CN116129187A - 基于局部稳定特征点的快速目标检测方法及系统 - Google Patents
基于局部稳定特征点的快速目标检测方法及系统 Download PDFInfo
- Publication number
- CN116129187A CN116129187A CN202310121964.0A CN202310121964A CN116129187A CN 116129187 A CN116129187 A CN 116129187A CN 202310121964 A CN202310121964 A CN 202310121964A CN 116129187 A CN116129187 A CN 116129187A
- Authority
- CN
- China
- Prior art keywords
- window
- target
- image
- candidate
- windows
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V2201/00—Indexing scheme relating to image or video recognition or understanding
- G06V2201/07—Target detection
Abstract
本发明公开了基于局部稳定特征点的快速目标检测方法及系统,属于图像处理和目标定位领域。本发明通过在目标图像中构建网格,根据图像网格内梯度大小划分为高梯度网格和低梯度网格,并在两种网格分别筛选局部稳定特征点,后续将使用这些特征点进行灰度对比来获得代表候选窗口的二进制编码特征和判断窗口内目标的旋转角度。本方法通过使用大间隔的候选窗口来减少检测的计算量,通过预处理对目标图像旋转后提取编码特征训练来实现目标检测算法的旋转不变性。本发明在应对目标旋转情况其检测计速度以及检测结果的窗口绘制都会比现有算法更优。
Description
技术领域
本发明属于图像处理和目标定位领域,具体涉及基于局部稳定特征点的快速目标检测方法及系统。
背景技术
目标检测是计算机视觉中的基础应用,通过对需要检测的目标进行提前的预处理操作,然后在待搜索图像上找到需要检测的目标所在位置,这类算法主要分为传统目标检测算法和基于深度学习的目标检测算法。
传统目标检测算法依赖目标图像的灰度、形状边缘、梯度变化等特征在搜索图像上进行定位,往往需要根据目标类型进行手工提取特征。这类方法预处理所需的先验条件较少且计算成本较低,因此在工业流水线上目标定位有着广泛的应用,但是现阶段的工业应用中应用场景相对固定,算法应对的各种干扰也较单一,主要应对的是检测目标的旋转情况,但是现阶段大部分算法在考虑目标旋转情况后其计算量都会成倍增长导致定位速度过慢。
基于深度学习的目标检测算法在应用场景和匹配速度上都有着巨大的优势,但是其预处理需要大量的训练集和足够的计算机算力来实现算法的训练。在工业应用中目标定位应对的往往是较为固定的场景和少量的目标类型,因此花费大量的时间采集和标记训练集以及训练模型参数就会显得成本过高,所以工业流水线上的目标检测往往不会优先采用深度学习作为技术前提。
发明内容
本发明的目的在于提供基于局部稳定特征点的快速目标检测方法及系统,通过在目标图像中构建网格,根据图像网格内梯度大小划分为高梯度网格和低梯度网格,并在两种网格分别筛选局部稳定特征点,后续将使用这些特征点进行灰度对比来获得代表候选窗口的二进制编码特征和判断窗口内目标的旋转角度。本方法通过使用大间隔的候选窗口来减少检测的计算量,通过预处理对目标图像旋转后提取编码特征训练来实现目标检测算法的旋转不变性。
为了达到上述目的,在本发明在一方面提供如下的技术方案:基于局部稳定特征点的快速目标检测方法,包括如下步骤:
S1、获取包含有目标对象的原始图像和模板图像;
S2、根据模板图像大小计算出候选窗口大小,分别在原始图像上构建两种间隔大小的候选窗口,小间隔的候选窗口用于预处理训练,大间隔的候选窗口用于检测使用;
S3、根据小间隔候选窗口和模板所在窗口的重叠度来划分正负样本,计算所有正样本窗口内图像的最大方差和最小方差作为方差阈值范围;
S4、在模板图像上根据梯度划分区域,再分别在区域内筛选出两种局部稳定特征点对,并将特征点对转化为基于候选窗口的相对坐标,再基于候选窗口的局部稳定特征点将在窗口内图像上对比灰度值得到数字编码特征;
S5、根据正负样本窗口内图像使用局部稳定特征点进行正负样本特征提取,对原始图像上的正样本窗口内图像多次旋转,每次旋转后都进行一次基于局部稳定特征点对的窗口数字编码特征提取,提取到的正样本特征和负样本窗口内图像提取到的负样本特征进行后验概率分类模块的训练,统计每个数字编码特征对应的属于正样本的概率;
S6、将局部稳定特征点对围绕窗口中心多次旋转,每次旋转后的坐标点存储起来用于检测时判断;
S7、获取待搜索图像,进行目标检测,使用间隔最大的候选窗口进行遍历,首先计算窗口内图像的方差大小,保留方差值在方差阈值范围内的窗口;
S8、计算特征在后验概率分类模块中对应的概率,概率大于阈值的判断为窗口内存在目标;
S9、对通过后验概率分类模块的窗口进行一个窗口内角度判断,使用每个角度旋转的稳定特征点进行窗口内灰度匹配来统计每个角度灰度相同的特征点数量,根据角度大小将候选窗口缩放到原始模板大小。
进一步地,所述S2具体为:
获取检测目标所在图像和目标图像;
根据目标图像大小,计算得到图像的对角线长度大小,并以该长度作为候选窗口的宽和高;
使用候选窗口大小在目标图像上进行多个像素为间隔的候选窗口构建;
根据计算得到候选窗口大小在目标图像上进行逐个像素遍历的候选窗口构建,并以目标所在位置为中心点和以候选窗口大小为大小构建新的目标图像。
进一步地,所述根据小间隔候选窗口和模板所在窗口的重叠度来划分正负样本,具体为:
根据单个像素为间隔的候选窗口和目标图像所在窗口的重叠度对模板所在图像进行正负样本划分;
根据检测过程中所使用的多个像素为间隔的候选窗口其间隔大小来决定划分正负样本窗口的重叠度阈值,检测过程中所使用的的候选窗口间隔越大,预处理过程中用于划分正负样本的重叠度阈值就越小,其划分得到的正样本窗口就越多;
所述候选窗口和目标所在窗口的重叠度大于重叠度阈值的为正样本;
所述候选窗口和目标所在窗口的重叠度小于重叠度阈值的为负样本。
进一步地,所述步骤S4,具体为:
在预处理过程中,以没有扩大为候选窗口大小的目标图像为基础,在目标图像上以图像最短边的十分之一大小为网格宽高来构建网格;
在网格构建完成后,对目标图像每个网格内的梯度进行计算,并统计所有网格内图像梯度的平均值,以平均值大小为标准,将梯度大于平均值的网格归类为高梯度区域,将梯度小于平均值的网格归类为低梯度区域;
在低梯度区域内进行第一对特征点的筛选,低梯度区域的每个网格内都进行固定数量的随机点筛选,其筛选的随机坐标点数量根据后验概率分类模块所需的数字编码特征规模决定;
在低梯度区域完成第一对特征点筛选后,在高梯度区域内进行第二对特征点的筛选,高梯度区域内每个网格也是进行相同数量的特征点筛选,其筛选的标准是和第一对特征点有着最大灰度差且坐标点周围梯度较小的特征点;
完成两对相同数量的局部稳定特征点筛选后,将这两对基于目标图像大小的特征点坐标转为基于候选窗口大小的相对坐标;
在窗口内图像的数字编码特征提取过程中,使用基于候选窗口的两对局部稳定特征点进行所在坐标的灰度大小对,假设第一对特征点的灰度大于第二对特征点的灰度即判断为二进制数1否则为0,以此类推完成所有特征点的灰度对比得到二进制数编码特征;
将每个窗口得到二进制数编码特征按照分组拆分为多个二进制数后转化为十进制编码,这多个十进制编码即为窗口内图像的特征,每个窗口拆分的分组数量和每个数字编码的位数由后验概率分离模块所需的数字编码特征规模决定。
进一步地,所述根据正负样本窗口内图像使用局部稳定特征点进行正负样本特征提取,具体为:
初始角度的正样本特征提取通过在目标所在图像上对划分后的正样本窗口进行基于局部稳定特征点的灰度大小对比来得到;
负样本特征是通过在目标所在图像上对划分后的负样本窗口进行基于局部稳定特征点的灰度大小对比来得到,再进行窗口特征提取前进行一个窗口内方差的计算,将方差值不再目标图像方差范围内的窗口去除避免干扰到后验概率分类模块的训练。
进一步地,所述对原始图像上的正样本窗口内图像多次旋转,每次旋转后都进行一次基于局部稳定特征点对的窗口数字编码特征提取,具体为:
在目标所在图像上对划分后的全部正样本窗口内图像每个都进行多次以固定角度为步长的旋转,在每次旋转后都会使用局部稳定特征点进行灰度对比来进行后验概率分类模块所需的数字编码特征提取;
结合旋转的正样本特征训练后的后验概率分类模块在面对窗口内目标旋转的情况也能完成目标的检测。
进一步地,所述提取到的正样本特征和负样本窗口内图像提取到的负样本特征进行后验概率分类模块的训练,统计每个数字编码特征对应的属于正样本的概率,具体为:
在预处理过程中得到正样本特征和负样本特征会先进行顺序打乱,之后对每个特征逐一进行训练,如果特征属于正样本特征则将特征对应的数字编码的正样本累计数量加一,反之特征属于负样本特征的话则先进行一个当前特征对应数字编码的后验概率计算,判断计算得到的后验概率是否大于当前的后验概率模块阈值,如果大于阈值则将特征对应的数字编码的负样本累计数量加一,其中后验概率分类模块的初始阈值会设置为0.5;
在后验概率分类模块进行初步训练后进行一个测试,正负样本特征各抽出一半作为测试集,并按照先负样本测试集后正样本测试集的顺序依次进行后验概率的计算,这一部分中负样本测试集通过后验概率模块计算得到的最大的后验概率值将作为模块的最新阈值,正样本测试集将重复训练直至全部正样本测试集特征计算得到的后验概率值都能大于这个阈值。
进一步地,所述S6的具体步骤为:
在预处理过程中对两对基于候选窗口的局部稳定特征点做了多次旋转操作并将旋转后的特征点坐标进行存储,对目标所在窗口的图像也进行相同的旋转操作并存储;
在检测过程中对于通过后验概率分类模块的窗口依次使用每个角度的目标所在图像和局部稳定特征点进行特征点坐标灰度的匹配,灰度相同的特征点数量最多的判断为该窗口内检测目标的旋转角度。
进一步地,所述使用间隔最大的候选窗口进行遍历,具体为:
在待搜索图的检测过程中,如果待搜索图大小和预处理使用的目标所在图像大小相同的话则使用预处理过程中生成的较大间隔的候选窗口进行图像上的遍历;
对所有候选窗口计算窗口内图像方差,方差符合预处理求得的目标方差范围的候选窗口进入下一个模块;
对窗口内图像方差符合目标方差范围的候选窗口使用局部稳定特征点进行灰度对比,和预处理过程中的窗口特征提取,将灰度对比得到的二进制编码特征转化为十进制编码特征,查询该编码在训练完成的后验概率分类模块中对应的属于正样本的概率,若概率大于阈值的判断为候选窗口内存在目标;
