CN102129569B - 基于多尺度对比特征的对象检测设备和方法 - Google Patents

Abstract

提供一种基于多尺度对比特征的对象检测设备和方法。所述对象检测设备包括：输入单元，用于输入被检测图像；基于多尺度对比特征的学习机，用于对关于所述对象的训练样本进行多尺度对比特征提取，并对提取的特征应用统计学习处理；分类器加载单元，用于根据所述基于多尺度对比特征的学习机的统计学习处理结果来构建分类器；检测单元，用于利用由分类器加载单元构建的分类器对由输入单元输入的被检测图像进行对象检测，其中，所述多尺度对比特征用于指示图像中多个相关矩形区域之间在不同尺度下关于特定图像属性的对比关系。

Description

基于多尺度对比特征的对象检测设备和方法

技术领域

本发明涉及图像的特征提取以及对象检测技术，具体说来，涉及一种用于基于多尺度对比特征在图像中检测对象的设备和方法，其中，所述多尺度对比特征用于指示图像中多个相关区域之间在不同尺度下关于特定图像属性的对比关系。

背景技术

对于特定类别的对象(诸如头部、面部、拳头、上身、肩部、汽车、自行车、包裹或者其它物体)的检测作为计算机视觉技术的基础，广泛地应用于很多领域，例如，人机交互、动作识别、智能监视、多媒体检索等。由于该项技术的学术价值及其广阔的商业应用前景，人们对于它的关注度越来越高，大量的研究特别针对用于场景分析的实时对象检测或对象定位技术。

目前，关于对象检测技术，采用的基本方式为：针对用于检测某种对象的特定特征进行大量样本训练，在此基础上得出有效的分类器，将分类器应用于输入的被检测图像以检测出对象。

在上述方式中，人们采用了不同的特征提取方式，其中，Haar-like特征检测方式是实现快速对象检测技术中的重要技术，所述Haar-like特征对两个邻近矩形区域之间的平均强度的绝对差进行编码，并且可通过积分图像快速计算出Haar-like特征。通过引入Boosting算法选择少量的区分性强的特征来构建有效的分类器。然而，Haar-like特征检测方式的问题在于所述特征本身比较简单，因此，为了实现较高的性能必须在检测时使用大量的特征来参与计算，这造成了运算量的增加。此外，由于Haar-like特征表示的是相邻区域之间的绝对差值，所以这种特征无法抵抗环境亮度和图像噪声的影响，在应用于环境较为复杂的图像时无法获得有效的检测结果。虽然人们试图通过改进Haar-like特征或提出另外的特征来获得更好的性能，但是尚未获得能够在检测速度、计算量以及检测有效性方面均令人满意的对象检测方式。

因此，需要提供一种能够有效地进行对象检测的技术方案，从而在降低运算量的前提下，对检测对象进行更为有效的特征提取，便于构建区分性能优良的分类器，达到实时对象检测中需要的各项要求。

发明内容

本发明的目的在于提供一种基于图像特征提取的对象检测设备和方法，根据所述对象检测设备和方法，能够基于多尺度对比特征对图像中的对象进行有效和快速的检测，其中，所述多尺度对比特征用于指示图像中多个相关矩形区域之间在不同尺度下关于特定图像属性的对比关系。

根据本发明的一方面，提供一种基于多尺度对比特征的对象检测设备，包括：输入单元，用于输入被检测图像；基于多尺度对比特征的学习机，用于对关于所述对象的训练样本进行多尺度对比特征提取，并对提取的特征应用统计学习处理；分类器加载单元，用于根据所述基于多尺度对比特征的学习机的统计学习处理结果来构建分类器；检测单元，用于利用由分类器加载单元构建的分类器对由输入单元输入的被检测图像进行对象检测，其中，所述多尺度对比特征用于指示图像中多个相关矩形区域之间在不同尺度下关于特定图像属性的对比关系。

所述基于多尺度对比特征的学习机可以对训练样本进行预处理。

所述预处理可包括：训练样本图像尺寸大小归一化、亮度标准化、伽马校正、梯度提取、图像边缘提取中的至少一种。

所述基于多尺度对比特征的学习机进行多尺度对比特征提取的处理可包括：确定多尺度对比特征中包括的多个相关矩形区域；确定每个相关矩形区域的长度和宽度；确定关于所述多个相关矩形区域的图像属性参考值；在图像的特征提取位置，分别计算所述多个相关矩形区域中的各个图像属性值与图像属性参考值之间的对比关系，作为提取的多尺度对比特征。

