[发明专利]一种基于视觉一致性约束的图像目标分类方法

说明书

技术领域

本发明涉及的是一种图像目标分类方法，具体地说，涉及的是一种基于视觉一致性约束的图像目标分类方法。

背景技术

目前，智能图像监控由于其广阔的应用范围吸引了大量的关注。在图像监控技术中，自动目标检测与分类已经成为智能监控系统的一项主要任务。当前的图像监控系统，虽然数量庞大、清晰度越来越高，但除了卡口、闸机等能够近距离有约束取像的场所，可以进行有效的车牌检测识别、人脸检测识别应用外，其他大量道路等室外监控视频系统，因为成像角度、距离、光照等难以有效约束，仍然存在图像目标难以精确、鲁棒地检测和分类识别问题，导致图像监控系统的应用效能难以有效发挥。因此，监控图像目标的准确分类成为当前一个具有挑战性的任务。

国内外的研究者在目标的检测领域，做出了大量卓有成效的工作。近年来，大量的研究工作从判别性特征提取和分类器模型设计等角度来解决目标分类问题。根据分类器训练手段的不同，可以把检测模型分为两大类：一类是基于各种全局或局部判别性特征的统计模型，包括利用人工选取的特征和机器学习到的特征，如目前最为关注的深度学习模型；一类是基于范例(Exemplar,也有文献称为实例，Instance，本文统称为范例)等的相似性认知模型(简称范例模型)。

基于判别性特征的统计检测模型。目前统计模型在目标检测中处于主流地位，大多数的模型都属于统计学习模型。该类模型基于目标人工选取或者机器学习到的、具有一定尺度、角度、光照不变性的一个特征或多个判别性特征，进行模板统计训练，然后进行候选区域与目标模板的匹配检测。用于目标检测的判别性特征，包括外观等底层特征、全局与局部等混合特征、机器学习到的特征等。底层特征指的是基本的图像特征，如颜色、纹理、梯度、形状等于直观视觉特征和其对应的简单统计特征。主要的统计特征包括Navneet Dalal和Bill Triggs等在CVPR2005的文献“Histograms of oriented gradients for human detection”中提出的HOG(Histogram of Oriented Gradient)特征，Ojala等在文献"Multiresolution gray-scaleand rotation invariant texture classification with local binary patterns"提出的LBP(Local BinaryPattern)特征,David Lowe在2004年文献“Distinctive image features from scale-invariant keypoints”提出的尺度不变特征(SIFT)，Wu等2011年在文献“CENTRIST:A Visual Descriptor for Scene Categorization”提出的CENTRIST(CENsus TRansform hISTogram)方法，文献“Evaluating bag-of-visual-words representations in scene classification”给出的Bag-of-visual-words模型，以及Bay等在SIFT的基础上做了部分改进得到了SURF特征(文献“SURF:Speeded up robust features”)，其主要通过引入Hessian矩阵以及运用积分图的思想基本实现了图像中目标匹配的实时化处理，在目标检测识别领域得到了广泛的运用。

SIFT、SURF、LBP和HOG等的直方图特征，虽然在目前的目标检测算法中被广泛用来进行目标的可靠表征。这类方法，都致力于学习更为鲁棒的、能够容忍大量类内特征变化的目标分类检测器。但是，这种以刚性的类别属性作为区分量度的检测方法，很容易受到每类目标在视觉上的不一致性的影响，导致检测识别性能大幅下降甚至完全失效。而这种视觉不一致性，在监控图像中更为显著：实际的监控应用系统中，成像条件往往复杂多变，目标视觉特征将会因为视角差异、光照效应、目标形变、遮挡等而剧烈变化，导致同类目标严重的视觉不一致。