CN104182958B - 目标检测方法和装置 - Google Patents
目标检测方法和装置 Download PDFInfo
- Publication number
- CN104182958B CN104182958B CN201310190583.4A CN201310190583A CN104182958B CN 104182958 B CN104182958 B CN 104182958B CN 201310190583 A CN201310190583 A CN 201310190583A CN 104182958 B CN104182958 B CN 104182958B
- Authority
- CN
- China
- Prior art keywords
- histogram
- detection
- detector
- described image
- image frame
- 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.)
- Expired - Fee Related
Links
Landscapes
- Image Analysis (AREA)
Abstract
本发明公开了一种目标检测方法和装置,其中,该装置包括:第一确定模块,用于对接收到的图像帧,确定该图像帧的直方图;第二确定模块,用于确定直方图的分布特性;检测模块,用于根据第二确定模块确定的结果,启动检测器对图像帧进行目标对象的检测。本发明根据接收到的图像帧直方图的分布特性,启动检测器对图像帧进行目标对象的检测,不仅能够保证目标检测的实时性,并且能够使目标对象的检测适应环境的实际变化情况,有针对性地进行检测,提高检测的效率和准确性,并且无需采用昂贵的检测设备,有效降低了成本。
Description
技术领域
本发明涉及计算机视觉领域,并且特别地,涉及一种目标检测方法和装置。
背景技术
随着人类夜间活动时间的不断增加和活动区域的不断扩大,在交通、安全、健康和经济等多种领域,对全天候的视频监控和分析的需求在当今以及未来的多年内都会快速增长。然而,迄今为止,诸如入侵检测、客流统计、异常行为分析、交通流量统计以及违章检测等核心技术还远不能满足市场需求,而目标检测性能的不足是其中的关键限制因素之一。
传统的目标检测方案主要有以下三种:
第一种方案是基于检测运动区域来检测感兴趣目标,该方案可以利用视频帧间差信息或背景建模等多种手段实时检测运动目标,但是,这种方案很难精确定位感兴趣目标,目标检测结果也很容易受到环境变化(例如,光线变化。光照强度改变)的影响而出现较大误差。当这种方案在环境光较差的夜间环境中应用时,由于夜间环境中光照的变化对检测结果的影响很大,所以这种方案检测性能极为有限。在现有技术中,可以使用红外摄像头来获取夜间图像序列,并使用专用的检测电路检测光照环境和切换红外摄像头。虽然红外摄像头的使用极大的提升了夜间的成像质量和运动目标检测性能,因为红外摄像头的架构非常昂贵,会明显增加视频监控和分析系统的成本,导致难以在市场上取得广泛的使用。
第二种方案是基于机器学习的方法,这种方案使用提前标注好的感兴趣目标图片作为样本,通过特征提取和离线学习获得目标检测器,从而可以达到在图像序列中精确检测感兴趣目标,然而,在实际应用中,该方案通常采用的方向梯度直方图(Histogram ofOriented Gradient,简称为HOG)特征和协方差(covariance)特征等以及所使用的SVM分类器在运算速度上很难达到实时检测。
第三种方案是前两种方案的结合使用,这种方案首先使用运动检测筛选感兴趣区域,然后采用通过训练获得的检测器定位感兴趣目标。该方案通常是用来克服第一种方案的检测位置不精确问题和提高第二种方案的检测速度,但第三种方案同样会受到运动检测结果的影响,容易在夜间或感兴趣目标时常处于静止状态时失效。
因此,在诸如24小时营业超市、地下停车场、小区、车站和道路等多种光线变化对检测结果造成较大影响的应用环境中,现有的基于机器学习的目标检测方案主要存在以下问题:
(1)特征计算和分类器运算复杂度过高,难以达到实时检测;
(2)在自然光线不佳的情况下,获得的图片往往对比度较差,感兴趣目标的轮廓和细节信息丢失较为严重,现有基于白天样本获取的检测器在夜间图像序列上直接进行检测基本会失效;
(3)通过直接采集夜间的感兴趣目标样本训练夜间检测器虽然可以改善夜间目标检测性能,但由于实际应用环境较为复杂多变,在自然光不足的环境中往往会因为辅助照明设施等因素导致光照情况出现变化,使得感兴趣目标所处的环境往往会形成较亮、较暗以及过渡区域,导致适用于自然光线不足的环境检测器难以获得理想的目标检测性能;
(4)在夜间环境光较亮的区域,人体和车辆等感兴趣目标容易受到光线影响而丢失部分边缘和纹理等对目标检测及其重要的局部信息。
针对相关技术中目标检测方案难以适用于多变的环境、以及处理效率较低的问题,目前尚未提出有效的解决方案。
发明内容
针对相关技术中目标检测方案难以适用于多变的环境、以及处理效率较低的问题,本发明提出一种目标检测方法和装置,能够根据图像帧直方图的分布特性启动检测器对图像帧进行目标对象的检测,不仅能够保证目标检测的实时性,并且能够适应各种环境变化,提高检测的准确性。
