CN102831445B - 基于语义Hough变换和偏最小二乘法的目标检测方法 - Google Patents

Abstract

基于语义Hough变换和偏最小二乘法的目标检测方法，涉及计算机视觉技术。首先利用训练集建立图像块的特征向量、语义特征向量与图像块类别和投票偏移向量之间的回归模型，然后将待检测图像中的每个图像块的特征向量和语义特征向量代入回归模型，找出类别为正的图像块并产生投票、形成Hough图像，最后在Hough图像中找出投票密度的局部极大值点作为检测结果，完成目标检测。

Description

基于语义Hough变换和偏最小二乘法的目标检测方法

技术领域

本发明涉及计算机视觉技术，具体涉及一种基于语义Hough变换和偏最小二乘法的目标检测方法。

背景技术

计算机视觉最初于上世纪60年代从数字图像处理领域分离出来，成为一个独立的研究方向，并早已广泛地应用于航空航天、自动导航、工业检测、医学研究、临床诊治、安全监控和跟踪、国防、交通、遥感等诸多重要领域中。其中，目标检测，尤其是与人相关的检测，是与各种实际应用联系非常紧密的关键技术。以城市居民每天都必须参与其中的公共交通为例，全球每年有逾百万人在交通事故中丧生，但准确而快速的行人检测技术能及时发现处于车辆撞击范围内的行人，帮助和提醒司机、特别是疲劳驾驶的司机及时采取制动措施，从而能够在一定程度上减少交通事故发生的次数，挽救无辜的生命。因此，对计算机视觉中的目标检测技术进行深入研究，不断提高检测的准确率，具有重要的现实意义。

当前，计算机视觉领域中目标检测的方法基本都采用滑动窗口和广义Hough变换两种方案，这两种方案在本质上是等价的，但在具体实施过程中所涉及到的问题有着较大差异。

在滑动窗口方案中，通常将目标检测看作一个分类问题，首先设计出一种能够较好地描述目标的特征，然后在正负训练样本中分别将这种特征提取出来，用以训练得到分类器；再将分类器作用于测试图像，把测试图像的特征进行分类以确定其中的目标和非目标。但是，滑动窗口方案所采用的全局描述子对于遮挡情况很不鲁棒。有一些改进的方法人为地将目标分成几个组成部分（如“行人”这种目标可以分成头、手臂、躯干和腿等几个部分），但这种划分通常是启发式的。而广义Hough变换方案由于采用了局部特征投票的方式，对于遮挡情况有一定的鲁棒性，又避免了人为划分部分的问题。

广义Hough变换最初由Ballard等人（Ballard,D.H.,Generalizing the Hough transform todetect arbitrary shapes.Pattern recognition,1981，13(2)：111-122）提出，用于在图像中检测任意形状的图形。目前，将广义Hough变换应用于目标检测的主要有B.Leibe等（Leibe,B.,A.Leonardis,and B.Schiele,Robust object detection with interleaved categorization andsegmentation.International Journal of Computer Vision,2008.77(1):p.259-289）提出的隐式状模型和J.Gall等（Gall,J.and V.Lempitsky.Class-specific hough forests for object detection.inCVPR.2009:Ieee.p.1022-1029.）提出的Hough森林两种。其基本思路为，在训练时抽取目标上的图像块或特征点并以某种方式进行聚类，形成码本，同时记录每个特征点相对于各自目标中心的偏移向量。当进行目标检测时，抽取测试图片中的特征点并送到码本中匹配，根据所匹配到的码本项找出偏移向量并据此进行投票，最后找出投票最集中、票数最多的区域，即是目标位置。

广义Hough变换方案是否有效的关键，在于码本的准确性，也即能否较准确地建立图像块的特征与图像块投票向量之间的映射关系，使得图像块较正确地向可能的目标中心位置投票。上述的隐式形状模型方法是通过聚类来生成码本，但聚类算法通常较大程度地依赖于一个阈值，它将影响整个聚类过程的多个环节，如每个类的大小、类的数量等。而在Hough森林方法中，码本以随机森林的形式存在，森林中每棵树的深度和节点停止分裂的条件等也是算法所依赖一些重要参数。这些阈值和参数的设定通常没有太多理论依据，只能依据经验或反复实验来选取。当阈值和参数的数量越多时，选择合适的值难度就越大，难以产生最好的效果。

