(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 20221071645 5.8 (22)申请日 2022.06.23 (71)申请人 常州大学 地址 213164 江苏省常州市武进区滆湖中 路21号 (72)发明人 欣子豪　张继　王洪元　孙博言　 薛桢　 (74)专利代理 机构 常州市英 诺创信专利代理事 务所(普通 合伙) 32258 专利代理师 张秋月 (51)Int.Cl. G06V 20/10(2022.01) G06V 20/60(2022.01) G06V 10/44(2022.01) G06V 10/46(2022.01)G06V 10/74(2022.01) G06N 3/04(2006.01) G06N 3/08(2006.01) (54)发明名称 一种基于草图Gabor特 征的目标检测方法 (57)摘要 本发明涉及图像处理技术领域， 尤其涉及一 种基于草图Gabor特征的目标检测方法， 包 括： 绘 制物体草图； 在无数据模式下对草图进行离散傅 里叶变换‑Gabor滤波器 ‑离散傅里叶反变 换得到 草图Gabor特征； 对机器人拍摄 图片进行边缘提 取和子图分割， 并将分割后的子图进行离散傅里 叶变换‑Gabor滤波器 ‑离散傅里叶反变换得到机 器人拍摄 图片Gabor特征； 通过相似性度量比较 图片的Gabor特征。 本发明在无数据集模式下， Gabor特征能够很好的保留草图细节特征； 在有 数据集模式下， 通过自适应Gabor参数网络， 为不 同类别的物体训练不同的Gabor滤波器参数， 能 够在更少数据集的情况 下取得更好的推理性能。 权利要求书2页 说明书6页 附图5页 CN 115205673 A 2022.10.18 CN 115205673 A 1.一种基于草图Gabor特 征的目标检测方法， 其特 征在于， 包括以下步骤： 步骤一、 绘制物体草图； 步骤二、 在无数据模式下对草 图进行离散傅里叶变换 ‑Gabor滤波器 ‑离散傅里叶反变 换得到草图Gabor特征； 对机器人拍摄图片进行边缘提取和子图分割， 并将分割后的子图进 行离散傅里叶变换 ‑Gabor滤波器 ‑离散傅里叶反变换得到机器人拍摄图片Gabor特征； 通过 相似性度量比较图片的Gabor特 征， 判断机器人拍摄图片是否包括 草图中的物体。 2.根据权利要求1所述的基于草图Gabor特征的目标检测方法， 其特征在于， 还包括以 下步骤： 步骤三、 在有数据模式下对草 图进行离散傅里叶变换 ‑Gabor滤波器 ‑离散傅里叶反变 换得到草图Gab or特征， 将草图输入Gab or参数网络训练得到Gab or滤波器参数， 草图Gab or 特征经过特征转换残差网络得到草图特征向量； 将物体图片和机器人拍摄图片 输入特征提 取卷积网络， 物体图片的特征向量用于特征提取卷积网络的参数更新， 输出机器人拍摄图 片的特征向量； 通过相似性度量比较图片的特征向量， 判断机器人拍摄图片是否包括草图 中的物体。 3.根据权利要求1所述的基于草图Gabor特征的目标检测方法， 其特征在于， 步骤二详 细包括： S1、 绘制检测的物体草图Is， 对草图Is进行二维离 散傅里叶变换， 将图片转 化至频域； S2、 使用k个Gabor滤波器获取物体草图Gabor特 征向量gsi； S3、 使用Gabor滤波器对经过二维离散傅里 叶变换的草图Gabor特征向量进行卷积， 得 到变换后的草图； 并使用二维逆傅里叶变换对变换后的草图进行复原， 得到k个Gabor特征 图fi'； S4、 机器人获得物体图片， 通过Canny算法从物体图片中获取边缘轮廓， 使用锚框将轮 廓图分割为m个子图Icn； S5、 使用步骤S2、 S3方法计算m个子图Icn的Gabor特征图hni'， 其中， ni表示第 n张子图的 第i个方向上的Gabor特 征； S6、 使用余弦相似度对比草图Gabor特征fi'和子图Gabor特征hni'的相似性， 并通过相 似度与阈值α 比较， 确认是否找到草图中对应的物体。 4.根据权利要求3所述的基于草图Gabor特征的目标检测方法， 其特征在于， Gabor滤波 器的公式为： 其中， 坐标(u',v')表示原坐标(u,v)在 标准坐标系下旋转角度θ后的坐标， ω表示峰值 响应频率， σx表示频率带宽， σy表示角带宽 。 5.根据权利要求4所述的基于草图Gabor特征的目标检测方法， 其特征在于， 所述峰值 响应频率、 所述频率带宽和所述角带宽的取值在无 数据集模式下为预设值。 6.根据权利要求3所述的基于草图Gabor特征的目标检测方法， 其特征在于， 对草图 Gabor特征向量进行 卷积的公式为： Fi'(u,v)＝gsi*F(u,v),i∈(1,2,. ..,k)    (3) 其中， gsi为草图的Gabor特 征向量， F(u,v)为 二维离散傅里叶变换。权　利　要　求　书 1/2 页 2 CN 115205673 A 27.根据权利要求3所述的基于草图Gabor特征的目标检测方法， 其特征在于， 所述余弦 相似度的公式为： 其中||·||表示该向量的模。 8.根据权利要求2所述的基于草图Gabor特征的目标检测方法， 其特征在于， 步骤三包 括： A1、 绘制检测的物体草图Is， 将草图输入Gabor参数网络， 用于训练Gabor滤波器参数； A2、 将草图Is， 对草图Is进行二维离 散傅里叶变换， 将图片转 化至频域； A3、 使用k个二维Gabor滤波器获取草图的Gabor特 征向量； A4、 使用G abor滤波器gsi对经过二维离散傅里叶变换的草图特征向量进行卷积， 卷积之 后使用二维逆傅里叶变换将图片复原， 得到草图的k个Gabor特 征图fi'； A5、 将草图的k个Gabor特 征图fi'输入特征转换残差网络， 输出N维草图特 征向量； A6、 将物体图片和机器人拍摄 图片输入特征提取卷积网络， 使用物体 图片集对特征提 取卷积网络进行训练， 更新特征提取卷积网络参数， 将机器人拍摄图片输入训练后的特征 提取卷积网络， 得到N维机器人图片的特 征向量； A7、 使用余弦相似度对比N维草图特征向量和N维机器人图片的特征向量之间的相似 性， 并通过草图和机器人图片的余弦相似度与阈值α 比较， 确认是否找到草图中对应的物 体。 9.根据权利要求8所述的基于草图Gabor特征的目标检测方法， 其特征在于， 草图Gabor 参数网络由卷积核 大小为3的卷积层、 激活层ReLU和参数为2的最大池化层组成， 卷积层、 激 活层和激活层均有3层， 最后通过全连接层输出3k个Gabor滤波器参数。权　利　要　求　书 2/2 页 3 CN 115205673 A 3