CN101356539A - 在摄像机获取的场景的测试图像中检测人物的方法和系统 - Google Patents

在摄像机获取的场景的测试图像中检测人物的方法和系统 Download PDF

Info

Publication number
CN101356539A
CN101356539A CNA2007800013141A CN200780001314A CN101356539A CN 101356539 A CN101356539 A CN 101356539A CN A2007800013141 A CNA2007800013141 A CN A2007800013141A CN 200780001314 A CN200780001314 A CN 200780001314A CN 101356539 A CN101356539 A CN 101356539A
Authority
CN
China
Prior art keywords
test pattern
personage
image
classifier
feature
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CNA2007800013141A
Other languages
English (en)
Inventor
什穆埃尔·阿维丹
朱强
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Mitsubishi Electric Corp
Original Assignee
Mitsubishi Electric Corp
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Mitsubishi Electric Corp filed Critical Mitsubishi Electric Corp
Publication of CN101356539A publication Critical patent/CN101356539A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
    • G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
    • G06V40/103—Static body considered as a whole, e.g. static pedestrian or occupant recognition
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
    • G06V10/443—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components by matching or filtering
    • G06V10/446—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components by matching or filtering using Haar-like filters, e.g. using integral image techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/50—Extraction of image or video features by performing operations within image blocks; by using histograms, e.g. histogram of oriented gradients [HoG]; by summing image-intensity values; Projection analysis
    • G06V10/507—Summing image-intensity values; Histogram projection analysis

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Multimedia (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Human Computer Interaction (AREA)
  • Image Analysis (AREA)
  • Image Processing (AREA)

Abstract

提出了一种用于在由摄像机获取的场景的图像序列中检测人物的方法和系统。图像中像素的梯度被确定并被分选到直方图的条中。针对直方图的每个条存储积分图像。从所述积分图像中提取特征，提取的所述特征对应于实质上较大集合的子集，其中所述较大集合是所述测试图像中可变大小且随机选择的像素块的集合。所述特征被应用于级联分类器以确定所述测试图像是否包括人物。

