[发明专利]面向目标的自动化高精度边缘提取方法

说明书

技术领域

本发明涉及图像检测技术，尤其涉及的是一种面向目标的自动化高精度边缘提取方法。

背景技术

边缘是是人们描述、识别图像中目标（比如人脸、手、各种物体等）最的重要特征参数。数字图像边缘信息的提取(edgeextraction)，即边缘检测(edgedetection)在图像分割、目标整体操作（目标选中、整体复制、剪切等）中具有重要意义。

目前的边缘信息提取方法大多采用边缘提取算子(如Sobel算子、Kirsch算子、Prewitt算子、Roberts算子、Canny算子等)。在基于边缘提取算子的边缘信息提取方法中，特定的算子只能检测出特定方向的边缘信息，并且对噪声比较敏感，特别是复杂背景下边缘提取精度较差。有些学者用小波技术进行边缘提取，还有基于数学形态学如非线性滤波等方法的边缘信息提取方法。这些方法，虽然相对于算子类的方法有一定程度改进，但边缘提取精度仍离现实需求有较大差距。

还有研究者将主动轮廓模型(ActiveContourModel)方法应用在边缘信息提取中。Kass等人在1987年提出了主动轮廓模型，该模型通过在图像力和外部约束力的共同作用下，可控连续变形曲线的运动得到最终目标轮廓。但主动轮廓模型存在2个问题：一是它对初始位置非常敏感；二是由于模型的非凸性，它有可能收敛到局部极值点甚至发散。

Canny边缘提取算法有三个边缘检测准则:1)好的检测性能。不易漏检真实边缘,不把非边缘点作为边缘点检出,使输出的信噪比最大。2)好的定位精度。检测到的边缘点与实际边缘点位置最近。3)好的单边缘响应。算子检测到的边缘点与实际边缘点应该是一一对应的。

根据以上三个准则,Canny推导出最优边界检测算子的一个近似实现,即边界点位于图像被高斯函数平滑后的梯度幅度的极大值点。Canny算法的实现方案如图1所示。Canny边缘提取方案的最大缺点是容易受到图像噪声的干扰而导致提取的边缘不是或不完全是所要提取的目标（如人的眼睛）的边缘。

主动轮廓模型主要用于解决图像中目标物体的分割操作。理论上是可以解决二维乃至多维的情况，不过最初的模型是在二维图像上建立的。其主要思想为：1）在图像中初始化一个闭合曲线轮廓。只要保证将目标物体完全包含在曲线内部即可；2）构建能量方程。能量方程由两部分组成。一是以规范化曲线形状为目的的项，称为内能量（internalforce）；一是以靠近目标物体边缘为目的的项，称为外能量（externalforce）。实际效果上来说，最小化内能量使得曲线不断向内部紧缩且保持平滑，而外能量则是保证曲线紧缩到目标物体边缘时停止；3）根据能量方程，计算出表示曲线受力的欧拉方程（Eulerequation）。按照曲线各点的受力来对曲线进行变形，直至受力为0。此时能量方程达到最小值，曲线收敛到目标物体边缘。

能量方程依赖于曲线方程的参数化，不是曲线的本征（intrinsic）表示。因此不能处理变形过程中的拓扑变化，从而不能用于检测多目标的情况。而且，主动轮廓模型对初始位置非常敏感，对于复杂背景目标边缘信息的自动化提取精度难以保障。

发明内容

本发明所要解决的技术问题是：弥补上述现有技术的不足，首先采用基于级联检测方法确定目标的大致位置，减少背景对目标边缘信息的干扰；然后用经典的边缘提取算子与ASM模型[4]融合的方法对图像边缘初步定位，解决主动轮廓模型对初始位置敏感的问题；再用主动轮廓模型提取边缘信息，以解决传统边缘提取算子未利用目标先验信息的问题；最后将边缘提取过程中未达到预期的样本回传到模型训练子系统，并不断地学习，使得整个系统变得越来越智能，解决了传统方法缺乏智能性的问题。

本发明的技术方案如下：

一种面向目标的自动化高精度边缘提取方法，包括模型训练阶段与边缘提取阶段；其中模型训练阶段包括以下步骤：A1）基于HAAR特征的级联分类器的训练；A2）基于Canny算子和ASM模型的训练；A3）主动轮廓模型的训练；边缘提取阶段包括以下步骤：B1)采用级联结构对待处理图像中的非目标成分进行快速淘汰；B2）结合Canny算子和ASM模型寻找目标边缘的初始位置；B3）采用主动轮廓模型对初始位置进行校准；B4）将未达到边缘提取要求的样本作为数据库中的训练样本用以反馈调节整个系统。

所述的方法，所述步骤A1，首先选定某一边缘提取目标，准备足够多正样本和负样本，接着利用积分图计算图像HAAR特征，然后采用机器学习算法提取优秀的特征并形成一个强分类器，最后用级联结构将多个强分类器按级别分层组合成最终筛选器。