目标检测方法与装置的制造方法
目标检测方法与装置的制造方法
【技术领域】
[0001] 本发明设及图像检测技术，尤其设及一种目标检测方法与装置。
【背景技术】
[0002] 目标检测是指对图像或图像序列中感兴趣的物体进行识别与定位的技术，该技术 W计算机视觉为理论基础，被广泛应用于军用、民用等领域。
[0003] 目标检测技术中所采用的检测算法也被称之为检测器。从结构的角度来讲，检测 器包括特征提取模块和特征分类模块。其中，特征提取模块用于按照某种规则将待检测区 域的外观抽象描述为"特征"，特征分类模块用于根据特征提取模块提取出的特征，将待检 测区域分类为某一类目标或背景。目标检测过程中，设计好检测器的特征分类模块与特征 提取模块，采用检测器对目标进行检测。
[0004] 然而，目标检测过程中，检测场景，例如光照条件、摄像机方位、背景环境、待检测 目标的外观规律等，并不是一成不变的。检测场景的改变，使得原先设计好的检测器并不适 应改变后的检测场景中的目标检测，导致检测准确度低。
【发明内容】
[000引本发明提供一种目标检测方法与装置，实现在检测场景变化的情况下，提高目标 检测准确度的目的。
[0006] 第一个方面，本发明实施例提供一种目标检测方法，包括：
[0007] 步骤1、基于初始训练样本集得到视觉词集合，将所述视觉词集合作为码本；
[0008] 步骤2、基于所述码本构建视觉词网络模型；
[0009] 步骤3、提取所述初始训练样本集中各样本的词频直方图特征；
[0010] 步骤4、根据所述词频直方图特征，经过网络调节确定所述视觉词网络模型中的各 网络节点的权重；
[0011] 步骤5、根据所述权重，确定核函数，并根据所述核函数确定k近邻分类器；
[0012] 步骤6、采用所述k近邻分类器检测待检测区域，得到检测结果，根据所述检测结果 确定所述待检测区域是否为目标，所述待检测区域为检测任务包括的需要检测的区域之 -* · ，
[0013] 步骤7、判断是否完成所述检测任务，若完成，则结束目标检测；否则，判断是否在 线获取训练样本，若是，则根据所述在线获取的训练样本更新所述步骤3中的所述初始训练 样本集，并对所述检测任务包括的下一个待检测区域执行所述步骤3~步骤7;若未在线获 取训练样本，则对所述检测任务包括的下一个待检测区域执行所述步骤6。
[0014] 在第一个方面的第一种可能的实现方式中，所述步骤1具体包括：
[0015] 步骤1.1、对所述初始训练样本集采样，获得所述局部特征；
[0016] 步骤1.2、对所述局部特征聚类，得到所述视觉词集合。
[0017] 在第一个方面的第二种可能的实现方式中，所述步骤2具体为：
[0018] 将所述码本中的各视觉词作为网络节点，将各所述网络节点两两连接构成所述视 觉词网络模型的网络拓扑结构。
[0019] 在第一个方面的第Ξ种可能的实现方式中，所述步骤4中，对于各所述网络节点中 的任意一个网络节点i，所述网络节点i对应的视觉词对所述网络节点i的权重具有激励作 用，所述网络节点i的权重对其他网络节点的权重具有抑制作用，所述其他网络节点表示所 述码本中除所述网络节点i所对应的视觉词之外的其他视觉词。
[0020] 结合第一个方面的第Ξ种可能的实现方式，在第一个方面的第四种可能的实现方 式中，所述步骤4中，所述网络调节的第t次迭代过程包括：
[0021 ]步骤4.1、确定所述网络节点i受到的所述激励作用的激励强度；
[0022] 步骤4.2、确定所述网络节点i受到的抑制作用的抑制强度；
[0023] 步骤4.3、根据所述激励强度与所述抑制强度，确定所述网络节点i的激活度，所述 激活度与所述激励强度正相关，与所述抑制强度负相关；
[0024] 步骤4.4、根据所述激活度与所述网络节点i的权重增长系数，更新所述网络节点i 的权重。
[0025] 结合第一个方面的第四种可能的实现方式，在第一个方面的第五种可能的实现方 式中，所述网络节点i的权重增长系数，与所述网络节点i的当前权重W及所述码本中所有 网络节点的平均权重负相关。
[0026] 第二个方面，本发明实施例提供一种目标检测装置，包括：
[0027] 码本获取模块，用于基于初始训练样本集得到视觉词集合，将所述视觉词集合作 为码本；
[0028] 构建模块，用于基于所述码本获取模块得到的所述码本构建视觉词网络模型；
[0029] 提取模块，用于提取所述初始训练样本集中各样本的词频直方图特征；
[0030] 权重确定模块，用于根据所述提取模块提取的所述词频直方图特征，经过网络调 节确定所述视觉词网络模型中的各网络节点的权重；
[0031] 确定模块，用于根据所述权重确定模块确定的所述权重，确定核函数，并根据所述 核函数确定k近邻分类器；
[0032] 检测模块，用于采用所述k近邻分类器检测待检测区域，得到检测结果，根据所述 检测结果确定所述待检测区域是否为目标，所述待检测区域为检测任务包括的需要检测的 区域之一；
[0033] 执行模块，用于判断是否完成所述检测任务，若完成，则结束目标检测；否则，判断 是否在线获取训练样本，若是，则根据所述在线获取的训练样本更新所述提取模块中的所 述初始训练样本集，并对所述检测任务包括的下一个待检测区域执行提取模块、所述权重 确定模块、所述确定模块、所述执行模块对应的动作;若所述执行模块确定出未在线获取训 练样本，则对所述检测任务包括的下一个待检测区域执行所述确定模块对应的动作。
[0034] 在第二个方面的第一种可能的实现方式中，所述码本获取模块，具体用于对所述 初始训练样本集采样，获得所述局部特征;对所述局部特征聚类，得到所述视觉词集合。
[0035] 在第二个方面的第二种可能的实现方式中，所述构建模块，具体用于将所述码本 中的各视觉词作为网络节点，将各所述网络节点两两连接构成所述视觉词网络模型的网络 拓扑结构。
[0036] 在第二个方面的第Ξ种可能的实现方式中，对于各所述网络节点中的任意一个网 络节点i，所述网络节点i对应的视觉词对所述网络节点i的权重具有激励作用，所述网络节 点i的权重对其他网络节点的权重具有抑制作用，所述其他网络节点表示所述码本中除所 述网络节点i所对应的视觉词之外的其他视觉词。
[0037] 本发明实施例提供的目标检测方法与装置，基于初始训练样本集学习码本，基于 码本构建视觉词网络模型，提取当前训练样本集中各样本的词频直方图特征，根据词频直 方图特征，通过网络调节操作得到各视觉词的权重，根据权重确定k近邻分类器的核函数， 进而确定出k近邻分类器，根据该k近邻分类器对待检测区域进行检测并得到检测结果，根 据检测结果判定待检测区域是否为目标，然后，若未完成检测任务，则在线获取训练样本 后，更新训练样本集，继续通过网络操作更新视觉词权重，根据更新后的权重调整k近邻分 类器所用的核函数，然后再对待检测区域进行检测。该过程中，k近邻 分类器能够根据当前 情况随时进行自我调整，维持其对当前目标与背景外观规律的适应性，从而实现变化场景 下可靠、实时的目标检测。