Description

在摄像机获取的场景的测试图像中检测人物的方法和系统
技术领域
本发明一般地涉及计算机视觉，更具体地涉及在由摄像机获取的场景的图像中检测人物。
背景技术
在由摄像机获取的场景的图像序列中检测人脸是相对容易的。然而，检测人物仍是一个难题，原因在于由于衣着、关节和场景中的照明条件而导致人物的外貌发生很大变化。
主要有两类使用计算机视觉方法来检测人物的方法，参见D.M.Gavrila、“The visual analysis of human movement：A survey”，Journal ofComputer Vision and Image Understanding(CVIU)，vol.73，no.1，pp.82-98，1999。一类方法使用基于部分的分析，而另一类使用单个检测窗分析。针对这些方法的不同特征和不同分类器是公知的。
基于部分的方法目的是处理由于人体关节而导致的人的外貌的巨大可变性。在该方法中，每个部分被分别地检测，并且这些部分中的一些或全部呈几何上看似合理的结构时检测出人物。
用图来描绘结构的方法通过利用弹簧连接的对象的多个部分来描述一个对象。每个部分利用不同尺度和方向的高斯微分滤波器表示，参见P.Felzenszwalb和D.Huttenlocher的“Pictorial structures for objectrecognition”，International Journal of Computer Vision(IJCV)，vol.61，no.1，pp.55-79，2005。
另一种方法将多个部分表示为直圆柱体的投影，参见S.Ioffe和D.Forsyth的“Probabilistic methods for finding people”，International Journal ofComputer Vision(IJCV)，vol.43，no.1，pp.45-68，2001。他们描述了逐渐地将多个部分组装成一个完整的人体组件的方式。
另一种方法将多个部分表示为局部方向特征的共存，参见K.Mikolajczyk、C.Schmid和A.Zisserman的“Human detection based on aprobabilistic assembly of robust part detectors”，European Conference onComputer Vision(ECCV)，2004。他们对特征进行检测，然后对多个部分进行检测，最后基于这些部分的组装来检测人物。
检测窗方法包括使用倒角距离将边缘图像与数据集进行比较的方法，参见D.M.Gavrila和V.Philomin的“Real-time object detection for smartvehicles”，Conference on Computer Vision and Pattern Recognition(CVPR)，1999。另一个方法对用于运动人物的检测的时空信息进行处理，参见P.Viola、M.Jones和D.Snow的“Detecting pedestrians using patterns of motionand appearance”，International Conference on Computer Vision(ICCV)，2003。
第三种方法使用与多项式支持向量机(SVM)分类器相结合的基于Haar的表示参见C.Papageorgiou和T.Poggiom的“A trainable system forobject detection”，International Journal of Computer Vision(IJCV)，vol.38，no.1，pp.15-33，2000。
Dalal & Triggs方法
另一种基于窗的方法使用梯度方向的直方图(HoG)的密集网格，参见N.Dalal和B.Triggs的“Histograms of oriented gradients for humandetection”，Conference on Computer Vision and Pattern Recognition(CVPR)，2005，通过引用将其合并于此。
Dalal和Triggs对具有16×16像素固定大小的块计算直方图来表示检测窗。该方法使用线性SVM分类器来检测人物。此外，该方法对于对象表示是有用的，参见D.Lowe的“Distinctive image features fromscale-invariant key points”，International Journal of Computer Vision(IJCV)，vol.60，no.2，pp.91-110，2004；K.Mikolajczyk、C.Schmid和A.Zisserman的“Human detection based on a probabilistic assembly of robust partdetectors”，European Conference on Computer Vision(ECCV)，2004；以及J.M.S.Belongie和J.Puzicha的“Shape matching object recognition usingshape contexts”，IEEE Transactions on Pattern Analysis and MachineIntelligence(PAMI)，vol.24，no.24，pp.509-522，2002。
在Dalal&Triggs方法中，每个检测窗被划分为大小是8×8像素的单元，并且每组2×2单元以滑动方式被结合成16×16的块，从而这些块彼此重叠。从这些单元中提取图像特征，并且将这些特征分选(sort)到9个条(bin)的梯度直方图(HoG)中。每个窗由这些单元的所有特征向量的级连向量表示。因而，每个块由被归一化为L2单元长度的36维特征向量表示。每个64×128检测窗由7×15个块表示，得到每个检测窗总共3780个特征。这些特征用于训练线性SVM分类器。
Dalal & Triggs方法依赖于以下组成部分。HoG是基本的构建块。跨过整个固定大小检测窗的HoG的密集网格提供了对该检测窗的特征描述。第三，与绝对值相对的是，在每个块之内的L2归一化步骤强调了关于相邻单元的相对特性。他们使用了被训练用于对象/非对象分类的软常规线性SVM。高斯核SVM以高得多的运行时间为代价而对性能略有提高。
