一种复杂背景下的小目标识别方法、系统与流程

1.本发明涉及目标识别技术领域，尤其涉及一种复杂背景下的小目标识别方法、系统。


背景技术：

2.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。
3.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。


技术实现要素：

4.有鉴于此，本发明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。
5.本发明的技术方案如下：
6.一种复杂背景下的小目标识别方法，包括：
7.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；
8.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；
9.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；
10.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；
11.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：
12.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；
13.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；
14.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；
15.则融合背景图像为：
16.m＝(1/x1)
×
m1 (1/x2)
×
m2 (1/x3)
×
m3；
17.基于融合背景图像，执行小目标区域分割与识别。
18.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：
19.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；
20.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。
21.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：
22.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；
23.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。
24.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：
25.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；
26.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。
27.此外，还提出一种复杂背景下的小目标识别系统，包括：
28.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；
29.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；
30.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；
31.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。
32.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：
33.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；
34.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；
35.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；
36.则融合背景图像为：
37.m＝(1/x1)
×
m1 (1/x2)
×
m2 (1/x3)
×
m3；
38.基于融合背景图像，执行小目标区域分割与识别。
39.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：
40.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；
41.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。
42.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：
43.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；
44.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。
45.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：
46.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；
47.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。
48.在本发明实施例的方案中，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，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。本发明，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，并引入熵概念从而确定背景像素进一步保证了背景像素的精确度，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。
附图说明
49.图1为本发明实施例复杂背景下的小目标识别方法流程图；
50.图2为本发明实施例高斯金字塔分层结构示意图；
51.图3为本发明实施例复杂背景下的小目标识别系统结构示意图。
具体实施方式
52.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，所描述的实施例仅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，本领域普通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。
53.本发明实施一种复杂背景下的小目标识别方法，所述方法包括：
54.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；
55.具体地，本实施例，对输入的采集图像二值化以后，执行多尺度分解，利用高斯降尺度分解，得到不同分辨率的图像，抑制高频噪声，滤除尖锐的突起。通过对第一图像进行分解，可以获得分别是第一图像(图层1)、高斯分解一次对应的第二图像(图层2)，高斯分解第二次对应的第三图像(图层3)。如图2所示，高斯金字塔(gaussian pyramid)，金字塔的底层为原始图像，每向上一层则是通过高斯滤波和1/2采样得到(去掉偶数行和列)；在进行高斯金字塔运算时，由于不断的进行高斯滤波和下采样，我们丢失了很多高频信号，而拉普拉斯金字塔的目的就是保存这些高频信号，保存这些高频信号所采用的方式就是保存差分图像。比如，拉普拉斯金字塔的第0层，就是原始图像和原始图像下采样(reduce)后再次上采样(expand)的图像的差值。
56.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；
57.具体地，在机器视觉中，显著性是一种图像分区的模式，而显著图(英语：saliency map)是显示每个像素独特性的图像。显著图的目标在于将一般图像的表示简化或是改变为更容易分析的样式。举例来说，某个像素在一张彩色图中具有较高的灰阶，其会在显著图中以较为明显的方式被显示出来。视觉刺激的观点上，如果某些特征特别能够被捕捉到注意
力，这样子的特性在心理学上被称为显著性(saliency)。本实施例，可以选择基于itti算法、gbvs算法等获取显著图。
58.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；
59.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。
60.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：