对通过后验概率分类模块的候选窗口进行一个窗口内目标旋转角度的判断,使用多个角度旋转的局部稳定特征点进行窗口内的灰度匹配,每个候选窗口灰度相同的特征点数量最多的角度即为目标的旋转角度,将候选窗口缩放到初始目标图像大小并旋转对应角度得到检测结果;
如果有多个检测结果则根据候选窗口间的重叠度判断是否为同一目标,如果判断为同一目标则将检测结果进行一个窗口聚类的操作来得到最终检测结果。
在本发明的另一方面提供了一种基于局部稳定特征点的快速目标定位系统,所述系统包括:
候选窗口构建模块,根据目标图像大小计算得到候选窗口大小,并生成预处理使用的逐个像素为移动步长的候选窗口和检测过程中使用的多个像素为间隔的候选窗口;
局部稳定特征点筛选模块,在目标图像上构建网格区域,根据网格内图像梯度情况划分为高梯度区域和低梯度区域,在两个区域内分别筛选固定数量的局部稳定特征点,并且特征点分别存储为基于候选窗口内的相对坐标;
正负样本划分模块,在目标所在图像上使用候选窗口构建模块生成的逐个像素为步长的候选窗口和目标所在窗口进行重叠度计算,根据重叠度大小划分正负样本,并计算所有正样本窗口内图像的方差值大小,统计得到最大和最小的方差值作为后续的方差范围;
后验概率分类训练模块,所述后验概率分类训练模块训练的特征主要分为正样本特征、旋转正样本特征和负样本特征,正样本特征的提取是直接在目标所在图像上使用局部稳定特征点在正样本窗口内图像上进行灰度对比来提取编码特征,旋转正样本特征在灰度对比前会对窗口内图像进行多次旋转操作,每次旋转后会都会进行一次特征提取,负样本特征在提取前会对负样本窗口内图像进行一次方差计算,计算得到的方差不在方差范围的将不进行特征提取,在获得正负样本特征后打乱后依次进行后验概率分类模块的训练;
后验概率分类修正模块,分别在正负样本特征中随机提取一半作为测试集,在后验概率分类模块中使用局部稳定特征点分别进行特征提取,使用负样本测试集中得到的最大后验概率作为模块的阈值,并重复训练正样本训练集直到所有的正样本特征得到的后验概率都能大于阈值;
角度判断准备模块,将局部稳定特征点筛选模块中得到的两对基于候选窗口的局部稳定特征点围绕窗口中心做多次旋转操作,并将每次旋转后的特征点坐标存储起来,目标所在窗口也进行相同的旋转操作并存储;
候选窗口内方差检测模块,对待搜索图像进行积分图和平方积分图的建立,之后计算候选窗口内图像的方差值大小,如果方差值不在目标方差范围内则判断该窗口内无检测目标;
后验概率分类检测模块,对窗口内图像方差值符合方差范围的候选窗口进行基于局部稳定特征点的灰度对比来得到代表窗口的数字编码特征,并在后验概率分类模块中查询该特征对应的后验概率累加值,累加值大于模块阈值的则判断为窗口内存在目标对象;
目标旋转角度判断模块,对于方差在方差范围内和通过后验概率分类模块的候选窗口可判断为窗口内图像在图像对比度和灰度分布两个标准上达到要求,对每个存在目标对象的候选窗口依次使用各个角度的局部稳定特征点和目标图像进行灰度匹配,统计每个角度灰度匹配的特征点数量,数量最多的作为窗口内目标的旋转角度,并以该角度为标准重新修正候选窗口。
本发明和现有技术对比具有有益效果:
(1)本发明在目标检测中的大体思路上使用了传统目标定位的思路,都是通过构建候选窗口,之后计算候选窗口内图像的相关度来实现目标检测。本方法具体使用了对候选窗口进行三种计算,其中包括了窗口内方差计算、基于局部稳定特征点的后验概率分类计算和基于局部稳定特征点的目标旋转角度统计。基于局部稳定特征点的多个模块使得这个目标检测系统能够在检测过程中使用尽可能少的计算量来实现检测目标的定位和旋转角度判断。
(2)本发明根据目标图像大小进行候选窗口的扩大使得目标发生任何旋转都能在候选窗口范围内,后续再根据基于稳定特征点的角度判断模块来还原目标窗口大小,在应对目标旋转情况其检测计速度以及检测结果的窗口绘制都会比现有算法更优。
附图说明
利用附图对本发明作进一步说明,但附图中的实施例不构成对本发明的任何限制,对于本领域的普通技术人员,在不付出创造性劳动的前提下,还可以根据以下附图获得其它的附图。
图1为本发明一种基于局部稳定特征点的快速目标检测方法方法流程图。
图2为本发明实施例提供的一种基于局部稳定特征点的快速目标检测方法的预处理步骤流程图;
图3为本发明实施例提供的一种基于局部稳定特征点的快速目标检测方法的检测步骤流程图;
图4为本发明实施例提供的一种基于局部稳定特征点的快速目标检测系统的结构框图;
图5为本发明实施例提供的一种基于局部稳定特征点的快速目标检测装置的结构框图。
具体实施方式
下面详细描述本发明的实施例,所述实施例的示例在附图中示出,其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的,仅用于解释本发明,而不能理解为对本发明的限制。
具体实施方式:
参照图1,本发明实施例提供了一种基于局部稳定特征点的快速目标检测方法,包括预处理部分和检测部分,参照图2,其预处理部分具体包括以下步骤:
S101、根据目标图像大小计算候选窗口大小,在初始图像上分别构建两种间隔的候选窗口,一种是预处理过程使用的单个像素为间隔的候选窗口,另一种是检测过程使用的多个像素为间隔的候选窗口。
具体地,候选窗口的大小是根据目标图像大小进行计算,单个像素为间隔的候选窗口主要用于预处理过程中进行训练操作,多个像素为间隔的候选窗口主要是用于检测过程中遍历输入图像。步骤S101包括以下步骤:
S1011、获取目标所在的初始图像和目标图像;S1012、根据目标图像大小计算图像对角线长度,并以对角线长度大小作为候选窗口的宽高,之后以该候选窗口为基础在目标所在的初始图像上分别构建两种像素间隔的候选窗窗口;S1013、以候选窗口为基础,在目标所在的初始图像上以目标中心为窗口中心建立新的基于候选窗口大小的目标图像;
S102、在目标图像上进行局部稳定特征点对的筛选,首先在目标图像上构建网格,根据网格内图像梯度划分为高梯度和低梯度区域,在两个梯度区域内根据坐标点梯度大小分别筛选出局部稳定特征点对。
具体地,后验概率分类模块所需的数字编码特征需要由候选窗口内的两对坐标点进行灰度对比来获得,因此需要两对能够均匀分布在目标图像各个区域的又尽量不受坐标偏移影响的特征点。步骤S102具体包括以下步骤:
S1021、首先需要在目标图像上进行网格区域的构建,根据网格内图像的梯度大小来划分为高梯度区域和低梯度区域,划分的标准为每个区域内图像梯度的平均值,后续将在每个网格内进行固定数量特征点的筛选;S1022、第一对特征点是在低梯度网格区域内构建,低梯度网格区域内图像的梯度较小,灰度情况较为稳定,所以在每个网格区域内随机筛选特征点,这些特征点即使发生坐标偏移也大概率不会有灰度变化;S1023、第二对特征点是在高梯度网格区域内构建,高梯度网格区域内图像有着较高梯度即有着较为剧烈的灰度变化,和第一对特征点一样在每个网格区域筛选固定数量的特征点,筛选的标准是和第一对特征点有着较大灰度差以及坐标点周围梯度较小的坐标点,这些特征点在发生坐标偏移后也能使灰度受影响的概率较小;
S1022、第一对特征点是在低梯度网格区域内构建,低梯度网格区域内图像的梯度较小,灰度情况较为稳定,所以在每个网格区域内随机筛选特征点,这些特征点即使发生坐标偏移也大概率不会有灰度变化;
S1023、第二对特征点是在高梯度网格区域内构建,高梯度网格区域内图像有着较高梯度即有着较为剧烈的灰度变化,和第一对特征点一样在每个网格区域筛选固定数量的特征点,筛选的标准是和第一对特征点有着较大灰度差以及坐标点周围梯度较小的坐标点,这些特征点在发生坐标偏移后也能使灰度受影响的概率较小;
S1024、将两对局部稳定特征点转化为基于候选窗口的相对坐标并存储。
本发明实施例中,考虑到应对的目标检测任务类型和后验概率分类模块的规模,筛选的特征坐标点对数量为100对,即在局部稳定特征点的筛选需要各准备两对100个坐标点的特征点集合。
S103、在初始图像上计算单个像素为间隔的候选窗口和目标所在窗口的重叠度,根据重叠度大小划分为正负样本窗口,并计算正样本窗口内图像的方差范围作为目标方差范围。步骤S103具体如下:
S1031、使用构建好的单个像素为间隔的候选窗口分别和目标所在窗口进行重叠度计算;
S1032、根据多个像素为间隔的候选窗口的间隔大小来决定划分正负样本的重叠度阈值;
S1033、重叠度大于阈值的候选窗口为正样本窗口,否则为负样本窗口。
本发明实施例中,正样本窗口会进行一个窗口内图像方差的计算,并统计出最大和最小的方差作为目标方差范围,之后负样本窗口会进行一个窗口内图像方差的计算,再判断方差是否在方差范围内,如果不在方差范围内则筛选掉。
S104、候选窗口内图像的特征提取主要分为正样本特征、旋转正样本特征和负样本特征,具体是通过对比窗口内图像局部稳定特征点的灰度大小来得到数字编码特征,其中旋转正负样本特征是通过对窗口图像进行多次旋转再提取数字编码特征来获得。
具体步骤如下:S1041、正样本初始角度的特征是通过使用局部稳定特征点依次对正样本窗口内图像进行灰度大小对比,其对比结果转化为二进制编码特征再转化为十进制编码特征;
S1042、负样本特征是通过使用局部稳定特征点对窗口内图像在方差范围的负样本窗口内图像进行灰度对比,对比结果和正样本特征提取方式一样转化为十进制编码特征;
S1043、旋转的正样本特征和正样本特征提取过程同理,不过在进行特征提取前会对正样本窗口内图像进行多次旋转操作,每次旋转后都会进行一次特征提取;
本发明实施例中,通过对正样本窗口内图像进行多次旋转后提取特征来实现算法的旋转不变性,后验概率分类模块后续训练了这些特征后就能够通过目标旋转后的候选窗口。
S105、将正负样本特征进行后验概率模块的初步训练,将特征顺序打乱后依次统计每个数字编码对应的属于正样本类别的概率,再从正负样本特征中抽出一半进行模块的参数修正和阈值确定,这一步骤具体如下:
S1051、首先将提取出来的正负样本特征进行顺序打乱;
S1052、统计正负样本特征的数字编码对应的正样本数量和负样本数量,得出每个数字编码对应的属于正样本的概率就是后验概率模块的训练。
S1053、抽出正负样本特征中的一半作为测试集;
S1054、首先使用负样本测试集进行后验概率的计算,使用其中最大的后验概率结果作为该模块的阈值;
S1055、使用正样本测试集进行得到阈值的后验概率计算,得到的后验概率小于阈值的话就对该正样本特征的数字编码进行重复训练直到其结果能够大于阈值。
S106、将基于候选窗口的局部稳定特征点围绕窗口中心旋转多次并进行存储,目标图像也进行相同的旋转操作后存储,这一步骤具体如下:
S1061、首先将局部稳定特征点围绕窗口中心进行旋转,每次旋转后的坐标点对都会进行单独存储;
S1062、将候选窗口大小的目标图像也进行相同角度和步长的旋转,并存储起来;
