[发明专利]一种基于目标性潜在区域分析的目标检测方法及其应用

说明书

本发明公开一种基于目标性潜在区域分析的目标检测方法，通过摄像头获取图像数据后对图像进行超像素分割并快速提取超像素分割图的边缘图，获取超像素的大小及其外接矩形，然后对分割得到的超像素块进行合并获得初始区域集合，并取这些区域的外接矩形为初始矩形集合；然后计算局部矩形区域内的超像素集合的紧密性得分、最优轮廓的轮廓性得分以及计算轮廓内显著超像素集合的紧凑度得分；通过数据驱动的方法对紧密性得分、轮廓性得分和紧凑度得分进行融合，得到最终评价区域目标性的得分值；最后通过得分值对初始矩形集合进行降序排序，选出高概率区域进行目标检测。本发明所述的方法可应用于机器人视觉导航上和汽车辅助驾驶上。

技术领域

本发明涉及机器视觉技术，具体涉及一种基于目标性潜在区域分析的目标检测方法及其应用。

背景技术

目标检测是机器视觉中重要的技术之一，广泛用于目标识别、目标跟踪和场景分析等领域。但是传统的目标检测方法都是采用复杂特征结合多尺度金字塔搜索的方式，方法效率比较低。为了提升目标检测方法的效率，目标潜在区域提取方法作为目标检测的预处理方法被引入代替传统的搜索方式。该方法以简单高效的方法快速提取少量目标潜在区域输送给目标检测方法，大大减少目标检测方法需要分析的区域数量。目标性评价方法作为对区域中存在目标可能性的量化过程，评价机制的好坏将直接影响最终的区域目标性排序以及最终输出的潜在区域的数量，评价机制越好，所需要的潜在区域的数量越少。

目前主流的方法有Selective Search(J.Uijlings,K.van de Sande,T.Gevers,A.Smeulders,Selective search for object recognition,International Journal ofComputer Vision 104(2013).154-171)，BING(M.-M.Cheng,Z.Zhang,W.-Y.Lin,P.Torr,Bing:Binarized normed gradients for objectness estimation at 300fps,in:IEEEConference on Computer Vision and Pattern Recognition,2014,pp.3286-3293.)，Edge Boxes(C.Zitnick,P.Dollr,Edge boxes:Locating object proposals from edges,in:European Conference on Computer Vision,volume 8693,2014,pp.391-405.)等。

Selective Search是通过超像素分割方法获得三种不同尺度的图像超像素集合，并设计了四种合并的策略：颜色相似性、纹理相似性、小区域优先和包含优先。通过合并的方式对图像的超像素集合中的区域进行融合等到不同大小和位置的目标潜在区域。但该方法中目标性评价方法采用的是随机排序的方式，所以不能有效的对候选区域进行目标性强弱排序。

BING将简单的梯度特征和简单的线性分类器相结合，对目标潜在区域进行快速的提取，达了300帧/秒的处理速度。该方法中的目标性评价方法采用分类器的响应值，由于该方法采用的是非常简单的特征表达，因此分类器的响应值不能准确的表达目标存在性。

EdgeBoxes快速获取图像的边缘信息，将边缘进行聚类获得特性相似的小边缘段，通过分析区域内边缘段的得分来计算该区域的目标性得分进行打分。但该方法的目标性没有考虑边缘的闭合特性，因此在评价目标存在性时会引入较多的虚景。

以上方法都通常都只考虑以某一种特征进行区域的目标性评价，往往不能有效的评价目标性的得分，导致在最终的区域排序时不能有效的用较少数量推荐包含目标的区域。

发明内容