CN104200236A - 基于dpm的快速目标检测方法 - Google Patents

Abstract

本发明提供了一种基于DPM的快速目标检测方法，步骤如下：一，导入已经训练好的目标检测分类器；二，通过摄像头读取视频，获取一帧图像；三，利用基于BING的objectness测量方法，产生可能含有目标的区域；四，计算图像HOG特征金字塔；五，针对上述检测出的区域进行DPM检测，对产生的每一个区域的特征金字塔前N层逐像素处理，计算根滤波器得分、部件滤波器得分、形变花费，最终形成一个窗口得分，如果这个得分大于事先设定的阈值，则把该点记录下来，如此循环到第N层；六，利用非极大值抑制算法，用矩形框标出检测的物体；七，重复步骤三至六，处理下一帧视频，直到视频结束。本发明为目标检测降低了搜索范围，并且利用look-up-table，加速了HOG特征计算。

Description

基于DPM的快速目标检测方法

技术领域

本发明涉及基于目标检测的图像分析技术领域，具体涉及一种基于DPM的快速目标检测方法。

背景技术

目标检测是计算机视觉中，重要的一个研究方向，是进一步分析目标的基础，在此基础上，可以对目标跟踪、行为分析等等。目前，目标检测在学术上有许多模型，其中可形变部件模型(deformable part models，简称DPM)是最近两年最为流行的图像中物体检测模型，由于能准确地检测出目标而受到欢迎，是公认的最好目标检测算法。

可变形部件模型(DPM)由三部分组成：(1)一个较为粗糙的、覆盖整个目标的全局根模版(或叫做根滤波器)；(2)几个高分辨率的部件模版(或叫做部件滤波器)；(3)部件模版相对于根模版的空间位置。

该方法依据检测窗口的得分判断是否含有待检测的目标，而检测窗口的得分是根滤波器的分数加上各个部件滤波器的分数的总和，每个部件滤波器的分数是此部件滤波器的各个空间位置得分的最大值，每个部件滤波器的空间位置得分是部件滤波器在该子窗口上滤波器的得分减去变形花费。

objectness测量是为了检测出可能含有目标的区域，提高目标检测的准确率。一个非常好的objectness测量可以加快目标检测的速度，其需要满足以下几个条件：

1、较高的检测率；

2、尽可能少的疑似目标区域；

3、较高的计算效率；

4、具有可扩展性。

如上所述，现有的可形变部件模型(DPM)目标检测方法虽然能准确检测出待检测目标，在一序列挑战中，取得了较好成绩，但是消耗的时间较高，一般很难直接用到实际产品中。而objectness测量的优点是较高地检出率，具有可扩展性，达到实时性，缺点是所用的学习方法比较简单，产生的较多的区域。因此有必要提供一种新的检测方法，即先进行objectness测量，然后针对可能含有的目标区域进行基于DPM的快速傅立叶目标检测，即ODDPM。

发明内容

本发明克服了上述现有技术中存在的不足，提出了一种具有实时性优点的基于DPM的快速目标检测方法。

本发明的技术方案是这样实现的：

一种基于DPM的快速目标检测方法，用于视频图像分析，所述方法包括以下步骤：

步骤1：导入已经训练好的目标检测分类器；

步骤2：通过摄像头读取视频，获取一帧图像；

步骤3：利用基于BING的objectness测量方法，产生可能含有目标的区域；

步骤4：计算图像HOG特征金字塔；

步骤5：针对步骤3检测出的区域进行DPM检测，对步骤3产生的每一个区域的HOG特征金字塔前N层逐像素处理，计算根滤波器得分、部件滤波器得分、形变花费，最终形成一个窗口得分，如果这个得分大于某个阈值，则把该点记录下来，如此循环到第N层；

步骤6：利用包围合预测和非最大值抑制，用矩形框标出检测的物体；

步骤7：重复步骤3、4、5、6，处理下一帧视频，直到视频结束。

优选地，所述步骤5中最终形成窗口得分的计算公式如下：

$\begin{array}{c}\mathrm{score}(p_0,...,p_n)=\\ \underset{i=0}{\overset{n}{\mathrm{\Σ}}}{F}_i^{\′}\·\mathrm{\φ}(H,p_i)-\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{d}_i\·{\mathrm{\φ}}_d({\mathrm{dx}}_i,{\mathrm{dy}}_i)+b,\end{array}---\left(1\right)$

