[发明专利]一种非结构化环境中的3D目标实例物体检测的方法

摘要

本发明公开了一种非结构化环境中的三维目标实例物体检测的方法。该方法采取了基于分类器学习的多视角三维目标实例物体检测方案。方案包含两大模块：候选窗口提取及目标识别验证。首先利用改进的二值化规范梯度(BING Binary normed Gradients)算法，快速有效地获取可能存在目标实例物体的候选窗口。在目标识别阶段，方案融合了目标实例物体的颜色,形状,纹理特征,并采用随机森林,线性SVM分类器级联的方式对候选窗口进行验证，最终实现在非结构化的环境中对三维目标实例物体的快速准确识别检测。

主权项

1.一种非结构化环境中的3D目标实例物体检测的方法，其特征在于：该方法的具体步骤如下：步骤一.获取训练数据:对于每一个目标实例物体，拍摄获取多视角,多光照条件下,包含目标实例物体的图片(IMG_P)、背景图片(IMG_N)、再通过图像处理手段获取IMG_P的二值掩码(IMG_P_mask)以及目标实例物体在图片中的位置标注信息；步骤二.线下训练模型：(1)BING模型训练；使用包含目标实例物体的图片(IMG_P)、背景图片(IMG_N)、以及目标实例物体在图片中的位置标注信息作为输入数据，训练BING模型即学习二个级联线性SVM分类器模型参数。(2)候选窗口识别验证阶段模型训练；由训练好的BING模型预测包含目标实例物体的图片(IMG_P)、背景图片(IMG_N)来产生供后续分类器学习使用的训练数据(ROI_P、ROI_N)。通过提取训练数据ROI_P、ROI_N的颜色，形状，纹理特征，分别学习三种判别模型——颜色直方图，随机森林分类器，线性SVM分类器。基于颜色的判别模型训练，首先(使用IMP_P及其对应的二值掩码IMG_P_mask)分析HSV颜色直方图确定主色调，提取所有正样本ROI_P的主色调直方图，并对得到的数据矩阵进行k-means聚类分析，获取聚类中心，用于在线检测阶段的直方图匹配；基于形状特征的判别模型训练，采用K-means算法，通过提取HOG特征将所有ROI_P正样本分为n1类(n1为自然数)，以得到各样本的类别标签，将聚类后具有类别标签的正样本ROI_P及负样本ROI_N，共n1+1类样本作为随机森林分类器的训练数据，来构建随机森林模型；基于纹理特征的判别模型训练，采用K-means算法，通过提取纹理特征将所有ROI_P正样本分为n2类(n2为自然数)，以得到各样本的类别标签，分别为聚类好的每类ROI_P训练一个线性SVM二分类器；步骤三.在线检测：将步骤二中训练好的三个判别模块：颜色直方图匹配，随机森林分类器，SVM分类器设计为级联结构；在候选区域提取阶段，将检测图像输入BING模型，获取可能带有目标物体的候选窗口，再将这些窗口依次进行颜色直方图匹配，级联分类器分类验证实现窗口验证识别，最终获得实例物体在检测图像中的位置。