本发明实施例中,在检测过程中得到候选窗口会依次使用每个角度的局部稳定特征点和对应角度的目标图像进行灰度值对比,统计出灰度相同特征点数量最多的角度,即为窗口内目标的旋转角度。
本发明实施例提供了一种基于局部稳定特征点的快速目标检测方法,参照图3,其检测部分具体包括以下步骤:
获取待检测图像;
判断待检测图像的大小是否和预处理使用的模板所在图像尺寸相同,如果大小相同则直接使用预处理构建的多个像素为间隔的候选窗口在待检测上进行遍历,否则在待检测图像构建多个像素为间隔的候选窗口;
首先对待检测图像进行积分图和平方积分图的构建;
利用待检测图像的积分图和平方积分图快速统计候选窗口内的方差值大小,判断候选窗口内图像的方差值是否在预处理求得的方差阈值范围区间内,方差值不在区间范围内的候选窗口判断为没有检测目标。方差值表示了图像的对比度强度,候选窗口内图像的方差过大过小都表明了不符合检测目标的对比度;
对通过方差检测的候选窗口进行后验概率分类模块的相关度计算,这部分是使用预处理获得的局部稳定特征点对来进行候选窗口内图像特征提取,并查询提取的数字编码特征在后验概率分类模块中对应的概率,将所有数字编码特征对应的后验概率累加后得到的就是窗口的相关度。这部分的后验概率分类模块是在预处理过程中使用正负样本窗口内图像训练完成的。
对通过后验概率分类模块的候选窗口进行窗口内目标旋转角度的判断,使用预处理过程中旋转多次获得的多种角度的局部稳定特征点,每个候选窗口分别使用各个角度的局部稳定特征点进行特征点灰度匹配,统计每个角度灰度相同的特征点数量,其中每个角度匹配的特征点数量最多的为窗口内目标的旋转角度;
根据获得的窗口内目标旋转角度,对原先重新计算得到的候选窗口进行还原,将候选窗口重新变为初始目标图像大小,并根据统计得到的旋转角度将候选窗口进行旋转。
最后剩下来的候选窗口即为检测结果。
参照图4,本发明实施例提供了一种基于局部稳定特征点的快速目标检测系统,包括:
候选窗口构建模块,用于根据目标图像大小构建能够包含任何旋转角度的目标的候选窗口,再分别在目标所在的初始图像构建单个像素为间隔的候选窗口和多个像素为间隔的候选窗口,前者在预处理过程中使用,后者在检测过程中使用;
局部稳定特征点筛选模块,在目标图像划分各种梯度区域,现在低梯度区域筛选个相同数量的随机特征点,然后再高梯度区域筛选出和随机特征点有着较大灰度差且坐标点周围梯度较小的特征点,将两对局部稳定特征点转化为基于候选窗口的特征点对;
正负样本划分模块,将候选窗口构建模块构建得到的单个像素为间隔的候选窗口和目标所在的候选窗口进行重叠度计算,根据多个像素为间隔的候选窗口的间隔大小来决定划分正负样本的重叠度阈值;
后验概率分类训练模块,其训练的对象是正样本、旋转负正样本以及负样本特征,首先需要使用局部稳定特征点对在样本窗口内进行灰度对比得到数字编码特征,之后分别统计每个数字编码特征对应的属于正样本的概率;
后验概率分类修正模块,在提取出来的正负样本特征中各随机抽取一半作为测试集,先使用负样本测试集得到后验概率分类模块的阈值,再使用正样本特征进行模块参数的修正;
角度判断准备模块,将基于候选窗口的局部稳定特征点对和目标对象都进行多次旋转,并且将每次旋转的结果进行存储;
候选窗口内方差检测模块,对输入图像使用预处理过程中建立的多个像素为间隔的候选窗口进行逐个遍历,先对输入图像进行积分图和平方积分图的计算,计算所有候选窗口内图像的方差大小,将方差在目标方差范围内的窗口进行保留进入下一个模块;
后验概率分类检测模块,对通过方差检测模块的候选窗口,使用局部稳定特征点在候选窗口内图像进行灰度大小对比来提取数字编码特征,查询模块中该特征编码对应的属于正样本的概率,如果概率大于模块阈值的话则通过该模块的检测;
目标旋转角度判断模块,对通过方差检测和后验概率分类检测的候选窗口,进行每个角度的局部稳定特征点灰度匹配,使用对应旋转角度的目标图像进行匹配,统计出灰度相同特征点数量最多的角度,根据角度将候选窗口还原到目标图像大小。
参照图5,本发明实施例提供了一种基于局部稳定特征点的快速目标检测装置,包括:
至少一个处理器;
至少一个存储器,用于存储至少一个程序;
当上述至少一个程序被上述至少一个处理器执行时,使得上述至少一个处理器实现上述的一种基于局部稳定特征点的快速目标检测方法。
上述方法实施例中的内容均适用于本装置实施例中,本装置实施例所具体实现的功能与上述方法实施例相同,并且达到的有益效果与上述方法实施例所达到的有益效果也相同。
本发明实施例还提供了一种计算机可读存储介质,其中存储有处理器可执行的程序,该处理器可执行的程序在由处理器执行时用于执行上述一种基于局部稳定特征点的快速目标检测方法。
本发明实施例的一种计算机可读存储介质,可执行本发明方法实施例所提供的一种基于局部稳定特征点的快速目标检测方法,可执行方法实施例的任意组合实施步骤,具备该方法相应的功能和有益效果。
本发明实施例还公开了一种计算机程序产品或计算机程序,该计算机程序产品或计算机程序包括计算机指令,该计算机指令存储在计算机可读存介质中。计算机设备的处理器可以从计算机可读存储介质读取该计算机指令,处理器执行该计算机指令,使得该计算机设备执行图1所示的方法。
尽管已经示出和描述了本发明的实施例,本领域技术人员可以理解:在不脱离本发明的原理和宗旨的情况下可以对这些实施例进行多种变化、修改、替换和变形,本发明的范围由权利要求及其等同物限定。
Claims (10)