为了实现上述目的,根据本发明的一个方面,提供了一种目标检测装置,该目标检测装置包括:
第一确定模块,用于对接收到的图像帧,确定该图像帧的直方图;
第二确定模块,用于确定直方图的分布特性;
检测模块,用于根据第二确定模块确定的结果,启动检测器对图像帧进行目标对象的检测。
根据本发明的另一方面,提供了一种目标检测方法,该目标检测方法包括:
对于接收到的图像帧,确定该图像帧的直方图;
确定直方图的分布特性;
根据确定结果,启动检测器对图像帧进行目标对象的检测。
此外,确定直方图的分布特性进一步包括:根据直方图的分布特性,确定对图像帧需要采用的检测模式。
本发明根据接收到的图像帧直方图的分布特性,启动检测器对图像帧进行目标对象的检测,不仅能够保证目标检测的实时性,并且能够使目标对象的检测适应环境的实际变化情况,有针对性地进行检测,提高检测的效率和准确性,并且无需采用昂贵的检测设备,有效降低了成本。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图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,还可以根据这些附图获得其他的附图。
图1是根据本发明实施例的目标检测装置的框图;
图2是根据本发明实施例的目标检测方法的流程图;
图3是根据本发明实施例的目标检测方法的具体实例的流程图;
图4a示出了在光照较为充足的环境下拍摄图像的直方图;
图4b示出了在光照不充足但是有其他环境光源的环境下拍摄图像的直方图;
图4c示出了无环境光源的夜间环境下拍摄图像的直方图;
图5是实现本发明技术方案的计算机的示例性结构框图。
具体实施方式
在下文中将结合附图对本发明的示范性实施例进行描述。为了清楚和简明起见,在说明书中并未描述实际实施方式的所有特征。然而,应该了解,在开发任何这种实际实施例的过程中必须做出很多特定于实施方式的决定,以便实现开发人员的具体目标,例如,符合与系统及业务相关的那些限制条件,并且这些限制条件可能会随着实施方式的不同而有所改变。此外,还应该了解,虽然开发工作有可能是非常复杂和费时的,但对得益于本公开内容的本领域技术人员来说,这种开发工作仅仅是例行的任务。
在此,还需要说明的一点是,为了避免因不必要的细节而模糊了本发明,在附图中仅仅示出了与根据本发明的方案密切相关的装置结构和/或处理步骤,而省略了与本发明关系不大的其他细节。
根据本发明的实施例,提供了一种目标检测装置。
如图1所示,根据本发明实施例的目标检测装置包括:
第一确定模块11,用于对接收到的图像帧,确定该图像帧的直方图;
第二确定模块12,用于确定直方图的分布特性;
检测模块13,用于根据第二确定模块12确定的结果,启动检测器对图像帧进行目标对象的检测。
在一个可选实施例中,第一确定模块11用于确定图像帧的灰度直方图,第二确定模块12会根据该灰度直方图的分布特性,得到检测结果。应当理解,如果是根据RGB直方图或者其他形式的直方图,同样能够得到检测结果并启动适当的检测器。
在一个实施例中,第二确定模块12可以进一步根据直方图的分布特性确定需要采用哪些检测器进行检测。
在另一实施例中,第二确定模块12可以先根据直方图的分布特性确定当前需要采用的检测模式,之后确定应启动哪些检测器进行检测。
本文将主要针对首先确定检测模式进而启动相应检测器的情况进行描述。
另外,根据光照的情况,本发明的检测模式可以包括但不限于:白天检测模式、黄昏检测模式、夜间检测模式、雨天检测模式、雪天检测模式等。
并且,检测模块13用于在根据上述光照情况确定的检测模式下需要通过多个检测器进行检测的情况下,根据多个检测器在上述光照情况下的适用程度,对每个检测器分配对应的权值,并对多个检测器的输出结果进行加权,确定对目标的检测结果。也就是说,如果获取图像帧的当前时间为午夜,自然光很少,根据相关技术,此时会对该图像帧采用适用于夜晚的检测器进行检测,但是如果此时出现了其他环境光源导致获取的图像帧中的对象被光照射,就会导致检测出现误差甚至失效。但是,根据本发明的技术方案,会根据图像帧的直方图的实际分布特性启动检测器,就能够有效避免这种情况出现。
对不同的检测器分别分配权值,能够很好地将多个检测器的检测结果综合在一起,更加客观地进行目标检测。例如,假设根据直方图的分布特性判断,其中的光照很少,需要启动夜间检测器和其他的至少一个检测器(例如白天检测器),由于根据直方图的分布特性确定当前图像帧中的实际光照较少,因此,可以对夜间检测器分配更大的权值,对于白天检测器分配较小的权值,从而使得最终的检测结果更多地取决于夜间检测器的检测结果。
在一个实施例中,上述直方图的分布特性至少通过峰值和/或谷值的特性体现。也就是说,检测模块可以根据峰值和/或谷值来确定当前需要采用的检测模式或直接确定需要启动的检测器。
并且,直方图的峰值和/或谷值的特性通过以下参数中的至少之一体现:峰值的数量、峰值的位置、谷值的数量、谷值的位置。
具体地,第二确定模块12可利用以下公式确定直方图的分布参数:
其中,μH为均值,σH为方差,vH为第i个峰值/谷值所在的位置,Hf为直方图的分布参数;
并且,第二确定模块12还用于确定直方图参数所在的数值范围,并将预先配置的数值范围所对应的检测模式确定为对图像帧需要采用的检测模式。
