專(zhuān)利名稱(chēng)：檢測(cè)視頻的圖像時(shí)間序列中的活動(dòng)對(duì)象的方法
技術(shù)領(lǐng)域：
本發(fā)明一般涉及計(jì)算機(jī)視覺(jué)和模式識(shí)別，尤其涉及檢測(cè)視頻中的諸如行人之類(lèi)的活動(dòng)對(duì)象。
背景技術(shù)：
為了檢測(cè)和識(shí)別圖像中的對(duì)象，模式識(shí)別方法在計(jì)算機(jī)視覺(jué)領(lǐng)域中已取得了重大的成就，實(shí)例包括面部、機(jī)動(dòng)車(chē)和行人檢測(cè)，可以參見(jiàn)例如Avidan，“Support vector tracking，”IEEE Conference onComputer Vision and Pattern Recognition，2001；Papageorgiou et al.，“A general framework for object detection，”International Conferenceon Computer Vision，1998；Rowley et al.，“Neural network-based facedetection，”IEEE Patt.Anal.Mach.Intell.，Volume 20，pages 22-38，1998；Schneiderman et al.，“A statistical method for 3D objectdetection applied to faces and cars，”International Conference onComputer Vision，2000；和Viola et al.“Rapid object detection using aboosted cascade of simple features，”IEEE Conference on ComputerVision and Pattern Recognition，2001。
這些方法一般利用機(jī)器學(xué)習(xí)能力，以根據(jù)大量的訓(xùn)練圖像構(gòu)造檢測(cè)器或過(guò)濾器。然后在輸入圖像上用過(guò)濾器進(jìn)行掃描，以便找出特征的模式，這種模式與目標(biāo)對(duì)象相符。那些系統(tǒng)對(duì)于面部檢測(cè)運(yùn)行得很好，但對(duì)行人檢測(cè)卻運(yùn)行得不太好，這可能是因?yàn)?，由于身體姿勢(shì)和服裝的變化而使行人的圖像變化較大，而面部在紋理和構(gòu)造方面相當(dāng)統(tǒng)一并且相對(duì)來(lái)說(shuō)動(dòng)作很少。因此，需要提供一種方法，能對(duì)時(shí)間排序的圖像序列以及對(duì)單個(gè)靜態(tài)圖像起作用。
在監(jiān)視應(yīng)用中，行人檢測(cè)甚至更為困難，在這些應(yīng)用中，圖像分辨率相對(duì)較低，例如，目標(biāo)對(duì)象可能只有總共約100-200個(gè)像素，例如5×20或10×20個(gè)像素。盡管利用更好的“圖像強(qiáng)度”的功能進(jìn)行行人檢測(cè)的改進(jìn)是一項(xiàng)很有價(jià)值的工作，然而，還是需要一種新的解決辦法。
