CN102024149A - 物体检测的方法及层次型物体检测器中分类器的训练方法 - Google Patents

Abstract

本发明公开了一种物体检测的方法和系统，以及，一种层次型物体检测器中分类器的训练方法和系统。其中，所述物体检测的方法包括：将输入图像预处理为S个不同尺度的待检测图像，其中，S大于或等于1；采用层次型物体检测器对所述待检测图像的各个位置进行判定，若当前位置通过了当前层，则继续到下一层进行判定；否则，认为当前位置不是所述待检测图像的候选位置；其中，在每层分类器中判定的过程包括：提取所述待检测图像中相应特定子区域的纹理特征；依据所述纹理特征分别计算各特定子区域所对应的局部子分类器的输出特征；依据所述输出特征判断当前位置是否通过当前层。本发明可以提高物体检测的速度并获得较好的物体检测效果。

Description

物体检测的方法及层次型物体检测器中分类器的训练方法

技术领域

本发明涉及模式识别技术领域，特别是涉及一种物体检测的方法和系统，以及，一种层次型物体检测器中分类器的训练方法和系统。

背景技术

随着计算机技术的迅速发展，计算机处理能力得到了大幅度的提升，出现了模式识别、运动检测等许多新兴的技术手段，其中，物体检测作为模式识别技术的一种，在越来越多的领域得到了广泛的应用。物体检测，是指从静态或视频图像中获取一定区域中存在的物体的数目、位置和大小。物体检测技术在智能视频监控、智能交通管理、视频分析和图片检索等各领域有着重要的实用价值。

目前，物体检测技术主要分为两类，包括：

一、启发式规则方法：

该方法根据物体的外在形状和颜色等特点，设定一定的规则来获取物体区域。这类方法由于其固有的内在缺陷造成适应性较差，当外部的光照条件、使用场合的背景等因素发生变化时，会严重影响检测的精度，因此此类方法应用场景比较局限。

二、分类器训练方法

该方法采集在各种不同的光照条件、背景环境和各种姿态条件下的物体样本，采用模式识别领域普遍使用的分类器训练的方法进行训练，得到物体区域的模型，再利用该模型对未知的图像或视频进行判定。由于该方法相对第一类方法具有更好的检测效果，从而得到了广泛使用。

近年来，自适应增强算法(Adaboost)作为模式识别领域的一种重要的分类器设计方法取得了包括人体检测等在内的大量成功应用，该方法实现简单且检测速度较快。曾有方案提出将成功用于人体检测领域的基于微结构特征和Adaboost的方法用于物体检测，虽然所述方案的检测速度较快，但是检测效果却不够理想，无法满足实用的要求。

此外，支持向量机(SVM)是另一种广泛使用的分类器，该分类器相对Adaboost具有更佳的泛化能力，同样有人尝试采用基于SVM分类器的物体检测算法，也获得了很好的检测效果，但是该方法存在着检测速度极慢的问题，从而使该方案无法应用于实时运行的系统中，因此大大限制了该方案的应用场景。

因而，目前需要本领域技术人员迫切解决的一个技术问题就是：如何能够创新地提出一种兼顾物体检测的速度和精度的物体检测方案，以提高物体检测的速度并获得较好的物体检测效果。

发明内容

本发明所要解决的技术问题是提供一种物体检测的方法和系统，以及，一种层次型物体检测器中分类器的训练方法和系统，以提高物体检测的速度并获得较好的物体检测效果。

为了解决上述技术问题，本发明实施例公开了一种物体检测的方法，包括：

将输入图像预处理为S个不同尺度的待检测图像，其中，S大于或等于1；

采用层次型物体检测器对所述待检测图像的各个位置进行判定，若当前位置通过了当前层，则继续到下一层进行判定；否则，认为当前位置不是所述待检测图像的候选位置；其中，所述层次型物体检测器由一个或者多个分类器组成，每层分类器依据一个或多个局部子分类器的输出特征计算得到，所述局部子分类器依据相应样本图像中多个特定子区域的纹理特征构造获得；

