一种基于上下文信息传播局部回归核的目标识别方法
【技术领域】
[0001] 本发明属于图像理解领域，具体涉及一种基于上下文信息传播局部回归核的目标 识别方法。
【背景技术】
[0002] 目标识别在夜视图像（包括微光、红外图像）理解分析方法发挥着重要作用，它也 在机器视觉应用中起着重要的作用。
[0003] 文献 一(DalaiN,TriggsB.Histogramsoforientedgradientsforhuman detection,ComputerVisionandPatternRecognition, 2005,1:886-893.)等人提出了方 向梯度直方图的方法，该方法利用方向梯度直方图，可以有效地识别目标，但是对微光图像 并没有很好地识别目标，噪声比较严重。
[0004]文献二（P.F.Felzenszwalb，R.B.Girshick，D.McAllester，D.Ramanan. 0bject detectionwithdiscriminativelytrainedpart-basedmodels,PatternAnalysisand MachineIntelligence,vol. 32，pp. 1627-1645,2010.)等人提出了编码训练的方法，利用 训练的判别模型，可以有效地识别目标，但是需要训练样本，数据量大，计算复杂。
[0005] 文献三（H.J.Seo,P.Milanfar.Training-free,Generic0bjectDetectionusing LocallyAdaptiveRegressionKernels,IEEETransonPatternAnalysisandMachineInte lligence,vol. 32,no. 9,pp. 1688-1704, 2010.)利用局部回归核的方法，但只是单单利用局 部回归核，并没有考虑上下文信息，在识别过程中容易出现大量未识别的目标。因此识别效 率低，无法更好地应用于微光图像。
【发明内容】
[0006] 本发明提出一种基于上下文信息传播局部回归核的目标识别方法，提高了目标识 别的准确度和识别效率。
[0007] 为了解决上述技术问题，本发明提供一种基于上下文信息传播局部回归核的目标 识别方法，包括以下步骤：
[0008] 步骤一：给定一幅查询图像Q(m>Nn)和一幅目标图像T(_ ;查询图像Q(m>Nn)的大小为 m*n，m，ne[1，100];目标图像T_的大小为M*N，M，Ne[256, 1000];分别计算查询图像 Q(n"n)的局部回归核KQ( ?)和目标图像T(MW)的局部回归核KT( ?);
[0009] 步骤二：计算局部回归核KQ( ?)和KT( ?)的上下文信息cpmQ和cpmT ;用上下文信 息cpmQ和cpmT分别表示查询图像Q(rtn)和目标图像T(MW)局部回归核的中心区域和周边区 域的上下文信息；分别加权上下文信息cpmQ和cpmT并归一化得到查询图像Q(rtn)的特征WQ 和目标图像!^#的特征WT;
[0010]步骤三：采用局部保留投影算法对查询图像Q(-的特征WQ和目标图像T(_的特 征WT进行降维，并保留前五个最大的特征值对应的特征向量，获得查询图像Q(m>Nn)的显著特 征FQ和目标图像T_的显著特征FT;
[0011] 步骤四：计算获取显著特征图RM，计算方式如公式（1)所示， _2]
(1)
[0013] 公式⑴中，参数P表示显著特征FQ与显著特征FT2间的相似关系，且P2e[0, 1]，P的计算方式如公式（2)所示， _4]
⑵
[0015] 公式⑵中，dd是目标图像T(_中显著特征的数目；
[0016] 步骤五：对显著特征图RM采用非极大值抑制的方法，抑制同一区域非极大值的部 分，保留最显著的相似区域，从而得到最终的识别图Sal。
[0017] 本发明与现有技术相比，其显著优点在于：（1)本发明方法不需要训练样本，减少 了学习先验知识带来沉重的计算复杂度，使得计算方法结构简单，计算效率高；(2)本发明 方法考虑了局部结构的上下文信息，通过上下文信息传播的局部回归核相互作用，从而获 得了更加丰富的局部图像结构细节；同时，为了减少特征的冗余，保留最显著的特征信息， 采用了局部保留投影的方法，可以较好地保留了目标图像T(M*N)中最显著的结构特征，从 而提高了算法的识别率，并成功应用于微光图像。