眾所周知，人體動(dòng)作的模式(尤其像步行動(dòng)作那樣的擺動(dòng))與其他類(lèi)型的動(dòng)作不同，并且，動(dòng)作可以用來(lái)識(shí)別和檢測(cè)人，參見(jiàn)Cutleret al.，“Robust real-time periodic motion detectionAnalysis andapplications，”IEEE Patt.Anal.Mach.Intell.，Volume 22，pages781-796，2000；Lee，“Gait dynamics for recognition andclassification，”，MIT AI Lab.，Memo，AIM-2001-019，MIT，2001；Liu etal.，“Finding periodicity in space and time，”IEEE InternationalConference on Computer Vision，pages 376-383，1998；和Polana et al.，“Detecting activities，”Journal of Visual Communication and ImageRepresentation，June 1994。
與基于強(qiáng)度的方法相比，這些方法一般設(shè)法通過(guò)許多幀來(lái)跟蹤活動(dòng)對(duì)象，然后分析其動(dòng)作以尋找周期性或其他提示。檢測(cè)動(dòng)作“式樣”的過(guò)程是十分有效的，并且可以按多標(biāo)度分辨率對(duì)整個(gè)圖像進(jìn)行徹底的搜索。當(dāng)用圖像的大量數(shù)據(jù)組進(jìn)行訓(xùn)練后，這些過(guò)程可以達(dá)到高檢測(cè)率和很低的誤肯定率(false positive rate)。
人體動(dòng)作分析領(lǐng)域很廣，其歷史可以追溯到Hoffman等人的工作“The interpretation of biological motion，”Biological Cybernetics，pages 195-204，1982。大多數(shù)現(xiàn)有技術(shù)的系統(tǒng)都認(rèn)為一半問(wèn)題已經(jīng)解決，即已經(jīng)檢測(cè)了特定類(lèi)型的活動(dòng)對(duì)象(例如人)，剩余的問(wèn)題只是要識(shí)別、分類(lèi)或分析該特定活動(dòng)對(duì)象的動(dòng)作的長(zhǎng)期模式。
近來(lái)，人們對(duì)基于動(dòng)作的方法越來(lái)越感興趣，因?yàn)檫@些方法可能應(yīng)用到監(jiān)視問(wèn)題中。上述Cutler等人對(duì)該領(lǐng)域中的相關(guān)工作作了很好的綜述。他們描述了一種直接對(duì)圖像起作用的系統(tǒng)。他們的系統(tǒng)首先是要進(jìn)行對(duì)象的分割和跟蹤。將這些對(duì)象對(duì)準(zhǔn)對(duì)象的重心。然后，構(gòu)造一種2D格子，對(duì)其進(jìn)行周期分析。
對(duì)象檢測(cè)領(lǐng)域同樣很廣，盡管還不了解同時(shí)能利用強(qiáng)度和動(dòng)作信息進(jìn)行直接行人檢測(cè)的系統(tǒng)。在靜態(tài)強(qiáng)度圖像中，已利用一組例子通過(guò)先提取邊緣再匹配邊緣來(lái)檢測(cè)行人，參見(jiàn)Gavrila et al.，“Real-timeobject detection for“smart”vehicles，”IEEE International Conferenceon Computer Vision，pages 87-93，1999。他們的系統(tǒng)是一種高度優(yōu)化的系統(tǒng)，并且似乎已成為機(jī)動(dòng)車(chē)中的內(nèi)裝候選系統(tǒng)。然而，在每一圖像誤肯定率為2的情況下，所公布的檢測(cè)率約為75％。其他相關(guān)工作包括上述Papageorgiou等人的工作。該系統(tǒng)利用基于過(guò)完全小波訓(xùn)練的支持矢量機(jī)來(lái)檢測(cè)行人。根據(jù)所公布的實(shí)驗(yàn)數(shù)據(jù)，這種系統(tǒng)的誤肯定率大大高于相關(guān)面部檢測(cè)系統(tǒng)的誤肯定率。
