CN104778474A - 一种用于目标检测的分类器构建方法及目标检测方法 - Google Patents

Abstract

本发明公开了一种用于目标检测的分类器构建方法及目标检测方法，其中，分类器构建方法包括：负样本生成步骤，对获取到的场景原图集进行处理，得到不包含目标的背景集，根据所述背景集生成负样本；正样本生成步骤，对获取到的包含目标的正样品原图集进行处理，得到正样本集，所述正样本集包括多个正样本；分类器确定步骤，对于各个正样本，结合负样本和误识别样本，得到对应于各个正样本的子分类器，进而根据各个分类器的集合得到所需要的分类器。相较于现有的方法，该方法具有更高的检测率和捕获率。

Description

一种用于目标检测的分类器构建方法及目标检测方法

技术领域

本发明涉及计算机视觉技术领域，具体地说，涉及一种用于目标检测的分类器构建方法及目标检测方法。

背景技术

目标检测一直都是计算机视觉领域的热门研究方向，它是计算机视觉任务中最为基本的组成部分，它的科研价值在于为计算机视觉中更为高级的任务(如目标识别、内容分析、人工智能等)提供基础研究和技术支持。除此之外，目标检测本身就有很好的商业应用价值，例如大多数数码相机中都使用配备的人脸检测系统等。

基于静态图像的检测方法是目标检测方法中最为常用的方法之一。然而，现有的基于静态图像的目标检测方法构建分类器时需要收集大量的训练样本数据。通常一个成熟的分类器的建立往往需要10万个以上的训练样本数据。此外，现有的基于静态图像的目标检测方法对数据的统一性要求较高，这就使得在构建分类器时往往需要对样本数据进行多次筛选，以排除可能存在干扰的样本。

发明内容

为解决上述问题，本发明提供了一种用于目标检测的分类器构建方法，其特征在于，所述方法包括：

负样本生成步骤，对获取到的场景原图集进行处理，得到不包含目标的背景集，根据所述背景集生成负样本；

正样本生成步骤，对获取到的包含目标的正样品原图集进行处理，得到正样本集，所述正样本集包括多个正样本；

分类器确定步骤，对于各个正样本，结合负样本和误识别样本，得到对应于各个正样本的子分类器，进而根据各个分类器的集合得到所需要的分类器。

根据本发明的一个实施例，在分类器确定步骤中，还对得到的各个子分类器进行检测，包括：

利用子分类器检测所述背景集，得到对应于该子分类器的检测目标和检测数：

判断所述检测数与预设阈值是否匹配，如果不匹配，则将所述检测目标加入误识别样本中，得到新的误识别样本，并基于各个正样本、负样本和新的误识别样本重复子分类器的确定过程，直至检测数与预设阈值匹配，并将此时的子分类器作为所需要的子分类器。

根据本发明的一个实施例，如果所述检测数大于预设阈值，则判断所述检测数与预设阈值匹配，否则判断所述检测数与预设阈值不匹配。

根据本发明的一个实施例，在所述负样本生成步骤中，对获取到的背景集中的图片按照预设尺寸和/或预设移动步长进行变换，生成所述负样本。

根据本发明的一个实施例，在所述正样本生成步骤中，按照预设类别对正样品原图集进行分类，得到多个正样本。

根据本发明的一个实施例，在所述分类器确定步骤中，误识别样本的初始值为空。

根据本发明的一个实施例，所述分类器确定步骤包括：

提取各个正样本、负样本和误识别样本的特征值；

根据提取到的特征值，基于预设算法进行机器学习训练，得到对应于各个正样本的子分类器。

根据本发明的一个实施例，在所述分类器确定步骤中，提取的特征值为HOG特征值或Haar特征值。

根据本发明的一个实施例，所述预设算法为SVM算法或boosted算法。

本发明还提供给了一种目标检测方法，所述方法包括：

利用预设分类器检测待处理图像，得到第一检测结果，其中，所述预设分类器是利用如上任一项所述的分类器构建方法构建得到的；

利用预设先验值消除所述第一检测结果中的虚假目标，得到第二检测结果；

对所述第二检测结果进行数据整合，得到目标检测结果。

本发明所提供的用于目标检测的分类器的构建方法通过提供一套新的确定正样本和负样本的方法，找到了适用于不同复杂场景下最优的目标特征，从而有助于提高检测率。

同时，本发明所提供的方法根据不同场景下的目标在图像中呈现的状态，把目标检测特征又归一到不同的类别中，并分别建立了自动化训练过以得到对应于不同分类的子分类器，从而进一步提高了检测率。

