專利名稱：物體檢測的方法及層次型物體檢測器中分類器的訓練方法
技術領域：
本發(fā)明涉及模式識別技術領域，特別是涉及一種物體檢測的方法和系統(tǒng)，以 及，一種層次型物體檢測器中分類器的訓練方法和系統(tǒng)。
背景技術：
隨著計算機技術的迅速發(fā)展，計算機處理能力得到了大幅度的提升，出現(xiàn)了模 式識別、運動檢測等許多新興的技術手段，其中，物體檢測作為模式識別技術的一種， 在越來越多的領域得到了廣泛的應用。物體檢測，是指從靜態(tài)或視頻圖像中獲取一定區(qū) 域中存在的物體的數目、位置和大小。物體檢測技術在智能視頻監(jiān)控、智能交通管理、 視頻分析和圖片檢索等各領域有著重要的實用價值。
目前，物體檢測技術主要分為兩類，包括
一、啟發(fā)式規(guī)則方法
該方法根據物體的外在形狀和顏色等特點，設定一定的規(guī)則來獲取物體區(qū)域。 這類方法由于其固有的內在缺陷造成適應性較差，當外部的光照條件、使用場合的背景 等因素發(fā)生變化時，會嚴重影響檢測的精度，因此此類方法應用場景比較局限。
二、分類器訓練方法
該方法采集在各種不同的光照條件、背景環(huán)境和各種姿態(tài)條件下的物體樣本， 采用模式識別領域普遍使用的分類器訓練的方法進行訓練，得到物體區(qū)域的模型，再利 用該模型對未知的圖像或視頻進行判定。由于該方法相對第一類方法具有更好的檢測效 果，從而得到了廣泛使用。
近年來，自適應增強算法(Adaboost)作為模式識別領域的一種重要的分類器設 計方法取得了包括人體檢測等在內的大量成功應用，該方法實現(xiàn)簡單且檢測速度較快。 曾有方案提出將成功用于人體檢測領域的基于微結構特征和Adaboost的方法用于物體檢 測，雖然所述方案的檢測速度較快，但是檢測效果卻不夠理想，無法滿足實用的要求。
此外，支持向量機6VM)是另一種廣泛使用的分類器，該分類器相對Adaboost 具有更佳的泛化能力，同樣有人嘗試采用基于SVM分類器的物體檢測算法，也獲得了很 好的檢測效果，但是該方法存在著檢測速度極慢的問題，從而使該方案無法應用于實時 運行的系統(tǒng)中，因此大大限制了該方案的應用場景。
因而，目前需要本領域技術人員迫切解決的一個技術問題就是如何能夠創(chuàng)新 地提出一種兼顧物體檢測的速度和精度的物體檢測方案，以提高物體檢測的速度并獲得 較好的物體檢測效果。發(fā)明內容
本發(fā)明所要解決的技術問題是提供一種物體檢測的方法和系統(tǒng)，以及，一種層 次型物體檢測器中分類器的訓練方法和系統(tǒng)，以提高物體檢測的速度并獲得較好的物體 檢測效果。
為了解決上述技術問題，本發(fā)明實施例公開了一種物體檢測的方法，包括
將輸入圖像預處理為S個不同尺度的待檢測圖像，其中，S大于或等于1;
采用層次型物體檢測器對所述待檢測圖像的各個位置進行判定，若當前位置通 過了當前層，則繼續(xù)到下一層進行判定；否則，認為當前位置不是所述待檢測圖像的候 選位置；其中，所述層次型物體檢測器由一個或者多個分類器組成，每層分類器依據一 個或多個局部子分類器的輸出特征計算得到，所述局部子分類器依據相應樣本圖像中多 個特定子區(qū)域的紋理特征構造獲得；
其中，在每層分類器中判定的過程包括
提取所述待檢測圖像中相應特定子區(qū)域的紋理特征；
依據所述紋理特征分別計算各特定子區(qū)域所對應的局部子分類器的輸出特征；