采用上述公式计算得到的结果能够体现出峰值和/或谷值的分布情况,由于在不同的光照环境下,直方图中峰值和/或谷值的分布会出现显著差异(下文中会结合图4a-图4c进行详细描述),因此,根据上述公式得到的计算结果,就能够确定出图像帧中的实际光照情况。
在另一实施例中,可以对上述公式进行变形,例如,可以在公式中加入第i个峰值/谷值的纵坐标pi,得到变形后的公式:
其中,pivH为第i个峰值/谷值所在位置与该峰值/谷值对应纵坐标的乘积,可以理解为是该峰值/谷值的权值,并且通过该公式计算后得到的结果同样能够反映出直方图中峰值和/或谷值的分布特性。
应当注意,上述公式仅仅是确定图像帧中峰值和/或谷值分布的一种具体方式,实际上,由于光照的变化能够对直方图中的峰值/谷值分布产生较为显著的影响,所以通过其他很多方式同样能够确定图像帧中的实际光照情况,本文不再一一列举。
通常情况下,如果在夜间获取图像帧,根据该图像帧的直方图得到的上述计算结果Hf会比较大,而如果在白天获取图像帧,计算结果Hf的值会比较小,因此,可以针对Hf的取值设置取值范围,不同的取值范围对应不同的检测模式,例如,可以针对白天检测模式、黄昏检测模式、黑夜检测模式分别设置对应的取值范围,在其他实施例中,可以设置数量更多的数值范围和相应的检测模式。
另外,由于Hf能够体现直方图的分布特性,进而体现其中的光照情况,所以在对每个检测器分配对应的权值时,可以参照Hf对每个检测器分配权值。
此外,根据本发明的一个实施例,在确定的检测模式(例如,当前检测模式为夜间检测模式或黄昏检测模式等适用于光照不足环境的检测模式)需要用于采用针对夜间环境进行检测的检测器的情况下,检测模块13可以启动用于针对夜间环境进行检测的检测器、以及至少一个用于针对其他光照环境进行检测的检测器,对图像帧进行目标对象的检测。具体而言,在黄昏或者深夜,自然光线较弱甚至为0,此时,获取的图像帧往往需要通过专门适用于光照较少的环境的检测器,但是由于在这种自然光较少的环境中,其他光源会对目标产生较大的影响,一旦出现了较强的其他光源(例如,车灯照射目标对象),单纯依靠适用于光照较少的环境的检测器将难以准确检测目标对象。因此,在这种环境下,不仅可以启动适用于光照较少的环境的检测器,还可以启动适用于光照较为充足的环境的其他至少一个检测器(例如,用于白天的检测器),这样就能够将这些检测器的检测结果进行综合考虑,从而准确检测目标对象。
并且,在确定的检测模式需要采用针对夜间环境进行检测的检测器的情况下,检测模块13至少启动用于针对夜间环境进行检测的检测器,且启动的检测器对图像帧的直方图进行划分得到子直方图,并对不符合正态分布的子直方图仅进行一次进一步划分,根据划分得到的直方图(包括子直方图和对子直方图进行进一步划分得到的直方图)对所述图像帧进行目标对象的检测。
可选地,在对直方图进行划分时,由于夜间拍摄的图像帧的直方图波形较为特殊,通常会较为集中地分布在直方图横坐标的两端处,且波形较为陡峭,因此,可以采用较大的步长(分辨率)对直方图进行划分。在现有技术中,通常会对直方图进行1×3的平滑及划分,而根据本发明的实施例,可以对直方图进行1×7至1×17的平滑并以局部最小值为分界点进行划分,这样不仅不会影响最终判断的准确性,还能够减少后续的处理工作量,提高处理的效率。另外,根据本发明的实施例,考虑到夜间拍摄的图像帧的直方图特性,对于不满足正态分布的子直方图,仅进行一次进一步划分得到新的子直方图,对于新得到的子直方图,不会进行再次划分,从而避免大量的迭代运算,进一步提高了检测效率。
此外,对于本发明的每个检测器,均可以包括矩形梯度特征和软级联式Boosting分类器,这样能够避免对每种检测对象分别进行训练,可以实现对多种目标对象的通用检测。
借助于本发明的技术方案,用户无需为摄像头等图像获取装置安装辅助光源,仅依靠环境光即可对多种光照情况下的目标对象进行有效检测,并且即使在夜间也能够达到接近于白天的检测性能。此外,本发明提出了改进的快速动态直方图均衡化算法,能够在改善图像对比度的同时,对图像帧中人体和车灯等易受环境光影响的部分提供更好的边缘保存能力;并且,通过配置不同类型的检测器,本发明的技术方案可以在多种环境下,全天候检测不同类型感兴趣目标;此外,随着检测模式的增加,该系统可以给出更加精细的检测结果且在复杂环境中有较高的鲁棒性。
根据本发明的实施例,还提供了一种目标检测方法。
如图2所示,该目标检测方法包括:
步骤S201,对于接收到的图像帧,确定该图像帧的直方图;
步骤S203,确定直方图的分布特性;
步骤S205,根据确定结果,启动检测器对图像帧进行目标对象的检测。
在一实施例中,在确定直方图的分布特性时,由于分布特性能够反映出实际的光照情况,因此,这里可以直接确定出需要启动的检测器。
在另一实施例中,在确定直方图的分布特性时,可以根据直方图的分布特性,确定对图像帧需要采用的检测模式,这样,在步骤S205中就可以直接根据检测模式确定需要启动的检测器。
并且,在根据直方图的分布特性,确定对图像帧需要采用的检测模式时,可以根据直方图的分布特性,确定图像帧中光源的光照情况,并根据光照情况确定检测模式。
并且,如果在根据光照情况确定的检测模式下需要通过多个检测器进行检测,则在对图像帧进行目标对象的检测时,根据多个检测器在光照情况下的适用程度,对每个检测器分配对应的权值,并对多个检测器的输出结果进行加权,确定对目标的检测结果。