本发明所提供的目标检测方法因使用新的分类器，相较于现有的目标检测方法，其具有更高的检测率、准确性和适用性。此外，本发明所提供的目标检测方法还利用先验值来消除虚假目标，从而使得得到的目标检测结果更加准确。该方法能够有效解决现有方法在复杂场景下目标检测率低、误识别率高和鲁棒性差的缺陷。

本发明的其它特征和优点将在随后的说明书中阐述，并且，部分地从说明书中变得显而易见，或者通过实施本发明而了解。本发明的目的和其他优点可通过在说明书、权利要求书以及附图中所特别指出的结构来实现和获得。

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，下面将对实施例或现有技术描述中所需要的附图做简单的介绍：

图1是根据本发明一个实施例的分类器构建方法的流程图；

图2是根据本发明一个实施例的目标检测方法的流程图；

图3是根据本发明一个实施例的目标检测方法的具体流程图。

具体实施方式

以下将结合附图及实施例来详细说明本发明的实施方式，借此对本发明如何应用技术手段来解决技术问题，并达成技术效果的实现过程能充分理解并据以实施。需要说明的是，只要不构成冲突，本发明中的各个实施例以及各实施例中的各个特征可以相互结合，所形成的技术方案均在本发明的保护范围之内。

同时，在以下说明中，出于解释的目的而阐述了许多具体细节，以提供对本发明实施例的彻底理解。然而，对本领域的技术人员来说显而易见的是，本发明可以不用这里的具体细节或者所描述的特定方式来实施。

另外，在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行，并且，虽然在流程图中示出了逻辑顺序，但是在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤。

现有的目标检测方法大体可以分成两类：基于运动的目标检测方法和基于静态图像的目标检测方法。基于运动的目标检测方法主要有背景差分法、帧差法和光流法等。其中背景差分法计算简单，在实际系统中应用较为广泛。基于静态图像的目标检测方法主要包括基于模板的检测方法，基于目标模型的检测方法和基于机器学习的检测方法等。其中基于机器学习的目标检测是一个很重要而又很有发展前景的研究领域，有着广泛的应用价值，在诸如人机交互、车辆辅助驾驶、视频搜索和安全监控等领域都有着重要的作用。近几年计算机视觉领域中目标检测的研究表明，基于机器学习的目标检测方法的精度远强于其它的目标检测算法。

目标检测就是希望计算机能像人类的感官系统一样，确定一幅图片中物体的具体位置。利用机器学习进行目标检测就是利用已知标记类别的训练数据，通过对分类器的训练学习，寻找能够将不同类别分开的模型对应的结构参数。而现有的目标检测方法在构建分类器时存在对样本数据量需求高大、对数据的统一性要求较高等缺陷，所以针对该缺陷，本实施例提供了一种新的构建用于目标检测的分类器的方法，图1示出了该方法的流程图。

用于获取训练数据的训练样本包括正样本和负样本。其中，正样本是指利用某类别检测的目标样本(例如人脸识别中的人脸样本、行人检测中的行人样本、车辆检测中的车辆样本等)，负样本是指其他不高寒目标的图片或者部分图片(例如背景等)。所以为了构建分类器，就需要先确定出正样本和负样本。

如图1所示，本实施例所提供的构建分类器的方法首先在步骤S101中对获取到的场景原图集进行处理，得到不包含目标的背景集B。本实施例中，场景原图集是由采集卡捕获得到的，场景原图集中所含的的图片并不需要太多，通常为几幅或十几幅，同时，场景原图集的图片中既可以包含目标，也可以不包含目标。

为了使得构建得到分类器更加准确、适用性更强，本实施例中，通过采集卡所捕获到的场景原图集包含了各种光照、各种天气情况下的图片。当然，在本发明的其他实施例中，场景原图集还可以包含其他合理环境下的图片，本发明不限于此。

