本發(fā)明屬于圖像處理技術(shù)領(lǐng)域，特別地涉及一種基于正則風(fēng)險(xiǎn)最小化的圖像目標(biāo)計(jì)數(shù)方法。

背景技術(shù)：
目標(biāo)計(jì)數(shù)旨在得到某一場景中目標(biāo)數(shù)目的估計(jì)。目標(biāo)計(jì)數(shù)具有廣泛的應(yīng)用，如估計(jì)監(jiān)控視頻中的人群密度以對高密度情況進(jìn)行警報(bào)，預(yù)防事故；估計(jì)血檢、尿檢圖片中的細(xì)胞個(gè)數(shù)以診斷被試者是否患有疾病等。該領(lǐng)域目前的主要難點(diǎn)在于解決高密度群體和復(fù)雜場景下的目標(biāo)計(jì)數(shù)?，F(xiàn)有的目標(biāo)計(jì)數(shù)方法主要可分為兩類：基于目標(biāo)檢測的方法和基于回歸分析的方法。基于目標(biāo)檢測的方法需要檢測出圖像中的每個(gè)目標(biāo)，比如利用哈爾Haar小波變換尋找具有類似人頭邊緣的物體，確定場景中的個(gè)體數(shù)目。這類方法的問題在于無法處理遮擋、黏連等帶來的檢測困難，不適用于高密度群體和復(fù)雜場景。基于回歸分析的方法旨在找出某個(gè)圖像區(qū)域的全局特征描述與該區(qū)域中的目標(biāo)個(gè)數(shù)之間的關(guān)系。這種關(guān)系可以通過各種機(jī)器學(xué)習(xí)方法得到。由于不同密度群體的特征差異較大，根據(jù)群體密度的不同，常采用不同的特征描述，這又將此類方法分為基于像素的方法和基于紋理的方法。對于中低密度的群體，由于前景像素的面積與目標(biāo)個(gè)數(shù)成近似的線性關(guān)系，多采用基于像素的方法，利用減背景、馬爾科夫隨機(jī)場和光流法等分割出前景像素，然后采用最小二乘擬合、卡爾曼濾波器和神經(jīng)網(wǎng)絡(luò)等得到模型的參數(shù)。但是對于高密度群體，由于遮擋、黏連等問題，前景像素的面積與目標(biāo)個(gè)數(shù)不再具有可靠的相關(guān)性，這時(shí)多采用基于紋理的方法，如采用灰度共生矩陣及其改進(jìn)、小波分解系數(shù)矩陣的能量、切比雪夫Chebyshev矩等描述紋理特征，利用神經(jīng)網(wǎng)絡(luò)、支持向量機(jī)(SupportVectorMachine，SVM)等學(xué)習(xí)得到特征描述到目標(biāo)個(gè)數(shù)的映射關(guān)系。而在考慮中高密度群體時(shí)，現(xiàn)有方法基本都無法得到目標(biāo)個(gè)數(shù)的精確估計(jì)，而是估計(jì)目標(biāo)密度的等級(通常將密度分為由低到高的5個(gè)等級)，即密度估計(jì)(densityestimation)。基于回歸分析的方法雖然避免了目標(biāo)檢測的困難，但是仍很難找到一種普遍適用于不同密度群體的特征描述和學(xué)習(xí)方法。由于現(xiàn)有方法使用的訓(xùn)練圖像僅僅是已知目標(biāo)個(gè)數(shù)或密度等級的圖像集，而目標(biāo)在圖像上的空間分布是未知的，所以經(jīng)過學(xué)習(xí)后，對于一張輸入圖像只能得到整張圖像的目標(biāo)個(gè)數(shù)或密度等級，而無法得到該圖像中任意區(qū)域內(nèi)的目標(biāo)個(gè)數(shù)。最后，由于神經(jīng)網(wǎng)絡(luò)、支持向量機(jī)等方法的計(jì)算復(fù)雜較高，基本還無法做到實(shí)時(shí)處理。