1.基于局部稳定特征点的快速目标检测方法,其特征在于,包括如下步骤:
S1、获取包含有目标对象的原始图像和模板图像;
S2、根据模板图像大小计算出候选窗口大小,分别在原始图像上构建两种间隔大小的候选窗口,小间隔的候选窗口用于预处理训练,大间隔的候选窗口用于检测使用;
S3、根据小间隔候选窗口和模板所在窗口的重叠度来划分正负样本,计算所有正样本窗口内图像的最大方差和最小方差作为方差阈值范围;
S4、在模板图像上根据梯度划分区域,再分别在区域内筛选出两种局部稳定特征点对,并将特征点对转化为基于候选窗口的相对坐标,再基于候选窗口的局部稳定特征点将在窗口内图像上对比灰度值得到数字编码特征;
S5、根据正负样本窗口内图像使用局部稳定特征点进行正负样本特征提取,对原始图像上的正样本窗口内图像多次旋转,每次旋转后都进行一次基于局部稳定特征点对的窗口数字编码特征提取,提取到的正样本特征和负样本窗口内图像提取到的负样本特征进行后验概率分类模块的训练,统计每个数字编码特征对应的属于正样本的概率;
S6、将局部稳定特征点对围绕窗口中心多次旋转,每次旋转后的坐标点存储起来用于检测时判断;
S7、获取待搜索图像,进行目标检测,使用间隔最大的候选窗口进行遍历,首先计算窗口内图像的方差大小,保留方差值在方差阈值范围内的窗口;
S8、计算特征在后验概率分类模块中对应的概率,概率大于阈值的判断为窗口内存在目标;
S9、对通过后验概率分类模块的窗口进行一个窗口内角度判断,使用每个角度旋转的稳定特征点进行窗口内灰度匹配来统计每个角度灰度相同的特征点数量,根据角度大小将候选窗口缩放到原始模板大小。
2.根据权利要求1所述的基于局部稳定特征点的快速目标检测方法,其特征在于,所述S2具体为:
获取检测目标所在图像和目标图像;
根据目标图像大小,计算得到图像的对角线长度大小,并以该长度作为候选窗口的宽和高;
使用候选窗口大小在目标图像上进行多个像素为间隔的候选窗口构建;
根据计算得到候选窗口大小在目标图像上进行逐个像素遍历的候选窗口构建,并以目标所在位置为中心点和以候选窗口大小为大小构建新的目标图像。
3.根据权利要求1所述的基于局部稳定特征点的快速目标检测方法,其特征在于,所述根据小间隔候选窗口和模板所在窗口的重叠度来划分正负样本,具体为:
根据单个像素为间隔的候选窗口和目标图像所在窗口的重叠度对模板所在图像进行正负样本划分;
根据检测过程中所使用的多个像素为间隔的候选窗口其间隔大小来决定划分正负样本窗口的重叠度阈值,检测过程中所使用的的候选窗口间隔越大,预处理过程中用于划分正负样本的重叠度阈值就越小,其划分得到的正样本窗口就越多;
所述候选窗口和目标所在窗口的重叠度大于重叠度阈值的为正样本;
所述候选窗口和目标所在窗口的重叠度小于重叠度阈值的为负样本。
4.根据权利要求1所述的基于局部稳定特征点的快速目标检测方法,其特征在于,所述步骤S4,具体为:
在预处理过程中,以没有扩大为候选窗口大小的目标图像为基础,在目标图像上以图像最短边的十分之一大小为网格宽高来构建网格;
在网格构建完成后,对目标图像每个网格内的梯度进行计算,并统计所有网格内图像梯度的平均值,以平均值大小为标准,将梯度大于平均值的网格归类为高梯度区域,将梯度小于平均值的网格归类为低梯度区域;
在低梯度区域内进行第一对特征点的筛选,低梯度区域的每个网格内都进行固定数量的随机点筛选,其筛选的随机坐标点数量根据后验概率分类模块所需的数字编码特征规模决定;
在低梯度区域完成第一对特征点筛选后,在高梯度区域内进行第二对特征点的筛选,高梯度区域内每个网格也是进行相同数量的特征点筛选,其筛选的标准是和第一对特征点有着最大灰度差且坐标点周围梯度较小的特征点;
完成两对相同数量的局部稳定特征点筛选后,将这两对基于目标图像大小的特征点坐标转为基于候选窗口大小的相对坐标;
在窗口内图像的数字编码特征提取过程中,使用基于候选窗口的两对局部稳定特征点进行所在坐标的灰度大小对,假设第一对特征点的灰度大于第二对特征点的灰度即判断为二进制数1否则为0,以此类推完成所有特征点的灰度对比得到二进制数编码特征;
将每个窗口得到二进制数编码特征按照分组拆分为多个二进制数后转化为十进制编码,这多个十进制编码即为窗口内图像的特征,每个窗口拆分的分组数量和每个数字编码的位数由后验概率分离模块所需的数字编码特征规模决定。
5.根据权利要求1所述的基于局部稳定特征点的快速目标检测方法,其特征在于,所述根据正负样本窗口内图像使用局部稳定特征点进行正负样本特征提取,具体为:
初始角度的正样本特征提取通过在目标所在图像上对划分后的正样本窗口进行基于局部稳定特征点的灰度大小对比来得到;
负样本特征是通过在目标所在图像上对划分后的负样本窗口进行基于局部稳定特征点的灰度大小对比来得到,再进行窗口特征提取前进行一个窗口内方差的计算,将方差值不再目标图像方差范围内的窗口去除避免干扰到后验概率分类模块的训练。
6.根据权利要求5所述的基于局部稳定特征点的快速目标检测方法,其特征在于,所述对原始图像上的正样本窗口内图像多次旋转,每次旋转后都进行一次基于局部稳定特征点对的窗口数字编码特征提取,具体为:
在目标所在图像上对划分后的全部正样本窗口内图像每个都进行多次以固定角度为步长的旋转,在每次旋转后都会使用局部稳定特征点进行灰度对比来进行后验概率分类模块所需的数字编码特征提取;
结合旋转的正样本特征训练后的后验概率分类模块在面对窗口内目标旋转的情况也能完成目标的检测。