因此，需要根據(jù)圖像時(shí)間序列直接提取動(dòng)作的短期模式和外觀信息，以便檢測(cè)諸如行人之類(lèi)的活動(dòng)對(duì)象的情況。

發(fā)明內(nèi)容
本發(fā)明提供了一種通過(guò)同時(shí)綜合圖像強(qiáng)度和動(dòng)作信息來(lái)檢測(cè)特定類(lèi)型的活動(dòng)對(duì)象的系統(tǒng)。通過(guò)一組組合圖像對(duì)一組過(guò)濾器進(jìn)行掃描。例如，過(guò)濾器是矩形的，并通過(guò)對(duì)視頻中的連續(xù)圖像應(yīng)用某些功能來(lái)獲得組合圖像。過(guò)濾器的掃描產(chǎn)生一些特征值?？傆?jì)這些特征并進(jìn)行分類(lèi)。
訓(xùn)練分類(lèi)器，以便利用特定類(lèi)型的對(duì)象(比如行人)的動(dòng)作和外觀信息。過(guò)去的某些方法根據(jù)動(dòng)作信息構(gòu)成一些檢測(cè)器。其他檢測(cè)器基于外觀信息。然而，本發(fā)明則在單個(gè)檢測(cè)器中綜合了動(dòng)作和外觀信息。


圖1是一種根據(jù)本發(fā)明用于檢測(cè)活動(dòng)對(duì)象的方法的流程圖；圖2A是本發(fā)明所用的矩形過(guò)濾器的框圖；圖2B是本發(fā)明所用的矩形過(guò)濾器的框圖；圖2C是本發(fā)明所用的矩形過(guò)濾器的框圖；
圖2D是本發(fā)明所用的矩形過(guò)濾器的框圖；圖2E是本發(fā)明所用的矩形過(guò)濾器的框圖；圖2F是本發(fā)明所用的矩形過(guò)濾器的框圖；圖3A是本發(fā)明所用的組合圖像的框圖；圖3B是本發(fā)明所用的組合圖像的框圖；圖3C是本發(fā)明所用的組合圖像的框圖；圖3D是本發(fā)明所用的組合圖像的框圖；圖3E是本發(fā)明所用的組合圖像的框圖；圖3F是本發(fā)明所用的組合圖像的框圖；圖3G是本發(fā)明所用的組合圖像的框圖；和圖3H是本發(fā)明所用的組合圖像的框圖。
具體實(shí)施例方式
圖1示出了一種用于檢測(cè)時(shí)間排序的圖像序列101(即視頻)中的活動(dòng)對(duì)象105(例如行人)的方法100。所選圖像111從輸入視頻101中得到，例如相鄰對(duì)、重疊對(duì)、每間隔兩個(gè)的圖像等。功能102應(yīng)用120于所選圖像111，以產(chǎn)生組合圖像組121。將組合圖像分割成不同尺寸的檢測(cè)窗或“碎塊”，例如，整個(gè)圖像4個(gè)窗口(每個(gè)為圖像的1/4)，等等。通過(guò)組合圖像組的檢測(cè)窗對(duì)過(guò)濾器200進(jìn)行掃描和評(píng)估，以確定130一些特征131，將這些特征總計(jì)140到累積分C 141中。對(duì)累積分進(jìn)行分類(lèi)150，以判斷特定檢測(cè)窗是否真的含有特定類(lèi)型的活動(dòng)對(duì)象，例如行人105。針對(duì)所有組合圖像的所有檢測(cè)窗重復(fù)151這一過(guò)程，然后針對(duì)視頻101中的所有圖像重復(fù)152這一過(guò)程。
過(guò)濾器、特征和分類(lèi)器如圖2A-2F中所示，我們的動(dòng)態(tài)行人檢測(cè)器采用了Viola等人于2002年7月22日所申請(qǐng)的美國(guó)專(zhuān)利申請(qǐng)系列號(hào)10/200,726“ObjectRecognition System”中所述的矩形過(guò)濾器200，該申請(qǐng)?jiān)诖俗鳛閰⒖肌?br> 圖2F示出了相對(duì)于封閉檢測(cè)窗201(本例組合圖像202中有8個(gè)檢測(cè)窗)的矩形過(guò)濾器200。