在數(shù)字圖像處理中ATR(自動目標識別)是一個富有挑戰(zhàn)性的課題,特別是在背景環(huán)境不可控的情況下,其難度與復(fù)雜度不言而喻。國家也投入了大量的財力物力推進其發(fā)展,在各大高校、科研院所也有相應(yīng)的機構(gòu)進行專門的研發(fā),在研究生學(xué)歷攻讀階段,也有相應(yīng)的基礎(chǔ)和高級課程的設(shè)計。今天,我不是以一個科研人員的身份進行說話,而是站在一個普通的圖像算法應(yīng)用工程師的角度總結(jié)下我的工作經(jīng)驗,不足之處,多多海涵!
下面,我以一個人臉目標的檢測為例,使用OpenCV2.4.7做一個HOG+SVM的檢測實例。實例中,使用皮膚檢測分割作為快速目標檢測。HOG參數(shù)設(shè)置為64X64,Cell:16,Block:32,Bin:9
1、總體設(shè)計HOG是一個圖像的特征,全稱梯度方向直方圖,是使用圖像局部梯度對圖像進行描述的一種方式。SVM是一個高維度的分類器,全稱支持向量機,是一種結(jié)構(gòu)化風(fēng)險較低的分類器,也是目前研究領(lǐng)域較為熱門的分類器。我們關(guān)注的焦點不是如何實現(xiàn)他們,而是如何在開發(fā)中正確有效的使用他們。從總體上,可以將方案分為四大部分,一是分類器的訓(xùn)練;二是目標疑似區(qū)提取,即檢測部分;三是使用分類器進行虛警踢除,即識別部分;四是聚類定位。
2、分類器的訓(xùn)練部分主要是完成樣本的采集、管理、特征提取以及SVM的訓(xùn)練。樣本的采集部分一般是使用現(xiàn)有的標準數(shù)據(jù)庫,或者使用PS一類的圖像處理軟件進行裁剪采集,需要說明的是所有樣本尺寸需一致,且符合HOG特征提取要求。樣本管理是正確的組織管理大量樣本,最好有一個樣本管理軟件。不要小看這部分,對于小量樣本來說管理部分確實簡單,但是,對于海量數(shù)據(jù)來說,其管理難度可想而知。特征提取部分我建議使用opencv的HOGDescriptor類進行實現(xiàn),使用簡便。svm分類器訓(xùn)練部分可以使用opencv的SVM類,但是,出于對訓(xùn)練結(jié)果的可視性,我建議使用C語言版本的libSVM,這是***一大學(xué)教授耗時3年多編制而成,opencv也是使用他的源碼進行封裝,連調(diào)用接口都幾乎一致。完成訓(xùn)練部分以后,保存訓(xùn)練模型,以便于識別部分使用。特別提醒的是, 對于SVM的訓(xùn)練而言,對訓(xùn)練數(shù)據(jù)進行歸一化是一個很重要的過程,有可能影響到訓(xùn)練的成功與否。
3、快速目標檢測 (1)原始圖像
目標疑似區(qū)提取是一個快速目標檢測的過程,這也是一個比較棘手的過程。目標疑似區(qū)提取有兩大原則,一是不能丟失目標,二是盡可能減少疑似區(qū)。根據(jù)這兩個原則,針對實際情況進行算法定制。常見的有局部對比度分割,或者是恒虛警算法、基于顏色的分割、基于邊緣的分割等等……局部對比度分割適用于尺寸較小,與周圍背景對比度強烈的目標?;陬伾指钸m用目標顏色特征較為明顯的目標,如車牌、綠色植物、鼠標墊等??焖贆z測部分的設(shè)計應(yīng)該基于量大原則:一是目標不遺落原則??焖贆z測部分只是在宏觀選上對目標進行篩選,此時遺落目標后續(xù)算法就毫無意了;二是高效原則??焖贆z測部分應(yīng)該是基于底層圖像信息,如亮度、邊緣等知識進行處理,盡可能減少算法耗時。
(2)、皮膚檢測
(3)、皮膚分割
4、目標識別部分是在快速檢測的結(jié)果上進行,快速檢測部分提供了目標的疑似區(qū)域,在疑似區(qū)域?qū)?yīng)的原始圖像上,形成目標切片、提取特征、分類器判定,形成目標候選區(qū)域。目標識別部分的主要工作體現(xiàn)在分類器的訓(xùn)練,因為識別部分只是使用與訓(xùn)練部分相同的特征提取方式,以及分類模型的導(dǎo)入等。
(4)、HOG+SVM檢測
5、目標聚類部分的目的是為了準確找出目標的中心。在分類器鑒別后形成的目標候選點集合中,如果可以確認只存在一個目標,那么聚類部分就非常簡單了,只需要求出所有候選點的質(zhì)心就是目標的中心了。對于目標個數(shù)不確定的情況,我們通常有這樣幾種解決方案:一是通過領(lǐng)域候選點矩陣進行聯(lián)通域提出,以每個聯(lián)通域的質(zhì)心為目標中心。二是使用領(lǐng)域候選點增長法。
(5)、聚類結(jié)果
-
檢測
+關(guān)注
關(guān)注
5文章
4348瀏覽量
91103 -
數(shù)字圖像處理
+關(guān)注
關(guān)注
7文章
103瀏覽量
18879 -
識別
+關(guān)注
關(guān)注
3文章
173瀏覽量
31907
發(fā)布評論請先 登錄
相關(guān)推薦
評論