【附图说明】
[0038] 图1为本发明目标检测方法实施例一的流程图；
[0039] 图2为本发明目标检测装置实施例一的结构图。
【具体实施方式】
[0040] 为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例 中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是 本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域技术人员在没 有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
[0041] 图1为本发明目标检测方法实施例一的流程图。本实施例的执行主体为目标检测 装置，适用于检测场景变化情况下的目标检测。具体的，本实施例包括如下步骤：
[0042] 步骤1、基于初始训练样本集得到视觉词集合，将所述视觉词集合作为码本。
[0043] 本步骤中，采用视觉词袋模型等，将初始训练样本集中的局部特征聚类，得到视觉 词集合，将该视觉词集合称之为码本，并将初始训练样本集作为当前训练样本集。
[0044] 步骤2、基于所述码本构建视觉词网络模型。
[0045] 本步骤中，将码本中各视觉词作为网络节点，将各节点两两连接构成视觉词网络 模型的拓扑结构。
[0046] 需要说明的是，该视觉词网络模型中，各网络节点具有权重。对于每一网络节点， 其权重的物理意义为:该网络节点对应的视觉词对目标的区辨能力的大小;视觉词网络模 型中的"边"是网络节点之间相互影响关系的表征，"边"不具有权重。
[0047] 步骤3、提取所述初始训练样本集中各样本的词频直方图特征。
[0048] 本步骤中，基于码本提取当前训练样本集中各样本的词频直方图特征。具体的，用 描述子，如尺度不变特征变换（Scale-invariant fea1:ure transform,SIFT)描述子提取某 一样本各处的局部特征，并量化为码本中与该局部特征相似度最高的视觉词。然后，统计该 样本中各个视觉词的出现频率，作为该样本的词频直方图特征向量中各分量的值。
[0049] 步骤4、根据所述词频直方图特征，经过网络调节确定所述视觉词网络模型中的各 网络节点的权重。
[0050] 本步骤中，根据词频直方图特征，进过网络调节得到各个视觉词的权重。其中，网 络调节是迭代运算直至权重收敛的过程。
[0051] 步骤5、根据所述权重，确定核函数，并根据所述核函数确定k近邻分类器。
[0052] 核函数是k近邻分类器的一个重要元素，其与检测场景密切相关，不同的检测场景 对应的核函数不同，进而导致不同的检测场景对应的k近邻分类器不同。本步骤中，根据权 重确定出核函数，进而确定出k近邻分类器。
[0053] 步骤6、采用所述k近邻分类器检测待检测区域，得到检测结果，根据所述检测结果 确定所述待检测区域是否为目标，所述待检测区域为检测任务包括的需要检测的区域之 〇
[0054] 本步骤中，对于待检测区域，提取出当前待检测区域的词频直方图特征，将提取出 的词频直方图特征输入至k近邻分类器得到检测结果。其中，待检测区域为检测任务包括的 至少一个待检测区域中的一个。该过程中，确定出与待检测区域的词频直方图具有较高相 似度的k个词频直方图，该k个词频直方图来自目标(正样本)或背景（负样本）。若来自正样 本的比较多，则将待检测区域判定为目标;否则，若来自负样本的比较多，则将待检测区域 判定为背景。
[005引具体的，本步骤中，令待检测区域的词频直方图特征为fx，k近邻分类器的k值为5， 对前五个与fx最相似的样本赋予相同的投票权重。使用核函数依次计算fx与各个训练样本 特征的相似度，得到与fx相似度最高的五个训练样本特征，其中Ξ个来自正样本，两个来自 负样本，因此判定待检测区域为目标。
[0056] 需要说明的是，可W根据检测任务对检测准确度与检测速度的要求为k近邻分类 器选用不同的k值和投票权重赋予准则，本实施例对此不进行限制。
[0057] 步骤7、在对当前待检测区域完成检测后，若未完成检测任务，则判断是否在线获 取训练样本，若是，则根据所述在线获取的训练样本更新所述步骤3中的所述初始训练样本 集，并对所述检测任务包括的下一个待检测区域执行所述步骤3~步骤7;若未在线获取训 练样本，则对所述检测任务包括的下一个待检测区域执行所述步骤6;。具体的，步骤7包括：
[0058] 步骤7.1、判断是否完成所述检测任务，若是，则执行步骤7.2;若否，则执行步骤 7.3;
[0059] 步骤7.2、结束目标检测；
[0060] 步骤7.3:判断是否在线获取训练样本，若是，则执行步骤7.4;若否，则返回步骤6， 对下一个待检测区域进行检测，即采用k近邻分类器对下一个待检测区域进行检测。
[0061] 步骤7.4、根据所述在线获取的训练样本更新所述步骤3中的所述初始训练样本 集，并对所述检测任务包括的下一个待检测区域执行所述步骤3~步骤7。
[0062] 上述更新过程中，由于当前训练样本集采用队列式结构，即在更新时采取先进先 出原则，用最新获取的训练样本替换当前训练样本集中同等数量的最老的训练样本集。由 此可知，该更新过程相当于k近邻分类器根据当前情况进行自我调整的过程，避免了由于检 测场景的变化导致的检测器性能下降的弊端，并且检测器对场景改变的适应通过增量式调 整实现，即每次调整只需在现有结构上做少量计算，从而保证了检测器的实时性。
[0063] 本发明实施例提供的目标检测方法，基于初始训练样本集学习码本，基于码本构 建视觉词网络模型，提取当前训练样本集中各样本的词频直方图特征，根据词频直方图特 征，通过网络调节操作得到各视觉词的权重，根据权重确定k近邻分类器的核函数，进而确 定出k近邻分类器，根据该k近邻分类器对待检测区域进行检测并得到检测结果，根据检测 结果判定待检测区域是否为目标，然后，若未完成检测任务，则在线获取训练样本后，更新 训练样本集，继续通过网络操作更新视觉词权重，根据更新后的权重调整k近邻分类器所用 的核函数，然后再对待检测区域进行检测。该过程中，k近邻分类器能够根据当前情况随时 进行自我调整，维持其对当前目标与背景外观规律的适应性，从而实现变化场景下可靠、实 时的目标检测。
[0064] 可选的，在本发明一实施例中，上述的步骤1具体包括：
[0065] 步骤1.1、对所述初始训练样本集采样，获得所述局部特征。
[0066] 具体的，可采用描述子，如SIFT描述子、梯度直方图化istogram of gradient, HOG)描述子等对初始训练样本集进行采用，从而获得大量的局部特征。其中，采用方式可W 为稠密采用，即在图像上所有局部区域采用，也可W采用稀疏采用，即在少量兴趣点上进行 采样等。
[0067] 需要说明的是，本步骤中，描述子的选择取决于待检测目标的类别，本实施例并不 对此进行限制;而且， 采样方式取决于检测任务对检测准确度和检测速度的要求，本发明实 施例并不对此进行限制。
