亚洲成年人黄色一级片,日本香港三级亚洲三级,黄色成人小视频,国产青草视频,国产一区二区久久精品,91在线免费公开视频,成年轻人网站色直接看

基于置信度圖的增強(qiáng)現(xiàn)實(shí)場(chǎng)景虛擬對(duì)象判別和檢測(cè)方法

文檔序號(hào):6434756閱讀:289來源:國(guó)知局
專利名稱:基于置信度圖的增強(qiáng)現(xiàn)實(shí)場(chǎng)景虛擬對(duì)象判別和檢測(cè)方法
技術(shù)領(lǐng)域
本發(fā)明涉及圖像處理、計(jì)算機(jī)視覺和增強(qiáng)現(xiàn)實(shí)領(lǐng)域,具體地說是一種基于置信度圖的增強(qiáng)現(xiàn)實(shí)場(chǎng)景虛擬對(duì)象判別和檢測(cè)方法。
背景技術(shù)
增強(qiáng)現(xiàn)實(shí)是虛擬現(xiàn)實(shí)的進(jìn)一步拓展,它借助必要的設(shè)備使計(jì)算機(jī)生成的虛擬對(duì)象與客觀存在的真實(shí)環(huán)境共存于同一個(gè)增強(qiáng)現(xiàn)實(shí)系統(tǒng)中,從感官和體驗(yàn)效果上給用戶呈現(xiàn)出虛擬對(duì)象與真實(shí)環(huán)境融為一體的增強(qiáng)現(xiàn)實(shí)環(huán)境。隨著增強(qiáng)現(xiàn)實(shí)技術(shù)的發(fā)展,具有較高的圖像真實(shí)感的增強(qiáng)現(xiàn)實(shí)場(chǎng)景的出現(xiàn),急需度量和評(píng)價(jià)增強(qiáng)現(xiàn)實(shí)場(chǎng)景可信度的標(biāo)準(zhǔn)和依據(jù)。如何判定一個(gè)場(chǎng)景是否增強(qiáng)現(xiàn)實(shí)場(chǎng)景,并且進(jìn)一步地將增強(qiáng)現(xiàn)實(shí)場(chǎng)景中的虛擬對(duì)象檢測(cè)出來,作為增強(qiáng)現(xiàn)實(shí)場(chǎng)景圖像可信度評(píng)價(jià)的一個(gè)途徑,有重要的研究意義和應(yīng)用需求。2011年,意大利特倫多大學(xué)的研究人員提出一種圖像偽造鑒別方法,該方法能將融入真實(shí)場(chǎng)景中的計(jì)算機(jī)生成成分檢測(cè)出來。該工作是已知的現(xiàn)有工作中唯一一個(gè)以增強(qiáng)現(xiàn)實(shí)場(chǎng)景為處理對(duì)象的。但是該工作所進(jìn)行的檢測(cè)不是以對(duì)象為單位,而是只檢測(cè)增強(qiáng)現(xiàn)實(shí)場(chǎng)景中的虛擬成分,即檢測(cè)結(jié)果可能是一個(gè)區(qū)域,也可能是零散分布的點(diǎn)。2005年美國(guó)達(dá)特茅斯大學(xué)的研究人員提出了基于小波分解的自然圖像統(tǒng)計(jì)模型并采用支持向量機(jī)和線性鑒別分析來分類虛擬圖像和真實(shí)圖像的方法。該首先提取彩色圖像小波分解后各個(gè)子帶和方向上分解系數(shù)的四階統(tǒng)計(jì)特征(均值、方差、偏度、峰度);同時(shí)考慮小波分解后相鄰分解系數(shù)之間的四階線性預(yù)測(cè)誤差特征,然后利用支持向量機(jī)和線性判別分析法訓(xùn)練出分類器,再將測(cè)試集輸入訓(xùn)練好的分類器得到分類結(jié)果。該方法的虛實(shí)分類是針對(duì)整張圖像進(jìn)行的,且分類準(zhǔn)確率隨著虛實(shí)分類特征的提取區(qū)域大小不同而有較大波動(dòng)。2007年,美國(guó)紐約科技大學(xué)的研究人員提出了利用顏色濾波陣列插值檢測(cè)特點(diǎn)以及圖像中色差一致性來區(qū)分虛擬圖像和真實(shí)圖像的方法。該方法首先從訓(xùn)練集正負(fù)樣本中提取基于顏色濾波陣列插值檢測(cè)特點(diǎn)以及圖像中色差一致性的特征,然后將提取的特征輸入支持向量機(jī)中訓(xùn)練出分類器,再將測(cè)試集輸入訓(xùn)練好的分類器得到分類結(jié)果。2009年加拿大艾伯塔大學(xué)的研究人員提出了利用圖像塊重采樣參數(shù)的一致性來分類虛擬圖像和真實(shí)圖像的方法。該方法的原理是基于虛擬圖像生成中對(duì)模型表面紋理映射的過程可能會(huì)用到對(duì)紋理圖像的旋轉(zhuǎn)、縮放等操作,造成虛擬圖像中各圖像塊重采樣的參數(shù)不一致。這樣就可以通過檢測(cè)圖像塊重采樣的參數(shù)是否一致來區(qū)別虛擬圖像和真實(shí)圖像。