不幸的是，Dalal & Triggs方法中的块具有相对小的固定16×16像素大小。因而，在检测窗中仅能够检测到局部特征。它们不能够检测“大图像”或者全局特征。
此外，Dalal & Triggs方法仅能够大约每秒一帧地处理320×240像素图像，即使是非常稀疏的扫描方法也只能计算每幅图像大约800个检测窗。因此，Dalal & Triggs方法对于实时应用来说是不适当的。
梯度方向的积分直方图(Integral Histograms of Orientated Gradients)
使用已知的矩形滤波器可以将积分图像用于Haar小波类型特征的非常快速估计，参见P.Viola和M.Jones的“Rapid object detection using aboosted cascade of simple features”，Conference on Computer Vision andPattern Recognition(CVPR)，2001；以及由Jones等人于2003年6月17日提出的U.S.专利申请No.10/463726，“Detecting Arbitrarily OrientedObjects in Images”；通过引用将这两篇文献合并于此。
积分图像还可以用于对可变矩形图像区域计算直方图，参见F.Porikli的“Integral histogram：A fast way to extract histograms in Cartesianspaces”，Conference on Computer Vision and Pattern Recognition(CVPR)，2005；以及由Porikli于2005年2月7日提出的U.S.专利申请No.11/052598，“Method for Extracting and Searching Integral Histograms ofData Samples”；通过引用将这两篇文献合并于此。
发明内容
根据本发明的一个实施方式的方法和系统将级联分类器与从积分图像中提取的特征结合起来，以实现快速和准确的人物检测。这些特征是可变大小的块的HoG。这些HoG特征表现了人物的显著特性。这些块的子集是从一个大的可能的块的集合中随机选择的。AdaBoost技术用于训练级联分类器。根据图像被扫描的密度，该系统能够以高达每秒30帧的速率来处理图像，同时保持与常规方法近似的精度。
发明效果
用于检测静态图像中的人物的方法将级联分类器与梯度方向特征的直方图结合起来。另外，特征是从大小、位置和纵横比可变的块的非常大的集合中提取出来，集合大小大约是常规方法的50倍。明显地，即使具有大量的块，该方法也能够比常规方法快大约70倍地执行。该系统能够以高达每秒30帧的速率处理图像，使得我们的方法适于实时应用。
尽管已经以优选实施方式为例描述了本发明，但应理解，在本发明的精神和范围内可以做出各种其他的修改和变型。因此，所附权利要求的目的是涵盖落入本发明的真实精神和范围内的所有这种改变和变型。
附图说明
附图1是用于训练分类器并使用训练的分类器来检测图像中的人物的系统和方法的框图；以及
附图2是根据本发明的一个实施方式用于检测测试图像中的人物的方法的流程图。
具体实施方式
附图1是使用训练图像的集合1来训练(10)分类器15并使用训练的分类器15在一个或更多个测试图像101中检测(20)人物21的系统和方法的框图。用于从训练图像和测试图像中提取特征的方法是相同的。由于训练是在一次的预处理阶段中执行，因此对该训练将在后面进行描述。
附图2示出了根据我们的发明的一个实施方式用于在由摄像机104获取的场景103的一个或更多个测试图像101中检测人物21的方法100。
首先，我们确定(110)每个像素的梯度(gradient)。对于每个单元，我们确定该单元中像素的梯度方向(orientation)的加权和，其中权重是基于梯度的幅度。将这些梯度分选到梯度直方图(HoG)111的9个条中。我们将针对HoG中每个条的积分图像121存储(120)在存储器中。这得到了针对本发明的该实施方式的9个积分图像(integral image)。这些积分图像用于有效地提取(130)HoG形式的特征131，这些特征实际上对应于实质上较大集合的子集，该较大集合是输入图像中可变大小且随机选择(140)的矩形区域(像素块)的集合。随后将选择的特征141应用于级联分类器15以确定(150)测试图像101是否包括人物。
我们的方法100与Dalal和Triggs所描述的方法有很大的不同。Dalal和Triggs在针对每个块创建HoG时采用高斯掩模(Gaussian mask)和三线性插值(tri-linear interpolation)。我们没有将这些技术应用于积分图像。Dalal和Triggs对每个块采用L2归一化步骤。而是，我们采用L1归一化。对于积分图像的计算来说，L1归一化要比L2归一化快。Dalal & Triggs方法主张使用单一尺度，也就是固定大小的块，即16×16像素。他们认为使用多尺度以极大增加描述符的大小为代价而仅对性能有少量提高。由于他们的块相对小，所以仅能检测局部特征。他们还使用了常规的软SVM分类器。我们使用了级联强分类器，每个强分类器由弱分类器组成。
可变大小的块
直观地与Dalal&Triggs方法相反，我们使用积分图像121从大量可变大小的块中提取(130)特征131。具体地说，对于64×128的检测窗，我们考虑大小在从12×12到64×128的范围内的所有的块。块(矩形区域)宽度和块高度之间的比率可以是以下比率中的任意一个：1∶1、1∶2和2∶1。
而且，当滑动我们的检测窗时，我们根据块的大小而选择一个小的步长大小以获得重叠块的密集网格，该步长大小可以是{4，6，8}像素中的任意一个。总共，在64×128的检测窗中限定了5031个可变大小的块，并且每个块与都以36维向量131形式的直方图相关联，该直方图是通过在块的4个2×2子区域内级连9个方向条(orientation bin)而获得。
我们相信，与Dalal & Triggs方法相比，可变大小的块的非常大的集合是有利的。首先，对于特定对象种类，有用的模式趋向于分布在不同的尺度(scale)上。Dalal & Triggs的常规(105)固定大小的块仅编码了非常有限的局部信息。相反地，我们对局部和全局信息都进行了编码。第二，在我们的5031个块的大得多的集合中一些块能够对应于人物的语义上的人体部分，例如，四肢或者躯干。这使得能够更有效地检测图像中的人物。象现有技术中那样，少量固定大小的块不大可能建立这种映射。我们使用的HoG特征对于局部变化是稳健(robust)的，同时可变大小的块能够捕获全局图像。另外一种看待我们的方法的方式是使用检测窗方法以隐含方式进行基于部分的检测。
