濾波器組訓練方法及系統和圖像關鍵點定位方法及系統的製作方法
2023-04-23 04:59:01
濾波器組訓練方法及系統和圖像關鍵點定位方法及系統的製作方法
【專利摘要】本發明涉及濾波器組訓練方法，包括步驟1：將已有目標位置標註的訓練圖像進行預處理，得到去噪訓練圖像；步驟2：對去噪訓練圖像集進行初始聚類，分解成K個訓練集合；步驟3：根據訓練圖像中的目標位置標註設計出理想濾波輸出模型；步驟4：根據理想濾波輸出模型訓練得到K個總濾波器模型構成濾波器組；步驟5：判斷圖像樣本集是否收斂，如果是，執行步驟7；否則，執行步驟6；步驟6：當前判斷收斂的次數是否達到預設閾值，如果是，執行步驟7；否則，重新分類，得到K個新訓練集合，K個新訓練集合替代K個訓練集合，返回步驟4；步驟7：存儲濾波器組，完成濾波器組訓練過程。對目標有更好的區分性，使定位在準確率和精度上都有一定程度的提升。
【專利說明】濾波器組訓練方法及系統和圖像關鍵點定位方法及系統
【技術領域】
[0001]本發明涉及一種圖像處理技術，尤其涉及濾波器組訓練方法及系統和圖像關鍵點定位方法及系統，屬於圖像關鍵點定位裝置，尤其適用於圖像或視頻中的人臉、行人等目標的關鍵點定位。
【背景技術】
[0002]現有圖像關鍵點定位的方法主要分為基於目標特徵的方法、基於統計的方法以及混合方法三大類。
[0003]基於目標特徵的方法根據特徵點目標的固有特徵在圖像上對其進行區分，從而實現定位功能，常見的特徵有形狀、強度對比、紋理等。Yuille等人提出的一種可變形模型來進行人目艮定位(參見 A.L.Yuille, P.W.Hallinan, D.S.Cohen, Feature extraction fromfaces using deformable template, International Journal of Computer Vision8(2)(1992)99 - 111.)，將人眼的形狀表示為數學化的參數模型，在定位時選取所有符合這一模型的目標作為定位點。在複雜或不受控環境下，由於特徵變化劇烈，對特徵的描述往往無法做到普適性，因此基於目標特徵的方法在這種環境下的可行性不高，限制了其在實際場景中的應用。
[0004]基於統計的方法通過對大量的訓練數據進行學習，得到相應目標的統計模型或特徵，並根據這一模型或特徵進行目標定位。一種著名的基於檢測器的定位方法是將Viola和Jones的人臉識別級聯分類器方法應用於關鍵點檢測(參見P.Viola, Μ.J.Jones.Robust real-time face detection.1nternational Journal of ComputerVision, 2004，57 (2): 137 - 154.)，檢測分類器的方法的優勢在於進行目標的檢測與分類，而在處理特徵的精準定位上性能不理想。相比於釆用分類的方法，釆用回歸的思想直接將目標位置與訓練圖片結合起來，可以進一步提高定位精度。2009年Bolme等人提出釆用平均合成精確濾波(Average Synthetic Exact Filter，ASEF)(參見 D.S.Bolme，B.A.Draper, J.R.Beveridge.Average of synthetic exact filters.1n IEEE Conf.Computer Vision and Pattern Recognition，pages2105 - 2112，2009.)的方法進行人眼定位，他們在訓練中利用輸入樣本圖像和合成輸出結果對在頻域上構造相關濾波器，然後將多個濾波器進行平均，得到最終的相關濾波器；釆用訓練的濾波器進行定位，得到了較好的結果，但是當樣本不多時，定位性能下降很多。