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；
[0076] 用于目标窗口追踪更新的第四模块，该第四模块被设置成根据软级联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。
[0077] 虽然本发明已以较佳实施例揭露如上，然其并非用以限定本发明。本发明所属技 术领域中具有通常知识者，在不脱离本发明的精神和范围内，当可作各种的更动与润饰。因 此，本发明的保护范围当视权利要求书所界定者为准。
【主权项】
1. 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，特征在于，包括以 下步骤： (1) ORBP特征提取：对图像源样本进行对比度变换预处理，将梯度方向等分为K份，分 别计算图像Sobel边缘下各个方向块梯度图；然后根据方向块梯度图水平与垂直方向的累 积响应，生成0RBP特征； (2) 软级联分类器SVM的构建：根据图像源样本的0RBP特征，计算所有样本的响应，找 到正样本边界分类对应的阈值与特征向量，然后将待检测窗口依次送入软级联分类器，通 过当前窗口响应大小来判断是否属于目标； (3) 软级联分类器特征训练：对标定正样本目标图像进行正负样本生成，随机选取正 负样本各N个，对样本进行0RBP特征描述，然后利用构建的软级联SVM分类器完成对样本 特征训练； (4) 目标窗口追踪更新：根据软级联SVM训练出来的分类器，对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。2. 如权利要求1所述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，其 特征在于，所述步骤（1)中0RBP特征提取的具体方法包括以下步骤： (1) 对图像源样本进行对比度变换预处理操作，预处理操作包含Gaussian平滑滤波和 对比度归一化处理； (2) 将梯度方向等分为K份，分别计算Sobel边缘下各个梯度方向下的梯度幅值，将K 个方向范围的梯度模长放入对应Μ个子块矩阵中，生成相应的边缘方向块梯度图； (3) 对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； (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0RBP特征。3. 如权利要求1所述基于方向梯度二值模式和软级联SVM的实时目标检测方法，其特 征在于，所述步骤（2)中软级联SVM的构建，具体实现包括： (1)计算互相关特征相似度判定：对图像源样本提取0RBP特征，利用互相关计算特征 间的相似度，根据归一化互相关系数判定该样本特征选取是否有效； ，〇、你讲，泡/古的+士祕冰叫线性SVM的软级联分类器匕"）：其中^为分类决策平面i的支撑向量，X 对应的i维特征；级联分类器在每一级特 征选取时根据互相关特征判定其是否有效，然后根据hk (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hk+1(x); (3)级联分类的判定：将待检测所有窗口依次送入软级联分类器，利用级联得到的阈 值和特征对待检测窗进行窗筛选，当前窗口的响应小于决策阈值时将会认为是非目标，然 后将剩余的窗口进行下一级级联分类器判定：若当前窗口响应高于当前级分类器决策阈值 时，则认为当前窗口为目标。4. 如权利要求1所述基于方向梯度二值模式和软级联SVM的实时目标检测方法，其特 征在于，所述步骤（3)中，生成正负样本具体包括： 1) 正样本生成：对标定的正样本目标图像用不同尺度的窗口进行扫描，从目标邻域附 近选取10个与它距离最近的包围框，根据窗口相交面积比的大小判定当前选取的正样本 是否符合条件； 2) 负样本生成：正样本选取的同时，正样本窗口位置进行上下左右平移，当窗口相交 面积低于一定阈值时认为当前窗口产生的样本为负样本，每种尺度同样产生最多4个位置 窗口作为负样本。5. 如权利要求3所述基于方向梯度二值模式和软级联SVM的实时目标检测方法，其特 征在于，所述互相关特征相似度判定具体方法为： 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，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：其中，fi表示第i维特征向量，cov(f;，fj)表示特征向量:^与f的协方差，var(f;)表 示特征向量匕的方差；根据计算出来互相关系数n，若n〈nc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f1+1，需判 断与当前特征向量集fv..fj的互相关系数是否满足条件。6. -种基于方向梯度二值模式和软级联SVM的实时目标检测装置，其特征在于，该装 置包括： 用于ORBP特征提取的第一模块，该第一模块被设置用于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； 用于构建软级联分类器SVM的第二模块，该第二模块被设置成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hk (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hk+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； 用于训练软级联分类器的第三模块，该第三模块被设置成用于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； 用于目标窗口追踪更新的第四模块，该第四模块被设置成根据软级联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。7. -种用于实现基于方向梯度二值模式和软级联SVM的实时目标检测的计算机系统， 其特征在于，该计算机系统包括： 存储器； 一个或多个处理器； 一个或多个模块，该一个或多个模块被存储在所述存储器中并被配置成由所述一个或 多个处理器执行，所述一个或多个模块包括下述处理模块： 用于ORBP特征提取的第一模块，该第一模块被设置用于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； 用于构建软级联分类器SVM的第二模块，该第二模块被设置成利用互相关特征相似度 判定该样本特征选取是否有效，根据软级联分类器hk (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hk+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； 用于训练软级联分类器的第三模块，该第三模块被设置成用于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； 用于目标窗口追踪更新的第四模块，该第四模块被设置成根据软级联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。
【专利摘要】本发明提供一种基于方向梯度二值模式(ORBP)和软级联SVM的实时目标检测方法，主要解决现有技术中目标检测实时性差和鲁棒性低问题。方法步骤为：1)方向梯度二值模式特征描述；2)软级联分类器SVM的构建；3)软级联分类器的特征训练；4)目标窗口追踪更新。本发明提出的ORBP特征具有旋转、尺度、平移及亮度不变性等多种优点，软级联SVM提高复杂场景下目标检测的鲁棒性，目标窗口追踪提高目标检测的实时性。本发明提出的方法可应用于人机交互和智能交通监控领域，目标检测性能优异。
【IPC分类】G06K9/62
【公开号】CN105260749
【申请号】CN201510733481
【发明人】朱伟, 赵春光, 付乾良, 郑坚, 王寿峰, 马浩, 张奔, 杜翰宇
【申请人】中国电子科技集团公司第二十八研究所
【公开日】2016年1月20日
【申请日】2015年11月2日