依據所述輸出特征判斷當前位置是否通過當前層。
優(yōu)選的，所述紋理特征為邊緣方向直方圖特征，所述提取待檢測圖像中相應特 定子區(qū)域的紋理特征的步驟包括
遍歷所述待檢測圖像的各像素點，獲得各像素點的邊緣方向和邊緣強度；
確定所述待檢測圖像中相應的特定子區(qū)域；
依據所述各像素點的邊緣方向和邊緣強度，分別計算各特定子區(qū)域的邊緣方向 直方圖。
優(yōu)選的，所述特定子區(qū)域為多個相鄰子區(qū)域，所述紋理特征為所述多個子區(qū)域 的聯(lián)合方向直方圖特征，所述提取待檢測圖像中相應特定子區(qū)域的紋理特征的步驟包 括
遍歷所述待檢測圖像的各像素點，獲得各像素點的邊緣方向和邊緣強度；
確定所述待檢測圖像中相應的特定子區(qū)域；
依據所述各像素點的邊緣方向和邊緣強度，分別計算各特定子區(qū)域的邊緣方向 直方將所述多個相鄰子區(qū)域的邊緣方向直方圖首尾相接組成聯(lián)合邊緣方向直方對所述聯(lián)合方向直方圖進行歸一化。
優(yōu)選的，所述歸一化為將聯(lián)合方向直方圖的每個值除以其1范數或2范數。
優(yōu)選的，所述相鄰子區(qū)域的數目為2、3、或4，位置關系為兩兩水平相鄰，兩 兩垂直相鄰或兩兩對角相鄰。
優(yōu)選的，所述S個待檢測圖像依次由大到小并且相鄰尺度圖像的長寬比為一固定值。S
優(yōu)選的，所述每層分類器的形式為其中，P為局部子分類器的輸出特 征，lis(p)為查找表類型的弱分類器，S為包含的局部子分類器的數目。τ
優(yōu)選的，所述局部子分類器的輸出特征為付0) = Σ矣(Χ)或
權利要求
1.一種物體檢測方法，其特征在于，包括將輸入圖像預處理為S個不同尺度的待檢測圖像，其中，S大于或等于1; 采用層次型物體檢測器對所述待檢測圖像的各個位置進行判定，若當前位置通過了 當前層，則繼續(xù)到下一層進行判定；否則，認為當前位置不是所述待檢測圖像的候選位 置；其中，所述層次型物體檢測器由一個或者多個分類器組成，每層分類器依據一個或 多個局部子分類器的輸出特征計算得到，所述局部子分類器依據相應樣本圖像中多個特 定子區(qū)域的紋理特征構造獲得；其中，在每層分類器中判定的過程包括 提取所述待檢測圖像中相應特定子區(qū)域的紋理特征；依據所述紋理特征分別計算各特定子區(qū)域所對應的局部子分類器的輸出特征； 依據所述輸出特征判斷當前位置是否通過當前層。
2.如權利要求1所述的方法，其特征在于，所述紋理特征為邊緣方向直方圖特征，所 述提取待檢測圖像中相應特定子區(qū)域的紋理特征的步驟包括遍歷所述待檢測圖像的各像素點，獲得各像素點的邊緣方向和邊緣強度； 確定所述待檢測圖像中相應的特定子區(qū)域；依據所述各像素點的邊緣方向和邊緣強度，分別計算各特定子區(qū)域的邊緣方向直方圖。
3.如權利要求1所述的方法，其特征在于，所述特定子區(qū)域為多個相鄰子區(qū)域，所述 紋理特征為所述多個子區(qū)域的聯(lián)合方向直方圖特征，所述提取待檢測圖像中相應特定子 區(qū)域的紋理特征的步驟包括遍歷所述待檢測圖像的各像素點，獲得各像素點的邊緣方向和邊緣強度； 確定所述待檢測圖像中相應的特定子區(qū)域；依據所述各像素點的邊緣方向和邊緣強度，分別計算各特定子區(qū)域的邊緣方向直方圖；將所述多個相鄰子區(qū)域的邊緣方向直方圖首尾相接組成聯(lián)合邊緣方向直方圖； 對所述聯(lián)合方向直方圖進行歸一化。