61.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；
62.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。
63.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：
64.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；
65.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。
66.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：
67.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；
68.具体地，本实施例，可以选取3*3、5*5、7*7、9*9模板作为局部邻域模板，对于显著图中每一个点，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，作为该点的最终局部信息熵。对比每个模板求得的显著图中的小目标对比度及运算需要的时间，选择效果最佳的模板。基于选择效果最佳，运行时间最少的模板，最终我们可以选取5*5或7*7的模板作为局部邻域模板。通过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，而每个像素点对应的最终局部信息熵组成的图像称之为局部熵图像。
69.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。
70.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：
71.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；
72.具体地，本实施例，首先对不同图层中的目标候选点位置关系进行分析，通过高斯降采样分解得到的三个图层之间的关系是，下一级图层是上一级图层的1/4，即长度和宽度分别为上一级的1/2。由于高斯滤波易在图像边缘产生畸变，本实施例，对下一级图像四周进行了宽度为h的裁剪，以保证得到的显著图中不含有畸变噪声影响显著区域的判断，h取值为10个像素。根据此关系，设下一级图层中候选点位置为a2＝(x,y)，则对应到上一级图层中应当出现候选点a1的位置：a1＝2*(x h,y h)。
73.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；
74.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；
75.则融合背景图像为：
76.m＝(1/x1)
×
m1 (1/x2)
×
m2 (1/x3)
×
m3；
77.基于融合背景图像，执行小目标区域分割与识别。
78.具体地，本实施例，采取全局阈值分割方法，首先就、对图像进行判断，计算图像的极大值、均值和标准差，如果极大值小于均值与n倍标准差的和值，那么根据统计规律判断，所处理的图像中，不含有小目标；对判断含有小目标的图像，将阈值设为极大值的0.7，大于这个阈值的点则认为是目标点。
79.此外，本实施例，还提出一种复杂背景下的小目标识别系统，包括：
80.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；
81.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；
82.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；
83.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。
84.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：
85.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；
86.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。
87.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：
88.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；
89.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。
90.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：
91.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；
92.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。
93.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：
94.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；
95.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；
96.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；
97.则融合背景图像为：
98.m＝(1/x1)
×
m1 (1/x2)
×
m2 (1/x3)
×
m3；
99.基于融合背景图像，执行小目标区域分割与识别。
100.在本发明实施例的方案中，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，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。本发明，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，并引入熵概念从而确定背景像素进一步保证了背景像素的精确度，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。
101.需要说明的是，应理解以上装置的各个模块的划分仅仅是一种逻辑功能的划分，实际实现时可以全部或部分集成到一个物理实体上，也可以物理上分开。且这些模块可以全部以软件通过处理元件调用的形式实现。也可以全部以硬件的形式实现。还可以部分模块通过处理元件调用软件的形式实现，部分模块通过硬件的形式实现。
102.此外，本发明实施例还提供一种可读存储介质，所述可读存储介质中存储有计算机执行指令，当处理器执行所述计算机执行指令时，实现如上基于远程互动和云计算的媒体数据处理方法。
103.上文已对基本概念做了描述，显然，对于本领域技术人员来说，上述详细披露仅仅作为示例，而并不构成对本说明书的限定。虽然此处并没有明确说明，本领域技术人员可能会对本说明书进行各种修改、改进和偏移处理。该类修改、改进和偏移处理在本说明书中被
建议，所以该类修改、改进、偏移处理仍属于本说明书示范实施例的精神和范围。
104.同时，本说明书使用了特定词语来描述本说明书的实施例。如“一种可能的实现方式”、“一种可能的示例”、和/或“示例性地”意指与本说明书至少一个实施例相关的某一特征、结构或特点。因此，应强调并注意的是，本说明书中在不同位置两次或多次提及的“一种可能的实现方式”、“一种可能的示例”、和/或“示例性地”并不一定是指同一实施例。此外，本说明书的一个或多个实施例中的某些特征、结构或特点可以进行适当的组合。
105.此外，本领域技术人员可以理解，本说明书的各方面可以通过若干具有可专利性的种类或情况进行说明和描述，包括任何新的和有用的工序、机器、产品或物质的组合，或对它们的任何新的和有用的改进。相应地，本说明书的各个方面可以完全由硬件执行、可以完全由软件(包括固件、常驻软件、微码等)执行、也可以由硬件和软件组合执行。以上硬件或软件均可被称为“数据块”、“模块”、“引擎”、“单元”、“组件”或“系统”。此外，本说明书的各方面可能表现为位于一个或多个计算机可读介质中的计算机产品，该产品包括计算机可读程序编码。
106.需要说明的是，如果本说明书附属材料中的描述、定义、和/或术语的使用与本说明书所述内容有不一致或冲突的地方，以本说明书的描述、定义和/或术语的使用为准。
107.最后，应当理解的是，本说明书中所述实施例仅用以说明本说明书实施例的原则。其它的变形也可能属于本说明书的范围。因此，作为示例而非限制，本说明书实施例的替代配置可视为与本说明书的教导一致。相应地，本说明书的实施例不仅限于本说明书明确介绍和描述的实施例。