基于样本块的图像目标计数方法
【技术领域】
[0001 ] 本发明设及一种基于样本块的图像目标计数方法（曰口口1'〇义：1111曰1617 3口曰'3；[17- conshained example-based visual object counting,A沈-V0C)，属于图像处理技术领 域。
【背景技术】
[0002] 基于图像的目标计数方法是用于计算单幅图像或者视频流中感兴趣目标的数量。 运是种在现实生活中高度需求的计数技术，可W用来统计显微镜图像里细胞的个数、野外 生物数量、街道或商场的行人数量，也可用于交通监测和人群区域活动分析。
[0003] 最传统的目标计数方法是通过检测目标来统计个数。运种方法在目标重叠较多、 目标出现很密集的时候效果很差，因此实用性不强。
[0004] 现有主流的目标计数方法分成两大类:一类是基于全局回归的计数，另一类是基 于目标密度图估计的计数。前者通过提取一些传统的人工特征，将其融合并做特征选择等 特征处理工作后，学习运个特征和其对应的真实数量(通过样本标记)之间的映射。运类方 法的缺陷在于：1.依赖于人工特征的提取;2.需要很大的训练量来保证学习到的映射的有 效性。
[0005] 基于目标密度图估计的计数是通过人工标记的样本生成图像的密度图，通过累积 密度图像素值之和得到要求的数量。其中和基于全局回归的方法类似，也需要求单个像素 特征到像素的映射。其相比基于全局回归的计数需要的训练量少一些，但依然不小。
[0006] 现实生活中，考虑到对未知的新场景做目标计数时，人工标注训练样本是非常费 时费力的，一般情况下训练样本都会很少。面对运种情况，上面两类方法的性能都有很严重 的下降。另外，特征的选择和提取也是个令人头疼的问题。
【发明内容】
[0007] 为了解决使用少量标注样本依旧能做精确的目标计数的问题，本发明提出一种基 于样本块的图像目标计数方法。它是基于目标密度图估计的，但不同于往常的通过计算映 射函数来求密度图，本发明使用从少量训练样本中采集的图像块来估计密度图。鉴于本方 法是通过对图像块的泛化来估计密度图，因此需求的样本量会很少。
[000引本发明提出的方法是基于局部线性嵌入的相关理论，即通过相关的观察，假设图 像块形成的流形空间和图像块对应的密度图形成的流形空间共享相似的局部几何结构。通 过运个有相关统计学支持的假设，我们可W通过样本图像块和输入的测试图像块求出该测 试图像块的局部几何结构，所W测试图像块对应的密度图可用样本图像块对应的密度图保 留求得的局部几何结构来重构。最终通过求得的密度图可W算出测试图像中感兴趣目标的 数量。该方法包括如下步骤：
[0009] a)输入一张测试图片X，用固定大小的滑动窗口（窗口大小:4X4,滑动距离:2)从 中提取图像块XU，即XU是从X中提取出第(i，j)个图像块。
[0010] b)从训练样本集帥基于相似度现慢函数D(.)、特征提取器f (.)和Κ近邻算法选择 和Xij最相似的Κ个图像块构成候选块字典％ =挺1，於。，...，;化J。运些候选块对应的密度图 构成的字典呆
[0011] C)使用正交匹配追踪算法求解公式
[0012]
[0013] 求得最终选择的样本和对应样本使用的权重。
[0014] (1)根据公式：砖=0^^求得图像块化对应的密度图鸣。将砖煎置到《对应密度图 Xd的对应位置。若XU是X中最后一个图像块则进行下一步骤，否则跳转步骤a)。
[0015] e)计算出测试图像X中感兴趣目标数量
