[发明专利]一种适用于目标识别的物体预测区域优化方法

权利要求书

1.一种适用于目标识别的物体预测区域优化方法，其特征在于，包括以下步骤：

1)物体预测区域膨胀：

对预测区域进行膨胀，使膨胀后的区域能够包含完整的物体，进而对物体进行精确定位；

2)图像分割：

选取包含目标的图像作为待处理图像，应用SLIC算法将图像分割为多个超像素，超像素尺寸为其中M表示图像包含的像素总数，N表示超像素的总数目；对于任一超像素，其特征与当前超像素内像素特征之间的欧氏距离小于与其他超像素内像素特征之间的欧氏距离；超像素互不重合，且有唯一的标记信息i(i＝0,1,2,…N-1)；其中，任一超像素的特征表示为(l,a,b,x,y)，其中l,a,b表示CIELAB颜色空间的值，x,y表示距图像中心的位置；

3)超像素包围盒计算：

选取i＝0所对应的超像素区域x_i，计算x_i中所有像素点横坐标的最小值作为包围盒的左边界，最大值作为包围盒的右边界；同理，计算x_i中所有像素点纵坐标的最小值作为包围盒的上边界，最大值作为包围盒的下边界；依次遍历N个超像素，得到所有超像素对应的包围盒；

4)超像素显著性评价：

对图像中的每一超像素进行显著性评价；

显著性评价包括颜色差异和中心先验；

颜色差异：

将超像素与背景超像素依次比较，若差异值小于所有超像素差异值的平均值，则当前超像素属于非物体区域；否则，属于物体区域；颜色差异r_i定义为：

其中，N_b表示紧邻图像边界的超像素的数目，d(s_i,b_j)表示当前超像素s_i和边界超像素b_j在CIELAB和RGB颜色空间平均值的χ²距离，为：

其中，n表示颜色空间的维度；

中心先验：

引入高斯权重函数，定义为：

其中，w,h分别表示图像的宽度和高度，x_i,y_i表示第i个超像素中所有像素点距图像中心点的平均距离，λ_x,λ_y用于调整滑窗的不同维度对权重变化的影响；

当前超像素区域的显著性表示为其颜色差异和中心先验的乘积，即：

f_i＝r_i·w_i

5)基于超像素的滑窗搜索：

从步骤3得到的所有超像素的包围盒边界出发，得到滑窗左上角和右下角顶点分布的位置集合；采用不同长宽比下的滑窗在图像中的不同位置进行搜索，滑窗左上角和右下角顶点的位置应从对应集合中选取，而非按像素移动；

对于当前滑窗，滑窗响应表示为当前窗口所包含的超像素显著性的和，最大响应对应的滑窗即为优化后的物体预测区域。

2.根据权利要求1所述的适用于目标识别的物体预测区域优化方法，其特征在于，所述步骤1)中，物体预测区域膨胀的具体方法如下：

1-1)从标准数据集中选取15,000个目标的真实标记信息，统计得到包围盒的基准尺寸w_b,h_b；

1-2)计算当前预测区域的宽度w_i和高度h_i，若w_i＞h_i，则执行1-3)，否则执行1-4)；

1-3)通过Sigmoid函数计算沿宽度方向的膨胀系数α：

其中，λ₁和λ₃用于控制膨胀系数的上下界，λ₂用于控制α的变化速度；通过wα＝hβ计算得到沿高度方向的膨胀系数β；

1-4)通过Sigmoid函数计算沿高度方向的膨胀系数β：

其中，λ₁和λ₃用于控制膨胀系数的上下界，λ₂用于控制α的变化速度；通过wα＝hβ计算得到沿宽度方向的膨胀系数α；

1-5)对预测区域进行膨胀，膨胀后预测区域的左上角顶点位置为右下角顶点位置为

3.根据权利要求1所述的适用于目标识别的物体预测区域优化方法，其特征在于，所述步骤2)中，图像分割的具体方法如下：

2-1)按固定采样步长step初始化聚类中心点，每个像素的标记设为-1，距最近中心点的距离设为正无穷；

2-2)对每一个中心点，计算其2s×2s邻域中每个像素点距此中心点的距离，并与该像素点已有的距离进行比较，较小的值设为当前像素点的距离，并保持像素点标记与该聚类中心点标记一致；

2-3)更新聚类中心点，计算分割误差；

2-4)重复执行步骤2-2)和2-3)，直到误差小于预先设定的阈值。