发明内容
针对相关技术中图像目标追踪或检测的方法会由于前/背景分类器的局限性,而导致前景特征矢量和背景特征矢量的分布无法被正确区分的问题,本发明提出一种图像目标检测方法和装置,能够有效的解决现有相关技术中前/背景分类器的局限性问题,提高准确性。
本发明的技术方案是这样实现的:
根据本发明的一个方面,提供了一种图像目标检测方法。
该图像目标检测方法包括:
对图像的前景区域和背景区域进行分析,确定前景区域对应的前景特征矢量和背景区域对应的背景特征矢量;
确定前景特征矢量在特征空间中的前景聚集区域和背景特征矢量在特征空间中的背景聚集区域,并将特征空间中位于前景聚集区域和背景聚集区域之间的坐标点确定为坐标原点;
根据坐标原点,确定前景特征矢量和背景特征矢量之间的至少一分界面;
利用该至少一分界面对与图像存在关联的待检测图像进行目标检测。
其中,在确定前景特征矢量在特征空间中的前景聚集区域和背景特征矢量在特征空间中的背景聚集区域时,可先根据前景特征矢量,确定前景特征矢量对应的前景聚类中心,并且,根据背景特征矢量,确定背景特征矢量对应的背景聚类中心,再根据前景聚类中心,确定前景特征矢量在特征空间中的前景聚集区域,并且,根据背景聚类中心,确定背景特征矢量在特征空间中的背景聚集区域。
其中,坐标原点为前景聚集区域与背景聚集区域之间的中点。
此外,该图像目标检测方法还包括:根据坐标原点,对前景特征矢量和背景特征矢量在特征空间中的坐标进行转换,促使前景特征矢量和背景特征矢量分布于以上述坐标原点为原点的空间坐标系中。
其中,如果在前景特征矢量和背景特征矢量之间确定了多个分界面,则在对待检测图像进行目标检测时,在分界面的数量达到预定数量的情况下,对多个分界面进行组合,并利用组合后的多个分界面进行目标检测。
其中,在利用分界面对与图像存在关联的待检测图像进行目标检测时,是根据至少一分界面,判别待检测图像中的前景特征矢量和/或背景特征矢量。
根据本发明的另一方面,提供了一种图像目标检测装置。
该图像目标检测装置包括:
第一确定模块,用于对图像的前景区域和背景区域进行分析,确定前景区域对应的前景特征矢量和背景区域对应的背景特征矢量;
第二确定模块,用于确定前景特征矢量在特征空间中的前景聚集区域和背景特征矢量在特征空间中的背景聚集区域,并将特征空间中位于前景聚集区域和背景聚集区域之间的坐标点确定为坐标原点;
第三确定模块,用于根据坐标原点,确定前景特征矢量和背景特征矢量之间的至少一分界面;
目标检测模块,用于利用至少一分界面对与图像存在关联的待检测图像进行目标检测。
其中,第二确定模块进一步包括:聚类中心确认模块,用于根据前景特征矢量,确定前景特征矢量对应的前景聚类中心,并且,还用于根据背景特征矢量,确定背景特征矢量对应的背景聚类中心;聚集区域确定模块,用于根据前景聚类中心,确定前景特征矢量在特征空间中的前景聚集区域,并且,还用于根据背景聚类中心,确定背景特征矢量在特征空间中的背景聚集区域。
其中,坐标点为前景聚集区域与背景聚集区域之间的中点。
此外,该图像目标检测装置还包括:坐标转换模块,用于根据坐标原点,对前景特征矢量和背景特征矢量在特征空间中的坐标进行转换,促使前景特征矢量和背景特征矢量分布于以上述坐标原点为原点的空间坐标系中。
此外,如果前景特征矢量和背景特征矢量之间确定了多个分界面,则在对待检测图像进行目标检测时,目标检测模块还用于在分界面的数量达到预定数量的情况下,对多个分界面进行组合,并利用组合后的多个分界面进行目标检测。
其中,在利用分界面对图像存在关联的待检测图像进行目标检测时,目标检测模块是根据至少一分界面,判别待检测图像中的前景特征矢量和/或背景特征矢量。
本发明通过前景特征矢量和背景特征矢量在特征空间中的位置分布情况来确定坐标原点的位置,再通过确定的坐标原点来确定分类器的分界面,使得在对前景特征矢量和背景特征矢量进行区分时,分界面始终位于前景特征矢量和背景特征矢量的位置之间,从而有效的提高了区分前景特征矢量和背景特征矢量的准确性,进而有效的提高了在进行图像目标追踪或检测时的追踪性能或检测性能。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员所获得的所有其他实施例,都属于本发明保护的范围。
根据本发明的实施例,提供了一种图像目标检测方法。