其中,直方图的分布特性至少可以通过峰值和/或谷值的特性体现。
并且,直方图的峰值和/或谷值的特性通过以下参数中的至少之一体现:峰值的数量、峰值的位置、谷值的数量、谷值的位置。
其中,在确定直方图的分布特性时,可以利用以下公式确定直方图的分布参数:
其中,μH为均值,σH为方差,vH为第i个峰值/谷值所在的位置,Hf为直方图的分布参数(类似地,该公式中同样可以增加pi,这里不再重复);确定直方图参数所在的数值范围,并将预先配置的数值范围所对应的检测模式确定为对图像帧需要采用的检测模式。
并且,在确定的检测模式需要采用针对夜间环境进行检测的检测器的情况下,在对图像帧进行目标对象的检测时,启动用于针对夜间环境进行检测的检测器、以及至少一个用于在其他检测模式下进行检测的检测器,对图像帧进行目标对象的检测。
可选地,在确定的检测模式需要采用针对夜间环境进行检测的检测器的情况下,在对图像帧进行目标对象的检测时,对图像帧的直方图进行划分得到子直方图,并对不符合正态分布的子直方图仅进行一次进一步划分,根据划分得到的直方图对图像帧进行目标对象的检测。
以下将以人检测为例,详细描述本发明的实施方式。
如图3所示,根据本发明技术方案的检测过程包括以下步骤:
步骤S301,摄像机信息获取。通过本步骤,可以获取系统中的监控摄像头的相机内参数,对图像序列进行镜头畸变校正并将校正后的彩色图像转换为灰度图像。如无需进行镜头畸变校正,则直接将彩色图像转换为灰度图像,获取的当前帧的灰度图像记为I。
步骤S303,计算帧直方图,选择检测模式。在本步骤中,根据获取的灰度图像I,计算其灰度直方图H。图4a示出了在光照较为充足的环境(例如,白天)下拍摄图像的直方图,图4b示出了在光照不充足但是有其他环境光源的环境下拍摄图像的直方图(例如,在有环境光源的夜间拍摄的图像的直方图类似于4b所示的直方图),图4c示出了无环境光源的夜间环境下拍摄图像的直方图。
如图4a、4b和4c可知,相比较白天图像的直方图,夜间图像的直方图一般具有如下特点:
(1)在有环境光源影响的夜间图像中(参见图4b),其直方图跨度一般为整个图像灰度级(0~255),直方图基本包括两个突出的尖峰,并且,其中一个尖峰位于亮(即灰度值较大)区域,另一个尖峰位于暗(即灰度值较小)区域,并且暗(即灰度值较小)区域的尖峰远大于亮(即灰度值较大)区域的尖峰;
(2)在无环境光源影响的夜间图像中(参见图4c),其直方图跨度一般集中于暗(即灰度值较小)区域,形成一个分布较窄的尖峰;
(3)白天图像的直方图一般没有类似于夜间图像的明显特征。
因此,在本实施例中,可以根据直方图的分布特性,如均值μH,方差σH和峰谷数量和位置pvH等得到直方图特性值Hf(即,上述的分布参数),进而根据预先设定的阈值θ1选择检测模式mode(Hf),以白天检测模式和夜间检测模式为例,检测模式的确定方式如下:
其中,Hf计算方式可以参照公式: 或其他公式。
本领域的技术人员应当理解,检测模式并不局限于白天检测模式、黑夜检测模式、黄昏检测模式等,相应的,Hf也可以具有两个或更多的数值范围,每个数值范围对应一个检测模式,并且可以预先配置好在每个检测模式下应当启动哪些检测器。
如果根据直方图的分布特性确定,当前图像帧在白天拍摄得到并且光照充足,则既可以只采用白天检测器进行检测,也可以进一步采用夜间检测器或黄昏检测器(图中未示出)等,以避免因为阴影遮挡等因素影响白天检测器的结果。而如果根据直方图的分布特性确定当前图像帧在光照不充足的环境下拍摄得到,则需要执行步骤S305,即,完成帧预处理。
在帧预处理步骤中,对于夜间检测模式,本发明例针对夜间图像的特点将现有技术中的动态直方图均衡化(DHE)算法改进为适合夜间图像对比度拉伸的快速动态直方图均衡化(FDHE)算法。FDHE算法首先对直方图进行1x13(本发明针对夜间图像直方图特点确定的滤波窗口尺寸)的平滑并以局部最小值为分界点将直方图划分为N个子直方图。然后根据子直方图的均值μ和标准差δ判断该子直方图是否符合正态分布,如果不符合就需要以(μ+δ)和(μ-δ)为界点将该子直方图划分为3个(也可以是其他数量,例如,2个、4个、5个等)新的子直方图。其中,第i个子直方图的起始点和终止点及其累积分布分别记为mi,mi+1和CFi。由于夜间图像的直方图跨度往往接近整个灰度级的跨度(0~255),所以FDHE算法利用CFi对各子直方图的灰度级跨度进行重新分配,其计算方法如下:
wi=(mi+1-mi)×(logCFi)y;
其中,CFi为表示第i个子直方图的累积分布的参数,wi为第i个子直方图的权重值,Spani为第i个子直方图的跨度,W为所有子直方图的权重值之和,y的取值为[0.5,4],例如,y可以等于2。
根据本发明实施例的FDHE算法会对每个子直方图在其新的灰度级跨度上进行均衡化处理,FDHE算法处理后的夜间图像记为I′。
本实施例中,采用了矩形梯度特征和软级联式Boosting分类器作为单一检测器。针对人体为非刚体的特点,本实施例中的白天检测器分别训练获取了正背面检测器FB-D,侧身检测器LR-D和斜测检测器S-D,并将其在I′中检测到的候选窗口分别记为FB-Di,LR-Di和S-Di。然后白天检测器使用Mean-Shift算法对处于相近位置的候选窗口进行融合并重新计算合并后的检测窗口Di′的置信度confDi′。