得到背景集后，本实施例所提供的方法在步骤S102中根据该背景集生成负样本。具体地，本实施例中，通过将背景集中的图片按照预设尺寸和预设移动步长进行处理，从而生成负样本N。当然，在本发明的其他实施例中，既可以仅仅通过尺寸或移动步长操作来生成负样本N，也可以通过其他合理方式来生成负样本N，本发明不限于此。

在步骤S103中，对获取到的包含目标的正样本原图集进行处理，得到正样本集P，该正样本集由多个正样本构成，即P＝{P₁,P₂,...,P_n}，其中n为分类数(即正样本的个数)，P_i表示第i个正样本。本实施例中，通过按照预设类别来对正样本原图集中的各个图片进行分类，从而得到多个正样本，每个正样本分别与用于分类的类别相对应。

具体地，本实施例中所需要检测的目标位人脸，在对包含人脸的正样本原图集中的各个图片进行分类时，分别按照正面、背面、左侧面和右侧面来进行分类，从而分别得到人脸正面的正样品、人脸背面的正样品、人脸左侧面的正样品和人脸右侧面的正样品。

需要说明的是，在本发明的其他实施例中，还可以采用其他合理方式来对正样品原图集中的各个图片进行分类，本发明不限于此。

为了实现准确的分类和匹配，必须提取出原始图像数据中最能够反应图像本质的特征，即图像特征的选择和提取。用于分类识别的图像特征空间叫做特征空间，这些特征在同类物体之间相似度很大，不同类别物体之间差异较大。

需要说明的是，本实施例中，负样本和正样本集的生成顺序并不是对本发明的限定，在本发明的其他实施例中，还可以先生成正样本集，再生成负样本，本发明不限于此。

在步骤S104中，对于各个正样本，分别结合负样本和误识别样本，得到对应于各个正样本的子分类器。例如对于正样本P_i，将正样本P_i、负样本N和误识别样本所构成的样本集作为用于训练的样本集，分别提取该样本集中各个样本的特征值，并根据提取到的特征值，基于预设算法进行机器学习训练，从而得到对应于正样本P_i的子分类器H_i。

本实施例中，提取到的特征为方向梯度直方图(Hsitogram of Gradient，简称为HOG)特征，其主要是利用小块上的梯度方向直方图来描述图像。通过调整特征提取时的参数，提取到的HOG特征可以有效地描述目标的形状信息，同时对局部区域较小的平移和旋转运动具有一定的不变性。

本实施例所提供的方法在提取样本中各个图片的HOG特征时，首先对图像进行灰度化，随后对灰度化后的图像进行颜色空间的标准化。通过对图像进行颜色空间的标准化，能够调节灰度图像的对比度，这样不仅能够降低图像局部阴影和光照变化所造成的影响，还可以抑制噪声的干扰。实施例中，采用Gamma校正法来对图像进行颜色空间的标准化。当然，在本发明的其他实施例中，图像颜色空间的标准化还可以采用其他合理的方法来实现，本发明不限于此。

完成图像颜色空间的标准化后，计算所得到的图像中每个像素的梯度(包括大小和方向)，以捕获图像中的轮廓信息。此外，通过计算图像中各个像素的梯度还能够进一步弱化光照的干扰。

得到图像中每个像素的梯度后，将图像分为若干个细胞单元，例如每个细胞单元由6*6个像素构成。根据该细胞单元中各个像素的梯度，可以统计得到该细胞单元的梯度直方图。利用相同方法，可以得到图像横纵各个细胞单元的梯度直方图。

将多个细胞单元组成一个区域(例如每个区域由3*3个细胞单元构成)。将一个区域内所有细胞单元的梯度直方图串联起来便可以得到该区域的HOG特征。而将图像中所有区域的HOG特征串联其来便可以得到该图像的HOG特征，从而完成HOG特征的提取。