技術(shù)實(shí)現(xiàn)要素：
為解決上述問題，本發(fā)明的目的在于提供一種基于正則風(fēng)險(xiǎn)最小化的圖像目標(biāo)計(jì)數(shù)方法，將目標(biāo)位置標(biāo)注加入到訓(xùn)練集中，使用監(jiān)督式學(xué)習(xí)框架，直接利用正則化風(fēng)險(xiǎn)最小化原理，通過各種簡化最后歸結(jié)為一個(gè)線性規(guī)劃問題，以一種簡單的模型來描述空間信息，得到一個(gè)可以適用于不同密集程度的群體，且可以給出圖像中任意區(qū)域內(nèi)的目標(biāo)個(gè)數(shù)的計(jì)數(shù)方法。為實(shí)現(xiàn)上述目的，本發(fā)明的技術(shù)方案為：一種基于正則風(fēng)險(xiǎn)最小化的圖像目標(biāo)計(jì)數(shù)方法，包括以下步驟：S10，使用的每張訓(xùn)練圖像設(shè)置有相應(yīng)的對目標(biāo)進(jìn)行人工標(biāo)注的標(biāo)記點(diǎn)圖像，所述標(biāo)記點(diǎn)圖像以像素點(diǎn)標(biāo)記的方式給出每個(gè)目標(biāo)的位置；S20，對所述訓(xùn)練圖像定義密度函數(shù)，其中所述密度函數(shù)為定義在圖像像素集上的實(shí)值函數(shù)，且所述密度函數(shù)在任意圖像區(qū)域上的積分為該區(qū)域內(nèi)的目標(biāo)個(gè)數(shù)；S30，根據(jù)密度函數(shù)的定義，將訓(xùn)練圖像對應(yīng)的標(biāo)記點(diǎn)圖像與一個(gè)高斯模板卷積即得到真實(shí)密度函數(shù)；S40，由密度函數(shù)的定義構(gòu)造密度函數(shù)的參數(shù)化模型，進(jìn)行圖像分割后，對于前景像素點(diǎn)將對應(yīng)的特征向量做線性變換得到一個(gè)正實(shí)數(shù)，對于背景像素點(diǎn)直接賦零即得到該點(diǎn)的密度函數(shù)值；S50，由正則化風(fēng)險(xiǎn)最小化求取密度函數(shù)模型的參數(shù)w：參數(shù)w為與特征向量xp維數(shù)相同的變換向量，其中項(xiàng)稱為復(fù)雜度懲罰項(xiàng)或正則化懲罰項(xiàng)，為參數(shù)w的復(fù)雜度測度，λ為正則化常量，Remp(w)為經(jīng)驗(yàn)風(fēng)險(xiǎn)，近似地描述了使用參數(shù)估計(jì)w密度函數(shù)時(shí)的誤差的期望；S60，將正則化風(fēng)險(xiǎn)最小化問題轉(zhuǎn)化為一個(gè)線性規(guī)劃問題，求得密度函數(shù)模型的參數(shù)w。確定了密度函數(shù)的模型，可以估計(jì)圖像上任意區(qū)域中的目標(biāo)個(gè)數(shù)。優(yōu)選地，S20中密度函數(shù)的定義為，對訓(xùn)練圖像I，有密度函數(shù)將任意圖像像素點(diǎn)映射至一個(gè)實(shí)數(shù)(R是實(shí)數(shù)集的符號(hào))，滿足：其中S為訓(xùn)練圖像I的子區(qū)域，p為像素點(diǎn)，c為S內(nèi)的目標(biāo)個(gè)數(shù)。優(yōu)選地，S30中真實(shí)密度函數(shù)為：其中為均值取在目標(biāo)點(diǎn)P處，協(xié)方差矩陣為σ2I的歸一化高斯核函數(shù)。