由于用积分图可快速计算矩形梯度特征同时使用软级联式Boosting分类器,本发明采用的白天检测器基本可以达到实时处理视频帧。
对于夜间检测器,本实施例中夜间检测器同样采用了矩形梯度特征和软级联式Boosting分类器作为检测器,只是针对夜间人体在大部分时间均处于上半身可见状态的特点,在离线学习中使用夜间人体上半身作为训练样本,以此获得夜间人体上半身检测器。夜间检测器检测到的检测窗口记为nDi′的置信度confDi′。
步骤S307,检测结果融合。在夜间工作模式中,如果在nDi′的邻域中同时存在一个以上的Di′,则使用Mean-Shift算法对该邻域内的nDi′和所有Di′融合为nDi *,并重新计算其置信度,计算方法为:
confnDi*=λ1confnDi+λ2∑confDi
最后获取白天检测器和夜间检测器检测结果的并集nDi *∪Di′及其对应的置信度。
另外,对于白天检测模式,如果只采用白天检测器,可以在步骤S307中可以直接将白天检测器的结果作为最终结果;而如果进一步采用了白天检测器之外的其他检测器,则在步骤S307中,可以同样将根据这些检测器的结果进行加权,得到最终的检测结果,此时,对于夜间检测器和黄昏检测器的检测结果,可以分配较小的权值,对白天检测器可以分配较大的权值。
步骤S309,计算检测结果置信度。本步骤中,将所有的检测结果置信度归一化,其计算方法如下:
confnDi*=(confnDi*-confmin)/(confmax-confmin);
其中,confnDi*为归一化的检测结果,confmin为检测结果置信度中的最小值,confmax为检测结果置信度中的最大值,通过该公式,能够对原检测结果进行归一化(更新)。
步骤S311,获取目标检测结果。在本实施例中,使用矩形窗口表示一个检测结果,例如,(x,y,w,h,confnDi*)。在一个视频帧中,凡是大于或者等于用户设置的兴趣阈值的窗口将作为最终目标检测结果输出给用户,以便用户可以根据实际应用的需求自行调整阈值以达到不同的检测性能。
根据本实施例提供的方案,首先计算当前视频帧的直方图,并将其换算成直方图特性值,再根据不同的阈值动态调整白天和夜间检测模式。在白天检测模式中可以仅使用白天监测器并直接根据置信度获取最终检测结果,而在夜间检测模式中,首先使用一种快速动态直方图均衡化算法对图像进行一定的对比度调整,然后融合白天检测器和夜间检测器的检测结果并计算目标检测置信度,最后输出目标检测结果。本发明能够在无需依赖昂贵的红外摄像头或补充光源的前提下,在大幅削减系统成本的同时有效地提高了全天候目标检测的性能。并且,本发明所提供的检测器能够支持对不同的感兴趣目标样本进行离线学习,从而实现多种感兴趣目标检测方法和系统的搭建。
以上结合具体实施例描述了本发明的基本原理,但是,需要指出的是,对本领域的普通技术人员而言,能够理解本发明的方法和装置的全部或者任何步骤或者部件,可以在任何计算装置(包括处理器、存储介质等)或者计算装置的网络中,以硬件、固件、软件或者它们的组合加以实现,这是本领域普通技术人员在阅读了本发明的说明的情况下运用它们的基本编程技能就能实现的。
因此,本发明的目的还可以通过在任何计算装置上运行一个程序或者一组程序来实现。所述计算装置可以是公知的通用装置。因此,本发明的目的也可以仅仅通过提供包含实现所述方法或者装置的程序代码的程序产品来实现。也就是说,这样的程序产品也构成本发明,并且存储有这样的程序产品的存储介质也构成本发明。显然,所述存储介质可以是任何公知的存储介质或者将来所开发出来的任何存储介质。
在通过软件和/或固件实现本发明的实施例的情况下,从存储介质或网络向具有专用硬件结构的计算机,例如图5所示的通用计算机500安装构成该软件的程序,该计算机在安装有各种程序时,能够执行各种功能等等。
在图5中,中央处理模块(CPU)501根据只读存储器(ROM)502中存储的程序或从存储部分508加载到随机存取存储器(RAM)503的程序执行各种处理。在RAM503中,也根据需要存储当CPU501执行各种处理等等时所需的数据。CPU501、ROM502和RAM503经由总线504彼此连接。输入/输出接口505也连接到总线504。
下述部件连接到输入/输出接口505:输入部分506,包括键盘、鼠标等等;输出部分507,包括显示器,比如阴极射线管(CRT)、液晶显示器(LCD)等等,和扬声器等等;存储部分508,包括硬盘等等;和通信部分509,包括网络接口卡比如LAN卡、调制解调器等等。通信部分509经由网络比如因特网执行通信处理。
根据需要,驱动器510也连接到输入/输出接口505。可拆卸介质511比如磁盘、光盘、磁光盘、半导体存储器等等根据需要被安装在驱动器510上,使得从中读出的计算机程序根据需要被安装到存储部分508中。
在通过软件实现上述系列处理的情况下,从网络比如因特网或存储介质比如可拆卸介质511安装构成软件的程序。
本领域的技术人员应当理解,这种存储介质不局限于图5所示的其中存储有程序、与装置相分离地分发以向用户提供程序的可拆卸介质511。可拆卸介质511的例子包含磁盘(包含软盘(注册商标))、光盘(包含光盘只读存储器(CD-ROM)和数字通用盘(DVD))、磁光盘(包含迷你盘(MD)(注册商标))和半导体存储器。或者,存储介质可以是ROM502、存储部分508中包含的硬盘等等,其中存有程序,并且与包含它们的装置一起被分发给用户。
