專利名稱：基于部件的目標(biāo)檢測(cè)方法
技術(shù)領(lǐng)域：
本發(fā)明屬于圖像處理技術(shù)領(lǐng)域，更進(jìn)一步涉及基于部件的目標(biāo)檢測(cè)方法。本發(fā)明可用于智能交通，門(mén)禁檢測(cè)等領(lǐng)域中確定采集圖像中目標(biāo)的位置和所占區(qū)域。
背景技術(shù)：
目標(biāo)檢測(cè)是指在被檢測(cè)圖像中確定目標(biāo)的位置、大小、位姿的過(guò)程。目標(biāo)檢測(cè)是信息處理中的一項(xiàng)關(guān)鍵技術(shù)，現(xiàn)在的很多應(yīng)用領(lǐng)域要求目標(biāo)檢測(cè)方法可以快速準(zhǔn)確地檢測(cè)目標(biāo)。由此所面臨的一系列問(wèn)題使得目標(biāo)檢測(cè)開(kāi)始作為一個(gè)獨(dú)立的課題受到研究者的重視?；诓考哪繕?biāo)檢測(cè)技術(shù)是一種起源很早，最近才興起的目標(biāo)檢測(cè)方法。該方法融合了目標(biāo)的表觀特征和空間結(jié)構(gòu)特征，因而具有更加魯棒的檢測(cè)性能。同時(shí)，基于部件的目標(biāo)檢測(cè)技術(shù)是一種稀疏的特征描述方式，因而在一定程度上可以處理部分遮擋的問(wèn)題。 中國(guó)科學(xué)院自動(dòng)化研究所提出的專利申請(qǐng)“基于部件結(jié)構(gòu)模型的目標(biāo)檢測(cè)與識(shí)別方法”(專利申請(qǐng)?zhí)朇N201010106757. 0，公開(kāi)號(hào)CN102142078A)公開(kāi)了一種基于部件結(jié)構(gòu)模型的目標(biāo)檢測(cè)與識(shí)別方法。該方法的實(shí)施步驟是步驟一，采用積分直方圖提取目標(biāo)整體以及目標(biāo)各個(gè)部件內(nèi)不同模塊大小的梯度方向直方圖特征；步驟二，根據(jù)提取的特征，分別對(duì)目標(biāo)整體以及目標(biāo)各個(gè)部件訓(xùn)練，生成boost級(jí)聯(lián)分類器；步驟三，采用半監(jiān)督的訓(xùn)練方式，由手工標(biāo)注方式確定目標(biāo)的位置，而目標(biāo)各個(gè)部件的位置由訓(xùn)練目標(biāo)整體boost級(jí)聯(lián)分類器過(guò)程中所挑選出的區(qū)分能力較強(qiáng)的若干弱分類器所在的模塊的位置確定；步驟四，根據(jù)獲得的目標(biāo)整體和目標(biāo)各個(gè)部件的位置，采用星形結(jié)構(gòu)訓(xùn)練目標(biāo)整體以及目標(biāo)各個(gè)部件之間的空間關(guān)系模型；步驟五，用boost級(jí)聯(lián)分類器分別檢測(cè)目標(biāo)整體和目標(biāo)的各個(gè)部件，得到目標(biāo)整體以及目標(biāo)各個(gè)部件檢測(cè)代價(jià)圖，然后利用距離變換以及目標(biāo)各個(gè)部件之間的相對(duì)位置關(guān)系實(shí)現(xiàn)目標(biāo)的檢測(cè)與識(shí)別定位。該方法雖然使用星形結(jié)構(gòu)表達(dá)目標(biāo)的空間結(jié)構(gòu)，并使用距離變換技術(shù)進(jìn)行快速目標(biāo)檢測(cè)，但是該專利申請(qǐng)仍然存在的不足是使用星形結(jié)構(gòu)表示目標(biāo)的空間結(jié)構(gòu)不夠準(zhǔn)確，將會(huì)導(dǎo)致檢測(cè)結(jié)果不夠準(zhǔn)確；另外使用距離變換在進(jìn)行目標(biāo)檢測(cè)前，必須求得目標(biāo)整體以及目標(biāo)各個(gè)部件的檢測(cè)代價(jià)圖，這將會(huì)嚴(yán)重影響檢測(cè)效率。D. Crandall 在文獻(xiàn)“D. Crandall, P. Felzenszwalb, and D. Huttenlocher.Spatial priors for part-based recognition using statistical models. In CVPR,10-17,2005. ”中提出了一種k-fans模型，該方法的實(shí)施步驟是步驟一，構(gòu)建局部表觀模型；步驟二，使用k-fans結(jié)構(gòu)表示目標(biāo)的空間結(jié)構(gòu)，并構(gòu)建目標(biāo)的空間結(jié)構(gòu)模型；步驟三，使用距離變換技術(shù)對(duì)被檢測(cè)圖像進(jìn)行目標(biāo)檢測(cè)。雖然該方法所使用的k-fans結(jié)構(gòu)可以比較準(zhǔn)確地表達(dá)目標(biāo)的空間結(jié)構(gòu)，但是，仍然存在的不足是當(dāng)k-fans結(jié)構(gòu)中存在環(huán)路的時(shí)候，不能使用距離變換技術(shù)進(jìn)行快速目標(biāo)檢測(cè)，這樣嚴(yán)重影響此方法的應(yīng)用范圍。

發(fā)明內(nèi)容