其中，在每层分类器中判定的过程包括：

提取所述待检测图像中相应特定子区域的纹理特征；

依据所述纹理特征分别计算各特定子区域所对应的局部子分类器的输出特征；

依据所述输出特征判断当前位置是否通过当前层。

优选的，所述纹理特征为边缘方向直方图特征，所述提取待检测图像中相应特定子区域的纹理特征的步骤包括：

遍历所述待检测图像的各像素点，获得各像素点的边缘方向和边缘强度；

确定所述待检测图像中相应的特定子区域；

依据所述各像素点的边缘方向和边缘强度，分别计算各特定子区域的边缘方向直方图。

优选的，所述特定子区域为多个相邻子区域，所述纹理特征为所述多个子区域的联合方向直方图特征，所述提取待检测图像中相应特定子区域的纹理特征的步骤包括：

遍历所述待检测图像的各像素点，获得各像素点的边缘方向和边缘强度；

确定所述待检测图像中相应的特定子区域；

依据所述各像素点的边缘方向和边缘强度，分别计算各特定子区域的边缘方向直方图；

将所述多个相邻子区域的边缘方向直方图首尾相接组成联合边缘方向直方图；

对所述联合方向直方图进行归一化。

优选的，所述归一化为将联合方向直方图的每个值除以其1范数或2范数。

优选的，所述相邻子区域的数目为2、3、或4，位置关系为两两水平相邻，两两垂直相邻或两两对角相邻。

优选的，所述S个待检测图像依次由大到小并且相邻尺度图像的长宽比为一固定值。

优选的，所述每层分类器的形式为

其中，P为局部子分类器的输出特征，h_s(p)为查找表类型的弱分类器，S为包含的局部子分类器的数目。

优选的，所述局部子分类器的输出特征为

或

其中，x为所述局部子分类器采用的纹理特征，T为纹理特征的数目，t＝1，...，T，h_t为弱分类器，α_i为每个弱分类器的权重。

本发明实施例还公开了一种层次型物体检测器中分类器的训练方法，包括：

采集样本图像；

在样本图像中，划分多个不同大小、不同位置的子区域；

提取各子区域的纹理特征；

依据所有样本图像中相应子区域的纹理特征，构造该子区域的局部子分类器；

依据所有子区域的局部子分类器的输出构造分类器。

优选的，所述纹理特征为边缘方向直方图特征，在样本图像中划分多个不同大小、不同位置的子区域步骤之前，所述方法还包括：

计算所述样本图像中各像素点的边缘方向和边缘强度；

所述提取各子区域的纹理特征的步骤包括：

依据所述各像素点的边缘方向和边缘强度，分别计算各子区域的边缘方向直方图。

优选的，所述子区域为多个相邻子区域，所述纹理特征为联合方向直方图特征，在样本图像中划分多个不同大小、不同位置的子区域步骤之前，所述方法还包括：

计算所述样本图像中各像素点的边缘方向和边缘强度；

所述提取各子区域的纹理特征的步骤包括：

依据所述各像素点的边缘方向和边缘强度，分别计算各子区域的边缘方向直方图，并将所述多个相邻子区域的边缘方向直方图首尾相接组成联合方向直方图；

对所述联合方向直方图进行归一化。

优选的，所述归一化为将联合方向直方图的每个值除以其1范数或2范数。

优选的，所述相邻子区域的数目为2、3、或4，位置关系为两两水平相邻，两两垂直相邻或两两对角相邻。

优选的，所述依据所有样本图像中相应子区域的纹理特征构造该子区域的局部子分类器的步骤包括：

将所有样本图像中相应子区域的纹理特征作为第一候选弱特征，采用adaboost算法对所述第一候选弱特征进行选择和训练，获得局部子分类器为

或

其中，sign为符号函数，T为对应于纹理特征数目的迭代次数，t＝1，...，T，h_t为每轮迭代选择输出的弱分类器，α_i为每个弱分类器的权重，b为分类阈值。

优选的，所述局部子分类器的连续型的输出形式为

或

所述依据所有子区域的局部子分类器的输出构造分类器的步骤包括：

将各子区域局部子分类器的连续型的输出形式作为第二候选弱特征；

采用Adaboost算法对所述第二候选弱特征进行选择和训练，获得强分类器。

优选的，所述依据所有子区域的局部子分类器的输出构造分类器的步骤还包括：

预置所述强分类器的训练轮数为所述第二候选弱特征数目的平方根取整。

优选的，所述的方法，还包括：

针对某一待检测物体分别采用不同的样本图像训练生成多个分类器，将所述多个分类器组成层次型物体检测器。

本发明实施例还公开了一种物体检测系统，包括：

预处理模块，用于将输入图像预处理为S个不同尺度的待检测图像，其中，S大于或等于1；

物体检测模块，用于采用层次型物体检测器对所述待检测图像的各个位置进行判定，若当前位置通过了当前层，则继续到下一层进行判定；否则，认为当前位置不是所述待检测图像的候选位置；其中，所述层次型物体检测器由一个或者多个分类器组成，每层分类器依据一个或多个局部子分类器的输出特征计算得到，所述局部子分类器依据相应样本图像中多个特定子区域的纹理特征构造获得；

针对每层分类器，所述物体检测模块包括：

特征提取单元，用于提取所述待检测图像中相应特定子区域的纹理特征；

输出特征计算单元，用于依据所述纹理特征分别计算各特定子区域所对应的局部子分类器的输出特征；

检测单元，用于依据所述输出特征判断当前位置是否通过当前层。

优选的，所述纹理特征为边缘方向直方图特征，所述特征提取单元包括：

边缘强度和边缘方向计算子单元，用于遍历所述待检测图像的各像素点，获得各像素点的边缘方向和边缘强度；

特定子区域确定子单元，用于确定所述待检测图像中相应的特定子区域；

边缘方向直方图提取子单元，用于依据所述各像素点的边缘方向和边缘强度，分别计算各特定子区域的边缘方向直方图。

优选的，所述特定子区域为多个相邻子区域，所述纹理特征为所述多个子区域的联合方向直方图特征，所述特征提取单元包括：

边缘强度和边缘方向计算子单元，用于遍历所述待检测图像的各像素点，获得各像素点的边缘方向和边缘强度；

特定子区域确定子单元，用于确定所述待检测图像中相应的特定子区域；

边缘方向直方图计算单元，用于依据所述各像素点的边缘方向和边缘强度分别计算各特定子区域的边缘方向直方图；

联合直方图计算单元，用于将所述多个相邻子区域的边缘方向直方图首尾相接组成联合方向直方图；

归一化处理单元，用于对所述联合方向直方图进行归一化。

与现有技术相比，本发明具有以下优点：

首先，在层次型物体检测器中分类器的训练过程中，本发明通过将样本图像划分为多个不同大小、不同位置的子区域，并采用细节描述能力强的纹理特征作为输入为每个子区域构造一个局部子分类器，然后依据上述局部子分类器的输出构造强分类器。由于本发明充分利用样本图像的细节和区域信息，同时，选择对物体检测最有帮助的子区域及特征来组成最终的分类器，使得最终分类器具有更为准确的特征描述能力和误差消除能力。

再者，本发明在物体检测过程中，需要依据组成层次型物体检测器中的分类器所选定的特定子区域，提取待检测物体的待检测图像的纹理特征构造各特定子区域所对应局部子分类器的输出特征，然后采用该输出特征在各层分类器中进行检测。由于所述待检测图像的检测过程也是基于与分类器相同子区域的细节信息进行检测的，因此可以有效提高检测的准确度。

此外，本发明在计算图像中各区域的纹理特征的过程中采用了快速算法；在设定不同大小、不同位置的子区域时，为了防止子区域数量过多，对子区域的大小进行限定；同时，在训练分类器的过程中，限定每个分类器的特征数目以及强分类器的训练轮数；从而有效的提高了层次型物体检测器中分类器训练和检测时的速度。