如图1所示,根据本发明实施例的图像目标检测方法包括:
步骤S101,对图像的前景区域和背景区域进行分析,确定前景区域对应的前景特征矢量和背景区域对应的背景特征矢量;
步骤S103,确定前景特征矢量在特征空间中的前景聚集区域和背景特征矢量在特征空间中的背景聚集区域,并将特征空间中位于前景聚集区域和背景聚集区域之间的坐标点确定为坐标原点;
步骤S105,根据坐标原点,确定前景特征矢量和背景特征矢量之间的至少一分界面;
步骤S107,利用该至少一分界面对与图像存在关联的待检测图像进行目标检测。
在上述过程中,前景特征矢量或背景特征矢量的个数可以是一个,也可以是多个,并且,在上述过程中,与图像存在关联的待检测图像可以是该图像所在的视频流中位于图像后一帧或多帧的图像,也可以是该图像所在的视频流中位于图像前一帧或多帧的图像。
其中,在确定前景特征矢量在特征空间中的前景聚集区域和背景特征矢量在特征空间中的背景聚集区域时,可先根据前景特征矢量,确定前景特征矢量对应的前景聚类中心,并且,根据背景特征矢量,确定背景特征矢量对应的背景聚类中心,再根据前景聚类中心,确定前景特征矢量在特征空间中的前景聚集区域,并且,根据背景聚类中心,确定背景特征矢量在特征空间中的背景聚集区域。
其中,坐标原点为前景聚集区域与背景聚集区域之间的中点。
此外,该图像目标检测方法还包括:根据坐标原点,对前景特征矢量和背景特征矢量在特征空间中的坐标进行转换,促使前景特征矢量和背景特征矢量分布于以上述坐标原点为原点的空间坐标系中。
其中,如果在前景特征矢量和背景特征矢量之间确定了多个分界面,则在对待检测图像进行目标检测时,在分界面的数量达到预定数量的情况下,对多个分界面进行组合,并利用组合后的多个分界面进行目标检测。
其中,在利用分界面对与图像存在关联的待检测图像进行目标检测时,是根据至少一分界面,判别待检测图像中的前景特征矢量和/或背景特征矢量。
以下通过具体实例对本发明的上述技术方案进行详细说明。
图2是图像目标跟踪(即检测)的系统框图,如图2所示,系统会根据目标在t帧的位置,首先从t帧的前景区域和背景区域求出代表前景和背景的前景特征矢量和背景特征矢量,然后学习得到前/背景分类器,并用学习得到的前/背景分类器对t+1帧的图像进行扫描,得到前景似然度图像,最后用均值平移算法求得t+1帧中的目标位置。
其中,前/背景分类器的学习流程如图3所示,图3是前/背景分类器学习的流程示意图,从图3中可以看出,在训练前/背景分类器时,首先会对前景特征矢量和背景特征矢量分别求取聚类中心,求取聚类中心的计算公式如下:
其中,c为聚类中心,Si为前景特征矢量或背景特征矢量。
当求得前景特征矢量和背景特征矢量的聚类中心后,进一步,对求得的前景聚类中心和背景聚类中心求取其中点,求取中点的计算方式如下:
其中,cf和cb为求得的前景聚类中心和背景聚类中心。m为前景聚类中心和背景聚类中心之间的中点。
当求得前景聚类中心和背景聚类中心之间的中点后,用该中点m作为新的坐标原点对所有特征矢量点进行坐标变换,坐标转换的计算公式如下:
s'=s-m
其中,s为前景特征矢量或背景特征矢量在特征空间中的原始坐标,s为转换后的前景特征矢量或背景特征矢量在特征空间的新的坐标。
当前景特征矢量和背景特征矢量的坐标进行转换后,使用新的坐标原点和变换后的特征矢量数据s'来生成分类器,分类器的生成步骤如下:
首先对所有的特征矢量都赋予初始的权重,在赋予初始的权重后,用最小二乘法对加权后的特征矢量进行拟合,拟合出一个分界面,得到一个弱分类器,其中,生成弱分类器的计算公式如下:
h(x)=sign(pTx)
其中,x为待分类的特征矢量,P为从前/背景特征矢量学习得到的投影矢量。
其中,从前/背景特征矢量学习得到的投影矢量的计算公式如下:
p=(ATWTWA)-1ATWTWy
其中,A为前/背景特征矢量按照行排列的得到的矩阵,W为AdaBoost生成的权重排布在对角线上的对角阵,y为各个特征矢量是前景还是背景的标签矢量。
在上述过程中,如果得到的弱分类器的数量没有达到预设数量时,则可以通过AdaBoost的方法来进一步更新权重并利用最小二乘法再次生成弱分类器,而如果得到的弱分类器的数量达到预设数量时,则直接将所有得到的弱分类器进行组合得到最终的前/背景分类器。
