[发明专利]基于RI-HOG特征及快速金字塔的目标检测方法

说明书

基于RI‑HOG特征及快速金字塔的目标检测方法，包括特征提取、向量矫正及目标识别三部分，特征提取对旋转目标进行特征提取，向量矫正对目标旋转进行角度估计，实现特征向量的预校正；目标识别利用SVM分类器进行目标识别，采用稀疏金字塔策略进行分类识别计算，完成目标识别。本发明提出的算法在工业目标识别与检测领域获得了较高的检出率，同时没有增加太多的耗时，体现了本发明在工业领域目标检测中的优越性。

技术领域

本发明属于图像识别技术领域，涉及目标检测，为一种基于RI-HOG特征及快速金字塔的目标检测方法。

背景技术

现代工业化技术的蓬勃发展，对设备制造的精度，以及工业产品的合格率提出了愈发严格的要求，工业自动化技术的应用领域随之不断拓展。产品质量监控是自动化生产的核心领域之一，而在追求更高速更高效的生产道路上，机器视觉系统已经替代人工检测，成为批量产品监测的重要方式。机器视觉系统可应用于产品检验，生产监控以及零件识别等多种工业场景。

工业监测领域中，需要对产品进行多方位的测量，识别和控制，例如机械制造的零配件尺寸测量，大型货物装箱的对准定位，外包装完整性检测等。在这些应用场景的图像处理分析模块中，经常需要对目标产品进行定位识别,以便进一步检测判断，因此目标的有效识别是实现和发展工业自动化的一条关键途径。在生产线图像采集过程中，由于产品的密集程度高，生产线的运行速度快，难以提前对目标物体进行姿势校正，同时生产线在运行过程中会出现碰撞与晃动，相机也会相应出现轻微的抖动，发生拍摄高度和角度的变化，导致相机采集到的图像中，目标可能发生任意角度的旋转。并且出现尺度大小的变化以及平面内形变。因此如何实现抗形变多尺度的旋转不变目标识别，是机器视觉的一个重要研究方向。

对于目标检测，目前使用最多的几种特征提取方式为：HOG、SIFT、LBP。SIFT特征对旋转、尺度缩放、亮度变化等保持不变性，是一种非常稳定的局部特征，但运算量较大因此效率较低。LBP具有尺度不变特征，有较高的运算效率，但在光照条件或者物体出现形变时的鲁棒性欠佳。HOG特征通过合成图像矩形区域中所有像素的梯度幅度和方向的综合信息来获取图像特征，对于物体的形变及光照变化的鲁棒性很强。但是HOG不具有旋转不变性，因为HOG特征中的梯度的计算是基于笛卡尔坐标系中邻域像素的绝对位置。一旦目标旋转，HOG特征也将相应更改。

在工业场景下，流水线上的样品可能存在不同的旋转角度，在进行目标识别时，需要能够兼容样品不同旋转角度以及物体的形变。现有的HOG特征只能针对固定角度的样本进行特征提取，不具有旋转不变性，本发明基于HOG特征进行优化，提出一种旋转不变的梯度直方图目标描述方法RI-HOG(Rotation-invariant histogram of gradient)特征来进行特征提取，从而完成目标检测。

发明内容

本发明要解决的问题是：工业场景下的目标识别需要能够兼容样品不同旋转角度以及物体的形变的需求，现有的目标检测方法不能满足抗旋转及形变的检测要求，部分改进的方法检测效率和检测准确率也不能满足使用需求。

本发明的技术方案为：基于RI-HOG特征及快速金字塔的目标检测方法，包括特征提取、向量矫正及目标识别三部分，

1)特征提取，基于方向梯度直方图HOG特征提取算法对旋转目标进行特征提取：

1.1)构建旋转不变梯度域：采用随像素点位置变化的动态坐标系作为计算像素点梯度方向的参考坐标系，在梯度计算过程中采用近似径向梯度变换ARGT的方法；

1.2)配置旋转不变空间域，以矩形检测框的内切圆为空间域的检测窗口，并将检测窗口划分为均匀分布的扇形区域，对扇形区域环向均分，得到截断扇形cell，对截断扇形cell进行分析计算梯度特征向量，cell内像素点梯度的计算采用动态坐标系，同时在进行直方图通道的局部插值时，相对于检测窗口中心点，以径向和切向分布于相邻位置的cell信息进行；