附图说明

图1是本发明的一种层次型物体检测器中分类器训练方法实施例1的流程图；

图2是本发明的一种层次型物体检测器中分类器训练方法实施例2的流程图；

图3是本发明的实施例中6个方向的无符号离散化边缘方向的示意图；

图4是本发明的一种层次型物体检测器中分类器训练系统实施例的结构框图；

图5是本发明的一种物体检测方法实施例的流程图；

图6是本发明的一种物体检测系统实施例的结构框图。

具体实施方式

为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。

本发明实施例的核心构思之一在于，通过在样本图像中划分不同大小、不同位置的子区域，并为每个子区域训练一个局部子分类器，然后利用这些局部子分类器的输出作为特征，训练分类器，并组合所述分类器形成层次型物体检测器，利用这种训练获得的层次型物体检测器进行物体检测，不仅快速、还可以获得精度较高的检测结果。

参考图1，示出了本发明的一种层次型物体检测器中分类器训练方法实施例1的流程图，具体可以包括以下步骤：

步骤101，采集样本图像；

为保证训练效果，样本图像可以取正样本图像和反样本图像，作为一种示例，针对待检测物体而言，可以通过以下子步骤来采集样本图像：

采集包含物体的图像，标定物体图像并割取物体区域，将所述物体区域放缩到固定大小W₀×H₀，作为正样本图像；

采集不是物体的图像，割取非物体区域并放缩到固定大小W₀×H₀作为反样本图像。

例如，获取待检测物体的5000幅图像，标定出物体并割取相应区域，然后放缩到固定尺寸64×128像素，将该批处理后的图像作为正样本图像；同时获取不包含检测物体的1600幅图像，割取其中不是检测物体的区域并放缩到固定尺寸64×128像素，将该批处理后的图像作为反样本图像。

步骤102、在样本图像中，划分多个不同大小、不同位置的子区域；

例如，在大小为W₀×H₀的样本图像中，设定不同大小和位置的矩形区域，形成候选矩形区域队列，对于一个样本图像而言，可以采用以下公式表示所有可能大小及位置的子区域：

A＝{R(l，t，w，h)|l≥0，(l+w)＜W₀，t≥0，(t+h)＜H₀}

为了防止子区域过多而导致计算速度较慢，在实际中，还可以限定子区域的大小。例如，可以采用如下方式来限定：

$\frac{W_0}{4}\≤w\≤w_0,\frac{H_0}{4}\≤h\≤H_0.$

进一步，还可以限定子区域间的步长，比如，可以限定水平方向步长为2，垂直方向步长为4，从而减少子区域的数目。

作为另一实施例，还可以设定子区域为多个相邻的矩形区域，可以为水平相邻，也可以为垂直相邻，或对角相邻。即在实际中，本领域技术人员针对具体情况任意划分子区域都是可行的，本发明对此不作限制。

步骤103、提取各子区域的纹理特征；

公知的是，纹理就是指在图像中反复出现的局部模式和它们的排列规则，这是图像中一个基本且重要的特性，纹理特征是对区域内部灰度级变化的特征进行量化。在本发明实施例中，所述纹理特征可以选取Gabor特征、边缘方向直方图特征、LBP(局部二值编码)特征等，本领域技术人员根据实际情况任意选用即可，本发明对此无需加以限制。

步骤104、依据所有样本图像中相应子区域的纹理特征，构造该子区域的局部子分类器；

得到每个子区域的纹理特征，为一个特征向量，将该特征向量作为候选特征，即可采用分类器训练算法训练得到该子区域的局部子分类器。在具体实现中，可以采用自适应增强(Adaboost，adaptive boosting)算法对上述得到的子区域的纹理特征进行训练，从而得到各子区域的局部子分类器。

例如，一种采用Real-adaboost算法训练局部子分类器的过程为：

S1、构造子区域特征训练集L＝{(x_i，y_i)}，其中，i＝1，...，n，x_i∈X为有效人体图像中某一子区域的纹理特征，y_i∈{+1，-1}为所属样本图像的类别；

S2、初始化所述子区域特征训练集中每个元素(x_i，y_i)的权重：

$D_1\left(i\right)=\frac{1}{n},i=1,...,n;$

S3、通过T次迭代获得T个弱分类器，其中t＝1，...，T，第t次迭代的过程为：

(1)在该轮分布D_t上，采用弱分类器构造选择算法，获取此轮最佳的弱分类器，得到h_t：X→{+∞，-∞}；

(2)更新样本的权重为 $D_{t+1}\left(i\right)=\frac{D_t\left(i\right)\exp (-y_i{h}_t\left(x_i\right))}{Z_t},$

其中， $Z_t=\underset{i}{\mathrm{\Σ}}{D}_t\left(i\right)\exp (-y_i{h}_t\left(x_i\right))$ 是归一化因子；

S4、输出作为某个子区域的局部子分类器的强分类器： $H\left(x\right)=\mathrm{sign}(\underset{t=1}{\overset{T}{\mathrm{\Σ}}}{h}_t\left(x\right)-b).$

为了提高处理速度，在本发明的一种优选实施例中，还可以限定每个分类器的特征数目，也就是上例中，

中的T。

在每轮迭代中，对于弱分类器构造算法，可以采用区域分割弱分类器构造方法(Domain-partitioning weak hypotheses)，来构造弱分类器，并从中选取使得分类误差上界最小的弱分类器作为本轮输出。

其中，弱分类器构造算法可以参考如下示例：

首先，在分布D_t上，对于候选特征空间H中的每个特征构造其对应的弱分类器如下：

T1、将样本空间分为n个不同的区间X₁，...，X_n，X₁∪X₂∪...∪X_n＝X且 $X_i\underset{i\≠j}{\∩}{X}_j=\mathrm{\Φ};$

T2、在分布D_t上，计算：

$W_l^j=P(x_i\∈X_j,y_i=l)=\underset{i:x_i\∈X_j^y_i=l}{\mathrm{\Σ}}{D}_t\left(i\right),$ 其中l＝±1；