[0068] 步骤1.2、对所述局部特征聚类，得到所述视觉词集合。
[0069] 具体的，可采用k均值聚类算法等，将步骤1.1中得到的大量局部特征聚类为多个 类别，如100个类别，在特征空间中将各个类别的中屯、所对应的特征作为代表该类别的视觉 词，由此得到大小为100的码本。
[0070] 需要说明的是，本步骤中，聚类采用的具体算法和码本大小可根据具体情况确定， 本发明并不W此为限制。
[0071] 可选的，在本发明一实施例中，上述的步骤2具体为:将所述码本中的各视觉词作 为网络节点，将各所述网络节点两两连接构成所述视觉词网络模型的网络拓扑结构。
[0072] 可选的，在本发明一实施例中，上述的步骤4中，对于所述各所述网络节点中的任 意一个网络节点i，所述网络节点i对应的视觉词对所述网络节点i的权重具有激励作用，所 述网络节点i的权重对其他网络节点的权重具有抑制作用，所述其他网络节点表示所述码 本中除所述网络节点i所对应的视觉词之外的其他视觉词。
[0073] 进一步的可选的，所述步骤4中，所述网络调节的第t次迭代过程包括：
[0074] 步骤4.1、确定所述网络节点i受到的所述激励作用的激励强度。
[007引具体的，用S(i)表示节財舞I脚激励强度P(i)与N(i)分别表示在当前训练样本集中视觉词1 在正样本和负样本上出现的次数，则激励强度的计算公式如下：W) = ap.;max(^j^，^);。
[0076]步骤4.2、确定所述网络节点i受到的抑制作用的抑制强度。
[0077]具体的，用D(i，t)表示第t次迭代时其他所有节点对节点i权值的抑制强度，则抑 制强度的具体计算公式如下：
[007引
其中，dist(i，j)表示网络节点i与网络 节点j各自对应的视觉词在特征空间中的距离，即网络节点i与网络节点j各自对应的视觉 词的特征向量的差异度，0为常数。
[0079] 步骤4.3、根据所述激励强度与所述抑制强度，确定所述网络节点i的激活度，所述 激活度与所述激励强度正相关，与所述抑制强度负相关。
[0080] 具体的，激活度的计算公式如下：
[0081]
。其中，a(i，t)表示网络节点i在第t次迭代时的激活度。
[0082] 步骤4.4、根据所述激活度与所述网络节点i的权重增长系数，更新所述网络节点i 的权重。
[0083] 具体的，权重更新公式如下：
[0084] + 句[1_.访接，钥.d+w(i,i)的 i，t)r(承拟，w(i,0),其中，
[0085] w( i，t):网络节点i在第t次迭代时的权重；
[0086] λ日:权重增长常数；
[0087] d:权重下降系数；
[0088] a(i，t):网络节点i在第t次迭代时的激活度；
[0089] !'(\可0，*(1，〇):权重增长系数与网络节点权重负相关，计算公式为:^8(〇，巧(1， t)) = roe xp {-入iW (t)-入2W (i , t)}。
[0090] 由上述可知:所述网络节点i的权重增长系数，与所述网络节点i的当前权重W及 所述码本中所有网络节点的平均权重负相关。
[0091] 可选的，上述各实施例中，所述步骤7中，完成对当前待检测区域的检测后，确定是 否完成目标检测任务，若完成，则结束；否则，返回所述步骤6,对所述目标检测任务中的其 他待检测区域进行检测。
[0092] 可选的，在本发明一实施例中，上述步骤5中的核函数由直方图交叉核函数改进而 来。核函数公式如下：
[0093]
。其中，。与fk表示任意两个样本的词频直方图特征， /j与炭表示运两个特征的第i维分量，1表示特征向量长度，Wi表示视觉词i的权重。
[0094] 需要说明的是，可W根据具体情况设计各种满足本发明原则的核函数，本实施例 对此不进行限制。
[0095] 图2为本发明目标检测装置实施例一的结构图。本实施例提供的目标检测装置，本 实施例提供的目标检测装置是与本发明图1实施例对应的装置实施例，具体实现过程在此 不再寶述。具体的，本实施例提供的目标检测装置包括：
[0096] 码本获取模块11，用于基于初始训练样本集得到视觉词集合，将所述视觉词集合 作为码本；
[0097] 构建模块12,用于基于所述码本获取模块11得到的所述码本构建视觉词网络模 型；
[0098] 提取模块13,用于提取所述初始训练样本集中各样本的词频直方图特征；
[0099] 权重确定模块14,用于根据所述提取模块13提取的所述词频直方图特征，经过网 络调节确定所述视觉词网络模型中的各网络节点的权重；
[0100] 确定模块15,用于根据所述权重确定模块14确定的所述权重，确定核函数，并根据 所述核函数确定k近邻分类器；
[0101] 检测模块16,用于采用所述k近邻分类器检测待检测区域，得到检测结果，根据所 述检测结果确定所述待检测区域是否为目标，所述待检测区域为检测任务包括的需要检测 的区域之一；
[0102] 执行模块17,用于判断是否完成所述检测任务，若完成，则结束目标检测；否则，判 断是否在线获取训练样本，若是，则根据所述在线获取的训练样本更新所述提取模块13中 的所述初始训练样本集，并对所述检测任务包括的下一个待检测区域执行提取模块13、所 述权重确定模块14、所述确定模块15、所述检测模块16、所述执行模块17对应的动作;若所 述执行模块17确定出未在线获取训练样本，则对所述检测任务包括的下一个待检测区域执 行所述确定模块15对应的动作。
[0103] 本发明实施例提供的目标检测装置，基于初始训练样本集学习码本，基于码本构 建视觉词网络模型，提取当前训练样本集中各样本的词频直方图特征，根据词频直方图特 征，通过网络调节操作得到各视觉词的权重，根据权重确定k近邻分类器的核函数，进而确 定出k近邻分类器，根据该k近邻分类器对待检测区域进行检测并得到检测结果，根据检测 结果判定待检测区域是否为目标，然后，若未完成检测任务，则在线获取训练样本后，更新 训练样本集，继续通过网络操作更新视觉词权重，根据更新后的权重调整k近邻分类器所用 的核函数，然后再对待检测区域进行检测。该过程中，k近邻分类器能够根据当前情况随时 进行自我调整，维持其对当前目标与背景外观规律的适应性，从而实现变化场景下可靠、实 时的目标检测。
[0104] 可选的，在本发明一实施例中，所述码本获取模块11，具体用于对所述初始训练样 本集采样，获得所述局部特征;对所述局部特征聚类，得到所述视觉词集合。
[0105] 可选的，在本发明一实施例中，所述构建模块12,具体用于将所述码本中的各视觉 词作为网络节点，将各所述网络节点两两连接构成所述视觉词网络模型的网络拓扑结构。
[0106] 可选的，在本发明一实施例中，对于各所述网络节点中的任意一个网络节 点i，所 述网络节点i对应的视觉词对所述网络节点i的权重具有激励作用，所述网络节点i的权重 对其他网络节点的权重具有抑制作用，所述其他网络节点表示所述码本中除所述网络节点 i所对应的视觉词之外的其他视觉词。
