一种复杂背景下的小目标识别方法、系统技术方案

本发明专利技术提供一种复杂背景下的小目标识别方法、系统，通过获取采集图像；将所述采集图像进行二值化处理得到第一图像；对所述第一图像进行高斯分解，获取第二图像、第三图像；分别对所述第一图像、第二图像、第三图像进行显著性检测，得到第一图像显著图、第二图像显著图、第三图像显著图；分别对所述第一图像显著图、第二图像显著图、第三图像显著图执行背景处理。本发明专利技术，通过基于对不同层次的图形进行显著图获取并基于显著图执行背景模型的建立而后执行不同层次显著图的融合使得背景模型最佳地保证了背景的完整性，而后在不同层次的背景融合过程基于方差计算以及加权实现背景模型的精确性，从而便于识别保证目标的精度。从而便于识别保证目标的精度。从而便于识别保证目标的精度。

【技术实现步骤摘要】
一种复杂背景下的小目标识别方法、系统


[0001]本专利技术涉及目标识别
，尤其涉及一种复杂背景下的小目标识别方法、系统。

技术介绍

[0002]图像目标识别是通过存储的信息(记忆中存储的信息)与当前的信息(当时进入感官的信息)进行比较实现对图像的识别。前提是图像描述，描述是用数字或者符号表示图像或景物中各个目标的相关特征，甚至目标之间的关系，最终得到的是目标特征以及它们之间的关系的抽象表达。图像识别技术对图像中个性特征进行提取时，可以采用模板匹配模型。在某些具体的应用中，图像识别除了要给出被识别对象是什么物体外，还需要给出物体所处的位置和姿态以引导计算初工作。图像识别技术已广泛应用于多个领域，如生物医学、卫星遥感、机器人视觉、货物检测、目标跟踪、自主车导航、公安、银行、交通、军事、电子商务和多媒体网络通信等。随着技术的发展，出现了基于机器视觉的目标识别、基于深度学习的目标识别等，大大提高了图像识别的准确度和识别效率。
[0003]传统的目标检测算法：Cascade+HOG/DPM+Haar/SVM以及上述方法的诸多改进、优化。传统的目标检测中，多尺度形变部件模型DPM(Deformable Part Model)表现比较优秀，连续获得VOC(Visual Object Class)2007到2009的检测冠军，。DPM把物体看成了多个组成的部件(比如人脸的鼻子、嘴巴等)，用部件间的关系来描述物体，这个特性非常符合自然界很多物体的非刚体特征。DPM可以看做是HOG+SVM的扩展，很好的继承了两者的优点，在人脸检测、行人检测等任务上取得了不错的效果，但是DPM相对复杂，检测速度也较慢，从而也出现了很多改进的方法。但传统目标检测存在两个主要问题：一个是基于滑动窗口的区域选择策略没有针对性，时间复杂度高，窗口冗余；二是手工设计的特征对于多样性的变化并没有很好的鲁棒性。小目标是指图像中覆盖区域较小的一类目标.与常规目标相比，小目标信息量少，训练数据难以标记，这导致通用的目标检测方法对小目标的检测效果不好，而专门为小目标设计的检测方法往往复杂度过高或不具有通用性.在分析现有目标检测方法的基础上，现有技术中存在一些面向小目标的多尺度快速区域卷积神经网络(faster
‑
regions with convolutional neural network，Faster
‑
RCNN)检测算法。但是现有技术中进行小目标识别的方式还是存在识别率不高以及识别精确度不高的技术问题。

