[发明专利]基于多尺度特征估计和高阶BING特征的目标检测方法

权利要求书

1.基于多尺度特征估计和高阶BING特征的目标检测方法，其特征在于，包括以下步骤：

1)训练步骤：

1-1)对样本图像进行标注，用矩形框将目标区域标注为正样本,标注类别标签为+1，在非目标区域随机采样大于正样本数量的负样本，标注类别标签为-1，得到全部样本的类别标签y_n，n为样本总数；

1-2)对标注的正负样本构造图像金字塔；

1-3)对各标注的正负样本在不同尺寸下进行滑窗提取方向梯度直方图，得到方向梯度直方图特征金字塔；

1-4)使用多尺度方向梯度直方图近似算法得到的特征金字塔的相邻两个方向梯度直方图之间再插入4个尺度均匀分布的方向梯度直方图，从而最终的方向梯度直方图特征金字塔；

1-5)使用二进制近似算法计算方向梯度直方图特征金字塔中的每一个方向梯度直方图中每一个窗口的高阶BING特征g；

1-6)输入高阶BING特征g与对应的类别标签y_n训练该尺度对应的第一级SVM分类器g₁(x)＝<w₁,g>，<·>表示向量的内积，得到分类器的模型参数w₁；

1-7)对第一级SVM分类器训练完成后，对样本图像的图像金字塔上进行窗口滑窗提取高阶BING特征g，将高阶BING特征g输入第一级SVM分类器得到分数S_l；

1-8)使用分数S_l和对应的类别标签y_n来训练第二级SVM分类器得到第二级SVM分类器的模型参数v_m和t_m；

2)检测步骤：

2-1)对检测图像构造图像金字塔；

2-2)对检测图像在不同尺寸下进行滑窗提取方向梯度直方图，得到方向梯度直方图特征金字塔；

2-3)使用多尺度方向梯度直方图近似算法得到的特征金字塔的相邻两个方向梯度直方图之间再插入4个尺度均匀分布的方向梯度直方图，从而最终的方向梯度直方图特征金字塔；

2-4)使用二进制近似算法计算方向梯度直方图特征金字塔中的每一个方向梯度直方图中每一个窗口的高阶BING特征g；

2-5)将高阶BING特征g输入第一级SVM分类器得到分数S_l；

2-6)将从第一级分数SVM分类器输出对检测图像的图像金字塔的分数S_l输入第二级SVM分类器得到分数O_l；

2-7)对检测图像中所有窗口的得分O_l进行排序，取前面K个窗口作为候选的目标窗口，最后使用非极大值抑制消除多余的候选窗口，找到目标的位置。

2.如权利要求1所述基于多尺度特征估计和高阶BING特征的目标检测方法，其特征在于，步骤1-5)中每一个窗口的高阶BING特征g的特征提取步骤为：

对于一幅大小为(w,h)图像，在每一个不重叠的4*4像素大小的窗口计算9个方向的方向梯度直方图得到9维的向量，并将这个9维的向量排列成3*3大小的矩阵，计算完所有的窗口，就得到大小为的特征图；

对特征图中每一个6*6大小的窗口，使用二进制近似算法，得到一个36维的高阶BING特征g，b_k是一个6*6大小的二进制矩阵，b_k中的元素为0或者1；其中，N_g表示用N_g个二进制的6*6大小的二进制矩阵b_k来近似特征图中每一个6*6大小的窗口，k＝1,2,…,N_g，N_g＝6；

对于整幅特征图，根据前后窗口之间的关系，后一个窗口的高阶BING特征根据前一个窗口的高阶BING计算b_k,i,j＝(b_k,i-1,j＜＜16)|r_k,i,j，其中，＜＜16表示左移16位，|表示或运算；

b_k,i,j表示图像中第i行j列的窗口对应的二进制矩阵b_k，r_k,i,j表示6*6大小的二进制矩阵b_k的后面3行，r_k,i,j通过二进制近似算法求得。