T3、对于X_j中的每个X，设定其对应弱分类器输出为：

$\∀x\∈X_j,h\left(x\right)=\frac{1}{2}\ln \left(\frac{W_{+1}^j+\mathrm{\ϵ}}{W_{-1}^j+\mathrm{\ϵ}}\right)$

其中，ε＜＜1/2N，引入ε是为了避免分母为零时引起的数字溢出；

T4、计算 $Z=2\underset{j}{\mathrm{\Σ}}\sqrt{W_{+1}^j{W}_{-1}^j};$

然后，从构造的所有弱分类器中，选择使得Z最小的h作为此轮最终选择输出的弱分类器，即

由于上述选择得到的弱分类器数目T远小于所有的子区域数目，因而能够大大提高将来的检测速度。

如果采用上述real-adaboost算法进行训练，则得到各子区域的局部子分类器的强分类器的输出形式为

如果采用discrete-adaboost训练，则得到的强分类器的输出形式为

其中，α_i为每个弱分类器的权重，h_t(x)为弱分类器，b为阈值。

更为优选的，为进一步提高处理速度，还可以限定强分类器的训练轮数，例如，限定强分类器训练轮数为特征数目的平方根取整。

步骤105、依据所有子区域的局部子分类器的输出构造分类器。

对于所定义的各个子区域，分别为其训练一个局部子分类器。进一步，可以将各子区域局部子分类器的连续型输出作为特征，则如果有N个子区域，则共得到N个特征。以上述N个特征为候选弱特征，可以采用自适应增强(Adaboost，adaptive boosting)算法对上述局部子分类器的输出特征进行训练得到强分类器。对于采用adaboost训练算法训练得到的局部子分类器而言，其连续型的输出形式为

或

例如，一种采用Real-adaboost算法训练分类器的过程为：

U1、构造全局特征训练集M＝{(p_i，q_i)}，其中，i＝1，...，n，p_i∈P为有效人体图像中某一子区域的局部子分类器的连续型的输出形式，q_i为p_i所属样本图像的类别；

U2、初始化所述全局特征训练集中每个元素(p_i，q_i)的权重：

$D_1\left(i\right)=\frac{1}{n},i=1,...,n;$

U3、通过S次迭代获得S个弱分类器，其中s＝1，...，S，第s次迭代的过程为：

(1)在该轮分布D_s上，采用弱分类器构造选择算法，获取此轮最佳的弱分类器，得到h_s：P→{+∞，-∞}；

(2)更新样本的权重为 $D_{s+1}\left(i\right)=\frac{D_s\left(i\right)\exp (-q_i{h}_s\left(p_i\right))}{Z_s},$

其中， $Z_s=\underset{i}{\mathrm{\Σ}}{D}_s\left(i\right)\exp (-q_i{h}_s\left(p_i\right))$ 是归一化因子；

U4、输出强分类器： $H\left(p\right)=\mathrm{sign}(\underset{s=1}{\overset{S}{\mathrm{\Σ}}}{h}_S\left(p\right)-b)$

在每轮迭代中，对于弱分类器构造算法，可以采用区域分割弱分类器构造方法(Domain-partitioning weak hypotheses)，来构造弱分类器，并从中选取使得分类误差上界最小的弱分类器作为本轮输出。所述弱分类器的构造算法可以参考上一个步骤中的示例，在此不再赘述。

由于采用了特征选择算法，因此，上述N个子区域的局部子分类器的输出并没有全部被使用，而只有其中的一部分被使用组成最终的分类器，从而有利于提高检测速度。

当然，上述分类器的构造算法仅仅用作一种示例，本领域技术人员采用现有技术中的任一种分类器构造算法都是可行的。例如，还可以采用discrete adaboost算法等，本发明对此不作限定。

在具体实现中，通过对某一待检测物体分别采用不同的样本图像训练生成多个分类器，即可组成一个层次型物体检测器。

在实际中，对于图像中人体、人头、汽车等物体而言，物体轮廓和背景交界处具有强烈的边缘，现有的物体检测算法已经证明，物体轮廓和背景交界处的边缘是进行物体检测的重要信息；而单一像素点的梯度，并没有很强的表示能力，此外，对于噪声和不同人物体姿态外观的变化也比较敏感。因此，本发明优选采用矩形区域内的边缘方向直方图(HOG，histogram of gradient)分布作为特征来构建分类器。具体可以参考图2所示的本发明的一种层次型物体检测器中分类器训练方法实施例2的流程图，具体可以包括以下步骤：

步骤201，采集样本图像；

步骤202，计算所述样本图像中各像素点的边缘强度和边缘方向；

以下示出一种计算边缘强度和边缘方向的示例，具体可以包括以下子步骤：

子步骤B1，计算图像中各个像素点的水平、垂直边缘。

由于边缘不仅具有强度，而且还有一定的方向，因此，首先要分别求取图像上各像素点的水平边缘和垂直边缘。

像素点边缘的求取方法有很多种，常用的如sobel算子，例如：

$\left(\begin{array}{ccc}-1& 0& 1\\ -2& 0& 2\\ -1& 0& 1\end{array}\right)$ $\left(\begin{array}{ccc}-1& -2& -1\\ 0& 0& 0\\ -1& 2& 1\end{array}\right)$

左侧的矩阵S1为sobel水平方向的检测模板，该矩阵用于计算中心处元素A(即第2行第2列的元素)的水平边缘，用EH(A)表示，右侧的矩阵S2为sobel垂直方向的检测模板，用于计算A点的垂直边缘，用EV(A)表示。

优选的是，由于prewitt算子具有快速算法，在实际中还可以采用prewitt算子提取水平和垂直方向的边缘。

子步骤B2，计算各像素点的边缘强度和离散化的边缘方向。

根据计算得到的各像素点的水平边缘EH和垂直边缘EV，进一步计算各像素点的边缘方向(用ED表示)和边缘强度(用EI表示)。

边缘强度的计算方式有多种，例如

或EI＝|EH|+|EV|。

边缘方向通常有两种：

一种是无符号的边缘方向，即边缘方向的范围是0～180度，此时相差180度的边缘方向为同一个方向。

另一种是有符号的边缘方向，边缘方向的范围是360度，此时相差180度的方向为不同方向。

在采用无符号的边缘方向为例，参考图3可知，像素点的无符号边缘方向

优选的，还可以进一步计算离散化的边缘方向(用NED表示)，例如采用如下计算方法：

对无符号的边缘方向进行离散化，即将180度的范围等分为N个区间(N为自然数)，图3示出了N＝6的情况，此时，边缘方向属于同一个区间范围内的像素点，它们离散化的边缘方向(用NED表示)的值相同。由图3可知，像素点的无符号边缘方向

则该像素点的离散化边缘方向

所述arc cot函数为余切函数的反函数。

优选的，计算离散化的边缘方向还可以采用以下快速计算方法：

第一步：如果EH为0，则设定此时NED为0；否则，进行第二步；

第二步：初始化i＝0，计算

的值；

第三步：如果

小于等于

的值，终止流程；否则，进行第四步；

第四步：i增加1，如果此时i＜N-1，则回到第三步，否则终止流程。

得到的i的值即为该像素点NED的值。

比较以上两种计算离散化的边缘方向的方法，如果采用上述先计算ED，再由ED计算NED的值，由于存在开方及三角运算，计算速度较慢；而采用上述优选的计算离散化的边缘方向的方法中只需要进行简单的代数运算和余切函数的计算，因此计算速度大大快于采用根据NED的定义进行计算的方法。

采用上述方法，遍历样本图像中所有的像素点，可以得到各像素点的边缘强度和离散化的边缘方向。

步骤203，在样本图像上，划分多个不同大小和位置的子矩形区域，

步骤204，依据所述各像素点的边缘方向和边缘强度，分别计算各子区域的边缘方向直方图；

其中，各子区域的边缘方向直方图可以为该区域内所有离散化边缘方向取值为i的像素点的边缘强度的累积和，可以采用以下公式表示：

其中，R为当前子区域，P(x，y)表示子区域内第x行、y列的像素点。

在本发明的实施例中，对于每个子区域范围内的图像，都存在一个边缘方向直方图Hist，根据所述Hist的计算方法，可知该Hist是一个N维向量，其中包含N个元素，每个元素为一个离散化边缘方向上的边缘强度的累积和。如果训练共选定R个子区域，则这R个子区域共包含N×R个Hist元素。

为进一步对边缘方向直方图特征进行光照处理，一种更为优选的提取各子区域纹理特征的方法为：

对于两两水平垂直相邻的四个子区域，分别计算其边缘方向直方图，采用四个子区域的边缘方向直方图组成一个特征向量，采用特征向量的1范数或者2范数进行归一化处理，得到四个相邻子区域的归一化联合方向直方图作为纹理特征。

当然，上述纹理特征的方法仅仅用作示例，本领域技术人员依据实际情况采用任一种提取方法都是可行的，例如，将2个或3个相邻子区域的边缘方向直方图首尾相接组成联合边缘方向直方图作为纹理特征等，本发明对此无需加以限制。

步骤205，依据样本图像中相应子区域的纹理特征构造该子区域的局部子分类器；

在本发明的一种优选实施例中，可以通过以下子步骤构造所述局部子分类器：

子步骤B1，构造子区域特征训练集{(x_i，y_i)}，其中，i＝1，...n，x_i为某一样本图像中相应子区域的边缘方向直方图特征，y_i为该样本图像所属的样本图像类别；即训练集中每个元素(x_i，y_i)为一个候选弱特征(第一候选弱特征)；

子步骤B2，初始化所述子区域特征训练集中每个元素(x_i，y_i)的权重；

子步骤B3，通过T次迭代获得T个弱分类器，第t次迭代的过程为：依据当前权重构造所述全局特征训练集的弱分类器，并依据所述弱分类器更新所述权重，其中t＝1，...，T；

子步骤B4，训练将所述T个弱分类器，构造所述子区域的局部子分类器。

步骤206，依据所有子区域的局部子分类器的输出构造分类器。

在本发明的一种优选实施例中，可以通过以下子步骤构造所述分类器：

子步骤E1，构造分类器特征训练集{(p_j，q_j)}，其中，j＝1，...m，p_j为样本图像中某一子区域的局部子分类器的输出，q_i为p_i所属的样本图像类别；

子步骤E2，初始化所述全局特征训练集中每个元素(p_i，q_i)的权重；

子步骤E3，通过S次迭代获得S个弱分类器，第s次迭代的过程为：依据当前权重构造所述全局特征训练集的弱分类器，并依据所述弱分类器更新所述权重，其中s＝1，...，S；

子步骤E4，将所述S个子区域的局部子分类器组合形成分类器。

参考图4，示出了本发明的一种层次型物体检测器中分类器训练系统实施例的结构框图，具体可以包括：

样本采集模块401，用于采集图样图像；

子区域划分模块402，用于在样本图像上，划分多个不同大小、不同位置的子区域；

特征提取模块403，用于提取各子区域的纹理特征；

局部子分类器构造模块404，用于依据所有子区域的纹理特征构造该子区域的局部子分类器；

检测模型构造模块405，依据子区域的局部子分类器构造分类器。

在本发明的一种优选实施例中，所述纹理特征可以为边缘方向直方图特征，在这种情况下，所述系统还可以包括以下模块：

边缘方向和边缘强度计算模块，用于计算所述样本图像中各像素点的边缘方向和边缘强度；

此时，所述特征提取模块可以进一步包括以下单元：

边缘方向直方图计算单元，用于依据所述各像素点的边缘方向和边缘强度，分别计算各子区域的边缘方向直方图。

作为另一优选实施例，所述纹理特征可以为多个相邻子区域的边缘方向直方图首尾相接组成的联合边缘方向直方图，其中，联合的子区域数目N可以取4，也可以取2，3等大于零的数字。多个子区域间的相邻关系可以为左右相邻，也可以为上下相邻。比如左右相邻的2个区域，左右相邻的4个区域，上下相邻的3个区域，或左右上下两两相邻的4个矩形。进一步，还可以采用同除以1范数或2范数的方式对上述联合边缘方向直方图进行归一化。即在本实施例中，所述系统还可以包括：

边缘方向和边缘强度计算模块，用于计算所述样本图像中各像素点的边缘方向和边缘强度；

此时所述特征提取模块进一步包括以下单元：

边缘方向直方图计算单元，用于依据所述各像素点的边缘方向和边缘强度，分别计算各子区域的边缘方向直方图；

联合方向直方图计算单元，用于将所述多个相邻子区域的边缘方向直方图首尾相接组成联合方向直方图；

归一化处理单元，用于对所述联合方向直方图进行归一化。

在本发明的一种优选实施例中，所述局部子检测模型构造模块可以包括以下单元：

第一特征选取单元，用于将所有样本图像中相应子区域的纹理特征作为第一候选弱特征；

局部子分类器训练单元，用于采用adaboost算法对所述第一候选弱特征进行选择和训练，获得局部子分类器为

或

其中，sign为符号函数，T为迭代次数，t＝1，...，T，h_t为每轮迭代选择输出的弱分类器，α_i为每个弱分类器的权重，b为分类阈值。

即所述局部子分类器的连续型的输出形式为

或

在这种情况下，所述检测模型构造模块可以包括以下单元：

第二特征选取单元，用于将各子区域局部子分类器的输出作为第二候选弱特征；

强分类器训练单元，用于采用Adaboost算法对所述第二候选弱特征进行选择和训练，获得强分类器。

所述弱分类器的构造方法可以采用基于查找表的方式，也可以采用基于分段阈值的方式。

为提高训练速度，更为优选的是，所述检测模型构造模块还可以包括以下单元：

训练轮数设置单元，用于预置所述强分类器的训练轮数为所述候选弱特征数目的平方根取整。

在本发明实施例中，还可以包括以下模块：

层次型物体检测器组合模块，用于针对某一待检测物体分别采用不同的样本图像训练生成多个分类器，将所述多个分类器组成层次型物体检测器。

对于系统实施例而言，由于其与图1、图2所示的方法实施例基本相似，所以描述的比较简单，相关之处参见系统实施例的部分说明即可。

上述给出了训练物体模型的方法，该模型能够区分输入图像中某个固定大小的图像区域是否为物体区域。具体可以参考图5所示的本发明的一种物体检测方法实施例的流程图，包括以下子步骤：

步骤501，将输入图像预处理为S个不同尺度的待检测图像，其中，S大于或等于1；

因为训练得到的模型只能判定一个固定大小的图像窗口是否为物体，因此，为了检测到不同位置的物体，需要采用所述模型对待检测图像中存在的各个不同位置、同一大小的图像窗口进行判定。所述的各个位置即对应不同位置的固定大小的窗口。即在实际使用中，为了采用上述固定大小的模型检测到图像中不同大小，不同位置的物体，需要将待检测图像放缩得到S(S＞＝1)个尺度图像，这些图像依次由大到小，并且相邻尺度图像的长宽之比为某固定值Scale，后一个尺度相对前一个尺度而言，宽度和高度分别为前一个尺度的Scale倍，Scale为浮点数，较优的可以取为0.8即可。

步骤502，采用层次型物体检测器对所述待检测图像的各个位置进行判定，若当前位置通过了当前层，则继续到下一层进行判定；否则，认为当前位置不是所述待检测图像的候选位置，不继续采用后面各层进行判定；

其中，在每层分类器中判定的过程包括以下子步骤：

子步骤5021，提取所述待检测图像中相应特定子区域的纹理特征；

子步骤5022，依据所述纹理特征分别计算各特定子区域所对应的局部子分类器的输出特征；

子步骤5023，依据所述输出特征判断当前位置是否通过当前层。

对于层次型物体检测器来说，如果当前窗口通过了第一层，才会采用第二层进行处理，否则，认为该窗口不是物体，即只有通过所有层分类器的窗口都会被判定为物体。

在本实施例中，所述层次型物体检测器由一个或者多个分类器组成，每层分类器依据一个或多个局部子分类器的输出特征计算得到，所述局部子分类器依据相应样本图像中多个特定子区域的纹理特征构造获得；即每层分类器可以为

其中，P为局部子分类器的输出特征，h_s(p)为查找表类型的弱分类器，S为包含的局部子分类器的数目。

进一步而言，所述局部子分类器的输出特征可以为

或

其中，x为所述局部子分类器采用的纹理特征，T为采用的纹理特征数目，t＝1，...，T，h_t为弱分类器，α_i为每个弱分类器的权重。具体可以参考上述层次型物体检测器中分类器训练方法的实施例，在此不赘述。

在本发明的一种优选实施例中，所述纹理特征可以为边缘方向直方图特征，在这种情况下，可以通过以下子步骤来提取待检测图像中相应特定子区域的纹理特征：

遍历所述待检测图像的各像素点，获得各像素点的边缘方向和边缘强度；

确定所述待检测图像中多个对应的特定子区域；

依据所述各像素点的边缘方向和边缘强度，分别计算各特定子区域的边缘方向直方图。

即在这种情况下提供一种实际中每层分类器中判定的示例为，

首先，对于每个尺度的图像，计算其每个点的边缘强度和离散化边缘方向；

然后，根据每个像素的离散化边缘方向和边缘强度，计算得到最终的分类器中选择使用的子区域的边缘方向直方图，并进行归一化，同时，计算得到局部子分类器的连续型输出；

最后，根据所述选择使用的局部子分类器的连续型输出，确定最终分类器的各个弱分类器的输出，并计算得到各层的输出，从而判定当前位置是否为物体。

作为另一优选实施例，所述特定子区域可以为多个相邻子区域，所述纹理特征可以为所述多个子区域的联合方向直方图特征，在这种情况下，可以通过以下子步骤来提取待检测图像中相应特定子区域的纹理特征：