為了解決這一問題，他們在2010年又提出了最小輸出平方誤差和(Minimum Output Sum Of Squared Error，M0SSE)濾波器(參JAL D.S.Bolmej J.R.Beveridge, B.A.Draper, and Y.M.Lu1.Visual object tracking usingadaptive correlation filters.1n IEEE Conf.Computer Vision and Pat—tern Recognition, pages2544 - 2550，2010.)，利用較少的輸入樣本和合成輸出組對通過約束一個統一的輸出誤差平方和損失函數，來構造一個的相關濾波器模板，以提升樣本較少時的定位準確性問題。2013年，Hamed等人提出了多通道的相關濾波器(Mult1-Channel CorrelationFilters)(參 見 Hamed Kiani galoogahi，Terence Sim, Simon Lucey.Mult1-ChannelCorrela-tion Filters.1CCV, 2013.)，利用訓練圖片的不同通道來進行濾波器的訓練，實現了人臉關鍵點定位性能的提升。但目前基於統計的方法通常只訓練一個模型，當所需定位的目標與統計模型很契合的情況下可以得到很好的結果，但是如果契合度不是太高或者檢測範圍內有其他契合度較高的目標時，效果就不是十分理想。
[0005]混合方法則是將關鍵點目標的結構信息融入到訓練統計模型中，從而提高定位精度。混合方法通常用來進行多目標的特徵點定位，通過引入結構信息，混合方法能夠通過結構中部分特徵點位置信息來估計其餘特徵點位置，因此在處理遮擋問題時具有一定優勢。採用這一思路典型的有:X.Tan等人提出的用來進行人眼定位的增強圖像結構(參見 X.Tan, F.Song, Z.Zhou, S.Chen, 「Enhanced pictorial structures for preciseeyelocalization under uncontrolled conditions, ，，IEEE Conference on Computer Visionand Pattern Recognition, pp.1621-1628，2009.)，Matthews 等人提出的 AAM 模型(參見1.Matthews and S.Baker, 「Active appearance models revisited,，，Interna-tionalJourney of Computer Vision, vol.60 (2), pp.135-164, 2004.)等。但採用混合方法需要結合目標結構信息進行定位，在處理單點定位時由於缺少相關信息，其效果反而往往不如基於統計的方法。
【發明內容】
[0006]本發明所要解決的技術問題是，現有的傳統濾波器均是採用單一的濾波器模板來對所有的圖像進行統一的濾波處理，由於所需定位目標在個圖像之間存在著很多外觀、形態的變化以及噪聲的影響，使得單一的濾波器模板很難應付目標在不同圖像間在外觀、表情、姿態等的差異；本發明的目的就是要更好的解決目標在不同圖像之間的差異所造成的定位不準確問題，提供一種濾波器組訓練方法及系統和圖像關鍵點定位方法及系統。
[0007]本發明解決上述技術問題的技術方案如下:濾波器組訓練方法，具體包括以下步驟:
[0008]步驟1:預處理模塊將已有目標位置標註的訓練圖像進行預處理，得到減少光照和陰影影響的去噪訓練圖像集；
[0009]步驟2:聚類模塊對去噪訓練圖像集進行初始聚類，使去噪訓練圖像集按外觀分解成K個訓練集合；
