基于多尺度特征估計和高階BING特征的目標檢測方法技術

本發(fā)明專利技術提供一種基于多尺度特征估計和高階BING特征的目標檢測方法，首先利用現有的多尺度方向梯度直方圖近似算法對原圖構造圖像特征金字塔。接著在每一個方向梯度直方圖上提取高階BING特征，然后利用兩級線性SVM對滑動窗口中的每一個窗口進行判斷，最后得到該窗口中是否包含目標。本發(fā)明專利技術將BING特征從簡單的梯度特征擴展到能夠表現更多特征細節(jié)的方向梯度直方圖上，提取到高階的統(tǒng)計信息，使特征表達更為豐富。在計算特征金字塔的時候使用多尺度方向梯度直方圖近似算法，在幾乎不增加計算量的條件下得到更為精細的特征金字塔，使得檢測到的目標的位置更為精確。

【技術實現步驟摘要】

本專利技術屬于模式識別領域，涉及目標檢測技術。技術背景目標檢測技術作為計算機視覺的最底層技術，一直是計算機視覺領域里的前沿研究方向之一，上層算法對檢測的結果做進一步的分析和處理，來實現對目標的跟蹤和識別等應用。近年來有很多新的目標檢測算法被提出來，比如基于boosting思想的FPDW算法，基于BING特征的顯著性檢測方法，基于深度學習的fast-cnn算法，但是它們在檢測精度和檢測速度上都不能兼得。FPDW算法有較高的檢測精度，但檢測速度只有15fps；BING算法的檢測速度能到300fps，但檢測精度很低，只能用作對目標位置的粗略估計；fast-cnn算法是基于深度學習的檢測算法，對硬件的需求很高。所以目標檢測算法在檢測精度和檢測速度方面仍然需要更加深入的研究。
技術實現思路
本專利技術所要解決的技術問題是，提供一種在精度和速度上達到更好的平衡的目標檢測方法。本專利技術為解決上述技術問題所采用的技術方案是，基于多尺度特征估計和高階BING特征的目標檢測方法，包括以下步驟：1)訓練步驟：1-1)對樣本圖像進行標注，用矩形框將目標區(qū)域標注為正樣本,標注類別標簽為+1，在非目標區(qū)域隨機采樣大于正樣本數量的負樣本，標注類別標簽為-1，得到全部樣本的類別標簽yn，n為樣本總數；1-2)對標注的正負樣本構造圖像金字塔；1-3)對各標注的正負樣本在不同尺寸下進行滑窗提取方向梯度直方圖，得到方向梯度直方圖特征金字塔；1-4)使用多尺度方向梯度直方圖近似算法得到的特征金字塔的相鄰兩個方向梯度直方圖之間再插入4個尺度均勻分布的方向梯度直方圖，從而最終的方向梯度直方圖特征金字塔；1-5)使用二進制近似算法計算方向梯度直方圖特征金字塔中的每一個方向梯度直方圖中每一個窗口的高階BING特征g；1-6)輸入高階BING特征g與對應的類別標簽yn訓練該尺度對應的第一級SVM分類器g1(x)＝〈w1,g〉，〈·〉表示向量的內積，得到分類器的模型參數w1；1-7)對第一級SVM分類器訓練完成后，對樣本圖像的圖像金字塔上進行窗口滑窗提取高階BING特征g，將高階BING特征g輸入第一級SVM分類器得到分數Sl；1-8)使用分數Sl和對應的類別標簽yn來訓練第二級SVM分類器得到第二級SVM分類器的模型參數vm和tm；2)檢測步驟：2-1)對檢測圖像構造圖像金字塔；2-2)對檢測圖像在不同尺寸下進行滑窗提取方向梯度直方圖，得到方向梯度直方圖特征金字塔；2-3)使用多尺度方向梯度直方圖近似算法得到的特征金字塔的相鄰兩個方向梯度直方圖之間再插入4個尺度均勻分布的方向梯度直方圖，從而最終的方向梯度直方圖特征金字塔；2-4)使用二進制近似算法計算方向梯度直方圖特征金字塔中的每一個方向梯度直方圖中每一個窗口的高階BING特征g；2-5)將高階BING特征g輸入第一級SVM分類器得到分數Sl；2-6)將從第一級分數SVM分類器輸出對檢測圖像的圖像金字塔的分數Sl輸入第二級SVM分類器得到分數Ol；2-7)對檢測圖像中所有窗口的得分Ol進行排序，取前面K個窗口作為候選的目標窗口，最后使用非極大值抑制消除多余的候選窗口，找到目標的位置。本專利技術首先利用現有的多尺度方向梯度直方圖近似算法對原圖構造圖像特征金字塔。接著在每一個方向梯度直方圖上提取高階BING特征，然后利用兩級線性SVM對滑動窗口中的每一個窗口進行判斷，最后得到該窗口中是否包含目標。本專利技術的有益效果是，將BING特征從簡單的梯度特征擴展到能夠表現更多特征細節(jié)的方向梯度直方圖上，提取到高階的統(tǒng)計信息，使特征表達更為豐富。在高階BING特征上可以明顯減少滑窗的數量，將高階BING特征的計算量巧妙的轉移到特征金字塔的計算上，而特征金字塔的計算可以利用多尺度方向梯度直方圖近似算法，從而減少特征的計算時間。在計算特征金字塔的時候使用多尺度方向梯度直方圖近似算法，在幾乎不增加計算量的條件下得到更為精細的特征金字塔，使得檢測到的目標的位置更為精確。附圖說明圖1為系統(tǒng)流程圖。圖2為實施例在特征金字塔的相鄰兩個方向梯度直方圖之間再插入4個尺度均勻分布的方向梯度直方圖從而得到更為精細的方向梯度直方圖特征金字塔的示意圖。具體實施方式為了方便描述本專利技術的內容，首先對一些操作步驟和術語進行說明定義。1：圖像金字塔，一種常用圖像處理技術。對于一幅大小為(w,h)的輸入圖像，進行M次縮小或者放大操作，得到M個不同尺寸的圖像，它們的尺寸為{(wo,ho)本文檔來自技高網...