发明内容

本发明的目的在于提供一种基于语义Hough变换和偏最小二乘法的目标检测方法。

本发明包括以下步骤：

A.准备训练样本集（x_0i，x_1i，x_2i，……，x_mi，d_i，y_i），i=1，……，N，N为训练样本数，N为自然数，x_0i表示训练样本对应的特征向量，每个训练样本是一个图像块，取自感兴趣的目标上的图像块是正样本，取自其它图像的是负样本，y_i表示样本类别：

x_ji（j=1，……，m）表示与x_0i相关的包含上下文信息的m个语义特征向量，从训练样本图像块及其周围的图像块提取，m为自然数；d_i表示训练样本x_0i在图像中的坐标与其所属目标的中心坐标之间的偏移向量；

B.将训练样本的特征向量组合作为预测矩阵X₀＝(x₀₁,x₀₂，...,x_0N)^T，各个训练样本的m个语义特征向量组合作为m个预测矩阵X_j＝(x_j1，x_j2，...,x_jN)^T(j＝1,2，...,m)，将训练样本的类别组合作为响应矩阵Y₁＝(y₁,y₂，...,y_N)^T，利用偏最小二乘法求出回归系数矩阵Bl₀,Bl₁，...,Bl_m，得出m+1个类别估计回归方程：

$y=\frac{1}{N}\underset{i=1}{\overset{N}{\mathrm{\Σ}}}{y}_i+{\mathrm{Bl}}_j^T(x-\frac{1}{N}\underset{i=1}{\overset{N}{\mathrm{\Σ}}}{x}_{\mathrm{ji}}),j=\mathrm{0,1},...,m;$

C.将训练样本与其所属目标的中心坐标之间的偏移向量组合作为响应矩阵Y₂＝(d₁,d₂,...,d_N)^T，利用偏最小二乘法求出回归系数矩阵Bv₀,Bv₁，...,Bv_m，得出m+1个投票向量回归方程：

$y=\frac{1}{N}\underset{i=1}{\overset{N}{\mathrm{\Σ}}}{d}_i+{\mathrm{Bv}}_j^T(x-\frac{1}{N}\underset{i=1}{\overset{N}{\mathrm{\Σ}}}{x}_{\mathrm{ji}}),j=\mathrm{0,1},...,m;$

D.对于待检测图像中的每个图像块，将它表示成特征向量x和相应的m个语义特征向量x₁，x₂，……，x_m，分别代入步骤B建立的m+1个类别估计回归方程，为每个图像块计算出m+1个类别估计值；

E.对每个图像块，根据m+1个估计值计算出最终的类别；

F.在步骤E中计算出类别为正的每个图像块，将其特征向量和m个语义特征向量代入步骤C建立的m+1个投票向量回归方程，为每个图像块计算出m+1个投票向量估计值，产生Hough投票，形成Hough图像；

G.在Hough图像中找出投票密度的局部极大值点，作为可能的目标位置，完成检测。

在步骤A中，所述准备训练样本集可采用以下方法：

A1.从训练图像所包含的目标上抽取N/2个图像块，从不包含目标的图像中抽取N/2个图像块，得到N个训练样本，即N个图像块P_i，i=1，……N；

A2.对于每个图像块P_i，在其周围抽取与P_i相邻或有重叠的、大小相同的m个图像块P_1i，……P_mi。抽取P_i的特征向量x_0i以及P_ji的特征向量x_ji'，j=1，……，m；

A3.用x_0i分别减去x_ji'，得到训练样本P_i对应的m个语义特征向量：x_ji＝x_0i-x＇_ji(j＝1,...,m)；

A4.对于每个训练样本P_i，若它来自于目标，则是正样本，y_i=+1，取它与所属目标的中心坐标之间的偏移向量作为它对应的d_i；若它不是来自于目标，则是负样本，y_i=-1，设置d_i＝(-∞，-∞)。由此可得到训练样本集（x_0i，x_1i，x_2i，……，x_mi，d_i，y_i），i=1，……，N。

在步骤B中，所述利用偏最小二乘法求出回归系数矩阵Bl₀,Bl₁，...,Bl_m可采用以下方法：

B1.分别对X₀和Y₁进行中心化：

$X_0^{*}=(x_{01}-\stackrel{\‾}{x_0},x_{02}-\stackrel{\‾}{x_0},...,x_{0N}-\stackrel{\‾}{x_0})$