該方法的圖像塊重采樣的參數(shù)估計(jì)是針對(duì)整張圖像進(jìn)行。2004年,美國(guó)康柏電腦公司劍橋研究實(shí)驗(yàn)室的研究人員提出了利用基于哈爾濾波器并采用AdaBoost分類算法來進(jìn)行人臉檢測(cè)的方法。該方法首先從訓(xùn)練集中提取分類特征,再訓(xùn)練出基于人臉和非人臉統(tǒng)計(jì)特征的分類器,然后將提取的待檢測(cè)圖像的分類特征輸入分類器并通過級(jí)聯(lián)分類器來減少需計(jì)算的檢測(cè)窗口的數(shù)目以提高效率,最終得到檢測(cè)結(jié)果。該方法的特征提取是基于哈爾濾波器,描述的是人臉固有結(jié)構(gòu)帶來的區(qū)域?qū)Ρ榷取?br> 2005年,法國(guó)國(guó)立計(jì)算機(jī)及自動(dòng)化研究院的研究人員提出了利用方向梯度直方圖和線性支持向量機(jī)進(jìn)行人物檢測(cè)的方法。該方法分首先對(duì)輸入圖片進(jìn)行顏色歸一化,然后計(jì)算圖片中的梯度,統(tǒng)計(jì)落在不同方向和方位區(qū)間的像素點(diǎn),并對(duì)重疊的空間塊進(jìn)行對(duì)比歸一化,再生成每個(gè)檢測(cè)窗的方向梯度直方圖,最后用線性支持向量機(jī)分類器分類出人物/ 非人物區(qū)域,得到檢測(cè)結(jié)果。該方法相比于其他檢測(cè)方法有更高的檢測(cè)效果,但要求圖片中的人物要大致保持豎直站立的狀態(tài)。該方法特征提取采用的是圖像梯度直方圖,描述的是人體輪廓的固有特點(diǎn)。上述區(qū)分虛擬圖像和真實(shí)圖像的方法,共同點(diǎn)是它們所提取的虛實(shí)分類特征都不適用于針對(duì)圖像中任意給定區(qū)域的虛實(shí)分類。此外,現(xiàn)有的對(duì)象檢測(cè)的工作中,一般處理的對(duì)象都有較強(qiáng)的易于描述的外觀特點(diǎn)作為先驗(yàn)信息。相對(duì)而言,增強(qiáng)現(xiàn)實(shí)場(chǎng)景中的虛擬對(duì)象檢測(cè),其檢測(cè)目標(biāo)(即虛擬對(duì)象)不具有外觀上顯式的易于描述的先驗(yàn)信息,如顏色、形狀、大小等,因此判別和檢測(cè)難度較大。

發(fā)明內(nèi)容
本發(fā)明的技術(shù)解決方案克服現(xiàn)有技術(shù)的不足,提供一種基于置信度圖的增強(qiáng)現(xiàn)實(shí)場(chǎng)景虛擬對(duì)象判別和檢測(cè)方法,該方法不需要預(yù)先知道虛擬對(duì)象的任何外觀信息,如顏色、形狀、大小,也不需要知道虛擬對(duì)象在增強(qiáng)現(xiàn)實(shí)場(chǎng)景中所處的位置,而是利用區(qū)分虛擬對(duì)象與真實(shí)圖像的物理成像差異,進(jìn)行虛實(shí)分類特征提取,分別計(jì)算訓(xùn)練集正負(fù)樣本的區(qū)域自身特征與區(qū)域?qū)Ρ忍卣?,并?gòu)造出像素級(jí)虛實(shí)分類器與區(qū)域級(jí)虛實(shí)分類器;在此基礎(chǔ)上,通過基于虛擬置信度圖的虛擬對(duì)象判別與檢測(cè)進(jìn)行虛擬對(duì)象初步定形定位和精確檢測(cè)。本發(fā)明采用的技術(shù)方案基于置信度圖的增強(qiáng)現(xiàn)實(shí)場(chǎng)景虛擬對(duì)象判別和檢測(cè)方法,步驟如下構(gòu)建增強(qiáng)現(xiàn)實(shí)場(chǎng)景訓(xùn)練數(shù)據(jù)集,并利用虛擬對(duì)象與真實(shí)圖像的物理成像差異,選取虛實(shí)分類特征;在訓(xùn)練數(shù)據(jù)集上,利用虛實(shí)分類特征,分別提取增強(qiáng)現(xiàn)實(shí)場(chǎng)景與真實(shí)場(chǎng)景的區(qū)域自身特征,構(gòu)建像素級(jí)虛實(shí)分類器;在訓(xùn)練數(shù)據(jù)集上,利用虛實(shí)分類特征,分別提取增強(qiáng)現(xiàn)實(shí)場(chǎng)景與真實(shí)場(chǎng)景的區(qū)域?qū)Ρ忍卣?,?gòu)建區(qū)域級(jí)虛實(shí)分類器;給定測(cè)試增強(qiáng)現(xiàn)實(shí)場(chǎng)景,利用像素級(jí)虛實(shí)分類器和小尺寸檢測(cè)窗進(jìn)行檢測(cè),得到反映每個(gè)像素虛實(shí)分類結(jié)果的虛擬得分圖;定義虛擬置信度圖,并在虛擬得分圖的基礎(chǔ)之上,利用閾值化得到測(cè)試增強(qiáng)現(xiàn)實(shí)場(chǎng)景的虛擬置信度圖;根據(jù)虛擬置信度圖中高虛擬響應(yīng)點(diǎn)的分布情況,得到虛擬對(duì)象包圍盒的粗略形狀和位置;在虛擬對(duì)象粗略定位的基礎(chǔ)之上,在測(cè)試增強(qiáng)現(xiàn)實(shí)場(chǎng)景圖像中利用區(qū)域級(jí)虛實(shí)分類器和大尺寸檢測(cè)窗進(jìn)行檢測(cè),得到虛擬對(duì)象的最終檢測(cè)結(jié)果。