[发明专利]基于可变部件模型的电动摩托车图像检测方法在审

专利信息
申请号: 201810877373.5 申请日: 2018-08-03
公开(公告)号: CN109344684A 公开(公告)日: 2019-02-15
发明(设计)人: 刘玉萍;孙盛;陈平华;余旭;董晓冬 申请(专利权)人: 广东工业大学
主分类号: G06K9/00 分类号: G06K9/00;G06K9/62
代理公司: 广东广信君达律师事务所 44329 代理人: 杨晓松
地址: 510062 广东*** 国省代码: 广东;44
权利要求书: 查看更多 说明书: 查看更多
摘要:
搜索关键词: 电动摩托车 图像检测 待检测图像 可变形部件 部件模型 可变部件 特征提取 金字塔 尺度 初始化部件 混合模型 检测图像 模型构建 视角变化 特征训练 提取特征 图像特征 样本建立 多组件 样本集 加载 聚合 光照 匹配
【权利要求书】:

1.基于可变部件模型的电动摩托车图像检测方法,其特征在于,包括以下步骤:

步骤1,建立正样本集和负样本集;

步骤2,对正样本集分类,负样本集分组,然后对每个正样本、负样本进行特征提取,得到正样本的特征以及负样本的特征;

训练所述正样本的特征和负样本的特征,得到根模板;

步骤3,将所述的根模板通过空间聚合得到初始根模板,对所有的正样本、负样本分别建立特征金字塔,然后训练所述的初始根模板;

步骤4,设定电动摩托车的部件个数和形状,利用部件扫描步骤3训练后的初始根模板,当部件形状与初始根模板覆盖区域的能量最大时,该覆盖区域即为部件的位置,从而得到初始部件模型;

将初始部件模型加载到训练后的初始跟模板中,并在所述的正样本集和负样本集上进行训练,得到最终根模板以及最终部件模型;

步骤5,对于待检测图像,对待检测图像进行特征提取,然后与所述的最终根模板以及最终部件模型进行匹配,得到待检测图像中电动摩托车的位置。

2.如权利要求1所述的.基于可变部件模型的电动摩托车图像检测方法,其特征在于,所述的建立正样本集和负样本集,包括:

将多张包含电动摩托车的图像作为正样本集,将正样本集中每一个正样本中的电动摩托车进行矩形框标注;负样本集则选取PASCAL VOC数据集提供的不包含电动摩托车的图像。

3.如权利要求1所述的.基于可变部件模型的电动摩托车图像检测方法,其特征在于,所述的步骤2包括:

步骤2.1,将正样本集中的正样本的矩形标注框按照长宽比分为m类,负样本集随机分成m组;

步骤2.2,对每个正样本、负样本进行特征提取,包括:

对于正样本或负样本图像,将图像分为多个单元格,对单元格内的每个像素分18个有符号梯度方向和9个无符号梯度方向求梯度,然后用梯度方向在单元格的直方图中加权投影,得到该单元格的梯度方向直方图,即为该单元格对应的27维的特征向量;然后将每2*2个相邻单元格组成一个区块,则每个区块对应于一个108维的特征向量,通过对其进行主成分分析和解析降维,将原来的108维特征分别对每行每列进行累加降至4+27=31维,将所有区块特征向量串联起来即可得到整个图像的特征;由此得到正样本的特征和负样本的特征;

步骤2.3,根据正样本的特征和负样本的特征,用SVM训练得到m个根模板F1,F2,…,Fm

4.如权利要求1所述的.基于可变部件模型的电动摩托车图像检测方法,其特征在于,所述的对所有的正样本、负样本分别建立特征金字塔,包括:

对于正样本或负样本图像,将图像作为特征金字塔的第一层,然后特征金字塔的其他层均以上一层21/interval的倍数进行采样,对于特征金字塔的每一层,按照步骤2.2的方法进行特征提取,从而得到特征金字塔每一层的特征。

5.如权利要求1所述的.基于可变部件模型的电动摩托车图像检测方法,其特征在于,所述的对待检测图像进行特征提取,然后与所述的最终根模板以及最终部件模型进行匹配,得到待检测图像中电动摩托车的位置,包括:

建立待检测图像的特征金字塔,将该特征金字塔的每一层与所述最终根模板分别进行卷积操作,选择最大的卷积值作为根模板得分;

从待检测图像的特征金字塔中,选择待检测图像的两倍分辨率特征与每一个最终部件模型分别进行卷积,得到每一个最终部件模型对应的得分;

计算最终部件模型的变形花费;

求所述根模板得分、最终部件模型对应的得分与变形花费的总的代数和作为检测总得分,得分最高的位置即为电动摩托车的位置。

下载完整专利技术内容需要扣除积分,VIP会员可以免费下载。

该专利技术资料仅供研究查看技术是否侵权等信息,商用须获得专利权人授权。该专利全部权利属于广东工业大学,未经广东工业大学许可,擅自商用是侵权行为。如果您想购买此专利、获得商业授权和技术合作,请联系【客服

本文链接:http://www.vipzhuanli.com/pat/books/201810877373.5/1.html,转载请声明来源钻瓜专利网。

×

专利文献下载

说明:

1、专利原文基于中国国家知识产权局专利说明书;

2、支持发明专利 、实用新型专利、外观设计专利(升级中);

3、专利数据每周两次同步更新,支持Adobe PDF格式;

4、内容包括专利技术的结构示意图流程工艺图技术构造图

5、已全新升级为极速版,下载速度显著提升!欢迎使用!

请您登陆后,进行下载,点击【登陆】 【注册】

关于我们 寻求报道 投稿须知 广告合作 版权声明 网站地图 友情链接 企业标识 联系我们

钻瓜专利网在线咨询

周一至周五 9:00-18:00

咨询在线客服咨询在线客服
tel code back_top