$Y_1^{*}=(y_1-\stackrel{\‾}{y},y_2-\stackrel{\‾}{y},...,y_N-\stackrel{\‾}{y})$

式中， $\stackrel{\‾}{x_0}=\frac{1}{N}\underset{i=1}{\overset{N}{\mathrm{\Σ}}}{x}_{0i},$ $\stackrel{\‾}{y}=\frac{1}{N}\underset{i=1}{\overset{N}{\mathrm{\Σ}}}{y}_i;$

B2.反复求解下列优化问题，直到求出c个权重向量w_k,k=1,……c，c为自然数，构成权重矩阵W：

$w_k=\underset{w}{\arg \max }{w}^T{\left(X_0^{*}\right)}^T{Y}_1^{*}{\left(Y_1^{*}\right)}^T{X}_0^{*}w;$

$s.t.:w_k^T{w}_k=1,w_k^T{\left(X_0^{*}\right)}^T{X}_0^{*}{w}_l=0(l=1,...,k-1)$

B3.计算得分矩阵T： $T=X_0^{*}W;$

B4.计算回归系数矩阵： ${\mathrm{Bl}}_0=W{\left(T^{T}T\right)}^{-1}{T}^T{Y}_1^{*};$

B5.将步骤B1-B4中的X₀依次替换成X₁，X₂，……，X_m（j=1，……，m）；

B6.重复步骤B1-B4，求出回归系数矩阵Bl₁，...,Bl_m。

在步骤C中，所述利用偏最小二乘法求出回归系数矩阵Bv₀,Bv₁，...,Bv_m可采用以下方法：

C1.将步骤B1～B4中的Y₁替换成Y₂；

C2.重复步骤B1～B6，求出回归系数矩阵Bv₀,Bv₁，...,Bv_m。

在步骤G中，所述在Hough图像中找出投票密度的局部极大值点可采用以下方法：

G1.将Hough图像划分成a×a大小的网格，统计每个网格内的票数总和，找出票数和为局部极大的网格作为候选网格；

G2.在每个候选网格中，使用mean-shift算法找到网格内的密度局部极大值点。所有的局部极大值点即作为检测到的目标位置，完成检测。

本发明首先利用训练集建立图像块的特征向量、语义特征向量与图像块类别和投票偏移向量之间的回归模型，然后将待检测图像中的每个图像块的特征向量和语义特征向量代入回归模型，找出类别为正的图像块并产生投票、形成Hough图像，最后在Hough图像中找出投票密度的局部极大值点作为检测结果，完成目标检测。

本发明将码本的建立看作一个回归问题，采用偏最小二乘法来建立图像块特征与投票向量之间的映射关系。偏最小二乘法能解决特征向量各维度之间的多重共线性问题，并且通过主成分提取去除特征向量中的冗余维度，因此能够更准确地建立映射关系。而且偏最小二乘法在运算时只需要手动指定一个参数，大大降低了参数选取的难度及其对计算结果的影响。另外，本发明从图像块周围提取语义特征信息，进一步提高投票的准确性。

附图说明

图1为本发明实施例的流程图。

图2为本发明实施例的图像块“8近邻”示意图。

图3为本发明实施例的检测结果图。

图4为本发明实施例的Hough图像。

图5为本发明与其它几种目标检测方法对比的ROC曲线图。在图5中，横坐标为误检率，纵坐标为召回率。

具体实施方式

下面结合附图和实施例对本发明的方法作详细说明，本实施例在以本发明技术方案为前提下进行实施，给出了实施方式和具体操作过程，但本发明的保护范围不限于下述的实施例。

参见图1，本发明实施例的实施方式包括以下步骤：

S1.准备训练样本集（x_0i，x_1i，x_2i，……，x_mi，d_i，y_i），i=1，……，N，N为训练样本数，N为自然数，数量级通常在10⁴以上。x_0i表示训练样本对应的特征向量，每个训练样本是一个图像块，一般尺寸为16像素×16像素，取自感兴趣的目标上的图像块是正样本，取自其它图像的是负样本。y_i表示样本类别：

x_ji（j=1，……，m）表示与x_0i相关的包含上下文信息的m个语义特征向量，从训练样本图像块及其周围的图像块提取，m为自然数。所用特征类型可以是梯度特征和梯度方向直方图特征（Histogram of Oriented Gradient，HOG）等。d_i表示训练样本x_0i在图像中的坐标与其所属目标的中心坐标之间的偏移向量。

