[发明专利]一种基于稀疏学习可变模型的图像目标检测方法

权利要求书

1.一种基于稀疏学习可变模型的图像目标检测方法，其特征在于，该方法包括如下步骤：

(1)获取训练图像{I_n,n＝1,2,...,N}；

(2)图像背景测量：由于训练图像的背景对训练目标轮廓的提取干扰很大，并影响后续的模型学习，使用SLIC方法将每幅训练图像划分N个网格，计算图像中各个区域连接到图像边界的面积与该区域的整体面积的平方根的比值，以消除背景；

(3)视觉颜色轮廓检测模型：对去除背景的训练图像采用基于视觉颜色拮抗机制的计算模型，用于检测训练图像中的边界信息；

(4)稀疏学习可变模型：利用稀疏学习模型进行目标轮廓提取，将提取的目标轮廓使用Gabor滤波器滤波，对其尺度、方向、位置进行线性调制；再两阶段学习的算法对模型进行训练；

(5)目标检测：采用交替的和最大值的自底向上和自顶向下的算法实现；

所述步骤(4)具体为：所述稀疏学习模型是一个定义在轮廓响应c上的概率分布：

其中，s(c)是已知的高斯白噪声分布模型，遵循独立的N(0,δ²)分布，是训练图像共享Gabor基函数所选择的子集，μ＝(μ_i,1,2,…,n)是依赖于(x_i,s_i,α_i)的滤波器响应系数，Z(μ)是归一化常数；

a)可变形模型：L(c；F,μ)作为可变形模板，允许中的基函数扰乱它们的位置和取向，使得F变形为其中(Δx_m,i,Δα_m,i)是第m幅图像中第i个基函数的位置和方向的扰动范围；将每幅轮廓响应图像投影到由所选择的基函数跨越的子空间，则其中，b_m,i是线性投影的最小二乘重建系数，ε_m是残差图像；

b)参数选择：利用最小化重构误差的总和来选择使用扩展的匹配追踪算法实现基函数的选择，同时通过局部最大共享实现基函数的局部扰动；

c)两阶段学习的算法对模型进行训练：第一阶段：初始设定模型为高斯白噪声模型，使用共享的稀疏编的方法实现对一组基函数的选择，即：第二阶段：由选择出的基函数和随机梯度算法对模型参数进行最大似然估计，通过吉布斯采样生成可变形模板及优化模型参数。

2.如权利要求1所述的目标检测方法，其特征在于，所述步骤(2)中计算图像中各个区域连接到图像边界的面积与该区域的整体面积的平方根的比值：

其中，B是图像边界块的集合，R是目标区域块的集合，p是图像块；目标与图像边缘连接的网格数目要比背景与图像边缘连接的网格数目少的多，设定阈值区分目标与背景，消除背景。