[发明专利]非刚体目标检测方法及其系统

说明书

技术领域

本发明属于目标检测技术领域，尤其涉及一种非刚体目标检测方法及其系统。

背景技术

目标检测是计算机视觉领域内一项基础性的工作。由于待检测的目标外表可能千差万别，使得此项工作变得有些复杂。而且，变化不仅来自亮度和视角，还有由于目标不是刚体而引起的形变，以及同一类目标的形状和其他视觉上的变化。例如，人可能穿不同的衣服，做不同的姿势，车可能有不同的形状和颜色。而目前常用的目标检测方法经常采用一些简单的模型，例如固定的刚体模板或者特征袋模型来表征物体，这显然不足以表示一个变化丰富的非刚体目标。

在目标检测领域，由于HOG特征的引入，发生了翻天覆地的变化，目前主流行人检测器，比如Dalal‐Triggs的行人检测器，流行的DPM行人检测器，Exemplar‐SVM模型检测器等都是采用的HOG系列特征。但是HOG特征只是一种基于梯度的特征，不能很好的表示其他更丰富的模式，比如颜色，纹理等。总之，采用哪种特征学习来做检测是一个非常重要的基础课题。

另外，sliding window策略是目标检测中最常用的检测方式，我们需要遍历图像中的每个点以及获取以该点为起始点的不同大小矩形窗口的某种特征信息，然后依靠所采用的评分方式对该检索窗口进行估分，从而判断当前检测位置是否是目标。可以清楚的看到，这样的遍历空间是巨大的。目前虽然也有一些降低目标检索空间的方法，比如Efficient Subwindow Search等，但是效果有限，而且最终得到的mAP值并不是太理想。

发明内容

基于此，针对上述技术问题，提供一种非刚体目标检测方法及其系统。

为解决上述技术问题，本发明采用如下技术方案：

一种非刚体目标检测方法，包括：

采用selective search region proposals算法对输入图像进行似物体检测，找出输入图像中可能存在似物体目标的矩形区域；

通过预训练的非刚体目标模型对获得的每个矩形区域进行特征提取，获得每个矩形区域的HSC特征以及纹理特征，所述非刚体目标模型为融合纹理特征的HSC特征模型，其由加入纹理特征的HSC特征样本训练构成；

按照HSC特征以及纹理特征的分辨率以金字塔形状排列每个矩形区域的HSC特征以及纹理特征，构成特征金子塔；

对所述特征金字塔进行PCA投影，在低维度的特征金子塔空间进行模式分类；

对金字塔的每个尺度，分别用每个root进行卷积，得到每层金字塔层的root得分图；

在root层的每个对应的part层，用所有part滤波器进行卷积，得到所有part的得分图；

距离转换重构每个root对应的所有part得分，减去偏移惩罚，综合各个模型以及各个组件的结果，得到各个位置的最终得分，同模型的阈值进行比较判断，得到所述矩形区域的非刚体目标的位置。

该方法在所述通过预训练的非刚体目标模型对获得的每个矩形区域进行特征提取步骤前，先对每个矩形区域进行边缘扩展。

本方案还涉及一种非刚体目标检测系统，包括：

似物体检测单元，用于采用selective search region proposals算法对输入图像进行似物体检测，找出输入图像中可能存在似物体目标的矩形区域；

特征提取单元，用于通过预训练的非刚体目标模型对获得的每个矩形区域进行特征提取，获得每个矩形区域的HSC特征以及纹理特征，所述非刚体目标模型为融合纹理特征的HSC特征模型，其由加入纹理特征的HSC特征样本训练构成；

特征金字塔构建单元，用于按照HSC特征以及纹理特征的分辨率以金字塔形状排列每个矩形区域的HSC特征以及纹理特征，构成特征金子塔；

模式分类单元，用于对所述特征金字塔进行PCA投影，在低维度的特征金子塔空间进行模式分类；

root得分计算单元，用于对金字塔的每个尺度，分别用每个root进行卷积，得到每层金字塔层的root得分图；

part得分计算单元，用于在root层的每个对应的part层，用所有part滤波器进行卷积，得到所有part的得分图；

非刚体目标判断单元，用于距离转换重构每个root对应的所有part得分，减去偏移惩罚，综合各个模型以及各个组件的结果，得到各个位置的最终得分，同模型的阈值进行比较判断，得到所述矩形区域的非刚体目标的位置。

本方案还包括边缘扩展单元，用于在所述通过预训练的非刚体目标模型对获得的每个矩形区域进行特征提取前，先对每个矩形区域进行边缘扩展。