專利名稱：基于部件結構模型的目標檢測與識別方法
技術領域：
本發明涉及多媒體圖像視頻檢索系統技術領域。更確切的說，本發明涉及用于圖 像和視頻中目標檢測與識別系統。
背景技術：
目標檢測與識別是計算機視覺中最具挑戰性的任務之一。如何解決目標在受尺度 變換、視角變換、光照、遮擋、背景干擾等影響下準確的檢測并定位識別出目標是一項挑戰。 目前，各種信息媒體得到了迅猛的發展，比如電視，廣播，網絡，無線通訊等。這些信息媒體 中每天都充斥著大量的信息。如何對這些信息進行有效的管理和監控以保證信息安全正逐 步得到進一步重視。基于部件結構模型的目標檢測與識別系統就是為了滿足信息安全領域 敏感圖片和視頻的監控要求的。大部分目標檢測與識別采用整體目標的訓練方式，忽略了目標的各個部件以及部 件之間的空間位置關系。或者采用較為復雜的網狀空間關系模型對部件進行約束，增加了 算法的訓練復雜度。或者訓練樣本的各個部件位置由手工標注產生，為訓練和識別過程增 加了人工干擾因素。基于梯度方向直方圖的目標檢測算法，采用手工標注方式獲得目標的整體位置， 提取目標的梯度方向直方圖特征，采用SVM訓練分類器以實現目標的檢測識別與定位。該 方法未考慮目標各個部件的因素及目標各個部件之間的空間位置關系，同時特征提取過程 中未考慮不同模塊大小的特征。
發明內容
(一)要解決的技術問題有鑒于此，本發明的主要目的在于能夠給出目標的各個部件以及目標各個部件之 間的空間位置關系、減少算法的訓練復雜度、減少人工干擾因素，為此而提供一種基于部件 結構模型的目標檢測與識別方法，以解決現有技術不能給出目標的各個部件以及目標各個 部件之間的空間位置關系、算法的訓練復雜度、有人工干擾因素問題。( 二 )技術方案為達到上述目的，本發明提供一種基于部件結構模型的目標檢測與識別方法，該 方法包括步驟如下步驟Sl 采用積分直方圖提取目標整體以及目標各個部件內不同模塊大小的梯 度方向直方圖特征，所述不同模塊的長寬和長寬比例變動范圍由目標及目標各個部件大小 確定；步驟S2 根據提取的特征，分別對目標整體以及目標各個部件訓練，生成boost級 聯分類器，級聯分類器中的弱分類器由梯度方向直方圖特征向量的每一個方向成員構成；步驟S3 采用半監督的訓練方式，由手工標注方式確定目標的位置，而目標各個 部件的位置由訓練目標整體boost級聯分類器過程中所挑選出的區分能力較強的若干弱
3分類器所在模塊的位置確定；步驟S4 根據獲得的目標整體和目標各個部件的位置，采用星型結構訓練目標整 體以及目標各個部件之間的空間關系模型；步驟S5 用boost級聯分類器分別檢測目標整體和目標各個部件，得到目標整體 以及目標各個部件檢測代價圖，然后利用距離變換以及目標各個部件之間的相對位置關系 實現目標的檢測與識別定位。本發明的有益效果本發明區別于以上的現有技術，本發明是提出了一種將部件結構模型與級聯分類 器相結合的半監督目標檢測與定位識別算法。本發明能夠給出目標的各個部件以及部件之 間的空間位置關系、減少了算法的訓練復雜度、減少了人工干擾因素。與以往算法相比本發 明提出的算法進一步提高了目標檢測與定位識別的精度，同時在目標受尺度變換、視角變 換、光照、遮擋、背景干擾、形變等影響下對目標準確的檢測并定位識別出目標，具有良好的 效果。
圖1是本發明中目標檢測與識別流程圖，包括訓練過程和識別過程兩部分。圖2a、圖2b和圖2c是本發明部件檢測的結構模型，圖示分別為整個級聯分類器、 級聯分類器第一級和第二級最具有分類特性的前六個弱分類器所在模塊。圖3a、圖北、圖3c、圖3d、圖!Be和圖3f是本發明算法對行人、自行車、飛機、人臉 等目標檢測結果——精度召回率曲線。