还需要指出的是,在本发明的方案中,显然,各部件或各步骤是可以分解和/或重新组合的。这些分解和/或重新组合应视为本发明的等效方案。并且,执行上述系列处理的步骤可以自然地按照说明的顺序按时间顺序执行,但是并不需要一定按照时间顺序执行。某些步骤可以并行或彼此独立地执行。
虽然已经详细说明了本发明及其优点,但是应当理解在不脱离由所附的权利要求所限定的本发明的精神和范围的情况下可以进行各种改变、替代和变换。而且,本申请的术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者装置不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者装置所固有的要素。在没有更多限制的情况下,由语句“包括一个......”限定的要素,并不排除在包括所述要素的过程、方法、物品或者装置中还存在另外的相同要素。
Claims (13)
1.一种目标检测装置,其特征在于,包括:
第一确定模块,用于对接收到的图像帧,确定该图像帧的直方图;
第二确定模块,用于确定所述直方图的分布特性;
检测模块,用于根据第二确定模块确定的结果,启动检测器对所述图像帧进行目标对象的检测;
其中,所述第二确定模块还用于根据所述直方图的分布特性,确定对所述图像帧需要采用的检测模式;
所述第二确定模块用于根据所述直方图的分布特性,确定所述图像帧中光源的光照情况,并根据所述光照情况确定检测模式;
所述检测模块用于在根据所述光照情况确定的检测模式下需要通过多个检测器进行检测的情况下,根据所述多个检测器在所述光照情况下的适用程度,对每个检测器分配对应的权值,并对所述多个检测器的输出结果进行加权,确定对所述目标的检测结果。
2.根据权利要求1所述的目标检测装置,其特征在于,所述直方图的分布特性至少通过峰值和/或谷值的特性体现。
3.根据权利要求2中所述的目标检测装置,其特征在于,所述直方图的峰值和/或谷值的特性通过以下参数中的至少之一体现:
峰值的数量、峰值的位置、谷值的数量、谷值的位置。
4.根据权利要求3所述的目标检测装置,其特征在于,所述检测模块用于利用公式确定直方图的分布参数:其中,μH为均值,σH为方差,vH为第i个峰值/谷值所在的位置,Hf为所述直方图的分布参数;
并且,所述检测模块还用于确定所述直方图的分布参数所在的数值范围,并将预先配置的所述数值范围所对应的检测模式确定为对所述图像帧需要采用的检测模式。
5.根据权利要求1所述的目标检测装置,其特征在于,在确定的所述检测模式需要用于采用针对夜间环境进行检测的检测器的情况下,所述检测模块启动用于针对夜间环境进行检测的检测器、以及至少一个用于针对其他光照环境进行检测的检测器,对所述图像帧进行目标对象的检测。
6.根据权利要求1所述的目标检测装置,其特征在于,在确定的所述检测模式需要采用针对夜间环境进行检测的检测器的情况下,所述检测模块至少启动用于针对夜间环境进行检测的检测器,且启动的检测器对所述图像帧的直方图进行划分得到子直方图,并对不符合正态分布的子直方图仅进行一次进一步划分,根据划分得到的直方图对所述图像帧进行目标对象的检测。
7.根据权利要求1所述的目标检测装置,其特征在于,每个检测器包括矩形梯度特征和软级联式Boosting分类器。
8.一种目标检测方法,其特征在于,包括:
对于接收到的图像帧,确定该图像帧的直方图;
确定所述直方图的分布特性;
根据确定结果,启动检测器对所述图像帧进行目标对象的检测;
其中,确定所述直方图的分布特性进一步包括:根据所述直方图的分布特性,确定对所述图像帧需要采用的检测模式;
根据所述直方图的分布特性,确定对所述图像帧需要采用的检测模式包括:根据所述直方图的分布特性,确定所述图像帧中光源的光照情况,并根据所述光照情况确定检测模式;
如果在根据所述光照情况确定的检测模式下需要通过多个检测器进行检测,则在对所述图像帧进行目标对象的检测时,根据所述多个检测器在所述光照情况下的适用程度,对每个检测器分配对应的权值,并对所述多个检测器的输出结果进行加权,确定对所述目标的检测结果。
9.根据权利要求8所述的目标检测方法,其特征在于,所述直方图的分布特性至少通过峰值和/或谷值的特性体现。
10.根据权利要求9所述的目标检测方法,其特征在于,所述直方图的峰值和/或谷值的特性通过以下参数中的至少之一体现:
峰值的数量、峰值的位置、谷值的数量、谷值的位置。
11.根据权利要求10所述的目标检测方法,其特征在于,确定所述直方图的分布特性包括:
利用公式确定直方图的分布参数:其中,μH为均值,σH为方差,vH为第i个峰值/谷值所在的位置,Hf为所述直方图的分布参数;
确定所述直方图的分布参数所在的数值范围,并将预先配置的所述数值范围所对应的检测模式确定为对所述图像帧需要采用的检测模式。
12.根据权利要求8所述的目标检测方法,其特征在于,在确定的所述检测模式需要采用针对夜间环境进行检测的检测器的情况下,在对所述图像帧进行目标对象的检测时,启动用于针对夜间环境进行检测的检测器、以及至少一个用于在其他检测模式下进行检测的检测器,对所述图像帧进行目标对象的检测。
