[发明专利]一种适用于目标识别的物体预测区域优化方法

说明书

本发明公开了一种适用于目标识别的物体预测区域优化方法，该方法通过对物体预测区域膨胀，然后进行图像分割，接着进行超像素包围盒计算和超像素显著性评价，最后基于超像素的滑窗搜索，最终得到优化后的物体预测区域。本发明通过控制超像素的尺寸可以增大图像分割的尺度，从而降低超像素的搜索范围，因此本算法的时间复杂度较小，只与图像中超像素的数目有关；由于超像素中的像素具有一致性，且对局部边缘的分割更好，因此相比于单一像素点，将超像素作为滑窗搜索的基本元素可以产生更好的定位效果；本发明可以有效降低搜索区域，从而加速传统基于像素点的滑窗搜索算法；另外，通过级联本发明的方法，可以提高现有目标识别算法对目标的识别精度。

【技术领域】

本发明属于图像处理与计算机视觉领域，具体涉及一种适用于目标识别的物体预测区域优化方法。

【背景技术】

视觉是人类获取外界信息的重要途径，而图像则是信息的重要载体。随着图像处理技术的日益发展，图像的尺寸、分辨率逐渐增大，其包含的信息也在不断丰富。研究表明，人类在观察图像时视线通常在图像所包含的物体之间移动，而对背景等其他区域并不感兴趣，大部分的视觉技术，如行人检测、人脸识别、目标跟踪和目标识别等，也是作用于上述包含物体的区域。因此如何在整幅图像中快速、有效地定位感兴趣物体区域的位置具有重要的研究意义。

目标定位是图像理解、目标识别领域的重要内容，主要包括将物体从背景区域分离，分析图像中物体间的相对位置关系等，其中基于滑窗搜索的方法在目标定位中应用最为广泛。上述方法将分类函数应用于不同位置、尺度和长宽比下的窗口，具有最大响应的窗口视为物体的预测区域。但基于滑窗搜索的方法在实际应用中主要面临两个问题：1、由于要搜索整幅图像，并在所有可能的位置应用分类器，算法的时间复杂度较高；2、如何有效地训练具有位置判别特征的分类器仍需要进一步研究。对于第一个问题，现有的改进大都采用启发式算法加快搜索过程，但会增大物体区域误检的概率。因此采用一种运行速度快、误检率低的搜索方法，同时保证检测结果与实际物体尽可能吻合，具有十分重要的意义。

本发明基于SLIC(Simple Linear Iterative Clustering)方法和物体分布的统计特性，通过与传统滑窗搜索算法的比较，进一步验证了本算法在目标定位精度、运行效率上的优势，同时算法对噪声具有一定的鲁棒性，有广泛的应用前景。

【发明内容】

本发明的目的在于弥补现有目标定位算法在运行速度、适应范围和鲁棒性上的不足，提供一种无需标记信息，并实现图像目标快速定位的适用于目标识别的物体预测区域优化方法。

为达到上述目的，本发明采用以下技术方案予以实现：

一种适用于目标识别的物体预测区域优化方法，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；