所述基于多尺度对比特征的学习机可按照下列等式来计算多尺度对比特征： 其中，MSOP表示多尺度对比特征，

N表示相关矩形区域的数量，N为自然数，g_i表示第i个矩形区域中的图像属性值，g_f表示图像属性参考值。

图像属性参考值可以是所述多个相关矩形区域中的图像属性值的平均值，或位于所述多个相关矩形区域构成的整体形状的中心区域部分的图像属性值。

所述图像属性可指示图像的深度、色度或亮度。

分类器加载单元可根据基于多尺度对比特征的学习机的统计学习处理结果，通过最小平方误差方法来构建作为多值函数的分类器。

分类器加载单元还可通过增强学习方法将多个分类器联合为强分类器。

可选地，检测单元在利用分类器进行检测之前，还可通过提取出被检测图像的前景图像或者边缘图像，然后将分类器应用于提取出的前景图像或边缘图像来检测对象。

在存在多个分类器的情况下，检测单元可将多个分类器检测出的多个待选对象根据它们的位置以及之间的重叠情况来联合得出最终检测的对象位置。

输入单元输入的图像也可以是经过其它分配器处理后的图像。

所述其它分类器可以是基于Haar小波特征的分类器或基于方向直方图特征的分类器。

根据本发明的另一方面，提供一种基于多尺度对比特征的对象检测方法，包括步骤：关于对象的训练样本进行多尺度对比特征提取，并对提取的特征应用统计学习处理，其中，所述多尺度对比特征用于指示图像中多个相关矩形区域之间在不同尺度下关于特定图像属性的对比关系；根据统计学习处理结果来构建分类器；以及利用构建的分类器对输入的被检测图像进行不同尺度的扫描，从而检测相应的对象。

在对训练样本进行多尺度对比特征提取之前，可对所述训练样本进行预处理。

所述进行多尺度对比特征特区的步骤可包括：确定多尺度对比特征中包括的多个相关矩形区域；确定每个相关矩形区域的长度和宽度；确定关于所述多个相关矩形区域的图像属性参考值；在图像的特征提取位置，分别计算所述多个相关矩形区域中的各个图像属性值与图像属性参考值之间的对比关系，作为提取的多尺度对比特征。

可按照下列等式来计算多尺度对比特征： 其中，MSOP表示多尺度对比特征，N表示相关矩形区域的数量，N为自然数，g_i表示第i个矩形区域中的图像属性值，g_f表示图像属性参考值。

根据本发明的另一方面，提供一种用于提取图像的多尺度对比特征的方法，包括步骤：确定多尺度对比特征中包括的多个相关矩形区域；确定每个相关矩形区域的长度和宽度；确定关于所述多个相关矩形区域的图像属性参考值；在图像的特征提取位置，分别计算所述多个相关矩形区域中的各个图像属性值与图像属性参考值之间的对比关系，作为提取的多尺度对比特征。

所述多个相关矩形区域构成的整体形状可以为矩形、菱形或椭圆形。

附图说明

通过下面结合附图进行的对实施例的描述，本发明的上述和/或其它目的和优点将会变得更加清楚，其中：

图1是示出根据本发明示例性实施例的对象检测设备的框图；

图2是示出根据本发明示例性实施例的对象检测方法的流程图；

图3是示出根据本发明示例性实施例的多尺度对比特征提取方法的流程图；

图4示出根据本发明示例性实施例的多尺度对比特征的示例；以及

图5示出由图1的检测单元利用分类器进行对象检测的示例。

具体实施方式

现将详细参照本发明的实施例，所述实施例的示例在附图中示出，其中，相同的标号始终指的是相同的部件。以下将通过参照附图来说明所述实施例，以便解释本发明。

图1是示出根据本发明示例性实施例的对象检测设备的框图。如图1所示，根据本发明示例性实施例的对象检测设备包括：输入单元10，用于输入被检测图像；基于多尺度对比特征的学习机20，用于对关于所述对象的训练样本进行多尺度对比特征提取，并对提取的特征应用统计学习处理，其中，所述多尺度对比特征用于指示图像中多个相关矩形区域之间在不同尺度下关于特定图像属性的对比关系；分类器加载单元30，用于根据所述基于多尺度对比特征的学习机20的统计学习处理结果来构建分类器；检测单元40，用于利用由分类器加载单元30构建的分类器对由输入单元10输入的被检测图像进行对象检测。图1所示的对象检测设备可应用于任何相应的计算机图像处理系统中，以实现人机交互、动作检测、场景分析等。