具體實施例方式下面結合附圖詳細說明本發明技術方案中所涉及的各個細節問題。應指出的是， 所描述的實施例僅旨在便于對本發明的理解，而對其不起任何限定作用。如圖1示出本發明一種新的目標檢測與識別方法的流程圖，該方法將部件結構模 型和級聯分類器相結合，采用半監督訓練方式，能夠在目標具有遮擋、背景干擾以及變形的 情況下準確的檢測并識別定位出目標。本發明可用于圖像和視頻中目標檢測與識別系統。 本發明主要有如下五個特征一是采用積分直方圖提取目標整體以及目標各個部件內不同 模塊大小的梯度方向直方圖特征，所述不同模塊的長寬和長寬比例變動范圍由目標及目標 各個部件大小確定；二是根據提取的特征，分別對目標整體以及目標各個部件訓練，生成 boost級聯分類器，級聯分類器中的弱分類器由梯度方向直方圖特征向量的每一個方向成 員構成；三是采用半監督的訓練方式，由手工標注方式確定目標的位置，而目標各個部件的 位置由訓練目標整體boost級聯分類器過程中所挑選出的區分能力較強的若干弱分類器 所在模塊的位置確定；四是根據獲得的目標整體和目標各個部件的位置，采用星型結構訓 練目標整體以及目標各個部件之間的空間關系模型；五是用boost級聯分類器分別檢測目 標整體和目標各個部件，得到目標整體以及目標各個部件檢測代價圖，然后利用距離變換 以及目標各個部件之間的相對位置關系實現目標的檢測與識別定位。本發明可廣泛應用于 多媒體圖像視頻處理領域。本發明主要包括四個模塊一是積分直方圖的建立和特征的快速提取過程；二是
4訓練目標整體和目標各個部件的級聯分類器，三是訓練目標整體和目標各個部件之間的空 間關系模型；四是目標檢測與識別定位過程。下面分別加以詳細說明。積分直方圖的建立和特征的快速提取。本發明采用梯度方向直方圖作為基本特 征，分別計算九個方向上像素梯度方向的分布情況。為了加速特征的提取過程，采用積分圖 像的方式。具體實現過程如下，首先計算圖像中每個象素點的梯度方向和模值，并把梯度方 向投影到具體的方向上，分別建立每個梯度方向的積分圖像，九個方向共有九個積分圖像。 其次通過積分圖像得到在原圖像中每個模塊內各個方向的梯度特征，然后對每個模塊內梯 度方向直方圖特征進行歸一化處理。模塊大小由8*8像素連續增加至48*48像素，像素增 加量分別為4、6和8，模塊長寬比例分別為1 1、1 2和2 1。對于各個模塊，計算2*2 子模塊的特征形成總的特征并歸一化，特征維數為36維。對于48*48的模塊區域，共計得 到189個子模塊，特征總數為36*189。訓練目標整體和目標各個部件的級聯分類器。首先訓練目標整體的級聯分類器。 設定級聯分類器每一級的最低檢測率和最高誤檢率，根據確定的參數值0. 9975和0. 5對目 標整體以及目標各個部件訓練生成級聯分類器。級聯分類器的弱分類器由特征向量的每一 個成員構成。在訓練每一級的弱分類器的過程中，挑選區分能力較強、信息含量較多的特征 作為弱分類器。級聯分類器每一級弱分類器的個數由事先設定的參數確定。在每一級訓練 過程中，當挑選完一個弱分類器后，檢測當前的強分類器在滿足事先設定的最低檢測率的 情況下最高誤檢率是否滿足要求，若不滿足要求，繼續挑選若分類器形成強分類器，直到參 數條件滿足為止。在下一級分類器訓練過程中，負樣本的選取過程如下，用訓練好的前幾級 分類器檢測那些不含目標的樣本，通過檢測(誤檢)的添加進負樣本庫中。在目標整體級聯分類器訓練完成后，依次訓練目標各個部件的級聯分類器。目標 各個部件的初始位置由訓練目標整體級聯分類器過程中所挑選出的區分能力較強的若干 弱分類器所在模塊的位置確定。在此模型中，目標的部件個數根據具體需要識別的目標選 為6。先根據確定的目標各個部件位置分別訓練目標各個部件的初始化級聯分類器，然后利 用訓練出的目標各個部件的級聯分類器在訓練樣本上重新檢測定位出目標各個部件新的 位置，再根據目標各個部件新的位置重新訓練目標各個部件的級聯分類器。重復此過程六 次后得到最終目標各個部件的級聯分類器。圖2a、圖2b和圖2c是目標各個部件的結構模 型，分別為各個部件整個級聯分類器、級聯分類器第一級和第二級最具有分類特性的前六 個弱分類器所在模塊。訓練目標和目標各個部件之間的空間關系模型。目標整體和目標各個部件之間的 關系采用星型結構，即以目標整體為中心，目標各個部件相對于目標整體的位置關系采用 高斯模型。設G= (V，E)表示星型結構圖(V表示圖的頂點集合，E表示圖的邊集合)，其由 中心節點\和非中心節點Vi (i興r)構成(r表示圖中中心節點的序號，i表示圖中除去中 心節點外所有非中心節點的序號)，所有非中心節點之間彼此獨立。S = Is1,...，sn}表示 空間關系模型的參數(1. . . η表示圖中節點的序號)，其中\表示中心節點的空間關系模型 參數，Si表示其它非中心節點相對于中心節點的空間關系模型參數。L= (I1,..., IJ表示 各個節點的位置，其中L表示中心節點的位置，Ii表示其它非中心節點的位置，那么中心節 點和非中心節點之間的空間關系可用以下條件分布來描述