[0107] 可选的，在本发明一实施例中，所述权重确定模块14用于在网络调节的第t次迭代 过程中，确定所述网络节点i受到的所述激励作用的激励强度;确定所述网络节点i受到的 抑制作用的抑制强度;根据所述激励强度与所述抑制强度，确定所述网络节点i的激活度， 所述激活度与所述激励强度正相关，与所述抑制强度负相关;根据所述激活度与所述网络 节点i的权重增长系数，更新所述网络节点i的权重。
[0108] 可选的，在本发明一实施例中，所述网络节点i的权重增长系数，与所述网络节点i 的当前权重W及所述码本中所有网络节点的平均权重负相关。
[0109] 本领域普通技术人员可W理解:实现上述各方法实施例的全部或部分步骤可W通 过程序指令相关的硬件来完成。前述的程序可w存储于一计算机可读取存储介质中。该程 序在执行时，执行包括上述各方法实施例的步骤;而前述的存储介质包括:R〇M、RAM、磁碟或 者光盘等各种可W存储程序代码的介质。
[0110]最后应说明的是：W上各实施例仅用W说明本发明的技术方案，而非对其限制;尽 管参照前述各实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解:其依 然可W对前述各实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进 行等同替换；而运些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术 方案的范围。
【主权项】
1. 一种目标检测方法，其特征在于，包括： 步骤1、基于初始训练样本集得到视觉词集合，将所述视觉词集合作为码本； 步骤2、基于所述码本构建视觉词网络模型； 步骤3、提取所述初始训练样本集中各样本的词频直方图特征； 步骤4、根据所述词频直方图特征，经过网络调节确定所述视觉词网络模型中的各网络 节点的权重； 步骤5、根据所述权重，确定核函数，并根据所述核函数确定k近邻分类器； 步骤6、采用所述k近邻分类器检测待检测区域，得到检测结果，根据所述检测结果确定 所述待检测区域是否为目标，所述待检测区域为检测任务包括的需要检测的区域之一； 步骤7、判断是否完成所述检测任务，若完成，则结束目标检测；否则，判断是否在线获 取训练样本，若是，则根据所述在线获取的训练样本更新所述步骤3中的所述初始训练样本 集，并对所述检测任务包括的下一个待检测区域执行所述步骤3~步骤7;若未在线获取训 练样本，则对所述检测任务包括的下一个待检测区域执行所述步骤6。2. 根据权利要求1所述的方法，其特征在于，所述步骤1具体包括： 步骤1.1、对所述初始训练样本集采样，获得所述局部特征； 步骤1.2、对所述局部特征聚类，得到所述视觉词集合。3. 根据权利要求1所述的方法，其特征在于，所述步骤2具体为： 将所述码本中的各视觉词作为网络节点，将各所述网络节点两两连接构成所述视觉词 网络模型的网络拓扑结构。4. 根据权利要求1所述的方法，其特征在于，所述步骤4中，对于各所述网络节点中的任 意一个网络节点i，所述网络节点i对应的视觉词对所述网络节点i的权重具有激励作用，所 述网络节点i的权重对其他网络节点的权重具有抑制作用，所述其他网络节点表示所述码 本中除所述网络节点i所对应的视觉词之外的其他视觉词。5. 根据权利要求4所述的方法，其特征在于，所述步骤4中，所述网络调节的第t次迭代 过程包括： 步骤4.1、确定所述网络节点i受到的所述激励作用的激励强度； 步骤4.2、确定所述网络节点i受到的抑制作用的抑制强度； 步骤4.3、根据所述激励强度与所述抑制强度，确定所述网络节点i的激活度，所述激活 度与所述激励强度正相关，与所述抑制强度负相关； 步骤4.4、根据所述激活度与所述网络节点i的权重增长系数，更新所述网络节点i的权 重。6. 根据权利要求5所述的方法，其特征在于，所述网络节点i的权重增长系数，与所述网 络节点i的当前权重以及所述码本中所有网络节点的平均权重负相关。7. -种目标检测装置，其特征在于，包括： 码本获取模块，用于基于初始训练样本集得到视觉词集合，将所述视觉词集合作为码 本； 构建模块，用于基于所述码本获取模块得到的所述码本构建视觉词网络模型； 提取模块，用于提取所述初始训练样本集中各样本的词频直方图特征； 权重确定模块，用于根据所述提取模块提取的所述词频直方图特征，经过网络调节确 定所述视觉词网络模型中的各网络节点的权重； 确定模块，用于根据所述权重确定模块确定的所述权重，确定核函数，并根据所述核函 数确定k近邻分类器； 检测模块，用于采用所述k近邻分类器检测待检测区域，得到检测结果，根据所述检测 结果确定所述待检测区域是否为目标，所述待检测区域为检测任务包括的需要检测的区域 之一； 执行模块，用于判断是否完成所述检测任务，若完成，则结束目标检测；否则，判断是否 在线获取训练样本，若是，则根据所述在线获取的训练样本更新所述提取模块中的所述初 始训练样本集，并对所述检测任务包括的下一个待检测区域执行提取模块、所述权重确定 模块、所述确定模块、所述执行模块对应的动作;若所述执行模块确定出未在线获取训练样 本，则对所述检测任务包括的下一个待检测区域执行所述确定模块对应的动作。8. 根本就权利要求7所述的装置，其特征在于，所述码本获取模块，具体用于对所述初 始训练样本集采样，获得所述局部特征;对所述局部特征聚类，得到所述视觉词集合。9. 根据权利要求7所述的装置，其特征在于，所述构建模块，具体用于将所述码本中的 各视觉词作为网络节点，将各所述网络节点两两连接构成所述视觉词网络模型的网络拓扑 结构。10. 根据权利要求7所述的装置，其特征在于，对于各所述网络节点中的任意一个网络 节点i，所述网络节点i对应的视觉词对所述网络节点i的权重具有激励作用，所述网络节点 i的权重对其他网络节点的权重具有抑制作用，所述其他网络节点表示所述码本中除所述 网络节点i所对应的视觉词之外的其他视觉词。
【专利摘要】本发明提供一种目标检测方法与装置，该方法中：基于初始训练样本集学习码本，基于码本构建视觉词网络模型，提取当前训练样本集中各样本的词频直方图特征，通过网络调节操作得到各视觉词的权重，根据权重确定k近邻分类器的核函数，确定k近邻分类器，根据k近邻分类器对待检测区域进行检测，进而判定待检测区域是否为目标。若未完成检测任务，则在线获取训练样本后，更新训练样本集，再通过网络操作更新视觉词权重，根据权重调整核函数，然后再对待检测区域进行检测。该过程中，k近邻分类器能够根据当前情况随时进行自我调整，维持其对当前目标与背景外观规律的适应性，从而实现变化场景下可靠、实时的目标检测。
【IPC分类】G06K9/32, G06K9/62
【公开号】CN105488502
【申请号】CN201510847630
【发明人】曹先彬, 任一存, 单昊天, 纪晓芃, 李岩
【申请人】北京航空航天大学
【公开日】2016年4月13日