構(gòu)建增強(qiáng)現(xiàn)實(shí)場(chǎng)景訓(xùn)練數(shù)據(jù)集。在訓(xùn)練數(shù)據(jù)集中,將包含虛擬對(duì)象的增強(qiáng)現(xiàn)實(shí)場(chǎng)景圖像作為正樣本,將真實(shí)場(chǎng)景圖像作為負(fù)樣本。利用虛擬對(duì)象與真實(shí)圖像的物理成像差異,選取虛實(shí)分類特征。選取的虛擬分類特征包括局部統(tǒng)計(jì)量、表面梯度、第二基本形式、 貝爾特拉米流。在圖像的每一個(gè)像素點(diǎn)處都可以提取得到該點(diǎn)對(duì)應(yīng)的上述虛實(shí)分類特征。在訓(xùn)練數(shù)據(jù)集上,利用虛實(shí)分類特征,提取增強(qiáng)現(xiàn)實(shí)場(chǎng)景的區(qū)域自身特征,構(gòu)建像素級(jí)虛實(shí)分類器。在構(gòu)建像素級(jí)分類器時(shí),對(duì)增強(qiáng)現(xiàn)實(shí)場(chǎng)景圖像,只選取虛擬對(duì)象區(qū)域作為正樣本區(qū)域;而對(duì)真實(shí)場(chǎng)景圖像,只選取與正樣本中虛擬對(duì)象相近似的區(qū)域作為負(fù)樣本區(qū)域。對(duì)于給定的圖像區(qū)域,計(jì)算出區(qū)域內(nèi)每一點(diǎn)的虛實(shí)分類特征(包括局部統(tǒng)計(jì)量、表面梯度、第二基本形式、貝爾特拉米流);利用轉(zhuǎn)動(dòng)慣量壓縮方法對(duì)給定區(qū)域的虛實(shí)分類特征進(jìn)行壓縮,得到該區(qū)域?qū)?yīng)的區(qū)域自身特征。將正負(fù)樣本的區(qū)域自身特征集合輸入支持向量機(jī)分類器進(jìn)行訓(xùn)練,得到像素級(jí)虛實(shí)分類器。在訓(xùn)練數(shù)據(jù)集上,利用虛實(shí)分類特征,提取增強(qiáng)現(xiàn)實(shí)場(chǎng)景的區(qū)域?qū)Ρ忍卣?,?gòu)建區(qū)域級(jí)虛實(shí)分類器。對(duì)于正負(fù)樣本區(qū)域,將其本身視為待判定的對(duì)象區(qū)域;而將區(qū)域包圍盒之外的等面積矩形區(qū)域視為對(duì)象所處的背景區(qū)域;分別提取對(duì)象區(qū)域與背景區(qū)域內(nèi)每一點(diǎn)的虛實(shí)分類特征;統(tǒng)計(jì)對(duì)象區(qū)域與背景區(qū)域內(nèi)所有點(diǎn)對(duì)應(yīng)的虛實(shí)分類特征,分別構(gòu)成對(duì)象區(qū)域特征的聯(lián)合分布直方圖與背景區(qū)域特征的聯(lián)合分布直方圖;計(jì)算兩個(gè)直方圖之間的卡方距離,將其視為衡量對(duì)象與其所處背景之間差異的特征,稱為區(qū)域?qū)Ρ忍卣?;將提取的正?fù)樣本的區(qū)域?qū)Ρ忍卣骷陷斎胫С窒蛄繖C(jī)分類器進(jìn)行訓(xùn)練,得到區(qū)域級(jí)虛實(shí)分類器。虛擬得分圖構(gòu)建,步驟是對(duì)于輸入的增強(qiáng)現(xiàn)實(shí)場(chǎng)景圖像,利用小尺寸檢測(cè)窗(檢測(cè)窗尺寸為[10,30] X [10,30]像素)以較小的移動(dòng)步長(zhǎng)(如{1,2,3,4,5}像素)掃描整幅圖像;計(jì)算每個(gè)小尺寸檢測(cè)窗內(nèi)的小圖像塊的區(qū)域自身特征;將所有小圖像塊的區(qū)域自身特征輸入到像素級(jí)虛實(shí)分類器中,得到每個(gè)小圖像塊的區(qū)域自身特征得分,得分高表示像素級(jí)分類器將該圖像塊分類為虛擬區(qū)域的確定度高;由于檢測(cè)窗的尺寸相對(duì)整幅圖像很小且分布密集,因此可以將每個(gè)小圖像塊的區(qū)域自身特征得分映射到該圖像塊的中心像素, 并將其作為該中心像素點(diǎn)的虛擬得分;由此構(gòu)成了整個(gè)增強(qiáng)現(xiàn)實(shí)場(chǎng)景圖像的虛擬得分圖。 