7.根据权利要求6所述的基于局部稳定特征点的快速目标检测方法,其特征在于,所述提取到的正样本特征和负样本窗口内图像提取到的负样本特征进行后验概率分类模块的训练,统计每个数字编码特征对应的属于正样本的概率,具体为:
在预处理过程中得到正样本特征和负样本特征会先进行顺序打乱,之后对每个特征逐一进行训练,如果特征属于正样本特征则将特征对应的数字编码的正样本累计数量加一,反之特征属于负样本特征的话则先进行一个当前特征对应数字编码的后验概率计算,判断计算得到的后验概率是否大于当前的后验概率模块阈值,如果大于阈值则将特征对应的数字编码的负样本累计数量加一,其中后验概率分类模块的初始阈值会设置为0.5;
在后验概率分类模块进行初步训练后进行一个测试,正负样本特征各抽出一半作为测试集,并按照先负样本测试集后正样本测试集的顺序依次进行后验概率的计算,这一部分中负样本测试集通过后验概率模块计算得到的最大的后验概率值将作为模块的最新阈值,正样本测试集将重复训练直至全部正样本测试集特征计算得到的后验概率值都能大于这个阈值。
8.根据权利要求1所述的基于局部稳定特征点的快速目标检测方法,其特征在于,所述S6的具体步骤为:
在预处理过程中对两对基于候选窗口的局部稳定特征点做了多次旋转操作并将旋转后的特征点坐标进行存储,对目标所在窗口的图像也进行相同的旋转操作并存储;
在检测过程中对于通过后验概率分类模块的窗口依次使用每个角度的目标所在图像和局部稳定特征点进行特征点坐标灰度的匹配,灰度相同的特征点数量最多的判断为该窗口内检测目标的旋转角度。
9.根据权利要求1所述的基于局部稳定特征点的快速目标检测方法,其特征在于,所述使用间隔最大的候选窗口进行遍历,具体为:
在待搜索图的检测过程中,如果待搜索图大小和预处理使用的目标所在图像大小相同的话则使用预处理过程中生成的较大间隔的候选窗口进行图像上的遍历;
对所有候选窗口计算窗口内图像方差,方差符合预处理求得的目标方差范围的候选窗口进入下一个模块;
对窗口内图像方差符合目标方差范围的候选窗口使用局部稳定特征点进行灰度对比,和预处理过程中的窗口特征提取,将灰度对比得到的二进制编码特征转化为十进制编码特征,查询该编码在训练完成的后验概率分类模块中对应的属于正样本的概率,若概率大于阈值的判断为候选窗口内存在目标;
对通过后验概率分类模块的候选窗口进行一个窗口内目标旋转角度的判断,使用多个角度旋转的局部稳定特征点进行窗口内的灰度匹配,每个候选窗口灰度相同的特征点数量最多的角度即为目标的旋转角度,将候选窗口缩放到初始目标图像大小并旋转对应角度得到检测结果;
如果有多个检测结果则根据候选窗口间的重叠度判断是否为同一目标,如果判断为同一目标则将检测结果进行一个窗口聚类的操作来得到最终检测结果。
10.一种基于局部稳定特征点的快速目标定位系统,其特征在于,所述系统包括:
候选窗口构建模块,根据目标图像大小计算得到候选窗口大小,并生成预处理使用的逐个像素为移动步长的候选窗口和检测过程中使用的多个像素为间隔的候选窗口;
局部稳定特征点筛选模块,在目标图像上构建网格区域,根据网格内图像梯度情况划分为高梯度区域和低梯度区域,在两个区域内分别筛选固定数量的局部稳定特征点,并且特征点分别存储为基于候选窗口内的相对坐标;
正负样本划分模块,在目标所在图像上使用候选窗口构建模块生成的逐个像素为步长的候选窗口和目标所在窗口进行重叠度计算,根据重叠度大小划分正负样本,并计算所有正样本窗口内图像的方差值大小,统计得到最大和最小的方差值作为后续的方差范围;
后验概率分类训练模块,所述后验概率分类训练模块训练的特征主要分为正样本特征、旋转正样本特征和负样本特征,正样本特征的提取是直接在目标所在图像上使用局部稳定特征点在正样本窗口内图像上进行灰度对比来提取编码特征,旋转正样本特征在灰度对比前会对窗口内图像进行多次旋转操作,每次旋转后会都会进行一次特征提取,负样本特征在提取前会对负样本窗口内图像进行一次方差计算,计算得到的方差不在方差范围的将不进行特征提取,在获得正负样本特征后打乱后依次进行后验概率分类模块的训练;
后验概率分类修正模块,分别在正负样本特征中随机提取一半作为测试集,在后验概率分类模块中使用局部稳定特征点分别进行特征提取,使用负样本测试集中得到的最大后验概率作为模块的阈值,并重复训练正样本训练集直到所有的正样本特征得到的后验概率都能大于阈值;
角度判断准备模块,将局部稳定特征点筛选模块中得到的两对基于候选窗口的局部稳定特征点围绕窗口中心做多次旋转操作,并将每次旋转后的特征点坐标存储起来,目标所在窗口也进行相同的旋转操作并存储;
候选窗口内方差检测模块,对待搜索图像进行积分图和平方积分图的建立,之后计算候选窗口内图像的方差值大小,如果方差值不在目标方差范围内则判断该窗口内无检测目标;
后验概率分类检测模块,对窗口内图像方差值符合方差范围的候选窗口进行基于局部稳定特征点的灰度对比来得到代表窗口的数字编码特征,并在后验概率分类模块中查询该特征对应的后验概率累加值,累加值大于模块阈值的则判断为窗口内存在目标对象;
