一种基于种子点选取与超像素融合的通用物体检测方法技术

本发明专利技术公开了一种基于种子点选取和超像素合并的通用物体检测方法，方法主要包括下述步骤：预处理；选择种子超像素；超像素合并；小物体检测；计算框体的得分并排序；筛选得到最终结果。主要贡献包括：(1)提出一个通用物体检测的三层框架；(2)提出新的超像素特征以计算相邻超像素的相似性；(3)提出一种新的基于种子超像素的框体排序方法；(4)实现了一种结合三类现有方法的通用物体检测算法。通过选取种子点，超像素合并，提取框体中层特征并计算得分和排序，最终进行筛选这四个主要步骤，完成了通用物体的检测。实验结果表明，本发明专利技术方法比Objectness和BING两个算法效果更好。

【技术实现步骤摘要】

本专利技术涉及图像物体检测领域，特别涉及一种基于种子点选取与超像素融合的通用物体检测方法。
技术介绍
尽管目前基于图像的物体检测和识别技术比较成熟，但是仍然存在准确率低、速度慢等问题而难以应用到实际。物体检测，往往通过移框的方法穷尽地搜索图像；而为了提高准确率，又需要提取耗时的特征，如SIFT、HOG等，同时，检测的结果又会对物体的识别准确率造成影响。为了减少检测框的数量，提高识别的准确率，通用物体检测算法成为了备受关注的研究方向。目前，通用物体检测算法主要分为三类：(1)直接检测框体的方法：这类方法通过贪婪搜索，提取轻量级的特征，从而筛选出潜在的框体。这种算法速度较快，但召回率相对低。典型代表包括Alexe等人提出的Objectness(参考：AlexeB,DeselaersT,FerrariV.Measuringtheobjectnessofimagewindows.PatternAnalysisandMachineIntelligence,Vol.34,No.11.p.2189-2202,IEEETransactionson,2012)，Cheng，Ming-Ming等人提出的BING(参考：Cheng,Ming-Ming,etal.BING:Binarizednormedgradientsforobjectnessestimationat300fps.ComputerVisionandPatternRecognition(CVPR),2014IEEEConferenceon.IEEE,2014)(2)超像素融合的方法：这类方法首先利用过分割对图像提取超像素，然后计算相邻超像素的相似性，通过不断合并相似性最高的超像素，得到很多潜在的框体。这类算法速度比较慢，但召回率较高，同时还能得到物体的分割。典型代表有vandeSande提出的选择性搜索(参考：UijlingsJRR,vandeSandeKEA,GeversT,etal.Selectivesearchforobjectrecognition.Internationaljournalofcomputervision,vol.104.num.2.p.154-171.2013)和Endres提出的类别独立的通用物体检测方法(参考：EndresI,HoiemD.Category-independentobjectproposalswithdiverseranking.PatternAnalysisandMachineIntelligence,vol.36.num.2.p.222-234.IEEETransactionson,2014)。(3)基于种子超像素的方法：这种方法通过提取一些种子超像素，以每个种子超像素作为中心，通过合并或者训练等方法，得到多个框体。典型代表是CPMC(参考：CarreiraJ,SminchisescuC.Cpmc:Automaticobjectsegmentationusingconstrainedparametricmin-cuts.PatternAnalysisandMachineIntelligence,vol.34.num.7.p.1312-1328.IEEETransactionson,2012)和GOP(参考：KoltunV.Geodesicobjectproposals.p.725-739.ComputerVisionECCV2014.SpringerInternationalPublishing,2014)直接检测框体的方法需要通过不断缩放框体，贪婪地移框检测。对比基于分割的方法，它得到的框体往往不够精确。而基于分割的方法在得到候选框体进行框体筛选的时候，要么通过伪随机的方法筛选，要么训练排序器对框体做排序。前者存在随机性，后者需要训练。本文将三种方法结合，提出了一种具有创新性的通用物体检测方法，它能较好解决上述两种方法的不足。
技术实现思路
本专利技术的主要目的在于克服现有技术的缺点与不足，提出一种新的基于种子超像素选取和超像素融合的通用物体检测方法，考虑到超像素融合算法是当前方法中效果较好的，本专利技术基于此类算法进行，以期达到较好的检测效果。为了达到上述目的，本专利技术采用以下技术方案：一种基于种子点选取与超像素融合的通用物体检测方法，该方法包括下述步骤：S1、预处理，对每幅图像进行过分割，得到超像素块；计算每个超像素块的表观特征；S2、选择种子超像素，将种子超像素点分为大种子点和小种子点两类，大种子点旨在寻找大的物体，小种子点是对大种子点的补充，旨在丰富框体的信息，增加框体数量，以确保更多的小物体被框到；S3、超像素合并，以每个种子超像素为中心，借鉴超像素融合算法，对种子点附近的超像素不断合并直至超像素的相似性达到阈值或者框体大小达到阈值为止，在超像素合并中，在每次合并时不仅仅是合并相似度最高的超像素，而是将相似度前N的超像素都进行合并，同时将最相似的超像素合并后的结果作为下一次合并的起始；S4、小物体检测，对于大多数小物体而言，超像素分割可能不准确，从而导致步骤S3无法将其框出，所以采用中层分割的方法，对这类小物体进行检测；S5、计算框体的得分并排序：对步骤S3和步骤S4中的所有框体计算得分，并对得分进行排序；S6、筛选，通过改进的非最大化抑制采样方法，根据需要，选取出M个框体作为最终的结果。作为优选的，在步骤S1中，表观特征包括颜色直方图、边界密度、4向的边界方向直方图，所述4向的边界方向直方图用于衡量超像素的纹理信息。作为优选的，在步骤S1中，对每幅图像进行分隔采用SLIC超像素分割方法，对于每个输入图像I，得到可以多个超像素块{SP1,SP2,SP3...,SPn本文档来自技高网...