具体包括：从训练图像所包含的目标上抽取N/2个图像块，从不包含目标的图像中抽取N/2个图像块，得到N个训练样本，即N个图像块P_i，i=1，……N。对于每个图像块Pi，在其周围抽取与P_i相邻或有重叠的、大小相同的m个图像块P_1i，……P_mi。例如，可以采用如图2所示的“8近邻”的方式抽取P_i周围的8个图像块，即m=8。

抽取P_i的特征向量x_0i以及P_ji的特征向量x_ji'，j=1，……，m。用x_0i分别减去x_ji'，得到训练样本P_i对应的m个语义特征向量：x_ji＝x_0i-x'_ji(j＝1，...,m)。

对于每个训练样本P_i，若它来自于目标，则是正样本，y_i=+1，取它与所属目标的中心坐标之间的偏移向量作为它对应的d_i；若它不是来自于目标，则是负样本，y_i=-1，设置d_i＝(-∞,-∞)。由此可得到训练样本集（x_0i，x_1i，x_2i，……，x_mi，d_i，y_i），i=1，……，N。

S2.将训练样本的特征向量组合作为预测矩阵X₀＝(x₀₁，x₀₂，...,x_0N)^T，各个训练样本的m个语义特征向量组合作为m个预测矩阵X_j＝(x_j1，x_j2，...,x_jN)^T(j＝1,2,...,m)，将训练样本的类别组合作为响应矩阵Y₁＝(y₁,y₂，...,y_N)^T，利用偏最小二乘法求出回归系数矩阵Bl₀,Bl₁,...,Bl_m，得出m+1个类别估计回归方程。

具体包括：将训练样本的特征向量组合作为预测矩阵X₀＝(x₀₁,x₀₂,...,x_0N)^T，将训练样本的类别组合作为响应矩阵Y₁＝(y₁,y₂,...,y_N)^T。分别对X₀和Y₁进行中心化：

$X_0^{*}=(x_{01}-\stackrel{\‾}{x_0},x_{02}-\stackrel{\‾}{x_0},...,x_{0N}-\stackrel{\‾}{x_0})$

$Y_1^{*}=(y_1-\stackrel{\‾}{y},y_2-\stackrel{\‾}{y},...,y_N-\stackrel{\‾}{y})$

式中， $\stackrel{\‾}{x_0}=\frac{1}{N}\underset{i=1}{\overset{N}{\mathrm{\Σ}}}{x}_{0i},$ $\stackrel{\‾}{y}=\frac{1}{N}\underset{i=1}{\overset{N}{\mathrm{\Σ}}}{y}_i.$

反复求解下列优化问题，直到求出c个权重向量w_k,k=1,……c，c为自然数，构成权重矩阵W（通常50≤c≤200）：

$w_k=\underset{w}{\arg \max }{w}^T{\left(X_0^{*}\right)}^T{Y}_1^{*}{\left(Y_1^{*}\right)}^T{X}_0^{*}w$

$s.t.:w_k^T{w}_k=1,w_k^T{\left(X_0^{*}\right)}^T{X}_0^{*}{w}_l=0(l=1,...,k-1)$

计算得分矩阵T：

$T=X_0^{*}W.$

计算回归系数矩阵：

${\mathrm{Bl}}_0=W{\left(T^{T}T\right)}^{-1}{T}^T{Y}_1^{*}.$

将X₀依次替换成X₁，X₂，……，X_m（j=1，……，m），重复上述求解步骤，求出回归系数矩阵Bl₁，...,Bl_m。根据回归系数矩阵得出m+1个类别估计回归方程：

$y=\frac{1}{N}\underset{i=1}{\overset{N}{\mathrm{\Σ}}}{y}_i+{\mathrm{Bl}}_j^T(x-\frac{1}{N}\underset{i=1}{\overset{N}{\mathrm{\Σ}}}{x}_{\mathrm{ji}}),j=\mathrm{0,1},...,m$

S3.将训练样本与其所属目标的中心坐标之间的偏移向量组合作为响应矩阵Y₂＝(d₁,d₂，...,d_N)^T，替换S2中的Y₁，使用与S2中相同的步骤，利用偏最小二乘法求出回归系数矩阵Bv₀,Bv₁，...,Bv_m，得出m+1个投票向量回归方程:

