[发明专利]一种改进的基于稀疏表示的多目标检测方法

摘要

本发明公开了一种改进的基于稀疏表示的多目标检测方法，首先提取训练样本的HOG特征，并采用K‑SVD算法对其进行稀疏表示得过完备字典D；然后采用滑动窗口和多尺度策略遍历待检测图像，提取各图像子块的HOG特征，并基于过完备字典D进行稀疏表示；第三，利用重构误差的差异结合自适应阈值设定方法实现对多个目标的初步定位；最后，设计了一种窗口合并策略，对多个目标进行精确检测。本发明中提出的窗口合并策略，利用窗口中心位置及窗口尺寸，对多个目标定位窗口进行区分，使它们分别准确对应所属的目标；然后，利用重构误差，将同一目标对应的多个重叠定位窗口进行有效合并，保证了目标的鲁棒及精确性检测。

主权项

1.一种改进的基于稀疏表示的多目标检测方法，其特征在于，包括如下步骤：(1)样本训练阶段：第一步，输入m个训练样本图像，将尺寸归一化为row×column，构成训练样本图像集；第二步，提取训练样本图像集的HOG特征f₁,f₂,…,f_m；第三步，将训练样本图像集的HOG特征f₁,f₂,…,f_m用K‑SVD算法训练，得到过完备字典D；(2)目标检测阶段：第一步，输入待检测图像I；第二步，采用滑动窗口和多尺度策略遍历待检测图像，得到多尺度的图像子块，将各图像子块尺寸归一化为row×column；第三步，提取各图像子块的HOG特征g₁,g₂,…,g_N；第四步，基于过完备字典D对待检测图像子块的HOG特征g₁,g₂,…,g_N进行稀疏表示；第五步，计算待检测图像每个子块的重构误差δ_i(i＝1,2,…,N)；第六步，基于重构误差δ_i(i＝1,2,…,N)的差异，采用自适应阈值设定的方法对多个目标进行初步定位，得到多个目标定位窗口；第七步，设计一种新的窗口合并策略，对多个目标定位窗口进行区分，使它们分别准确对应所属的目标；然后，利用重构误差，将同一目标对应的多个重叠定位窗口进行有效合并，最终得到多个目标的精确检测结果；所述目标检测阶段第七步设计了一种新的基于窗口合并策略的目标精确检测方法，其具体步骤如下：第(1)步，针对每一个尺度p，利用窗口中心位置及窗口尺寸，对目标检测阶段第六步得到的多个目标定位窗口进行区分，使它们分别准确对应所属的目标；第(2)步，在尺度p下，针对同一目标对应的多个重叠定位窗口，对其中心位置坐标(x_pj,y_pj)依据重构误差δ_pj的大小，分配权重；其中，重构误差越小的窗口，分配给它的权重越大；然后，基于权重，重新计算该目标的中心位置坐标(x_pl,y_pl)，达到重叠定位窗口合并的目的；同时，按照权重，加权计算合并后窗口的重构误差δ_pl；最终，我们得到该尺度下同一目标对应的合并后的定位窗口，该窗口的相关信息保存在第p层的窗口信息矩阵m_pl＝(x_pl,y_pl,w_pl,h_pl,δ_pl)中；其中，(w_pl,h_pl)表示该窗口的尺寸，p表示该窗口位于第p层；l表示该窗口在第p层的编号；第(3)步，针对每一个尺度p，依次合并同一目标对应的多个重叠定位窗口，将合并后窗口的相关信息保存在窗口信息矩阵M_pl(p＝1,2,…,S；l＝1,2,…,L)中；其中，L为第p层内合并后窗口的个数，表示第p层共检测到L个目标；第(4)步，针对所有S个尺度，将同一目标对应的合并后的重叠定位窗口的信息矩阵M_pl(p＝1,2,…,S；l＝1,2,…,L)，依据重构误差大小，对其分配权重；其中，误差越小的窗口，分配给它的权重越大；然后，基于权重，更新该目标的最终位置和尺寸，得到目标精确检测结果B_r＝(x_r,y_r,w_r,h_r),(r＝1,2,…,n)；其中，x_r,y_r为最终合并后窗口的坐标值，w_r为最终合并后窗口的宽度，h_r为最终合并后窗口的高度，n为最终合并后窗口的个数，表示图像中共检测到n个目标。