優(yōu)選地，S40中密度函數(shù)參數(shù)化模型為：其中xp為像素點(diǎn)p的特征向量，其中T＝T1∪T2∪…∪TC為所有目標(biāo)區(qū)域的總和，Ti，i＝1，...C為第i個(gè)目標(biāo)區(qū)域。優(yōu)選地，特征向量xp為對每個(gè)像素點(diǎn)提取尺度不變特征變換描述子SIFTdescriptor，用戶可以設(shè)置是否分割圖像，如果是，則分割圖像后對目標(biāo)像素提取稠密尺度不變特征變換描述子DSIFT特征；如果否，則對整張圖像的所有像素提取DSIFT特征。優(yōu)選地，對特征向量xp進(jìn)行特征降維：選取一些圖片，提取DSIFT特征，對得到的特征集進(jìn)行K均值聚類，保存K個(gè)聚類中心，作為一個(gè)映射碼表，之后的訓(xùn)練和預(yù)測中，以其所屬的類來表示每個(gè)SIFT特征向量xp：優(yōu)選地，S50中取為w的l1范數(shù)，優(yōu)選地，S50中引入了兩個(gè)密度函數(shù)的差異度量：將每張訓(xùn)練圖像上真實(shí)密度函數(shù)與密度函數(shù)的參數(shù)模型差異度的平均作為經(jīng)驗(yàn)風(fēng)險(xiǎn)：此時(shí)訓(xùn)練樣本為每張訓(xùn)練圖像所對應(yīng)的真實(shí)密度函數(shù)。優(yōu)選地，S50中使用MESA距離作為密度函數(shù)的差異度量，MESA距離定義為，兩個(gè)密度函數(shù)的積分之差的絕對值在圖像的所有矩形子區(qū)域B上的最大值：其中為圖像I的所有矩形子區(qū)域B的集合。優(yōu)選地，S60中求解的線性規(guī)劃問題為：最小化括號(hào)中的表達(dá)式，并使下面條件得到滿足：w≥0其中ξi，i＝1，...，N為松弛變量。與現(xiàn)有技術(shù)相比，本發(fā)明的有益效果如下：(1)在目標(biāo)計(jì)數(shù)問題中加入了目標(biāo)位置信息，并且引入了密度函數(shù)的概念，對目標(biāo)位置信息進(jìn)行簡單有效的描述；(2)直接利用正則化風(fēng)險(xiǎn)最小化原理，且通過各種簡化最后歸結(jié)為一個(gè)線性規(guī)劃問題，計(jì)算復(fù)雜度低，能很快地得到計(jì)數(shù)結(jié)果；(3)利用圖像分割提高估計(jì)精度和處理速度；(4)由于加入了目標(biāo)位置信息，能給出圖像中任意區(qū)域內(nèi)的目標(biāo)個(gè)數(shù)，而不僅是整張圖像上的目標(biāo)個(gè)數(shù)；(5)對于高密度群體，也能給出目標(biāo)計(jì)數(shù)，而不僅是密度等級估計(jì)。附圖說明圖1為本發(fā)明實(shí)施例的基于正則風(fēng)險(xiǎn)最小化的圖像目標(biāo)計(jì)數(shù)方法的步驟流程圖。具體實(shí)施方式為了使本發(fā)明的目的、技術(shù)方案及優(yōu)點(diǎn)更加清楚明白，以下結(jié)合附圖及實(shí)施例，對本發(fā)明進(jìn)行進(jìn)一步詳細(xì)說明。應(yīng)當(dāng)理解，此處所描述的具體實(shí)施例僅僅用以解釋本發(fā)明，并不用于限定本發(fā)明。相反，本發(fā)明涵蓋任何由權(quán)利要求定義的在本發(fā)明的精髓和范圍上做的替代、修改、等效方法以及方案。進(jìn)一步，為了使公眾對本發(fā)明有更好的了解，在下文對本發(fā)明的細(xì)節(jié)描述中，詳盡描述了一些特定的細(xì)節(jié)部分。對本領(lǐng)域技術(shù)人員來說沒有這些細(xì)節(jié)部分的描述也可以完全理解本發(fā)明。