[0010]步驟3:理想濾波設計模塊根據步驟I所述的訓練圖像中的目標位置標註設計出理想濾波輸出模型，且理想濾波輸出模型中的目標位置處於峰值，而在除目標位置外的其他位置接近零；
[0011]步驟4:應用K個訓練集合訓練理想濾波輸出模型得到對應K個訓練集合的K個總濾波器模型和K個圖像樣本，K個總濾波器模型構成濾波器組，K個圖像樣本構成圖像樣本集；
[0012]步驟5:判斷圖像樣本集是否收斂，如果是，執行步驟7 ;否則，執行步驟6 ;
[0013]步驟6:檢查當前判斷收斂的次數是否達到預設閾值，如果是，執行步驟7 ;否則，對去噪訓練圖像進行重新分類，得到K個新訓練集合，K個新訓練集合替代K個訓練集合，返回步驟4 ；
[0014]步驟7:存儲濾波器組，完成濾波器組訓練過程。[0015]本發明的有益效果是:本發明與傳統的採用單一相關濾波器的方法相比，採用多模板濾波器的濾波器組對目標有更好的區分性，能夠利用模板之間的差異性更好的適應目標在外觀、光照、形態等方面的變化，使定位在準確率和精度上都有一定程度的提升。
[0016]在上述技術方案的基礎上，本發明還可以做如下改進。
[0017]進一步，步驟I中的預處理包括進行取對數處理、均值歸零、能量歸一化以及乘餘弦窗口等操作。
[0018]進一步,步驟2中的聚類方法採用k-means聚類方法。
[0019]K-means算法是硬聚類算法，是典型的基於原型的目標函數聚類方法的代表，它是數據點到原型的某種距離作為優化的目標函數，利用函數求極值的方法得到迭代運算的調整規則。K-means算法以歸一化交叉相關(NCC)作為相似度測度，它是求對應某一初始聚類中心向量V最優分類，使得評價指標J最小。[0020]進一步，所述步驟5中對圖像樣本集是否收斂的條件是由能量損失函數來判定的，當能量損失函數不再變小，則圖像樣本集收斂。
[0021]進一步，所述步驟6中對去噪訓練圖像進行重新分類是根據各個總濾波器模型與理想濾波輸出模型的差異決定對應的訓練集合歸屬哪個新訓練集合。
[0022]本發明解決上述技術問題的技術方案如下:圖像關鍵點定位方法，具體包括以下步驟:
[0023]步驟1:接收待定位圖像，將待定位圖像與濾波器組中的所有總濾波器模型進行相關濾波操作，得到K個濾波輸出；
[0024]步驟2:選擇PSR(Peak to sidelobe ratio)峰瓣率最大的濾波輸出作為最佳濾波輸出；
[0025]步驟3:將最佳濾波輸出的峰值位置設置為圖像關鍵點位置，完成圖像關鍵點定位。
[0026]本發明的有益效果是:本發明與傳統的採用單一相關濾波器的方法相比，採用多模板濾波器的濾波器組對目標有更好的區分性，能夠利用模板之間的差異性更好的適應目標在外觀、光照、形態等方面的變化，使定位在準確率和精度上都有一定程度的提升。
[0027]在上述技術方案的基礎上，本發明還可以做如下改進。
[0028]進一步,所述PSR (Peak to sidelobe ratio)峰瓣率的計算基於以下公式(I):
[0029]PSR (g) = (gmax- μ Si) / O Si公式⑴
[0030]其中g為濾波輸出，gmax為濾波輸出的最大值，旁瓣採用排除峰值周圍11*11的像素進行計算；μ sl和ο sl分別是濾波器輸出在旁瓣區域的均值和標準差。
[0031]本發明解決上述技術問題的技術方案如下:濾波器組訓練系統，包括預處理模塊、聚類模塊、理想濾波設計模塊、訓練模塊、收斂判斷模塊和存儲模塊；
[0032]所述預處理模塊將已有目標位置標註的訓練圖像進行預處理，得到減少光照和陰影影響的去噪訓練圖像；
[0033]所述聚類模塊對去噪訓練圖像進行初始聚類，使去噪訓練圖像集按外觀分解成K個訓練集合；