本發(fā)明針對(duì)上述現(xiàn)有技術(shù)的不足，提出一種基于部件的目標(biāo)檢測(cè)方法，以減小目標(biāo)部件檢測(cè)的時(shí)間復(fù)雜度和成本，提高目標(biāo)部件檢測(cè)的精度和穩(wěn)定性。為了實(shí)現(xiàn)上述目的，本發(fā)明采用圖結(jié)構(gòu)表示目標(biāo)的空間結(jié)構(gòu)，此圖結(jié)構(gòu)在最大生成樹(shù)的基礎(chǔ)上添加邊來(lái)構(gòu)造，折中考慮了樹(shù)狀圖和全連接圖的優(yōu)點(diǎn)，這樣既保證了目標(biāo)空間結(jié)構(gòu)的真實(shí)性，又增加了目標(biāo)部件定位的信息量。在統(tǒng)計(jì)完空間結(jié)構(gòu)模型參數(shù)和表觀模型參數(shù)之后，目標(biāo)部件檢測(cè)過(guò)程采用了模擬退火算法和梯度下降算法相級(jí)聯(lián)的收斂方法，來(lái)提高目標(biāo)檢測(cè)效率。同時(shí)，為了提高收斂的正確率，在模擬退火算法過(guò)程中采用二次退火的策略以避免將目標(biāo)部件的位置坐標(biāo)收斂到非目標(biāo)區(qū)域。另外，在梯度下降算法完成之后，采用了步進(jìn)策略使目標(biāo)部件的位置坐標(biāo)更加精確。本發(fā)明通過(guò)訓(xùn)練圖像標(biāo)記模塊、模型構(gòu)建模塊、圖像采集模塊、目標(biāo)檢測(cè)模塊和檢測(cè)結(jié)果顯示模塊五個(gè)模塊完成以下具體步驟
(I)標(biāo)記訓(xùn)練圖像在因特網(wǎng)上收集包含待檢測(cè)目標(biāo)的訓(xùn)練圖像和不包含待檢測(cè)目標(biāo)的背景圖像，訓(xùn)練圖像標(biāo)記模塊對(duì)每張訓(xùn)練圖像中的n個(gè)部件進(jìn)行標(biāo)記，獲得訓(xùn)練圖像中n個(gè)部件的位置坐標(biāo)；(2)構(gòu)建目標(biāo)空間結(jié)構(gòu)2a)模型構(gòu)建模塊從訓(xùn)練圖像標(biāo)記模塊讀取所有訓(xùn)練圖像中n個(gè)部件的位置坐標(biāo)以及所有的訓(xùn)練圖像和背景圖像；2b)模型構(gòu)建模塊使用互信息熵計(jì)算公式計(jì)算兩兩部件之間位置的互信息熵；2c)將互信息熵作為邊的權(quán)值，以n個(gè)部件為節(jié)點(diǎn)，模型構(gòu)建模塊采用prim算法構(gòu)造最大生成樹(shù)；2d)模型構(gòu)建模塊在最大生成樹(shù)中尋找包含葉子節(jié)點(diǎn)的所有三節(jié)點(diǎn)子圖構(gòu)成集合；2e)在三節(jié)點(diǎn)子圖集合中，模型構(gòu)建模塊尋找節(jié)點(diǎn)之間互信息熵之和最大的三節(jié)點(diǎn)子圖，得到最緊密三節(jié)點(diǎn)子圖；2f)模型構(gòu)建模塊計(jì)算最緊密三節(jié)點(diǎn)子圖的補(bǔ)圖，并將補(bǔ)圖加入到最大生成樹(shù)中；2g)模型構(gòu)建模塊搜索加入補(bǔ)圖之后的最大生成樹(shù)中是否還存在葉子節(jié)點(diǎn)，如果存在，執(zhí)行步驟2d)，如果不存在，則最大生成樹(shù)更新已經(jīng)完成，執(zhí)行步驟2h)；2h)模型構(gòu)建模塊給完成更新的最大生成樹(shù)的邊任意指定方向，得到由節(jié)點(diǎn)集和有向邊集組成的目標(biāo)空間結(jié)構(gòu)；(3)統(tǒng)計(jì)空間結(jié)構(gòu)模型參數(shù)3a)對(duì)于每?jī)蓚€(gè)在目標(biāo)空間結(jié)構(gòu)中相鄰的部件，模型構(gòu)建模塊計(jì)算在所有訓(xùn)練圖像中與它們對(duì)應(yīng)位置坐標(biāo)的差向量并組成差向量矩陣；3b)對(duì)于每?jī)蓚€(gè)在目標(biāo)空間結(jié)構(gòu)中相鄰的部件，模型構(gòu)建模塊將它們對(duì)應(yīng)的差向量矩陣的列作向量的平均運(yùn)算得到均值向量；3c)對(duì)于每?jī)蓚€(gè)在目標(biāo)空間結(jié)構(gòu)中相鄰的部件，模型構(gòu)建模塊使用協(xié)方差矩陣的計(jì)算方法計(jì)算它們對(duì)應(yīng)位置坐標(biāo)的差向量的協(xié)方差矩陣；(4)統(tǒng)計(jì)表觀模型參數(shù)模型構(gòu)建模塊使用訓(xùn)練圖像和背景圖像對(duì)各個(gè)部件區(qū)域的局部特性進(jìn)行統(tǒng)計(jì)，得到表觀模型參數(shù)；(5)傳送模型參數(shù)模型構(gòu)建模塊向目標(biāo)檢測(cè)模塊傳送空間結(jié)構(gòu)模型參數(shù)和表觀模型參數(shù)；(6)采集被檢測(cè)圖像圖像采集模塊獲取圖像模擬信號(hào)，并將圖像模擬信號(hào)轉(zhuǎn)換成數(shù)字信號(hào)圖像作為后續(xù)待處理的被檢測(cè)圖像；(7)初始化目標(biāo)檢測(cè)的參數(shù)
7a)目標(biāo)檢測(cè)模塊從模型構(gòu)建模塊中讀取空間結(jié)構(gòu)模型參數(shù)和表觀模型參數(shù)；7b)目標(biāo)檢測(cè)模塊在n個(gè)部件中任意選定一個(gè)部件作為中心部件，其它部件作為外圍部件；7c)目標(biāo)檢測(cè)模塊將中心部件放置在被檢測(cè)圖像中任意位置，設(shè)定初始的溫度參數(shù)，將中心部件位置坐標(biāo)代入能量公式中，得到當(dāng)前能量值；(8)獲得中心部件位置坐標(biāo)8a)目標(biāo)檢測(cè)模塊將迭代次數(shù)初始化為0 ;Sb)目標(biāo)檢測(cè)模塊將迭代次數(shù)增加1，判斷迭代次數(shù)是否大于迭代上限，如果是，則執(zhí)行步驟8 j)，否則執(zhí)行步驟Sc)；Sc)目標(biāo)檢測(cè)模塊使用蒙那卡羅方法產(chǎn)生一個(gè)符合二維高斯分布的二維向量；8d)目標(biāo)檢測(cè)模塊將產(chǎn)生的二維向量跟中心部件的位置坐標(biāo)相加得到新的中心部件位置坐標(biāo)，將新的中心部件的位置坐標(biāo)代入能量公式，得到一個(gè)新的能量值；Se)目標(biāo)檢測(cè)模塊使用新能量值減去當(dāng)前能量值，得到能量變化值；8f)目標(biāo)檢測(cè)模塊判斷能量變化值是否小于等于零，如果是，執(zhí)行步驟Si)，否則，執(zhí)行步驟8g)；Sg)目標(biāo)檢測(cè)模塊使用蒙那卡羅方法在
