物体检测的方法及层次型物体检测器中分类器的训练方法技术

本发明专利技术公开了一种物体检测的方法和系统，以及，一种层次型物体检测器中分类器的训练方法和系统。其中，所述物体检测的方法包括：将输入图像预处理为Ｓ个不同尺度的待检测图像，其中，Ｓ大于或等于１；采用层次型物体检测器对所述待检测图像的各个位置进行判定，若当前位置通过了当前层，则继续到下一层进行判定；否则，认为当前位置不是所述待检测图像的候选位置；其中，在每层分类器中判定的过程包括：提取所述待检测图像中相应特定子区域的纹理特征；依据所述纹理特征分别计算各特定子区域所对应的局部子分类器的输出特征；依据所述输出特征判断当前位置是否通过当前层。本发明专利技术可以提高物体检测的速度并获得较好的物体检测效果。

【技术实现步骤摘要】

本专利技术涉及模式识别
，特别是涉及一种物体检测的方法和系统，以 及，一种层次型物体检测器中分类器的训练方法和系统。
技术介绍
随着计算机技术的迅速发展，计算机处理能力得到了大幅度的提升，出现了模 式识别、运动检测等许多新兴的技术手段，其中，物体检测作为模式识别技术的一种， 在越来越多的领域得到了广泛的应用。物体检测，是指从静态或视频图像中获取一定区 域中存在的物体的数目、位置和大小。物体检测技术在智能视频监控、智能交通管理、 视频分析和图片检索等各领域有着重要的实用价值。目前，物体检测技术主要分为两类，包括一、启发式规则方法该方法根据物体的外在形状和颜色等特点，设定一定的规则来获取物体区域。 这类方法由于其固有的内在缺陷造成适应性较差，当外部的光照条件、使用场合的背景 等因素发生变化时，会严重影响检测的精度，因此此类方法应用场景比较局限。二、分类器训练方法该方法采集在各种不同的光照条件、背景环境和各种姿态条件下的物体样本， 采用模式识别领域普遍使用的分类器训练的方法进行训练，得到物体区域的模型，再利 用该模型对未知的图像或视频进行判定。由于该方法相对第一类方法具有更好的检测效 果，从而得到了广泛使用。近年来，自适应增强算法(Adaboost)作为模式识别领域的一种重要的分类器设 计方法取得了包括人体检测等在内的大量成功应用，该方法实现简单且检测速度较快。 曾有方案提出将成功用于人体检测领域的基于微结构特征和Adaboost的方法用于物体检 测，虽然所述方案的检测速度较快，但是检测效果却不够理想，无法满足实用的要求。此外，支持向量机6VM)是另一种广泛使用的分类器，该分类器相对Adaboost 具有更佳的泛化能力，同样有人尝试采用基于SVM分类器的物体检测算法，也获得了很 好的检测效果，但是该方法存在着检测速度极慢的问题，从而使该方案无法应用于实时 运行的系统中，因此大大限制了该方案的应用场景。因而，目前需要本领域技术人员迫切解决的一个技术问题就是如何能够创新 地提出一种兼顾物体检测的速度和精度的物体检测方案，以提高物体检测的速度并获得 较好的物体检测效果。
技术实现思路
本专利技术所要解决的技术问题是提供一种物体检测的方法和系统，以及，一种层 次型物体检测器中分类器的训练方法和系统，以提高物体检测的速度并获得较好的物体 检测效果。为了解决上述技术问题，本专利技术实施例公开了一种物体检测的方法，包括将输入图像预处理为S个不同尺度的待检测图像，其中，S大于或等于1;采用层次型物体检测器对所述待检测图像的各个位置进行判定，若当前位置通 过了当前层，则继续到下一层进行判定；否则，认为当前位置不是所述待检测图像的候 选位置；其中，所述层次型物体检测器由一个或者多个分类器组成，每层分类器依据一 个或多个局部子分类器的输出特征计算得到，所述局部子分类器依据相应样本图像中多 个特定子区域的纹理特征构造获得；其中，在每层分类器中判定的过程包括提取所述待检测图像中相应特定子区域的纹理特征；依据所述纹理特征分别计算各特定子区域所对应的局部子分类器的输出特征；依据所述输出特征判断当前位置是否通过当前层。优选的，所述纹理特征为边缘方向直方图特征，所述提取待检测图像中相应特 定子区域的纹理特征的步骤包括遍历所述待检测图像的各像素点，获得各像素点的边缘方向和边缘强度；确定所述待检测图像中相应的特定子区域；依据所述各像素点的边缘方向和边缘强度，分别计算各特定子区域的边缘方向 直方图。