以下将参照图2来描述利用图1所示的对象检测设备来实现根据本发明的对象检测方法的示例。

图2是示出根据本发明示例性实施例的对象检测方法的流程图。参照图2，在步骤S100，基于多尺度对比特征的学习机20对关于对象的训练样本进行多尺度对比特征提取，并对提取的特征应用统计学习处理。具体说来，为了在被检测图像中检测出特定类别的对象(诸如头部、面部、拳头、上身、肩部、汽车、自行车、包裹或者其它物体)，需要对该种对象的大量样本进行多尺度对比特征的提取，并对于提取的特征应用统计学习处理，这里所述的样本包括作为期望检测到的对象的正样本以及并非期望检测到的对象的负样本。为了达到更好的训练效果，作为可选步骤，可对进行训练的样本进行预处理，诸如，训练样本图像尺寸大小归一化、亮度标准化、伽马校正、梯度提取、图像边缘提取等。对上述预处理后的样本再进行多尺度对比特征的提取，有助于增加样本的有效性。此外，可调整样本的大小、旋转角度或对样本进行一定的缩放、镜像处理等随机变换来增加样本的数量。

以下参照图3来描述基于多尺度对比特征的学习机20对关于对象的训练样本进行多尺度对比特征提取的示例。

图3是示出根据本发明示例性实施例的多尺度对比特征提取方法的流程图。在步骤S110，基于多尺度对比特征的学习机20确定多尺度对比特征所包括的多个相关矩形区域。针对不同的检测对象的特性，所述学习机20可确定多个相关矩形区域的数量、排列形状和位置。作为示例，可选择多个相关矩形区域整体排列为矩形、菱形或椭圆形的多尺度对比特征。应理解，这些形状仅仅是示例性的，并不是为了限制本发明的范围，针对不同的特征或要求可灵活地设置有效的特征形状。而位置的选取即可遍历所有位置，也可根据对象的特征进行位置的筛选(例如，头部通常出现在图像的上半部分)。在步骤S120，基于多尺度对比特征的学习机20确定每个相关矩形区域的长度和宽度，通过改变每个相关矩形区域的长度和宽度，可改变每个相关矩形区域的大小和宽高比，从而对多尺度对比特征的尺度进行了调整。例如，可将每个相关矩形区域设置为单个像素大小，此时，多尺度对比特征被用于进行精细级别的对象检测，而如果将每个相关矩形区域设置为多个像素，则多尺度对比特征被用于进行较为粗略的对象检测，此外，采用不同宽高比的区域设置可针对不同的对象特性取得更好的训练结果。图4示出根据本发明示例性实施例的多尺度对比特征的示例。从图4中可以看出，本发明的多尺度对比特征通过对尺度的设置能够进行微观到宏观级别的检测，并通过多个相关区域之间的对比关系来表征对象，而多个相关区域的整体排列形状也可采用不同的形式，从而对样本图像进行了更为有效的训练处理，有助于构建区分效力显著的分类器。在步骤S130，基于多尺度对比特征的学习机20确定关于所述多个相关矩形区域的图像属性参考值。具体说来，本发明提出的多尺度对比特征所反映的是图像中多个相关矩形区域之间在不同尺度下关于特定图像属性的对比关系。作为一种示例性实现方式，可通过所述多个相关矩形区域的图像属性值分别与图像属性参考值的对比关系来表示所述多尺度对比特征。在这种情况下，可在步骤S130确定所述图像属性参考值。作为示例，可将图像属性参考值确定为所述多个相关矩形区域中的图像属性值的平均值，或者，可将图像属性参考值确定为位于所述多个相关矩形区域构成的整体形状的中心区域部分的图像属性值。应理解，上述方式仅仅是示例性的，并非对本发明进行限制，任何设置图像属性参考值的适当方式均可应用于本发明的多尺度对比特征提取中。此外，本发明对于输入图像以及样本图像的属性并无限制，因为本发明提出的多尺度对比特征表征的是多个相关矩形区域之间的对比关系，因此，任何属性值(例如，深度值、色度值、亮度值等)均可应用于本发明，相应地，作为本发明的样本或检测图像可产生自各种图像捕获装置，例如，传统CCD或CMOS相机、TOF深度相机、激光扫描仪、近红外光NIR相机、热红外相机等。然后，在步骤S140，基于多尺度对比特征的学习机20在图像的特征提取位置，分别计算所述多个相关矩形区域中的各个图像属性值与图像属性参考值之间的对比关系，作为提取的多尺度对比特征。其中，可结合运算量以及对象特征来设置不同的特征提取位置。作为示例，通过下列等式来计算本发明示例性实施例中的多尺度对比特征：