对特征进行抽样
针对非常大量可能的块(5301个)中的每一个来计算特征可能是非常耗时的。因此，我们采用由B.Scholkopf和A.Smola描述的抽样方法，参见“Learning with Kernels Support Vector Machines”，Regularization，Optimization and Beyond。MIT Press，Cambridge，MA，2002，通过引用将其合并于此。
他们认为一个人在少量的试验中能够以很高的概率找到m个随机变量(即我们的方法中的特征向量131)中的最大值。更具体地说，为了在所有估计值中的最优的0.05中获得概率为0.95的估计值，大小为log0.05/log0.95≈59的随机二次抽样确保了与所有随机变量均被考虑的情况下几乎一样好的性能。在实际的应用中，我们随机地(250)选择(140)特征141，即5031个可用特征中的大约5％。然后，使用级联分类器15对选择的特征141进行分类(150)，以检测(150)测试图像101是否包含人物。
训练级联分类器
信息最丰富的部分(即用于人物分类的块)是使用AdaBoost过程来选择的。Adaboost提供了有效的学习过程和对通用性能的强约束，参见Freund等人的“A decision-theoretic generalization of on-line learning and anapplication to boosting”，Computational Learning Theory，Eurocolt’95，pages23-37，Springer-Verlag，1995；以及Schapire等人的“Boosting the margin：Anew explanation for the effectiveness of voting methods”，Proceedings of theFourteenth International Conference on Machine Learning，1997；通过引用将这两篇文献合并于此。
我们采用由P.Viola等人描述的级联。如Viola等人的文献中所述，我们使用与可变大小的块相关联的36维特征向量(即HoG)代替使用相对小的矩形滤波器。
还应当注意，在Viola等人的监测应用中，检测到的人物在图像中相对小并且通常具有清晰的背景，例如，道路或者实墙(blank wall)等。他们的检测性能也极大地依赖于可用的运动信息。相反地，我们想要不访问运动信息(例如单个测试图像中的人物)地检测具有相当复杂的背景和照明显著变化的场景中的人物(例如在城市环境中的行人)。
我们的弱分类器是从线性SVM确定的分离的超平面。级联分类器的训练是一次的预处理，所以我们不将训练阶段的性能作为一个问题来考虑。应当注意，我们的级联分类器与Dalal & Triggs方法的常规软线性SVM有很大不同。
如上所述，我们通过从训练图像的集合1中提取训练特征来训练(10)分类器15。对于该级联的每个串联的级，我们构建由弱分类器的集合组成的强分类器，该思想是尽可能快地拒绝输入图像中的大量对象(区域)。因而，早期的分类级可以被称为“拒绝器”。
在我们的方法中，弱分类器是线性SVM。在级联的每个级中，我们持续地添加弱分类器直到达到预定的质量度量(metric)为止。该质量度量是以检测率和误报率(false positive rate)的形式。所得到的级联具有大约18级强分类器，以及大约800个弱分类器。应当注意，这些数字可以根据分类步骤的期望的精度和速度而不同。
用于训练步骤的伪代码在附录A中给出。对于训练，我们使用了与Dalal和Triggs所使用的数据集相同的训练“INRIA”图像数据集。也可以使用例如MIT行人数据集的其它的数据集，参见A.Mohan、C.Papageorgiou和T.Poggio的“Example-based object detection in images bycomponents”，PAMI，vol.23，no.4，pp.349-361，April 2001；以及C.Papageorgiou和T.Poggio的“A trainable system for object detection”，IJCV，vol.38，no.1，pp.15-33，2000。
意外的是，我们发现我们所构建的级联在初始级中使用了相对大的块，而较小的块被用于级联的后面的级中。
附录A
训练级联
输入：Ftarget：目标总误报率
      fmax：每级联的级最大可接受误报率
      dmin：每级联的级最小可接受检测
      Pos：正样本集合
      Neg：负样本集合
初始化：i＝0，Di＝1.0，Fi＝1.0
循环          Fi＞Ftarget
              i＝i+1
              fi＝1.0
                  循环   fi＞fmax
                      使用Pos和Neg训练250个线性SVM，
                      将最优SVM加到强分类器中，
                      以AdaBoost方式更新权重，
                      通过当前强分类器来计算Pos和Neg，
                      减小阈值直到dmin成立，
                      计算该阈值下的fi
                  循环结束
                  Fi+1＝Fi×fi
                  Di+1＝Di×dmin
                  集合清空Neg
                  如果Fi＞Ftarget，则对负(即非人物)图像计算当前
                  的级联分类器，并将误分类的样本添加到Neg集合
                  中
循环结束
输出：i-级级联，每个级具有增强的SVM分类器
      最终训练精度：Fi和Di