优选的，所述特定子区域为多个相邻子区域，所述纹理特征为所述多个子区域 的联合方向直方图特征，所述提取待检测图像中相应特定子区域的纹理特征的步骤包 括遍历所述待检测图像的各像素点，获得各像素点的边缘方向和边缘强度；确定所述待检测图像中相应的特定子区域；依据所述各像素点的边缘方向和边缘强度，分别计算各特定子区域的边缘方向 直方将所述多个相邻子区域的边缘方向直方图首尾相接组成联合边缘方向直方对所述联合方向直方图进行归一化。优选的，所述归一化为将联合方向直方图的每个值除以其1范数或2范数。优选的，所述相邻子区域的数目为2、3、或4，位置关系为两两水平相邻，两 两垂直相邻或两两对角相邻。优选的，所述S个待检测图像依次由大到小并且相邻尺度图像的长宽比为一固定值。S优选的，所述每层分类器的形式为其中，P为局部子分类器的输出特 征，lis(p)为查找表类型的弱分类器，S为包含的局部子分类器的数目。τ优选的，所述局部子分类器的输出特征为付0) = Σ矣(Χ)或权利要求1.一种物体检测方法，其特征在于，包括将输入图像预处理为S个不同尺度的待检测图像，其中，S大于或等于1; 采用层次型物体检测器对所述待检测图像的各个位置进行判定，若当前位置通过了 当前层，则继续到下一层进行判定；否则，认为当前位置不是所述待检测图像的候选位 置；其中，所述层次型物体检测器由一个或者多个分类器组成，每层分类器依据一个或 多个局部子分类器的输出特征计算得到，所述局部子分类器依据相应样本图像中多个特 定子区域的纹理特征构造获得；其中，在每层分类器中判定的过程包括 提取所述待检测图像中相应特定子区域的纹理特征；依据所述纹理特征分别计算各特定子区域所对应的局部子分类器的输出特征； 依据所述输出特征判断当前位置是否通过当前层。2.如权利要求1所述的方法，其特征在于，所述纹理特征为边缘方向直方图特征，所 述提取待检测图像中相应特定子区域的纹理特征的步骤包括遍历所述待检测图像的各像素点，获得各像素点的边缘方向和边缘强度； 确定所述待检测图像中相应的特定子区域；依据所述各像素点的边缘方向和边缘强度，分别计算各特定子区域的边缘方向直方图。3.如权利要求1所述的方法，其特征在于，所述特定子区域为多个相邻子区域，所述 纹理特征为所述多个子区域的联合方向直方图特征，所述提取待检测图像中相应特定子 区域的纹理特征的步骤包括遍历所述待检测图像的各像素点，获得各像素点的边缘方向和边缘强度； 确定所述待检测图像中相应的特定子区域；依据所述各像素点的边缘方向和边缘强度，分别计算各特定子区域的边缘方向直方图；将所述多个相邻子区域的边缘方向直方图首尾相接组成联合边缘方向直方图； 对所述联合方向直方图进行归一化。4.如权利要求3所述的方法，其特征在于，所述归一化为将联合方向直方图的每个值 除以其1范数或2范数。5.如权利要求3或4所述的方法，其特征在于，所述相邻子区域的数目为2、3、或 4，位置关系为两两水平相邻，两两垂直相邻或两两对角相邻。6.如权利要求1、2或3所述的方法，其特征在于，所述S个待检测图像依次由大到 小并且相邻尺度图像的长宽比为一固定值。s7.如权利要求1所述的方法，其特征在于，所述每层分类器的形式为Σ^ Ρ)其中，P为局部子分类器的输出特征，hs(ρ)为查找表类型的弱分类器，S为包含的局部子 分类器的数目。8.如权利要求1或7所述的方法，其特征在于，所述局部子分类器的输出特征为9.一种层次型物体检测器中分类器的训练方法，其特征在于，包括 采集样本图像；在样本图像中，划分多个不同大小、不同位置的子区域； 提取各子区域的纹理特征；依据所有样本图像中相应子区域的纹理特征，构造该子区域的局部子分类器； 依据所有子区本文档来自技高网...

【技术保护点】
一种物体检测方法，其特征在于，包括：将输入图像预处理为Ｓ个不同尺度的待检测图像，其中，Ｓ大于或等于１；采用层次型物体检测器对所述待检测图像的各个位置进行判定，若当前位置通过了当前层，则继续到下一层进行判定；否则，认为当前位置不是所述待检测图像的候选位置；其中，所述层次型物体检测器由一个或者多个分类器组成，每层分类器依据一个或多个局部子分类器的输出特征计算得到，所述局部子分类器依据相应样本图像中多个特定子区域的纹理特征构造获得；其中，在每层分类器中判定的过程包括：提取所述待检测图像中相应特定子区域的纹理特征；依据所述纹理特征分别计算各特定子区域所对应的局部子分类器的输出特征；依据所述输出特征判断当前位置是否通过当前层。

【技术特征摘要】

【专利技术属性】
技术研发人员：邓亚峰，
申请(专利权)人：北京中星微电子有限公司，
类型：发明
国别省市：11[中国|北京]