該過程可通過二維積分圖提高計(jì)算效率。虛擬置信度圖構(gòu)建,步驟是對(duì)于增強(qiáng)現(xiàn)實(shí)場(chǎng)景圖像的虛擬得分圖進(jìn)行閾值化處理,記錄所有虛擬得分為正的點(diǎn);設(shè)置一個(gè)固定的百分比N%,記錄所有虛擬得分為正的點(diǎn)的前以及這些點(diǎn)在原圖像上所處的位置,這些點(diǎn)稱為高虛擬響應(yīng)點(diǎn);設(shè)置一個(gè)固定且相對(duì)較小的常數(shù)M(如令M e [10,100]),記錄所有虛擬得分為正的點(diǎn)的前M個(gè)點(diǎn)以及這些點(diǎn)在原圖像上所處的位置,這些點(diǎn)稱為最高虛擬響應(yīng)點(diǎn);通過參數(shù)設(shè)置可以保證,最高虛擬響應(yīng)點(diǎn)同時(shí)也包含于高虛擬響應(yīng)點(diǎn)所在的集合,即最高虛擬響應(yīng)點(diǎn)是高虛擬響應(yīng)點(diǎn)中虛擬得分值最高的一部分。綜合高虛擬響應(yīng)點(diǎn)、最高虛擬響應(yīng)點(diǎn)及其所在原圖像上的位置信息, 構(gòu)成虛擬置信度圖。虛擬對(duì)象包圍盒的粗略形狀和位置推理步驟如下對(duì)得到的虛擬置信度圖,將其分為五個(gè)等面積、可重疊的子區(qū)域,分別求得每個(gè)子區(qū)域中的高虛擬響應(yīng)點(diǎn)的分布中心;將子區(qū)域中心視為候選的虛擬對(duì)象中心點(diǎn),從各個(gè)中心點(diǎn)分別向外擴(kuò)展搜索得到高虛擬響應(yīng)點(diǎn)分布密集的區(qū)域,對(duì)于高虛擬響應(yīng)點(diǎn)分布密集的區(qū)域,近似推算出該區(qū)域內(nèi)的候選對(duì)象形狀(體現(xiàn)為候選的虛擬對(duì)象包圍盒),結(jié)合該區(qū)域的位置信息,構(gòu)成虛擬對(duì)象初步候選區(qū)域;在多個(gè)虛擬對(duì)象初步候選區(qū)域中,根據(jù)其各自包含的高虛擬響應(yīng)點(diǎn)與最高虛擬響應(yīng)點(diǎn)的數(shù)目,選擇出加權(quán)數(shù)目最多的一個(gè),將其作為虛擬對(duì)象候選區(qū)域,該區(qū)域即包含了虛擬對(duì)象包圍盒粗略形狀與位置信息。對(duì)于得到的虛擬對(duì)象的粗略定位,進(jìn)一步優(yōu)化,得到虛擬對(duì)象的最終檢測(cè)結(jié)果。具體步驟為在虛擬對(duì)象候選區(qū)域周圍取面積為虛擬對(duì)象候選區(qū)域兩倍的區(qū)域,在該區(qū)域內(nèi)構(gòu)造形狀大小和虛擬對(duì)象候選區(qū)域相同的多個(gè)相互重疊的大尺寸檢測(cè)窗(大尺寸檢測(cè)窗的尺寸范圍通常為[200,500] X [200,500],其長(zhǎng)度和寬度的具體取值等于虛擬對(duì)象候選區(qū)域中虛擬對(duì)象包圍盒的長(zhǎng)度和寬度);取每個(gè)大尺寸檢測(cè)窗內(nèi)圖像塊并計(jì)算其區(qū)域?qū)Ρ忍卣鳎粚⑺写蟪叨葯z測(cè)窗內(nèi)圖像塊的區(qū)域?qū)Ρ忍卣鬏斎雲(yún)^(qū)域級(jí)虛實(shí)分類器進(jìn)行分類,選出對(duì)應(yīng)得分最高的檢測(cè)窗作為虛擬對(duì)象的最終檢測(cè)結(jié)果。本發(fā)明與現(xiàn)有的技術(shù)相比,其有益效果是(1)本發(fā)明以增強(qiáng)現(xiàn)實(shí)場(chǎng)景中的虛擬對(duì)象為檢測(cè)對(duì)象,可以將增強(qiáng)現(xiàn)實(shí)場(chǎng)景中的虛擬對(duì)象作為一個(gè)整體判別和檢測(cè)出來。(2)本發(fā)明構(gòu)建了兩級(jí)虛實(shí)分類器,包括像素級(jí)虛實(shí)分類器和區(qū)域級(jí)虛實(shí)分類器, 滿足置信度圖構(gòu)建和虛擬對(duì)象最終檢測(cè)的需求。(3)本發(fā)明建了一個(gè)置信度圖,基于虛擬置信度圖,能在沒有虛擬對(duì)象外觀、形狀、 位置等先驗(yàn)信息的條件下,得出增強(qiáng)現(xiàn)實(shí)場(chǎng)景中的虛擬對(duì)象大致位置和形狀。(4)本發(fā)明不需要預(yù)先知道虛擬對(duì)象的任何外觀信息,如顏色、形狀、大小等先驗(yàn)信息,也不需要知道虛擬對(duì)象在增強(qiáng)現(xiàn)實(shí)場(chǎng)景中所處的位置,有較廣的適用性,可廣泛應(yīng)用推廣到影視制作、數(shù)字娛樂、教育培訓(xùn)等領(lǐng)域。


