[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

说明书

本发明提供一种基于多尺度特征估计和高阶BING特征的目标检测方法，首先利用现有的多尺度方向梯度直方图近似算法对原图构造图像特征金字塔。接着在每一个方向梯度直方图上提取高阶BING特征，然后利用两级线性SVM对滑动窗口中的每一个窗口进行判断，最后得到该窗口中是否包含目标。本发明将BING特征从简单的梯度特征扩展到能够表现更多特征细节的方向梯度直方图上，提取到高阶的统计信息，使特征表达更为丰富。在计算特征金字塔的时候使用多尺度方向梯度直方图近似算法，在几乎不增加计算量的条件下得到更为精细的特征金字塔，使得检测到的目标的位置更为精确。

技术领域

本发明属于模式识别领域，涉及目标检测技术。

技术背景

目标检测技术作为计算机视觉的最底层技术，一直是计算机视觉领域里的前沿研究方向之一，上层算法对检测的结果做进一步的分析和处理，来实现对目标的跟踪和识别等应用。近年来有很多新的目标检测算法被提出来，比如基于boosting思想的FPDW算法，基于BING特征的显著性检测方法，基于深度学习的fast-cnn算法，但是它们在检测精度和检测速度上都不能兼得。FPDW算法有较高的检测精度，但检测速度只有15fps；BING算法的检测速度能到300fps，但检测精度很低，只能用作对目标位置的粗略估计；fast-cnn算法是基于深度学习的检测算法，对硬件的需求很高。所以目标检测算法在检测精度和检测速度方面仍然需要更加深入的研究。

发明内容

本发明所要解决的技术问题是，提供一种在精度和速度上达到更好的平衡的目标检测方法。

本发明为解决上述技术问题所采用的技术方案是，基于多尺度特征估计和高阶BING特征的目标检测方法，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；