【技术实现步骤摘要】
本专利技术属于目标识别领域,具体方法涉及一种分层结构模型中多维窗口特征的结合。
技术介绍
目标识别是计算机视觉领域一个重要的课题,它包含分类和检测。目标分类是将一个给定目标归纳至几个已知种类,而后者是将目标从待测图像中提取出来。传统的目标分类是依赖统计学习的分类器模型,并且需要大量的训练样本。这种训练过程缓慢且容易出现参数过拟合现象。因而,无训练的目标检测算法在近年来得以发展。2003年,文献1(D.Comaniciu,V.Ramesh,P.Meer,Kernel-basedobjecttracking,PatternAnalysisandMachineIntelligence,IEEETransactionson,25(2003)564-577.)在目标跟踪中提出使用核作为算子。之后文献2(H.Takeda,S.Farsiu,P.Milanfar,Kernelregressionforimageprocessingandreconstruction,ImageProcessing,IEEETransactionson,16(2007)349-366.)提出使用核回归模型提取局部特征结构,从而对原图像进行恢复和重建。在此基础上,文献3(H.J.Seo,P.Milanfar,Training-free,genericobjectdetectionusinglocallyadaptiveregressionkernels,PatternAnalysisandMachineIntelligence,IEEETransactionson,32(2010)1688 ...
【技术保护点】
一种基于空间‑光谱结构约束的多尺度分层目标检测方法,其特征在于,利用类金字塔分层结构模型,结合局部特征和近邻特征对目标进行检测,其中局部特征和近邻特征通过多维窗口构建位置关系,具体包括以下步骤:步骤1,根据待检测目标,构建多尺度多视角多姿态的模板集;计算该模板集的二值化近邻特征矩阵和自适应局部核回归特征矩阵,并对两组特征矩阵进行去冗余优化;步骤2,将待测图像缩小至原图像的1/4,根据ITTI显著目标分析,对待测图像进行预处理,去除场景中的背景噪声;计算预处理后待测图像的近邻特征矩阵,根据余弦相似性准则与模板集的近邻特征矩阵进行相似度比较,从而初步确定目标的范围T1;步骤3,将待测图像缩小至原图像的1/2,计算步骤2中T1区域的自适应局部核回归特征矩阵,并与模板集的自适应局部核回归特征矩阵进行相似度对比,确定目标区域T2;步骤4,将待测图像恢复至原图大小,计算步骤3中的T2区域的近邻特征矩阵,再次根据余弦相似性准则与模板集的近邻特征矩阵进行相似度比较,确定出目标的最终位置,完成目标检测。
【技术特征摘要】
1.一种基于空间-光谱结构约束的多尺度分层目标检测方法,其特征在于,利用类金字塔分层结构模型,结合局部特征和近邻特征对目标进行检测,其中局部特征和近邻特征通过多维窗口构建位置关系,具体包括以下步骤:步骤1,根据待检测目标,构建多尺度多视角多姿态的模板集;计算该模板集的二值化近邻特征矩阵和自适应局部核回归特征矩阵,并对两组特征矩阵进行去冗余优化;步骤2,将待测图像缩小至原图像的1/4,根据ITTI显著目标分析,对待测图像进行预处理,去除场景中的背景噪声;计算预处理后待测图像的近邻特征矩阵,根据余弦相似性准则与模板集的近邻特征矩阵进行相似度比较,从而初步确定目标的范围T1;步骤3,将待测图像缩小至原图像的1/2,计算步骤2中T1区域的自适应局部核回归特征矩阵,并与模板集的自适应局部核回归特征矩阵进行相似度对比,确定目标区域T2;步骤4,将待测图像恢复至原图大小,计算步骤3中的T2区域的近邻特征矩阵,再次根据余弦相似性准则与模板集的近邻特征矩阵进行相似度比较,确定出目标的最终位置,完成目标检测。2.根据权利要求1所述的基于空间-光谱结构约束的多尺度分层目标检测方法,其特征在于,步骤1中所述模板集的二值化近邻特征矩阵计算过程如下:局部窗口之间的像素灰度的联合分布反映该局部区域的纹理分布,公式如下:T=Σi,jwt(gX(i,j),g...
【专利技术属性】
技术研发人员:柏连发,张毅,韩静,马翼,
申请(专利权)人:南京理工大学,
类型:发明
国别省市:江苏;32
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。