參見圖1，所示為本發(fā)明實(shí)施例的一種基于正則風(fēng)險(xiǎn)最小化的圖像目標(biāo)計(jì)數(shù)方法的步驟流程圖，包括以下步驟：S10，使用的每張訓(xùn)練圖像設(shè)置有相應(yīng)的對目標(biāo)進(jìn)行人工標(biāo)注的標(biāo)記點(diǎn)圖像，標(biāo)記點(diǎn)圖像以像素點(diǎn)標(biāo)記的方式給出每個(gè)目標(biāo)的位置。S20，對訓(xùn)練圖像定義密度函數(shù)，其中密度函數(shù)為定義在圖像像素集上的實(shí)值函數(shù)，且密度函數(shù)在任意圖像區(qū)域上的積分為該區(qū)域內(nèi)的目標(biāo)個(gè)數(shù)。密度函數(shù)的定義為，對訓(xùn)練圖像I，有密度函數(shù)將任意圖像像素點(diǎn)映射至一個(gè)實(shí)數(shù)(R是實(shí)數(shù)集的符號(hào))，滿足：其中S為訓(xùn)練圖像I的子區(qū)域，p為像素點(diǎn)，c為S內(nèi)的目標(biāo)個(gè)數(shù)。S30，根據(jù)密度函數(shù)的定義，將訓(xùn)練圖像對應(yīng)的標(biāo)記點(diǎn)圖像與一個(gè)高斯模板卷積即得到真實(shí)密度函數(shù)；真實(shí)密度函數(shù)為：其中為均值取在目標(biāo)點(diǎn)P處，協(xié)方差矩陣為σ2I的歸一化高斯核函數(shù)。S40，由密度函數(shù)的定義構(gòu)造密度函數(shù)的參數(shù)化模型，進(jìn)行圖像分割后，對于前景像素點(diǎn)將對應(yīng)的特征向量做線性變換得到一個(gè)正實(shí)數(shù)，對于背景像素點(diǎn)直接賦零即得到該點(diǎn)的密度函數(shù)值；密度函數(shù)參數(shù)化模型為：其中xp為像素點(diǎn)p的特征向量，其中T＝T1∪T2∪…∪TC為所有目標(biāo)區(qū)域的總和，Ti，i＝1，...C為第i個(gè)目標(biāo)區(qū)域。尺度不變特征變換描述子(scaleinvariantfeaturetransformdescriptor，SIFTdescriptor)具有對形變、光照和對比度變化的不變性，又能保留空間信息，因而本發(fā)明實(shí)施例對每個(gè)像素點(diǎn)提取SIFT描述子作為每個(gè)像素點(diǎn)的特征xp(即DSIFT描述子(DenseSIFTdescriptor，稠密尺度不變特征變換描述子))。用戶可以設(shè)置是否分割圖像，如果是，則分割圖像后對目標(biāo)像素提取DSIFT特征；如果否，則對整張圖像的所有像素提取DSIFT特征。進(jìn)一步的，由于SIFT描述子為一個(gè)128維特征向量，又需要對每個(gè)像素點(diǎn)提取，這將導(dǎo)致在訓(xùn)練和預(yù)測中遇到很大的內(nèi)存瓶頸。采用如下方法進(jìn)行特征降維：選取一些圖片，提取DSIFT特征，對得到的特征集進(jìn)行K均值聚類(K-meansclustering)，保存K個(gè)聚類中心，作為一個(gè)映射碼表。之后的訓(xùn)練和預(yù)測中，以其所屬的類來表示每個(gè)SIFT特征向量xp：S50，由正則化風(fēng)險(xiǎn)最小化求取密度函數(shù)模型的參數(shù)w：參數(shù)w為與特征向量xp維數(shù)相同的變換向量，其中項(xiàng)稱為復(fù)雜度懲罰項(xiàng)或正則化懲罰項(xiàng)，為參數(shù)w的復(fù)雜度測度，λ為正則化常量，控制正則化強(qiáng)度，可通過實(shí)驗(yàn)選取。