4.如權利要求3所述的方法，其特征在于，所述歸一化為將聯(lián)合方向直方圖的每個值 除以其1范數或2范數。
5.如權利要求3或4所述的方法，其特征在于，所述相鄰子區(qū)域的數目為2、3、或 4，位置關系為兩兩水平相鄰，兩兩垂直相鄰或兩兩對角相鄰。
6.如權利要求1、2或3所述的方法，其特征在于，所述S個待檢測圖像依次由大到 小并且相鄰尺度圖像的長寬比為一固定值。s
7.如權利要求1所述的方法，其特征在于，所述每層分類器的形式為Σ^ Ρ)其中，P為局部子分類器的輸出特征，hs(ρ)為查找表類型的弱分類器，S為包含的局部子 分類器的數目。
8.如權利要求1或7所述的方法，其特征在于，所述局部子分類器的輸出特征為
9.一種層次型物體檢測器中分類器的訓練方法，其特征在于，包括 采集樣本圖像；在樣本圖像中，劃分多個不同大小、不同位置的子區(qū)域； 提取各子區(qū)域的紋理特征；依據所有樣本圖像中相應子區(qū)域的紋理特征，構造該子區(qū)域的局部子分類器； 依據所有子區(qū)域的局部子分類器的輸出構造分類器。
10.如權利要求9所述的方法，其特征在于，所述紋理特征為邊緣方向直方圖特征， 在樣本圖像中劃分多個不同大小、不同位置的子區(qū)域步驟之前，所述方法還包括計算所述樣本圖像中各像素點的邊緣方向和邊緣強度； 所述提取各子區(qū)域的紋理特征的步驟包括依據所述各像素點的邊緣方向和邊緣強度，分別計算各子區(qū)域的邊緣方向直方圖。
11.如權利要求9所述的方法，其特征在于，所述子區(qū)域為多個相鄰子區(qū)域，所述紋 理特征為聯(lián)合方向直方圖特征，在樣本圖像中劃分多個不同大小、不同位置的子區(qū)域步 驟之前，所述方法還包括計算所述樣本圖像中各像素點的邊緣方向和邊緣強度； 所述提取各子區(qū)域的紋理特征的步驟包括依據所述各像素點的邊緣方向和邊緣強度，分別計算各子區(qū)域的邊緣方向直方圖， 并將所述多個相鄰子區(qū)域的邊緣方向直方圖首尾相接組成聯(lián)合方向直方圖； 對所述聯(lián)合方向直方圖進行歸一化。
12.如權利要求11所述的方法，其特征在于，所述歸一化為將聯(lián)合方向直方圖的每個 值除以其1范數或2范數。
13.如權利要求11或12所述的方法，其特征在于，所述相鄰子區(qū)域的數目為2、3、 或4，位置關系為兩兩水平相鄰，兩兩垂直相鄰或兩兩對角相鄰。
14.如權利要求9所述的方法，其特征在于，所述依據所有樣本圖像中相應子區(qū)域的 紋理特征構造該子區(qū)域的局部子分類器的步驟包括將所有樣本圖像中相應子區(qū)域的紋理特征作為第一候選弱特征，采用 adaboost算法對所述第一候選弱特征進行選擇和訓練，獲得局部子分類器為
15.如權利要求14所述的方法，其特征在于，所述局部子分類器的連續(xù)型的輸出形式 ττ為t A(X)或Σ A "^(Χ)所述依據所有子區(qū)域的局部子分類器的輸出構造分類器的步驟包括將各子區(qū)域局部子分類器的連續(xù)型的輸出形式作為第二候選弱特征； 采用Adaboost算法對所述第二候選弱特征進行選擇和訓練，獲得強分類器。
16.如權利要求10所述的方法，其特征在于，所述依據所有子區(qū)域的局部子分類器的 輸出構造分類器的步驟還包括預置所述強分類器的訓練輪數為所述第二候選弱特征數目的平方根取整。