【申请日】2015年11月27日
【技术领域】
[0001] 本发明设及图像检测技术，尤其设及一种目标检测方法与装置。
【背景技术】
[0002] 目标检测是指对图像或图像序列中感兴趣的物体进行识别与定位的技术，该技术 W计算机视觉为理论基础，被广泛应用于军用、民用等领域。
[0003] 目标检测技术中所采用的检测算法也被称之为检测器。从结构的角度来讲，检测 器包括特征提取模块和特征分类模块。其中，特征提取模块用于按照某种规则将待检测区 域的外观抽象描述为"特征"，特征分类模块用于根据特征提取模块提取出的特征，将待检 测区域分类为某一类目标或背景。目标检测过程中，设计好检测器的特征分类模块与特征 提取模块，采用检测器对目标进行检测。
[0004] 然而，目标检测过程中，检测场景，例如光照条件、摄像机方位、背景环境、待检测 目标的外观规律等，并不是一成不变的。检测场景的改变，使得原先设计好的检测器并不适 应改变后的检测场景中的目标检测，导致检测准确度低。
【发明内容】
[000引本发明提供一种目标检测方法与装置，实现在检测场景变化的情况下，提高目标 检测准确度的目的。
[0006] 第一个方面，本发明实施例提供一种目标检测方法，包括：
[0007] 步骤1、基于初始训练样本集得到视觉词集合，将所述视觉词集合作为码本；
[0008] 步骤2、基于所述码本构建视觉词网络模型；
[0009] 步骤3、提取所述初始训练样本集中各样本的词频直方图特征；
[0010] 步骤4、根据所述词频直方图特征，经过网络调节确定所述视觉词网络模型中的各 网络节点的权重；
[0011] 步骤5、根据所述权重，确定核函数，并根据所述核函数确定k近邻分类器；
[0012] 步骤6、采用所述k近邻分类器检测待检测区域，得到检测结果，根据所述检测结果 确定所述待检测区域是否为目标，所述待检测区域为检测任务包括的需要检测的区域之 -* · ，
[0013] 步骤7、判断是否完成所述检测任务，若完成，则结束目标检测；否则，判断是否在 线获取训练样本，若是，则根据所述在线获取的训练样本更新所述步骤3中的所述初始训练 样本集，并对所述检测任务包括的下一个待检测区域执行所述步骤3~步骤7;若未在线获 取训练样本，则对所述检测任务包括的下一个待检测区域执行所述步骤6。
[0014] 在第一个方面的第一种可能的实现方式中，所述步骤1具体包括：
[0015] 步骤1.1、对所述初始训练样本集采样，获得所述局部特征；
[0016] 步骤1.2、对所述局部特征聚类，得到所述视觉词集合。
[0017] 在第一个方面的第二种可能的实现方式中，所述步骤2具体为：
[0018] 将所述码本中的各视觉词作为网络节点，将各所述网络节点两两连接构成所述视 觉词网络模型的网络拓扑结构。
[0019] 在第一个方面的第Ξ种可能的实现方式中，所述步骤4中，对于各所述网络节点中 的任意一个网络节点i，所述网络节点i对应的视觉词对所述网络节点i的权重具有激励作 用，所述网络节点i的权重对其他网络节点的权重具有抑制作用，所述其他网络节点表示所 述码本中除所述网络节点i所对应的视觉词之外的其他视觉词。
[0020] 结合第一个方面的第Ξ种可能的实现方式，在第一个方面的第四种可能的实现方 式中，所述步骤4中，所述网络调节的第t次迭代过程包括：
[0021 ]步骤4.1、确定所述网络节点i受到的所述激励作用的激励强度；
[0022] 步骤4.2、确定所述网络节点i受到的抑制作用的抑制强度；
[0023] 步骤4.3、根据所述激励强度与所述抑制强度，确定所述网络节点i的激活度，所述 激活度与所述激励强度正相关，与所述抑制强度负相关；
[0024] 步骤4.4、根据所述激活度与所述网络节点i的权重增长系数，更新所述网络节点i 的权重。
[0025] 结合第一个方面的第四种可能的实现方式，在第一个方面的第五种可能的实现方 式中，所述网络节点i的权重增长系数，与所述网络节点i的当前权重W及所述码本中所有 网络节点的平均权重负相关。
[0026] 第二个方面，本发明实施例提供一种目标检测装置，包括：
[0027] 码本获取模块，用于基于初始训练样本集得到视觉词集合，将所述视觉词集合作 为码本；
[0028] 构建模块，用于基于所述码本获取模块得到的所述码本构建视觉词网络模型；
[0029] 提取模块，用于提取所述初始训练样本集中各样本的词频直方图特征；
[0030] 权重确定模块，用于根据所述提取模块提取的所述词频直方图特征，经过网络调 节确定所述视觉词网络模型中的各网络节点的权重；
[0031] 确定模块，用于根据所述权重确定模块确定的所述权重，确定核函数，并根据所述 核函数确定k近邻分类器；
[0032] 检测模块，用于采用所述k近邻分类器检测待检测区域，得到检测结果，根据所述 检测结果确定所述待检测区域是否为目标，所述待检测区域为检测任务包括的需要检测的 区域之一；
[0033] 执行模块，用于判断是否完成所述检测任务，若完成，则结束目标检测；否则，判断 是否在线获取训练样本，若是，则根据所述在线获取的训练样本更新所述提取模块中的所 述初始训练样本集，并对所述检测任务包括的下一个待检测区域执行提取模块、所述权重 确定模块、所述确定模块、所述执行模块对应的动作;若所述执行模块确定出未在线获取训 练样本，则对所述检测任务包括的下一个待检测区域执行所述确定模块对应的动作。
[0034] 在第二个方面的第一种可能的实现方式中，所述码本获取模块，具体用于对所述 初始训练样本集采样，获得所述局部特征;对所述局部特征聚类，得到所述视觉词集合。
[0035] 在第二个方面的第二种可能的实现方式中，所述构建模块，具体用于将所述码本 中的各视觉词作为网络节点，将各所述网络节点两两连接构成所述视觉词网络模型的网络 拓扑结构。
[0036] 在第二个方面的第Ξ种可能的实现方式中，对于各所述网络节点中的任意一个网 络节点i，所述网络节点i对应的视觉词对所述网络节点i的权重具有激励作用，所述网络节 点i的权重对其他网络节点的权重具有抑制作用，所述其他网络节点表示所述码本中除所 述网络节点i所对应的视觉词之外的其他视觉词。
[0037] 本发明实施例提供的目标检测方法与装置，基于初始训练样本集学习码本，基于 码本构建视觉词网络模型，提取当前训练样本集中各样本的词频直方图特征，根据词频直 方图特征，通过网络调节操作得到各视觉词的权重，根据权重确定k近邻分类器的核函数， 进而确定出k近邻分类器，根据该k近邻分类器对待检测区域进行检测并得到检测结果，根 据检测结果判定待检测区域是否为目标，然后，若未完成检测任务，则在线获取训练样本 后，更新训练样本集，继续通过网络操作更新视觉词权重，根据更新后的权重调整k近邻分 类器所用的核函数，然后再对待检测区域进行检测。该过程中，k近邻 分类器能够根据当前 情况随时进行自我调整，维持其对当前目标与背景外观规律的适应性，从而实现变化场景 下可靠、实时的目标检测。
【附图说明】