$y=\frac{1}{N}\underset{i=1}{\overset{N}{\mathrm{\Σ}}}{y}_i+{\mathrm{Bv}}_j^T(x-\frac{1}{N}\underset{i=1}{\overset{N}{\mathrm{\Σ}}}{x}_{\mathrm{ji}}),j=\mathrm{0,1},...,m$

S4.从待检测图像中取出第一个图像块，提取它的特征向量和m个语义特征向量。此处的图像块的大小与上述步骤中图像块的大小相同，所用的特征也相同。

S5.将S4中得到的m+1个向量分别代入m+1个类别估计回归方程，计算m+1个类别估计值。

S6.根据m+1个类别估计值计算出该图像块的类别。可以求m+1个估计值的均值来确定图像块的正负类别，也可采用其它方法。

S7.将S4中得到的m+1个向量分别代入m+1个投票向量回归方程，计算m+1个投票向量估计值，产生Hough投票。

S8.取出下一个图像块，提取它的特征向量和m个语义特征向量。待检测图像中的每一个图像块都需要参与上述步骤，产生投票。

S9.所有图像块都处理完后，在投票产生的Hough图像中找出投票密度的局部极大值点，作为可能的目标位置。如图3和4所示，图3为检测结果，图4为投票产生的Hough图像，其中的黑点表示投票密度的局部极大值点，也即检测出的目标中心位置。

具体包括：将Hough图像划分成a×a大小的网格，通常a取10像素左右。统计每个网格内的票数总和，找出票数和为局部极大的网格作为候选网格。在每个候选网格中，使用mean-shift算法找到网格内的密度局部极大值点。所有的局部极大值点即作为检测到的目标位置，完成检测。

图5给出本发明与其它几种目标检测方法对比的ROC曲线图。在图5中，曲线1对应本发明的方法；曲线2对应Andriluka等（M.Andriluka,S.Roth,and B.Schiele.People-tracking-by-detection and people-detection-by-tracking.CVPR,2008：1-8）提出的方法；曲线3对应N.Dalal等（N.Dalal and B.Triggs.Histograms of oriented gradients for humandetection.In CVPR,volume1,pages886-893vol.1.Ieee,2005）提出的HOG；曲线4对应ESeemann等（E.Seemann and B.Schiele.Cross-articulation learning for robust detection ofpedestrians.In DAGM,pages242-252,2006）提出的4D-ISM。

Claims (2)

1.基于语义Hough变换和偏最小二乘法的目标检测方法，其特征在于包括以下步骤：

A.准备训练样本集(x_0i，x_1i，x_2i，……，x_mi，d_i，y_i)，i＝1，……，N，N为训练样本数，N为自然数，x_0i表示训练样本对应的特征向量，每个训练样本是一个图像块，取自感兴趣的目标上的图像块是正样本，取自其它图像的是负样本，y_i表示样本类别：

x_ji(j＝1，……，m)表示与x_0i相关的包含上下文信息的m个语义特征向量，从训练样本图像块及其周围的图像块提取，m为自然数；d_i表示训练样本x_0i在图像中的坐标与其所属目标的中心坐标之间的偏移向量；

所述准备训练样本集采用以下方法：

A1.从训练图像所包含的目标上抽取N/2个图像块，从不包含目标的图像中抽取N/2个图像块，得到N个训练样本，即N个图像块P_i，i＝1，……N；

A2.对于每个图像块P_i，在其周围抽取与P_i相邻或有重叠的、大小相同的m个图像块P_1i，……P_mi，抽取P_i的特征向量x_0i以及P_ji的特征向量x_ji'，j＝1，……，m；

A3.用x_0i分别减去x_ji'，得到训练样本P_i对应的m个语义特征向量：x_ji＝x_0i-x'_ji(j＝1,...,m)；

A4.对于每个训练样本P_i，若它来自于目标，则是正样本，y_i＝+1，取它与所属目标的中心坐标之间的偏移向量作为它对应的d_i；若它不是来自于目标，则是负样本，y_i＝-1，设置d_i＝(-∞,-∞)，得到训练样本集(x_0i，x_1i，x_2i，……，x_mi，d_i，y_i)，i＝1，……，N；

B.将训练样本的特征向量组合作为预测矩阵X₀＝(x₀₁,x₀₂,...,x_0N)^T，各个训练样本的m个语义特征向量组合作为m个预测矩阵X_j＝(x_j1,x_j2,...,x_jN)^T(j＝1,2,...,m)，将训练样本的类别组合作为响应矩阵Y₁＝(y₁,y₂,...,y_N)^T，利用偏最小二乘法求出回归系数矩阵Bl₀,Bl₁,...,Bl_m，得出m+1个类别估计回归方程：