[0016] 本发明的有益效果在于:相较于主流方法需要几百、几千张训练图像进行学习，本 方法只要几张或十几张训练图像就能得出相似或更高的计数精度(表1和表2)。本发明的方 法在MAE、MSE上和主流方法相比接近或者更低，MAE或Μ沈值越低说明计数精度越高。并且本 方法不需要设计或挑选复杂的人工特征，只使用灰度图或简单的前景特征就好。另外本方 法对图像的分辨率较鲁棒，在低分辨视频流或图像上依然能获取很高的计数精度。
[0017] 表1.统计细胞数量，WMAE指标评估算法性能 「00181
[0019] (1)密集SIFT采样+词袋模型；（2)密集SIFT采样；（3)原始像素值(从蓝色通道中提 取)。
[0020] 表2.统计行人数量，WMAE和MSE指标评估算法性能
[0021]
[0022] (1)融合特征(线段特征+内部边缘特征+纹理特征）；（2)累积属性(在特征（1)的基 础上做了特征编码）；
[0023] (3)前景特征。
【附图说明】
[0024] 图1.包含感兴趣目标的图像(左）和其对应生成的密度图（右）：（a)细胞图像；（b) 来自公开数据集Mall的行人图像;（C)来自公开数据集UCSD的行人图像。
[0025] 图2.本发明提出方法的流程图。
[0026] 图3.本方法合成的密度图效果(细胞）：（a)原始细胞图；（b)使用高斯核生成的密 度图；（c)Lempitsky的基于目标密度估计方法产生的密度图；（d)本发明方法产生的密度 图。
[0027] 图4.本方法合成的密度图效果(行人）：（a)原始行人监测图像；（b)差分图（前景特 征）；（C)使用高斯核生成的密度图；（d)本发明方法产生的密度图。
[0028] 图5.不同相似度测量方法对本方法计数精度的影响：左图是平均绝对误差(mean absolute error,MAE),右图是平均均方误差(mean square error,Μ沈）。上图是使用不同 大小的训练集和测量方式，通过五次交叉验证得出结果。
【具体实施方式】
[0029] 下面结合附图和【具体实施方式】对本发明作进一步详细描述。
[0030] 1.密度图生成方法
[0031] 密度图是根据人对训练图像感兴趣目标的标注按照一定的原理自动生成的。通过 密度图计数一般比标注的数量略少，但显得更加真实，因为在图像或视频边缘部分出现的 目标算成整数实际上不是很合适。图像块训练集Υ和其对应的密度图训练集yd生成方式如 下：
[0032] 1)给定N张训练图像Ii，l2,…，In。对于每张训练图像Ii(iy如），所有的感兴趣 目标都使用2维点标注出其具体位置(一般标注在目标形状的重屯、上，理论上标注在目标 形状内即可），运些2维点集合运里标记成Pi。因此对于Ii中的每一个像素 p(pEli)而言，其 对应的真实目标密度函数可W定义为基于标注点的2维高斯核的累积。用公式可W表示为：
[0033]
[0034] 其中P是Pi种的一个标注点的位置，δ是控制2维高斯核平滑程度的参数，本发明设 置为3。
[0035] 2)根据1)中的公式，训练图像Ii的真实密度图巧可W定义为
[0036]
[0037] 3)根据2)中生成的密度图，Ii中的感兴趣目标数量c(Ii)可W通过累加密度图每个 像素值得到
[00；3 引
[0039] 对于每幅训练图像Il，ie{l，2，…，N}，使用固定大小的滑动窗口（窗口大小:4X 4,滑动距离:2)从中提取图像块。图像块构成训练集合-y =沙1，扔y?]从e ΠΤ")。相对应 的，使用同样的滑动窗口，从训练图像生成的密度图巧，i E {1，2，…，N}中提取相应的密度 图图像块，其构成训练集合yd =沙^|娩...,34}。实际处理时，4X4大小的图像块通常拉伸成 16X1的列向量处理。
[0040] 2.输入图像块在样本集合中捜索最相似的K个样本时，需要考虑相似度测量函数 的定义。本发明中采用了下面Ξ