區(qū)間內(nèi)產(chǎn)生一個(gè)均勻分布的隨機(jī)數(shù)；Bh)目標(biāo)檢測(cè)模塊判斷是否滿足保持條件，如果是，中心部件位置坐標(biāo)保持原值，執(zhí)行步驟8b)，否則，執(zhí)行步驟Si)；Si)目標(biāo)檢測(cè)模塊使用步驟8d)得到的新的中心部件位置坐標(biāo)值對(duì)中心部件位置坐標(biāo)進(jìn)行賦值，使用步驟8d)得到的新的能量值對(duì)當(dāng)前能量值進(jìn)行賦值，執(zhí)行步驟8b)；8j)記錄更新的中心部件位置坐標(biāo)和當(dāng)前能量值；(9)判斷是否第一次記錄中心部件位置坐標(biāo)目標(biāo)檢測(cè)模塊判斷是否是第一次執(zhí)行此(9)步驟，如果是，執(zhí)行步驟8a)，否則，執(zhí)行步驟IOa)；(10)獲得近似中心部件位置坐標(biāo)集合IOa)目標(biāo)檢測(cè)模塊判斷第一次記錄的當(dāng)前能量值是否小于第二次記錄的當(dāng)前能量值，如果是，選擇第一次記錄的中心部件位置坐標(biāo)作為近似中心部件位置坐標(biāo)，否則，選擇第二次記錄的中心部件位置坐標(biāo)作為近似中心部件位置坐標(biāo)；IOb)目標(biāo)檢測(cè)模塊計(jì)算所有外圍部件與中心部件對(duì)應(yīng)位置坐標(biāo)差向量的均值向量;IOc)目標(biāo)檢測(cè)模塊將均值向量分別與近似中心部件位置坐標(biāo)相加，得到近似外圍部件位置坐標(biāo)；IOd)目標(biāo)檢測(cè)模塊將近似外圍部件位置坐標(biāo)和近似中心部件位置坐標(biāo)組合構(gòu)成近似部件位置坐標(biāo)集合；(11)獲得最終部件位置坐標(biāo)集合Ila)目標(biāo)檢測(cè)模塊使用步驟IOd)得到的近似部件位置坐標(biāo)集合對(duì)部件位置坐標(biāo)集合進(jìn)行賦值，初始化迭代次數(shù)為0，設(shè)定初始步長(zhǎng)為7 ；Ilb)目標(biāo)檢測(cè)模塊將初始步長(zhǎng)與迭代次數(shù)相除，得到當(dāng)前步長(zhǎng)，并將迭代次數(shù)增加I ;
He)目標(biāo)檢測(cè)模塊對(duì)目標(biāo)函數(shù)進(jìn)行求導(dǎo)，得到目標(biāo)函數(shù)關(guān)于當(dāng)前部件位置坐標(biāo)集合的梯度向量，判斷梯度向量的2范數(shù)是否小于門(mén)限，如果是，則執(zhí)行步驟Hf)，否則，執(zhí)行步驟Ild)；Ild)目標(biāo)檢測(cè)模塊將當(dāng)前步長(zhǎng)與梯度向量相乘，得到更新向量；lie)目標(biāo)檢測(cè)模塊將部件位置坐標(biāo)集合與更新向量相減，得到更新的部件位置坐標(biāo)集合，執(zhí)行步驟Ilb)；Hf)重新初始化迭代次數(shù)為0 ;Hg)目標(biāo)檢測(cè)模塊將迭代次數(shù)增加1，判斷迭代次數(shù)是否大于20，如果是，則執(zhí)行步驟111)，否則，求得目標(biāo)函數(shù)關(guān)于當(dāng)前部件位置坐標(biāo)集合的梯度向量，并將當(dāng)前部件位置坐標(biāo)集合代入目標(biāo)函數(shù)計(jì)算當(dāng)前目標(biāo)函數(shù)值；Ilh)目標(biāo)檢測(cè)模塊在梯度向量中查找絕對(duì)值最大的位，判斷此位是否在之前的循環(huán)中被選中過(guò)，如果是，找到次大的位，否則，執(zhí)行步驟Ili);Ili)目標(biāo)檢測(cè)模塊判斷被選中的位的梯度絕對(duì)值是否大于等于閾值，如果是，執(zhí)行步驟Ili)，否則執(zhí)行步驟111);Ilj)目標(biāo)檢測(cè)模塊判斷梯度向量中被選中位的值是否大于0，如果是，則部件位置坐標(biāo)集合中被選中位的值減去1，未選中位的值保持原值，得到更新的部件位置坐標(biāo)集合，否則，部件位置坐標(biāo)集合中被選中的位的值加上1，未選中位的值保持原值，得到更新的部件位置坐標(biāo)集合；Ilk)目標(biāo)檢測(cè)模塊將更新的部件位置坐標(biāo)集合代入目標(biāo)函數(shù)計(jì)算新目標(biāo)函數(shù)值，判斷新目標(biāo)函數(shù)值是否大于步驟Hg)中得到的當(dāng)前目標(biāo)函數(shù)值，如果是，則將更新的部件位置坐標(biāo)集合賦值給當(dāng)前部件位置坐標(biāo)集合，將新目標(biāo)函數(shù)值賦值給當(dāng)前目標(biāo)函數(shù)值，執(zhí)行步驟Hg)，否則，部件位置坐標(biāo)集合和當(dāng)前目標(biāo)函數(shù)值保持原值，執(zhí)行步驟iig)；111)目標(biāo)檢測(cè)模塊選擇當(dāng)前部件位置坐標(biāo)集合作為最終部件位置坐標(biāo)集合；(12)顯示檢測(cè)結(jié)果檢測(cè)結(jié)果顯示模塊從目標(biāo)檢測(cè)模塊讀取最終部件位置坐標(biāo)集合，完成檢測(cè)結(jié)果的顯不。其中，步驟(7)、步驟(8)、步驟(9)、步驟(10)為采用了二次退火策略的模擬退火算法的執(zhí)行步驟，步驟(11)為添加了步進(jìn)策略的梯度下降算法的執(zhí)行步驟。本發(fā)明與現(xiàn)有技術(shù)相比有以下優(yōu)點(diǎn)第一，本發(fā)明在構(gòu)造目標(biāo)空間結(jié)構(gòu)過(guò)程中，首先生成最大生成樹(shù)，然后在此基礎(chǔ)上不斷地添加邊來(lái)消除葉子節(jié)點(diǎn)?？