CN101877131A - 一种目标识别方法、装置及目标识别系统 - Google Patents
一种目标识别方法、装置及目标识别系统 Download PDFInfo
- Publication number
- CN101877131A CN101877131A CN2009101357655A CN200910135765A CN101877131A CN 101877131 A CN101877131 A CN 101877131A CN 2009101357655 A CN2009101357655 A CN 2009101357655A CN 200910135765 A CN200910135765 A CN 200910135765A CN 101877131 A CN101877131 A CN 101877131A
- Authority
- CN
- China
- Prior art keywords
- target
- detected
- pseudo
- initial target
- initial
- 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
Links
Images
Landscapes
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种目标识别方法、装置和目标识别系统,涉及视频图像处理领域,能够显著提高目标识别时的实时性和准确性,实现复杂场景下的高精度目标的检测。本发明实施例提供的目标识别方法包括:利用获取到的背景场景的检测信息和当前场景的检测信息,确定初始待检测目标,所述当前场景为包括待检测目标和同一背景场景的场景;根据去伪策略去除所述初始待检测目标中的伪目标,确定有效目标。本发明适用于运动检测中任何需要对目标进行识别的场景。
Description
技术领域
本发明涉及视频图像处理领域,尤其涉及一种目标识别方法、装置和系统。
背景技术
对于铁路、地铁和公交车等公共交通系统,详实的掌握各条线路、站点客流的流向、流时、流量及其分布情况等信息,自动的客流信息统计系统能够方便运营公司进行线路调整,及对车辆资源进行合理配置。
传统自动客流信息的统计采用了红外遮挡系统及压力传感系统,利用物体通过该系统时,光线被遮挡的原理,统计通过红外遮挡系统的物体数量,该方法不能针对客流的往来进行精确、及时的统计,特别是在客流高峰期拥挤状况严重时,且该系统的应用场所受限。
相比而言,图像信息的容量更大,更丰富,图像处理技术的兴起与发展为解决传统客流统计技术面临的一系列问题提出了很多新方法。
目前,应用于自动客流统计的图像处理方法大多为利用二维图像处理中的特征识别与模式匹配等方法,该方法只适用于背景相对简单的情况,且对并排目标或目标前后拥挤的情况无法进行正确识别。基于立体视觉的运动检测技术已成为当今研究的热点。
现有技术一提供了一种基于立体视觉的公交客流统计方法,参见专利号为CN200510060288.2的中国专利,提出了一种利用待检测场景中各点到摄像机的距离,结合单目图像的特征识别技术,实现人头部的识别,从而完成客流信息统计的方法。如图1所示,对单目图像进行类圆物体提取时,存在着大量的伪圆,再通过一些算法准则去除伪圆,这样就实现每个人的头部对应一个圆,通过对圆形的识别和数量的计算实现对客流人数的统计。
然而,现有技术中还是存在着不少的问题,例如,现有技术仅利用了包含待检测目标的场景的深度信息,且是以二维图像的特征识别技术为主要手段,该深度信息只是用于辅助去除伪圆,且该方法进行头部识别时,依赖头发相对周围环境灰度较黑的特性去除伪圆,无法避免对目标戴帽子时或者穿黑衣服时造成误检的情况。现有技术提供的方法无法完全去除伪圆,检测精度不高,最终对客流的统计结果不准确。
发明内容
为解决现有技术中存在的问题,本发明的实施例提供了一种目标识别方法、装置和系统,能够显著提高目标识别的实时性和准确性,实现复杂场景下的高精度目标的检测。
为达到上述目的,本发明的实施例采用如下技术方案:
本发明实施例提供了一种目标识别方法,所述方法包括:
利用获取到的背景场景的检测信息和当前场景的检测信息,确定初始待检测目标,所述当前场景为包括待检测目标和同一背景场景的场景;
根据去伪策略去除所述初始待检测目标中的伪目标,确定有效目标。
进一步的,该方法还包括:
所述检测信息为视差图像或深度图像,所述目标检测信息为目标视差图像或目标深度图像;利用所述目标视差/深度图像确定所述初始待检测目标。
进一步的,还包括:
计算所述目标视差/深度图像的水平方向投影的极值点和垂直方向投影的极值点:将所述水平方向投影的极值点和垂直方向投影的极值点分别两两配对,确定所述初始待检测目标。
其中,所述去伪策略包括下述的至少一种策略及其组合:
视差图信息去伪策略、欧式距离去伪策略或原图灰度信息去伪策略;
其中,所述视差图信息去伪策略为:
判断以所述初始待检测目标为中心的目标视差/深度图像中预定窗口内的视差/深度均值是否大于视差/深度阈值,若是,该初始待检测目标为有效目标,若否,该初始待检测目标为伪目标;
所述欧式距离去伪策略为:
对当前未进行去伪处理的初始待检测目标,获取目标视差/深度图像中以该初始待检测目标为中心预定窗口内视差/深度均值最大的目标objPoint[maxN],计算所述所有初始待检测目标与目标objPoint[maxN]的欧氏距离,当所述初始待检测目标与目标objPoint[maxN]的欧氏距离不小于距离阈值时,该初始待检测目标为有效待检测目标,否则,该初始待检测目标为伪目标,其中,maxN为所述视差/深度均值最大的目标的序号;
所述原图灰度信息去伪策略为:
