一种基于视觉一致性约束的图像目标分类方法
【技术领域】
[0001] 本发明涉及的是一种图像目标分类方法，具体地说，涉及的是一种基于视觉一致 性约束的图像目标分类方法。
【背景技术】
[0002] 目前，智能图像监控由于其广阔的应用范围吸引了大量的关注。在图像监控技术 中，自动目标检测与分类已经成为智能监控系统的一项主要任务。当前的图像监控系统，虽 然数量庞大、清晰度越来越高，但除了卡口、闸机等能够近距离有约束取像的场所，可以进 行有效的车牌检测识别、人脸检测识别应用外，其他大量道路等室外监控视频系统，因为成 像角度、距离、光照等难以有效约束，仍然存在图像目标难以精确、鲁棒地检测和分类识别 问题，导致图像监控系统的应用效能难以有效发挥。因此，监控图像目标的准确分类成为当 前一个具有挑战性的任务。
[0003]国内外的研宄者在目标的检测领域，做出了大量卓有成效的工作。近年来，大量的 研宄工作从判别性特征提取和分类器模型设计等角度来解决目标分类问题。根据分类器训 练手段的不同，可以把检测模型分为两大类：一类是基于各种全局或局部判别性特征的统 计模型，包括利用人工选取的特征和机器学习到的特征，如目前最为关注的深度学习模型； 一类是基于范例（Exemplar，也有文献称为实例，Instance，本文统称为范例）等的相似性 认知模型（简称范例模型）。
[0004] 基于判别性特征的统计检测模型。目前统计模型在目标检测中处于主流地位，大 多数的模型都属于统计学习模型。该类模型基于目标人工选取或者机器学习到的、具有一 定尺度、角度、光照不变性的一个特征或多个判别性特征，进行模板统计训练，然后进行候 选区域与目标模板的匹配检测。用于目标检测的判别性特征，包括外观等底层特征、全局 与局部等混合特征、机器学习到的特征等。底层特征指的是基本的图像特征，如颜色、纹 理、梯度、形状等于直观视觉特征和其对应的简单统计特征。主要的统计特征包括Navneet Dalai和BillTriggs等在CVPR2005 的文献"Histogramsoforientedgradientsfor humandetection" 中提出的H0G(HistogramofOrientedGradient)特征，Ojala等在 文献〃Multiresolutiongray-scaleandrotationinvarianttextureclassification withlocalbinarypatterns〃提出的LBP(LocalBinaryPattern)特征，DavidLowe 在 2004 年文献"Distinctiveimagefeaturesfromscale-invariantkeypoints" 提 出的尺度不变特征（SIFT)，Wu等 2011 年在文献"CENTRISTSVisualDescriptorfor SceneCategorization" 提出的CENTRIST(CENsusTRansformhISTogram)方法，文献 "Evaluatingbag-〇f-visual-wordsrepresentationsinsceneclassification" 给出 的Bag-of-visual-words模型，以及Bay等在SIFT的基础上做了部分改进得到了SURF特 征（文献"SURF:Speededuprobustfeatures"），其主要通过引入Hessian矩阵以及运用 积分图的思想基本实现了图像中目标匹配的实时化处理，在目标检测识别领域得到了广泛 的运用。
[0005] SIFT、SURF、LBP和HOG等的直方图特征，虽然在目前的目标检测算法中被广泛用 来进行目标的可靠表征。这类方法，都致力于学习更为鲁棒的、能够容忍大量类内特征变化 的目标分类检测器。但是，这种以刚性的类别属性作为区分量度的检测方法，很容易受到每 类目标在视觉上的不一致性的影响，导致检测识别性能大幅下降甚至完全失效。而这种视 觉不一致性，在监控图像中更为显著：实际的监控应用系统中，成像条件往往复杂多变，目 标视觉特征将会因为视角差异、光照效应、目标形变、遮挡等而剧烈变化，导致同类目标严 重的视觉不一致。
[0006] 基于相似性认知的范例检测模型。认知学的研宄（文献"MosheBar,The proactivebrain:usinganalogiesandassociationstogeneratepredictions.TRENDS inCognitiveSciences,Vol.llNo. 7,June2007"）表明，大脑对于新事物的识别一个看〃 它像什么〃的问题，而不是直接分类判断〃它是什么〃的问题。我们是通过和它最像的物体 的信息来得知它是什么。最近几年，以范例为出发点、基于相似性认知的目标检测识别方法 引起了学术界的广泛关注。不同于基于类别的方法，基于范例的方法通过对正样本的特殊 处理，来避免视觉不一致的问题，因此基于单一或多个范例表示的目标检测技术在这些年 得到了大力的发展。其核心思想对训练集中的检测样例，每一个都训练自己的分类器，综合 所有的一类目标的分类器实现对于该类目标的检测（文献"李强，基于范例度量学习的物 体检测，硕士学位论文，华中科技大学，武汉，2013年")。Malisiewicz等人在文献"Ensemble ofexemplar-svmsforobjectdetectionandbeyond"借鉴了局部范例学习的思想，通过 使用SVM分类器来寻找范例特征的最佳分类投影方向。该文作者认为传统类属SVM不能有 效地处理正样本训练集内的巨大变化，尤其是与范例不相似的正样本会严重影响类属SVM 分类器的投影方向。因此，他们设计了以单一范例为中心的ESVM(Exemplar-SVMS)分类器， 试图仅仅从负样本中学习范例特征的最佳分类投影方向。
[0007] 虽然以范例为主的相似认知检测方法能够注重单一目标范例的个性特征，但却存 在对不同范例之间共性特征重视不够的问题，同一类别的目标往往因类内个体的千差万别 产生数目众多的范例，如果对范例逐一建模，将使分类复杂性的大大增加，从而导致分类效 能低下。
【发明内容】
[0008] 本发明针对现有技术中存在的上述技术问题，提供一种基于视觉一致性约束的图 像目标分类方法，有效地解决了图像类内目标视觉不一致导致的分类精度和鲁棒性不足问 题。
[0009]