圖1是本發(fā)明的總體設(shè)計(jì)結(jié)構(gòu);圖2是本發(fā)明的虛擬置信度圖構(gòu)建流程圖;圖3是本發(fā)明的虛擬對(duì)象包圍盒形狀、位置推理流程圖;圖4是本發(fā)明的獲取候選中心點(diǎn)的流程圖;圖5是本發(fā)明的擴(kuò)展搜索、獲得高虛擬響應(yīng)點(diǎn)分布密集區(qū)域的流程圖。
具體實(shí)施例方式如圖1所示,本發(fā)明的主要步驟如下構(gòu)建增強(qiáng)現(xiàn)實(shí)場(chǎng)景訓(xùn)練數(shù)據(jù)集,并利用虛擬對(duì)象與真實(shí)圖像的物理成像差異,選取虛實(shí)分類特征;在訓(xùn)練數(shù)據(jù)集上,利用虛實(shí)分類特征,提取增強(qiáng)現(xiàn)實(shí)場(chǎng)景的區(qū)域自身特征,構(gòu)建像素級(jí)虛實(shí)分類器;在訓(xùn)練數(shù)據(jù)集上,利用虛實(shí)分類特征,提取增強(qiáng)現(xiàn)實(shí)場(chǎng)景的區(qū)域?qū)Ρ忍卣?,?gòu)建區(qū)域級(jí)虛實(shí)分類器;給定測(cè)試增強(qiáng)現(xiàn)實(shí)場(chǎng)景,利用像素級(jí)虛實(shí)分類器進(jìn)行小尺度檢測(cè),得到反映每個(gè)像素虛實(shí)分類結(jié)果的虛擬得分圖;定義虛擬置信度圖,并在虛擬得分圖的基礎(chǔ)之上,利用閾值化得到測(cè)試增強(qiáng)現(xiàn)實(shí)場(chǎng)景的虛擬置信度圖;根據(jù)虛擬置信度圖中高虛擬響應(yīng)點(diǎn)的分布情況,得到虛擬對(duì)象包圍盒的粗略形狀和位置;在虛擬對(duì)象粗略定位的基礎(chǔ)之上,在測(cè)試增強(qiáng)現(xiàn)實(shí)場(chǎng)景圖像中利用區(qū)域級(jí)虛實(shí)分類器和大尺寸檢測(cè)窗進(jìn)行檢測(cè),得到虛擬對(duì)象的最終檢測(cè)結(jié)果。構(gòu)造訓(xùn)練數(shù)據(jù)集,用于訓(xùn)練虛實(shí)分類器。訓(xùn)練數(shù)據(jù)集由包含虛擬對(duì)象的增強(qiáng)現(xiàn)實(shí)場(chǎng)景圖像作為正樣本、真實(shí)場(chǎng)景圖像作為負(fù)樣本構(gòu)成。在訓(xùn)練像素級(jí)分類器時(shí),對(duì)增強(qiáng)現(xiàn)實(shí)場(chǎng)景圖像,只選取虛擬對(duì)象區(qū)域作為正樣本;而對(duì)真實(shí)場(chǎng)景圖像,只選取與正樣本中虛擬對(duì)象相近似的區(qū)域作為負(fù)樣本。在訓(xùn)練區(qū)域級(jí)分類器時(shí),對(duì)增強(qiáng)現(xiàn)實(shí)場(chǎng)景圖像,選取虛擬對(duì)象及其周圍等面積的圖像區(qū)域作為正樣本;而對(duì)真實(shí)場(chǎng)景圖像,選取與正樣本中虛擬對(duì)象相近似的區(qū)域及其周圍等面積的圖像區(qū)域作為負(fù)樣本。區(qū)域自身特征的提取。對(duì)于給定的圖像區(qū)域,計(jì)算出區(qū)域內(nèi)每一點(diǎn)的虛實(shí)分類特征,包括局部統(tǒng)計(jì)量、表面梯度、第二基本形式、貝爾特拉米流;利用轉(zhuǎn)動(dòng)慣量壓縮方法對(duì)給定區(qū)域的虛實(shí)分類特征進(jìn)行壓縮,得到該區(qū)域?qū)?yīng)的區(qū)域自身特征。
局部統(tǒng)計(jì)量、表面梯度、第二基本形式、貝爾特拉米流各自的物理意義及其計(jì)算方法分別如下局部統(tǒng)計(jì)量反映的是局部微小的邊緣結(jié)構(gòu)。局部統(tǒng)計(jì)量的計(jì)算方法如下取原圖像的灰度圖上任意一點(diǎn)P,以P點(diǎn)為中心的一個(gè)3X3像素的小圖像塊,將其中每一點(diǎn)的像素值按順序排列成9維向量χ = [xi; x2, . . . X9]。P點(diǎn)的局部統(tǒng)計(jì)量y是一個(gè)9維向量,其定義為
_ x-xT
一X-XD
。其中G=Iy9 x而11 · I Id是D范數(shù)操作。
