基于方向梯度二值模式和軟級聯(lián)svm的實時目標檢測方法
【技術(shù)領(lǐng)域】
[0001] 本發(fā)明涉及數(shù)字圖像處理技術(shù)領(lǐng)域，涉及計算機視覺中目標檢測和跟蹤方法，可 應用于人機交互和智能交通等領(lǐng)域，具體而言涉及一種基于方向梯度二值模式和軟級聯(lián) SVM的實時目標檢測方法。
【背景技術(shù)】
[0002] 目標檢測是通過計算機信息處理技術(shù)自動分析圖像從中檢測出感興趣的目標。目 標檢測作為圖像理解的重要課題，在軍事與民用場景中都有廣泛應用。在現(xiàn)實場景中，由于 場景背景中含有其他干擾運動物體、光照外部環(huán)境變化及目標形態(tài)各異且變化較快，給目 標檢測帶來諸多難題，如何實現(xiàn)高效穩(wěn)定的目標檢測，具有重要的現(xiàn)實研究意義。
[0003] 張?zhí)煊钤趯＠?時空多尺度運動目標檢測方法"中提出了一種多尺度目標檢測 方法，將圖像進行分塊利用運動區(qū)域內(nèi)最優(yōu)差分間隔實現(xiàn)目標檢測與跟蹤，該方法在復 雜場景下魯棒性低，顯著性差異判定準則難以適應多個場景。Zdenek Kalal, Krystian Mikolajczyk等人在"Tracking-Learning-Detection"中提出了一種對視頻中單個目標檢 測與跟蹤方法，利用幀間信息差異將檢測與跟蹤結(jié)合起來，實現(xiàn)對目標樣本的在線學習，該 方法提出的中值光流法需要進行目標初始化，跟蹤修正固定很難保證與檢測器同步。楊艷 爽，蒲寶明在"基于改進SUSAN算法的移動車輛檢測"中提出了自適應閾值的SUSAN檢測到 車輛目標邊界方法，利用直方圖變換與霍夫變換結(jié)合提取目標連通域，實現(xiàn)對車輛目標與 背景的分離，該方法的實時性較差且在復雜場景中自適應閾值將很難有效完成目標分割。

【發(fā)明內(nèi)容】

[0004] 針對上述現(xiàn)有技術(shù)的不足，本發(fā)明為解決現(xiàn)有目標檢測方法在復雜場景下的魯棒 性低和實時性差問題，提出一種基于方向梯度二值模式和軟級聯(lián)SVM的實時目標檢測方 法，目標檢測性能優(yōu)異且易于工程實現(xiàn)。
[0005] 本發(fā)明的上述目的通過獨立權(quán)利要求的技術(shù)特征實現(xiàn)，從屬權(quán)利要求以另選或有 利的方式發(fā)展獨立權(quán)利要求的技術(shù)特征。
[0006] 為了實現(xiàn)上述目的，本發(fā)明提供一種基于方向梯度二值模式和軟級聯(lián)SVM的實 時目標檢測方法，該方法以軟級聯(lián)支撐向量機SVM為基礎，采用基于方向梯度二值模式特 征用以目標特征描述，在進行特征訓練時利用檢測圖像隨機位置生成正負樣本，最后采用 shi-Tomasi角點檢測提取特征點完成目標追蹤更新。
[0007] 在一些實施例中，該實時目標檢測方法包括以下步驟：
[0008] (I)ORBP特征提取。對圖像源樣本進行預處理操作，利用Sobel邊緣與局部方向梯 度生成ORBP特征。
[0009] (2)軟級聯(lián)分類器SVM的構(gòu)建。利用互相關(guān)特征相似度判定該樣本特征選取是否 有效，根據(jù)h k(X)計算所有樣本的響應，找到正樣本邊界分類對應的閾值，該級對應的閾值 和特征將會加入到k+Ι級計算響應h k+1 (X);然后將待檢測窗口集依次送入軟級聯(lián)分類器， 通過判斷當前窗口響應來判斷是否屬于目標。
[0010] (3)軟級聯(lián)分類器的訓練。對標定正樣本目標圖像進行正樣本負樣本生成，對樣本 進行ORBP特征描述；然后通過SVM訓練起始分類器h。(X)，根據(jù)起始分類器對樣本圖像進行 目標檢測驗證，將負樣本重新更新到下一級SVM級聯(lián)分類器訓練中，直至完成最終級聯(lián)分 類器訓練。
[0011] ⑷目標窗口追蹤更新。根據(jù)軟級聯(lián)SVM訓練出來的分類器，對待檢測圖像 序列進行目標窗口檢測，利用shi-Tomasi角點檢測方法提取目標窗口的特征點，根據(jù) Median-Flow追蹤器判定當前特征點是否為最佳追蹤點；然后通過最佳跟蹤點計算下一幀 目標窗口預測位置，利用級聯(lián)分類器的起始分類器進行目標判定，最終輸出目標檢測窗口。
[0012] 其中，步驟（1)中所述ORBP特征生成包括以下步驟：
[0013] (1)對圖像源樣本對比度變換預處理，消除環(huán)境光照影響，預處理操作包含 Gaussian平滑濾波和Ga_a標準化變換。
[0014] (2)將梯度方向等分為K份，分別計算Sobel豎直方向邊緣各個梯度方向下的梯度 幅值，將K個方向區(qū)間對應的梯度模長放入M個子塊矩陣中，生成相應的邊緣方向梯度圖。