朔爽F(xiàn)有技術(shù)不能準(zhǔn)確表示目標(biāo)空間結(jié)構(gòu)的缺點(diǎn)，使得本發(fā)明具有了目標(biāo)空間結(jié)構(gòu)更真實(shí)，檢測(cè)結(jié)果更加穩(wěn)定、準(zhǔn)確的優(yōu)點(diǎn)；第二，本發(fā)明在目標(biāo)部件檢測(cè)過(guò)程中采用了模擬退火算法和梯度下降算法相結(jié)合的收斂方法，克服了現(xiàn)有技術(shù)在利用距離變換技術(shù)進(jìn)行目標(biāo)檢測(cè)之前，必須要獲得目標(biāo)以及部件的檢測(cè)代價(jià)圖的缺點(diǎn)，使得本發(fā)明具有了降低算法的時(shí)間復(fù)雜度，縮短目標(biāo)檢測(cè)時(shí)間的優(yōu)點(diǎn)；第三，本發(fā)明在目標(biāo)部件檢測(cè)過(guò)程中采用了模擬退火算法和梯度下降算法相結(jié)合的收斂方法，克服了現(xiàn)有技術(shù)在目標(biāo)空間結(jié)構(gòu)中不能存在環(huán)路的缺點(diǎn)，使得本發(fā)明的目標(biāo)部件檢測(cè)算法具有了適用于任何目標(biāo)空間結(jié)構(gòu)的優(yōu)點(diǎn)；


圖I為本發(fā)明的流程圖； 圖2為實(shí)現(xiàn)本發(fā)明的系統(tǒng)示意圖；圖3為本發(fā)明的仿真效果圖；圖4為本發(fā)明與現(xiàn)有技術(shù)k-fans模型的效果對(duì)比圖。
具體實(shí)施例方式下面結(jié)合附圖對(duì)本發(fā)明做進(jìn)一步描述。圖2為實(shí)現(xiàn)本發(fā)明的系統(tǒng)示意圖，該系統(tǒng)包括圖像訓(xùn)練計(jì)算機(jī)、通用串行總線接口芯片、數(shù)字信號(hào)處理芯片、閃存、同步動(dòng)態(tài)隨機(jī)存儲(chǔ)器、現(xiàn)場(chǎng)可編程門(mén)陣列、靜態(tài)隨機(jī)存儲(chǔ)器、圖像采集芯片、檢測(cè)結(jié)果顯示計(jì)算機(jī)、模數(shù)轉(zhuǎn)換芯片、總線。數(shù)字信號(hào)處理芯片跟圖像訓(xùn)練計(jì)算機(jī)通過(guò)通用串行總線接口芯片進(jìn)行通信?，F(xiàn)場(chǎng)可編程門(mén)陣列、閃存、同步動(dòng)態(tài)隨機(jī)存儲(chǔ)器、靜態(tài)隨機(jī)存儲(chǔ)器都通過(guò)總線跟數(shù)字信號(hào)處理芯片相連。數(shù)字信號(hào)處理芯片有中斷線連接到現(xiàn)場(chǎng)可編程門(mén)陣列和通用串行總線接口芯片，數(shù)字信號(hào)處理芯片通過(guò)數(shù)據(jù)總線和通用串行總線接口芯片相連。圖像采集芯片通過(guò)控制線跟現(xiàn)場(chǎng)可編程門(mén)陣列相連，通過(guò)數(shù)據(jù)線跟模數(shù)轉(zhuǎn)換芯片相連。模數(shù)轉(zhuǎn)換芯片通過(guò)數(shù)據(jù)總線跟現(xiàn)場(chǎng)可編程門(mén)陣列相連。檢測(cè)結(jié)果顯示計(jì)算機(jī)通過(guò)串行總線跟數(shù)字信號(hào)處理芯片相連。圖像訓(xùn)練計(jì)算機(jī)裝有圖像標(biāo)記程序，完成訓(xùn)練圖像標(biāo)記模塊的功能。另外圖像訓(xùn)練計(jì)算機(jī)還裝有表觀模型訓(xùn)練程序和空間結(jié)構(gòu)模型訓(xùn)練程序，完成模型構(gòu)建模塊的功能。圖像采集芯片、現(xiàn)場(chǎng)可編程門(mén)陣列、靜態(tài)隨機(jī)存儲(chǔ)器、模數(shù)轉(zhuǎn)換芯片完成圖像采集模塊的功能。數(shù)字信號(hào)處理芯片、閃存、同步動(dòng)態(tài)隨機(jī)存儲(chǔ)器、總線完成目標(biāo)檢測(cè)模塊的功能。檢測(cè)結(jié)果顯示計(jì)算機(jī)完成檢測(cè)結(jié)果顯示模塊的功能。結(jié)合附圖I對(duì)本發(fā)明的具體步驟描述如下步驟I,標(biāo)記訓(xùn)練圖像在因特網(wǎng)上收集沒(méi)有待檢測(cè)目標(biāo)的背景圖像。在人臉數(shù)據(jù)上的實(shí)施例以CaltechlOl人臉數(shù)據(jù)庫(kù)的200張圖片作為訓(xùn)練圖像，圖像標(biāo)記模塊對(duì)每張訓(xùn)練圖像的6個(gè)部件進(jìn)行標(biāo)記(即在訓(xùn)練圖片每個(gè)部件位置上標(biāo)記一個(gè)正方形框，部件位置被定義為正方形框的中心位置)得到部件的位置坐標(biāo)左眼，右眼，鼻子，左嘴角，右嘴角，下巴。在摩托車數(shù)據(jù)上的實(shí)施例以CaltechlOl摩托車數(shù)據(jù)庫(kù)的400張圖片作為訓(xùn)練圖像，圖像標(biāo)記模塊對(duì)每張訓(xùn)練圖像的6個(gè)部件進(jìn)行標(biāo)記得到部件的位置坐標(biāo)前車燈，前座，后座，后車燈，前車輪，后車輪。在飛機(jī)數(shù)據(jù)上的實(shí)施例以CaltechlOl飛機(jī)數(shù)據(jù)庫(kù)的400張圖片作為訓(xùn)練圖像，圖像標(biāo)記模塊對(duì)每張訓(xùn)練圖像的6個(gè)部件進(jìn)行標(biāo)記得到部件的位置坐標(biāo)飛機(jī)前輪，飛機(jī)后輪，螺旋槳，尾翼，機(jī)尾，機(jī)身。 