[0034]所述理想濾波設計模塊根據訓練圖像中的目標位置標註設計出理想濾波輸出模型，且理想濾波輸出模型中的目標位置處於峰值，而在除目標位置外的其他位置接近零；[0035]所述訓練模塊應用K個訓練集合訓練理想濾波輸出模型得到對應K個訓練集合的K個總濾波器模型和K個圖像樣本，K個總濾波器模型構成濾波器組，K個圖像樣本構成圖像樣本集；
[0036]所述收斂判斷模塊當圖像樣本集收斂或判斷收斂的次數達到預設的閾值時，將濾波器組發送到存儲模塊；圖像樣本集不收斂時，對去噪訓練圖像進行重新分類，得到K個新訓練集合，K個新訓練集合替代K個訓練集合，將K個訓練集合發送到訓練模塊；
[0037]所述存儲模塊存儲濾波器組。
[0038]本發明的有益效果是:本發明與傳統的採用單一相關濾波器的方法相比，採用多模板濾波器的濾波器組對目標有更好的區分性，能夠利用模板之間的差異性更好的適應目標在外觀、光照、形態等方面的變化，使定位在準確率和精度上都有一定程度的提升。
[0039]在上述技術方案的基礎上，本發明還可以做如下改進。
[0040]進一步，所述預處理模塊中的預處理包括進行取對數處理、均值歸零、能量歸一化以及乘餘弦窗口等操作。
[0041]進一步，所述聚類模塊中的聚類方法採用k-means聚類方法。
[0042]K-means算法是硬聚類算法，是典型的基於原型的目標函數聚類方法的代表，它是數據點到原型的某種距離作為優化的目標函數，利用函數求極值的方法得到迭代運算的調整規則。K-means算法以NCC作為相似度測度，它是求對應某一初始聚類中心向量V最優分類，使得評價指標J最 小。
[0043]進一步，所述收斂判斷模塊中對圖像樣本集是否收斂的條件是由能量損失函數來判定的，當能量損失函數不再變小，則圖像樣本集收斂。
[0044]進一步，所述收斂判斷模塊中對去噪訓練圖像進行重新分類是根據各個總濾波器模型與理想濾波輸出模型的差異決定對應的訓練集合歸屬哪個新訓練集合。
[0045]本發明解決上述技術問題的技術方案如下:圖像關鍵點定位系統，包括接收模塊、最佳選擇模塊和關鍵點定位模塊；
[0046]所述接收模塊用於接收待定位圖像，將待定位圖像與濾波器組中的所有總濾波器模型進行相關濾波操作，得到K個濾波輸出；
[0047]所述最佳選擇模塊選擇PSR(Peak to sidelobe ratio)峰瓣率最大的濾波輸出作為最佳濾波輸出；
[0048]所述關鍵點定位模塊將最佳濾波輸出的峰值位置設置為圖像關鍵點位置，完成圖像關鍵點定位。
[0049]本發明的有益效果是:本發明與傳統的採用單一相關濾波器的方法相比，採用多模板濾波器的濾波器組對目標有更好的區分性，能夠利用模板之間的差異性更好的適應目標在外觀、光照、形態等方面的變化，使定位在準確率和精度上都有一定程度的提升。
[0050]在上述技術方案的基礎上，本發明還可以做如下改進。
[0051]進一步,所述PSR (Peak to sidelobe ratio)峰瓣率的計算基於以下公式(I):
[0052]PSR (g) = (gmax- μ Si) / O Si公式⑴
[0053]其中g為濾波輸出，gmax為濾波輸出的最大值，旁瓣採用排除峰值周圍11*11的像素進行計算；μ sl和ο sl分別是濾波器輸出在旁瓣區域的均值和標準差。【專利附圖】
【附圖說明】
[0054]圖1為本發明所述的濾波器組訓練方法流程圖；
[0055]圖2為本發明所述的圖像關鍵點定位方法流程圖；
[0056]圖3為本發明所述的濾波器組訓練系統結構框圖；
[0057]圖4為本發明所述的圖像關鍵點定位系統結構框圖。
[0058]附圖中，各標號所代表的部件列表如下:
[0059]1、預處理模塊，2、聚類模塊，3、理想濾波設計模塊，4、訓練模塊，5、收斂判斷模塊，
6、存儲模塊，7、接收模塊，8、最佳選擇模塊，9、關鍵點定位模塊。
【具體實施方式】
[0060]以下結合附圖對本發明的原理和特徵進行描述，所舉實例只用於解釋本發明，並非用於限定本發明的範圍。
[0061]如圖1所示，為本發明所述的濾波器組訓練方法，具體包括以下步驟:
[0062]步驟1:預處理模塊將已有目標位置標註的訓練圖像進行預處理，得到減少光照和陰影影響的去噪訓練圖像集；
[0063]步驟2:聚類模塊對去噪訓練圖像集進行初始聚類，使去噪訓練圖像集按外觀分解成K個訓練集合；
[0064]步驟3:理想濾波設計模塊根據步驟I所述的訓練圖像中的目標位置標註設計出理想濾波輸出模型，且理想濾波輸出模型中的目標位置處於峰值，而在除目標位置外的其他位置接近零；
[0065]步驟4:應用K個訓練集合訓練理想濾波輸出模型得到對應K個訓練集合的K個總濾波器模型和K個圖像樣本，K個總濾波器模型構成濾波器組，K個圖像樣本構成圖像樣本集；
[0066]步驟5:判斷圖像樣本集是否收斂，如果是，執行步驟7 ;否則，執行步驟6 ;
[0067]步驟6:檢查當前判斷收斂的次數是否達到預設閾值，如果是，執行步驟7 ;否則，對去噪訓練圖像進行重新分類，得到K個新訓練集合，K個新訓練集合替代K個訓練集合，返回步驟4 ；
[0068]步驟7:存儲濾波器組，完成濾波器組訓練過程。
[0069]步驟I中的預處理包括進行取對數處理、均值歸零、能量歸一化以及乘餘弦窗口等操作。
[0070]步驟2中的聚類方法採用k-means聚類方法。
[0071]K-means算法是硬聚類算法，是典型的基於原型的目標函數聚類方法的代表，它是數據點到原型的某種距離作為優化的目標函數，利用函數求極值的方法得到迭代運算的調整規則。K-means算法以NCC作為相似度測度，它是求對應某一初始聚類中心向量V最優分類，使得評價指標J最小。所述步驟5中對圖像樣本集是否收斂的條件是由能量損失函數來判定的，當能量損失函數不再變小，則圖像樣本集收斂。
[0072]所述步驟6中對去噪訓練圖像進行重新分類是根據各個總濾波器模型與理想濾波輸出模型的差異決定對應的訓練集合歸屬哪個新訓練集合。
[0073]如圖2所示，為本發明所述的圖像關鍵點定位方法，具體包括以下步驟:[0074]步驟1:接收待定位圖像，將待定位圖像與濾波器組中的所有總濾波器模型進行相關濾波操作，得到K個濾波輸出；
[0075]步驟2:選擇PSR(Peak to sidelobe ratio)峰瓣率最大的濾波輸出作為最佳濾波輸出；
[0076]步驟3:將最佳濾波輸出的峰值位置設置為圖像關鍵點位置，完成圖像關鍵點定位。
[0077]所述PSR(Peak to sidelobe ratio)峰瓣率的計算基於以下公式(I):
[0078]PSR (g) = (gmax- μ sl) / σ sl公式(I)
[0079]其中g為濾波輸出，gmax為濾波輸出的最大值，旁瓣採用排除峰值周圍11*11的像素進行計算；μ sl和ο sl分別是濾波器輸出在旁瓣區域的均值和標準差。
[0080]如圖3所示，為本發明所述的濾波器組訓練系統，包括預處理模塊1、聚類模塊2、理想濾波設計模塊3、訓練模塊4、收斂判斷模塊5和存儲模塊6 ；
[0081]所述預處理模塊I將已有目標位置標註的訓練圖像進行預處理，得到減少光照和陰影影響的去噪訓練 圖像；
[0082]所述聚類模塊2對去噪訓練圖像進行初始聚類，使去噪訓練圖像按外觀分解成K個訓練集合；
[0083]所述理想濾波設計模塊3根據訓練圖像中的目標位置標註設計出理想濾波輸出模型，且理想濾波輸出模型中的目標位置處於峰值，而在除目標位置外的其他位置接近零；