Claims (14)

1、一种用于在由摄像机获取的场景的测试图像中检测人物的方法，该方法包括以下步骤：
针对所述测试图像中的每个像素来确定梯度；
将所述梯度分选到直方图的条中；
存储针对所述直方图中的每个条的积分图像；
从所述积分图像中提取特征，提取的所述特征对应于实质上较大集合的子集，其中所述较大集合是所述测试图像中可变大小且随机选择的像素块的集合；以及
将所述特征应用于级联分类器以确定所述测试图像是否包括人物。
2、根据权利要求1所述的方法，其中所述梯度是以加权的所述梯度的方向的形式来表示，并且权重依赖于所述梯度的幅度。
3、根据权利要求1所述的方法，其中所述可变大小的块的宽度和高度之间的比率是1∶1，1∶2和2∶1。
4、根据权利要求1所述的方法，其中所述直方图具有9个条，并且每个条存储在不同的积分图像中。
5、根据权利要求1所述的方法，其中所述每个特征是以36维向量的形式。
6、根据权利要求1所述的方法，该方法还包括以下步骤：
训练所述级联分类器，所述训练包括以下步骤：
对训练图像的集合执行所述确定、所述分选、所述存储和所述提取以获得训练特征；以及
使用所述训练特征来构建所述级联分类器的串联的多个级。
7、根据权利要求6所述的方法，其中每个级是由弱分类器的集合组成的强分类器。
8、根据权利要求7所述的方法，其中每个弱分类器是根据线性SVM而确定的分离的超平面。
9、根据权利要求6所述的方法，其中所述训练图像的集合包括正样本和负样本。
10、根据权利要求7所述的方法，其中所述弱分类器被加到所述级联分类器中，直到满足预定的质量度量为止。
11、根据权利要求10所述的方法，其中所述质量度量是以检测率和误报率的形式。
12、根据权利要求6所述的方法，其中得到的所述级联分类器具有大约18级强分类器，以及大约800个弱分类器。
13、根据权利要求1所述的方法，其中在实时获取的所述场景的图像序列中对人物进行检测。
14、一种用于在由摄像机获取的场景的测试图像中检测人物的系统，该系统包括：
用于确定针对所述测试图像中的每个像素的梯度的装置；
用于将所述梯度分选到直方图的条中的装置；
被构造成存储针对所述直方图的每个条的积分图像的存储器；
用于从所述积分图像中提取特征的装置，其中提取的所述特征对应于实质上较大集合的子集，所述较大集合是所述测试图像中可变大小且随机选择的像素块的集合；以及
被构造成用于确定所述测试图像是否包括人物的级联分类器。
CNA2007800013141A 2006-04-11 2007-03-20 在摄像机获取的场景的测试图像中检测人物的方法和系统 Pending CN101356539A (zh)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
US11/404,257 2006-04-11
US11/404,257 US20070237387A1 (en) 2006-04-11 2006-04-11 Method for detecting humans in images

Publications (1)

Publication Number Publication Date
CN101356539A true CN101356539A (zh) 2009-01-28

Family

ID=38229211

Family Applications (1)

Application Number Title Priority Date Filing Date
CNA2007800013141A Pending CN101356539A (zh) 2006-04-11 2007-03-20 在摄像机获取的场景的测试图像中检测人物的方法和系统

Country Status (5)

Country Link
US (1) US20070237387A1 (zh)
EP (1) EP2030150A1 (zh)
JP (1) JP2009510542A (zh)
CN (1) CN101356539A (zh)
WO (1) WO2007122968A1 (zh)

Cited By (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101807260A (zh) * 2010-04-01 2010-08-18 中国科学技术大学 变化场景下行人检测的方法
CN102598113A (zh) * 2009-06-30 2012-07-18 安芯美特控股有限公司 匹配出现在两个或多个图像内的对象或人的方法、电路和系统
CN102891964A (zh) * 2012-09-04 2013-01-23 浙江大学 数码相机中的人体自动检测方法及其系统模块
WO2013063765A1 (en) * 2011-11-01 2013-05-10 Intel Corporation Object detection using extended surf features
CN103177248A (zh) * 2013-04-16 2013-06-26 浙江大学 一种基于视觉的快速行人检测方法
US8781221B2 (en) 2011-04-11 2014-07-15 Intel Corporation Hand gesture recognition system
CN104809466A (zh) * 2014-11-28 2015-07-29 安科智慧城市技术（中国）有限公司 快速检测特定目标的方法及装置
CN107368834A (zh) * 2016-05-12 2017-11-21 北京君正集成电路股份有限公司 一种方向梯度积分图存储方法及装置

