[发明专利]一种弱监督条件下的共同对象检测方法

说明书

技术领域

本发明属于图像处理技术领域，具体涉及一种弱监督条件下的共同对象检测方法。

背景技术

随着网络技术、多媒体工具及成像技术的不断发展和成熟，人们日常生活中涌现了大量的数字图像。在种类繁多的数字图像当中，由于分类的需要，图像中往往会人为的加上一定的类别信息。然而，当我们需要确定属于此类别对象在图像中的具体位置时，这些类别信息却不能为我们提供判别性的依据。此外，如果依靠人工标注方法来定位对象，在成千上万的图像数目面前，也变得不可行。对于这一亟待解决的问题，促使了图像中共同对象检测方法。

目前，依据监督力的强弱，主要有两类对象检测方法。即基于强监督的对象检测方法和基于弱监督的对象检测方法。其中，对于强监督情况下的对象检测方法，需要有一个对应对象类别的训练库。在模型训练阶段，不仅需要待检测对象的类别信息，还必须具有对象准确的位置信息。进而，用此训练库学习得到的对象模型便可对包含此类对象的未知图像进行特定类对象的检测任务。然而，此类方法的不足之处是，其一，方法中必须包含某类对象的相关训练库，并且需要对象的强监督信息。其二，用此训练库得到的对象模型仅能对此类对象进行检测，而对包含其它类对象的情况则不能进行识别。另外，对象模型的训练，也是额外较大的计算开销。而基于弱监督条件下的对象检测方法，近些年来得到了人们更多的关注。其和强监督方法相比，主要优点是，不需要对应模型的训练过程，同时也不知道对象的位置信息，仅依靠弱监督力的类别标注信息来识别并定位图像中的共同对象。其次，此类方法能对非特定类对象进行检测。因此，该方法更适用于实际情况下的对象检测任务。

共同对象检测方法是一个新颖的研究课题，现有的共同对象检测方法还很有限，主要方法还是依靠从对应类别的训练库中学习对象的判别性模型，再用此模型去实现每幅图像中对象的检测，最后对多幅图像中候选的检测结果再进行匹配。此类方法本质上还是属于强监督条件下的对象检测，而且仅适用于事前训练好的特定类别对象的检测任务，没有从更具实际用途的弱监督角度去解决问题。

发明内容

本发明的发明目的在于：针对现有的依据强监督对象信息实现共同对象检测的缺陷，本发明提出了一种弱监督条件下的共同对象检测方法。

本发明的一种弱监督条件下的共同对象检测方法，包括下列步骤：

步骤1：对输入图像进行对象级检测，获取每幅图像的各初始对象区域；

步骤2：对所述初始对象区域进行筛选处理，得到包含一致对象的候选对象区域；

步骤3：基于字典对各候选对象区域的底层特征进行对象特征的表示，得到其中层特征；

步骤4：在得到每幅图像候选对象区域的中层特征后，对各幅图像中候选区域的特征进行特征相似性搜索，以确定共同对象区域；

步骤5：提取每幅图像的共同对象区域的底层特征，对字典进行更新；

步骤6：基于更新后的字典重复执行步骤3、4和5，直到达到设定的检测精确度或最大迭代次数M。

本发明基于弱监督力的类别标注信息，经过多次字典更新后能同时完成对象的判别性特征学习及共同对象的定位，本发明不需要对应模型的训练过程，无需知道对象的准确位置，仅需知道在图像中包含该类对象这一弱监督信息，即可实现共同对象检测，且能对非特定类对象实现检测。而基于强监督条件的检测方法由于受训练库的限制，仅能对特定类对象进行检测，与此相比，本发明的适用性更佳。

进一步的，可对所述初始对象区域进行向量化后构建整体矩阵，并通过低秩分解将所述整体矩阵分解为低秩成分和稀疏成分，该稀疏成分表示每个向量化始对象区域与其它检测区域的差异程度，因此可基于所述稀疏成分对各幅图像的初始对象区域进行筛选（一致性判断），进而一定程度上克服复杂背景的干扰，得到包含一致对象的候选对象区域。

进一步的本发明中，对字典进行更新处理，得到新的字典D_C的学习模型如下：