获取所述初始待检测目标在当前场景的相应图像中以该目标为中心预定窗口内最小灰度均值,计算所有初始待检测目标对应的灰度均值与所述最小灰度均值的比值,当所述初始待检测目标对应的比值不大于比例阈值且所述初始待检测目标对应的灰度均值不大于控制阈值时,该初始待检测目标为有效待检测目标,否则,该初始待检测目标为伪目标。
本发明实施例还提供了一种目标识别装置,所述装置包括:
初始待检测目标确定单元,用于利用获取到的背景场景的检测信息和当前场景的检测信息,确定初始待检测目标,所述当前场景为包括待检测目标和同一背景场景的场景;
目标真伪处理单元,用于根据去伪策略去除所述初始待检测目标中的伪目标,确定有效目标。
其中,所述初始待检测目标确定单元,还用于将所述当前场景的检测信息减去所述背景场景的检测信息得到目标检测信息;根据所述目标检测信息计算得到所述初始待检测目标;
或者,
所述初始待检测目标确定单元,还用于设置第一权重值、第二权重值和补偿系数;将所述当前场景的检测信息与所述第一权重值的乘积,减去所述背景场景的检测信息与所述第二权重值的乘积,得到初始目标检测信息;利用所述初始目标检测信息和所述补偿系数获取所述目标检测信息;根据所述目标检测信息计算得到所述初始待检测目标。
进一步的,所述检测信息为视差图像或深度图像,所述目标检测信息为目标视差图像或目标深度图像;所述初始待检测目标确定单元,包括:
极值点获取模块,用于计算所述目标视差/深度图像的水平方向投影的极值点和垂直方向投影的极值点:
确定模块,用于将所述水平方向投影的极值点和垂直方向投影的极值点分别两两配对,确定所述初始待检测目标。
进一步的,所述目标真伪处理单元利用下述的至少一种策略及其组合,去除所述初始待检测目标中的伪目标,确定有效目标:
视差图信息去伪策略、欧式距离去伪策略和原图灰度信息去伪策略;
其中,所述视差图信息去伪策略为:
判断以所述初始待检测目标为中心的目标视差/深度图像中预定窗口内的视差/深度均值是否大于视差/深度阈值,若是,该初始待检测目标为有效目标,若否,该初始待检测目标为伪目标;
所述欧式距离去伪策略为:
对当前未进行去伪处理的初始待检测目标,获取目标视差/深度图像中以该初始待检测目标为中心预定窗口内视差/深度均值最大的目标objPoint[maxN],计算所述所有初始待检测目标与目标objPoint[maxN]的欧氏距离,当所述初始待检测目标与目标objPoint[maxN]的欧氏距离不小于距离阈值时,该初始待检测目标为有效待检测目标,否则,该初始待检测目标为伪目标,其中,maxN为所述视差/深度均值最大的目标的序号;
所述原图灰度信息去伪策略为:
获取所述初始待检测目标在当前场景的相应图像中以该目标为中心预定窗口内最小灰度均值,计算所有初始待检测目标对应的灰度均值与所述最小灰度均值的比值,当所述初始待检测目标对应的比值不大于比例阈值且所述初始待检测目标对应的灰度均值不大于控制阈值时,该初始待检测目标为有效待检测目标,否则,该初始待检测目标为伪目标。
本发明实施例还提供了一种目标识别系统,所述系统包括上述的目标识别装置。
本发明实施例提供的技术方案,考虑到场景中原有的背景物体对待检测目标的影响,同时利用获取到的背景场景的检测信息和当前场景的检测信息确定初始待检测目标,依据去伪策略去除初始待检测目标中的伪目标,确定有效目标,解决了现有技术中利用圆检测定位目标,依赖头发相对周围环境灰度较黑的特性进行去伪处理等所带来的问题,能够降低目标识别时的计算复杂度,显著提高目标识别的实时性和准确性,实现复杂场景下的高精度目标的检测。
附图说明
图1为现有技术中的头部定位的原理示意图;
图2为本发明实施例提供的目标识别方法流程图;
图3为本发明实施例提供的欧式距离去伪方法流程示意图;
图4为本发明实施例提供的原图灰度信息去伪方法流程示意图;
图5为本发明实施例提供的投影标记实验结果示意图;
图6为本发明实施例提供的目标识别装置结构示意图。
具体实施方式
为了更清楚地说明本发明实施例的技术方案,下面将结合附图对本发明的实施例进行详细的介绍,下面的描述仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些实施例获得本发明的其他的实施方式。
本发明实施例提供的目标识别方法,如图2所示,所述方法包括:
步骤21:利用获取到的背景场景的检测信息和当前场景的检测信息,确定初始待检测目标,所述当前场景为包括待检测目标和同一背景场景的场景;
上述检测信息为视差图像或深度图像,下面对本发明实施例提供的获取目标视差图像的处理方式进行说明,具体包括如下处理:
采集背景场景的背景双目图像(如左图像和右图像)及包括待检测目标和同一背景场景的当前场景的当前双目图像。例如,利用双目摄像机拍摄所述双目图像。根据所述双目图像利用立体匹配技术,分别获取背景视差图像和当前视差图像。
例如,对客流自动统计系统,背景场景为不包括乘客情况下的场景,当前场景为包括流动的乘客情况下的当前场景。
用当前视差图像逐点减去背景视差图像得到所述目标视差图像,这样去除了背景中物体的视差干扰,得到了只有目标,即乘客的视差图像,增强了检测的准确度。
或者,设置第一权重值、第二权重值和补偿系数;将所述当前场景的检测信息与所述第一权重值的乘积,减去所述背景场景的检测信息与所述第二权重值的乘积,得到初始目标检测信息;根据所述初始目标检测信息和所述补偿系数计算目标检测信息,利用目标检测信息进行计算得到所述待检测目标。
例如,将当前场景的视差图像与第一权重值w1相乘,得到第一结果;将背景场景的视差图像与第二权重值w2相乘,得到第二结果;将第一结果减去第二结果得到初始目标视差图像,利用该初始目标视差图像加上或减去补偿系数,得到目标视差图像。