[0084]所述訓練模塊4應用K個訓練集合訓練理想濾波輸出模型得到對應K個訓練集合的K個總濾波器模型和K個圖像樣本，K個總濾波器模型構成濾波器組，K個圖像樣本構成圖像樣本集；
[0085]所述收斂判斷模塊5當圖像樣本集收斂或判斷收斂的次數達到預設的閾值時，將濾波器組發送到存儲模塊；圖像樣本集不收斂時，對去噪訓練圖像進行重新分類，得到K個新訓練集合，K個新訓練集合替代K個訓練集合，將K個訓練集合發送到訓練模塊4 ；
[0086]所述存儲模塊6存儲濾波器組。
[0087]所述預處理模塊I中的預處理包括進行取對數處理、均值歸零、能量歸一化以及乘餘弦窗口等操作。
[0088]所述聚類模塊2中的聚類方法採用k-means聚類方法。
[0089]所述收斂判斷模塊5中對圖像樣本集是否收斂的條件是由能量損失函數來判定的，當能量損失函數不再變小，則圖像樣本集收斂。
[0090]所述收斂判斷模塊5中對去噪訓練圖像進行重新分類是根據各個總濾波器模型與理想濾波輸出模型的差異決定對應的訓練集合歸屬哪個新訓練集合。
[0091]如圖4所示，為本發明所述的圖像關鍵點定位系統，包括接收模塊7、最佳選擇模塊8和關鍵點定位模塊9 ；
[0092]所述接收模塊7用於接收待定位圖像，將待定位圖像與濾波器組中的所有總濾波器模型進行相關濾波操作，得到K個濾波輸出；
[0093]所述最佳選擇模塊8選擇PSR(Peak to sidelobe ratio)峰瓣率最大的濾波輸出作為最佳濾波輸出；[0094]所述關鍵點定位模塊9將最佳濾波輸出的峰值位置設置為圖像關鍵點位置，完成圖像關鍵點定位。
[0095]所述PSR(Peak to sidelobe ratio)峰瓣率的計算基於以下公式(I):
[0096]PSR (g) = (gmax- μ Si) / O Si公式⑴
[0097]其中g為濾波輸出，gmax為濾波輸出的最大值，旁瓣採用排除峰值周圍11*11的像素進行計算；μ sl和ο sl分別是濾波器輸出在旁瓣區域的均值和標準差。
[0098]本發明將圖像關鍵點定位問題表示成一個優化問題，定義一個能量損失函數，能量損失函數同時考慮相關濾波選擇及輸出，並採用一種自適應聚類方法進行問題求解，得出一個由多個具有區分特性的濾波器組成的濾波器組。利用訓練得到的濾波器組，對圖像進行濾波，並對多個濾波器輸出結果進行綜合判決，定位出關鍵點位置。[0099]與傳統的採用單一相關濾波器的方法相比，採用多模板濾波器的濾波器組對目標有更好的區分性，能夠利用模板之間的差異性更好的適應目標在外觀、光照、形態等方面的變化，使定位在準確率和精度上都有一定程度的提升。
[0100]本發明針對單一濾波器模板無法很好的應對目標在圖像間的差異這一問題，發明了一種採用多類別的相關濾波器組進行定位的方法和裝置，利用訓練得到的濾波器組，對圖像進行濾波，並對多個濾波器輸出結果進行綜合判決，實現目標的精確定位。
[0101]本發明所採用的目標定位方法分為訓練和定位兩大步驟，訓練階段利用已有標註的圖像訓練生成符合場景要求的濾波器組，定位階段則利用其對目標進行定位。
[0102]在訓練階段，先對所有圖片進行預處理以減少光照和陰影的影響，預處理過程包括進行取對數處理、均值歸零、能量歸一化以及乘餘弦窗口操作。初始聚類利用k-means先對訓練圖像進行一個簡單的分類，其實就是將訓練圖像分成K個集合，K是相關濾波器組中濾波器的個數，這樣做將訓練圖像先按照外觀進行了一個大體分類，能夠使後面的循環迭代過程儘快收斂，有利於後面的循環收斂，其評判距離(k-means算法中的樣本度量距離，在這裡可以理解為訓練圖像之間的差異的一個度量)的標準為歸一環交叉相關NCC歸一化交叉相關(Normalized Cross-Correlation,NCC)。為了訓練獲得最佳的相關濾波器,需要根據訓練圖像建立對應的理想濾波輸出模型圖{gl，g2，...，gn}。建立的理想濾波輸出模型在目標的標註位置處為峰值，而在其他位置近似為0，採用二維高斯函數來定義:
[0103]gjx，y) = exp (-[(X-Xi) 2+(y-yi)2]/σ 2}公式(2)
[0104]目標位置標註是指訓練圖像中的目標位置坐標(xi,yi),每幅訓練圖像都有對應的人眼位置坐標，通常是事先標定好的，通過位置坐標建立於此對應訓練圖像的理想濾波輸出模型(如公式(2)所示)，然後就可以與聚類後的訓練圖像進行濾波器的訓練(訓練圖片聚類不影響理想濾波輸出模型的建立，聚類後的訓練圖片需要與和其對應的理想濾波輸出模型一一對應進行濾波器訓練)。
[0105]其中(Xi，yi)為訓練圖像的目標真實坐標，σ為參數，用以調節輸出的尖銳程度。對於一幅圖像樣本，濾波器訓練的任務是求解一個濾波器h滿足以下關係:&,其中G就是理想濾波輸出模型g的傅立葉域下的形式，?是相關操作，f為訓練圖像。在傅立葉域下，等價於6 - hH G就是理想濾波輸出模型g的傅立葉域下的形式，其中*是復共軛，Hi是濾波器Iii對應的傅立葉操作，稱為模板，F是訓練圖像f對應的傅立葉操作。在進行迭代循環時，對於訓練圖像的每個集合，都會得到一個此集合的總濾波器模型，濾波器的訓練可由公式
[0106]
【權利要求】
1.一種濾波器組訓練方法，其特徵在於，具體包括以下步驟: 步驟1:預處理模塊將已有目標位置標註的訓練圖像進行預處理，得到減少光照和陰影影響的去噪訓練圖像集； 步驟2:聚類模塊對去噪訓練圖像集進行初始聚類，使去噪訓練圖像集按外觀分解成K個訓練集合； 步驟3:理想濾波設計模塊根據步驟I所述的訓練圖像中的目標位置標註設計出理想濾波輸出模型，且理想濾波輸出模型中的目標位置處於峰值，而在除目標位置外的其他位置接近零； 步驟4:應用K個訓練集合訓練理想濾波輸出模型得到對應K個訓練集合的K個總濾波器模型和K個圖像樣本，K個總濾波器模型構成濾波器組，K個圖像樣本構成圖像樣本集； 步驟5:判斷圖像樣本集是否收斂，如果是，執行步驟7 ;否則，執行步驟6 ； 步驟6:檢查當前判斷收斂的次數是否達到預設閾值，如果是，執行步驟7 ;否則，對去噪訓練圖像進行重新分類，得到K個新訓練集合，K個新訓練集合替代K個訓練集合，返回步驟4 ; 步驟7:存儲濾波器組，完成濾波器組訓練過程。
2.根據權利要求1所述的濾波器組訓練方法，其特徵在於，步驟I中的預處理包括進行取對數處理、均值歸零、能量歸一化以及乘餘弦窗口操作。
3.根據權利要求2所述的濾波器組訓練方法，其特徵在於，步驟2中的聚類方法採用k-means聚類方法。
4.根據權利要求3所述的濾波器組訓練方法，其特徵在於，所述步驟5中對圖像樣本集是否收斂的條件是由自定義的同時考慮相關濾波選擇及輸出的能量損失函數來判定的，當能量損失函數不再變小，則圖像樣本集收斂，能量損失函數的計算基於以下公式: ε(^)=ΣΣιι^0Τ-^ιι2/^.7-1 ?-1 其中H是濾波器組，Ηω是濾波器組中的第j個濾波器，Fi是第i個訓練樣本的傅立葉變換，*表示共軛轉置，Gi是第i個訓練樣本的理想濾波輸出，r^_是屬於第j類的訓練圖像數目。
5.根據權利要求1-4任一項所述的濾波器組訓練方法，其特徵在於，所述步驟6中對去噪訓練圖像進行重新分類是根據各個總濾波器模型與理想濾波輸出模型的差異決定對應的訓練集合歸屬哪個新訓練集合。