應(yīng)當(dāng)注意，有幾萬(wàn)種其他簡(jiǎn)單的矩形過(guò)濾器結(jié)構(gòu)可以使用。這些過(guò)濾器可具有不同的尺寸，以便與檢測(cè)窗的尺寸匹配。對(duì)于兩個(gè)矩形過(guò)濾器情況，可從將陰影矩形中的像素的強(qiáng)度總和減去無(wú)陰影矩形中的像素的強(qiáng)度總和。對(duì)于三個(gè)矩形過(guò)濾器情況，可將無(wú)陰影矩形中的像素的總和乘以2，以計(jì)算出陰影像素的兩倍，依次類(lèi)推。利用根據(jù)本發(fā)明的過(guò)濾器，還可以使用其他組合功能。我們優(yōu)先選擇我們的過(guò)濾器的簡(jiǎn)單操作，因?yàn)檫@些過(guò)濾器與現(xiàn)有技術(shù)的更復(fù)雜的過(guò)濾器相比評(píng)估起來(lái)很快。
Viola等人使用了矩形過(guò)濾器，用于檢測(cè)單個(gè)圖像中的靜態(tài)面部。我們以?xún)煞N方式延伸了將他們的工作。第一，我們還使用了其內(nèi)部構(gòu)成是對(duì)角線排列的矩形過(guò)濾器，參見(jiàn)圖2E。對(duì)角線過(guò)濾器其優(yōu)點(diǎn)是適合于檢測(cè)象腿部動(dòng)作那樣的擺動(dòng)。此外，對(duì)角線過(guò)濾器對(duì)不同取向的對(duì)象也敏感。對(duì)角線的角度可以由過(guò)濾器內(nèi)的組成矩形的縱橫比來(lái)控制。第二，我們將過(guò)濾器應(yīng)用于時(shí)間移位圖像的組合，如下所述。取決于其設(shè)計(jì)，這些矩形過(guò)濾器可以按不同比例、取向和縱橫比非常快地進(jìn)行評(píng)估，以測(cè)量區(qū)域平均值。盡管這些過(guò)濾器好像有些限制，然而，顯然它們提供了一些便于對(duì)特定活動(dòng)對(duì)象(比如行人)進(jìn)行精確檢測(cè)的有用信息。
形式上，我們的過(guò)濾器、特征和分類(lèi)器的操作定義如下(其他細(xì)節(jié)參見(jiàn)Viola等人的描述)。圖像特征hi(x)按 被賦予權(quán)重αj或βj，其中，過(guò)濾器fj(x)是圖像x(即檢測(cè)窗)的線性函數(shù)，而θj是預(yù)定過(guò)濾器閾值。累積和C(x)按 被賦予值1或0，其中，hj是圖像x的多個(gè)特征，而T是預(yù)定分類(lèi)器閾值。同時(shí)考慮外觀和動(dòng)作的定義如下所述。
在現(xiàn)有技術(shù)中，動(dòng)作信息按不同方式(包括光流量和塊動(dòng)作估算)從圖像對(duì)中提取。塊動(dòng)作估算需要比較窗的規(guī)格，這決定了估算的比例。這與多比例對(duì)象檢測(cè)完全不兼容。在對(duì)象檢測(cè)情況下，光流量估算通常很耗時(shí)，因?yàn)槊恳幌袼囟夹枰习倩蛏锨l操作。我們要求更快一些。
盡管已利用矩形過(guò)濾器確定分類(lèi)器的特征值描述了本發(fā)明，然而，應(yīng)當(dāng)理解還可以使用其他類(lèi)型的過(guò)濾器。例如，可以用其他線性或非線性過(guò)濾器(比如蓋博過(guò)濾器或高斯過(guò)濾器)來(lái)代替矩形過(guò)濾器。矩形過(guò)濾器的優(yōu)點(diǎn)在于，它們從計(jì)算角度上講評(píng)估起來(lái)很有效。然而，其他類(lèi)型的過(guò)濾器有可能捕捉到更復(fù)雜的動(dòng)作和外觀信息，因此也可能有其優(yōu)點(diǎn)，參見(jiàn)Daugman，“Uncertainty Relation for Resolution inSpace，Spatial Frequency，and Orientation Optimized byTwo-Dimensional Visual Cortical Filters，”J.Opt.Soc.Am.A，vol 2，no 7，pp 1160-1169，July 1985。
