基于空间-光谱结构约束的多尺度分层目标检测方法技术

本发明专利技术提出了一种基于空间‑光谱结构约束的多尺度分层目标检测方法。该方法包括以下步骤：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，并进行去冗余优化；将待测图像缩小至原图像的1/4，去除场景中的背景噪声；计算近邻特征矩阵，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，从而确定目标的范围T

【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)1688-1704.)提出了的局部自适应回归核的目标识别算法，可适用于人脸识别。但是文献3中采用的单一模版，检测结果对模板的依赖度高，同时该算法只考虑整体结构，对于多姿态的目标检测显得力不从心。针对这些问题，文献4(F.Luo,J.Han,W.Qi,Y.Zhang,L.Bai,Robustobjectdetectionbasedonlocalsimilarstructurestatisticalmatching,InfraredPhysics&Technology,68(2015)75-83.)将局部细节纳入考虑范围，提出局部相似结构统计匹配(LSSSM)。LSSSM对目标检测的效果有所改善，但未能在效率和效果两方面形成双赢模式。文献5(LiuJ,HanJ,ZhangY,etal.Anovelmethodoftargetrecognitionbasedon3D-color-spacelocallyadaptiveregressionkernelsmodel[C]//AppliedOpticsandPhotonicsChina.InternationalSocietyforOpticsandPhotonics,2015:96753A-96753A-6.)中加入了RGB彩色图像信息，解决了文献3和4中光谱信息丢失的问题，但却增加了计算负担。同时，文献3，文献4和文献5的算法均只考虑局部图像块中中心像素点与周围像素点值之间的关系，而忽视了局部图像块之间的结构和光谱关系。例如人体的胳膊与树干在局部图像块中呈现较高的相似度。因此，只考虑图像块的内部关系而忽略图像块之间的关系势必会引起误检测。文献6(XueT,HanJ,ZhangY,etal.AneighboringstructurereconstructedmatchingalgorithmbasedonLARKfeatures[J].InfraredPhysics&Technology,2015,73:8-18.)虽然从非负线性重构的角度考虑了邻域结构，但自然环境中大多的物体的结构关系呈非线性，线性重构势必不能取得很好的效果；同时，NRSM本质只是进行简单的特征融合，邻域重构与LARK特征在窗口尺度上没有形成区域包含关系，只是分别对图像块进行处理。
技术实现思路
本专利技术的目的在于提供一种能够同时提高检测精度与效率的基于空间-光谱结构约束的多尺度分层目标检测方法。实现本专利技术目的的技术解决方案为：一种基于空间-光谱结构约束的多尺度分层目标检测方法，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。进一步地，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：其中，T表示局部特征，w为九宫格中小窗口宽度，gX(i,j)表示中心窗口中点(i,j)的像素灰度，g1(i,j),g2(i,j),…,g8(i,j)表示邻域8个窗口中点的像素灰度；按照像素排列顺序，将中心窗口的像素灰度与邻域窗口进行比较，通过差值分布函数反映邻域窗口的纹理分布情况：为了更直接的描述中心窗口与邻域窗口的纹理变化，将上述差值分布函数进行二值化处理：其中，因此，邻域w×w的窗口转化为0/1组合的二值化图像，按照位置顺序用2p对该二值化图像进行加权求和：将邻域的8个窗口均进行上述操作，构成BP算子：BP＝{BP1,BP2,...,BP8本文档来自技高网...

【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