[发明专利]一种基于图像分割的级联可变形部件模型目标检测方法

说明书

技术领域

本发明属于目标检测技术领域，根据模型的不同，可以对不同目标类型进行检测。

背景技术

目标检测一直是计算机视觉领域一个重要的研究课题。在对目标进行检测过程中，检测的准确度和速度是两个衡量检测性能的重要指标。在对目标对象进行检测时的主要的挑战在于目标在外观，轮廓上的差异。行人这种非刚体目标经常在着装、姿势上有很大的差别。而汽车等刚体目标则具有不同的颜色或形状。所以在对不同的目标进行检测和识别时需要采用不同的检测模型和检测方法。在目标检测过程中还存在客观因素的影响，例如光照变化，目标遮挡等复杂检测环境。

现有的目标检测方法主要可以分为两类：一类是以帧差法、背景减除法为代表的利用相邻图像帧间信息获得检测目标的经典检测方法；第二类是基于目标特征的目标检测方法，这种方法提取目标的颜色，纹理等特征用以描述目标，然后利用机器学习方法对这些特征进行训练形成分类器，利用分类器匹配图像实现目标检测。针对不同种类目标的检测问题，目前许多检测器的都采用HOG特征，比如Dalal-Triggs的行人检测器以及目前比较流行的可变形部件模型检测方法。总之，特征提取是基于特征的目标检测方法的基础，特征描述将直接影响检测性能。

可变形部件模型目标检测方法采用的是基于滑动窗口的检测方式，检测过程中利用可变形部件模型遍历图像中所有位置进行模型匹配，然后通过计算相应得分以确定目标位置。传统的可变形部件模型在提取图像特征时，没有对原图像进行预处理而直接提取HOG特征，图像的背景易对目标图像的检测造成干扰。而且在提取HOG特征时需要计算每个像素点的梯度，特征提取耗费比较长的时间。

发明内容：

基于上述技术问题，本发明提供了一种基于图像分割的级联可变形部件模型目标检测方法。本发明的目的在于提供一种能够提高目标检测的准确率，同时又具有较高检测速度的目标检测方法。

本发明提出的方法，主要包括以下步骤：

步骤1：可变形部件模型训练

根据训练样本是否含有特定目标物体以及物体位置，训练出对应目标对象的模型。该模型包括描述目标整体特征的根模型、描述局部特征的部件模型以及部件模型与根模型的弹性约束关系；训练好的模型表示为(P,P₁,P₂,...P_n)，分别表示根模型P和n个部件模型P_i。其中P_i＝(F_i,d_i,v_i,s_i)，其中F_i是模型的特征，d_i是度量部件位置时的系数，v_i表示部件模型相对于根模型的位置，s_i表示部件的尺度。

步骤1.1：根据训练样本提供的标签信息确定训练模型所需的正样本集和负样本集。

标签信息是训练样本中用限定框标记的物体所在的区域以及物体种类。正样本是含有目标对象的图片，反之则为负样本。

步骤1.2：初始化根模型。

根据正样本集中的限定框的大小信息，选择根模型的尺寸，通过SVM训练得到一个初始根模型。

步骤1.3：更新根模型。

用初始根模型在样本数据中进行扫描并计算卷积得分，找出得分最大且和样本中标记的位置覆盖面积最大的位置，以此位置来更新训练样本中的限定框标记。使用经过重新标记的正样本和负样本重新组成新的样本库，更新根模型。

步骤1.4：初始化部件模型。

在根位置上用贪婪算法计算出得分最大的区域，将此区域作为部件模型的位置。

步骤1.5：使用不断更新的样本库训练更新模型。得到标准的可变形部件模型。

步骤2：基于图像分割的级联可变形部件模型目标检测；

将步骤1得到的标准的可变形部件模型转换为级联可变形部件模型，然后利用级联模型在经过前景和背景分割的图像HOG特征上进行扫描匹配，并通过裁剪策略对目标假设进行提前裁剪，过滤不满足条件的目标假设，最终根据模型的不同，实现不同种类目标的检测。

步骤2.1：基于查询表的图像HOG特征提取。