組合圖像因此，如圖3A-3H中所示，我們的特征不同于Viola等人所述的那些特征，是對(duì)組合圖像組121進(jìn)行操作?？梢酝ㄟ^(guò)對(duì)所選圖像111應(yīng)用不同的功能102來(lái)確定組合圖像組。例如，所選圖像組包括連續(xù)圖像對(duì)、不相交圖像對(duì)或重疊圖像對(duì)。此外，這個(gè)組還可以包括預(yù)定時(shí)間段上的每間隔9個(gè)的圖像，或者這個(gè)組還可以包括三個(gè)一組的圖像。在所選圖像111中還可能采用其他組合和時(shí)間排序。
功能102在應(yīng)用于所選圖像111時(shí)，得到一個(gè)“組合”圖像。例如，該功能可以只選擇該組中的一個(gè)圖像，如圖3A。這一功能可以彼此減去該組中的所選圖像。在這種情況下，這樣的組合圖像稱(chēng)之為差或Δ圖像，如圖3B。組合圖像中差的絕對(duì)值的和為非零的區(qū)域(例如沿對(duì)象邊緣)相應(yīng)于動(dòng)作。如下所述，還可以確定動(dòng)作的幅度和方向。
可以通過(guò)對(duì)所選圖像111應(yīng)用其他功能102來(lái)確定動(dòng)作的方向。例如，該功能在做差操作之前可以對(duì)組中的圖像進(jìn)行“移位”。這種移位可以是線性的、旋轉(zhuǎn)的、按比例的或它們的組合，以檢測(cè)例如實(shí)質(zhì)上在圖像平面中的線性運(yùn)動(dòng)、環(huán)形運(yùn)動(dòng)或?qū)嵸|(zhì)上與圖像平面垂直的運(yùn)動(dòng)。圖3C和3D示出了上(U)和下(D)移位的圖像，圖3E和3F示出了左(L)和右(R)移位的圖像，圖3G示出了旋轉(zhuǎn)()的圖像，而圖3H示出了按比例(s)的移位。這組功能可表示為
a.I＝It|It+1Δ＝abs(It-It+1)，U＝abs(ItIt+1↑)，D＝abs(It-II+1↓)，L＝abs(It-It+1←)，R＝abs(It-It+1→)，C＝abs(It-It+1)，s＝abs(It-It+1s)，其中，It和It+1是隨著時(shí)間的圖像，另外，箭頭表示線性移位操作，是旋轉(zhuǎn)，而s表示按比例。移位可以是一個(gè)或多個(gè)像素。應(yīng)當(dāng)注意，其他差及其他移位操作也是可能的，只是上述例子針對(duì)我們的用途來(lái)說(shuō)計(jì)算起來(lái)簡(jiǎn)單快捷而已。
一種動(dòng)作特征根據(jù)fi＝ri(Δ)-ri(S)對(duì)差圖像Δ與集合{U，L，R，D，，s}中的一個(gè)或多個(gè)移位圖像之間的絕對(duì)差值的和進(jìn)行比較，其中，S是{U，L，R，D，，s}之一，ri是檢測(cè)窗內(nèi)的和。這些特征提取出與特定區(qū)域正以給定方向移動(dòng)的可能性相關(guān)的信息。
另一種動(dòng)作特征根據(jù)fj＝фj(S)對(duì)同一圖像內(nèi)的和進(jìn)行比較，其中，фj是像圖2A-2F中所示的例子那樣的過(guò)濾器。這些特征近似于測(cè)量動(dòng)作修剪。
另一種動(dòng)作特征按照f(shuō)k＝rk(S)測(cè)量運(yùn)動(dòng)圖像之一的動(dòng)作幅度。
動(dòng)作幅度還可以由組中的圖像之間的時(shí)間差來(lái)確定。
我們還可以利用外觀特征，這些特征使用根據(jù)fm＝ф(It)對(duì)組中單個(gè)圖像進(jìn)行操作的過(guò)濾器。
應(yīng)當(dāng)注意，一旦在圖像的某一區(qū)域中檢測(cè)到活動(dòng)對(duì)象，就有可能跟蹤后續(xù)圖像中的對(duì)象，以便更好地理解動(dòng)作的幅度和方向。由于活動(dòng)對(duì)象的位置是知道的，因此，只需要評(píng)估少部分后續(xù)圖像，這可以以快得多的幀速率來(lái)完成。