步驟2，構(gòu)建目標(biāo)空間結(jié)構(gòu)2a)模型構(gòu)建模塊從訓(xùn)練圖像標(biāo)記模塊讀取待檢測(cè)目標(biāo)的所有訓(xùn)練圖像中6個(gè)部件的位置坐標(biāo)；2b)模型構(gòu)建模塊將部件的位置坐標(biāo)代入互信息熵計(jì)算公式計(jì)算兩兩部件之間位置的互信息熵；2c)模型構(gòu)建模塊將互信息熵作為邊的權(quán)值，以6個(gè)部件為節(jié)點(diǎn)，模型構(gòu)建模塊采用prim算法構(gòu)造最大生成樹(shù)；2d)模型構(gòu)建模塊在最大生成樹(shù)中尋找包含葉子節(jié)點(diǎn)的所有三節(jié)點(diǎn)子圖構(gòu)成集 合；2e)在三節(jié)點(diǎn)子圖集合中，模型構(gòu)建模塊尋找節(jié)點(diǎn)之間互信息熵之和最大的三節(jié)點(diǎn)子圖，得到最緊密三節(jié)點(diǎn)子圖；2f)模型構(gòu)建模塊計(jì)算最緊密三節(jié)點(diǎn)子圖的補(bǔ)圖，并將補(bǔ)圖加入到最大生成樹(shù)中；2g)模型構(gòu)建模塊搜索加入補(bǔ)圖之后的最大生成樹(shù)中是否還存在葉子節(jié)點(diǎn)，如果存在，執(zhí)行步驟2d)，如果不存在，則最大生成樹(shù)更新已經(jīng)完成，執(zhí)行步驟2h)；2h)模型構(gòu)建模塊給完成更新的最大生成樹(shù)的邊任意指定方向，得到由節(jié)點(diǎn)集和有向邊集組成的目標(biāo)空間結(jié)構(gòu)，此空間結(jié)構(gòu)折中考慮了樹(shù)狀圖和全連接圖的優(yōu)點(diǎn)。步驟3，統(tǒng)計(jì)空間結(jié)構(gòu)模型參數(shù)3a)對(duì)于每?jī)蓚€(gè)在目標(biāo)空間結(jié)構(gòu)中相鄰(在目標(biāo)空間結(jié)構(gòu)中有邊進(jìn)行連接)的部件，模型構(gòu)建模塊計(jì)算所有訓(xùn)練圖像中與它們對(duì)應(yīng)位置坐標(biāo)的差向量并組成差向量矩陣；3b)對(duì)于每?jī)蓚€(gè)在目標(biāo)空間結(jié)構(gòu)中相鄰的部件，模型構(gòu)建模塊將它們對(duì)應(yīng)的差向量矩陣的列作向量的平均運(yùn)算得到均值向量；3c)對(duì)于每?jī)蓚€(gè)在目標(biāo)空間結(jié)構(gòu)中相鄰的部件，模型構(gòu)建模塊使用協(xié)方差矩陣的計(jì)算方法計(jì)算它們對(duì)應(yīng)位置坐標(biāo)的差向量的協(xié)方差矩陣，其中協(xié)方差矩陣的計(jì)算方法的具體步驟為第I步將相鄰部件對(duì)應(yīng)的差向量矩陣每列數(shù)據(jù)減去它們的均值向量，再把處理之后的每列數(shù)據(jù)重新組成數(shù)據(jù)矩陣；第2步將數(shù)據(jù)矩陣進(jìn)行轉(zhuǎn)置運(yùn)算得到數(shù)據(jù)矩陣的轉(zhuǎn)置；第3步將數(shù)據(jù)矩陣乘以數(shù)據(jù)矩陣的轉(zhuǎn)置得到相乘矩陣；第4步將相乘矩陣的每個(gè)元素與數(shù)據(jù)矩陣的列數(shù)相除得到協(xié)方差矩陣。3d) d個(gè)協(xié)方差矩陣和d個(gè)均值向量組成空間結(jié)構(gòu)模型參數(shù)，其中，d表示目標(biāo)空間結(jié)構(gòu)的邊集中元素的個(gè)數(shù)；步驟4，統(tǒng)計(jì)表觀模型參數(shù)，與部件a對(duì)應(yīng)的表觀模型具體為g(i) = iog(U^-(p-^)
pe, b[I(P + /)]其中，g(l)表示位于被檢測(cè)圖像中I的區(qū)域與部件a的匹配度，IogO表示做對(duì)數(shù)運(yùn)算，P為與部件a相對(duì)的像素坐標(biāo)，V表示被部件a覆蓋的區(qū)域中的相對(duì)像素坐標(biāo)集合，f(p) [I (p+1)]表示部件a的位置坐標(biāo)為I時(shí)，相對(duì)像素坐標(biāo)p的像素值為I (P+1)的概率，b[I(p+l)]表示被檢測(cè)圖像I位于I的區(qū)域?yàn)楸尘皶r(shí)，相對(duì)像素坐標(biāo)P的像素值為I(P+1)的概率，4a)模型構(gòu)建模塊從訓(xùn)練圖像標(biāo)記模塊讀取所有訓(xùn)練圖像和背景圖像，并使用邊緣檢測(cè)算子處理所有訓(xùn)練圖像和背景圖像分別得到灰度級(jí)為16的預(yù)處理訓(xùn)練圖像集和預(yù)處理背景圖像集，預(yù)處理圖像的像素值表示此處邊緣的角度；4b)對(duì)于每個(gè)部件，模型構(gòu)建模塊按照此部件在所有訓(xùn)練圖像中的位置坐標(biāo)將圖像片從所有預(yù)處理訓(xùn)練圖像中取出，組成部件訓(xùn)練集合，在部件訓(xùn)練集合中，依次統(tǒng)計(jì)相對(duì)像素坐標(biāo)P的像素值為u的圖像片個(gè)數(shù)，然后將統(tǒng)計(jì)出的圖像片個(gè)數(shù)跟部件訓(xùn)練集合中圖像片的總數(shù)相除，得到f(p) [u] (p G V, U G {I, ... ,16});4c)在預(yù)處理背景圖像集中統(tǒng)計(jì)像素值為u的像素?cái)?shù)目，然后將統(tǒng)計(jì)出的像素?cái)?shù)目跟所有像素?cái)?shù)目相除，得到b[u](u e {1,...,16})；步驟5，傳送模型參數(shù)圖像訓(xùn)練計(jì)算機(jī)將空間結(jié)構(gòu)模型參數(shù)和表觀模型參數(shù)傳入通用串行總線接口芯片的緩沖池，然后通用串行總線接口芯片向數(shù)字信號(hào)處理芯片發(fā)送中斷信號(hào)。