其中，MSOP表示多尺度对比特征，其包括N个相关矩形区域，N为自然数，g_i表示第i个矩形区域中的图像属性值，g_f表示图像属性参考值。作为一种示例，通过上述等式，可计算出多尺度对比特征MSOP的具体数值，也可将其表示为二进制符号序列的形式，其反应了图像中多个相关矩形区域之间在不同尺度下关于特定图像属性的对比关系。应理解，上述表达式仅仅是示例性的，各种基于本发明的构思，表示多个相关区域之间在不同尺度下的某种对比关系的特征均可应用于本发明。

在基于多尺度对比特征的学习机20对关于对象的训练样本进行多尺度对比特征提取之后，所述学习机20对特征提取的结果应用统计学习过程。本领域技术人员应理解，对于大量训练样本中提取的特征进行统计学习处理是本领域的常用技术手段，任何适当的统计学习过程(诸如GentalAdaboost学习方法、RealAdaBoost方法等)均可应用于本发明的技术方案中。

在步骤S200，分类器加载单元30根据基于多尺度对比特征的学习机20的统计学习处理结果来构建分类器。例如，可通过最小平方误差方法来构建作为多值函数的分类器。本领域技术人员应理解，上述构建分类器的方法仅仅是示例性的，任何基于提取的多尺度对比特征进行统计学习，然后构建基于单个特征的分类器的方式均可应用于本发明。还应注意，单个分类器的区分性能相对较弱，本发明还可通过增强学习方法将多个弱分类器联合为强分类器。

在步骤S300，检测单元40利用由分类器加载单元30构建的分类器对由输入单元10输入的被检测图像进行不同尺度的扫描，从而检测相应的对象。这里的输入单元10及其输入的被检测图像具有与样本图像对应的属性，同样并不受限于特定的表示格式。即，输入单元10可以是传统CCD或CMOS相机、TOF深度相机、激光扫描仪、近红外光NIR相机、热红外相机等任何类型的输入装置。作为可选步骤，检测单元40可在应用分类器进行检测之前，首先提取出被检测图像的前景图像或者边缘图像，然后将分类器应用于提取出的前景图像或边缘图像来检测对象，这样能够进一步提高检测的有效性。作为示例，图5示出由图1的检测单元利用分类器进行对象检测。图5中的(a)和(b)分别示出对于头部检测和上身检测所选择的两个有效特征分类器进行对象检测的示例，其中，检测单元40可将用于每一对象检测的两个分类器进行结合以构建强分类器。例如，将每个分类器检测出的对象作为一种对象候选，将所有分类器检测到的对象候选根据它们的位置以及之间的重叠情况来进行联合，以确定最终检测到的对象位置。另外，可利用图5中对于头部和上身这两个对象的检测来进行人体定位，例如，首先利用上身检测来确定图像中是否存在人，在对检测到的人进一步进行头部检测，以达到对人体更加精确的定位。

以上示出了根据本发明一示例性实施例的对象检测设备和方法，应注意，上述实施方式还可与现有技术中的对象检测方式进行结合，以提供更为有效的对象检测。例如，可将基于其它分类器的传统检测方式(例如，基于Haar小波特征的分类器检测或基于方向直方图(HistogramsofCrientedGradients)特征的分类器检测)用于初步检测，然后利用多尺度对比特征按照上述方式对检测到的对象进行进一步的筛选。

以上描述了根据本发明示例性实施例进行多尺度对比特征提取并基于多尺度对比特征进行对象检测的设备和方法。根据本发明，在样本图像的训练阶段，得到了从微观到宏观的多个尺度级别的检测，并通过描述多个相关区域之间的对比关系来抵消环境亮度和图像噪声的影响，获得比绝对值特征更为强健的特征表示，从而可应用于复杂环境下的对象检测。此外，通过调整多个相关区域构成的不同形状，打破了传统技术中特征提取的局部受限，而重新构建了非邻近区域的相互对比关系，从而进行更为有效的训练过程。多尺度对比特征的上述优良性能增加了训练过程中分类器构建的有效性，并在检测阶段降低运算量，提高检测速度，实现了实时的对象检测，从而可广泛应用于相关的计算机图形处理领域。