6.一種圖像關鍵點定位方法，其特徵在於，具體包括以下步驟: 步驟1:接收待定位圖像，將待定位圖像與濾波器組中的所有總濾波器模型進行相關濾波操作，得到K個濾波輸出； 步驟2:選擇PSR(Peak to sidelobe ratio)峰瓣率最大的濾波輸出作為最佳濾波輸出； 步驟3:將最佳濾波輸出 的峰值位置設置為圖像關鍵點位置，完成圖像關鍵點定位。
7.根據權利要求6所述的圖像關鍵點定位方法，其特徵在於，所述PSR(Peaktosidelobe ratio)峰瓣率的計算基於以下公式(I): PSR(g) = (gmax- U si) / σ si公式(I)其中g為濾波輸出，gmax為濾波輸出的最大值，旁瓣採用排除峰值周圍11*11的像素進行計算；μ sl和σ sl分別是濾波器輸出在旁瓣區域的均值和標準差。
8.一種濾波器組訓練系統，其特徵在於，包括預處理模塊、聚類模塊、理想濾波設計模塊、訓練模塊、收斂判斷模塊和存儲模塊； 所述預處理模塊將已有目標位置標註的訓練圖像進行預處理，得到減少光照和陰影影響的去噪訓練圖像； 所述聚類模塊對去噪訓練圖像進行初始聚類，使去噪訓練圖像集按外觀分解成K個訓練集合； 所述理想濾波設計模塊根據訓練圖像中的目標位置標註設計出理想濾波輸出模型，且理想濾波輸出模型中的目標位置處於峰值，而在除目標位置外的其他位置接近零； 所述訓練模塊應用K個訓練集合訓練理想濾波輸出模型得到對應K個訓練集合的K個總濾波器模型和K個圖像樣本，K個總濾波器模型構成濾波器組，K個圖像樣本構成圖像樣本集； 所述收斂判斷模塊當圖像樣本集收斂或判斷收斂的次數達到預設的閾值時，將濾波器組發送到存儲模塊；圖像樣本集不收斂時，對去噪訓練圖像進行重新分類，得到K個新訓練集合，K個新訓練集合替代K個訓練集合，將K個訓練集合發送到訓練模塊； 所述存儲模塊存儲濾波器組。
9.根據權利要求8所述的濾波器組訓練系統，其特徵在於，所述預處理模塊中的預處理包括進行取對數處理、均值歸零、能量歸一化以及乘餘弦窗口操作。
10.根據權利要求9所述的濾波器組訓練系統，其特徵在於，所述聚類模塊中的聚類方法採用k-means聚類方法。
11.根據權利要求10所述的濾波器組訓練系統，其特徵在於，所述收斂判斷模塊中對圖像樣本集是否收斂的條件是由能量損失函數來判定的，當能量損失函數不再變小，則圖像樣本集收斂。
12.根據權利要求8-11任一項所述的濾波器組訓練系統，其特徵在於，所述收斂判斷模塊中對去噪訓練圖像進行重新分類是根據各個總濾波器模型與理想濾波輸出模型的差異決定對應的訓練集合歸屬哪個新訓練集合。
13.一種圖像關鍵點定位系統，其特徵在於，包括接收模塊、最佳選擇模塊和關鍵點定位模塊； 所述接收模塊用於接收待定位圖像，將待定位圖像與濾波器組中的所有總濾波器模型進行相關濾波操作，得到K個濾波輸出； 所述最佳選擇模塊選擇PSR(Peak to sidelobe ratio)峰瓣率最大的濾波輸出作為最佳濾波輸出； 所述關鍵點定位模塊將最佳濾波輸出的峰值位置設置為圖像關鍵點位置，完成圖像關鍵點定位。
14.根據權利要求13所述的圖像關鍵點定位系統，其特徵在於，所述PSR(Peaktosidelobe ratio)峰瓣率的計算基於以下公式(I): PSR(g) = (gmax- U si) / σ si公式(I) 其中g為濾波輸出，gmax為濾波輸出的最大值，旁瓣採用排除峰值周圍11*11的像素進行計算；μ sl和σ sl分別是濾波器輸出在旁瓣區域的均值和標準差。
【文檔編號】G06K9/32GK103955719SQ201410213582
【公開日】2014年7月30日 申請日期:2014年5月20日 優先權日:2014年5月20日
【發明者】葛仕明, 楊睿, 孫利民, 陳水仙, 謝凱旋, 朱紅松 申請人:中國科學院信息工程研究所