步驟6，采集被檢測(cè)圖像目標(biāo)檢測(cè)模塊中的數(shù)字信號(hào)處理芯片通過(guò)現(xiàn)場(chǎng)可編程門(mén)陣列向圖像采集芯片發(fā)送采集圖像指令，隨后圖像采集芯片獲取圖像模擬信號(hào)，將圖像模擬信號(hào)轉(zhuǎn)換成數(shù)字信號(hào)圖像并存入現(xiàn)場(chǎng)可編程門(mén)陣列的緩存，隨后現(xiàn)場(chǎng)可編程門(mén)陣列向數(shù)字信號(hào)處理芯片發(fā)送中斷信號(hào)，數(shù)字信號(hào)處理芯片從現(xiàn)場(chǎng)可編程門(mén)陣列的緩存中讀取被檢測(cè)圖像的數(shù)據(jù)轉(zhuǎn)存到靜態(tài)隨機(jī)存儲(chǔ)器；步驟7,初始化目標(biāo)檢測(cè)的參數(shù)7a)目標(biāo)檢測(cè)模塊中的數(shù)字信號(hào)處理芯片從靜態(tài)隨機(jī)存儲(chǔ)器中讀取被檢測(cè)圖像，使用與步驟4a)相同的邊緣檢測(cè)算子完成被檢測(cè)圖像的預(yù)處理，并從通用串行總線接口芯片的緩沖池中讀取空間結(jié)構(gòu)模型參數(shù)和表觀模型參數(shù)；7b)目標(biāo)檢測(cè)模塊在n個(gè)部件中任意選定一個(gè)部件作為中心部件，其它部件作為外圍部件；7c)目標(biāo)檢測(cè)模塊將中心部件放置在被檢測(cè)圖像中任意位置，設(shè)定初始的溫度參數(shù)(在關(guān)于人臉數(shù)據(jù)的實(shí)施例中，設(shè)定初始的溫度參數(shù)為45 ;在關(guān)于摩托車數(shù)據(jù)的實(shí)施例中，設(shè)定初始的溫度參數(shù)為38 ;在關(guān)于飛機(jī)數(shù)據(jù)的實(shí)施例中，設(shè)定初始的溫度參數(shù)為38)，將中心部件位置坐標(biāo)代入下面的能量公式中，得到當(dāng)前能量值
權(quán)利要求
1.一種基于部件的目標(biāo)檢測(cè)方法，通過(guò)訓(xùn)練圖像標(biāo)記模塊、模型構(gòu)建模塊、圖像采集模塊、目標(biāo)檢測(cè)模塊和檢測(cè)結(jié)果顯示模塊五個(gè)模塊完成以下具體步驟 (1)標(biāo)記訓(xùn)練圖像 在因特網(wǎng)上收集包含待檢測(cè)目標(biāo)的訓(xùn)練圖像和不包含待檢測(cè)目標(biāo)的背景圖像，訓(xùn)練圖像標(biāo)記模塊對(duì)每張訓(xùn)練圖像中的n個(gè)部件進(jìn)行標(biāo)記，獲得訓(xùn)練圖像中n個(gè)部件的位置坐標(biāo)； (2)構(gòu)建目標(biāo)空間結(jié)構(gòu) 2a)模型構(gòu)建模塊從訓(xùn)練圖像標(biāo)記模塊讀取所有訓(xùn)練圖像中n個(gè)部件的位置坐標(biāo)以及所有的訓(xùn)練圖像和背景圖像； 2b)模型構(gòu)建模塊使用互信息熵計(jì)算公式計(jì)算兩兩部件之間位置的互信息熵； 2c)將互信息熵作為邊的權(quán)值，以n個(gè)部件為節(jié)點(diǎn)，模型構(gòu)建模塊采用prim算法構(gòu)造最大生成樹(shù)； 2d)模型構(gòu)建模塊在最大生成樹(shù)中尋找包含葉子節(jié)點(diǎn)的所有三節(jié)點(diǎn)子圖構(gòu)成集合； 2e)在三節(jié)點(diǎn)子圖集合中，模型構(gòu)建模塊尋找節(jié)點(diǎn)之間互信息熵之和最大的三節(jié)點(diǎn)子圖，得到最緊密三節(jié)點(diǎn)子圖； 2f)模型構(gòu)建模塊計(jì)算最緊密三節(jié)點(diǎn)子圖的補(bǔ)圖，并將補(bǔ)圖加入到最大生成樹(shù)中； 2g)模型構(gòu)建模塊搜索加入補(bǔ)圖之后的最大生成樹(shù)中是否還存在葉子節(jié)點(diǎn)，如果存在，執(zhí)行步驟2d)，如果不存在，則最大生成樹(shù)更新已經(jīng)完成，執(zhí)行步驟2h)； 2h)模型構(gòu)建模塊給完成更新的最大生成樹(shù)的邊任意指定方向,得到由節(jié)點(diǎn)集和有向邊集組成的目標(biāo)空間結(jié)構(gòu)； (3)統(tǒng)計(jì)空間結(jié)構(gòu)模型參數(shù) 3a)對(duì)于每?jī)蓚€(gè)在目標(biāo)空間結(jié)構(gòu)中相鄰的部件，模型構(gòu)建模塊計(jì)算在所有訓(xùn)練圖像中與它們對(duì)應(yīng)位置坐標(biāo)的差向量并組成差向量矩陣； 3b)對(duì)于每?jī)蓚€(gè)在目標(biāo)空間結(jié)構(gòu)中相鄰的部件，模型構(gòu)建模塊將它們對(duì)應(yīng)的差向量矩陣的列作向量的平均運(yùn)算得到均值向量； 3c)對(duì)于每?jī)蓚€(gè)在目標(biāo)空間結(jié)構(gòu)中相鄰的部件，模型構(gòu)建模塊使用協(xié)方差矩陣的計(jì)算方法計(jì)算它們對(duì)應(yīng)位置坐標(biāo)的差向量的協(xié)方差矩陣； (4)統(tǒng)計(jì)表觀模型參數(shù) 模型構(gòu)建模塊使用訓(xùn)練圖像和背景圖像對(duì)各個(gè)部件區(qū)域的局部特性進(jìn)行統(tǒng)計(jì)，得到表觀模型參數(shù)； (5)傳送模型參數(shù) 模型構(gòu)建模塊向目標(biāo)檢測(cè)模塊傳送空間結(jié)構(gòu)模型參數(shù)和表觀模型參數(shù)； (6)采集被檢測(cè)圖像 圖像采集模塊獲取圖像模擬信號(hào)，并將圖像模擬信號(hào)轉(zhuǎn)換成數(shù)字信號(hào)圖像作為后續(xù)待處理的被檢測(cè)圖像； (7)初始化目標(biāo)檢測(cè)的參數(shù) 7a)目標(biāo)檢測(cè)模塊從模型構(gòu)建模塊中讀取空間結(jié)構(gòu)模型參數(shù)和表觀模型參數(shù)； 