[发明专利]一种基于网格判断的快速目标检测方法

说明书

本发明公开了一种基于网格判断的快速目标检测方法，所述方法包括：步骤1：将图像进行网格划分；步骤2：提取网格区域的特征；步骤3：对网格进行判断及合并，具体为：首先，根据事先训练的回归模型判断每个网格是否属于指定的目标对象，然后根据各个网格所属的对象类别，将网格合并组成初始对象窗口；步骤4：利用边框回归方法对初始对象窗口进行边框回归处理，实现了能够同时保证目标检测精度和速度的技术效果。

技术领域

本发明涉及图像处理领域，具体地，涉及一种基于网格判断的快速目标检测方法。

背景技术

视觉是人类获取外界信息的重要途径，能够带给人更直观、丰富的感观体验。图像目标检测是计算机视觉应用中的关键问题。其实现手段是：输入一幅待处理的图像，让计算机从语义的角度理解静态图像、视频，从中识别出事先指定类别的目标(例如人类，动物，交通工具等常见对象)，并且指出目标所处的位置，以及目标的大小(通常用矩形边框来表示)。

早期的研究主要是基于级联结构检测模型。首先提取人脸的特征，然后利用积分图和Adaboost思想对提取的人脸特征进行判别，取得了高效准确的检测效果。随后学者们提出了一系列鲁棒的特征，如Haar-like，SIFT，HOG。这些特征联合Bag-of-word，Fishervector等模型，目标检测任务的准确率和效率都有了较大提高。但是，这类模型往往依赖复杂的特征，其性能很大程度上取决于特征的优化选择，所以其发展陷入了瓶颈期，诸多改进并没有实质性地提高目标检测的性能。

基于可变形部件模型的检测模型这些年来颇有收获，如基于HOG特征的可变形部件的对象检测，不仅考虑了整个对象，还充分考虑了部件间的形变关系，进一步提升了目标检测的性能。但是仍然存在不少问题，对于遮挡，大幅度形变问题，该模型有一定的局限性。

近年来，深度学习受到学术和工程上的广泛关注，“大数据+深度模型”成为了人工智能领域的热搜词。它的主要特点是通过设计多层的神经网络，对输入的多媒体数据进行不同层次的抽象，最后进行类别的预测和识别。深度学习被成功应用于包括图像识别领域，图像检测领域，并大幅度地提升了准确度。目前基于区域的卷及神经网络(R-CNN)及其改进已成为主流的目标检测器。R-CNN主要分为三个步骤，即：区域选择，特征提取，分类器打分。基本框图如图1所示。

(1)区域提取：由于目标对象可能出现在图像的任何位置，而且目标的大小、长宽比例也不确定，首先需要选取初始可能包含对象的区域。传统的区域选择方法是基于滑动窗口的策略。首先设定不同的尺度、长宽比的窗口，然后对整幅图像进行遍历滑动。这种穷举的策略虽然包含了目标所有可能出现的位置，但是缺点也是显而易见的：时间复杂度太高，产生冗余窗口太多，这也严重影响后续特征提取和分类的速度和性能。实际上，由于受到时间复杂度的问题，滑动窗口的长宽比一般都是固定的设置几个，所以对于长宽比浮动较大的多类别目标检测，即便是滑动窗口遍历也不能得到很好的区域。针对滑动窗策略的不足，近年来学者提出了许多优秀的区域选择方法，主要可以分为：基于超像素的方法、基于窗口打分的方法，以及基于深度学习的方法，代表性的工作有：选择性查找,EdgeBox，RPN等等。

(2)特征提取：提取图像区域特征的好坏直接影响到分类的准确性。由于目标的形态多样性，光照变化多样性，背景多样性等因素使得设计一个鲁棒的特征面临着挑战。传统方法采用手动设计的特征有SIFT特征，HOG特征。近年来主流的方法均采用深度卷积提取特征，并取得了突飞猛进的效果。

(3)分类器打分：将待测提取的图像窗口的特征送入训练好的分类器中进行分类，最终输出图像窗口的类别信息。目前比较常用的分类算法有SVM、Adaboost以及卷及神经网络。

一个非常好的目标检测系统，需要满足以下几个条件：

1、较高的检测准确率；

2、较高的计算效率；

3、具有不同场景的泛化能力。