【技术保护点】
一种基于种子点选取与超像素融合的通用物体检测方法，其特征在于，该方法包括下述步骤：S1、预处理，对每幅图像进行过分割，得到超像素块；计算每个超像素块的表观特征；S2、选择种子超像素，将种子超像素点分为大种子点和小种子点两类，大种子点旨在寻找大的物体，小种子点是对大种子点的补充，旨在丰富框体的信息，增加框体数量，以确保更多的小物体被框到；S3、超像素合并，以每个种子超像素为中心，借鉴超像素融合算法，对种子点附近的超像素不断合并直至超像素的相似性达到阈值或者框体大小达到阈值为止，在超像素合并中，在每次合并时不仅仅是合并相似度最高的超像素，而是将相似度前N的超像素都进行合并，同时将最相似的超像素合并后的结果作为下一次合并的起始；S4、小物体检测，对于大多数小物体而言，超像素分割可能不准确，从而导致步骤S3无法将其框出，所以采用中层分割的方法，对这类小物体进行检测；S5、计算框体的得分并排序：对步骤S3和步骤S4中的所有框体计算得分，并对得分进行排序；S6、筛选，通过改进的非最大化抑制采样方法，根据需要，选取出M个框体作为最终的结果。

【技术特征摘要】
1.一种基于种子点选取与超像素融合的通用物体检测方法，其特征在于，该方法包括
下述步骤：
S1、预处理，对每幅图像进行过分割，得到超像素块；计算每个超像素块的表观特征；
S2、选择种子超像素，将种子超像素点分为大种子点和小种子点两类，大种子点旨在寻
找大的物体，小种子点是对大种子点的补充，旨在丰富框体的信息，增加框体数量，以确保
更多的小物体被框到；
S3、超像素合并，以每个种子超像素为中心，借鉴超像素融合算法，对种子点附近的超
像素不断合并直至超像素的相似性达到阈值或者框体大小达到阈值为止，在超像素合并
中，在每次合并时不仅仅是合并相似度最高的超像素，而是将相似度前N的超像素都进行合
并，同时将最相似的超像素合并后的结果作为下一次合并的起始；
S4、小物体检测，对于大多数小物体而言，超像素分割可...

【专利技术属性】
技术研发人员：赖剑煌，胡彬，郭春超，
申请(专利权)人：中山大学，
类型：发明
国别省市：广东;44