7b)目標(biāo)檢測(cè)模塊在n個(gè)部件中任意選定一個(gè)部件作為中心部件，其它部件作為外圍部件；7c)目標(biāo)檢測(cè)模塊將中心部件放置在被檢測(cè)圖像中任意位置，設(shè)定初始的溫度參數(shù)，將中心部件位置坐標(biāo)代入能量公式中，得到當(dāng)前能量值； (8)獲得中心部件位置坐標(biāo) 8a)目標(biāo)檢測(cè)模塊將迭代次數(shù)初始化為O ; Sb)目標(biāo)檢測(cè)模塊將迭代次數(shù)增加1，判斷迭代次數(shù)是否大于迭代上限，如果是，則執(zhí)行步驟8 j)，否則執(zhí)行步驟Sc)； Sc)目標(biāo)檢測(cè)模塊使用蒙那卡羅方法產(chǎn)生一個(gè)符合二維高 斯分布的二維向量； 8d)目標(biāo)檢測(cè)模塊將產(chǎn)生的二維向量跟中心部件的位置坐標(biāo)相加得到新的中心部件位置坐標(biāo)，將新的中心部件的位置坐標(biāo)代入能量公式，得到一個(gè)新的能量值； Se)目標(biāo)檢測(cè)模塊使用新能量值減去當(dāng)前能量值，得到能量變化值； 8f)目標(biāo)檢測(cè)模塊判斷能量變化值是否小于等于零，如果是，執(zhí)行步驟Si)，否則，執(zhí)行步驟8g)； Sg)目標(biāo)檢測(cè)模塊使用蒙那卡羅方法在[O，I]區(qū)間內(nèi)產(chǎn)生一個(gè)均勻分布的隨機(jī)數(shù)； 8h)目標(biāo)檢測(cè)模塊判斷是否滿足保持條件，如果是，中心部件位置坐標(biāo)保持原值，執(zhí)行步驟8b)，否則，執(zhí)行步驟Si)； Si)目標(biāo)檢測(cè)模塊使用步驟8d)得到的新的中心部件位置坐標(biāo)值對(duì)中心部件位置坐標(biāo)進(jìn)行賦值，使用步驟8d)得到的新的能量值對(duì)當(dāng)前能量值進(jìn)行賦值，執(zhí)行步驟8b)； 8j)記錄更新的中心部件位置坐標(biāo)和當(dāng)前能量值； (9)判斷是否第一次記錄中心部件位置坐標(biāo) 目標(biāo)檢測(cè)模塊判斷是否是第一次執(zhí)行此(9)步驟，如果是，執(zhí)行步驟8a)，否則，執(zhí)行步驟 IOa)； (10)獲得近似部件位置坐標(biāo)集合 IOa)目標(biāo)檢測(cè)模塊判斷第一次記錄的當(dāng)前能量值是否小于第二次記錄的當(dāng)前能量值，如果是，選擇第一次記錄的中心部件位置坐標(biāo)作為近似中心部件位置坐標(biāo)，否則，選擇第二次記錄的中心部件位置坐標(biāo)作為近似中心部件位置坐標(biāo)； IOb)目標(biāo)檢測(cè)模塊計(jì)算所有外圍部件與中心部件對(duì)應(yīng)位置坐標(biāo)差向量的均值向量；IOc)目標(biāo)檢測(cè)模塊將均值向量分別與近似中心部件位置坐標(biāo)相加，得到近似外圍部件位置坐標(biāo)； IOd)目標(biāo)檢測(cè)模塊將近似外圍部件位置坐標(biāo)和近似中心部件位置坐標(biāo)組合構(gòu)成近似部件位置坐標(biāo)集合； (11)獲得最終部件位置坐標(biāo)集合 Ila)目標(biāo)檢測(cè)模塊使用步驟IOd)得到的近似部件位置坐標(biāo)集合對(duì)部件位置坐標(biāo)集合進(jìn)行賦值，初始化迭代次數(shù)為0，設(shè)定初始步長(zhǎng)為7 ； Ilb)目標(biāo)檢測(cè)模塊將初始步長(zhǎng)與迭代次數(shù)相除，得到當(dāng)前步長(zhǎng)，并將迭代次數(shù)增加I ;He)目標(biāo)檢測(cè)模塊對(duì)目標(biāo)函數(shù)進(jìn)行求導(dǎo)，得到目標(biāo)函數(shù)關(guān)于當(dāng)前部件位置坐標(biāo)集合的梯度向量，判斷梯度向量的2范數(shù)是否小于門(mén)限，如果是，則執(zhí)行步驟Hf)，否則，執(zhí)行步驟Ild)； Ild)目標(biāo)檢測(cè)模塊將當(dāng)前步長(zhǎng)與梯度向量相乘，得到更新向量； He)目標(biāo)檢測(cè)模塊將部件位置坐標(biāo)集合與更新向量相減，得到更新的部件位置坐標(biāo)集合，執(zhí)行步驟lib)； Hf)重新初始化迭代次數(shù)為O ; Hg)目標(biāo)檢測(cè)模塊將迭代次數(shù)增加1，判斷迭代次數(shù)是否大于20，如果是，則執(zhí)行步驟ill)，否則，求得目標(biāo)函數(shù)關(guān)于當(dāng)前部件位置坐標(biāo)集合的梯度向量，并將當(dāng)前部件位置坐標(biāo)集合代入目標(biāo)函數(shù)計(jì)算當(dāng)前目標(biāo)函數(shù)值； iih)目標(biāo)檢測(cè)模塊在梯度向量中查找絕對(duì)值最大的位，判斷此位是否在之前的循環(huán)中被選中過(guò)，如果是，找到次大的位，否則，執(zhí)行步驟in)； in)目標(biāo)檢測(cè)模塊判斷被選中的位的梯度絕對(duì)值是否大于等于閾值，如果是，執(zhí)行步驟iij)，否則執(zhí)行步驟ill)； Ilj)目標(biāo)檢測(cè)模塊判斷梯度向量中被選中位的值是否大于0，如果是，則部件位置坐 標(biāo)集合中被選中位的值減去1，未選中位的值保持原值，得到更新的部件位置坐標(biāo)集合，否貝U，部件位置坐標(biāo)集合中被選中的位的值加上1，未選中位的值保持原值，得到更新的部件位置坐標(biāo)集合； Ilk)目標(biāo)檢測(cè)模塊將更新的部件位置坐標(biāo)集合代入目標(biāo)函數(shù)計(jì)算新目標(biāo)函數(shù)值，判斷新目標(biāo)函數(shù)值是否大于步驟iig)中得到的當(dāng)前目標(biāo)函數(shù)值，如果是，則將更新的部件位置坐標(biāo)集合賦值給當(dāng)前部件位置坐標(biāo)集合，將新目標(biāo)函數(shù)值賦值給當(dāng)前目標(biāo)函數(shù)值，執(zhí)行步驟Hg)，否則，部件位置坐標(biāo)集合和當(dāng)前目標(biāo)函數(shù)值保持原值，執(zhí)行步驟iig)；in)目標(biāo)檢測(cè)模塊選擇當(dāng)前部件位置坐標(biāo)集合作為最終部件位置坐標(biāo)集合； (12)顯示檢測(cè)結(jié)果 檢測(cè)結(jié)果顯示模塊從目標(biāo)檢測(cè)模塊讀取最終部件位置坐標(biāo)集合，完成檢測(cè)結(jié)果的顯/Jn o