9/U=I 1,D范數(shù)操作的定義是Wd=^E1X,其中i j表示圖像塊中所有四鄰域關(guān)系的點(diǎn)對(duì)。任意點(diǎn)ρ處的局部統(tǒng)計(jì)量虛實(shí)分類特征即為該點(diǎn)處的9維向量y。表面梯度是用來度量真實(shí)場(chǎng)景成像過程中的非線性變化特點(diǎn)。圖像中任一點(diǎn)處的表面梯度S定義為 S =
VI2
,其中,,,為該點(diǎn)處的圖像梯度模值,,,Γ^ ΙΧ、ΙΧ*別表示
—~-^ ‘ , ,/X/ 吹;W、9U_口'J m又'I天’I旦,,.廠, 丄χ、丄)£
a"2 + |Vl||VI||VI| = ^/I +I,2 A=
^1+1.2+!.2
χ ^y w
圖像X方向(水平方向)和y方向(豎直方向)的偏導(dǎo)。α為常數(shù),α = 0. 25。任意點(diǎn)ρ處的表面梯度虛實(shí)分類特征由該點(diǎn)處的圖像像素值I與該點(diǎn)處表面梯度 S聯(lián)合構(gòu)成。第二基本形式是用來描述圖像表面局部的凹凸程度。第二基本形式的兩個(gè)分量 λ i和λ 2分別對(duì)應(yīng)矩陣A的兩個(gè)特征值。
ι Γι Ι ^
1XXXV___
τ τ ,其中,Ix、Ix分別表示圖像X方向禾P y方向的偏導(dǎo);Ixx、Ixy、
-χ ν ^ yy J
Iyy分別表示圖像XX方向、Xy方向、yy方向的二階偏導(dǎo);由該式可計(jì)算出矩陣A的值。不妨
將A記為A= ~ ~,其中 ^、 2、α 21、α μ分別表示矩陣A中對(duì)應(yīng)的四個(gè)元素值。因
V ^21 a22 J
此,矩陣A的兩個(gè)特征值λ工和λ 2計(jì)算公式如下 _2] {λι,.任意點(diǎn)ρ處的第二基本形式虛實(shí)分類特征由該點(diǎn)處的圖像梯度模值 |vi| (IviIia/^)與該點(diǎn)處第二基本形式的兩個(gè)分量入工、λ 2聯(lián)合構(gòu)成。貝爾特拉米流可以用來描述不同顏色通道之間的相關(guān)性。顏色通道c(c = {R,G, B})對(duì)應(yīng)的貝爾特拉米流ΔβΙ。定義為AgIc =由(5Χ ⑷(g1xIc+g ⑷^妒⑷“ xIc+g yIc)))其中,I。表示原始圖像的顏色通道c(c = {R,G,B})對(duì)應(yīng)的圖像;算子民、\分別表示對(duì)于作用量取χ方向和y方向的偏導(dǎo);
8
矩陣
權(quán)利要求
1.基于置信度圖的增強(qiáng)現(xiàn)實(shí)場(chǎng)景虛擬對(duì)象判別和檢測(cè)方法,其特征在于實(shí)現(xiàn)步驟如下(1)以包含虛擬對(duì)象的增強(qiáng)現(xiàn)實(shí)圖像作為正樣本,真實(shí)場(chǎng)景圖像作為負(fù)樣本,構(gòu)建增強(qiáng)現(xiàn)實(shí)場(chǎng)景訓(xùn)練數(shù)據(jù)集;并利用虛擬對(duì)象與真實(shí)圖像的物理成像差異,選取虛實(shí)分類特征;(2)在訓(xùn)練數(shù)據(jù)集上,利用虛實(shí)分類特征,分別提取增強(qiáng)現(xiàn)實(shí)場(chǎng)景與真實(shí)場(chǎng)景的區(qū)域自身特征,構(gòu)建像素級(jí)虛實(shí)分類器;(3)在訓(xùn)練數(shù)據(jù)集上,利用虛實(shí)分類特征,分別提取增強(qiáng)現(xiàn)實(shí)場(chǎng)景與真實(shí)場(chǎng)景的區(qū)域?qū)Ρ忍卣?,?gòu)建區(qū)域級(jí)虛實(shí)分類器;(4)給定測(cè)試增強(qiáng)現(xiàn)實(shí)場(chǎng)景,利用像素級(jí)虛實(shí)分類器和小尺寸檢測(cè)窗進(jìn)行檢測(cè),得到反映每個(gè)像素虛實(shí)分類結(jié)果的虛擬得分圖;(5)定義虛擬置信度圖,并在虛擬得分圖的基礎(chǔ)之上,利用閾值化得到測(cè)試增強(qiáng)現(xiàn)實(shí)場(chǎng)景的虛擬置信度圖;(6)基于虛擬置信度圖,進(jìn)行虛擬對(duì)象粗略定位,得到虛擬對(duì)象包圍盒的粗略形狀和位置;(7)在虛擬對(duì)象粗略定位的基礎(chǔ)之上,在測(cè)試增強(qiáng)現(xiàn)實(shí)場(chǎng)景圖像中利用區(qū)域級(jí)虛實(shí)分類器和大尺寸檢測(cè)窗進(jìn)行檢測(cè),得到虛擬對(duì)象的最終檢測(cè)結(jié)果。