13.根据权利要求8所述的目标检测方法,其特征在于,在确定的所述检测模式需要采用针对夜间环境进行检测的检测器的情况下,在对所述图像帧进行目标对象的检测时,对所述图像帧的直方图进行划分得到子直方图,并对不符合正态分布的子直方图仅进行一次进一步划分,根据划分得到的直方图对所述图像帧进行目标对象的检测。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201310190583.4A CN104182958B (zh) | 2013-05-21 | 2013-05-21 | 目标检测方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201310190583.4A CN104182958B (zh) | 2013-05-21 | 2013-05-21 | 目标检测方法和装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN104182958A CN104182958A (zh) | 2014-12-03 |
CN104182958B true CN104182958B (zh) | 2019-01-08 |
Family
ID=51963976
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201310190583.4A Expired - Fee Related CN104182958B (zh) | 2013-05-21 | 2013-05-21 | 目标检测方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN104182958B (zh) |
Families Citing this family (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105740841B (zh) * | 2016-02-29 | 2021-06-22 | 浙江宇视科技有限公司 | 一种车辆检测模式的确定方法和装置 |
CN110288560B (zh) * | 2018-03-16 | 2021-03-02 | 北京三快在线科技有限公司 | 一种图像模糊检测方法及装置 |
CN111159181A (zh) * | 2019-12-18 | 2020-05-15 | 东软集团股份有限公司 | 医疗数据筛选方法、装置、存储介质及电子设备 |
CN112308193B (zh) * | 2020-10-29 | 2023-04-07 | 山西大学 | 一种车站检票口人流量数据收集装置 |
CN112396009A (zh) * | 2020-11-24 | 2021-02-23 | 广东国粒教育技术有限公司 | 一种基于全卷积神经网络模型的算题批改方法、算题批改装置 |
CN114549670B (zh) * | 2022-02-23 | 2023-04-07 | 京东方数字科技有限公司 | 图像处理方法及图像处理系统 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101211407A (zh) * | 2006-12-29 | 2008-07-02 | 沈阳东软软件股份有限公司 | 昼夜图像识别方法和装置 |
CN101212658A (zh) * | 2007-12-21 | 2008-07-02 | 北京中星微电子有限公司 | 一种目标跟踪方法及装置 |
CN101867788A (zh) * | 2009-04-15 | 2010-10-20 | 青岛海信数字多媒体技术国家重点实验室有限公司 | 一种监控方法、装置和系统 |
CN101936730A (zh) * | 2010-06-28 | 2011-01-05 | 汉王科技股份有限公司 | 车辆排队长度检测的方法及装置 |
CN102231236A (zh) * | 2011-06-14 | 2011-11-02 | 汉王科技股份有限公司 | 车辆计数方法和装置 |
CN102236783A (zh) * | 2010-04-29 | 2011-11-09 | 索尼公司 | 检测异常行为的方法和设备及生成检测器的方法和设备 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7720580B2 (en) * | 2004-12-23 | 2010-05-18 | Donnelly Corporation | Object detection system for vehicle |
US7724962B2 (en) * | 2006-07-07 | 2010-05-25 | Siemens Corporation | Context adaptive approach in vehicle detection under various visibility conditions |
-
2013
- 2013-05-21 CN CN201310190583.4A patent/CN104182958B/zh not_active Expired - Fee Related