Remp(w)為經(jīng)驗(yàn)風(fēng)險(xiǎn)，近似地描述了使用參數(shù)估計(jì)w密度函數(shù)時(shí)的誤差的期望。具體應(yīng)用實(shí)例中，取為w的l1范數(shù)，為了計(jì)算經(jīng)驗(yàn)風(fēng)險(xiǎn)Remp(w)，引入了兩個(gè)密度函數(shù)的差異度量：將每張訓(xùn)練圖像上真實(shí)密度函數(shù)與密度函數(shù)的參數(shù)模型差異度的平均作為經(jīng)驗(yàn)風(fēng)險(xiǎn)：此時(shí)訓(xùn)練樣本為每張訓(xùn)練圖像所對應(yīng)的真實(shí)密度函數(shù)。使用MESA距離作為密度函數(shù)的差異度量，MESA(MaximumExcessoverSubArrays，子數(shù)組最大超量)距離定義為，兩個(gè)密度函數(shù)的積分之差的絕對值在圖像的所有矩形子區(qū)域B上的最大值：其中為圖像I的所有矩形子區(qū)域B的集合。S60，將正則化風(fēng)險(xiǎn)最小化問題轉(zhuǎn)化為一個(gè)線性規(guī)劃問題，求得密度函數(shù)模型的參數(shù)w。確定了密度函數(shù)的模型，可以估計(jì)圖像上任意區(qū)域中的目標(biāo)個(gè)數(shù)。求解的線性規(guī)劃問題為：最小化括號(hào)中的表達(dá)式，并使下面條件得到滿足：w≥0其中ξi，i＝1，...，N為松弛變量。該問題的約束集中對應(yīng)所有可能的矩形子區(qū)域B有無限多個(gè)約束，導(dǎo)致上述線性規(guī)劃問題無法直接求解?？梢允褂妙愃朴诟钇矫娣椒?cutting-planemethod)的迭代過程解決這個(gè)問題，每次迭代都只取約束集的一個(gè)子集為活動(dòng)約束(activeconstraint)求解，并在迭代過程中逐步增加約束，最終得到收斂解。在首次迭代，隨機(jī)取一些訓(xùn)練圖片再在這些圖片上取一些隨機(jī)的矩形子區(qū)域，以這些子區(qū)域?qū)?yīng)的約束求解，這是一個(gè)標(biāo)準(zhǔn)的線性規(guī)劃問題。設(shè)每次迭代得到解已有wj，可以計(jì)算并得到對應(yīng)的最大子數(shù)組，即為一個(gè)矩形子區(qū)域并判斷是否滿足其中0＜ε＜＜1，若不滿足，則將對應(yīng)的約束加入活動(dòng)約束集中，進(jìn)入下一次迭代。如果滿足，則說明已經(jīng)求得了問題的收斂解，迭代結(jié)束。ε越小，得到的解越接近真實(shí)解，但需要的迭代次數(shù)也越多。通過以上技術(shù)方案，對每張測試圖像同樣做預(yù)處理后，帶入訓(xùn)練模塊求得的模型參數(shù)，就可得到測試圖像密度函數(shù)的估計(jì)。而對密度函數(shù)的估計(jì)在任意圖像區(qū)域上積分，就得到該區(qū)域上目標(biāo)數(shù)目的估計(jì)。對于高密度群體，也能給出目標(biāo)計(jì)數(shù)，而不僅是密度等級估計(jì)。避免了現(xiàn)有技術(shù)中，對于高密度群體，只能給出密度等級估計(jì)，而不能給出目標(biāo)計(jì)數(shù)的問題。以上所述僅為本發(fā)明的較佳實(shí)施例而已，并不用以限制本發(fā)明，凡在本發(fā)明的精神和原則之內(nèi)所作的任何修改、等同替換和改進(jìn)等，均應(yīng)包含在本發(fā)明的保護(hù)范圍之內(nèi)。