【技術保護點】
基于多尺度特征估計和高階BING特征的目標檢測方法，其特征在于，包括以下步驟：1)訓練步驟：1?1)對樣本圖像進行標注，用矩形框將目標區(qū)域標注為正樣本,標注類別標簽為+1，在非目標區(qū)域隨機采樣大于正樣本數量的負樣本，標注類別標簽為?1，得到全部樣本的類別標簽yn，n為樣本總數；1?2)對標注的正負樣本構造圖像金字塔；1?3)對各標注的正負樣本在不同尺寸下進行滑窗提取方向梯度直方圖，得到方向梯度直方圖特征金字塔；1?4)使用多尺度方向梯度直方圖近似算法得到的特征金字塔的相鄰兩個方向梯度直方圖之間再插入4個尺度均勻分布的方向梯度直方圖，從而最終的方向梯度直方圖特征金字塔；1?5)使用二進制近似算法計算方向梯度直方圖特征金字塔中的每一個方向梯度直方圖中每一個窗口的高階BING特征g；1?6)輸入高階BING特征g與對應的類別標簽yn訓練該尺度對應的第一級SVM分類器g1(x)＝<w1,g>，<·>表示向量的內積，得到分類器的模型參數w1；1?7)對第一級SVM分類器訓練完成后，對樣本圖像的圖像金字塔上進行窗口滑窗提取高階BING特征g，將高階BING特征g輸入第一級SVM分類器得到分數Sl；1?8)使用分數Sl和對應的類別標簽yn來訓練第二級SVM分類器得到第二級SVM分類器的模型參數vm和tm；2)檢測步驟：2?1)對檢測圖像構造圖像金字塔；2?2)對檢測圖像在不同尺寸下進行滑窗提取方向梯度直方圖，得到方向梯度直方圖特征金字塔；2?3)使用多尺度方向梯度直方圖近似算法得到的特征金字塔的相鄰兩個方向梯度直方圖之間再插入4個尺度均勻分布的方向梯度直方圖，從而最終的方向梯度直方圖特征金字塔；2?4)使用二進制近似算法計算方向梯度直方圖特征金字塔中的每一個方向梯度直方圖中每一個窗口的高階BING特征g；2?5)將高階BING特征g輸入第一級SVM分類器得到分數Sl；2?6)將從第一級分數SVM分類器輸出對檢測圖像的圖像金字塔的分數Sl輸入第二級SVM分類器得到分數Ol；2?7)對檢測圖像中所有窗口的得分Ol進行排序，取前面K個窗口作為候選的目標窗口，最后使用非極大值抑制消除多余的候選窗口，找到目標的位置。...

【技術特征摘要】
1.基于多尺度特征估計和高階BING特征的目標檢測方法，其特征在于，包括以下步驟：1)訓練步驟：1-1)對樣本圖像進行標注，用矩形框將目標區(qū)域標注為正樣本,標注類別標簽為+1，在非目標區(qū)域隨機采樣大于正樣本數量的負樣本，標注類別標簽為-1，得到全部樣本的類別標簽yn，n為樣本總數；1-2)對標注的正負樣本構造圖像金字塔；1-3)對各標注的正負樣本在不同尺寸下進行滑窗提取方向梯度直方圖，得到方向梯度直方圖特征金字塔；1-4)使用多尺度方向梯度直方圖近似算法得到的特征金字塔的相鄰兩個方向梯度直方圖之間再插入4個尺度均勻分布的方向梯度直方圖，從而最終的方向梯度直方圖特征金字塔；1-5)使用二進制近似算法計算方向梯度直方圖特征金字塔中的每一個方向梯度直方圖中每一個窗口的高階BING特征g；1-6)輸入高階BING特征g與對應的類別標簽yn訓練該尺度對應的第一級SVM分類器g1(x)＝<w1,g>，<·>表示向量的內積，得到分類器的模型參數w1；1-7)對第一級SVM分類器訓練完成后，對樣本圖像的圖像金字塔上進行窗口滑窗提取高階BING特征g，將高階BING特征g輸入第一級SVM分類器得到分數Sl；1-8)使用分數Sl和對應的類別標簽yn來訓練第二級SVM分類器得到第二級SVM分類器的模型參數vm和tm；2)檢測步驟：2-1)對檢測圖像構造圖像金字塔；2-2)對檢測圖像在不同尺寸下進行滑窗提取方向梯度直方圖，得到方向梯度直方圖特征金字塔；2-3)使用多尺度方向梯度直方圖近似算法得到的特征金字塔的相鄰兩個方向梯度直方圖之間再插入4個尺度均勻分布的方向梯度直方圖，從而最終的方...

【專利技術屬性】
技術研發(fā)人員：解梅，朱倩，王建國，周揚，
申請(專利權)人：電子科技大學，
類型：發(fā)明
國別省市：四川;51