17.如權利要求9所述的方法，其特征在于，還包括針對某一待檢測物體分別采用不同的樣本圖像訓練生成多個分類器，將所述多個分 類器組成層次型物體檢測器。
18.—種物體檢測系統(tǒng)，其特征在于，包括預處理模塊，用于將輸入圖像預處理為S個不同尺度的待檢測圖像，其中，S大于或 等于1;物體檢測模塊，用于采用層次型物體檢測器對所述待檢測圖像的各個位置進行判 定，若當前位置通過了當前層，則繼續(xù)到下一層進行判定；否則，認為當前位置不是所 述待檢測圖像的候選位置；其中，所述層次型物體檢測器由一個或者多個分類器組成， 每層分類器依據一個或多個局部子分類器的輸出特征計算得到，所述局部子分類器依據 相應樣本圖像中多個特定子區(qū)域的紋理特征構造獲得； 針對每層分類器，所述物體檢測模塊包括特征提取單元，用于提取所述待檢測圖像中相應特定子區(qū)域的紋理特征； 輸出特征計算單元，用于依據所述紋理特征分別計算各特定子區(qū)域所對應的局部子 分類器的輸出特征；檢測單元，用于依據所述輸出特征判斷當前位置是否通過當前層。
19.如權利要求18所述的系統(tǒng)，其特征在于，所述紋理特征為邊緣方向直方圖特征， 所述特征提取單元包括邊緣強度和邊緣方向計算子單元，用于遍歷所述待檢測圖像的各像素點，獲得各像 素點的邊緣方向和邊緣強度；特定子區(qū)域確定子單元，用于確定所述待檢測圖像中相應的特定子區(qū)域； 邊緣方向直方圖提取子單元，用于依據所述各像素點的邊緣方向和邊緣強度，分別 計算各特定子區(qū)域的邊緣方向直方圖。
20.如權利要求18所述的系統(tǒng)，其特征在于，所述特定子區(qū)域為多個相鄰子區(qū)域，所 述紋理特征為所述多個子區(qū)域的聯(lián)合方向直方圖特征，所述特征提取單元包括邊緣強度和邊緣方向計算子單元，用于遍歷所述待檢測圖像的各像素點，獲得各像 素點的邊緣方向和邊緣強度；特定子區(qū)域確定子單元，用于確定所述待檢測圖像中相應的特定子區(qū)域； 邊緣方向直方圖計算單元，用于依據所述各像素點的邊緣方向和邊緣強度分別計算 各特定子區(qū)域的邊緣方向直方圖；聯(lián)合直方圖計算單元，用于將所述多個相鄰子區(qū)域的邊緣方向直方圖首尾相接組成 聯(lián)合方向直方圖；歸一化處理單元，用于對所述聯(lián)合方向直方圖進行歸一化。
全文摘要
本發(fā)明公開了一種物體檢測的方法和系統(tǒng)，以及，一種層次型物體檢測器中分類器的訓練方法和系統(tǒng)。其中，所述物體檢測的方法包括將輸入圖像預處理為S個不同尺度的待檢測圖像，其中，S大于或等于1；采用層次型物體檢測器對所述待檢測圖像的各個位置進行判定，若當前位置通過了當前層，則繼續(xù)到下一層進行判定；否則，認為當前位置不是所述待檢測圖像的候選位置；其中，在每層分類器中判定的過程包括提取所述待檢測圖像中相應特定子區(qū)域的紋理特征；依據所述紋理特征分別計算各特定子區(qū)域所對應的局部子分類器的輸出特征；依據所述輸出特征判斷當前位置是否通過當前層。本發(fā)明可以提高物體檢測的速度并獲得較好的物體檢測效果。
文檔編號G06K9/46GK102024149SQ20091009309
公開日2011年4月20日 申請日期2009年9月18日 優(yōu)先權日2009年9月18日
發(fā)明者鄧亞峰 申請人:北京中星微電子有限公司