$y=\frac{1}{N}\underset{i=1}{\overset{N}{\mathrm{\Σ}}}{y}_i+{\mathrm{Bl}}_j^T(x-\frac{1}{N}\underset{i=1}{\overset{N}{\mathrm{\Σ}}}{x}_{\mathrm{ji}}),j=\mathrm{0,1},...,m;$

所述利用偏最小二乘法求出回归系数矩阵Bl₀,Bl₁,...,Bl_m采用以下方法：

B1.分别对X₀和Y₁进行中心化：

$X_0^{*}=(x_{01}-\stackrel{\‾}{x_0},x_{02}-\stackrel{\‾}{x_0},...,x_{0N}-\stackrel{\‾}{x_0})$

${Y_1}^{*}=(y_1-\stackrel{\‾}{y},y_2-\stackrel{\‾}{y},...,y_N-\stackrel{\‾}{y})$

式中， $\stackrel{\‾}{x_0}=\frac{1}{N}\underset{i=1}{\overset{N}{\mathrm{\Σ}}}{x}_{0i},$ $\stackrel{\‾}{y}=\frac{1}{N}\underset{i=1}{\overset{N}{\mathrm{\Σ}}}{y}_i;$

B2.反复求解下列优化问题，直到求出c个权重向量w_k,k＝1,……c，c为自然数，构成权重矩阵W：

$\begin{array}{c}{w}_k=\underset{w}{\arg \max }{w}^T{\left(X_0^{*}\right)}^T{Y_1}^{*}{\left({Y_1}^{*}\right)}^T{X}_0^{*}w\\ s.t.:w_k^T{w}_k=1,w_k^T{\left(X_0^{*}\right)}^T{X}_0^{*}{w}_l=0(l=1,...,k-1)\end{array};$

B3.计算得分矩阵T：

B4.计算回归系数矩阵：Bl₀＝W(T^TT)^-1T^TY₁ ^*；

B5.将步骤B1-B4中的X₀依次替换成X₁，X₂，……，X_m(j＝1，……，m)；

B6.重复步骤B1-B4，求出回归系数矩阵Bl₁,...,Bl_m；

C.将训练样本x_0i在图像中的坐标与其所属目标的中心坐标之间的偏移向量组合作为响应矩阵Y₂＝(d₁,d₂,...,d_N)^T，利用偏最小二乘法求出回归系数矩阵Bv₀,Bv₁,...,Bv_m，得出m+1个投票向量回归方程：

$y=\frac{1}{N}\underset{i=1}{\overset{N}{\mathrm{\Σ}}}{d}_i+{\mathrm{Bv}}_j^T(x-\frac{1}{N}\underset{i=1}{\overset{N}{\mathrm{\Σ}}}{x}_{\mathrm{ji}}),j=\mathrm{0,1},...,m;$

所述利用偏最小二乘法求出回归系数矩阵Bv₀,Bv₁,...,Bv_m采用以下方法：

C1.将步骤B1～B4中的Y₁替换成Y₂；

C2.重复步骤B1～B6，求出回归系数矩阵Bv₀,Bv₁,...,Bv_m；

D.对于待检测图像中的每个图像块，将它表示成特征向量x和相应的m个语义特征向量x₁，x₂，……，x_m，分别代入步骤B建立的m+1个类别估计回归方程，为每个图像块计算出m+1个类别估计值；

E.对每个图像块，根据m+1个类别估计值计算出最终的类别；

F.在步骤E中计算出类别为正的每个图像块，将其特征向量和m个语义特征向量代入步骤C建立的m+1个投票向量回归方程，为每个图像块计算出m+1个投票向量估计值，产生Hough投票，形成Hough图像；

G.在Hough图像中找出投票密度的局部极大值点，作为可能的目标位置，完成检测。

2.如权利要求1所述的基于语义Hough变换和偏最小二乘法的目标检测方法，其特征在于在步骤G中，所述在Hough图像中找出投票密度的局部极大值点采用以下方法：

G1.将Hough图像划分成a×a大小的网格，统计每个网格内的票数总和，找出票数和为局部极大的网格作为候选网格；

G2.在每个候选网格中，使用mean-shift算法找到网格内的密度局部极大值点，所有的局部极大值点即作为检测到的目标位置，完成检测。