Families Citing this family (69)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7853072B2 (en) * 2006-07-20 2010-12-14 Sarnoff Corporation System and method for detecting still objects in images
US7774951B2 (en) * 2006-10-04 2010-08-17 Northwestern University Sensing device with whisker elements
US7961908B2 (en) * 2007-12-21 2011-06-14 Zoran Corporation Detecting objects in an image being acquired by a digital camera or other electronic image acquisition device
GB2471036B (en) 2008-03-03 2012-08-22 Videoiq Inc Object matching for tracking, indexing, and search
US8244044B2 (en) * 2008-04-25 2012-08-14 Microsoft Corporation Feature selection and extraction
CN101383007B (zh) * 2008-09-28 2010-10-13 腾讯科技（深圳）有限公司 基于积分直方图的图像处理方法及系统
US8744122B2 (en) * 2008-10-22 2014-06-03 Sri International System and method for object detection from a moving platform
KR101522985B1 (ko) * 2008-10-31 2015-05-27 삼성전자주식회사 영상처리 장치 및 방법
US8442327B2 (en) * 2008-11-21 2013-05-14 Nvidia Corporation Application of classifiers to sub-sampled integral images for detecting faces in images
EP2389095B1 (en) 2009-01-26 2014-10-01 Tobii Technology AB Detection of gaze point assisted by optical reference signals
FR2942337B1 (fr) * 2009-02-19 2011-07-01 Eads European Aeronautic Defence And Space Company Eads France Procede de selection d'attributs pour apprentissages statistiques pour la detection et la reconnaissance d'objet
JP5335554B2 (ja) * 2009-05-19 2013-11-06 キヤノン株式会社 画像処理装置及び画像処理方法
AU2009347563B2 (en) * 2009-06-03 2015-09-24 National Ict Australia Limited Detection of objects represented in images
TWI401473B (zh) * 2009-06-12 2013-07-11 Chung Shan Inst Of Science 影像式夜間行人偵測系統及方法
FR2947656B1 (fr) * 2009-07-06 2016-05-27 Valeo Vision Procede de detection d'un obstacle pour vehicule automobile
FR2947657B1 (fr) * 2009-07-06 2016-05-27 Valeo Vision Procede de detection d'un obstacle pour vehicule automobile
US8320634B2 (en) * 2009-07-11 2012-11-27 Richard Deutsch System and method for monitoring protective garments
US8224072B2 (en) 2009-07-16 2012-07-17 Mitsubishi Electric Research Laboratories, Inc. Method for normalizing displaceable features of objects in images
CN101964059B (zh) * 2009-07-24 2013-09-11 富士通株式会社 构建级联分类器的方法、识别对象的方法及装置
JP5483961B2 (ja) * 2009-09-02 2014-05-07 キヤノン株式会社 画像処理装置、被写体判別方法、プログラム及び記憶媒体
JP2011090408A (ja) * 2009-10-20 2011-05-06 Canon Inc 情報処理装置、その行動推定方法及びプログラム
CN102103457B (zh) * 2009-12-18 2013-11-20 深圳富泰宏精密工业有限公司 简报操作系统及方法
WO2011114736A1 (ja) * 2010-03-19 2011-09-22 パナソニック株式会社 特徴量算出装置、特徴量算出方法及びプログラム
JP5201184B2 (ja) * 2010-08-24 2013-06-05 株式会社豊田中央研究所 画像処理装置及びプログラム
JP5975598B2 (ja) 2010-08-26 2016-08-23 キヤノン株式会社 画像処理装置、画像処理方法及びプログラム
KR101298024B1 (ko) * 2010-09-17 2013-08-26 엘지디스플레이 주식회사 사용자 동적 기관 제스처 인식 방법 및 인터페이스와, 이를 사용하는 전기 사용 장치
KR101298023B1 (ko) * 2010-09-17 2013-08-26 엘지디스플레이 주식회사 사용자 동적 기관 제스처 인식 방법 및 인터페이스와, 이를 사용하는 전기 사용 장치
KR101326230B1 (ko) * 2010-09-17 2013-11-20 한국과학기술원 사용자 동적 기관 제스처 인식 방법 및 인터페이스와, 이를 사용하는 전기 사용 장치
CN102156887A (zh) * 2011-03-28 2011-08-17 湖南创合制造有限公司 一种基于局部特征学习的人脸识别方法
JP5674535B2 (ja) * 2011-04-06 2015-02-25 日本電信電話株式会社 画像処理装置、方法、及びプログラム
JP5777390B2 (ja) * 2011-04-20 2015-09-09 キヤノン株式会社 情報処理方法及び装置、パターン識別方法及び装置
JP5713790B2 (ja) 2011-05-09 2015-05-07 キヤノン株式会社 画像処理装置、画像処理方法、及びプログラム
JP5763965B2 (ja) 2011-05-11 2015-08-12 キヤノン株式会社 情報処理装置、情報処理方法、及びプログラム
