[发明专利]一种基于SVR模型的自适应区域池化物体检测方法

说明书

本发明公开了一种基于SVR模型的自适应区域池化物体检测方法，该基于SVR模型的自适应区域池化物体检测方法适用于分割区域，区域粗匹配机制能有效选择和测试对象，能自动发现不同的样本和区域，能够适应物体的区域结构变化，再利用区域池化法提取特征解析区域结构，最后，分类数据采用了非极大值抑制法来得到检测结果，对非刚性目标（例如奶牛，羊等）上具有很好的效果，与其他同类方法相比，提出的方法对物体检测的性能明显提升，其中平均召回率达到了90.8%，加入CNN特征，性能提升幅度更大。

技术领域

本发明属于多媒体技术领域，尤其涉及一种基于SVR模型的自适应区域池化物体检测方法。

背景技术

受到块、特征以及成像条件如视觉、噪音等影响，物体的表现形式会发生较大变化，视觉效果时好时坏，这对物体检测带来了很大的挑战。由于物体检测在安防、战场侦查、农林业具有广泛的应用，因此设计优秀的物体检测方法对具有重要意义和商业价值。

为了处理这些变化，一般的解决方法是通过物体形状和大小等信息，并减少噪音带来的影响。一般情况下，相似的视觉区域能够展现出更加相似的形状、大小及结构。通过观察这些图，可以进一步将区域结构和特征提取联系起来。自动检测到的物体图像块为大量视觉任务提供了必要特征。但是，这些算法大多采用了矩形框来塑造图像块，这并不适用于非刚性物体。在现有技术中针对光照变化和遮挡等问题，提出利用随机图像选取与自适应背景更新的运动物体检测方法，跟踪变换矩阵对背景进行自适应迭代更新，然而，该方法比较适合低速运动场景，且预处理比较麻烦，处理速度慢；现有技术中还有采用空中预警机三维图像物体检测方法，将检测过程中的干扰当成一种噪声因素，根据因式分解的相关理论建立三维视觉模型，通过非线性滤波窗口构成的序列对三维视觉模型进行过滤处理；还有采用金字塔池化法来呈现物体特征，但这种表示方式忽略了区域之间的重要几何信息。

发明内容

为了解决现有技术中存在的不足，本发明提供了一种基于支持向量回归(SVR)模型的自适应区域池化物体检测方法，该方法以不同样本为基础，对区域结构信息进行处理。

本发明的技术方案如下：一种基于SVR模型的自适应区域池化物体检测方法，该检测方法包括以下步骤：

步骤一：选择有代表性的实例；

步骤二：采用区域粗匹配的方法对实例进行训练，获得与实例相似的训练数据集，

对象掩模掩模M^e是P^e块的总区域，根据该区域的外观和大小计算M^e之间的相似性和目标区域R，

即：

式中，z^e和z^r是特征矢量，|M^e|和|R|分别表示对象掩模和目标区域的尺寸；

步骤三：对步骤二中获取的训练数据集进行自适应区域特征池化，获取训练数据集块的SIFT特征，

1)将实例分割成L块：

2)将实例中块的尺寸调整至与目标区域的边界框尺寸一样，使得目标区域R被分成像P^e一样的结构来获取，即

3)在以P^r作为基础上进行池化，其中，是第i块的特征矢量，而每一对和均针对的是相同的块；

步骤四：对步骤三中进行特征池化后的训练集中引入SVR模型，其定义如下：

满足于：

O(y_i,y)-＜w,x_i＞-b≤ε+ξ_i (2)