>在改写优化方程后，利 用牛顿迭代法计算优化方程的全局最优解。
[0038] (6)为了优化比率函数，我们假设EA(y) =P(y)_XQ(y)，其中λ是迭代优 化变量，我们提出一种基于牛顿迭代的优化算法，具体的算法步骤为：首先选择初始 的y值（可以为〇值），然后计算初始迭代变量1。= R(y。）。设置迭代优化式yk+1 = argminy(EA(y))，Ak+1=R(yk+1)，直到A k= Akl，输出最优解y*。算法伪代码如下所示：
[0040] (7)在获得最优解后，对于每张输入图像:?，选取解Xli ]最大的区域作为图像定位 结果，而对于约束项vi小于阈值的输入图像，则作为无关样本排除。
【附图说明】
[0041 ] 图1是本发明的流程图；
[0042] 图2是本发明中生成对象性检测区域示意图；
[0043] 图3是本发明中对象区域分析以及全连接结构示意图；图3(a)表示输入图像，图 3 (b)表示简历全连接图结构，图3 (c)表示输出判定结果；
[0044] 图4是本发明在公共数据集上的检测效果图；图4(a)为检测成功的图片示例，图 4(b)为判定失败的图片示例。
【具体实施方式】
[0045] 下面结合附图对本发明作详细说明。
[0046] 参阅图1本发明的过程示意图，本发明的总体目标在于提出了一种图像对象共定 位及无关样本判定方法。给定包含同一类别对象的输入图片集，方法不需要人工的手动标 注，也不需要冗长的训练过程。最终结果是能很好地定位出输入图像中同一类别的物体。总 体的步骤分为（1)生成对象检测区域，获取每个区域的对象性检测得分。（2)计算区域特征 以及区域显著度。（3)根据特征距离矩阵、区域对象性得分以及区域显著度构建全连接的图 结构。（4)以比率能量函数形式表达图结构。（5)迭代优化得到最优解。（6)排除无关样本 选择最优区域作为输出结果。
[0047] 参阅图2本发明的对于对象假设区域生成过程示意图。对于输入图像集合 I = { 丨，每张图片左生成K个假设区域，同时每张图像获得区域对象性检测得 分。获得区域后使用高层语义特征B0W来表达每个区域，并计算每个区域之间的特征距离。 在得到两两区域之间特征距离后，建立关于区域的全连接关系图谱。
[0048] 参阅图3本发明的对象区域全连接结构示意图。如图3所示，黑色加粗边框的区 域表示包含物体的区域，而非加粗边框区域则表示无关样本区域。为了有效地识别包含物 体区域和无关样本区域，需要统筹检测任意两个区域之间的相似度，同时监测每张图像上 所有区域的总有效性。我们选择使用比率能量函数的形式：
[0050] 式子中Μ是常量式子，X与v的定义如上文所述，/办)=+w表示区域约束 项，保证区域置信度最大，
图片整体约束项，保证整体置信度平衡。比率函数可 以对所有的区域进行统筹规划。优化过程中采取了基于牛顿迭代的比率函数优化算法，运 行效率高，可以有效获取全局最优解。
[0051] 其中，图3中（a)部分表示输入图像集合，对图像集合生成对象显著检测区域；从 图3(a)到图3(b)的过程是构建特征联系图，图3(b)表示一个全连接的特征图结构，顶点 表示各个显著检测区域，而边则表示各个区域之间的特征距离。我们通过最优化比率函数 的方法对所有特征进行统筹分析，选取最优划分。最终对每个图像得到如图3(c)所示的检 测结果图。
[0052] 参阅图4本发明的实验测试效果图。如图4所示，（a)为检测成功的图片示例，（b) 为判定失败的图片示例我们在公共图像数据集V0C2007上测试了方法，在总共六个类别的 图片集上均获得了较好的检测效果，同时我们的平均检测准确率比起传统的方法获得了 提高，且减少了运行参数，算法有着更好的鲁棒性能。
[0053] 本发明在保证图像对象共定位的效果好的基础上，框架简单且易于实现，执行时 空效率高。提出并实现了基于牛顿迭代的比率函数优化算法，解决了共定位区域无关样本 的自动处理问题，提高了共定位效果。本发明自动程度高，减少了用户交互。
[0054] 以上所述仅为本发明的一些基本说明，依据本发明的技术方案所做的任何等效变 换，均应属于本发明的保护范围。
【主权项】