技术实现思路

[0004]有鉴于此，本专利技术提供了一种复杂背景下的小目标识别方法、系统，旨在解决上述的存在识别率不高以及识别精确度不高的技术问题。
[0005]本专利技术的技术方案如下：
[0006]一种复杂背景下的小目标识别方法，包括：
[0007]获取采集图像；将所述采集图像进行二值化处理得到第一图像；对所述第一图像进行高斯分解，获取第二图像、第三图像；
[0008]分别对所述第一图像、第二图像、第三图像进行显著性检测，得到第一图像显著图、第二图像显著图、第三图像显著图；
[0009]分别对所述第一图像显著图、第二图像显著图、第三图像显著图执行背景处理，得到第一背景图像、第二背景图像、第三背景图像；
[0010]基于所述第一背景图像、第二背景图像、第三背景图像，进行融合处理，生成融合背景图像，从而进行小目标分割与识别；
[0011]优选的，所述基于所述第一背景图像、第二背景图像、第三背景图像，进行图像融合处理，生成融合背景图像，从而进行小目标分割与识别，包括：
[0012]获取所述第一图像、第二图像、第三图像中的目标候选点位置关系；所述第一图像、第二图像、第三图像对应不同的图层；
[0013]分别计算第一图像、第二图像、第三图像的图像整体方差值x1、x2、x3；
[0014]分别计算第一图像、第二图像、第三图像的图像加权局部熵，获取对应的加权局部熵图像M1、M2、M3；
[0015]则融合背景图像为：
[0016]M＝(1/x1)
×
M1+(1/x2)
×
M2+(1/x3)
×
M3；
[0017]基于融合背景图像，执行小目标区域分割与识别。
[0018]优选的，所述分别对所述第一图像显著图、第二图像显著图、第三图像显著图执行背景处理，得到第一背景图像、第二背景图像、第三背景图像，包括：
[0019]对所述第一图像显著图选取对应的局部邻域模板，对所述第一图像显著图中的每一个像素点，用它的灰度值与邻域内其它点的平均灰度值做差，将差值的平方作为权值系数，与每一点的局部熵相乘，作为该像素点的最终局部信息熵；
[0020]若该该像素点的最终局部信息熵小于一定阈值，则确定该像素点为背景区域，从而遍历所有点，得到第一背景图像。
[0021]优选的，所述分别对所述第一图像显著图、第二图像显著图、第三图像显著图执行背景处理，得到第一背景图像、第二背景图像、第三背景图像，包括：
[0022]对所述第二图像显著图选取对应的局部邻域模板，对所述第二图像显著图中的每一个像素点，用它的灰度值与邻域内其它点的平均灰度值做差，将差值的平方作为权值系数，与每一点的局部熵相乘，作为该像素点的最终局部信息熵；
[0023]若该该像素点的最终局部信息熵小于一定阈值，则确定该像素点为背景区域，从而遍历所有点，得到第二背景图像。
[0024]优选的，所述分别对所述第一图像显著图、第二图像显著图、第三图像显著图执行背景处理，得到第一背景图像、第二背景图像、第三背景图像，包括：
[0025]对所述第三图像显著图选取对应的局部邻域模板，对所述第三图像显著图中的每一个像素点，用它的灰度值与邻域内其它点的平均灰度值做差，将差值的平方作为权值系数，与每一点的局部熵相乘，作为该像素点的最终局部信息熵；
[0026]若该该像素点的最终局部信息熵小于一定阈值，则确定该像素点为背景区域，从而遍历所有点，得到第三背景图像。
[0027]此外，还提出一种复杂背景下的小目标识别系统，包括：
[0028]获取与分解模块，获取采集图像；将所述采集图像进行二值化处理得到第一图像；
对所述第一图像进行高斯分解，获取第二图像、第三图像；
[0029]显著性检测模块，分别对所述第一图像、第二图像、第三图像进行显著性检测，得到第一图像显著图、第二图像显著图、第三图像显著图；
[0030]背景图像获取模块，分别对所述第一图像显著图、第二图像显著图、第三图像显著图执行背景处理，得到第一背景图像、第二背景图像、第三背景图像；
[0031]识别模块，基于所述第一背景图像、第二背景图像、第三背景图像，进行融合处理，生成融合背景图像，从而进行小目标分割与识别。
[0032]优选的，所述基于所述第一背景图像、第二背景图像、第三背景图像，进行图像融合处理本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种复杂背景下的小目标识别方法，其特征在于，包括：获取采集图像；将所述采集图像进行二值化处理得到第一图像；对所述第一图像进行高斯分解，获取第二图像、第三图像；分别对所述第一图像、第二图像、第三图像进行显著性检测，得到第一图像显著图、第二图像显著图、第三图像显著图；分别对所述第一图像显著图、第二图像显著图、第三图像显著图执行背景处理，得到第一背景图像、第二背景图像、第三背景图像；基于所述第一背景图像、第二背景图像、第三背景图像，进行融合处理，生成融合背景图像，从而进行小目标分割与识别；所述基于所述第一背景图像、第二背景图像、第三背景图像，进行图像融合处理，生成融合背景图像，从而进行小目标分割与识别，包括：获取所述第一图像、第二图像、第三图像中的目标候选点位置关系；所述第一图像、第二图像、第三图像对应不同的图层；分别计算第一图像、第二图像、第三图像的图像整体方差值x1、x2、x3；分别计算第一图像、第二图像、第三图执行小目标区域分割与识别像的图像加权局部熵，获取对应的加权局部熵图像M1、M2、M3；则融合背景图像为：M＝(1/x1)
×
M1+(1/x2)
×
M2+(1/x3)
×
M3；基于融合背景图像，执行小目标区域分割与识别。2.如权利要求1所述的一种复杂背景下的小目标识别方法，其特征在于，所述分别对所述第一图像显著图、第二图像显著图、第三图像显著图执行背景处理，得到第一背景图像、第二背景图像、第三背景图像，包括：对所述第一图像显著图选取对应的局部邻域模板，对所述第一图像显著图中的每一个像素点，用它的灰度值与邻域内其它点的平均灰度值做差，将差值的平方作为权值系数，与每一点的局部熵相乘，作为该像素点的最终局部信息熵；若该该像素点的最终局部信息熵小于一定阈值，则确定该像素点为背景区域，从而遍历所有点，得到第一背景图像。3.如权利要求1所述的一种复杂背景下的小目标识别方法，其特征在于，所述分别对所述第一图像显著图、第二图像显著图、第三图像显著图执行背景处理，得到第一背景图像、第二背景图像、第三背景图像，包括：对所述第二图像显著图选取对应的局部邻域模板，对所述第二图像显著图中的每一个像素点，用它的灰度值与邻域内其它点的平均灰度值做差，将差值的平方作为权值系数，与每一点的局部熵相乘，作为该像素点的最终局部信息熵；若该该像素点的最终局部信息熵小于一定阈值，则确定该像素点为背景区域，从而遍历所有点，得到第二背景图像。4.如权利要求1所述的一种复杂背景下的小目标识别方法，其特征在于，所述分别对所述第一图像显著图、第二图像显著图、第三图像显著图执行背景处理，得到第一背景图像、第二背景图像、第三背景图像，包括：对所述第三图像显著图选取对应的局部邻域模板，对所述第三图像显著图中的每一个
像素点，用它的灰度值与邻域内其它点的平均灰度值做差，将差值的平方作为权值系数，与每一点的局部熵相乘，作为该像素点的最终局部信息熵；若该该像素点的最终局部信息熵小于一定阈值，则确定该像素点为背景区域，从而遍历所有点，得到第三背景图像。5.一种复杂背景下的小目...

【专利技术属性】
技术研发人员：洪水吉，
申请(专利权)人：洪水吉，
类型：发明
国别省市：