[发明专利]基于语义Hough变换和偏最小二乘法的目标检测方法

摘要

基于语义Hough变换和偏最小二乘法的目标检测方法，涉及计算机视觉技术。首先利用训练集建立图像块的特征向量、语义特征向量与图像块类别和投票偏移向量之间的回归模型，然后将待检测图像中的每个图像块的特征向量和语义特征向量代入回归模型，找出类别为正的图像块并产生投票、形成Hough图像，最后在Hough图像中找出投票密度的局部极大值点作为检测结果，完成目标检测。

主权项

1.基于语义Hough变换和偏最小二乘法的目标检测方法，其特征在于包括以下步骤：A.准备训练样本集（x_0i，x_1i，x_2i，……，x_mi，d_i，y_i），i=1，……，N，N为训练样本数，N为自然数，x_0i表示训练样本对应的特征向量，每个训练样本是一个图像块，取自感兴趣的目标上的图像块是正样本，取自其它图像的是负样本，y_i表示样本类别：x_ji（j=1，……，m）表示与x_0i相关的包含上下文信息的m个语义特征向量，从训练样本图像块及其周围的图像块提取，m为自然数；d_i表示训练样本x_0i在图像中的坐标与其所属目标的中心坐标之间的偏移向量；B.将训练样本的特征向量组合作为预测矩阵X₀＝(x₀₁,x₀₂,...,x_0N)^T，各个训练样本的m个语义特征向量组合作为m个预测矩阵X_j＝(x_j1，x_j2，...,x_jN)^T(j＝1,2，...,m)，将训练样本的类别组合作为响应矩阵Y₁＝(y₁,y₂，...,y_N)^T，利用偏最小二乘法求出回归系数矩阵Bl₀,Bl₁，...,Bl_m，得出m+1个类别估计回归方程：y=1NΣi=1Nyi+BljT(x-1NΣi=1Nxji),j=0,1,...,m;]]>C.将训练样本与其所属目标的中心坐标之间的偏移向量组合作为响应矩阵Y₂＝(d₁,d₂，...,d_N)^T，利用偏最小二乘法求出回归系数矩阵Bv₀,Bv₁，...,Bv_m，得出m+1个投票向量回归方程：y=1NΣi=1Ndi+BvjT(x-1NΣi=1Nxji),j=0,1,...,m;]]>D.对于待检测图像中的每个图像块，将它表示成特征向量x和相应的m个语义特征向量x₁，x₂，……，x_m，分别代入步骤B建立的m+1个类别估计回归方程，为每个图像块计算出m+1个类别估计值；E.对每个图像块，根据m+1个估计值计算出最终的类别；F.在步骤E中计算出类别为正的每个图像块，将其特征向量和m个语义特征向量代入步骤C建立的m+1个投票向量回归方程，为每个图像块计算出m+1个投票向量估计值，产生Hough投票，形成Hough图像；G.在Hough图像中找出投票密度的局部极大值点，作为可能的目标位置，完成检测。