在实际应用时,生成分类器的算法除上述最小二乘法以外,还可以是其他的算法(例如,黄金分割法、牛顿梯度下降法或共轭梯度下降法),只要能够生成分类器即可。当然,在进行进一步更新权重时,除上述的AdaBoost的方法以外,还可以利用LogitBoost、GentleBoost等方法来更新。
通过本发明的上述方案,能够实现在对前景特征矢量和背景特征矢量进行区分时,分界面始终位于前景特征矢量和背景特征矢量的位置之间,从而有效的提高了区分前景特征矢量和背景特征矢量的准确性,进而有效的提高了在进行图像目标追踪或检测时的追踪性能或检测性能。
以下通过两组对比效果图对本发明的上述技术效果进行详细说明。
图4是现有图像目标追踪方法在进行区分前景特征矢量和背景特征矢量时的效果图。从图4中可以看出,当前景特征矢量和背景特征矢量分布于经特征空间的可以被通过坐标原点的某个超平面分割时(即图4中左侧的图所呈现的情况),分类器则可以很好的区分出前景特征矢量和背景特征矢量,而当前景特征矢量和背景特征矢量始终无法找到这样的分割超平面时(即图4中右侧的图所呈现的情况),分类器则无法对前景特征矢量和背景特征矢量进行区分。
图5是本发明的图像目标检测方法在进行区分前景特征矢量和背景特征矢量时的效果图。从图5中可以看出,本发明在进行区分前景特征矢量和背景特征矢量时,分界面始终是处于前景特征矢量和背景特征矢量之间。而出现这种情况的原因是因为本发明是通过前景特征矢量和背景特征矢量在特征空间中的位置分布情况来确定坐标原点的位置的,而不是局限于特征空间的原始坐标原点,因此,在通过坐标原点确定分类器的分界面时,分界面会始终处于前景特征矢量和背景特征矢量之间,从而能够很好的区分出前景特征矢量和背景特征矢量。
根据本发明的实施例,还提供了一种图像目标检测装置。
如图6所示,根据本发明实施例的图像目标检测装置包括:
第一确定模块61,用于对图像的前景区域和背景区域进行分析,确定前景区域对应的前景特征矢量和背景区域对应的背景特征矢量;
第二确定模块62,用于确定前景特征矢量在特征空间中的前景聚集区域和背景特征矢量在特征空间中的背景聚集区域,并将特征空间中位于前景聚集区域和背景聚集区域之间的坐标点确定为坐标原点;
第三确定模块63,用于根据坐标原点,确定前景特征矢量和背景特征矢量之间的至少一分界面;
目标检测模块64,用于利用至少一分界面对与图像存在关联的待检测图像进行目标检测。
在上述过程中,前景特征矢量或背景特征矢量的个数可以是一个,也可以是多个,并且,在上述过程中,与图像存在关联的待检测图像可以是该图像所在的视频流中位于图像后一帧或多帧的图像,也可以是该图像所在的视频流中位于图像前一帧或多帧的图像。
其中,第二确定模块62进一步包括:聚类中心确认模块(未示出),用于根据前景特征矢量,确定前景特征矢量对应的前景聚类中心,并且,还用于根据背景特征矢量,确定背景特征矢量对应的背景聚类中心;聚集区域确定模块(未示出),用于根据前景聚类中心,确定前景特征矢量在特征空间中的前景聚集区域;并且,还用于根据背景聚类中心,确定背景特征矢量在特征空间中的背景聚集区域。
其中,坐标点为前景聚集区域与背景聚集区域之间的中点。
此外,该图像目标检测装置还包括:坐标转换模块(未示出),用于根据坐标原点,对前景特征矢量和背景特征矢量在特征空间中的坐标进行转换,促使前景特征矢量和背景特征矢量分布于以上述坐标原点为原点的空间坐标系中。
此外,如果前景特征矢量和背景特征矢量之间确定了多个分界面,则在对待检测图像进行目标检测时,目标检测模块64还用于在分界面的数量达到预定数量的情况下,对多个分界面进行组合,并利用组合后的多个分界面进行目标检测。
其中,在利用分界面对图像存在关联的待检测图像进行目标检测时,目标检测模块64是根据至少一分界面,判别待检测图像中的前景特征矢量和/或背景特征矢量。
综上所述,借助于本发明的上述技术方案,通过前景特征矢量和背景特征矢量在特征空间中的位置分布情况来确定坐标原点的位置,再通过确定的坐标原点来确定分类器的分界面,从而使得在对前景特征矢量和背景特征矢量进行区分时,分界面始终位于前景特征矢量和背景特征矢量的位置之间,有效的提高了区分前景特征矢量和背景特征矢量的准确性,进而有效的提高了在进行图像目标追踪或检测时的追踪性能或检测性能。
以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。