【附图说明】
[0018] 图1是本发明方法流程图。
[0019] 图2是局部回归核的结构示意图。
[0020] 图3是上下文信息的结构示意图。
[0021] 图4是采用了局部保留投影后的特征图。
[0022] 图5是本发明实验微光图像最终识别的效果图。
[0023] 图6是本发明实验自然光图像最终识别的效果图。
【具体实施方式】
[0024] 本发明一种基于上下文信息传播局部回归核的目标识别方法，如图1所示，包括 以下步骤：
[0025] 步骤一：给定一幅查询图像Q(m>Nn)和一幅目标图像T(_ ;查询图像Q(m>Nn)的大小为 m*n，m，ne[1，100];目标图像T_的大小为M*N，M，Ne[256, 1000];分别计算查询图像 Q(n"n)的局部回归核KQ( ?)和目标图像T(MW)的局部回归核KT( ?)。
[0026] 所述计算局部回归核KQ( ?)和目标图像T(MW)的局部回归核KT( ?)的方法相同， 具体如公式（1)所示，
[0027]
( 1 )
[0028] 公式⑴中，h表示平滑系数，h= 2,Q是回归核矩阵，1表示查询图像Q(rtn)或者 目标图像！^^的图像数目，x为查询图像Q(m>Nn)或者目标图像！^^区域中心坐标，Xl为查 询图像Q(l"n)或者目标图像T(_空间坐标，det( ?)表示行列式的值，T表示矩阵转置。
[0029] 步骤二：计算局部回归核KQ( ?)和KT( ?)的上下文信息cpmQ和cpmT ;用上下文 信息cpmQ和cpmT分别表示查询图像Q(m>Nn)和目标图像T_局部回归核的中心区域和周边 区域的上下文信息，其中，局部区域包括中心区域和周边区域；分别加权查询图像Q(n"n)和 目标图像T(_上下文信息cpmQ和cpmT，并归一化得到查询图像Q(-的特征WQ和目标图像 T(_的特征WT。
[0030] 所述计算局部回归核KQ( ?)和KT( ?)的上下文信息cpmQ和cpmT的方法相同，具 体如公式（2)所示，
[0031]
12)
[0032] 公式⑵中，21是控制查询图像Qw或者目标图像T_加权的权重，&是控制中 心区域与周边区域平滑的权重，cPll表示查询图像Q(n"n)或者目标图像T(MW)中心区域的回 归核信息，cP]]表示查询图像Q(m>Nn)或者目标图像T(MW)周边区域的回归核信息，ii表示查询 图像Q(n"n)或者目标图像T_中心区域的位置，jj表示查询图像Q(m>Nn)或者目标图像T(mw) 周边区域的位置。
[0033] 所述计算查询图像Q(n"n)的特征WQ和目标图像T(MW)的特征WT，如公式（3)和（4) 所示：
[0036] 公式⑶和⑷中，normal( ?)表示归一化函数，KQ和KF分别表示查询图像Q(m>Nn) 和目标图像!^#的局部回归核。
[0037] 步骤三：采用局部保留投影算法对查询图像Q(-的特征WQ和目标图像T(_的特 征WT进行降维，并保留前五个最大的特征值对应的特征向量，获得查询图像Q(m>Nn)的显著特 征匕和目标图像！^^的显著特征FT，计算方式如公式（5)和（6)所示：
[0040] 公式（5)，（6)中，/&，及分别表示查询图像Qw的显著特征FQ和目标图像 T(WN)的显著特征FT中第n，m列的特征向量，Wcipt是投影矩阵，Wcipt的计算方式如公式（7)所 示：
[0041] wopt =min{uTTPu} (7)
[0042] 公式（7)中，u是转换矩阵，P表示方差矩阵，P计算方式如公式（8)所示：
[0043] P=E((yz-yi) (y.-y；)TTSzi) (8)
[0044] 公式⑶中，y表示目标图像T(_的显著特征FT中每一列中的特征数据，yz是目 标图像T(MW)的显著特征ft中心位置的特征数据，yi是目标图像T(MW)的显著特征FT中第i位置上的特征数据，SZ1表示中心位置与周边位置的距离关系，SZ1的计算方式如公式（9)所 示：
[0045]
(9)
[0046] 公式（9)中，e表示距离因子。
[0047] 步骤四：设P表示查询图像Q(l"n)的显著特征FQ和目标图像T(_的显