[发明专利]基于图像的目标检测及分类方法

说明书

技术领域

本公开涉及大数据分析领域，尤其涉及一种基于图像的目标检测及分类方法。

背景技术

显著目标检测是人类视觉的基本功能，也是计算机视觉的主要研究课题之一。目标检测一直是计算机视觉研究的重要方面，而显著目标检测在图像检索、目标识别、辅助驾驶系统以及视频监控等许多领域都有着重要应用。由于在实际图像数据中，目标物体总不可避免的处于相对复杂的背景下，因此复杂背景下的目标检测已经受到越来越多计算机视觉领域的研究人员重视，并成为当前计算机视觉研究中最活跃的一个领域。关于显著目标物体的检测分类主要包括非机器学习的方法和机器学习的方法。

非机器学习的方法主要包括阈值图像处理检测、霍夫变换检测、模版匹配检测等，这类方法主要是基于规则以及固定的模板进行检测，检测方法过于简单，因此一般只适应于自己能控制颜色和亮度的项目中。

机器学习的方法通过构建不同的分类器对目标物体进行检测，虽然能够处理复杂场景下的目标分类和检测，但是在实际应用中，由于图片分辨率较高，在对全图扫描的过程中，需要耗费较长时间，因此目标检测效率较低。此外，由于观察视点的变化，同一目标物体在图像中会发生明显的变化，这些变化既可能表现为尺度、旋转、倾斜度的差异，也可能表现为透视投影的差异，导致检测的效果较差。最后，绝大多数自然图像中，目标物体都不是存在于简单的背景上，相反，背景中可能包含各种各样的其它物体。复杂背景的存在使得准确而又快速地检测目标变得十分困难。大的类内表现差异和小的类间表现差异通常会导致目标检测方法的鲁棒性降低。类内表现差异是指同类不同个体间的变化，例如，人的不同个体在颜色、纹理、形状、姿态等方面存在差异。由于光照、背景、姿态、视点的变化和遮挡的影响，即使同一个人在不同的图像中看起来也会非常不同，使得构建具备泛化能力的表观模型极为困难。

发明内容

有鉴于此，本公开提出了一种基于图像的目标检测及分类方法。

根据本公开的一方面，提供了一种基于图像的目标检测及分类方法，包括：对待检测图像进行预处理；导入预先训练的分类器；利用所述分类器对所述待检测图像中的各显著目标进行特征提取；根据特征提取结果确定各所述显著目标在所述待检测图像中的最优位置；根据各所述最优位置确定各所述显著目标所在的显著区域。

在一种可能的实现方式中，对所述待检测图像进行预处理，包括：对获取的待检测图像进行冗余信息去除处理和/或噪声去除处理；获取所述待检测图像中的各显著目标，并确定各所述显著目标的初始位置。

在一种可能的实现方式中，所述分类器包括根滤波器和多个部件滤波器，所述利用所述分类器对所述待检测图像中的各显著目标进行特征提取，包括：利用所述根滤波器确定各所述显著目标的根位置；利用各所述部件滤波器，确定各所述显著目标中各部件的位置；根据各所述部件滤波器的得分、各所述部件滤波器所在位置相对于所述根位置的变形花费以及偏移项确定各所述显著目标的得分。

在一种可能的实现方式中，根据各所述部件滤波器的得分、各所述部件滤波器所在位置相对于所述根位置的变形花费以及偏移项确定各所述显著目标的得分，包括：

采用式1计算所述显著目标的得分：

其中，score(p₀,…,p_n)为一个显著目标的得分，b为偏移项；为第i个部件滤波器F_i的得分，F_i'是第i个部件滤波器的向量化表示，为第i个部件滤波器F_i'的特征向量，p_i＝(x_i,y_i,l_i)表示第i个滤波器所在的层l_i和水平位置坐标x_i和垂直位置坐标y_i，H为特征金字塔，n表示部件滤波器的数量；

为第i个部件滤波器所在位置相对于所述根位置的变形花费；d_i第i个部件滤波器所在位置相对于自身锚点位置的变形花费，

第i个部件滤波器相对于锚点位置的位移采用式2计算：

第i个部件滤波器的变形特征的采用式3计算：

其中，(x₀,y₀)是根滤波器在其所在层的坐标，v_i是一个二维向量，表示第i个部件滤波器的锚点位置相对于根位置的坐标，和分别表示部件滤波器的水平位移和水平位移的平方，和分别表示部件滤波器的垂直位移和垂直位移的平方。