由于通过上述操作获取的目标视差图像会存在一些干扰点和视差误差,在本发明实施例中,可选的,还包括,设置一个阈值,将上述两种方式获取到的目标视差图像或目标深度图像中的深度值或视差值与该阈值进行比较,当大于该阈值时,在目标深度/视差图像中保留该点;当小于阈值时,去除该点,从而获取到最终的目标视差/深度图像。
可通过多种方式获取场景的深度图像,例如,一方面本发明实施例一可以通过采集该场景同一视点的二维图像序列,如利用单目摄像机拍摄该场景的单目图像序列,对该图像序列进行边缘检测后,通过相关计算直接得到场景的深度图像。另一方面,本发明实施例一还可利用该场景不同视点下的图像计算视差图像,然后根据该视差图像计算得到相应的深度图像。
在本发明实施例中,利用所述目标视差/深度图像的投影,对所述目标进行定位,确定初始待检测目标。对目标进行定位的部位不进行限制,例如,目标为人员时,定位的位置并不要求必须在目标的头部,即不需通过圆形进行定位,只要能定位在目标上即可,避免了现有技术中只能通过对固定的形状(圆形)进行定位,去除伪圆以获取最终的目标,而造成的目标识别不准确的问题,能够对目标进行准确定位。本发明实施例对目标的定位具体包括如下处理:
步骤S1:分别获取所述目标视差图像水平方向投影和垂直方向投影中的极值点。
在此提供一种获取极值点的方法:对目标视差图像分别向水平方向(x方向)和垂直方向(y方向)进行投影得到两条投影曲线,即水平投影曲线xHist和垂直投影曲线yHist;对xHist及yHist分别计算二阶差分得到xHist极值点xPeakPoint[n],n∈[0,xNum],此处xNum为xHist中的极值点数目;和yHist的极值点yPeakPoint[n],n∈[0,yNum],此处yNum为yHist中的极值点数目。
步骤S2:利用所述极值点获取所述初始的目标。
通过对xPeakPoint[n]和yPeakPoint[n]两两配对得到xNum×yNum个初始的目标点,初始的目标点可以通过下式表示:objPoint[n],n∈[0,objNum],
其中,初始待检测目标点的个数objNum=xNum×yNum,通过xPeakPoint[n]、yPeakPoint[n]标定初始的目标objPoint[n]的位置。
步骤22:根据去伪策略去除所述初始待检测目标中的伪目标,确定有效目标。
去伪处理过程中主要利用了三种策略:1)视差图信息去伪策略;2)欧式距离去伪策略;3)原图灰度信息去伪策略,下述对这三种策略分别进行介绍。
1、视差图信息去伪策略
由于视差图中真实目标的视差比较大,因此可以根据初始待检测目标点在视差图中的视差大小来去除一些干扰目标。设定阈值(deepThreshold),如可将阈值大小设为视差图中所有视差均值的1/2。判断以所述初始的目标为中心的目标视差图像中预定窗口内的视差均值是否大于视差阈值,若是,该初始待检测目标为有效目标,若否该初始待检测目标为伪目标。对所述预定窗口的大小不进行限定,例如,可以为5×5的窗口,也可以为7×7的窗口。
本发明实施例提供的用于获取阈值的参考C代码如下所示:
int i,j;//循环变量
double sumTmp;//临时变量
double deepThreshold;//阈值
sumTmp=0;
for(i=0;i<height;i++)
{
for(j=0;j<width;j++)
{
sumTmp=sumTmp+imgData[i*width+j];
}
}
deepThreshold=sumTmp/(width*height*2);//阈值为视差均值的1/2
其中,数组imgData为目标视差图像数据,width和height分别为图像的宽度和高度。
本发明实施例二提供的用于实现视差图信息去伪策略的参考C代码如下所示:
设avgRegion[n]为初始待检测目标点objPoint[n]在5×5窗口内所有视差值的均值,参考C代码如下所示:
double tmpSum=0;
for(i=objPoint[n].y-5;i<objPoint[n].y+5;i++)
{
for(j=objPoint[n].x-5;j<objPoint[n].x+5;j++)
{
tmpSum+=imgData[i*width+j];
}
}
avgRegion[n]=tmpSum/(10*10);
其中,数组imgData为视差图像数据,width为图像的宽度,objPoint[n].x和objPoint[n].y分别为objPoint[n]的行和列的坐标值。
当avgRegion[n]大于deepThreshold时,objPoint[n]为有效目标;否则,当avgRegion[n]小于等于deepThreshold时,objPoint[n]为伪目标,并删除该伪目标。
2、欧式距离去伪策略
由于目标(如人员头部)之间的距离不能小于一定距离,因此可利用目标之间的距离去除干扰点。
对当前未进行去伪处理的初始的目标,获取以该初始待检测目标为中心在目标视差图像中预定窗口内的视差均值最大的目标objPoint[maxN],计算所有所述初始待检测目标与目标objPoint[maxN]的欧氏距离,当所述初始待检测目标与目标objPoint[maxN]的欧氏距离不小于距离阈值时,该初始待检测目标为有效目标,否则,该初始待检测目标为伪目标,其中,maxN为所述视差均值最大的目标的序号。
重复上述处理过程,直至所有的初始待检测目标都已进行了欧式距离去伪处理。下面以一个具体的实现方式为例进行说明。
设avgRegion[n]为初始待检测目标点objPoint[n]在预定窗口(如5×5的窗口)内所有视差值的均值,avgRegion[n]的获得方式参见上述视差图信息去伪部分的相关描述。
