基于輪廓模板匹配的物體檢測(cè)算法

陳 雷

同濟(jì)大學(xué)軟件學(xué)院，上海 201804

基于輪廓模板匹配的物體檢測(cè)算法

陳 雷

同濟(jì)大學(xué)軟件學(xué)院，上海 201804

本文提出了一種基于輪廓模板匹配技術(shù)的物體識(shí)別檢測(cè)算法。物體檢測(cè)器使用部分已有的輪廓圖片，通過(guò)AdaBoost訓(xùn)練得出。此算法達(dá)到了一般基于紋理檢測(cè)器的效果，而且更加簡(jiǎn)單且易于實(shí)現(xiàn)。

輪廓模板 ；Chamfer；Boost

1 概述

我們的模型訓(xùn)練方法采用了一種過(guò)飽和的模式，即使用冗余的特征集合進(jìn)行訓(xùn)練，而這些冗余特征集合恰恰克服了同類物體的不同點(diǎn)（如不同的體型、不同的動(dòng)作以及不同的面部表情）、圖像場(chǎng)景變化（不同的光照條件、遮擋等）。

2 檢測(cè)

整個(gè)檢測(cè)器是建立在局部的基于輪廓特征匹配基礎(chǔ)上的，匹配算法使用了方向性的Chamfer距離考量，這個(gè)距離值通過(guò)其權(quán)重求和，并最終作為物體檢測(cè)分類器。特征集合F代表了物體的輪廓T的局部片段，每個(gè)特征都包括了它自身到物體中心的偏移量p。另外的3個(gè)參數(shù)分別是：方向量的權(quán)重λ，檢測(cè)閾值θ以及特征權(quán)重量a。

2.1 方向性Chamfer匹配

Chamfer匹配技術(shù)在輪廓匹配應(yīng)用中非常廣泛。它提供了一種計(jì)算兩個(gè)輪廓距離量的方法，并且在有大量非對(duì)齊的情況下，仍有很高的魯棒性。從最簡(jiǎn)單的模型講，Chamfer匹配需要兩個(gè)邊緣點(diǎn)集，圖像邊緣點(diǎn)集E={e}和匹配模板點(diǎn)集T={t}，下面的公式描述了計(jì)算這兩個(gè)點(diǎn)集在偏移量為x情況下的Chamfer值：

NT為T中點(diǎn)的數(shù)量。這個(gè)公式計(jì)算了匹配模板中的邊緣點(diǎn)到最近的圖像邊緣點(diǎn)的平均距離。通過(guò)預(yù)處理，例如距離變換（Distance Transform），計(jì)算Chamfer距離的效率會(huì)提高很多，公式（1）即可以轉(zhuǎn)化為公式（3）：

歐幾里得距離DT的計(jì)算可以參照文章[1]。

另外，一個(gè)很大的改進(jìn)，就是引用了輪廓的方向考量。這種考量通過(guò)邊緣點(diǎn)的斜率來(lái)表達(dá)。在圖像點(diǎn)集中，通常有很多地方邊緣非常嘈雜混亂，方向性Chamfer距離可以很好的解決這個(gè)問(wèn)題。其中一種技術(shù)是將圖像和匹配模板中的邊緣點(diǎn)劃分為不同的幾個(gè)離散的方向通道，并求出Chamfer值的和。但這種方法的通道數(shù)量并不明確，而且需要格外注意連個(gè)通道之間的邊緣曲線。我們使用一種略微不同的方法，精確的計(jì)算匹配模板上每個(gè)邊緣點(diǎn)斜率與圖像中每個(gè)邊緣點(diǎn)斜率的差：

o(·)代表一個(gè)邊緣點(diǎn)的斜率，|o1-o2|表示計(jì)算兩個(gè)點(diǎn)的斜率差，ADTE(t+x)表示在點(diǎn)集E中找出離點(diǎn)(t+x)最近的一個(gè)點(diǎn)。