优选地，在所述步骤4中，利用look-up-table计算图像HOG特征金字塔，以加速特征计算。

采用了上述技术方案的本发明的有益效果是：

本发明提供的基于DPM的快速目标检测方法针对objectness测量的缺点，学习方法采用随机森林代替SVM，有效地减少了可能含目标区域的个数，为目标检测降低了搜索范围，并且利用look-up-table，加速了HOG特征计算。另外，针对基于可形变部件模型DPM算法耗时较大的缺点，针对计算根滤波器、部件滤波器得分时提出ODDPM快速傅立叶变换算法，做到实时性，从而有效地运用到工程上。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其它的附图。

图1是本发明基于DPM的快速目标检测方法的流程图。

具体实施方式

本发明的具体实施方式如下：

实施例：下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其它实施例，都属于本发明保护的范围。

首先，在描述本发明的基于DPM的快速目标检测方法之前，先重点描述一下目标检测算法的过程：

含有n个部件的目标模型可以形式上定义为一个(n+2)元组：(F0,P1,...,Pn,b)，F0是根滤波器，Pi是第i个部件的模型，b是表示偏差的实数值。每个部件模型用一个三元组定义：(Fi,vi,di)，Fi是第i个部件的滤波器；vi是一个二维向量，指定第i个滤波器的锚点位置(anchor position，即未发生形变时的标准位置)相对于根的坐标；di是一个四维向量，指定了一个二次函数的参数，此二次函数表示部件的每个可能位置相对于锚点位置的变形花费(deformation cost)。

每个目标假设都指定了模型中每个滤波器在特征金字塔中的位置：z＝(p0,...,pn)，其中pi＝(xi,yi,li)表示第i个滤波器所在的层和位置坐标。我们这里需要每个部件所在层的特征分辨率都是根滤波器所在层的特征分辨率的两倍，即li层特征是l0层特征的分辨率的两倍，并且li＝l0–λ(i>0)。目标假设的得分等于每个滤波器在各自位置的得分(从数据来看)减去此位置相对于根位置的变形花费(从空间来看)再加上偏差值：

$\begin{array}{c}\mathrm{score}(p_0,...,p_n)=\\ \underset{i=0}{\overset{n}{\mathrm{\Σ}}}{F}_i^{\′}\·\mathrm{\φ}(H,p_i)-\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{d}_i\·{\mathrm{\φ}}_d({\mathrm{dx}}_i,{\mathrm{dy}}_i)+b,\end{array}---\left(1\right)$

其中，

(dx_i，dy_i)＝(x_i，y_i)-(2(x₀，y₀)+v_i)         （2)

给出了第i个部件相对于其锚点位置的位移：(x0,y0)是根滤波器在其所在层的坐标，为了统一到部件滤波器所在层需乘以2。vi是部件i的锚点相对于根的坐标偏移，所以2(x0,y0)+vi表示未发生形变时部件i的绝对坐标(锚点的绝对坐标)。

Fi′是第i个滤波器，H是HOG特征，Pi是第i个滤波器的位置，Φ(H,Pi)是HOG权重向量。

而

φ_d(dx，dy)＝(dx，dy，dx^2，dy²)          (3)

是变形特征(水平、垂直位移及其平方)。如果di＝(0,0,1,1)，则第i个部件的变形花费就是它实际位置与锚点位置距离的平方。通常情况下，变形花费是位移的任意可拆分二次函数。

引入偏差值是为了在将多个模型组成混合模型时，使多个模型的得分具有可比性。目标假设z的得分可以表示成点积的形式：β·ψ(H,z)，β是模型参数向量，ψ(H,z)是特征向量，如下：

β＝(F′₀，...，F′_n，d₁，...，d_n，b).          (4)

$\begin{array}{c}\mathrm{\Ψ}(H,z)=(\mathrm{\φ}(H,p_0),...\mathrm{\φ}(H,p_n),\\ -{\mathrm{\φ}}_d({\mathrm{dx}}_1,{\mathrm{dy}}_1),...,-{\mathrm{\φ}}_d({\mathrm{dx}}_n,{\mathrm{dy}}_n),1).\end{array}---\left(5\right)$