2.根據(jù)權(quán)利要求1所述的基于置信度圖的增強(qiáng)現(xiàn)實(shí)場(chǎng)景虛擬對(duì)象判別和檢測(cè)方法,其特征在于所述步驟(1)中選取的虛實(shí)分類特征,包括局部統(tǒng)計(jì)量、表面梯度、第二基本形式和貝爾特拉米流。在圖像的每一個(gè)像素點(diǎn)處都可以提取得到該點(diǎn)對(duì)應(yīng)的上述虛實(shí)分類特征。
3.根據(jù)權(quán)利要求1所述的基于置信度圖的增強(qiáng)現(xiàn)實(shí)場(chǎng)景虛擬對(duì)象判別和檢測(cè)方法,其特征在于所述步驟O)中構(gòu)建像素級(jí)分類器時(shí),在訓(xùn)練數(shù)據(jù)集上,對(duì)增強(qiáng)現(xiàn)實(shí)場(chǎng)景圖像, 只選取虛擬對(duì)象區(qū)域作為正樣本區(qū)域;而對(duì)真實(shí)場(chǎng)景圖像,只選取與正樣本中虛擬對(duì)象相近似的區(qū)域作為負(fù)樣本區(qū)域;對(duì)于給定的圖像區(qū)域,計(jì)算出區(qū)域內(nèi)每一點(diǎn)的虛實(shí)分類特征; 利用轉(zhuǎn)動(dòng)慣量壓縮方法對(duì)給定正負(fù)樣本區(qū)域的虛實(shí)分類特征進(jìn)行壓縮,得到該區(qū)域?qū)?yīng)的區(qū)域自身特征;將正負(fù)樣本的區(qū)域自身特征集合輸入支持向量機(jī)分類器進(jìn)行訓(xùn)練,得到像素級(jí)虛實(shí)分類器。
4.根據(jù)權(quán)利要求1所述的基于置信度圖的增強(qiáng)現(xiàn)實(shí)場(chǎng)景虛擬對(duì)象判別和檢測(cè)方法,其特征在于所述步驟(3)構(gòu)建區(qū)域級(jí)虛實(shí)分類器時(shí),在訓(xùn)練數(shù)據(jù)集上,對(duì)于正負(fù)樣本區(qū)域, 將其本身視為待判定的對(duì)象區(qū)域;而將區(qū)域包圍盒之外的等面積矩形區(qū)域視為對(duì)象所處的背景區(qū)域;分別提取對(duì)象區(qū)域與背景區(qū)域內(nèi)每一點(diǎn)的虛實(shí)分類特征;統(tǒng)計(jì)對(duì)象區(qū)域與背景區(qū)域內(nèi)所有點(diǎn)對(duì)應(yīng)的虛實(shí)分類特征,分別構(gòu)成對(duì)象區(qū)域特征的聯(lián)合分布直方圖與背景區(qū)域特征的聯(lián)合分布直方圖;計(jì)算兩個(gè)直方圖之間的卡方距離,將其視為衡量對(duì)象與其所處背景之間差異的特征,稱為區(qū)域?qū)Ρ忍卣?;將提取的正?fù)樣本的區(qū)域?qū)Ρ忍卣骷陷斎胫С窒蛄繖C(jī)分類器進(jìn)行訓(xùn)練,得到區(qū)域級(jí)虛實(shí)分類器。
5.根據(jù)權(quán)利要求1所述的基于置信度圖的增強(qiáng)現(xiàn)實(shí)場(chǎng)景虛擬對(duì)象判別和檢測(cè)方法,其特征在于所述步驟(4)虛擬得分圖構(gòu)建步驟是對(duì)于輸入的增強(qiáng)現(xiàn)實(shí)場(chǎng)景圖像,利用小尺寸檢測(cè)窗以較小的移動(dòng)步長(zhǎng)掃描整幅圖像;計(jì)算每個(gè)小尺寸檢測(cè)窗內(nèi)的小圖像塊的區(qū)域自身特征;將所有小圖像塊的區(qū)域自身特征輸入到像素級(jí)虛實(shí)分類器中,得到每個(gè)小圖像塊的區(qū)域自身特征得分,得分高表示像素級(jí)分類器將該圖像塊分類為虛擬區(qū)域的確定度高; 由于檢測(cè)窗的尺寸相對(duì)整幅圖像很小且分布密集,因此可以將每個(gè)小圖像塊的區(qū)域自身特征得分映射到該圖像塊的中心像素,并將其作為該中心像素點(diǎn)的虛擬得分;由此構(gòu)成了整個(gè)增強(qiáng)現(xiàn)實(shí)場(chǎng)景圖像的虛擬得分圖。
