基于方向梯度二值模式和软级联svm的实时目标检测方法
【技术领域】
[0001] 本发明涉及数字图像处理技术领域，涉及计算机视觉中目标检测和跟踪方法，可 应用于人机交互和智能交通等领域，具体而言涉及一种基于方向梯度二值模式和软级联 SVM的实时目标检测方法。
【背景技术】
[0002] 目标检测是通过计算机信息处理技术自动分析图像从中检测出感兴趣的目标。目 标检测作为图像理解的重要课题，在军事与民用场景中都有广泛应用。在现实场景中，由于 场景背景中含有其他干扰运动物体、光照外部环境变化及目标形态各异且变化较快，给目 标检测带来诸多难题，如何实现高效稳定的目标检测，具有重要的现实研究意义。
[0003] 张天宇在专利"时空多尺度运动目标检测方法"中提出了一种多尺度目标检测 方法，将图像进行分块利用运动区域内最优差分间隔实现目标检测与跟踪，该方法在复 杂场景下鲁棒性低，显著性差异判定准则难以适应多个场景。Zdenek Kalal, Krystian Mikolajczyk等人在"Tracking-Learning-Detection"中提出了一种对视频中单个目标检 测与跟踪方法，利用帧间信息差异将检测与跟踪结合起来，实现对目标样本的在线学习，该 方法提出的中值光流法需要进行目标初始化，跟踪修正固定很难保证与检测器同步。杨艳 爽，蒲宝明在"基于改进SUSAN算法的移动车辆检测"中提出了自适应阈值的SUSAN检测到 车辆目标边界方法，利用直方图变换与霍夫变换结合提取目标连通域，实现对车辆目标与 背景的分离，该方法的实时性较差且在复杂场景中自适应阈值将很难有效完成目标分割。
【发明内容】
[0004] 针对上述现有技术的不足，本发明为解决现有目标检测方法在复杂场景下的鲁棒 性低和实时性差问题，提出一种基于方向梯度二值模式和软级联SVM的实时目标检测方 法，目标检测性能优异且易于工程实现。
[0005] 本发明的上述目的通过独立权利要求的技术特征实现，从属权利要求以另选或有 利的方式发展独立权利要求的技术特征。
[0006] 为了实现上述目的，本发明提供一种基于方向梯度二值模式和软级联SVM的实 时目标检测方法，该方法以软级联支撑向量机SVM为基础，采用基于方向梯度二值模式特 征用以目标特征描述，在进行特征训练时利用检测图像随机位置生成正负样本，最后采用 shi-Tomasi角点检测提取特征点完成目标追踪更新。
[0007] 在一些实施例中，该实时目标检测方法包括以下步骤：
[0008] (I)ORBP特征提取。对图像源样本进行预处理操作，利用Sobel边缘与局部方向梯 度生成ORBP特征。
[0009] (2)软级联分类器SVM的构建。利用互相关特征相似度判定该样本特征选取是否 有效，根据h k(X)计算所有样本的响应，找到正样本边界分类对应的阈值，该级对应的阈值 和特征将会加入到k+Ι级计算响应h k+1 (X);然后将待检测窗口集依次送入软级联分类器， 通过判断当前窗口响应来判断是否属于目标。
[0010] (3)软级联分类器的训练。对标定正样本目标图像进行正样本负样本生成，对样本 进行ORBP特征描述；然后通过SVM训练起始分类器h。(X)，根据起始分类器对样本图像进行 目标检测验证，将负样本重新更新到下一级SVM级联分类器训练中，直至完成最终级联分 类器训练。
[0011] ⑷目标窗口追踪更新。根据软级联SVM训练出来的分类器，对待检测图像 序列进行目标窗口检测，利用shi-Tomasi角点检测方法提取目标窗口的特征点，根据 Median-Flow追踪器判定当前特征点是否为最佳追踪点；然后通过最佳跟踪点计算下一帧 目标窗口预测位置，利用级联分类器的起始分类器进行目标判定，最终输出目标检测窗口。
[0012] 其中，步骤（1)中所述ORBP特征生成包括以下步骤：
[0013] (1)对图像源样本对比度变换预处理，消除环境光照影响，预处理操作包含 Gaussian平滑滤波和Ga_a标准化变换。
[0014] (2)将梯度方向等分为K份，分别计算Sobel竖直方向边缘各个梯度方向下的梯度 幅值，将K个方向区间对应的梯度模长放入M个子块矩阵中，生成相应的边缘方向梯度图。
[0015] (3)对于每个边缘方向梯度图进行水平与垂直方向边缘划分，分别统计水平与垂 直方向累计响应。对于水平方向，上侧累计响应为Hi 1，下侧累计响应为m2;对于垂直方向，左 侧累计响应为m3，右侧累计响应为m 4,如附图2所示。
