(x)＝<w1,g>，<·>表示向量的内积，得到分类器的模型参数w1；1-7)对第一级SVM分类器训练完成后，对样本图像的图像金字塔上进行窗口滑窗提取高阶BING特征g，将高阶BING特征g输入第一级SVM分类器得到分数Sl；1-8)使用分数Sl和对应的类别标签yn来训练第二级SVM分类器得到第二级SVM分类器的模型参数vm和tm；2)检测步骤：2-1)对检测图像构造图像金字塔；2-2)对检测图像在不同尺寸下进行滑窗提取方向梯度直方图，得到方向梯度直方图特征金字塔；2-3)使用多尺度方向梯度直方图近似算法得到的特征金字塔的相邻两个方向梯度直方图之间再插入4个尺度均匀分布的方向梯度直方图，从而最终的方...

【专利技术属性】
技术研发人员：解梅，朱倩，王建国，周扬，
申请(专利权)人：电子科技大学，
类型：发明
国别省市：四川;51