[发明专利]基于可变部件模型的电动摩托车图像检测方法

说明书

本发明公开了一种基于可变部件模型的电动摩托车图像检测方法，首先建立样本集，并进行特征提取，通过特征训练得到根模板，以空间聚合的方式获得初始根模板，对样本建立特征金字塔，训练所述的初始根模板；初始化部件模型并加载到初始根模板中经过训练得到最终根模板以及最终部件模型；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。本发明所采用的可变形部件模型构建了图像特征金字塔，可在不同尺度上提取特征，以适应不同尺度的图像检测；本发明所采用的可变形部件模型是采用了多组件混合模型，可适应不同视角变化、光照等。

技术领域

本发明涉及一种图像检测方法，具体涉及一种基于可变部件模型的电动摩托车图像检测方法，用以在交通视频监控图像中检测出电动摩托车位置。

背景技术

当前交通视频监控图像趋于复杂多样，存在视角变化、光照变化、背景复杂、目标形态多样化以及噪声干扰等问题，使得在图像中对特定目标进行检测成为一个难点。现有技术中有许多针对行人、车辆、自行车等的目标检测算法，但在电动摩托车的检测识别方面的研究很少，但由电动摩托车所引起的交通事故、偷盗、火灾等事故却不少。

目前的车辆识别算法，采用是SIFT特征，通过抽取各个样本中部分特征构成一个特征空间，对其进行稀疏编码获得稀疏编码特征基矩阵，利用线性SVM和稀疏编码结合训练出模板，然后，对目标图像和模板进行SIFT特征匹配得到最优匹配位置，从而检测出车辆。但是该算法存在的缺陷是：(1)主要针对于小汽车、皮卡、大货车、公交车等大型目标，对电动摩托车的识别效果不好。(2)易受外界条件影响：对于遮挡、不同角度拍摄等效果不理想，同时易受光照影响；(3)受目标自身影响：当目标发生形变时，易造成漏检或错检。

发明内容

针对当前现有技术中存在的问题，本发明的目的是提供一种基于可变部件模型的电动摩托车图像检测方法，将可变部件模型应用于电动摩托车检测，采用多组件模型，可以适应不同视角，提高目标检测准确率。

为了实现上述任务，本发明采用以下技术方案：

基于可变部件模型的电动摩托车图像检测方法，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。

进一步地，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。

进一步地，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：