[发明专利]基于上下文信息的多目标检测方法

摘要

本发明公开了一种基于上下文信息的多目标检测方法，包括线下训练和线上匹配模型，利用输入图片的Gist该特征通过与场景聚类中心的距离，选择该图片所在的相应场景，并获得相应的选择概率；通过运行所有目标类已有的单一目标基础检测器DPM，获得相应的目标检测窗口和对应的目标检测分值，利用训练好的上下文模型，结合Gist特征，获得目标的检测结果。该方法利用全局上下文信息区分不同场景，然后根据不同场景下目标间的相互关系，形成相应的目标检测模型，有效的减少了不同场景间目标间的相互干扰，进一步提高了多目标检测的准确性。

主权项

1.一种基于上下文信息的多目标检测方法，其特征在于包括线下训练和线上匹配模型，线下训练获得子树模型步骤：步骤一：首先针对训练集，利用LableMe软件对训练集中的图像目标类进行标注，获得目标标识的训练集图像；并训练好图像中各个目标的DPM检测器；步骤二：计算训练集中图片的Gist特征获取全局上下文信息；然后利用改进的谱聚类方法实现场景划分；步骤三：通过隐变量表示场景，然后在不同的场景下，根据训练图片的目标的标注结果获得目标的共生性和位置分布信息；步骤四：通过计算训练集中两幅图片中目标对在转换空间的映射分布，判断两目标是否是一致性目标，形成一致性目标对；步骤五：利用步骤三和步骤四获得的共生性和位置分布信息以及一致性目标对通过带权重的Chow‑Liu算法进行树结构的学习，然后对参数进行训练，获得子树模型；线上匹配模型步骤：步骤一：在检测时，首先，计算输入图像的Gist特征；步骤二：然后，根据输入图像的Gist特征，把图像划分到训练中相应的场景子空间并获得相应的场景子空间的概率分布；步骤三：接着，通过训练好的不同目标的DPM检测器获得图像各个目标的检测分值和检测窗口信息；步骤四：利用步骤二和步骤三获得的场景概率分布与各目标检测分值和检测窗口信息，采用迭代方式，结合线下训练部分获得的子树先验模型，求取目标检测以及是否正确的概率的最大后验估计，从而修正各类DPM检测器的目标检测结果获得最终的多目标检测结果。