這些動(dòng)作特征以及外觀信息可以利用功能{It，Δ，U，D，L，R，，s}中的“綜合圖像”進(jìn)行快速評(píng)估。由于過(guò)濾器可以具有任何尺寸、縱橫比或取向，因此，只要它們符合檢測(cè)窗，就有很多種可能的動(dòng)作和外觀特征。過(guò)濾器還可以按不同的尺寸來(lái)定標(biāo)。所有這些都可以存儲(chǔ)在緩存器中以便快速處理。在訓(xùn)練期間，可以選擇最能區(qū)分肯定例子與否定例子的特征。
動(dòng)作特性131 Fj為 而累積分141為 圖像錐為了支持多比例檢測(cè)，功能102{↑，↓，←，→，，s}根據(jù)檢測(cè)比例來(lái)定義。這就可以保證按比例不變的方式來(lái)測(cè)量動(dòng)作速率。比例不變性可以在訓(xùn)練期間通過(guò)按基本分辨率20×15像素定標(biāo)訓(xùn)練圖像來(lái)取得。檢測(cè)的比例不變性通過(guò)對(duì)圖像錐進(jìn)行操作來(lái)取得。最初，計(jì)算It和It+1的錐。{Δ，U，D，L，R，，s}的錐表示計(jì)算如下Δl＝abs(Ilt-Ilt+1)，Ul＝abs(Ilt-Ilt+1↑)，Dl＝abs(Ilt-Ilt+1↓)，Ll＝abs(Ilt-Ilt+1←)，Rl＝abs(Ilt-Ilt+1→)，1＝abs(Ilt-Ilt+1)，和sl＝abs(Ilt-Ilt+1s)，其中，Xl是指錐的第l級(jí)。從定標(biāo)為20×15訓(xùn)練圖像學(xué)習(xí)到的分類(lèi)器和特征按比例不變的方式對(duì)錐的每一級(jí)進(jìn)行操作。
訓(xùn)練訓(xùn)練過(guò)程利用Adaboost來(lái)選擇特征子集并構(gòu)造分類(lèi)器。Adaboost提供了一種有效學(xué)習(xí)算法和通用性能的強(qiáng)界限，參見(jiàn)Freund ea a1.，“A decision-theoretic generalization of on-line learning andapplication to boosting,”Computational Learning Theory，Eurocolt’95，pages 23-37.，Springer-Verlag，1995；Schapire et al.，“Boosting the marginA new explanation for the effectiveness ofvoting methods，”P(pán)roceedings of the Fourteenth InternationalConference on Machine Learning，1997；和Tieu et al.，“Boostingimage retrieval，”International Conference on Computer Vision，2000。
發(fā)明的效果本發(fā)明提供了一種用于檢測(cè)視頻序列中的活動(dòng)對(duì)象的方法。該方法利用了矩形過(guò)濾器，通過(guò)組合圖像對(duì)這種過(guò)濾器進(jìn)行掃描以確定組合圖像的特征?？傆?jì)這些特征，以檢測(cè)諸如行人之類(lèi)的特定活動(dòng)對(duì)象。
盡管本發(fā)明利用幾例優(yōu)選實(shí)施方式進(jìn)行了描述，然而，應(yīng)當(dāng)理解，在本發(fā)明的思想和范圍內(nèi)可以作出其他不同的變動(dòng)和修改。因此，附屬權(quán)利要求書(shū)的目的在于，覆蓋本發(fā)明的真實(shí)思想和范圍內(nèi)的所有這些變化和修改。
權(quán)利要求