为便于距离去伪处理,可选的,为初始待检测目标点设置是否已进行距离去伪处理的标识,如标识processFlag[n],processFlag[n]的初始值设置为0,当对初始待检测目标进行过距离去伪处理后,将processFlag[n]设置为1;为初始待检测目标点设置删除标识,如设置标识deleteFlag[n],deleteFlag[n]的初始值为0,将deleteFlag[n]置1时,表示该目标点被删除。但不限于此,可以采用其它适合的方式以实现上述的距离去伪操作。
设距离阈值为dstnThreshold,对所有目标点进行一次欧式距离去伪操作,参见图3,具体步骤如下:
1)计算当前未进行去伪处理的初始的目标在预定窗口中的视差均值,找出视差均值最大的点。
遍历所有满足条件deleteFlag[n]=0且processFlag[n]=0的avgRegion[n],找到最大值max(avgRegion[n]),该最大值对应的点为n=maxN;
2)计算objPoint[maxN]与其它所有未进行距离去伪处理的点的欧式距离,即与满足条件deleteFlag[n]=0且processFlag[n]=0的目标点的欧式距离dstnVal[n]。
当计算出初始待检测目标的距离dstnVal[n]小于距离阈值dstnThreshold时,删去该目标点objPoint[n],即设置deleteFlag[n]=1,processFlag[n]=1;
3)将当前的视差值最大的初始待检测目标点的标识processFlag[maxN]置1;
4)判断是否满足所有目标点的标识processFlag[n]都为1,如果满足,转到步骤5),否则,转到步骤1);
5)结束。
3、原图灰度信息去伪策略
该策略利用了目标(头部)一般颜色较深,即灰度值较低这一特点进行伪目标去除。即一些位于乘客身体上的伪目标在灰度值上远大于位于头部上的有效目标。
获取所述初始的目标在被匹配图像中以该目标为中心预定窗口内灰度均值最小的目标,计算所有初始的目标对应的灰度均值与所述最小灰度均值的比值,当所述初始待检测目标对应的比值不大于比例阈值且所述初始待检测目标对应的灰度均值不大于控制阈值时,该初始待检测目标为有效目标,否则,该初始待检测目标为伪目标。
获取所有初始待检测目标objPoint[n]在左图像(原图像)中预定窗口(如5×5的窗口)内的灰度均值grayVal[n],可以遍历grayVal[n]找到最小值minVal=min(grayVal[n]),以minVal为基准值与其它目标的灰度值进行比较。
此处,为了保证能够准确去除伪目标,设定比例阈值fioThreshold和控制阈值conThreshold,通过利用两种阈值对初始待检测目标进行识别。
参见图4,进行一次原图灰度信息去伪操作可以按以下步骤进行:
1)遍历grayVal[n]找到最小值minVal=min(grayVal[n]),同时设置n=0;
2)计算比值fioVal[n]=grayVal[n]/minVal,如果fioVal[n]>fioThreshold同时满足grayVal[n]>conThreshold,则objPoint[n]为伪目标,去除该伪目标;否则该初始待检测目标为有效目标;
3)是否满足中止条件n=objNum,objNum为初始待检测目标的总数目。如果满足,则转入步骤4),否则,n=n+1,转入步骤2);
4)结束。
应当注意到,由于深度信息值和视差信息值具有一致性,都可用于表示目标距离摄像机的远近。显而易见的,在本发明实施例中,根据获取到的视差值通过特定的计算关系,可得到相应的深度值,利用当前场景的深度信息减去背景场景的深度信息获得目标深度信息,并利用所述目标深度信息对应的目标深度图像的极值点确定初始待检测目标;根据上述去伪策略去除所述初始待检测目标中的伪目标,确定有效目标。
这时,上述去伪策略具体如下所述,且其具体处理方法可参见上述的视差图信息去伪策略、欧式距离去伪策略和原图灰度信息去伪策略,包括:
判断以所述初始待检测目标为中心的目标深度图像中预定窗口内的深度均值是否大于深度阈值,若是,该初始待检测目标为有效目标,若否该初始待检测目标为伪目标;以及,
对当前未进行去伪处理的初始的目标,获取目标深度图像中以该初始待检测目标为中心预定窗口内深度均值最大的目标objPoint[maxN],计算所述所有初始待检测目标与目标objPoint[maxN]的欧氏距离,当所述初始待检测目标与目标objPoint[maxN]的欧氏距离不小于距离阈值时,该初始待检测目标为有效目标,否则,该初始待检测目标为伪目标,其中,maxN为所述深度均值最大的目标的序号;以及,
获取所述初始的目标在当前场景的相应图像中以该目标为中心预定窗口内最小灰度均值,计算所有初始的目标对应的灰度均值与所述最小灰度均值的比值,当所述初始待检测目标对应的比值不大于比例阈值且所述初始待检测目标对应的灰度均值不大于控制阈值时,该初始待检测目标为有效目标,否则,该初始待检测目标为伪目标。其中,上述当前场景的相应图像为当前场景的原图像,如当利用双目图像的视差图像获取深度图像时,该原图像为双目图像中的被匹配图像,当利用单目图像获取深度图像时,该单目图像为原图像。
为便于理解并充分说明本发明实施例的有益效果,下面通过一个简化的例子说明上述目标识别及标定的方法。参见图5,仍以公交自动客流统计系统为例进行说明,图5中图像A显示了实际的场景图像。
首先对目标视差图像进行水平方向的投影,将目标视差图像的二维数据变成一维投影图,找出水平投影图中的峰值点(即极值点);再做垂直方向上的投影,将图像二维数据变成一维投影图,找出垂直投影图中的峰值点。图5中B图像为水平投影图,在该投影图中确定出3个峰值点,如B图像中圆点所示,图5中D图像为垂直投影图,在该投影图中确定出3个峰值点,如D图像中圆点所示。由此可得到初始的目标为3×3=9个,再去伪策略去除所述初始的目标中的伪目标,可准确标定出有效目标,如图5中C图像所示。将C图像与实际场景的A图像相比较,充分证明了本发明实施例提供的目标识别方法的有效性与精确性。