這樣，最終的方向性Chamfer值便可以通過(guò)下面的公式計(jì)算出來(lái)了：

其中，λ為方向考量的權(quán)重值。

2.2 檢測(cè)步驟

物體檢測(cè)器K(c)可以計(jì)算某一點(diǎn)的c的信心值（Confident Value），使用K在整個(gè)圖片的所有像素點(diǎn)進(jìn)行掃描，可以得出一個(gè)分類圖。這個(gè)分類圖經(jīng)過(guò)一定的處理（如降噪、平滑等），通過(guò)設(shè)定一個(gè)理想的閾值，在這個(gè)分類圖中可以找出物體在圖片中的大致位置。

整個(gè)檢測(cè)器K通過(guò)一個(gè)參數(shù)組{Fm}進(jìn)行訓(xùn)練，每個(gè)參數(shù)組表示為Fm=（Tm ,pm ,λm ,θm ,am），K用加性模型表示如下：

δ函數(shù)相當(dāng)于一個(gè)判斷語(yǔ)句，如果括號(hào)內(nèi)部表達(dá)式為真，則返回1，否則返回0。θm是每個(gè)一個(gè)閾值，來(lái)過(guò)濾弱分類器得出的方向性Chamfer值，通過(guò)訓(xùn)練得出。am是每個(gè)特征向量的權(quán)重，同樣通過(guò)訓(xùn)練得出。

3 訓(xùn)練

3.1 建立匹配模板庫(kù)

首先，我們要找出大量需要檢測(cè)的物體圖片，將其分成兩部分，第一部分則用來(lái)提取特征，第二部分則用來(lái)用來(lái)作為訓(xùn)練樣本。首先將第一部分的圖片背景信息去除（通常是下載標(biāo)準(zhǔn)數(shù)據(jù)集來(lái)解決），然后使用Canny edge算法算出這些圖片相應(yīng)的邊緣輪廓圖片。隨機(jī)指定一些位置，記錄這些位置到物體中心的偏移量，并截取隨機(jī)大小的矩形區(qū)域的（不能太大或太小）輪廓片段，將這兩種信息儲(chǔ)存。這樣，庫(kù)中的每條信息都包括兩個(gè)內(nèi)容：物體的部分輪廓曲線以及它相對(duì)于物體中心的位置。

3.2 分類器的學(xué)習(xí)

Boost是現(xiàn)今機(jī)器學(xué)習(xí)領(lǐng)域中較為簡(jiǎn)單且有效的技術(shù)。它由一系列的“弱分類器”構(gòu)成，這些分類器的表現(xiàn)僅僅比隨機(jī)猜測(cè)要好一點(diǎn)，但是一個(gè)帶有權(quán)重的弱分類器的集合，通?？梢詷?gòu)成一個(gè)比較準(zhǔn)確的“強(qiáng)分類器”。Boost算法在計(jì)算機(jī)視覺(jué)中的應(yīng)用非常廣泛，大部分是作為一個(gè)特征選擇機(jī)制，例如：Viola和Jones利用AdaBoost制作了一個(gè)效率很高的級(jí)聯(lián)分類器。

我們引入Boost算法主要是為了3點(diǎn)：特征選擇，參數(shù)估計(jì)以及檢測(cè)器學(xué)習(xí)。

4 實(shí)驗(yàn)分析

我們使用Caltech人臉數(shù)據(jù)集進(jìn)行算法的測(cè)試驗(yàn)證。如圖1，左邊一列都是包含檢測(cè)物體的圖片，中間是通過(guò)訓(xùn)練好的檢測(cè)器算出的分類圖，右邊列則是檢測(cè)器K中匹配模板疊加后的效果?？梢钥闯?，需要檢測(cè)的物體的位置都比較準(zhǔn)確。

圖1

5 結(jié)論

本篇文章對(duì)基于輪廓模板匹配的物體檢測(cè)技術(shù)進(jìn)行了探討，并且使其達(dá)到了一般基于紋理檢測(cè)算法的效果。但是此算法所檢測(cè)的都是某一確定大小的物體，而通常圖片中的物體大小都不是固定的。如何解決這個(gè)問(wèn)題，則是我們今后要研究的。

[1]P.F.Felzenszwalb and D.P.Huttenlocher.Distance transforms of sampled functions. Technical report,Cornell, 2004.

[2]J.Friedman, T.Hastie, and R.Tibshirani.Additive logistic regression∶ a statistical view of boosting.Annals of Statistics, 2000, 38(2)∶337-374.

TP391

A

1674-6708（2010）30-0158-02