基于多尺度对比特征的对象检测设备和方法技术

提供一种基于多尺度对比特征的对象检测设备和方法。所述对象检测设备包括：输入单元，用于输入被检测图像；基于多尺度对比特征的学习机，用于对关于所述对象的训练样本进行多尺度对比特征提取，并对提取的特征应用统计学习处理；分类器加载单元，用于根据所述基于多尺度对比特征的学习机的统计学习处理结果来构建分类器；检测单元，用于利用由分类器加载单元构建的分类器对由输入单元输入的被检测图像进行对象检测，其中，所述多尺度对比特征用于指示图像中多个相关矩形区域之间在不同尺度下关于特定图像属性的对比关系。

【技术实现步骤摘要】

本专利技术涉及图像的特征提取以及对象检测技术， 具体说来，涉及一种用于基于多 尺度对比特征在图像中检测对象的设备和方法，其中，所述多尺度对比特征用于指示图像 中多个相关区域之间在不同尺度下关于特定图像属性的对比关系。
技术介绍
对于特定类别的对象(诸如头部、面部、拳头、上身、肩部、汽车、自行车、包裹或者 其它物体)的检测作为计算机视觉技术的基础，广泛地应用于很多领域，例如，人机交互、 动作识别、智能监视、多媒体检索等。由于该项技术的学术价值及其广阔的商业应用前景， 人们对于它的关注度越来越高，大量的研究特别针对用于场景分析的实时对象检测或对象 定位技术。目前，关于对象检测技术，采用的基本方式为针对用于检测某种对象的特定特征 进行大量样本训练，在此基础上得出有效的分类器，将分类器应用于输入的被检测图像以 检测出对象。在上述方式中，人们采用了不同的特征提取方式，其中，Haar-Iike特征检测方式 是实现快速对象检测技术中的重要技术，所述Haar-Iike特征对两个邻近矩形区域之间的 平均强度的绝对差进行编码，并且可通过积分图像快速计算出Haar-Iike特征。通过引入 Boosting算法选择少量的区分性强的特征来构建有效的分类器。然而，Haar-Iike特征检 测方式的问题在于所述特征本身比较简单，因此，为了实现较高的性能必须在检测时使用 大量的特征来参与计算，这造成了运算量的增加。此外，由于Haar-Iike特征表示的是相邻 区域之间的绝对差值，所以这种特征无法抵抗环境亮度和图像噪声的影响，在应用于环境 较为复杂的图像时无法获得有效的检测结果。虽然人们试图通过改进Haar-Iike特征或提 出另外的特征来获得更好的性能，但是尚未获得能够在检测速度、计算量以及检测有效性 方面均令人满意的对象检测方式。因此，需要提供一种能够有效地进行对象检测的技术方案，从而在降低运算量的 前提下，对检测对象进行更为有效的特征提取，便于构建区分性能优良的分类器，达到实时 对象检测中需要的各项要求。
技术实现思路
本专利技术的目的在于提供一种基于图像特征提取的对象检测设备和方法，根据所述 对象检测设备和方法，能够基于多尺度对比特征对图像中的对象进行有效和快速的检测， 其中，所述多尺度对比特征用于指示图像中多个相关矩形区域之间在不同尺度下关于特定 图像属性的对比关系。根据本专利技术的一方面，提供一种基于多尺度对比特征的对象检测设备，包括输入 单元，用于输入被检测图像；基于多尺度对比特征的学习机，用于对关于所述对象的训练样 本进行多尺度对比特征提取，并对提取的特征应用统计学习处理；分类器加载单元，用于根据所述基于多尺度对比特征 的学习机的统计学习处理结果来构建分类器；检测单元，用 于利用由分类器加载单元构建的分类器对由输入单元输入的被检测图像进行对象检测，其 中，所述多尺度对比特征用于指示图像中多个相关矩形区域之间在不同尺度下关于特定图 像属性的对比关系。所述基于多尺度对比特征的学习机可以对训练样本进行预处理。所述预处理可包括训练样本图像尺寸大小归一化、亮度标准化、伽马校正、梯度 提取、图像边缘提取中的至少一种。所述基于多尺度对比特征的学习机进行多尺度对比特征提取的处理可包括确定 多尺度对比特征中包括的多个相关矩形区域；确定每个相关矩形区域的长度和宽度；确定 关于所述多个相关矩形区域的图像属性参考值；在图像的特征提取位置，分别计算所述多 个相关矩形区域中的各个图像属性值与图像属性参考值之间的对比关系，作为提取的多尺 度对比特征。所述基于多尺度对比特征的学习机可按照下列等式来计算多尺度对比特征 Λ权利要求1.