基于连续度的多尺度高分辨图像目标检测方法

摘要

本发明提出了一种基于连续度的目标检测方法，主要解决现有目标检测技术中虚警率高及耗时的问题。其实现步骤为：从50幅正类训练样本中提取基于forstner算子的样本特征；结合样本特征间的空间关系特征构造字典，对字典进行聚类；使用稀疏神经网络训练分类器；输入待检测图像，进行均值滤波与二值化，提取基于突变的感兴趣区域；对感兴趣区域进行多尺度缩放，在每一层上滑动100×40的窗口，将分类器应用到窗口计算活性值，得到活性值分布图；利用邻域抑制和重复部件消除方法，寻找目标活性峰值点；计算目标连续度，根据连续度得到最终目标检测结果。本发明具有检测正确率高、虚警率低、时效性高的优点，可用于大尺度高分辨图像的目标检测与定位。

主权项

一种基于连续度的目标检测方法，包括如下步骤：(1)从网络或视频中获取大小为100×40的正类训练样本和负类训练样本，构成训练样本集合；(2)从正类训练样本集中提取基于Forstner算子的像素块作为正类样本特征，构造样本特征字典，然后对字典进行聚类，得到多类特征子集，并为每一类子集赋予类别标记；(3)计算样本特征之间存在的所有空间关系，该空间关系包括距离和角度，给每种空间关系特征分别赋予类别标记；(4)对步骤(2)得到的正类样本特征，利用稀疏神经网络框架SNOW进行训练，得到分类器；(5)输入任意大小的待检测图像，依次进行均值滤波与二值化处理，得到二值图像；(6)从二值化图像中检测像素灰度连续突变，根据突变提取感兴趣区域ROI：(6a)在一幅二值图像中，用x，y分别表示像素的横纵坐标点，f(x，y)为该坐标点的像素值，按照从下往上，从左到右的方式对二值图像进行扫描，若在点(x，y)处检测到突变点，则f(x，y)为突变点的像素灰度值，坐标点(x，y)为突变行的左端点，在横坐标中继续向右，判断坐标点(x+1，y)处的像素灰度值f(x+1，y)是否与f(x，y)值相同，如此不断往右检测，当检测到连续数量坐标点的像素与f(x，y)不同时，记录此时坐标点(x+k，y)为突变行的右端点；(6b)从突变行右端点的下一个坐标(x+k+1，y)开始，继续检测下一个突变行；(6c)对整幅图像自下而上，自左至右，不断检测突变行，并将突变行上像素标记为1，其余像素标记为0，得到最终突变结果图；(6d)选取突变的长度为宽、突变长度按100∶40的比例缩放得到的长度为高构成的矩形区域，标记为感兴趣区域。(7)对图像中的感兴趣区域进行多尺度缩放，并用一个100×40的窗口在每一层缩放图像上从左至右、从上而下滑窗扫描，将每个扫描窗口中的图像用步骤(2)和步骤(3)得到的样本特征表示为特征矢量，并将该特征矢量输入到步骤(4)得到的分类器中，由分类器输出该窗口图像的目标活性值，并在该缩放尺度的整幅图像上不断滑动窗口，由分类器输出所有滑动窗口的目标活性值，最终得到该层缩放图像的目标活性值分布图；(8)在每一层缩放尺度活性值分布图中，利用邻域抑制和重复样本特征消除法，查找活性值峰值点作为该缩放尺度上的目标点，同时记录目标点所在的缩放尺度上的缩放倍数Ti、该点的横纵坐标Li、Ri，计算目标在多层缩放尺度上的连续度C： C = Σ i = 2 n | T i - T i - 1 | ( n - 1 ) , 其中，Ti表示第i个目标的缩放倍数，n表示连续检测到的目标的个数。(9)根据目标的连续度、在多个缩放尺度上的缩放倍数以及横纵坐标，计算目标在待检测图像中的位置与大小：若在某邻域范围内的多个缩放尺度上检测到目标，目标个数为n，目标连续度C大于0.02，并且个数n大于4，则确定该邻域内存在目标，并用如下公式计算目标在待检测图像中的位置以及宽和高： L = Σ 1 ≤ i ≤ n L i n , R = Σ 1 ≤ i ≤ n R i n W = 100 * n Σ i = 2 n T i , H = 40 * n Σ i = 2 n T i , 其中，L表示目标在待检测图像中横坐标，R表示目标在待检测图像中纵坐标，W表示目标的宽，H表示目标的高。