1.一種用于檢測(cè)視頻的圖像時(shí)間序列中的活動(dòng)對(duì)象的方法，包括從時(shí)間排序的圖像序列中選擇圖像；對(duì)所選圖像應(yīng)用一組功能，以產(chǎn)生一組組合圖像；在所述組合圖像組中的檢測(cè)窗上評(píng)估過(guò)濾器的線性組合，以確定該檢測(cè)窗的動(dòng)作和外觀特征；總計(jì)所述動(dòng)作和外觀特征，以確定累積分；和當(dāng)該累積分大于預(yù)定閾值時(shí)，將該檢測(cè)窗分類(lèi)為含有活動(dòng)對(duì)象的檢測(cè)窗。
2.權(quán)利要求1的方法，其中，活動(dòng)對(duì)象是行人。
3.權(quán)利要求1的方法，其中，所選圖像是一對(duì)相鄰的圖像。
4.權(quán)利要求1的方法，其中，針對(duì)整個(gè)視頻重復(fù)進(jìn)行所述選擇、應(yīng)用、評(píng)估、總計(jì)和分類(lèi)。
5.權(quán)利要求1的方法，還包括將每一組合圖像分割成一組檢測(cè)窗；和針對(duì)每一檢測(cè)窗重復(fù)進(jìn)行所述評(píng)估、總計(jì)和分類(lèi)。
6.權(quán)利要求1的方法，其中，特定過(guò)濾器的內(nèi)部部件是矩形的并且是以對(duì)角線排列的。
7.權(quán)利要求6的方法，其中，使每一矩形過(guò)濾器的尺寸與相關(guān)的檢測(cè)窗匹配。
8.權(quán)利要求1的方法，其中，特定特征hj按 被評(píng)估為權(quán)重αj或βj，其中，特定過(guò)濾器fj(x)是檢測(cè)窗x的線性函數(shù)，而θj是預(yù)定過(guò)濾器閾值。
9.權(quán)利要求8的方法，其中，特定累積和C(x)按 被賦予值1或0，其中，hj是檢測(cè)窗x的多個(gè)評(píng)估特征，而T是預(yù)定分類(lèi)器閾值。
10.權(quán)利要求1的方法，其中，特定組合圖像是所選圖像的差。
11.權(quán)利要求1的方法，其中，特定組合圖像是移位的所選圖像的差。
12.權(quán)利要求11的方法，其中，移位是線性的。
13.權(quán)利要求11的方法，其中，移位是旋轉(zhuǎn)的。
14.權(quán)利要求11的方法，其中，移位是按比例的。
15.權(quán)利要求1的方法，其中，所述功能組根據(jù)檢測(cè)窗的比例來(lái)定義。
16.權(quán)利要求1的方法，還包括確定活動(dòng)對(duì)象的動(dòng)作方向。
17.權(quán)利要求1的方法，還包括確定活動(dòng)對(duì)象的動(dòng)作幅度。
18.權(quán)利要求1的方法，其中，過(guò)濾器是矩形過(guò)濾器。
19.權(quán)利要求19的方法，其中，過(guò)濾器是線性的。
20.權(quán)利要求1的方法，其中，過(guò)濾器是非線性的。
全文摘要
一種方法檢測(cè)圖像時(shí)間序列中的活動(dòng)對(duì)象。從時(shí)間排序的圖像序列中選擇圖像。對(duì)所選圖像應(yīng)用一組功能，以產(chǎn)生一組組合圖像。對(duì)組合圖像組中的檢測(cè)窗應(yīng)用過(guò)濾器的線性組合，以確定檢測(cè)窗的動(dòng)作和外觀特征。總計(jì)動(dòng)作和外觀特征，以確定累積分，這使得可以將檢測(cè)窗分類(lèi)為含有活動(dòng)對(duì)象的檢測(cè)窗。
文檔編號(hào)G06K9/46GK1698069SQ20048000054
公開(kāi)日2005年11月16日 申請(qǐng)日期2004年5月31日 優(yōu)先權(quán)日2003年6月17日
發(fā)明者保羅·A·維奧拉, 邁克·J·瓊斯 申請(qǐng)人:三菱電機(jī)株式會(huì)社