[发明专利]基于方向梯度二值模式和软级联SVM的实时目标检测方法

说明书

本发明提供一种基于方向梯度二值模式(ORBP)和软级联SVM的实时目标检测方法，主要解决现有技术中目标检测实时性差和鲁棒性低问题。方法步骤为：1)方向梯度二值模式特征描述；2)软级联分类器SVM的构建；3)软级联分类器的特征训练；4)目标窗口追踪更新。本发明提出的ORBP特征具有旋转、尺度、平移及亮度不变性等多种优点，软级联SVM提高复杂场景下目标检测的鲁棒性，目标窗口追踪提高目标检测的实时性。本发明提出的方法可应用于人机交互和智能交通监控领域，目标检测性能优异。

技术领域

本发明涉及数字图像处理技术领域，涉及计算机视觉中目标检测和跟踪方法，可应用于人机交互和智能交通等领域，具体而言涉及一种基于方向梯度二值模式和软级联SVM的实时目标检测方法。

背景技术

目标检测是通过计算机信息处理技术自动分析图像从中检测出感兴趣的目标。目标检测作为图像理解的重要课题，在军事与民用场景中都有广泛应用。在现实场景中，由于场景背景中含有其他干扰运动物体、光照外部环境变化及目标形态各异且变化较快，给目标检测带来诸多难题，如何实现高效稳定的目标检测，具有重要的现实研究意义。

张天宇在专利“时空多尺度运动目标检测方法”中提出了一种多尺度目标检测方法，将图像进行分块利用运动区域内最优差分间隔实现目标检测与跟踪，该方法在复杂场景下鲁棒性低，显著性差异判定准则难以适应多个场景。Zdenek Kalal，KrystianMikolajczyk等人在“Tracking-Learning-Detection”中提出了一种对视频中单个目标检测与跟踪方法，利用帧间信息差异将检测与跟踪结合起来，实现对目标样本的在线学习，该方法提出的中值光流法需要进行目标初始化，跟踪修正固定很难保证与检测器同步。杨艳爽，蒲宝明在“基于改进SUSAN算法的移动车辆检测”中提出了自适应阈值的SUSAN检测到车辆目标边界方法，利用直方图变换与霍夫变换结合提取目标连通域，实现对车辆目标与背景的分离，该方法的实时性较差且在复杂场景中自适应阈值将很难有效完成目标分割。

发明内容

针对上述现有技术的不足，本发明为解决现有目标检测方法在复杂场景下的鲁棒性低和实时性差问题，提出一种基于方向梯度二值模式和软级联SVM的实时目标检测方法，目标检测性能优异且易于工程实现。

本发明的上述目的通过独立权利要求的技术特征实现，从属权利要求以另选或有利的方式发展独立权利要求的技术特征。

为了实现上述目的，本发明提供一种基于方向梯度二值模式和软级联SVM的实时目标检测方法，该方法以软级联支撑向量机SVM为基础，采用基于方向梯度二值模式特征用以目标特征描述，在进行特征训练时利用检测图像随机位置生成正负样本，最后采用shi-Tomasi角点检测提取特征点完成目标追踪更新。

在一些实施例中，该实时目标检测方法包括以下步骤：

(1)ORBP特征提取。对图像源样本进行预处理操作，利用Sobel边缘与局部方向梯度生成ORBP特征。

(2)软级联分类器SVM的构建。利用互相关特征相似度判定该样本特征选取是否有效，根据h_k(x)计算所有样本的响应，找到正样本边界分类对应的阈值，该级对应的阈值和特征将会加入到k+1级计算响应h_k+1(x)；然后将待检测窗口集依次送入软级联分类器，通过判断当前窗口响应来判断是否属于目标。

(3)软级联分类器的训练。对标定正样本目标图像进行正样本负样本生成，对样本进行ORBP特征描述；然后通过SVM训练起始分类器h₀(x)，根据起始分类器对样本图像进行目标检测验证，将负样本重新更新到下一级SVM级联分类器训练中，直至完成最终级联分类器训练。