本发明实施例还提供了一种目标识别装置,如图6所示,所述装置包括:
初始待检测目标确定单元61,用于利用获取到的背景场景的检测信息和当前场景的检测信息,确定初始待检测目标,所述当前场景为包括待检测目标和同一背景场景的场景;
目标真伪处理单元62,用于根据去伪策略去除所述初始待检测目标中的伪目标,确定有效目标。
进一步的,所述初始待检测目标确定单元61还用于将所述当前场景的检测信息减去所述背景场景的检测信息得到目标检测信息;根据所述目标检测信息计算得到所述初始待检测目标;
或者,
所述初始待检测目标确定单元61,还用于设置第一权重值、第二权重值和补偿系数;将所述当前场景的检测信息与所述第一权重值的乘积,减去所述背景场景的检测信息与所述第二权重值的乘积,得到初始目标检测信息;利用所述初始目标检测信息和所述补偿系数获取所述目标检测信息;根据所述目标检测信息计算得到所述初始待检测目标。
进一步的,所述检测信息为视差图像或深度图像,所述目标检测信息为目标视差图像或目标深度图像;
所述初始待检测目标确定单元61,包括:
极值点获取模块,用于计算所述目标视差/深度图像的水平方向投影的极值点和垂直方向投影的极值点:
确定模块,用于将所述水平方向投影的极值点和垂直方向投影的极值点分别两两配对,确定所述初始待检测目标。
其中,所述目标真伪处理单元62利用下述的至少一种策略及其组合,去除所述初始待检测目标确定单元获取到的初始待检测目标中的伪目标,确定有效目标:
视差图信息去伪策略、欧式距离去伪策略和原图灰度信息去伪策略;
其中,所述视差图去伪策略为:
其中,所述视差图信息去伪策略为:
判断以所述初始待检测目标为中心的目标视差/深度图像中预定窗口内的视差/深度均值是否大于视差/深度阈值,若是,该初始待检测目标为有效目标,若否,该初始待检测目标为伪目标;
所述欧式距离去伪策略为:
对当前未进行去伪处理的初始待检测目标,获取目标视差/深度图像中以该初始待检测目标为中心预定窗口内视差/深度均值最大的目标objPoint[maxN],计算所述所有初始待检测目标与目标objPoint[maxN]的欧氏距离,当所述初始待检测目标与目标objPoint[maxN]的欧氏距离不小于距离阈值时,该初始待检测目标为有效待检测目标,否则,该初始待检测目标为伪目标,其中,maxN为所述视差/深度均值最大的目标的序号;
所述原图灰度信息去伪策略为:
获取所述初始待检测目标在当前场景的相应图像中以该目标为中心预定窗口内最小灰度均值,计算所有初始待检测目标对应的灰度均值与所述最小灰度均值的比值,当所述初始待检测目标对应的比值不大于比例阈值且所述初始待检测目标对应的灰度均值不大于控制阈值时,该初始待检测目标为有效待检测目标,否则,该初始待检测目标为伪目标。
本发明装置实施例中各功能模块的具体工作方法参见本发明方法实施例。
本发明实施例提供的技术方案,考虑到场景中原有的背景物体对待检测目标的影响,同时利用获取到的背景场景的检测信息和当前场景的检测信息确定初始待检测目标,依据去伪策略去除初始待检测目标中的伪目标,确定有效目标,解决了现有技术中利用圆检测定位目标,依赖头发相对周围环境灰度较黑的特性进行去伪处理等所带来的问题,能够显著降低运动检测时的计算复杂度,提高目标检测的实时性,实现复杂场景下的高精度目标的检测。
本发明实施例还提供了一种目标识别系统,所述系统包括上述的目标识别装置。
本发明系统实施例中目标识别装置的具体工作方法参见本发明装置实施例。
本发明实施例提供的技术方案,获取只包括待检测目标视差/深度的目标视差/深度图像,利用该目标视差/深度图像中的极值点确定初始待检测目标,依据去伪策略进行目标的真伪识别,解决了现有技术中利用圆检测定位目标,依赖头发相对周围环境灰度较黑的特性进行去伪处理等所带来的问题,能够显著降低运动检测时的计算复杂度,提高目标检测的实时性,实现复杂场景下的高精度目标的检测。
本领域普通技术人员可以理解实现上述实施例中的全部或部分步骤,可以通过程序指令相关硬件完成。所述实施例对应的软件可以存储在一个计算机可存储读取的介质中。
以上所述,仅为本发明的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,可轻易想到变化或替换,都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应以权利要求的保护范围为准。
Claims (10)
1.一种目标识别方法,其特征在于,所述方法包括:
利用获取到的背景场景的检测信息和当前场景的检测信息,确定初始待检测目标,所述当前场景为包括待检测目标和同一背景场景的场景;
根据去伪策略去除所述初始待检测目标中的伪目标,确定有效目标。
2.根据权利要求1所述的目标识别方法,其特征在于,
将所述当前场景的检测信息减去所述背景场景的检测信息得到目标检测信息;
根据所述目标检测信息计算得到所述初始待检测目标;或者,
设置第一权重值、第二权重值和补偿系数;
将所述当前场景的检测信息与所述第一权重值的乘积,减去所述背景场景的检测信息与所述第二权重值的乘积,得到初始目标检测信息;
利用所述初始目标检测信息和所述补偿系数获取所述目标检测信息;
根据所述目标检测信息计算得到所述初始待检测目标。
3.根据权利要求2所述的目标识别方法,其特征在于,所述检测信息为视差图像或深度图像,所述目标检测信息为目标视差图像或目标深度图像;
利用所述目标视差/深度图像确定所述初始待检测目标。
4.根据权利要求3所述的目标识别方法,其特征在于,所述利用所述目标视差/深度图像确定所述初始待检测目标包括:
计算所述目标视差/深度图像的水平方向投影的极值点和垂直方向投影的极值点:
将所述水平方向投影的极值点和垂直方向投影的极值点分别两两配对,确定所述初始待检测目标。
5.根据权利要求3或4所述的目标识别方法,其特征在于,所述去伪策略包括下述的至少一种策略及其组合:
视差图信息去伪策略、欧式距离去伪策略或原图灰度信息去伪策略;
其中,所述视差图信息去伪策略为:
判断以所述初始待检测目标为中心的目标视差/深度图像中预定窗口内的视差/深度均值是否大于视差/深度阈值,若是,该初始待检测目标为有效目标,若否,该初始待检测目标为伪目标;
所述欧式距离去伪策略为:
对当前未进行去伪处理的初始待检测目标,获取目标视差/深度图像中以该初始待检测目标为中心预定窗口内视差/深度均值最大的目标objPoint[maxN],计算所述所有初始待检测目标与目标objPoint[maxN]的欧氏距离,当所述初始待检测目标与目标objPoint[maxN]的欧氏距离不小于距离阈值时,该初始待检测目标为有效待检测目标,否则,该初始待检测目标为伪目标,其中,maxN为所述视差/深度均值最大的目标的序号;
所述原图灰度信息去伪策略为:
获取所述初始待检测目标在当前场景的相应图像中以该目标为中心预定窗口内最小灰度均值,计算所有初始待检测目标对应的灰度均值与所述最小灰度均值的比值,当所述初始待检测目标对应的比值不大于比例阈值且所述初始待检测目标对应的灰度均值不大于控制阈值时,该初始待检测目标为有效待检测目标,否则,该初始待检测目标为伪目标。
6.一种目标识别装置,其特征在于,所述装置包括:
初始待检测目标确定单元,用于利用获取到的背景场景的检测信息和当前场景的检测信息,确定初始待检测目标,所述当前场景为包括待检测目标和同一背景场景的场景;
目标真伪处理单元,用于根据去伪策略去除所述初始待检测目标中的伪目标,确定有效目标。
7.根据权利要求6所述的目标识别装置,其特征在于,所述初始待检测目标确定单元,还用于将所述当前场景的检测信息减去所述背景场景的检测信息得到目标检测信息;根据所述目标检测信息计算得到所述初始待检测目标;
或者,
所述初始待检测目标确定单元,还用于设置第一权重值、第二权重值和补偿系数;将所述当前场景的检测信息与所述第一权重值的乘积,减去所述背景场景的检测信息与所述第二权重值的乘积,得到初始目标检测信息;利用所述初始目标检测信息和所述补偿系数获取所述目标检测信息;根据所述目标检测信息计算得到所述初始待检测目标。
8.根据权利要求6所述的目标识别装置,其特征在于,所述检测信息为视差图像或深度图像,所述目标检测信息为目标视差图像或目标深度图像;
所述初始待检测目标确定单元,包括:
极值点获取模块,用于计算所述目标视差/深度图像的水平方向投影的极值点和垂直方向投影的极值点:
确定模块,用于将所述水平方向投影的极值点和垂直方向投影的极值点分别两两配对,确定所述初始待检测目标。
9.根据权利要求8所述的目标识别装置,其特征在于,所述目标真伪处理单元利用下述的至少一种策略及其组合,去除所述初始待检测目标中的伪目标,确定有效目标:
视差图信息去伪策略、欧式距离去伪策略和原图灰度信息去伪策略;
其中,所述视差图信息去伪策略为:
判断以所述初始待检测目标为中心的目标视差/深度图像中预定窗口内的视差/深度均值是否大于视差/深度阈值,若是,该初始待检测目标为有效目标,若否,该初始待检测目标为伪目标;
所述欧式距离去伪策略为:
对当前未进行去伪处理的初始待检测目标,获取目标视差/深度图像中以该初始待检测目标为中心预定窗口内视差/深度均值最大的目标objPoint[maxN],计算所述所有初始待检测目标与目标objPoint[maxN]的欧氏距离,当所述初始待检测目标与目标objPoint[maxN]的欧氏距离不小于距离阈值时,该初始待检测目标为有效待检测目标,否则,该初始待检测目标为伪目标,其中,maxN为所述视差/深度均值最大的目标的序号;
所述原图灰度信息去伪策略为:
获取所述初始待检测目标在当前场景的相应图像中以该目标为中心预定窗口内最小灰度均值,计算所有初始待检测目标对应的灰度均值与所述最小灰度均值的比值,当所述初始待检测目标对应的比值不大于比例阈值且所述初始待检测目标对应的灰度均值不大于控制阈值时,该初始待检测目标为有效待检测目标,否则,该初始待检测目标为伪目标。
10.一种目标识别系统,其特征在于,所述系统包括如权利要求6至9任一项所述的目标识别装置。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN2009101357655A CN101877131A (zh) | 2009-04-28 | 2009-04-28 | 一种目标识别方法、装置及目标识别系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN2009101357655A CN101877131A (zh) | 2009-04-28 | 2009-04-28 | 一种目标识别方法、装置及目标识别系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN101877131A true CN101877131A (zh) | 2010-11-03 |
Family
ID=43019676
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN2009101357655A Pending CN101877131A (zh) | 2009-04-28 | 2009-04-28 | 一种目标识别方法、装置及目标识别系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN101877131A (zh) |