[0016] (4)根据水平方向上下累计响应与垂直方向左右累计响应大小比较生成ORBP特 征，如附图2所示，生成的ORBP特征含有4种二值形式，在进行特征描述时方向梯度直方图 将转化为对应ORBP形式的一种。
[0017] 其中，步骤（2)中所述互相关特征相似度判定方法详细过程如下：
[0018] 对图像源样本进行ORBP特征提取，任选取一维特征作为初始特征f。，添加其他一 维特征作为第二特征A，计算特征f。与的归一化互相关系数η，归一化互相关系数η的 计算方法如下式：
[0020] 其中表示第i维特征向量，cov (f ;，fj)表示特征向量:^与f_j的协方差，Var(Ifi) 表示特征向量^的方差。根据计算出来互相关系数η，若η〈0.6则判定当前添加特征为 有效，否则判定当前特征为无效，需重新选取任一维特征。若再继续添加任一维特征f 1+1，需 判断与当前特征向量集.. fj的互相关系数是否满足条件。
[0021] 进一步地，为减少特征描述的时间复杂度，该方法在步骤（I)ORBP特征描述中 Sobel边缘只提取竖直方向边缘。
[0022] 进一步地，为了提高样本选取的完备性，该方法在步骤（3)正负样本生成过程中 位置窗口的选取需要满足：从目标邻域附近选取10个与它距离最近的包围框，每种尺度下 最多选取4个位置窗口作为正负样本。
[0023] 有益效果：本发明提出基于方向梯度二值模式和软级联SVM的实时目标检测方法 以解决目标检测的鲁棒性低和实时性差问题，采用方向梯度二值模式为特征描述子，提高 特征描述对复杂场景背景与光照变化的鲁棒性；同时以自适应特征选择构建软级联SVM多 级分类阈值，利用随机正负样本训练分类器并对目标窗口进行追踪，软级联减少目标窗口 筛选，窗口追踪提高多帧序列检测的稳定性与实时性。与其他同类目标检测算法相比，本发 明提出的方法鲁棒性强和实时性好，目标检测性能优异。
[0024] 应当理解，前述构思以及在下面更加详细地描述的额外构思的所有组合只要在这 样的构思不相互矛盾的情况下都可以被视为本公开的发明主题的一部分。另外，所要求保 护的主题的所有组合都被视为本公开的发明主题的一部分。
[0025] 结合附图从下面的描述中可以更加全面地理解本发明教导的前述和其他方面、实 施例和特征。本发明的其他附加方面例如示例性实施方式的特征和/或有益效果将在下面 的描述中显见，或通过根据本发明教导的【具体实施方式】的实践中得知。
【附图说明】
[0026] 附图不意在按比例绘制。在附图中，在各个图中示出的每个相同或近似相同的组 成部分可以用相同的标号表示。为了清晰起见，在每个图中，并非每个组成部分均被标记。 现在，将通过例子并参考附图来描述本发明的各个方面的实施例，其中：
[0027] 图1是根据本发明某些实施例的基于方向梯度二值模式和软级联SVM的实时目标 检测方法的流程图。
[0028] 图2是根据本发明某些实施例的ORBP特征生成示意图。
[0029] 图3是根据本发明某些实施例的多目标检测示意图。
[0030] 图4是根据本发明某些实施例的复杂场景下目标检测示意图。
【具体实施方式】
[0031] 为了更了解本发明的技术内容，特举具体实施例并配合所附图式说明如下。
[0032] 在本公开中参照附图来描述本发明的各方面，附图中示出了许多说明的实施例。 本公开的实施例不必定意在包括本发明的所有方面。应当理解，上面介绍的多种构思和 实施例，以及下面更加详细地描述的那些构思和实施方式可以以很多方式中任意一种来实 施，这是因为本发明所公开的构思和实施例并不限于任何实施方式。另外，本发明公开的一 些方面可以单独使用，或者与本发明公开的其他方面的任何适当组合来使用。
[0033] 结合图1所示，根据本发明的实施例，基于方向梯度二值模式和软级联SVM的实时 目标检测方法包括以下步骤：
[0034] 1.方向梯度二值模式（ORBP)特征描述
[0035] I. 1对图像源f(x, y)样本对比度变换预处理，预处理操作包含Gaussian平滑滤波 和归一化处理，这里图像归一化操作采用的是Ga_a标准化变换：
[0036] f(x,y) = ln(f(x,y)+l)
[0037] I. 2将梯度方向[-π /2, π /2]等分为9个区间，分别计算Sobel竖直边缘