目标旋转角度判断模块,对于方差在方差范围内和通过后验概率分类模块的候选窗口可判断为窗口内图像在图像对比度和灰度分布两个标准上达到要求,对每个存在目标对象的候选窗口依次使用各个角度的局部稳定特征点和目标图像进行灰度匹配,统计每个角度灰度匹配的特征点数量,数量最多的作为窗口内目标的旋转角度,并以该角度为标准重新修正候选窗口。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310121964.0A CN116129187A (zh) | 2023-02-15 | 2023-02-15 | 基于局部稳定特征点的快速目标检测方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310121964.0A CN116129187A (zh) | 2023-02-15 | 2023-02-15 | 基于局部稳定特征点的快速目标检测方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116129187A true CN116129187A (zh) | 2023-05-16 |
Family
ID=86295389
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310121964.0A Pending CN116129187A (zh) | 2023-02-15 | 2023-02-15 | 基于局部稳定特征点的快速目标检测方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116129187A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116543188A (zh) * | 2023-07-06 | 2023-08-04 | 深圳市睿达科技有限公司 | 一种基于灰度匹配的机器视觉匹配方法及系统 |
-
2023
- 2023-02-15 CN CN202310121964.0A patent/CN116129187A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116543188A (zh) * | 2023-07-06 | 2023-08-04 | 深圳市睿达科技有限公司 | 一种基于灰度匹配的机器视觉匹配方法及系统 |
CN116543188B (zh) * | 2023-07-06 | 2023-10-13 | 深圳市睿达科技有限公司 | 一种基于灰度匹配的机器视觉匹配方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US20190188528A1 (en) | Text detection method and apparatus, and storage medium | |
CN109993040B (zh) | 文本识别方法及装置 | |
CN107944427B (zh) | 动态人脸识别方法及计算机可读存储介质 | |
CN116205919B (zh) | 基于人工智能的五金零件生产质量检测方法及系统 | |
CN110619333B (zh) | 一种文本行分割方法、文本行分割装置及电子设备 | |
CN107123130B (zh) | 一种基于超像素和混合哈希的核相关滤波目标跟踪方法 | |
CN111340023B (zh) | 文本识别方法及装置、电子设备、存储介质 | |
CN104978738A (zh) | 检测数字图像中的兴趣点的方法 | |
CN109785356B (zh) | 一种视频图像的背景建模方法 | |
CN116703911B (zh) | 一种led灯生产质量检测系统 | |
CN107578011A (zh) | 视频关键帧的判定方法及装置 | |
CN116129187A (zh) | 基于局部稳定特征点的快速目标检测方法及系统 | |
CN111783524A (zh) | 一种场景变换检测方法、装置、存储介质及终端设备 | |
CN111160107B (zh) | 一种基于特征匹配的动态区域检测方法 | |
CN115311507A (zh) | 基于数据处理的建筑板材分类方法 | |
CN115841633A (zh) | 一种电力塔和电力线关联矫正的电力塔和电力线检测方法 | |
CN116309577A (zh) | 一种高强传送带物料智能检测方法及系统 | |
CN117119253B (zh) | 一种针对目标对象的高质量视频抽帧方法 | |
WO2015031350A1 (en) | Systems and methods for memory utilization for object detection | |
CN111428064B (zh) | 小面积指纹图像快速索引方法、装置、设备及存储介质 | |
CN111597845A (zh) | 一种二维码检测方法、装置、设备及可读存储介质 | |
CN113052234A (zh) | 一种基于图像特征和深度学习技术的玉石分类方法 | |
CN117036737A (zh) | 基于信息熵、gms与lc显著检测的特征提取与匹配方法 | |
WO2024016632A1 (zh) | 亮点定位方法、亮点定位装置、电子设备及存储介质 | |
CN109829511B (zh) | 基于纹理分类的下视红外图像中云层区域检测方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination |