专利名称：一种运用最大子图的基于局部模型的物体检测方法
技术领域：
本发明属于计算机视觉技术领域，更具体地，涉及一种运用最大子图的基于局部模型的物体检测方法。
背景技术：
在这个信息量呈指数级增长的信息时代中，我们需要面对海量的视觉信息(视频、图片等)，运用计算机视觉技术从这些视觉信息中分析和提取出我们想要的信息变得越来越重要。物体检测方法，是从输入的图像中判定是否有某种物体并找出它的位置，输出图像中的物体种类和位置信息。作为计算机视觉技术中非常重要并且应用性很强的一部分，物体检测方法正飞速发展。物体检测从上世纪60年代开始起步，一直有着稳定的进步和发展，近20年，随着计算机视觉基础技术的不断进步，物体检测方法实现了爆发式的发展。在视频监控、商品检索、各类自动化设备、人机互动等等应用中，物体检测发挥着巨大的作用， 并且得到了越来越多的关注。然而，现有计算机视觉领域中的物体检测方法存在两大缺点第一是鲁棒性差，第二是检测的准确率低。
发明内容
针对现有技术的缺陷，本发明的目的在于提供一种运用最大子图的基于局部模型的物体检测方法，该方法的鲁棒性强，并且检测准确率高。为实现上述目的，本发明提供了一种运用最大子图的基于局部模型的物体检测方法，包括以下步骤(I)接收训练图像并提取图像的图像块，训练图像的数量为m个，每幅训练图像中提取出的图像块为r个；(2)根据提取的图像块构建有权图；(3)计算有权图中的权重aM，其中P和q为任意两个图像块；(4)设置图像块计数器1 = 1，即从第I个图像块开始；(5)判断条件I ( r是否满足，如果满足，则继续进行步骤(6)，当不满足时跳到步骤(9)；(6)根据有权图和图像块计数器构建最大子图问题并解这个问题；(7)存储最大子图；根据步骤(6)得到的一系列最大子图的权重，挑选出权重最大的最大子图，把它的顶点选择情况X*存入Q (I)中，即Q (I) = {P」IX* = 1}，其中Pj为图像块，Q(I)即为图像块计数器为I时选择的图像块情况；(8)设置I = 1+1并返回步骤(5);即设置新的必选顶点，构建最大子图问题，然后求解，并把结果也存入Q (I)中；(9)根据I个最大子图结果，实现图像块的匹配，得到图像块集合Q ={Q(D,... Q(r)}和它们的匹配权重 W= (Wd),. . . ,Kr)}；
(10)基于匹配图像块的结果选择显著部分；(11)运用基于局部的物体检测模型训练分类器；(12)输入测试图像，得到结果。步骤(2)具体为把提取的所有图像块当成顶点、图像块的相似度当成权重构建一个有权图G= (V，E，e)。其中，V是顶点集，即上一步提取出的η个图像块，并且V ={、···，υη}, η是图像块的数目，且n = ;Ε是边集，并且￡ C VX P，即表示E中的每一个元素为V中的一个顶点和V中的另一个顶点的关系；e是边集E的权重函数。步骤(6)包括以下子步骤(6-1)表示有权图中的顶点选择情况，具体为，从顶点集V中提取子集T来构建子图Gt，这里用X e {0,1}η来表示顶点的选择情况，当X = I时表示选择这个顶点为子集T的一部分，O则相反，且X= (x1； ... , xn) e {0，1}η，即选取的顶点必须在原图中；(6-2)根据顶点选择情况构建子图权重函数，子图Gt的总权重为f(GT) =Σ peT,qeTA(p, q)，即包含的所有顶点间关系权重的和，表达成二次形式就是f(x) = xTAx ；(6-3)设定必选顶点集U,必选顶点集为U= {1} ,U中的元素为找出的子图必须包含的顶点，即必选顶点。这里U= {1}，即必选第I个图像块；(6-4)找出顶点间的互斥集合M，其由多个小的互斥集合Mb构成，互斥集合Mk表示图k中的顶点不能被同时选中，即M =[S,k = I,…，m}，其中s =U，. . .，η}是顶点集V的编号；(6-5)设定最大顶点数等于m，即限制最终选出的子图包含的顶点个数不能大于m ；(6-6)将上述子步骤(6-1)到(6-5)的条件合并，以构建最大子图问题；(6-7)基于以上步骤求解这个最大子图问题；步骤(6-7)包括以下子步骤(6-7-1)初始化t = 1，初始化所有粒子令...Cjfrt等于必选顶点U ；(6-7-2)判断条件 K ( σ 1 (I t~l)) U··· U κ ( σ Ν (I t~l))古 O 并且 t ^ m 是否满足，如果满足，则继续进行步骤(6-7-3)，否则，跳到步骤(6-7-12); K ( (1 t))为能与O iQ t)已选顶点共存的图顶点的序号集，K ( O J(1 t)) = S\( O iQ :t) U mutex( O iQ t))，即κ ( (1 :t))包含了所有顶点S中，既没有在？(1 t)中，也不在mutexOid t))中的顶点集，条件κ ((^(1 :t_l)) U…U κ (oN(l:t-l))古O即表示并非所有粒子都找不到不能与已选顶点共存的顶点；(6-7-3)从第I个粒子开始，即设置i = I ;(6-7-4)判断条件i彡N是否满足，如果满足，则继续进行步骤(6-7-5)，否则跳到步骤(6-7-10)；(6-7-5)判断条件κ (Oi(IA-I))古O是否满足，如果满足，则继续进行步骤(6-7-6)，否则，跳到步骤(6-7-8)；(6-7-6)重要性采样(6-7-7)重要性评估根据上一步的预测情况依据
=烈分配重要性权重，跳到步骤(6-7_9)。
(6-7-8)保留粒子即当没有能与已选顶点共存的顶点时，令
权利要求
1.一种运用最大子图的基于局部模型的物体检测方法，其特征在于，包括以下步骤 (1)接收训练图像并提取图像的图像块，训练图像的数量为m个，每幅训练图像中提取出的图像块为r个； (2)根据提取的图像块构建有权图； (3)计算有权图中的权重aM，其中P和q为任意两个图像块； (4)设置图像块计数器1= 1，即从第I个图像块开始； (5)判断条件I< r是否满足，如果满足，则继续进行步骤(6)，当不满足时跳到步骤(9)； (6)根据有权图和图像块计数器构建最大子图问题并解这个问题； (7)存储最大子图；根据步骤(6)得到的一系列最大子图的权重，挑选出权重最大的最大子图，把它的顶点选择情况X*存入Q (I)中，即Q⑴={P」IX* = 1}，其中Pj为图像块，Q⑴即为图像块计数器为I时选择的图像块情况； (8)设置I= 1+1并返回步骤(5);即设置新的必选顶点，构建最大子图问题，然后求解，并把结果也存入Q(I)中； (9)根据I个最大子图结果，实现图像块的匹配，得到图像块集合Q={Q(l), -Q(r)}和它们的匹配权重W= {ff(l), . . . ,ff(r)}； (10)基于匹配图像块的结果选择显著部分； (11)运用基于局部的物体检测模型训练分类器； (12)输入测试图像，得到结果。
2.根据权利要求I所述的物体检测方法，其特征在于，步骤(2)具体为把提取的所有图像块当成顶点、图像块的相似度当成权重构建一个有权图G= (V，E，e)。其中，V是顶点集，即上一步提取出的η个图像块，并且V= (U1,... υη}，η是图像块的数目，且n = m*r ;E是边集，并且￡ c Yx F，即表示E中的每一个元素为V中的一个顶点和V中的另一个顶点的关系；e是边集E的权重函数。
3.根据权利要求I所述的物体检测方法，其特征在于，步骤(6)包括以下子步骤 (6-1)表示有权图中的顶点选择情况，具体为，从顶点集V中提取子集T来构建子图GT，这里用X e {0,1}η来表示顶点的选择情况，当X = I时表示选择这个顶点为子集T的一部分，O则相反，且X= (x1； ... , xn) e {0，1}η，即选取的顶点必须在原图中； (6-2 )根据顶点选择情况构建子图权重函数，子图Gt的总权重为f (Gt) =EpeT,qeTA(p,q)，即包含的所有顶点间关系权重的和，表达成二次形式就是f(x) = xTAx ； (6-3)设定必选顶点集U,必选顶点集为U = {I}, U中的元素为找出的子图必须包含的顶点，即必选顶点。这里U= {1}，即必选第I个图像块； (6-4)找出顶点间的互斥集合M，其由多个小的互斥集合Mb构成，互斥集合Mk表示图k中的顶点不能被同时选中，即厦=(M1,...,MmIMk ￡ s,k = I,…,m}，其中s = {I,···,η}是顶点集V的编号； (6-5)设定最大顶点数等于m，即限制最终选出的子图包含的顶点个数不能大于m; (6-6)将上述子步骤(6-1)到(6-5)的条件合并，以构建最大子图问题； (6-7)基于以上步骤求解这个最大子图问题；