本发明的以上各个实施例仅仅是示例性的，而本发明并不受限于此。本领域技术人员应该理解：任何涉及利用多尺度下多个相关区域之间的对比关系的特征作为分类器基础对图像中的对象进行检测的方式均落入本发明的范围之中。在不脱离本发明的原理和精神的情况下，可对这些实施例进行改变，其中，本发明的范围在权利要求及其等同物中限定。

Claims (28)

1.一种基于多尺度对比特征的对象检测设备，包括：

输入单元，用于输入被检测图像；

基于多尺度对比特征的学习机，用于对关于所述对象的训练样本进行多尺度对比特征提取，并对提取的特征应用统计学习处理；

分类器加载单元，用于根据所述基于多尺度对比特征的学习机的统计学习处理结果来构建分类器；

检测单元，用于利用由分类器加载单元构建的分类器对由输入单元输入的被检测图像进行对象检测，

其中，所述多尺度对比特征用于指示图像中多个相关矩形区域之间在不同尺度下关于特定图像属性的对比关系，

其中，所述基于多尺度对比特征的学习机进行多尺度对比特征提取的处理包括：针对不同的检测对象的特性确定多尺度对比特征中包括的多个相关矩形区域的数量、整体排列形状和位置；确定每个相关矩形区域的长度和宽度；确定关于所述多个相关矩形区域的图像属性参考值；在结合运算量以及检测对象的特性所设置的图像的特征提取位置，分别计算所述多个相关矩形区域中的各个图像属性值与图像属性参考值之间的对比关系，作为提取的多尺度对比特征，

其中，所述多个相关矩形区域构成的整体排列形状为矩形、菱形或椭圆形。

2.如权利要求1所述的设备，其中，所述基于多尺度对比特征的学习机对训练样本进行预处理。

3.如权利要求2所述的设备，其中，所述预处理包括：训练样本图像尺寸大小归一化、亮度标准化、伽马校正、梯度提取、图像边缘提取中的至少一种。

4.如权利要求1所述的设备，其中，所述基于多尺度对比特征的学习机按照下列等式来计算多尺度对比特征： $\mathrm{MSOP}=\underset{i=1}{\overset{N}{\mathrm{\&Sigma;}}}s(g_i-g_f)2^i,s\left(x\right)=\begin{array}{}\end{array}\left\{\begin{array}{c}1,x\&GreaterEqual;0\\ 0,x<0\end{array}\right.,$ 其中，MSOP表示多尺度对比特征，N表示相关矩形区域的数量，N为自然数，g_i表示第i个矩形区域中的图像属性值，g_f表示图像属性参考值。

5.如权利要求4所述的设备，其中，图像属性参考值为所述多个相关矩形区域中的图像属性值的平均值，或位于所述多个相关矩形区域构成的整体形状的中心区域部分的图像属性值。

6.如权利要求1所述的设备，其中，所述图像属性指示图像的深度、色度或亮度。

7.如权利要求1所述的设备，其中，分类器加载单元根据基于多尺度对比特征的学习机的统计学习处理结果，通过最小平方误差方法来构建作为多值函数的分类器。

8.如权利要求7所述的设备，其中，分类器加载单元还通过增强学习方法将多个分类器联合为强分类器。

9.如权利要求1所述的设备，其中，检测单元在利用分类器进行检测之前，首先提取出被检测图像的前景图像或者边缘图像，然后将分类器应用于提取出的前景图像或边缘图像来检测对象。

10.如权利要求1所述的设备，其中，在存在多个分类器的情况下，检测单元将多个分类器检测出的多个待选对象根据它们的位置以及之间的重叠情况来联合得出最终检测的对象位置。

11.如权利要求1所述的设备，其中，输入单元输入的图像是经过其它分类器处理后的图像。

12.如权利要求11所述的设备，其中，所述其它分类器为基于Haar小波特征的分类器或基于方向直方图特征的分类器。

13.一种基于多尺度对比特征的对象检测方法，包括步骤：

关于对象的训练样本进行多尺度对比特征提取，并对提取的特征应用统计学习处理，其中，所述多尺度对比特征用于指示图像中多个相关矩形区域之间在不同尺度下关于特定图像属性的对比关系；