JP5848551B2 (ja) * 2011-08-26 2016-01-27 キヤノン株式会社 学習装置、学習装置の制御方法、検出装置、検出装置の制御方法、およびプログラム
US9076065B1 (en) * 2012-01-26 2015-07-07 Google Inc. Detecting objects in images
CN102663426B (zh) * 2012-03-29 2013-12-04 东南大学 一种基于小波多尺度分析和局部三值模式的人脸识别方法
CN102810159B (zh) * 2012-06-14 2014-10-29 西安电子科技大学 基于surf高效匹配核的人体检测方法
JP6046948B2 (ja) 2012-08-22 2016-12-21 キヤノン株式会社 物体検知装置及びその制御方法、プログラム、並びに記憶媒体
EP2926317B1 (en) * 2012-12-03 2020-02-12 Harman International Industries, Incorporated System and method for detecting pedestrians using a single normal camera
KR101717729B1 (ko) * 2012-12-17 2017-03-17 한국전자통신연구원 영상에서의 휴먼 인지 장치 및 방법
JP6074272B2 (ja) * 2013-01-17 2017-02-01 キヤノン株式会社 画像処理装置および画像処理方法
US9008365B2 (en) * 2013-04-18 2015-04-14 Huawei Technologies Co., Ltd. Systems and methods for pedestrian detection in images
US9639748B2 (en) * 2013-05-20 2017-05-02 Mitsubishi Electric Research Laboratories, Inc. Method for detecting persons using 1D depths and 2D texture
CN103336972A (zh) * 2013-07-24 2013-10-02 中国科学院自动化研究所 一种基于完备化局部三值模式的地基云图分类方法
DE102013217827A1 (de) * 2013-09-06 2015-03-12 Robert Bosch Gmbh Verfahren und Steuergerät zum Erkennen eines Objekts in einer Bildinformation
KR20150037091A (ko) 2013-09-30 2015-04-08 삼성전자주식회사 영상처리장치 및 그 제어방법
ITTO20130835A1 (it) * 2013-10-16 2015-04-17 St Microelectronics Srl Procedimento per produrre descrittori compatti a partire da punti di interesse di immagini digitali, sistema, apparecchiatura e prodotto informatico corrispondenti
US9489570B2 (en) * 2013-12-31 2016-11-08 Konica Minolta Laboratory U.S.A., Inc. Method and system for emotion and behavior recognition
CN105095921B (zh) 2014-04-30 2019-04-30 西门子医疗保健诊断公司 用于处理尿液沉渣图像的待处理区块的方法和装置
CN104008404B (zh) * 2014-06-16 2017-04-12 武汉大学 一种基于显著直方图特征的行人检测方法及系统
JP2016134803A (ja) 2015-01-20 2016-07-25 キヤノン株式会社 画像処理装置及び画像処理方法
JP6555906B2 (ja) 2015-03-05 2019-08-07 キヤノン株式会社 情報処理装置、情報処理方法、およびプログラム
JP6624877B2 (ja) 2015-10-15 2019-12-25 キヤノン株式会社 情報処理装置、情報処理方法及びプログラム
JP6624878B2 (ja) 2015-10-15 2019-12-25 キヤノン株式会社 画像処理装置、画像処理方法、及びプログラム
JP6851163B2 (ja) 2016-09-23 2021-03-31 キヤノン株式会社 画像処理装置、画像処理方法、及びプログラム
CN106529437B (zh) * 2016-10-25 2020-03-03 广州酷狗计算机科技有限公司 一种人脸检测的方法和装置
JP7058471B2 (ja) 2017-04-17 2022-04-22 キヤノン株式会社 画像処理装置、画像処理方法
EP3418944B1 (en) 2017-05-23 2024-03-13 Canon Kabushiki Kaisha Information processing apparatus, information processing method, and program
JP7085812B2 (ja) 2017-08-02 2022-06-17 キヤノン株式会社 画像処理装置およびその制御方法
US10915760B1 (en) 2017-08-22 2021-02-09 Objectvideo Labs, Llc Human detection using occupancy grid maps
CN109598176A (zh) * 2017-09-30 2019-04-09 佳能株式会社 识别装置和识别方法
JP7094702B2 (ja) * 2018-01-12 2022-07-04 キヤノン株式会社 画像処理装置及びその方法、プログラム
CN110163033B (zh) * 2018-02-13 2022-04-22 京东方科技集团股份有限公司 正样本获取方法、行人检测模型生成方法和行人检测方法
JP7098365B2 (ja) 2018-03-15 2022-07-11 キヤノン株式会社 画像処理装置、画像処理方法およびプログラム
WO2019232723A1 (en) * 2018-06-06 2019-12-12 Beijing Didi Infinity Technology And Development Co., Ltd. Systems and methods for cleaning data
US11514703B2 (en) * 2018-08-07 2022-11-29 Canon Kabushiki Kaisha Detection device and control method of the same
JP7204421B2 (ja) 2018-10-25 2023-01-16 キヤノン株式会社 検知装置およびその制御方法
JP7446903B2 (ja) 2020-04-23 2024-03-11 株式会社日立製作所 画像処理装置、画像処理方法及び画像処理システム
CN112288010B (zh) * 2020-10-30 2022-05-13 黑龙江大学 基于网络学习的指静脉图像质量评价方法

