一种适用于目标识别的物体预测区域优化方法

摘要

本发明公开了一种适用于目标识别的物体预测区域优化方法，该方法通过对物体预测区域膨胀，然后进行图像分割，接着进行超像素包围盒计算和超像素显著性评价，最后基于超像素的滑窗搜索，最终得到优化后的物体预测区域。本发明通过控制超像素的尺寸可以增大图像分割的尺度，从而降低超像素的搜索范围，因此本算法的时间复杂度较小，只与图像中超像素的数目有关；由于超像素中的像素具有一致性，且对局部边缘的分割更好，因此相比于单一像素点，将超像素作为滑窗搜索的基本元素可以产生更好的定位效果；本发明可以有效降低搜索区域，从而加速传统基于像素点的滑窗搜索算法；另外，通过级联本发明的方法，可以提高现有目标识别算法对目标的识别精度。

主权项

一种适用于目标识别的物体预测区域优化方法，其特征在于，包括以下步骤：1)物体预测区域膨胀：对预测区域进行膨胀，使膨胀后的区域能够包含完整的物体，进而对物体进行精确定位；2)图像分割：选取包含目标的图像作为待处理图像，应用SLIC算法将图像分割为多个超像素，超像素尺寸为其中M表示图像包含的像素总数，N表示超像素的总数目；对于任一超像素，其特征与当前超像素内像素特征之间的欧氏距离小于与其他超像素内像素特征之间的欧氏距离；超像素互不重合，且有唯一的标记信息i(i＝0,1,2,…N‑1)；其中，任一超像素的特征表示为(l,a,b,x,y)，其中l,a,b表示CIELAB颜色空间的值，x,y表示距图像中心的位置；3)超像素包围盒计算：选取i＝0所对应的超像素区域x_i，计算x_i中所有像素点横坐标的最小值作为包围盒的左边界，最大值作为包围盒的右边界；同理，计算x_i中所有像素点纵坐标的最小值作为包围盒的上边界，最大值作为包围盒的下边界；依次遍历N个超像素，得到所有超像素对应的包围盒；4)超像素显著性评价：对图像中的每一超像素进行显著性评价；5)基于超像素的滑窗搜索：从步骤3得到的所有超像素的包围盒边界出发，得到滑窗左上角和右下角顶点分布的位置集合；采用不同长宽比下的滑窗在图像中的不同位置进行搜索，滑窗左上角和右下角顶点的位置应从对应集合中选取，而非按像素移动；对于当前滑窗，滑窗响应表示为当前窗口所包含的超像素显著性的和，最大响应对应的滑窗即为优化后的物体预测区域。