4.根据权利要求3所述的物体检测方法，其特征在于，步骤(6-7)包括以下子步骤(6-7-1)初始化t = I,初始化所有粒子令…Crfw等于必选顶点U ；(6-7-2)判断条件K (0^1 t-D) U…U K (σΝ(1 :t_l))关O并且t彡m是否满足，如果满足，则继续进行步骤(6-7-3)，否则，跳到步骤(6-7-12);K ( (1 t))为能与σ^Ι t)已选顶点共存的图顶点的序号集，κ (σ^Ι t)) =S\(oi(l t) Umutexhiad))，即κ (σ\ :t))包含了所有顶点S中，既没有在Oi(Ut)中，也不在mutexhia :t))中的顶点集，条件K (σ 1Q t-l)) U…U κ(σΝ(1 :t_l))古O即表示并非所有粒子都找不到不能与已选顶点共存的顶点； (6-7-3)从第I个粒子开始，即设置i = I ; (6-7-4)判断条件i彡N是否满足，如果满足，则继续进行步骤(6-7-5)，否则跳到步骤(6-7-10)； (6-7-5)判断条件K (σ iQ t-l))古O是否满足，如果满足，则继续进行步骤(6-7-6)，否则，跳到步骤(6-7-8)； (6-7-6)重要性采样 (6-7-7)重要性评估根据上一步的预测情况依据w ( )) =分配重要性权重，跳到步骤(6_7_9)。
(6-7-8)保留粒子即当没有能与已选顶点共存的顶点时，令=1￥{χσ(ιβ) =1:|)，继续进行步骤(6-7-9)。
(6-7-9)设置i = i+1并返回步骤(6-7-4)； (6-7-10)重采样参照粒子滤波的重采样步骤根据权重从￡1 ,...,0中采样出替代的N个新粒子，归一化权重，把粒子集设为{々叫,X货 (6-7-11)设置t = t+Ι并返回步骤(6-7-2)； (6_7-12)输出结果(4丨4#…以及粒子的权重，每一个粒子-4l(W就是一组选择的顶点序号，即表示一个满足强限制条件的最大子图。
5.根据权利要求I所述的物体检测方法，其特征在于，步骤(10)包括以下子步骤 (10-1)基于部分集合构建有权图并设定权重； (10-2)基于有权图构建最大子图问题并求解； (10-3)基于最大子图提取显著部分。
6.根据权利要求I所述的物体检测方法，其特征在于，步骤(11)具体为首先为每个部分训练一个线性SVM分类器，定义为SVM(Qv)，正样本为Qv包含的Kh个块，负样本为随机得到的背景及物体窗口，把通过训练得到的分类器用来扫描图像，得到分错程度最高的硬样本，把这些硬样本加入到负样本集中去，这样重复若干次上述步骤，得到最终的分类器SVM(Qv)，然后，运用基于局部的物体检测方法中的星型模型来得到各显著部分的空间分布，物体判别分数为各部分分数加上位置分数，其中，部分滤波器为上一步的SVM(Qv)，位置分数为各部分位置偏移量，参考的基准位置为各部分离物体中心的距离，用这些信息训练一个潜在信息SVM分类器，作为最终的分类器。
全文摘要
本发明公开了一种运用最大子图的基于局部模型的物体检测方法，包括接收训练图像并提取图像的图像块，根据提取的图像块构建有权图，计算有权图中的权重，根据最大的子图结果，实现图像块的匹配，得到图像块集合和它们的匹配权重，基于匹配图像块的结果选择显著部分，运用基于局部的物体检测模型训练分类器，输入测试图像，得到结果。本方法的特征是鲁棒性强，并且检测准确率高。
文档编号G06K9/66GK102819753SQ20121024843
公开日2012年12月12日 申请日期2012年7月17日 优先权日2012年7月17日
发明者白翔, 王兴刚, 申辰, 刘文予 申请人:华中科技大学