2.根據(jù)權(quán)利要求I所述的基于部件的目標(biāo)檢測(cè)方法，其特征在于步驟(I)中所述的待識(shí)別的目標(biāo)部件個(gè)數(shù)n應(yīng)限定在[4，8]范圍內(nèi)，部件邊長(zhǎng)限定在[40，60]范圍內(nèi)。
3.根據(jù)權(quán)利要求I所述的基于部件的目標(biāo)檢測(cè)方法，其特征在于所述步驟7c)中初始的溫度參數(shù)限定在[30，45]范圍內(nèi)。
4.根據(jù)權(quán)利要求I所述的基于部件的目標(biāo)檢測(cè)方法，其特征在于所述步驟8b)中迭代上限限定在[150,300]范圍內(nèi)。
5.根據(jù)權(quán)利要求I所述的基于部件的目標(biāo)檢測(cè)方法，其特征在于所述步驟lie)中門(mén)限限定為[1.0，2.0]范圍內(nèi)。
6.根據(jù)權(quán)利要求I所述的基于部件的目標(biāo)檢測(cè)方法，其特征在于所述步驟Ili)中閾值限定在
范圍內(nèi)。
7.根據(jù)權(quán)利要求I所述的基于部件的目標(biāo)檢測(cè)方法，其特征在于步驟3c)中所述的協(xié)方差矩陣的計(jì)算方法的具體步驟為 第I步將相鄰部件對(duì)應(yīng)的差向量矩陣每列數(shù)據(jù)減去它們的均值向量，再把處理之后的每列數(shù)據(jù)重新組成數(shù)據(jù)矩陣； 第2步將數(shù)據(jù)矩陣進(jìn)行轉(zhuǎn)置運(yùn)算得到數(shù)據(jù)矩陣的轉(zhuǎn)置； 第3步將數(shù)據(jù)矩陣乘以數(shù)據(jù)矩陣的轉(zhuǎn)置得到相乘矩陣； 第4步將相乘矩陣的每個(gè)元素與數(shù)據(jù)矩陣的列數(shù)相除得到協(xié)方差矩陣。
8.根據(jù)權(quán)利要求I所述的基于部件的目標(biāo)檢測(cè)方法，其特征在于所述步驟7c)、步驟8d)中能量公式如下 ■ = -1>(/ + ")aeV 其中，F(xiàn)(I)代表中心部件位置坐標(biāo)為I的能量值，a代表一個(gè)部件，V為n個(gè)部件的集合，g(l+U)表示位于被檢測(cè)圖像中1+U的區(qū)域與部件a的匹配度，y表示部件a與中心部件對(duì)應(yīng)位置坐標(biāo)差向量的均值向量。
9.根據(jù)權(quán)利要求I所述的基于部件的目標(biāo)檢測(cè)方法，其特征在于所述步驟8h)中的保持條件為 (i + 1)-AE/T ^ ^其中，i為迭代次數(shù)，aE為能量變化值，T為初始的溫度參數(shù)，(為步驟Sg)中產(chǎn)生的隨機(jī)數(shù)。
10.根據(jù)權(quán)利要求I所述的基于部件的目標(biāo)檢測(cè)方法，其特征在于所述步驟11c)、步驟Ilf)、步驟Ilg)、步驟Ilk)中目標(biāo)函數(shù)限定為Q(L) = -X g{l) - X 1Og(沐- /')) aeV(v，/)e￡ 其中，Q(L)代表部件位置坐標(biāo)集合為L(zhǎng)的目標(biāo)函數(shù)值，a代表一個(gè)部件，V為n個(gè)部件的集合，g(l)表示位于被檢測(cè)圖像中I的區(qū)域與部件a的匹配度，反乃表示目標(biāo)空間結(jié)構(gòu)的邊集E中的一條有向邊，它的兩個(gè)頂點(diǎn)為部件f和部件V，log ()表示作對(duì)數(shù)運(yùn)算，p (i-j)表示差向量i-j的高斯分布，i表示部件V的位置坐標(biāo)，j表示部件f的位置坐標(biāo)。
全文摘要
本發(fā)明公開(kāi)一種基于部件的目標(biāo)檢測(cè)方法，主要解決現(xiàn)有技術(shù)中目標(biāo)部件檢測(cè)算法計(jì)算復(fù)雜度高、應(yīng)用范圍窄、以及目標(biāo)空間結(jié)構(gòu)不夠準(zhǔn)確的問(wèn)題。其方法步驟為(1)標(biāo)記訓(xùn)練圖像；(2)構(gòu)建目標(biāo)空間結(jié)構(gòu)；(3)統(tǒng)計(jì)空間結(jié)構(gòu)模型參數(shù)；(4)統(tǒng)計(jì)表觀模型參數(shù)；(5)傳送模型參數(shù)；(6)采集被檢測(cè)圖像；(7)初始化目標(biāo)檢測(cè)的參數(shù)；(8)獲得中心部件位置坐標(biāo)；(9)判斷是否第一次記錄中心部件位置坐標(biāo)；(10)獲得近似部件位置坐標(biāo)集合；(11)獲得最終部件位置坐標(biāo)集合；(12)顯示檢測(cè)結(jié)果。本發(fā)明準(zhǔn)確地表示了目標(biāo)空間結(jié)構(gòu)，提高了檢測(cè)速度，擴(kuò)展了目標(biāo)部件檢測(cè)算法的應(yīng)用范圍。
文檔編號(hào)G06K9/32GK102750532SQ20121020236
公開(kāi)日2012年10月24日 申請(qǐng)日期2012年6月6日 優(yōu)先權(quán)日2012年6月6日
發(fā)明者劉俊廷, 劉而云, 張春暉, 曹凱, 梁繼民, 趙恒 申請(qǐng)人:西安電子科技大學(xué)