Cited By (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102063725A (zh) * | 2010-12-30 | 2011-05-18 | Tcl集团股份有限公司 | 一种基于深度信息的多目标跟踪方法 |
CN102316307A (zh) * | 2011-08-22 | 2012-01-11 | 安防科技(中国)有限公司 | 一种道路交通视频检测方法及装置 |
CN103150721A (zh) * | 2013-01-10 | 2013-06-12 | 杭州先临三维科技股份有限公司 | 扫描仪标定板图像的误识别点去除方法及标定板 |
CN104424648A (zh) * | 2013-08-20 | 2015-03-18 | 株式会社理光 | 对象跟踪方法和设备 |
CN105528587A (zh) * | 2015-12-29 | 2016-04-27 | 生迪智慧科技有限公司 | 目标检测的方法及装置 |
CN106960210A (zh) * | 2017-03-23 | 2017-07-18 | 上海视可电子科技有限公司 | 目标检测的方法和装置 |
CN107111764A (zh) * | 2015-01-16 | 2017-08-29 | 高通股份有限公司 | 由对象在成像装置的视野中的深度触发的事件 |
CN107729847A (zh) * | 2017-10-20 | 2018-02-23 | 阿里巴巴集团控股有限公司 | 一种证件验证、身份验证方法和装置 |
CN110096999A (zh) * | 2019-04-29 | 2019-08-06 | 达闼科技(北京)有限公司 | 棋盘识别方法、棋盘识别装置、电子设备和可存储介质 |
CN110321854A (zh) * | 2019-07-05 | 2019-10-11 | 百度在线网络技术(北京)有限公司 | 用于检测目标对象的方法和装置 |
CN112581481A (zh) * | 2020-12-30 | 2021-03-30 | Oppo广东移动通信有限公司 | 图像处理方法和装置、电子设备、计算机可读存储介质 |
WO2021244364A1 (zh) * | 2020-06-03 | 2021-12-09 | 苏宁易购集团股份有限公司 | 基于深度图像的行人检测方法及装置 |
-
2009
- 2009-04-28 CN CN2009101357655A patent/CN101877131A/zh active Pending
Cited By (24)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102063725B (zh) * | 2010-12-30 | 2013-05-08 | Tcl集团股份有限公司 | 一种基于深度信息的多目标跟踪方法 |
CN102063725A (zh) * | 2010-12-30 | 2011-05-18 | Tcl集团股份有限公司 | 一种基于深度信息的多目标跟踪方法 |
CN102316307A (zh) * | 2011-08-22 | 2012-01-11 | 安防科技(中国)有限公司 | 一种道路交通视频检测方法及装置 |
CN102316307B (zh) * | 2011-08-22 | 2013-09-25 | 安科智慧城市技术(中国)有限公司 | 一种道路交通视频检测方法及装置 |
CN103150721B (zh) * | 2013-01-10 | 2015-07-29 | 杭州先临三维科技股份有限公司 | 扫描仪标定板图像的误识别点去除方法及标定板 |
CN103150721A (zh) * | 2013-01-10 | 2013-06-12 | 杭州先临三维科技股份有限公司 | 扫描仪标定板图像的误识别点去除方法及标定板 |
CN104424648B (zh) * | 2013-08-20 | 2018-07-24 | 株式会社理光 | 对象跟踪方法和设备 |
CN104424648A (zh) * | 2013-08-20 | 2015-03-18 | 株式会社理光 | 对象跟踪方法和设备 |
CN107111764A (zh) * | 2015-01-16 | 2017-08-29 | 高通股份有限公司 | 由对象在成像装置的视野中的深度触发的事件 |
CN107111764B (zh) * | 2015-01-16 | 2021-07-16 | 高通股份有限公司 | 由对象在成像装置的视野中的深度触发的事件 |
WO2017114168A1 (en) * | 2015-12-29 | 2017-07-06 | Sengled Co., Ltd. | Method and device for target detection |
CN105528587A (zh) * | 2015-12-29 | 2016-04-27 | 生迪智慧科技有限公司 | 目标检测的方法及装置 |
CN105528587B (zh) * | 2015-12-29 | 2019-04-30 | 生迪智慧科技有限公司 | 目标检测的方法及装置 |
CN106960210B (zh) * | 2017-03-23 | 2019-11-22 | 上海视可电子科技有限公司 | 目标检测的方法和装置 |
CN106960210A (zh) * | 2017-03-23 | 2017-07-18 | 上海视可电子科技有限公司 | 目标检测的方法和装置 |