需要说明的是，在本发明的其他实施例中，在步骤S104中所提取的特征还可以为其他合理特征，例如Haar特征或LBP特征等，本发明不限于此。

此外，本实施例所提供的方法基于SVM算法进行机器学习训练。当然，在本发明的其他实施例中，还可以给予其他合理算法来利用提取到的特征值进行机器学习训练，例如boosted算法等，本发明同样不限于此。

在步骤S104中，对于各个正样本，均可以得到对应于该正样本的子分类器。本实施例中，分类器包括H₁至H_n共n个子分类器。在步骤S105中，根据这n个子分类器，便可以得到所需要的分类器H。其中，分类器H为H₁至H_n共n个子分类器的集合，即H＝{H₁,H₂,...,H_n}。

为了确保所构建的分类器的准确性和适用性，本实施例所提供的方法在得到各个子分类器后还对各个子分类器进行检测。对子分类器进行检测时，首先利用子分类器(例如子分类器H_i)来检测背景集B，得到对应于该子分类器的检测目标O_i和检测数C_i；随后判断得到的检测数C_i与预设阈值T_i是否匹配。

如果检测数C_i与预设阈值T_i不匹配，则表明此时得到的将得到的子分类器H_i并不符合要求，因此本实施例中，将检测目标O_i加入到误识别样本(误识别样本的初始值可以根据实际情况进行设定，本实施例中，误识别样本的初始值为空)，并返回步骤S103，利用正样本P_i、负样本N和新的误识别样本，确定出新的子分类器H_i，重复上述过程直至检测数与预设阈值匹配。如果检测数C_i与预设阈值T_i匹配，则表明此次得到的子分类器符合要求，从而将该子分类器作为所需要的对应于正样本P_i的子分类器。

本实施例中，如果检测数C_i大于预设阈值T_i，则说明检测数C_i与预设阈值T_i不匹配；否则说明检测数C_i与预设阈值T_i匹配。需要说明的是，在本发明的其他实施例中，还可以采用其他合理方式来对得到的各个子分类器进行检测，本发明不限于此。

从上述描述中可以看出，本实施例所提供的用于目标检测的分类器的构建方法通过提供一套新的确定正样本和负样本的方法，找到了适用于不同复杂场景下最优的目标特征，从而有助于提高检测率。

同时，本实施例所提供的方法根据不同场景下的目标在图像中呈现的状态，把目标检测特征又归一到不同的类别中，并分别建立了自动化训练过以得到对应于不同分类的子分类器，从而进一步提高了检测率。

本实施例还提供了一种目标检测方法，图2示出了该方法的流程图。

如图2所示，本实施例所提供的目标检测方法首先在步骤S201中利用预设分类器检测待处理图像，得到第一检测结果。其中，用于检测待处理图像的预设分类器是利用如上所述的分类器构建方法构建得到的，其原理与过程在此不再赘述。随后在步骤S202中，利用预设的先验值消除第一检测结果中的虚假目标，得到第二检测结果。最后，在步骤S203中通过对得到的第二检测结果进行整合，即可得到最终所需要的目标检测结果。

图3示出了本实施例所提供的目标检测方法的具体流程图。

如图3所示，对于需要分析的视频流，从该视频流中读取一帧图像，该图像即为待处理的图像。对于该待处理图像，分别利用分类器H中的各个子分类器来进行检测，从而得到检测结果R，其中，R＝{R₁,R₂,...,R_n}，R_i表示利用子分类器H_i对待处理图像进行检测所得到的检测结果，其中，i为1到n之间的整数。

对于各个检测结果，分别利用对应的预设先验值进行检验，以判断该检测结果是否为虚假目标，从而得到第二检测结果。具体地，例如对于检测结果R_i，利用先验值T_i来进行检验，得到检测结果r_i。这样，根据对应于各个子分类器的检测结果，便可以得到第二检测结果r，即r＝{r₁,r₂,...,r_n}。

最后，利用数据融合技术，将第二检测结果r进行数据整合，便可以得到最终的目标检测结果D，由此实现了对目标的检测。

从上述描述中可以看出，本实施例所提供的目标检测方法因使用新的分类器，相较于现有的目标检测方法，其具有更高的检测率、准确性和适用性。此外，本实施例所提供的目标检测方法还利用先验值来消除虚假目标，从而使得得到的目标检测结果更加准确。本实施例所提供的方法能够有效解决现有方法在复杂场景下目标检测率低、误识别率高和鲁棒性差的缺陷。