遍历所述待检测图像的各像素点，获得各像素点的边缘方向和边缘强度；

确定所述待检测图像中相应的特定子区域；

依据所述各像素点的边缘方向和边缘强度，分别计算各特定子区域的边缘方向直方图；

将所述多个相邻子区域的边缘方向直方图首尾相接组成联合边缘方向直方图；

对所述联合方向直方图进行归一化。

在具体实现中，所述归一化的方法可以为将联合方向直方图的每个值除以其1范数或2范数；所述相邻子区域的数目可以为2、3、或4，位置关系可以为两两水平相邻，两两垂直相邻或两两对角相邻。

需要说明的是，对于前述的各方法实施例，为了简单描述，故将其都表述为一系列的动作组合，但是本领域技术人员应该知悉，本发明并不受所描述的动作顺序的限制，因为依据本发明，某些步骤可以采用其他顺序或者同时进行。其次，本领域技术人员也应该知悉，说明书中所描述的实施例均属于优选实施例，所涉及的动作和模块并不一定是本发明所必须的。

参考图6，示出了本发明一种物体检测系统实施例的结构框图，具体可以包括：

预处理模块601，用于将输入图像预处理为S个不同尺度的待检测图像，其中，S大于或等于1；

物体检测模块602，用于采用层次型物体检测器对所述待检测图像的各个位置进行判定，若当前位置通过了当前层，则继续到下一层进行判定；否则，认为当前位置不是所述待检测图像的候选位置；其中，所述层次型物体检测器由一个或者多个分类器组成，每层分类器依据一个或多个局部子分类器的输出特征计算得到，所述局部子分类器依据相应样本图像中多个特定子区域的纹理特征构造获得；

针对每层分类器，所述物体检测模块602可以包括以下单元：

特征提取单元6021，用于提取所述待检测图像中相应特定子区域的纹理特征；

输出特征计算单元6022，用于依据所述纹理特征分别计算各特定子区域所对应的局部子分类器的输出特征；

检测单元6023，用于依据所述输出特征判断当前位置是否通过当前层。

在本发明的一种优选实施例中，所述纹理特征可以为边缘方向直方图特征，在这种情况下，所述特征提取单元可以包括以下子单元：

边缘强度和边缘方向计算子单元，用于计算所述待检测图像中各像素点的边缘方向和边缘强度；

特定子区域确定子单元，用于确定所述待检测图像中多个对应的特定子区域；

边缘方向直方图提取子单元，用于依据所述各像素点的边缘方向和边缘强度，分别计算所述特定子区域的边缘方向直方图。

在本发明的另一种优选实施例中，所述特定子区域为多个相邻子区域，所述纹理特征为所述多个子区域的联合方向直方图特征，在这种情况下，所述特征提取单元可以包括以下子单元：

边缘强度和边缘方向计算子单元，用于遍历所述待检测图像的各像素点，获得各像素点的边缘方向和边缘强度；

特定子区域确定子单元，用于确定所述待检测图像中相应的特定子区域；

边缘方向直方图计算单元，用于依据所述各像素点的边缘方向和边缘强度分别计算各特定子区域的边缘方向直方图；

联合直方图计算单元，用于将所述多个相邻子区域的边缘方向直方图首尾相接组成联合方向直方图；

归一化处理单元，用于对所述联合方向直方图进行归一化。

对于系统实施例而言，由于其与图5所示的方法实施例基本相似，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。

本说明书中的各个实施例均采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似的部分互相参见即可。对于方法实施例而言，为了简单描述，故将其都表述为一系列的动作组合，但是本领域技术人员应该知悉，本发明并不受所描述的动作顺序的限制，因为依据本发明，某些步骤可以采用其他顺序或者同时进行。其次，本领域技术人员也应该知悉，说明书中所描述的实施例均属于优选实施例，所涉及的动作和模块并不一定是本发明所必须的。

最后，还需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。

以上对本发明所提供的一种物体检测的方法和系统，以及，一种层次型物体检测器中分类器的训练方法和系统进行了详细介绍，本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本发明的限制。

Claims (20)

1.一种物体检测方法，其特征在于，包括：

将输入图像预处理为S个不同尺度的待检测图像，其中，S大于或等于1；

采用层次型物体检测器对所述待检测图像的各个位置进行判定，若当前位置通过了当前层，则继续到下一层进行判定；否则，认为当前位置不是所述待检测图像的候选位置；其中，所述层次型物体检测器由一个或者多个分类器组成，每层分类器依据一个或多个局部子分类器的输出特征计算得到，所述局部子分类器依据相应样本图像中多个特定子区域的纹理特征构造获得；

其中，在每层分类器中判定的过程包括：

提取所述待检测图像中相应特定子区域的纹理特征；

依据所述纹理特征分别计算各特定子区域所对应的局部子分类器的输出特征；

依据所述输出特征判断当前位置是否通过当前层。

2.如权利要求1所述的方法，其特征在于，所述纹理特征为边缘方向直方图特征，所述提取待检测图像中相应特定子区域的纹理特征的步骤包括：

遍历所述待检测图像的各像素点，获得各像素点的边缘方向和边缘强度；

确定所述待检测图像中相应的特定子区域；

依据所述各像素点的边缘方向和边缘强度，分别计算各特定子区域的边缘方向直方图。

3.如权利要求1所述的方法，其特征在于，所述特定子区域为多个相邻子区域，所述纹理特征为所述多个子区域的联合方向直方图特征，所述提取待检测图像中相应特定子区域的纹理特征的步骤包括：