CN107729847A (zh) * | 2017-10-20 | 2018-02-23 | 阿里巴巴集团控股有限公司 | 一种证件验证、身份验证方法和装置 |
US10783369B2 (en) | 2017-10-20 | 2020-09-22 | Alibaba Group Holding Limited | Document verification system, device, and method using a classification model |
CN110096999A (zh) * | 2019-04-29 | 2019-08-06 | 达闼科技(北京)有限公司 | 棋盘识别方法、棋盘识别装置、电子设备和可存储介质 |
CN110096999B (zh) * | 2019-04-29 | 2021-07-30 | 达闼科技(北京)有限公司 | 棋盘识别方法、棋盘识别装置、电子设备和可存储介质 |
CN110321854A (zh) * | 2019-07-05 | 2019-10-11 | 百度在线网络技术(北京)有限公司 | 用于检测目标对象的方法和装置 |
CN110321854B (zh) * | 2019-07-05 | 2021-12-24 | 阿波罗智联(北京)科技有限公司 | 用于检测目标对象的方法和装置 |
WO2021244364A1 (zh) * | 2020-06-03 | 2021-12-09 | 苏宁易购集团股份有限公司 | 基于深度图像的行人检测方法及装置 |
CN112581481A (zh) * | 2020-12-30 | 2021-03-30 | Oppo广东移动通信有限公司 | 图像处理方法和装置、电子设备、计算机可读存储介质 |
CN112581481B (zh) * | 2020-12-30 | 2024-04-12 | Oppo广东移动通信有限公司 | 图像处理方法和装置、电子设备、计算机可读存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN101877131A (zh) | 一种目标识别方法、装置及目标识别系统 | |
CN101527046B (zh) | 一种运动检测方法、装置和系统 | |
US11854272B2 (en) | Hazard detection from a camera in a scene with moving shadows | |
CN109541583B (zh) | 一种前车距离检测方法及系统 | |
CN104573646B (zh) | 基于激光雷达和双目相机的车前行人检测方法及系统 | |
EP1796043B1 (en) | Object detection | |
WO2018058356A1 (zh) | 基于双目立体视觉的汽车防碰撞预警方法和系统 | |
CN107577996A (zh) | 一种车辆驾驶路径偏移的识别方法及系统 | |
US9697421B2 (en) | Stereoscopic camera apparatus | |
CN105225482A (zh) | 基于双目立体视觉的车辆检测系统和方法 | |
CN105426864A (zh) | 一种基于等距边缘点匹配的多车道线检测方法 | |
CN111369617B (zh) | 一种基于卷积神经网络的单目视图的3d目标检测方法 | |
CN103052968A (zh) | 物体检测装置、物体检测方法及程序 | |
CN102176243A (zh) | 一种基于可见光和红外摄像机的目标测距方法 | |
Oniga et al. | Polynomial curb detection based on dense stereovision for driving assistance | |
CN112329747A (zh) | 基于视频识别和深度学习的车辆参数检测方法及相关装置 | |
Vestri et al. | Evaluation of a vision-based parking assistance system | |
CN105844227A (zh) | 面向校车安全的司机身份认证方法 | |
CN106709432B (zh) | 基于双目立体视觉的人头检测计数方法 | |
Gao et al. | A practical method of road detection for intelligent vehicle | |
CN109389024B (zh) | 基于影像识别路锥的方法、装置、存储介质以及车辆 | |
Takahashi et al. | A robust lane detection using real-time voting processor | |
Ho et al. | Localization on freeways using the horizon line signature | |
CN113658240B (zh) | 一种主要障碍物检测方法、装置与自动驾驶系统 | |
Teoh et al. | Ground plane detection for autonomous vehicle in rainforest terrain |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C12 | Rejection of a patent application after its publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20101103 |