根据统计学习处理结果来构建分类器；以及

利用构建的分类器对输入的被检测图像进行不同尺度的扫描，从而检测相应的对象，

其中，所述进行多尺度对比特征提取的步骤包括：针对不同的检测对象的特性确定多尺度对比特征中包括的多个相关矩形区域的数量、整体排列形状和位置；确定每个相关矩形区域的长度和宽度；确定关于所述多个相关矩形区域的图像属性参考值；在结合运算量以及检测对象的特性所设置的图像的特征提取位置，分别计算所述多个相关矩形区域中的各个图像属性值与图像属性参考值之间的对比关系，作为提取的多尺度对比特征，

其中，所述多个相关矩形区域构成的整体排列形状为矩形、菱形或椭圆形。

14.如权利要求13所述的方法，其中，在对训练样本进行多尺度对比特征提取之前，对所述训练样本进行预处理。

15.如权利要求14所述的方法，其中，所述预处理包括：训练样本图像尺寸大小归一化、亮度标准化、伽马校正、梯度提取、图像边缘提取中的至少一种。

16.如权利要求13所述的方法，其中，按照下列等式来计算多尺度对比特征： $\mathrm{MSOP}=\underset{i=1}{\overset{N}{\mathrm{\&Sigma;}}}s(g_i-g_f)2^i,s\left(x\right)=\begin{array}{}\end{array}\left\{\begin{array}{c}1,x\&GreaterEqual;0\\ 0,x<0\end{array}\right.,$ 其中，MSOP表示多尺度对比特征，N表示相关矩形区域的数量，N为自然数，g_i表示第i个矩形区域中的图像属性值，g_f表示图像属性参考值。

17.如权利要求16所述的方法，其中，图像属性参考值为所述多个相关矩形区域中的图像属性值的平均值，或位于所述多个相关矩形区域构成的整体形状的中心区域部分的图像属性值。

18.如权利要求13所述的方法，其中，所述图像属性指示图像的深度、色度或亮度。

19.如权利要求13所述的方法，其中，根据统计学习处理结果，通过最小平方误差方法来构建作为多值函数的分类器。

20.如权利要求19所述的方法，其中，通过增强学习方法将多个分类器联合为强分类器。

21.如权利要求13所述的方法，其中，在利用分类器进行检测之前，首先提取出被检测图像的前景图像或者边缘图像，然后将分类器应用于提取出的前景图像或边缘图像来检测对象。

22.如权利要求13所述的方法，其中，在存在多个分类器的情况下，将多个分类器检测出的多个待选对象根据它们的位置以及之间的重叠情况来联合得出最终检测的对象位置。

23.如权利要求13所述的方法，其中，输入的被检测图像是经过其它分类器处理后的图像。

24.如权利要求23所述的方法，其中，所述其它分类器为基于Haar小波特征的分类器或基于方向直方图特征的分类器。

25.一种用于提取图像的多尺度对比特征的方法，包括步骤：

针对不同的检测对象的特性确定多尺度对比特征中包括的多个相关矩形区域的数量、整体排列形状和位置，其中，所述多个相关矩形区域构成的整体排列形状为矩形、菱形或椭圆形；

确定每个相关矩形区域的长度和宽度；

确定关于所述多个相关矩形区域的图像属性参考值；

在结合运算量以及检测对象的特性所设置的图像的特征提取位置，分别计算所述多个相关矩形区域中的各个图像属性值与图像属性参考值之间的对比关系，作为提取的多尺度对比特征。

26.如权利要求25所述的方法，其中，按照下列等式来计算多尺度对比特征： $\mathrm{MSOP}=\underset{i=1}{\overset{N}{\mathrm{\&Sigma;}}}s(g_i-g_f)2^i,s\left(x\right)=\begin{array}{}\end{array}\left\{\begin{array}{c}1,x\&GreaterEqual;0\\ 0,x<0\end{array}\right.,$ 其中，MSOP表示多尺度对比特征，N表示相关矩形区域的数量，N为自然数，g_i表示第i个矩形区域中的图像属性值，g_f表示图像属性参考值。

27.如权利要求25所述的方法，其中，图像属性参考值为所述多个相关矩形区域中的图像属性值的平均值，或位于所述多个相关矩形区域构成的整体形状的中心区域部分的图像属性值。

28.如权利要求25所述的方法，其中，所述图像属性指示图像的深度、色度或亮度。