一种基于多尺度对比特征的对象检测设备，包括输入单元，用于输入被检测图像；基于多尺度对比特征的学习机，用于对关于所述对象的训练样本进行多尺度对比特征 提取，并对提取的特征应用统计学习处理；分类器加载单元，用于根据所述基于多尺度对比特征的学习机的统计学习处理结果来 构建分类器；检测单元，用于利用由分类器加载单元构建的分类器对由输入单元输入的被检测图像 进行对象检测，其中，所述多尺度对比特征用于指示图像中多个相关矩形区域之间在不同尺度下关于 特定图像属性的对比关系。2.如权利要求1所述的设备，其中，所述基于多尺度对比特征的学习机对训练样本进 行预处理。3.如权利要求2所述的设备，其中，所述预处理包括训练样本图像尺寸大小归一化、 亮度标准化、伽马校正、梯度提取、图像边缘提取中的至少一种。4.如权利要求1所述的设备，其中，所述基于多尺度对比特征的学习机进行多尺度对 比特征提取的处理包括确定多尺度对比特征中包括的多个相关矩形区域；确定每个相关 矩形区域的长度和宽度；确定关于所述多个相关矩形区域的图像属性参考值；在图像的特 征提取位置，分别计算所述多个相关矩形区域中的各个图像属性值与图像属性参考值之间 的对比关系，作为提取的多尺度对比特征。5.如权利要求4所述的设备，其中，所述基于多尺度对比特征的学习机按照下列等式来计算多尺度对比特征-.6.如权利要求5所述的设备，其中，图像属性参考值为所述多个相关矩形区域中的图 像属性值的平均值，或位于所述多个相关矩形区域构成的整体形状的中心区域部分的图像属性值。7.如权利要求1所述的设备，其中，所述图像属性指示图像的深度、色度或亮度。8.如权利要求1所述的设备，其中，分类器加载单元根据基于多尺度对比特征的学习 机的统计学习处理结果，通过最小平方误差方法来构建作为多值函数的分类器。9.如权利要求8所述的设备，其中，分类器加载单元还通过增强学习方法将多个分类 器联合为强分类器。10.如权利要求1所述的设备，其中，检测单元在利用分类器进行检测之前，首先提取 出被检测图像的前景图像或者边缘图像，然后将分类器应用于提取出的前景图像或边缘图 像来检测对象。11.如权利要求1所述的设备，其中，在存在多个分类器的情况下，检测单元将多个分 类器检测出的多个待选对象根据它们的位置以及之间的重叠情况来联合得出最终检测的 对象位置。12.如权利要求1所述的设备，其中，输入单元输入的图像是经过其它分类器处理后的图像。13.如权利要求12所述的设备，其中，所述其它分类器为基于Haar小波特征的分类器 或基于方向直方图特征的分类器。14.一种基于多尺度对比特征的对象检测方法，包括步骤关于对象的训练样本进行多尺度对比特征提取，并对提取的特征应用统计学习处理， 其中，所述多尺度对比特征用于指示图像中多个相关矩形区域之间在不同尺度下关于特定 图像属性的对比关系；根据统计学习处理结果来构建分类器；以及利用构建的分类器对输入的被检测图像进行不同尺度的扫描，从而检测相应的对象。15.如权利要求14所述的方法，其中，在对训练样本进行多尺度对比特征提取之前，对 所述训练样本进行预处理。16.如权利要求15所述的方法，其中，所述预处理包括训练样本图像尺寸大小归一 化、亮度标准化、伽马校正、梯度提取、图像边缘提取中的至少一种。17.如权利要求14所述的方法，其中，所述进行多尺度对比特征特区的步骤包括确定 多尺度对比特征中包括的多个相关矩形区域；确定每个相关矩形区域的长度和宽度；确定 关于所述多个相关矩形区域的图像属性参考值；在图像的特征提取位置，分别本文档来自技高网...

【技术保护点】
１．一种基于多尺度对比特征的对象检测设备，包括：输入单元，用于输入被检测图像；基于多尺度对比特征的学习机，用于对关于所述对象的训练样本进行多尺度对比特征提取，并对提取的特征应用统计学习处理；分类器加载单元，用于根据所述基于多尺度对比特征的学习机的统计学习处理结果来构建分类器；检测单元，用于利用由分类器加载单元构建的分类器对由输入单元输入的被检测图像进行对象检测，其中，所述多尺度对比特征用于指示图像中多个相关矩形区域之间在不同尺度下关于特定图像属性的对比关系。

【技术特征摘要】

【专利技术属性】
技术研发人员：楚汝峰，陈茂林，林华书，
申请(专利权)人：三星电子株式会社，北京三星通信技术研究有限公司，
类型：发明
国别省市：KR[韩国]