[0038] 图1为本发明目标检测方法实施例一的流程图；
[0039] 图2为本发明目标检测装置实施例一的结构图。
【具体实施方式】
[0040] 为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例 中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是 本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域技术人员在没 有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
[0041] 图1为本发明目标检测方法实施例一的流程图。本实施例的执行主体为目标检测 装置，适用于检测场景变化情况下的目标检测。具体的，本实施例包括如下步骤：
[0042] 步骤1、基于初始训练样本集得到视觉词集合，将所述视觉词集合作为码本。
[0043] 本步骤中，采用视觉词袋模型等，将初始训练样本集中的局部特征聚类，得到视觉 词集合，将该视觉词集合称之为码本，并将初始训练样本集作为当前训练样本集。
[0044] 步骤2、基于所述码本构建视觉词网络模型。
[0045] 本步骤中，将码本中各视觉词作为网络节点，将各节点两两连接构成视觉词网络 模型的拓扑结构。
[0046] 需要说明的是，该视觉词网络模型中，各网络节点具有权重。对于每一网络节点， 其权重的物理意义为:该网络节点对应的视觉词对目标的区辨能力的大小;视觉词网络模 型中的"边"是网络节点之间相互影响关系的表征，"边"不具有权重。
[0047] 步骤3、提取所述初始训练样本集中各样本的词频直方图特征。
[0048] 本步骤中，基于码本提取当前训练样本集中各样本的词频直方图特征。具体的，用 描述子，如尺度不变特征变换（Scale-invariant fea1:ure transform,SIFT)描述子提取某 一样本各处的局部特征，并量化为码本中与该局部特征相似度最高的视觉词。然后，统计该 样本中各个视觉词的出现频率，作为该样本的词频直方图特征向量中各分量的值。
[0049] 步骤4、根据所述词频直方图特征，经过网络调节确定所述视觉词网络模型中的各 网络节点的权重。
[0050] 本步骤中，根据词频直方图特征，进过网络调节得到各个视觉词的权重。其中，网 络调节是迭代运算直至权重收敛的过程。
[0051] 步骤5、根据所述权重，确定核函数，并根据所述核函数确定k近邻分类器。
[0052] 核函数是k近邻分类器的一个重要元素，其与检测场景密切相关，不同的检测场景 对应的核函数不同，进而导致不同的检测场景对应的k近邻分类器不同。本步骤中，根据权 重确定出核函数，进而确定出k近邻分类器。
[0053] 步骤6、采用所述k近邻分类器检测待检测区域，得到检测结果，根据所述检测结果 确定所述待检测区域是否为目标，所述待检测区域为检测任务包括的需要检测的区域之 〇
[0054] 本步骤中，对于待检测区域，提取出当前待检测区域的词频直方图特征，将提取出 的词频直方图特征输入至k近邻分类器得到检测结果。其中，待检测区域为检测任务包括的 至少一个待检测区域中的一个。该过程中，确定出与待检测区域的词频直方图具有较高相 似度的k个词频直方图，该k个词频直方图来自目标(正样本)或背景（负样本）。若来自正样 本的比较多，则将待检测区域判定为目标;否则，若来自负样本的比较多，则将待检测区域 判定为背景。
[005引具体的，本步骤中，令待检测区域的词频直方图特征为fx，k近邻分类器的k值为5， 对前五个与fx最相似的样本赋予相同的投票权重。使用核函数依次计算fx与各个训练样本 特征的相似度，得到与fx相似度最高的五个训练样本特征，其中Ξ个来自正样本，两个来自 负样本，因此判定待检测区域为目标。
[0056] 需要说明的是，可W根据检测任务对检测准确度与检测速度的要求为k近邻分类 器选用不同的k值和投票权重赋予准则，本实施例对此不进行限制。
[0057] 步骤7、在对当前待检测区域完成检测后，若未完成检测任务，则判断是否在线获 取训练样本，若是，则根据所述在线获取的训练样本更新所述步骤3中的所述初始训练样本 集，并对所述检测任务包括的下一个待检测区域执行所述步骤3~步骤7;若未在线获取训 练样本，则对所述检测任务包括的下一个待检测区域执行所述步骤6;。具体的，步骤7包括：
[0058] 步骤7.1、判断是否完成所述检测任务，若是，则执行步骤7.2;若否，则执行步骤 7.3;
[0059] 步骤7.2、结束目标检测；
[0060] 步骤7.3:判断是否在线获取训练样本，若是，则执行步骤7.4;若否，则返回步骤6， 对下一个待检测区域进行检测，即采用k近邻分类器对下一个待检测区域进行检测。
[0061] 步骤7.4、根据所述在线获取的训练样本更新所述步骤3中的所述初始训练样本 集，并对所述检测任务包括的下一个待检测区域执行所述步骤3~步骤7。
[0062] 上述更新过程中，由于当前训练样本集采用队列式结构，即在更新时采取先进先 出原则，用最新获取的训练样本替换当前训练样本集中同等数量的最老的训练样本集。由 此可知，该更新过程相当于k近邻分类器根据当前情况进行自我调整的过程，避免了由于检 测场景的变化导致的检测器性能下降的弊端，并且检测器对场景改变的适应通过增量式调 整实现，即每次调整只需在现有结构上做少量计算，从而保证了检测器的实时性。
[0063] 本发明实施例提供的目标检测方法，基于初始训练样本集学习码本，基于码本构 建视觉词网络模型，提取当前训练样本集中各样本的词频直方图特征，根据词频直方图特 征，通过网络调节操作得到各视觉词的权重，根据权重确定k近邻分类器的核函数，进而确 定出k近邻分类器，根据该k近邻分类器对待检测区域进行检测并得到检测结果，根据检测 结果判定待检测区域是否为目标，然后，若未完成检测任务，则在线获取训练样本后，更新 训练样本集，继续通过网络操作更新视觉词权重，根据更新后的权重调整k近邻分类器所用 的核函数，然后再对待检测区域进行检测。该过程中，k近邻分类器能够根据当前情况随时 进行自我调整，维持其对当前目标与背景外观规律的适应性，从而实现变化场景下可靠、实 时的目标检测。
[0064] 可选的，在本发明一实施例中，上述的步骤1具体包括：
[0065] 步骤1.1、对所述初始训练样本集采样，获得所述局部特征。
[0066] 具体的，可采用描述子，如SIFT描述子、梯度直方图化istogram of gradient, HOG)描述子等对初始训练样本集进行采用，从而获得大量的局部特征。其中，采用方式可W 为稠密采用，即在图像上所有局部区域采用，也可W采用稀疏采用，即在少量兴趣点上进行 采样等。
[0067] 需要说明的是，本步骤中，描述子的选择取决于待检测目标的类别，本实施例并不 对此进行限制;而且， 采样方式取决于检测任务对检测准确度和检测速度的要求，本发明实 施例并不对此进行限制。