遍历所述待检测图像的各像素点，获得各像素点的边缘方向和边缘强度；

确定所述待检测图像中相应的特定子区域；

依据所述各像素点的边缘方向和边缘强度，分别计算各特定子区域的边缘方向直方图；

将所述多个相邻子区域的边缘方向直方图首尾相接组成联合边缘方向直方图；

对所述联合方向直方图进行归一化。

4.如权利要求3所述的方法，其特征在于，所述归一化为将联合方向直方图的每个值除以其1范数或2范数。

5.如权利要求3或4所述的方法，其特征在于，所述相邻子区域的数目为2、3、或4，位置关系为两两水平相邻，两两垂直相邻或两两对角相邻。

6.如权利要求1、2或3所述的方法，其特征在于，所述S个待检测图像依次由大到小并且相邻尺度图像的长宽比为一固定值。

7.如权利要求1所述的方法，其特征在于，所述每层分类器的形式为其中，P为局部子分类器的输出特征，h_s(p)为查找表类型的弱分类器，S为包含的局部子分类器的数目。

8.如权利要求1或7所述的方法，其特征在于，所述局部子分类器的输出特征为

或

其中，x为所述局部子分类器采用的纹理特征，T为纹理特征的数目，t＝1，...，T，h_t为弱分类器，α_i为每个弱分类器的权重。

9.一种层次型物体检测器中分类器的训练方法，其特征在于，包括：

采集样本图像；

在样本图像中，划分多个不同大小、不同位置的子区域；

提取各子区域的纹理特征；

依据所有样本图像中相应子区域的纹理特征，构造该子区域的局部子分类器；

依据所有子区域的局部子分类器的输出构造分类器。

10.如权利要求9所述的方法，其特征在于，所述纹理特征为边缘方向直方图特征，在样本图像中划分多个不同大小、不同位置的子区域步骤之前，所述方法还包括：

计算所述样本图像中各像素点的边缘方向和边缘强度；

所述提取各子区域的纹理特征的步骤包括：

依据所述各像素点的边缘方向和边缘强度，分别计算各子区域的边缘方向直方图。

11.如权利要求9所述的方法，其特征在于，所述子区域为多个相邻子区域，所述纹理特征为联合方向直方图特征，在样本图像中划分多个不同大小、不同位置的子区域步骤之前，所述方法还包括：

计算所述样本图像中各像素点的边缘方向和边缘强度；

所述提取各子区域的纹理特征的步骤包括：

依据所述各像素点的边缘方向和边缘强度，分别计算各子区域的边缘方向直方图，并将所述多个相邻子区域的边缘方向直方图首尾相接组成联合方向直方图；

对所述联合方向直方图进行归一化。

12.如权利要求11所述的方法，其特征在于，所述归一化为将联合方向直方图的每个值除以其1范数或2范数。

13.如权利要求11或12所述的方法，其特征在于，所述相邻子区域的数目为2、3、或4，位置关系为两两水平相邻，两两垂直相邻或两两对角相邻。

14.如权利要求9所述的方法，其特征在于，所述依据所有样本图像中相应子区域的纹理特征构造该子区域的局部子分类器的步骤包括：

将所有样本图像中相应子区域的纹理特征作为第一候选弱特征，采用adaboost算法对所述第一候选弱特征进行选择和训练，获得局部子分类器为

或

其中，sign为符号函数，T为对应于纹理特征数目的迭代次数，t＝1，...，T，h_t为每轮迭代选择输出的弱分类器，α_i为每个弱分类器的权重，b为分类阈值。

15.如权利要求14所述的方法，其特征在于，所述局部子分类器的连续型的输出形式为

或

所述依据所有子区域的局部子分类器的输出构造分类器的步骤包括：

将各子区域局部子分类器的连续型的输出形式作为第二候选弱特征；

采用Adaboost算法对所述第二候选弱特征进行选择和训练，获得强分类器。

16.如权利要求10所述的方法，其特征在于，所述依据所有子区域的局部子分类器的输出构造分类器的步骤还包括：

预置所述强分类器的训练轮数为所述第二候选弱特征数目的平方根取整。

17.如权利要求9所述的方法，其特征在于，还包括：

针对某一待检测物体分别采用不同的样本图像训练生成多个分类器，将所述多个分类器组成层次型物体检测器。

18.一种物体检测系统，其特征在于，包括：

预处理模块，用于将输入图像预处理为S个不同尺度的待检测图像，其中，S大于或等于1；

物体检测模块，用于采用层次型物体检测器对所述待检测图像的各个位置进行判定，若当前位置通过了当前层，则继续到下一层进行判定；否则，认为当前位置不是所述待检测图像的候选位置；其中，所述层次型物体检测器由一个或者多个分类器组成，每层分类器依据一个或多个局部子分类器的输出特征计算得到，所述局部子分类器依据相应样本图像中多个特定子区域的纹理特征构造获得；

针对每层分类器，所述物体检测模块包括：

特征提取单元，用于提取所述待检测图像中相应特定子区域的纹理特征；

输出特征计算单元，用于依据所述纹理特征分别计算各特定子区域所对应的局部子分类器的输出特征；

检测单元，用于依据所述输出特征判断当前位置是否通过当前层。

19.如权利要求18所述的系统，其特征在于，所述纹理特征为边缘方向直方图特征，所述特征提取单元包括：

边缘强度和边缘方向计算子单元，用于遍历所述待检测图像的各像素点，获得各像素点的边缘方向和边缘强度；

特定子区域确定子单元，用于确定所述待检测图像中相应的特定子区域；

边缘方向直方图提取子单元，用于依据所述各像素点的边缘方向和边缘强度，分别计算各特定子区域的边缘方向直方图。

20.如权利要求18所述的系统，其特征在于，所述特定子区域为多个相邻子区域，所述纹理特征为所述多个子区域的联合方向直方图特征，所述特征提取单元包括：

边缘强度和边缘方向计算子单元，用于遍历所述待检测图像的各像素点，获得各像素点的边缘方向和边缘强度；

特定子区域确定子单元，用于确定所述待检测图像中相应的特定子区域；

边缘方向直方图计算单元，用于依据所述各像素点的边缘方向和边缘强度分别计算各特定子区域的边缘方向直方图；

联合直方图计算单元，用于将所述多个相邻子区域的边缘方向直方图首尾相接组成联合方向直方图；

归一化处理单元，用于对所述联合方向直方图进行归一化。

Images