權利要求
1.一種基于部件結構模型的目標檢測與識別方法，其特征在于，將部件結構模型和級 聯分類器相結合的半監督目標檢測與定位識別算法，該方法的實現步驟如下步驟Sl 采用積分直方圖提取目標整體以及目標各個部件內不同模塊大小的梯度方 向直方圖特征，所述不同模塊的長寬和長寬比例變動范圍由目標及目標各個部件大小確 定；步驟S2 根據提取的特征，分別對目標整體以及目標各個部件訓練，生成boost級聯分 類器，級聯分類器中的弱分類器由梯度方向直方圖特征向量的每一個方向成員構成；步驟S3 采用半監督的訓練方式，由手工標注方式確定目標的位置，而目標各個部件 的位置由訓練目標整體boost級聯分類器過程中所挑選出的區分能力較強的若干弱分類 器所在模塊的位置確定；步驟S4:根據獲得的目標整體和目標各個部件的位置，采用星型結構訓練目標整體以 及目標各個部件之間的空間關系模型；步驟S5 用boost級聯分類器分別檢測目標整體和目標各個部件，得到目標整體以及 目標各個部件檢測代價圖，然后利用距離變換以及目標各個部件之間的相對位置關系實現 目標的檢測與識別定位。
2.根據權利要求1所述的基于部件結構模型的目標檢測與識別方法，其特征是，所述 提取特征的步驟是，首先分別建立每個梯度方向的積分圖像，通過積分圖像得到在原圖像 中每個模塊內各個方向的梯度特征，然后對每個模塊內梯度方向直方圖特征進行歸一化處 理。
3.根據權利要求1所述的基于部件結構模型的目標檢測與識別方法，其特征是，所述 目標各個部件內的不同模塊大小由8*8像素連續增加至48*48像素，像素增加量分別為4、 6和8，所述模塊長寬比例分別為1 1、1 2和2 1。
4.根據權利要求1所述的基于部件結構模型的目標檢測與識別方法，其特征是，所述 生成boost級聯分類器，首先確定級聯分類器每一級的最低檢測率和最高誤檢率，然后根 據確定的參數值對目標整體以及目標各個部件訓練生成級聯分類器。
5.根據權利要求1所述的基于部件結構模型的目標檢測與識別方法，其特征是，所述 半監督訓練方式的步驟如下步驟31 在訓練生成目標整體級聯分類器后，利用此級聯分類器挑選出若干最具有區 分能力的弱分類器所在的模塊，這些模塊所在的位置形成了目標各個部件的初始位置；步驟32:訓練目標各個部件的級聯分類器，然后利用訓練出的目標各個部件的級聯分 類器重新檢測定位出目標各個部件新的位置，再根據目標各個部件新的位置重新訓練目標 各個部件的級聯分類器；步驟33 重復此過程六次后得到最終目標各個部件的級聯分類器。
6.根據權利要求1所述的基于部件結構模型的目標檢測與識別方法，其特征是，所述 目標是以目標整體為中心，目標各個部件相對于目標整體的位置關系采用高斯模型。
7.根據權利要求1所述的基于部件結構模型的目標檢測與識別方法，其特征是，在檢 測過程中采用距離變換的方式并結合空間關系模型最終定位目標以及目標的各個部件。
全文摘要
基于部件結構模型的目標檢測與識別方法，采用積分直方圖提取目標以及目標各個部件內不同模塊大小的梯度方向直方圖特征；分別對目標以及目標各個部件訓練生成boost級聯分類器，級聯分類器中的弱分類器由梯度方向直方圖特征向量的方向成員構成；采用半監督訓練方式，由手工標注方式確定目標的位置，而目標各個部件的位置由訓練目標整體級聯分類器過程中所挑選出的區分能力較強的若干弱分類器所在模塊的位置確定；采用星型結構訓練目標以及目標各個部件之間的空間關系模型；用boost級聯分類器分別檢測目標以及目標各個部件得到部件檢測代價圖，然后利用距離變換以及目標各個部件之間的相對位置關系實現目標的檢測與識別定位。
文檔編號G06F17/30GK102142078SQ20101010675
公開日2011年8月3日 申請日期2010年2月3日 優先權日2010年2月3日
發明者夏曉珍, 張樹武, 梁偉 申請人:中國科學院自動化研究所