1. 一种图像对象共定位及无关样本判定方法，其特征在于包括如下步骤： (1) 输入可能包含同一类物体的图片集； (2) 对给定的图片集进行对象性分析，生成对象区域集合； (3) 对于区域集合生成高层语义特征以及显著图； (4) 生成区域特征后，对特征矩阵进行分析，构建全连接的图结构关系； (5) 构建比率能量函数对连通图进行统筹规划，构建优化方程； (6) 利用牛顿迭代法计算优化方程的全局最优解； (7) 选取每张图片的得分最高的区域作为最终的共定位结果。2. 根据权利要求1所述的图像对象共定位及无关样本判定方法，其特征在于：步骤（2) 中的对图片集进行对象性分析及生成对象区域集合采取以下步骤： (2. 1)针对每一张，使用对象性检测得到K个可能包含对象的假设区域； (2. 2)假设区域均以小于或等于原图尺寸的矩形区域表示，特征包含区域的长、宽，每 个区域位于图像中的位置，其中以左上角为原点；以及每张图像的对象性检测得分。3. 根据权利要求1所述的图像对象共定位及无关样本判定方法，其特征在于：步骤（3) 中的对假设区域集生成高层语义特征以及显著图采取以下步骤： (3. 1)对图像集合所有图像的每个像素点均生成128维的dense sift特征，后利用 Kmeans算法生成1000维的特征字典； (3. 2)针对每一个区域，根据特征字典生成1000维的bag-of-words特征直方图； (3. 3)对图像集合所有图像均生成显著分析图； (3. 4)针对每一个区域，计算区域平均灰度值得到对象显著性得分。4. 根据权利要求1所述的图像对象共定位及无关样本判定方法，其特征在于：步骤（4) 中的对特征矩阵进行分析，构建全连接的图结构关系包含以下步骤： (4. 1)对于生成的特征矩阵，对于两两特征向量计算特征距离，构成距离矩阵D ;同时 根据每个假设区域的对象性得分和显著性得分，计算得到所有区域总得分，构成向量U，向 量U由对象性检测得分Φ和显著性检测得分a构成； (4. 2)根据距离矩阵和区域得分，构建一个全连接的图结构，以区域得分项作为顶点惩 罚值（unary cost)，以区域距离作为边惩罚值（pairwise cost)，表达为一个最小化优化方 程式，对于所有区域的最终解为0到1之间的小数；对于单张图片中所有的区域的解之和， 加以一个约束向量，同时将约束向量也作为自变量加入优化方程式中。5. 根据权利要求4所述的图像对象共定位及无关样本判定方法，其特征在于：步骤 (4. 2)中的对最小化优化方程式的构建具有以下特征： 对于优化过程，采取比率函数形式来对图结构进行表达，同时为了较好的排除无关样 本影响，引入了对于最终解的约束项；比率函数的分子项为图结构表达项，分母项则是无关 样本约束项。6. 根据权利要求1所述的图像对象共定位及无关样本判定方法，其特征在于：步骤（6) 中的利用牛顿迭代法计算优化方程的全局最优解包含以下步骤： 将步骤（5)中构建完成的待优化的比率函数重构为一般的线性优化函数，后利用牛顿 迭代法进行迭代优化求最优解。7. 根据权利要求1所述的图像对象共定位及无关样本判定方法，其特征在于：步骤（7) 中的选最终的共定位结果包含以下步骤： (7. 1)将求解的最终区域集合总得分小于阈值的图片作为无关样本排除； (7. 2)选取每张图片的得分最高的区域作为最终的共定位结果。
【专利摘要】本发明涉及一种图像对象共定位及无关样本判定方法，包括以下步骤：输入可能包含同一类物体的图片集，对给定的图片集进行对象性分析，生成对象区域集合；对于区域集合高层语义特征；生成区域特征后，对特征矩阵进行分析，构建全连接的图结构关系；构建比率能量函数对连通图进行统筹规划，构建优化方程，并将每张图片的区域得分限制在0到1之间；利用牛顿迭代法计算优化方程的全局最优解，得到每一张图片的每一个区域的最终得分；根据划分阈值，将区域集合总得分小于阈值的图片作为无关样本排除；选取每张图片的得分最高的区域作为最终的共定位结果。本发明在多类别图像对象协同检测方面有良好的表现，可应用于图像数据库管理，图像对象识别等领域。
【IPC分类】G06T7/00
【公开号】CN105354826
【申请号】CN201510643147
【发明人】陈小武, 李甲, 王晨, 赵沁平, 张宇
【申请人】北京航空航天大学
【公开日】2016年2月24日
【申请日】2015年10月4日