6.根據(jù)權(quán)利要求1所述的基于置信度圖的增強(qiáng)現(xiàn)實(shí)場(chǎng)景虛擬對(duì)象判別和檢測(cè)方法,其特征在于所述步驟(5)虛擬置信度圖構(gòu)建方法為對(duì)于增強(qiáng)現(xiàn)實(shí)場(chǎng)景圖像的虛擬得分圖進(jìn)行閾值化處理,記錄所有虛擬得分為正的點(diǎn);設(shè)置一個(gè)固定的百分比N%,記錄所有虛擬得分為正的點(diǎn)的前以及這些點(diǎn)在原圖像上所處的位置,這些點(diǎn)稱為高虛擬響應(yīng)點(diǎn);設(shè)置一個(gè)固定且相對(duì)較小的常數(shù)M,記錄所有虛擬得分為正的點(diǎn)的前M個(gè)點(diǎn)以及這些點(diǎn)在原圖像上所處的位置,這些點(diǎn)稱為最高虛擬響應(yīng)點(diǎn);通過參數(shù)設(shè)置可以保證,最高虛擬響應(yīng)點(diǎn)同時(shí)也包含于高虛擬響應(yīng)點(diǎn)所在的集合,即最高虛擬響應(yīng)點(diǎn)是高虛擬響應(yīng)點(diǎn)中虛擬得分值最高的一部分;綜合高虛擬響應(yīng)點(diǎn)、最高虛擬響應(yīng)點(diǎn)及其所在原圖像上的位置信息,構(gòu)成虛擬置信度圖。
7.根據(jù)權(quán)利要求1所述的基于置信度圖的增強(qiáng)現(xiàn)實(shí)場(chǎng)景虛擬對(duì)象判別和檢測(cè)方法,其特征在于所述步驟(6)得到虛擬對(duì)象包圍盒的粗略形狀和位置的方法為對(duì)得到的虛擬置信度圖將其分為五個(gè)等面積、可重疊的子區(qū)域,分別求得每個(gè)子區(qū)域中的高虛擬響應(yīng)點(diǎn)的分布中心;將子區(qū)域中心視為候選的虛擬對(duì)象中心點(diǎn),從各個(gè)中心點(diǎn)分別向外擴(kuò)展搜索, 得到高虛擬響應(yīng)點(diǎn)分布密集的區(qū)域;對(duì)于高虛擬響應(yīng)點(diǎn)分布密集的區(qū)域,分別近似推算出該區(qū)域內(nèi)的候選對(duì)象形狀,結(jié)合該區(qū)域的位置信息,構(gòu)成虛擬對(duì)象初步候選區(qū)域;在虛擬對(duì)象初步候選區(qū)域中,根據(jù)其各自包含的高虛擬響應(yīng)點(diǎn)與最高虛擬響應(yīng)點(diǎn)的數(shù)目,選擇出加權(quán)數(shù)目最多的一個(gè),將其作為虛擬對(duì)象候選區(qū)域,該區(qū)域即包含了虛擬對(duì)象包圍盒粗略形狀與位置信息。
8.根據(jù)權(quán)利要求1所述的基于置信度圖的增強(qiáng)現(xiàn)實(shí)場(chǎng)景虛擬對(duì)象判別和檢測(cè)方法,其特征在于所述步驟(7)虛擬對(duì)象檢測(cè)方法具體為在測(cè)試增強(qiáng)現(xiàn)實(shí)場(chǎng)景中的虛擬對(duì)象候選區(qū)域周圍密集采樣,構(gòu)造多個(gè)相互重疊的檢測(cè)窗,并使用區(qū)域級(jí)虛實(shí)分類器進(jìn)行分類,選取得分最好的檢測(cè)窗作為虛擬對(duì)象的最終檢測(cè)結(jié)果。
全文摘要
基于置信度圖的增強(qiáng)現(xiàn)實(shí)場(chǎng)景虛擬對(duì)象判別和檢測(cè)方法,包括選取虛實(shí)分類特征;利用虛實(shí)分類特征;構(gòu)建像素級(jí)虛實(shí)分類器;利用虛實(shí)分類特征,分別提取增強(qiáng)現(xiàn)實(shí)場(chǎng)景與真實(shí)場(chǎng)景的區(qū)域?qū)Ρ忍卣鳎瑯?gòu)建區(qū)域級(jí)虛實(shí)分類器;給定測(cè)試增強(qiáng)現(xiàn)實(shí)場(chǎng)景,利用像素級(jí)虛實(shí)分類器和小尺寸檢測(cè)窗進(jìn)行檢測(cè),得到反映每個(gè)像素虛實(shí)分類結(jié)果的虛擬得分圖;定義虛擬置信度圖,利用閾值化得到測(cè)試增強(qiáng)現(xiàn)實(shí)場(chǎng)景的虛擬置信度圖;根據(jù)虛擬置信度圖中高虛擬響應(yīng)點(diǎn)的分布情況,得到虛擬對(duì)象包圍盒的粗略形狀和位置;在測(cè)試增強(qiáng)現(xiàn)實(shí)場(chǎng)景中利用區(qū)域級(jí)虛實(shí)分類器和大尺寸檢測(cè)窗進(jìn)行檢測(cè),得到虛擬對(duì)象的最終檢測(cè)結(jié)果。本發(fā)明可應(yīng)用到影視制作、數(shù)字娛樂、教育培訓(xùn)等領(lǐng)域。
文檔編號(hào)G06K9/62GK102509104SQ20111029985
公開日2012年6月20日 申請(qǐng)日期2011年9月30日 優(yōu)先權(quán)日2011年9月30日
發(fā)明者王哲, 穆珺, 趙沁平, 陳小武 申請(qǐng)人:北京航空航天大學(xué)
網(wǎng)友詢問留言 已有0條留言
  • 還沒有人留言評(píng)論。精彩留言會(huì)獲得點(diǎn)贊!
1