Family Cites Families (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7099510B2 (en) * 2000-11-29 2006-08-29 Hewlett-Packard Development Company, L.P. Method and system for object detection in digital images
US7024033B2 (en) * 2001-12-08 2006-04-04 Microsoft Corp. Method for boosting the performance of machine-learning classifiers
US7369687B2 (en) * 2002-11-21 2008-05-06 Advanced Telecommunications Research Institute International Method for extracting face position, program for causing computer to execute the method for extracting face position and apparatus for extracting face position
GB2395781A (en) * 2002-11-29 2004-06-02 Sony Uk Ltd Face detection
GB2395780A (en) * 2002-11-29 2004-06-02 Sony Uk Ltd Face detection
US7450766B2 (en) * 2004-10-26 2008-11-11 Hewlett-Packard Development Company, L.P. Classifier performance
US7454058B2 (en) * 2005-02-07 2008-11-18 Mitsubishi Electric Research Lab, Inc. Method of extracting and searching integral histograms of data samples

Cited By (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102598113A (zh) * 2009-06-30 2012-07-18 安芯美特控股有限公司 匹配出现在两个或多个图像内的对象或人的方法、电路和系统
CN101807260A (zh) * 2010-04-01 2010-08-18 中国科学技术大学 变化场景下行人检测的方法
US8781221B2 (en) 2011-04-11 2014-07-15 Intel Corporation Hand gesture recognition system
WO2013063765A1 (en) * 2011-11-01 2013-05-10 Intel Corporation Object detection using extended surf features
CN104025118B (zh) * 2011-11-01 2017-11-07 英特尔公司 使用扩展surf特征的对象检测
CN102891964A (zh) * 2012-09-04 2013-01-23 浙江大学 数码相机中的人体自动检测方法及其系统模块
CN103177248A (zh) * 2013-04-16 2013-06-26 浙江大学 一种基于视觉的快速行人检测方法
CN103177248B (zh) * 2013-04-16 2016-03-23 浙江大学 一种基于视觉的快速行人检测方法
CN104809466A (zh) * 2014-11-28 2015-07-29 安科智慧城市技术（中国）有限公司 快速检测特定目标的方法及装置
CN107368834A (zh) * 2016-05-12 2017-11-21 北京君正集成电路股份有限公司 一种方向梯度积分图存储方法及装置

Also Published As

Publication number Publication date
WO2007122968A1 (en) 2007-11-01
EP2030150A1 (en) 2009-03-04
US20070237387A1 (en) 2007-10-11
JP2009510542A (ja) 2009-03-12

Similar Documents

Publication Publication Date Title
CN101356539A (zh) 在摄像机获取的场景的测试图像中检测人物的方法和系统
Zhu et al. Fast human detection using a cascade of histograms of oriented gradients
Chen et al. Fast human detection using a novel boosted cascading structure with meta stages
Zhang et al. Cat head detection-how to effectively exploit shape and texture features
Paisitkriangkrai et al. Fast pedestrian detection using a cascade of boosted covariance features
Zhao et al. Learning mid-level filters for person re-identification
Moosmann et al. Learning saliency maps for object categorization
Jia et al. Fast human detection by boosting histograms of oriented gradients
Patwary et al. Significant HOG-histogram of oriented gradient feature selection for human detection
Moctezuma et al. Person detection in surveillance environment with HoGG: Gabor filters and histogram of oriented gradient
Raxle Wang et al. AdaBoost learning for human detection based on histograms of oriented gradients
Deng et al. A deep multi-feature distance metric learning method for pedestrian re-identification
Chen et al. A cascade of feed-forward classifiers for fast pedestrian detection
Kapsalas et al. Regions of interest for accurate object detection
Mitsui et al. Object detection by joint features based on two-stage boosting
Lian et al. Fast pedestrian detection using a modified WLD detector in salient region
Makadia Feature tracking for wide-baseline image retrieval
Pedersoli et al. Enhancing real-time human detection based on histograms of oriented gradients
Hu et al. Multi Features Combination for Pedestrian Detection.
Mao et al. Multiple-part based pedestrian detection using interfering object detection
Wang et al. Action Recognition Based on Multi-feature Depth Motion Maps
Tran et al. Fast growing hough forest as a stable model for object detection
Rao et al. People detection in image and video data
Hong et al. Pedestrian detection based on merged cascade classifier
Islam et al. Object cataloging using heterogeneous local features for image retrieval

Legal Events

Date Code Title Description
C06 Publication
PB01 Publication
C10 Entry into substantive examination
SE01 Entry into force of request for substantive examination
C02 Deemed withdrawal of patent application after publication (patent law 2001)
WD01 Invention patent application deemed withdrawn after publication

Open date: 20090128