[0068] 步骤1.2、对所述局部特征聚类，得到所述视觉词集合。
[0069] 具体的，可采用k均值聚类算法等，将步骤1.1中得到的大量局部特征聚类为多个 类别，如100个类别，在特征空间中将各个类别的中屯、所对应的特征作为代表该类别的视觉 词，由此得到大小为100的码本。
[0070] 需要说明的是，本步骤中，聚类采用的具体算法和码本大小可根据具体情况确定， 本发明并不W此为限制。
[0071] 可选的，在本发明一实施例中，上述的步骤2具体为:将所述码本中的各视觉词作 为网络节点，将各所述网络节点两两连接构成所述视觉词网络模型的网络拓扑结构。
[0072] 可选的，在本发明一实施例中，上述的步骤4中，对于所述各所述网络节点中的任 意一个网络节点i，所述网络节点i对应的视觉词对所述网络节点i的权重具有激励作用，所 述网络节点i的权重对其他网络节点的权重具有抑制作用，所述其他网络节点表示所述码 本中除所述网络节点i所对应的视觉词之外的其他视觉词。
[0073] 进一步的可选的，所述步骤4中，所述网络调节的第t次迭代过程包括：
[0074] 步骤4.1、确定所述网络节点i受到的所述激励作用的激励强度。
[007引具体的，用S(i)表示节財舞I脚激励强度P(i)与N(i)分别表示在当前训练样本集中视觉词1 在正样本和负样本上出现的次数，则激励强度的计算公式如下：W) = ap.;max(^j^，^);。
[0076]步骤4.2、确定所述网络节点i受到的抑制作用的抑制强度。
[0077]具体的，用D(i，t)表示第t次迭代时其他所有节点对节点i权值的抑制强度，则抑 制强度的具体计算公式如下：
[007引
其中，dist(i，j)表示网络节点i与网络 节点j各自对应的视觉词在特征空间中的距离，即网络节点i与网络节点j各自对应的视觉 词的特征向量的差异度，0为常数。
[0079] 步骤4.3、根据所述激励强度与所述抑制强度，确定所述网络节点i的激活度，所述 激活度与所述激励强度正相关，与所述抑制强度负相关。
[0080] 具体的，激活度的计算公式如下：
[0081]
。其中，a(i，t)表示网络节点i在第t次迭代时的激活度。
[0082] 步骤4.4、根据所述激活度与所述网络节点i的权重增长系数，更新所述网络节点i 的权重。
[0083] 具体的，权重更新公式如下：
[0084] + 句[1_.访接，钥.d+w(i,i)的 i，t)r(承拟，w(i,0),其中，
[0085] w( i，t):网络节点i在第t次迭代时的权重；
[0086] λ日:权重增长常数；
[0087] d:权重下降系数；
[0088] a(i，t):网络节点i在第t次迭代时的激活度；
[0089] !'(\可0，*(1，〇):权重增长系数与网络节点权重负相关，计算公式为:^8(〇，巧(1， t)) = roe xp {-入iW (t)-入2W (i , t)}。
[0090] 由上述可知:所述网络节点i的权重增长系数，与所述网络节点i的当前权重W及 所述码本中所有网络节点的平均权重负相关。
[0091] 可选的，上述各实施例中，所述步骤7中，完成对当前待检测区域的检测后，确定是 否完成目标检测任务，若完成，则结束；否则，返回所述步骤6,对所述目标检测任务中的其 他待检测区域进行检测。
[0092] 可选的，在本发明一实施例中，上述步骤5中的核函数由直方图交叉核函数改进而 来。核函数公式如下：
[0093]
。其中，。与fk表示任意两个样本的词频直方图特征， /j与炭表示运两个特征的第i维分量，1表示特征向量长度，Wi表示视觉词i的权重。
[0094] 需要说明的是，可W根据具体情况设计各种满足本发明原则的核函数，本实施例 对此不进行限制。
[0095] 图2为本发明目标检测装置实施例一的结构图。本实施例提供的目标检测装置，本 实施例提供的目标检测装置是与本发明图1实施例对应的装置实施例，具体实现过程在此 不再寶述。具体的，本实施例提供的目标检测装置包括：
[0096] 码本获取模块11，用于基于初始训练样本集得到视觉词集合，将所述视觉词集合 作为码本；
[0097] 构建模块12,用于基于所述码本获取模块11得到的所述码本构建视觉词网络模 型；
[0098] 提取模块13,用于提取所述初始训练样本集中各样本的词频直方图特征；
[0099] 权重确定模块14,用于根据所述提取模块13提取的所述词频直方图特征，经过网 络调节确定所述视觉词网络模型中的各网络节点的权重；
[0100] 确定模块15,用于根据所述权重确定模块14确定的所述权重，确定核函数，并根据 所述核函数确定k近邻分类器；
[0101] 检测模块16,用于采用所述k近邻分类器检测待检测区域，得到检测结果，根据所 述检测结果确定所述待检测区域是否为目标，所述待检测区域为检测任务包括的需要检测 的区域之一；
[0102] 执行模块17,用于判断是否完成所述检测任务，若完成，则结束目标检测；否则，判 断是否在线获取训练样本，若是，则根据所述在线获取的训练样本更新所述提取模块13中 的所述初始训练样本集，并对所述检测任务包括的下一个待检测区域执行提取模块13、所 述权重确定模块14、所述确定模块15、所述检测模块16、所述执行模块17对应的动作;若所 述执行模块17确定出未在线获取训练样本，则对所述检测任务包括的下一个待检测区域执 行所述确定模块15对应的动作。
[0103] 本发明实施例提供的目标检测装置，基于初始训练样本集学习码本，基于码本构 建视觉词网络模型，提取当前训练样本集中各样本的词频直方图特征，根据词频直方图特 征，通过网络调节操作得到各视觉词的权重，根据权重确定k近邻分类器的核函数，进而确 定出k近邻分类器，根据该k近邻分类器对待检测区域进行检测并得到检测结果，根据检测 结果判定待检测区域是否为目标，然后，若未完成检测任务，则在线获取训练样本后，更新 训练样本集，继续通过网络操作更新视觉词权重，根据更新后的权重调整k近邻分类器所用 的核函数，然后再对待检测区域进行检测。该过程中，k近邻分类器能够根据当前情况随时 进行自我调整，维持其对当前目标与背景外观规律的适应性，从而实现变化场景下可靠、实 时的目标检测。
[0104] 可选的，在本发明一实施例中，所述码本获取模块11，具体用于对所述初始训练样 本集采样，获得所述局部特征;对所述局部特征聚类，得到所述视觉词集合。
[0105] 可选的，在本发明一实施例中，所述构建模块12,具体用于将所述码本中的各视觉 词作为网络节点，将各所述网络节点两两连接构成所述视觉词网络模型的网络拓扑结构。
[0106] 可选的，在本发明一实施例中，对于各所述网络节点中的任意一个网络节 点i，所 述网络节点i对应的视觉词对所述网络节点i的权重具有激励作用，所述网络节点i的权重 对其他网络节点的权重具有抑制作用，所述其他网络节点表示所述码本中除所述网络节点 i所对应的视觉词之外的其他视觉词。
