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；
[0076] 用于目標窗口追蹤更新的第四模塊，該第四模塊被設(shè)置成根據(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。
[0077] 雖然本發(fā)明已以較佳實施例揭露如上，然其并非用以限定本發(fā)明。本發(fā)明所屬技 術(shù)領(lǐng)域中具有通常知識者，在不脫離本發(fā)明的精神和范圍內(nèi)，當可作各種的更動與潤飾。因 此，本發(fā)明的保護范圍當視權(quán)利要求書所界定者為準。
【主權(quán)項】
1. 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，特征在于，包括以 下步驟： (1) ORBP特征提?。簩D像源樣本進行對比度變換預處理，將梯度方向等分為K份，分 別計算圖像Sobel邊緣下各個方向塊梯度圖；然后根據(jù)方向塊梯度圖水平與垂直方向的累 積響應，生成0RBP特征； (2) 軟級聯(lián)分類器SVM的構(gòu)建：根據(jù)圖像源樣本的0RBP特征，計算所有樣本的響應，找 到正樣本邊界分類對應的閾值與特征向量，然后將待檢測窗口依次送入軟級聯(lián)分類器，通 過當前窗口響應大小來判斷是否屬于目標； (3) 軟級聯(lián)分類器特征訓練：對標定正樣本目標圖像進行正負樣本生成，隨機選取正 負樣本各N個，對樣本進行0RBP特征描述，然后利用構(gòu)建的軟級聯(lián)SVM分類器完成對樣本 特征訓練； (4) 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。2. 如權(quán)利要求1所述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，其 特征在于，所述步驟（1)中0RBP特征提取的具體方法包括以下步驟： (1) 對圖像源樣本進行對比度變換預處理操作，預處理操作包含Gaussian平滑濾波和 對比度歸一化處理； (2) 將梯度方向等分為K份，分別計算Sobel邊緣下各個梯度方向下的梯度幅值，將K 個方向范圍的梯度模長放入對應Μ個子塊矩陣中，生成相應的邊緣方向塊梯度圖； (3) 對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； (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0RBP特征。3. 如權(quán)利要求1所述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，其特 征在于，所述步驟（2)中軟級聯(lián)SVM的構(gòu)建，具體實現(xiàn)包括： (1)計算互相關(guān)特征相似度判定：對圖像源樣本提取0RBP特征，利用互相關(guān)計算特征 間的相似度，根據(jù)歸一化互相關(guān)系數(shù)判定該樣本特征選取是否有效； ，〇、你講，泡/古的+士祕冰叫線性SVM的軟級聯(lián)分類器匕"）：其中^為分類決策平面i的支撐向量，X 對應的i維特征；級聯(lián)分類器在每一級特 征選取時根據(jù)互相關(guān)特征判定其是否有效，然后根據(jù)hk (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hk+1(x); (3)級聯(lián)分類的判定：將待檢測所有窗口依次送入軟級聯(lián)分類器，利用級聯(lián)得到的閾 值和特征對待檢測窗進行窗篩選，當前窗口的響應小于決策閾值時將會認為是非目標，然 后將剩余的窗口進行下一級級聯(lián)分類器判定：若當前窗口響應高于當前級分類器決策閾值 時，則認為當前窗口為目標。4. 如權(quán)利要求1所述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，其特 征在于，所述步驟（3)中，生成正負樣本具體包括： 1) 正樣本生成：對標定的正樣本目標圖像用不同尺度的窗口進行掃描，從目標鄰域附 近選取10個與它距離最近的包圍框，根據(jù)窗口相交面積比的大小判定當前選取的正樣本 是否符合條件； 2) 負樣本生成：正樣本選取的同時，正樣本窗口位置進行上下左右平移，當窗口相交 面積低于一定閾值時認為當前窗口產(chǎn)生的樣本為負樣本，每種尺度同樣產(chǎn)生最多4個位置 窗口作為負樣本。5. 如權(quán)利要求3所述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，其特 征在于，所述互相關(guān)特征相似度判定具體方法為： 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，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：其中，fi表示第i維特征向量，cov(f;，fj)表示特征向量:^與f的協(xié)方差，var(f;)表 示特征向量匕的方差；根據(jù)計算出來互相關(guān)系數(shù)n，若n〈nc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f1+1，需判 斷與當前特征向量集fv..fj的互相關(guān)系數(shù)是否滿足條件。6. -種基于方向梯度二值模式和軟級聯(lián)SVM的實時目標檢測裝置，其特征在于，該裝 置包括： 用于ORBP特征提取的第一模塊，該第一模塊被設(shè)置用于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； 用于構(gòu)建軟級聯(lián)分類器SVM的第二模塊，該第二模塊被設(shè)置成利用互相關(guān)特征相似度 判定該樣本特征選取是否有效，根據(jù)hk (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hk+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； 用于訓練軟級聯(lián)分類器的第三模塊，該第三模塊被設(shè)置成用于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； 用于目標窗口追蹤更新的第四模塊，該第四模塊被設(shè)置成根據(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。7. -種用于實現(xiàn)基于方向梯度二值模式和軟級聯(lián)SVM的實時目標檢測的計算機系統(tǒng)， 其特征在于，該計算機系統(tǒng)包括： 存儲器； 一個或多個處理器； 一個或多個模塊，該一個或多個模塊被存儲在所述存儲器中并被配置成由所述一個或 多個處理器執(zhí)行，所述一個或多個模塊包括下述處理模塊： 用于ORBP特征提取的第一模塊，該第一模塊被設(shè)置用于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； 用于構(gòu)建軟級聯(lián)分類器SVM的第二模塊，該第二模塊被設(shè)置成利用互相關(guān)特征相似度 判定該樣本特征選取是否有效，根據(jù)軟級聯(lián)分類器hk (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hk+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； 用于訓練軟級聯(lián)分類器的第三模塊，該第三模塊被設(shè)置成用于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； 用于目標窗口追蹤更新的第四模塊，該第四模塊被設(shè)置成根據(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。
【專利摘要】本發(fā)明提供一種基于方向梯度二值模式(ORBP)和軟級聯(lián)SVM的實時目標檢測方法，主要解決現(xiàn)有技術(shù)中目標檢測實時性差和魯棒性低問題。方法步驟為：1)方向梯度二值模式特征描述；2)軟級聯(lián)分類器SVM的構(gòu)建；3)軟級聯(lián)分類器的特征訓練；4)目標窗口追蹤更新。本發(fā)明提出的ORBP特征具有旋轉(zhuǎn)、尺度、平移及亮度不變性等多種優(yōu)點，軟級聯(lián)SVM提高復雜場景下目標檢測的魯棒性，目標窗口追蹤提高目標檢測的實時性。本發(fā)明提出的方法可應用于人機交互和智能交通監(jiān)控領(lǐng)域，目標檢測性能優(yōu)異。
【IPC分類】G06K9/62
【公開號】CN105260749
【申請?zhí)枴緾N201510733481
【發(fā)明人】朱偉, 趙春光, 付乾良, 鄭堅, 王壽峰, 馬浩, 張奔, 杜翰宇
【申請人】中國電子科技集團公司第二十八研究所
【公開日】2016年1月20日
【申請日】2015年11月2日