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101211407A (zh) * | 2006-12-29 | 2008-07-02 | 沈阳东软软件股份有限公司 | 昼夜图像识别方法和装置 |
CN101212658A (zh) * | 2007-12-21 | 2008-07-02 | 北京中星微电子有限公司 | 一种目标跟踪方法及装置 |
CN101867788A (zh) * | 2009-04-15 | 2010-10-20 | 青岛海信数字多媒体技术国家重点实验室有限公司 | 一种监控方法、装置和系统 |
CN102236783A (zh) * | 2010-04-29 | 2011-11-09 | 索尼公司 | 检测异常行为的方法和设备及生成检测器的方法和设备 |
CN101936730A (zh) * | 2010-06-28 | 2011-01-05 | 汉王科技股份有限公司 | 车辆排队长度检测的方法及装置 |
CN102231236A (zh) * | 2011-06-14 | 2011-11-02 | 汉王科技股份有限公司 | 车辆计数方法和装置 |
Also Published As
Publication number | Publication date |
---|---|
CN104182958A (zh) | 2014-12-03 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104182958B (zh) | 目标检测方法和装置 | |
Sanin et al. | Shadow detection: A survey and comparative evaluation of recent methods | |
US8131010B2 (en) | High density queue estimation and line management | |
US9524558B2 (en) | Method, system and software module for foreground extraction | |
Zang et al. | Robust background subtraction and maintenance | |
CN102542552B (zh) | 视频图像的顺逆光判断和拍摄时间检测方法 | |
US20140313345A1 (en) | Flying object visual identification system | |
US20150125074A1 (en) | Apparatus and method for extracting skin area to block harmful content image | |
CN110222686B (zh) | 物体检测方法、装置、计算机设备和存储介质 | |
CN103268470B (zh) | 基于任意场景的视频对象实时统计方法 | |
CN105260749B (zh) | 基于方向梯度二值模式和软级联svm的实时目标检测方法 | |
CN102289686A (zh) | 一种基于迁移学习的运动目标分类识别方法 | |
CN106778687A (zh) | 基于局部评估和全局优化的注视点检测方法 | |
Cheung et al. | A local region based approach to lip tracking | |
CN109919053A (zh) | 一种基于监控视频的深度学习车辆停车检测方法 | |
CN109325456A (zh) | 目标识别方法、装置、目标识别设备及存储介质 | |
Yuan et al. | Single‐image shadow detection and removal using local colour constancy computation | |
CN110795975B (zh) | 人脸误检优化方法及装置 | |
CN110503092A (zh) | 基于领域适应的改进ssd监控视频目标检测方法 | |
Pan et al. | Key algorithms of video target detection and recognition in intelligent transportation systems | |
Hu et al. | An adaptive lighting indoor vSLAM with limited on-device resources | |
CN102625028B (zh) | 对视频中存在的静态徽标进行检测的方法和设备 | |
CN110858392A (zh) | 一种基于融合背景模型的监控目标定位方法 | |
CN109002785A (zh) | 基于运动时序能量图的步态识别方法 | |
CN110210401B (zh) | 一种弱光下的目标智能检测方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20190108 Termination date: 20210521 |
|
CF01 | Termination of patent right due to non-payment of annual fee |