这就将模型和线性分类器联系起来了，我们使用隐藏变量SVM(LSVM)来学习模型参数。

具体地，参考图1，本发明基于DPM的快速目标检测方法包括如下步骤：

步骤1：导入已经训练好的目标检测分类器；

步骤2：通过摄像头读取视频，获取一帧图像；

步骤3：利用基于BING的objectness测量方法，产生可能含有目标的区域；

步骤4：利用look-up-table计算图像HOG特征金字塔，以加速特征计算；

步骤5：针对步骤3检测出的区域进行DPM检测，对步骤3产生的每一个区域的HOG特征金字塔前N层逐像素处理，计算根滤波器得分、部件滤波器得分、形变花费，最终形成窗口得分为：

$\begin{array}{c}\mathrm{score}(p_0,...,p_n)=\\ \underset{i=0}{\overset{n}{\mathrm{\Σ}}}{F}_i^{\′}\·\mathrm{\φ}(H,p_i)-\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{d}_i\·{\mathrm{\φ}}_d({\mathrm{dx}}_i,{\mathrm{dy}}_i)+b,\end{array}---\left(1\right)$

如果这个得分大于事先设定的阈值，则把该点记录下来，如此循环到第N层；

步骤6：利用非最大值抑制算法，用矩形框标出检测的物体；

步骤7：重复步骤3、4、5、6，处理下一帧视频，直到视频结束。

与现有技术相比，本发明提供了一种基于DPM的快速目标检测方法，此方法优点在于：(1)利用look-up-table，加速了HOG特征计算；(2)利用基于BINGobjectness测量，过滤了不含目标区域，加速了检测过程；(3)针对基于可形变部件模型(DPM)算法耗时较大的缺点，提出ODDPM快速傅立叶变换算法，做到实时性，从而有效地运用到工程上。

本发明优选实施例只是用于帮助阐述本发明。优选实施例并没有详尽叙述所有的细节，也不限制该发明仅为所述的具体实施方式。显然，根据本说明书的内容，可作很多的修改和变化。本说明书选取并具体描述这些实施例，是为了更好地解释本发明的原理和实际应用，从而使所属技术领域技术人员能很好地利用本发明。本发明仅受权利要求书及其全部范围和等效物的限制。以上公开的仅为本申请的几个具体实施例，但本申请并非局限于此，任何本领域的技术人员能思之的变化，都应落在本申请的保护范围内。

Claims (3)

1.一种基于DPM的快速目标检测方法，用于视频图像分析，其特征在于：所述方法包括以下步骤：

步骤1：导入已经训练好的目标检测分类器；

步骤2：通过摄像头读取视频，获取一帧图像；

步骤3：利用基于BING的objectness测量方法，产生可能含有目标的区域；

步骤4：计算图像HOG特征金字塔；

步骤5：针对步骤3检测出的区域进行DPM检测，对步骤3产生的每一个区域的HOG特征金字塔前N层逐像素处理，计算根滤波器得分、部件滤波器得分、形变花费，最终形成一个窗口得分，如果这个得分大于事先设定的阈值，则把该点记录下来，如此循环到第N层；

步骤6：利用非极大值抑制算法，用矩形框标出检测的物体；

步骤7：重复步骤3、4、5、6，处理下一帧视频，直到视频结束。

2.根据权利要求1所述的基于DPM的快速目标检测方法，其特征在于，所述步骤5中最终形成窗口得分的计算公式如下：

$\begin{array}{c}\mathrm{score}(p_0,...,p_n)=\\ \underset{i=0}{\overset{n}{\mathrm{\Σ}}}{F}_i^{\′}\·\mathrm{\φ}(H,p_i)-\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{d}_i\·{\mathrm{\φ}}_d({\mathrm{dx}}_i,{\mathrm{dy}}_i)+b,\end{array}---\left(1\right).$

3.根据权利要求1所述的基于DPM的快速目标检测方法，其特征在于，在所述步骤4中，利用look-up-table计算图像HOG特征金字塔，以加速特征计算。