[0107] 可选的，在本发明一实施例中，所述权重确定模块14用于在网络调节的第t次迭代 过程中，确定所述网络节点i受到的所述激励作用的激励强度;确定所述网络节点i受到的 抑制作用的抑制强度;根据所述激励强度与所述抑制强度，确定所述网络节点i的激活度， 所述激活度与所述激励强度正相关，与所述抑制强度负相关;根据所述激活度与所述网络 节点i的权重增长系数，更新所述网络节点i的权重。
[0108] 可选的，在本发明一实施例中，所述网络节点i的权重增长系数，与所述网络节点i 的当前权重W及所述码本中所有网络节点的平均权重负相关。
[0109] 本领域普通技术人员可W理解:实现上述各方法实施例的全部或部分步骤可W通 过程序指令相关的硬件来完成。前述的程序可w存储于一计算机可读取存储介质中。该程 序在执行时，执行包括上述各方法实施例的步骤;而前述的存储介质包括:R〇M、RAM、磁碟或 者光盘等各种可W存储程序代码的介质。
[0110]最后应说明的是：W上各实施例仅用W说明本发明的技术方案，而非对其限制;尽 管参照前述各实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解:其依 然可W对前述各实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进 行等同替换；而运些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术 方案的范围。
【主权项】
1. 一种目标检测方法，其特征在于，包括： 步骤1、基于初始训练样本集得到视觉词集合，将所述视觉词集合作为码本； 步骤2、基于所述码本构建视觉词网络模型； 步骤3、提取所述初始训练样本集中各样本的词频直方图特征； 步骤4、根据所述词频直方图特征，经过网络调节确定所述视觉词网络模型中的各网络 节点的权重； 步骤5、根据所述权重，确定核函数，并根据所述核函数确定k近邻分类器； 步骤6、采用所述k近邻分类器检测待检测区域，得到检测结果，根据所述检测结果确定 所述待检测区域是否为目标，所述待检测区域为检测任务包括的需要检测的区域之一； 步骤7、判断是否完成所述检测任务，若完成，则结束目标检测；否则，判断是否在线获 取训练样本，若是，则根据所述在线获取的训练样本更新所述步骤3中的所述初始训练样本 集，并对所述检测任务包括的下一个待检测区域执行所述步骤3~步骤7;若未在线获取训 练样本，则对所述检测任务包括的下一个待检测区域执行所述步骤6。2. 根据权利要求1所述的方法，其特征在于，所述步骤1具体包括： 步骤1.1、对所述初始训练样本集采样，获得所述局部特征； 步骤1.2、对所述局部特征聚类，得到所述视觉词集合。3. 根据权利要求1所述的方法，其特征在于，所述步骤2具体为： 将所述码本中的各视觉词作为网络节点，将各所述网络节点两两连接构成所述视觉词 网络模型的网络拓扑结构。4. 根据权利要求1所述的方法，其特征在于，所述步骤4中，对于各所述网络节点中的任 意一个网络节点i，所述网络节点i对应的视觉词对所述网络节点i的权重具有激励作用，所 述网络节点i的权重对其他网络节点的权重具有抑制作用，所述其他网络节点表示所述码 本中除所述网络节点i所对应的视觉词之外的其他视觉词。5. 根据权利要求4所述的方法，其特征在于，所述步骤4中，所述网络调节的第t次迭代 过程包括： 步骤4.1、确定所述网络节点i受到的所述激励作用的激励强度； 步骤4.2、确定所述网络节点i受到的抑制作用的抑制强度； 步骤4.3、根据所述激励强度与所述抑制强度，确定所述网络节点i的激活度，所述激活 度与所述激励强度正相关，与所述抑制强度负相关； 步骤4.4、根据所述激活度与所述网络节点i的权重增长系数，更新所述网络节点i的权 重。6. 根据权利要求5所述的方法，其特征在于，所述网络节点i的权重增长系数，与所述网 络节点i的当前权重以及所述码本中所有网络节点的平均权重负相关。7. -种目标检测装置，其特征在于，包括： 码本获取模块，用于基于初始训练样本集得到视觉词集合，将所述视觉词集合作为码 本； 构建模块，用于基于所述码本获取模块得到的所述码本构建视觉词网络模型； 提取模块，用于提取所述初始训练样本集中各样本的词频直方图特征； 权重确定模块，用于根据所述提取模块提取的所述词频直方图特征，经过网络调节确 定所述视觉词网络模型中的各网络节点的权重； 确定模块，用于根据所述权重确定模块确定的所述权重，确定核函数，并根据所述核函 数确定k近邻分类器； 检测模块，用于采用所述k近邻分类器检测待检测区域，得到检测结果，根据所述检测 结果确定所述待检测区域是否为目标，所述待检测区域为检测任务包括的需要检测的区域 之一； 执行模块，用于判断是否完成所述检测任务，若完成，则结束目标检测；否则，判断是否 在线获取训练样本，若是，则根据所述在线获取的训练样本更新所述提取模块中的所述初 始训练样本集，并对所述检测任务包括的下一个待检测区域执行提取模块、所述权重确定 模块、所述确定模块、所述执行模块对应的动作;若所述执行模块确定出未在线获取训练样 本，则对所述检测任务包括的下一个待检测区域执行所述确定模块对应的动作。8. 根本就权利要求7所述的装置，其特征在于，所述码本获取模块，具体用于对所述初 始训练样本集采样，获得所述局部特征;对所述局部特征聚类，得到所述视觉词集合。9. 根据权利要求7所述的装置，其特征在于，所述构建模块，具体用于将所述码本中的 各视觉词作为网络节点，将各所述网络节点两两连接构成所述视觉词网络模型的网络拓扑 结构。10. 根据权利要求7所述的装置，其特征在于，对于各所述网络节点中的任意一个网络 节点i，所述网络节点i对应的视觉词对所述网络节点i的权重具有激励作用，所述网络节点 i的权重对其他网络节点的权重具有抑制作用，所述其他网络节点表示所述码本中除所述 网络节点i所对应的视觉词之外的其他视觉词。
【专利摘要】本发明提供一种目标检测方法与装置，该方法中：基于初始训练样本集学习码本，基于码本构建视觉词网络模型，提取当前训练样本集中各样本的词频直方图特征，通过网络调节操作得到各视觉词的权重，根据权重确定k近邻分类器的核函数，确定k近邻分类器，根据k近邻分类器对待检测区域进行检测，进而判定待检测区域是否为目标。若未完成检测任务，则在线获取训练样本后，更新训练样本集，再通过网络操作更新视觉词权重，根据权重调整核函数，然后再对待检测区域进行检测。该过程中，k近邻分类器能够根据当前情况随时进行自我调整，维持其对当前目标与背景外观规律的适应性，从而实现变化场景下可靠、实时的目标检测。
【IPC分类】G06K9/32, G06K9/62
【公开号】CN105488502
【申请号】CN201510847630
【发明人】曹先彬, 任一存, 单昊天, 纪晓芃, 李岩
【申请人】北京航空航天大学
【公开日】2016年4月13日
【申请日】2015年11月27日
最新回复(0)