[0015] (3)對于每個邊緣方向梯度圖進行水平與垂直方向邊緣劃分，分別統(tǒng)計水平與垂 直方向累計響應。對于水平方向，上側(cè)累計響應為Hi 1，下側(cè)累計響應為m2;對于垂直方向，左 側(cè)累計響應為m3，右側(cè)累計響應為m 4,如附圖2所示。
[0016] (4)根據(jù)水平方向上下累計響應與垂直方向左右累計響應大小比較生成ORBP特 征，如附圖2所示，生成的ORBP特征含有4種二值形式，在進行特征描述時方向梯度直方圖 將轉(zhuǎn)化為對應ORBP形式的一種。
[0017] 其中，步驟（2)中所述互相關(guān)特征相似度判定方法詳細過程如下：
[0018] 對圖像源樣本進行ORBP特征提取，任選取一維特征作為初始特征f。，添加其他一 維特征作為第二特征A，計算特征f。與的歸一化互相關(guān)系數(shù)η，歸一化互相關(guān)系數(shù)η的 計算方法如下式：
[0020] 其中表示第i維特征向量，cov (f ;，fj)表示特征向量:^與f_j的協(xié)方差，Var(Ifi) 表示特征向量^的方差。根據(jù)計算出來互相關(guān)系數(shù)η，若η〈0.6則判定當前添加特征為 有效，否則判定當前特征為無效，需重新選取任一維特征。若再繼續(xù)添加任一維特征f 1+1，需 判斷與當前特征向量集.. fj的互相關(guān)系數(shù)是否滿足條件。
[0021] 進一步地，為減少特征描述的時間復雜度，該方法在步驟（I)ORBP特征描述中 Sobel邊緣只提取豎直方向邊緣。
[0022] 進一步地，為了提高樣本選取的完備性，該方法在步驟（3)正負樣本生成過程中 位置窗口的選取需要滿足：從目標鄰域附近選取10個與它距離最近的包圍框，每種尺度下 最多選取4個位置窗口作為正負樣本。
[0023] 有益效果：本發(fā)明提出基于方向梯度二值模式和軟級聯(lián)SVM的實時目標檢測方法 以解決目標檢測的魯棒性低和實時性差問題，采用方向梯度二值模式為特征描述子，提高 特征描述對復雜場景背景與光照變化的魯棒性；同時以自適應特征選擇構(gòu)建軟級聯(lián)SVM多 級分類閾值，利用隨機正負樣本訓練分類器并對目標窗口進行追蹤，軟級聯(lián)減少目標窗口 篩選，窗口追蹤提高多幀序列檢測的穩(wěn)定性與實時性。與其他同類目標檢測算法相比，本發(fā) 明提出的方法魯棒性強和實時性好，目標檢測性能優(yōu)異。
[0024] 應當理解，前述構(gòu)思以及在下面更加詳細地描述的額外構(gòu)思的所有組合只要在這 樣的構(gòu)思不相互矛盾的情況下都可以被視為本公開的發(fā)明主題的一部分。另外，所要求保 護的主題的所有組合都被視為本公開的發(fā)明主題的一部分。
[0025] 結(jié)合附圖從下面的描述中可以更加全面地理解本發(fā)明教導的前述和其他方面、實 施例和特征。本發(fā)明的其他附加方面例如示例性實施方式的特征和/或有益效果將在下面 的描述中顯見，或通過根據(jù)本發(fā)明教導的【具體實施方式】的實踐中得知。
【附圖說明】
[0026] 附圖不意在按比例繪制。在附圖中，在各個圖中示出的每個相同或近似相同的組 成部分可以用相同的標號表示。為了清晰起見，在每個圖中，并非每個組成部分均被標記。 現(xiàn)在，將通過例子并參考附圖來描述本發(fā)明的各個方面的實施例，其中：
[0027] 圖1是根據(jù)本發(fā)明某些實施例的基于方向梯度二值模式和軟級聯(lián)SVM的實時目標 檢測方法的流程圖。
[0028] 圖2是根據(jù)本發(fā)明某些實施例的ORBP特征生成示意圖。
[0029] 圖3是根據(jù)本發(fā)明某些實施例的多目標檢測示意圖。
[0030] 圖4是根據(jù)本發(fā)明某些實施例的復雜場景下目標檢測示意圖。
【具體實施方式】
[0031] 為了更了解本發(fā)明的技術(shù)內(nèi)容，特舉具體實施例并配合所附圖式說明如下。
[0032] 在本公開中參照附圖來描述本發(fā)明的各方面，附圖中示出了許多說明的實施例。 本公開的實施例不必定意在包括本發(fā)明的所有方面。應當理解，上面介紹的多種構(gòu)思和 實施例，以及下面更加詳細地描述的那些構(gòu)思和實施方式可以以很多方式中任意一種來實 施，這是因為本發(fā)明所公開的構(gòu)思和實施例并不限于任何實施方式。另外，本發(fā)明公開的一 些方面可以單獨使用，或者與本發(fā)明公開的其他方面的任何適當組合來使用。
[0033] 結(jié)合圖1所示，根據(jù)本發(fā)明的實施例，基于方向梯度二值模式和軟級聯(lián)SVM的實時 目標檢測方法包括以下步驟：
[0034] 1.方向梯度二值模式（ORBP)特征描述
[0035] I. 1對圖像源f(x, y)樣本對比度變換預處理，預處理操作包含Gaussian平滑濾波 和歸一化處理，這里圖像歸一化操作采用的是Ga_a標準化變換：
[0036] f(x,y) = ln(f(x,y)+l)
[0037] I. 2將梯度方向[-π /2, π /2]等分為9個區(qū)間，分別計算Sobel豎直邊緣