[发明专利]一种图像检测方法及装置

说明书

技术领域

本申请涉及计算机视觉技术领域，更具体地说，涉及一种图像检测方法及装置。

背景技术

图像检测是计算机视觉领域的热点研究问题，其性能对于后续的图像分类和目标识别有着重要的影响。

影响图像检测性能的因素有：同类间的多样性和异类间的模糊性。其中，同类多样性是指同属一类的对象在特征上并非呈现出预期的一致性，在特征、姿势、视角等多个方面呈现出巨大的多样性；而异类间的模糊性则表现在分属不同语义类的对象可能在特征上呈现出较大的相似性。因此，图像检测算法既要具备对同类对象多样性的整合能力，也要具备对存在模糊性的异类对象的区分能力。

现有方法通常是利用每类对象的特征构建该类对象唯一的对象检测子，而由于同类多样性，仅靠一个检测子难以拟合该类所有的对象，因此检测性能不高。

发明内容

有鉴于此，本申请提供了一种图像检测方法及装置，用于解决现有检测方法不能够同时具备对同类对象多样性的整合能力及异类对象的区分能力的问题。

为了实现上述目的，现提出的方案如下：

一种图像检测方法，包括：

利用图像分割算法将训练集中的每一个复合图像进行分割，得到由若干个训练对象构成的训练对象集，其中每一个训练对象均确定了类别标签；

利用所述训练对象集和预设的视觉特征集构造多特征树，该过程包括：

步骤S1：将所述训练对象集作为多特征树的根节点，并将根节点确定为目标节点；

步骤S2：在所述视觉特征集中挑选一个未被选取过的视觉特征，并利用选取的视觉特征对所述目标节点进行聚类，得到多特征树下一层中与所述目标节点对应的若干个子节点；

步骤S3：判断所述视觉特征集中是否存在未选取过的视觉特征，如果是，执行步骤S4，否则，执行步骤S5；

步骤S4：将所述若干个子节点分别确定为目标节点，返回执行步骤S2；

步骤S5：将所述若干个子节点确定为多特征树的叶子节点；

计算所述多特征树中除去根节点之外的所有节点的聚类均值；

将由根节点至每一个所述叶子节点的路径上的节点的聚类均值的顺序组合确定为该叶子节点的范本对象，所有的范本对象构成范本对象集；

对所述训练对象集中每一个训练对象，按照所述预设的视觉特征集，提取不同的视觉特征，并用提取的每一个视觉特征的顺序组合来表示该训练对象；

计算每一个所述训练对象与所述范本对象集中所有的范本对象的高斯相似性，将计算结果确定为该训练对象基于范本对象的表达；

利用每一个所述训练对象基于范本对象的表达以及该训练对象的类别标签，训练预先获取的携带有待定参数的对象检测子，以确定最优对象检测子；

利用所述最优对象检测子进行待测图像的检测。

优选地，所述将由根节点至每一个所述叶子节点的路径上的节点的聚类均值的顺序组合确定为该叶子节点的范本对象，所有的范本对象构成范本对象集，包括：

设定叶子节点的个数为M个，视觉特征集包含L个视觉特征，则第j个叶子节点的范本对象F_j表示为F_j＝(f_j1,f_j2,...,f_jL)，其中，f_jL为根节点至第j个叶子节点的路径上的第L个节点的聚类均值，范本对象集表示为EOB＝{F₁,F₂,...,F_M}。

优选地，所述对所述训练对象集中每一个训练对象，按照所述预设的视觉特征集，提取不同的视觉特征，并用提取的每一个视觉特征的顺序组合来表示该训练对象，包括：

设定训练对象集为X＝{x₁,x₂,...,x_N}，视觉特征集为V＝{v₁,...,v_L}，对于训练对象x_i，提取视觉特征集中的L种视觉特征，并将训练对象x_i表示为x_i＝(x_i1,x_i2,...,x_iL)。

优选地，所述计算每一个所述训练对象与所述范本对象集中所有的范本对象的高斯相似性，将计算结果确定为该训练对象基于范本对象的表达，包括：

计算训练对象x_i与范本对象集中所有范本对象的高斯相似性：