应该理解的是，本发明所公开的实施例不限于这里所公开的特定结构、处理步骤或材料，而应当延伸到相关领域的普通技术人员所理解的这些特征的等同替代。还应当理解的是，在此使用的术语仅用于描述特定实施例的目的，而并不意味着限制。

说明书中提到的“一个实施例”或“实施例”意指结合实施例描述的特定特征、结构或特性包括在本发明的至少一个实施例中。因此，说明书通篇各个地方出现的短语“一个实施例”或“实施例”并不一定均指同一个实施例。

为了方便，在此使用的多个项目和/或组成单元可出现在共同列表中。然而，这些列表应解释为该列表中的每个元素分别识别为单独唯一的成员。因此，在没有反面说明的情况下，该列表中没有一个成员可仅基于它们出现在共同列表中便被解释为相同列表的任何其它成员的实际等同物。另外，在此还可以连同针对各元件的替代一起来参照本发明的各种实施例和示例。应当理解的是，这些实施例、示例和替代并不解释为彼此的等同物，而被认为是本发明的单独自主的代表。

虽然上述示例用于说明本发明在一个或多个应用中的原理，但对于本领域的技术人员来说，在不背离本发明的原理和思想的情况下，明显可以在形式上、用法及实施的细节上作各种修改而不用付出创造性劳动。因此，本发明由所附的权利要求书来限定。

Claims (10)

1.一种用于目标检测的分类器构建方法，其特征在于，所述方法包括：

负样本生成步骤，对获取到的场景原图集进行处理，得到不包含目标的背景集，根据所述背景集生成负样本；

正样本生成步骤，对获取到的包含目标的正样品原图集进行处理，得到正样本集，所述正样本集包括多个正样本；

分类器确定步骤，对于各个正样本，结合负样本和误识别样本，得到对应于各个正样本的子分类器，进而根据各个分类器的集合得到所需要的分类器。

2.如权利要求1所述的方法，其特征在于，在分类器确定步骤中，还对得到的各个子分类器进行检测，包括：

利用子分类器检测所述背景集，得到对应于该子分类器的检测目标和检测数：

判断所述检测数与预设阈值是否匹配，如果不匹配，则将所述检测目标加入误识别样本中，得到新的误识别样本，并基于各个正样本、负样本和新的误识别样本重复子分类器的确定过程，直至检测数与预设阈值匹配，并将此时的子分类器作为所需要的子分类器。

3.如权利要求2所述的方法，其特征在于，如果所述检测数大于预设阈值，则判断所述检测数与预设阈值匹配，否则判断所述检测数与预设阈值不匹配。

4.如权利要求1～3中任一项所述的方法，其特征在于，在所述负样本生成步骤中，对获取到的背景集中的图片按照预设尺寸和/或预设移动步长进行变换，生成所述负样本。

5.如权利要求1～4中任一项所述的方法，其特征在于，在所述正样本生成步骤中，按照预设类别对正样品原图集进行分类，得到多个正样本。

6.如权利要求1～5中任一项所述的方法，其特征在于，在分类器确定步骤中，误识别样本的初始值为空。

7.如权利要求1～6中任一项所述的方法，其特征在于，所述分类器确定步骤包括：

提取各个正样本、负样本和误识别样本的特征值；

根据提取到的特征值，基于预设算法进行机器学习训练，得到对应于各个正样本的子分类器。

8.如权利要求7所述的方法，其特征在于，在所述分类器确定步骤中，提取的特征值为HOG特征值或Haar特征值。

9.如权利要求7或8所述的方法，其特征在于，所述预设算法为SVM算法或boosted算法。

10.一种目标检测方法，其特征在于，所述方法包括：

利用预设分类器检测待处理图像，得到第一检测结果，其中，所述预设分类器是利用如权利要求1～9中任一项所述的方法构建得到的；

利用预设先验值消除所述第一检测结果中的虚假目标，得到第二检测结果；

对所述第二检测结果进行数据整合，得到目标检测结果。