CN105184310A - 物体检测方法及装置 - Google Patents
物体检测方法及装置 Download PDFInfo
- Publication number
- CN105184310A CN105184310A CN201510501310.6A CN201510501310A CN105184310A CN 105184310 A CN105184310 A CN 105184310A CN 201510501310 A CN201510501310 A CN 201510501310A CN 105184310 A CN105184310 A CN 105184310A
- Authority
- CN
- China
- Prior art keywords
- training
- training image
- eigenvector
- classifier
- vector
- 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.)
- Granted
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/285—Selection of pattern recognition techniques, e.g. of classifiers in a multi-classifier system
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/211—Selection of the most significant subset of features
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V2201/00—Indexing scheme relating to image or video recognition or understanding
- G06V2201/07—Target detection
Abstract
本发明公开了一种物体检测方法及装置,属于互联网领域。所述方法包括:确定指定强分类器对应的至少一种特征类型;基于所述至少一种特征类型,分别对目标图像进行特征提取,得到至少一个第一特征向量;基于所述至少一个第一特征向量,通过所述指定强分类器,对所述目标图像包括的目标物体进行检测。本发明通过对训练图像进行训练得到多个最优弱分类器,将多个最优弱分类器组成指定强分类器,该指定强分类器可以适用于各种不同类型的物体检测,降低了物体检测的复杂度,同时也降低了物体检测的应用门槛。
Description
技术领域
本发明涉及互联网领域,特别涉及一种物体检测方法及装置。
背景技术
随着图像数据的不断增长,基于图像进行物体检测的应用范围也越来越广,例如,在智能交通、人流量统计、以及图像识别等方面,都可以获取目标图像,并对目标图像包括的物体进行检测。
目前,由于不同类型的物体可以采用不同类型的特征来描述,因此,不同类型的物体对应的物体检测方法所采用的分类器也各不相同。例如,人脸检测可以采用HAAR(哈尔)特征来描述,人脸检测对应的物体检测方法所采用的分类器可以为AdaBoost分类器,而行人检测可以采用HOG(HistogramofGradient,方向梯度直方图)特征来描述,行人检测对应的物体检测方法所采用的分类器可以为SVM(SupportVectorMachine,支持向量机)分类器。
对于不同类型的物体而言,都具有独立的检测方法,这无疑加大了物体检测的复杂度,也加大了物体检测的应用门槛。
发明内容
为了解决现有技术的问题,本发明实施例提供了一种物体检测方法及装置。所述技术方案如下:
一方面,提供了一种物体检测方法,所述方法包括:
确定指定强分类器对应的至少一种特征类型;
基于所述至少一种特征类型,分别对目标图像进行特征提取,得到至少一个第一特征向量;
基于所述至少一个第一特征向量,通过所述指定强分类器,对所述目标图像包括的目标物体进行检测。
可选地,所述确定指定强分类器对应的至少一种特征类型,包括:
确定所述指定强分类器包括的多个最优弱分类器;
确定所述多个最优弱分类器对应的特征类型;
将所述多个最优弱分类器对应的特征类型确定为所述指定强分类器对应的至少一种特征类型。
可选地,所述基于所述至少一个第一特征向量,通过所述指定强分类器,对所述目标图像包括的目标物体进行检测,包括:
对于所述至少一个第一特征向量中的每个第一特征向量,判断所述第一特征向量是否为多维特征向量;
当所述第一特征向量为多维特征向量时,将所述第一特征向量映射为第二特征向量,所述第二特征向量为一维特征向量;
当所述第一特征向量为一维特征向量时,将所述第一特征向量确定为第二特征向量;
基于所述至少一个第一特征向量分别对应的第二特征向量,通过所述指定强分类器,对所述目标图像包括的目标物体进行检测。
可选地,所述确定指定强分类器对应的至少一种特征类型之前,还包括:
获取多个第一训练图像和多个第二训练图像,所述多个第一训练图像中包括检测物体,所述多个第二训练图像中不包括检测物体;
基于所述多个第一训练图像、所述多个第二训练图像、多种指定特征类型和所述多种指定特征类型对应的弱分类器,确定多个最优弱分类器;
将所述多个最优弱分类器组成所述指定强分类器。
可选地,所述基于所述多个第一训练图像、所述多个第二训练图像、多种指定特征类型和所述多种指定特征类型对应的弱分类器,确定多个最优弱分类器,包括:
对于所述多个第一训练图像中的每个第一训练图像,基于所述多种指定特征类型,分别对所述第一训练图像进行特征提取,得到多个第一训练向量;
对于所述多个第二训练图像中的每个第二训练图像,基于所述多种指定特征类型,分别对所述第二训练图像进行特征提取,得到多个第二训练向量;
基于所述多个第一训练图像分别对应的多个第一训练向量、所述多个第二训练图像分别对应的多个第二训练向量和所述多种指定特征类型对应的弱分类器,确定多个最优弱分类器。
另一方面,提供了一种物体检测装置,所述装置包括:
第一确定模块,用于确定指定强分类器对应的至少一种特征类型;
提取模块,用于基于所述至少一种特征类型,分别对目标图像进行特征提取,得到至少一个第一特征向量;
检测模块,用于基于所述至少一个第一特征向量,通过所述指定强分类器,对所述目标图像包括的目标物体进行检测。
可选地,所述第一确定模块包括:
第一确定单元,用于确定所述指定强分类器包括的多个最优弱分类器;
第二确定单元,用于确定所述多个最优弱分类器对应的特征类型;
第三确定单元,用于将所述多个最优弱分类器对应的特征类型确定为所述指定强分类器对应的至少一种特征类型。
可选地,所述检测模块包括:
判断单元,用于对于所述至少一个第一特征向量中的每个第一特征向量,判断所述第一特征向量是否为多维特征向量;
映射单元,用于当所述第一特征向量为多维特征向量时,将所述第一特征向量映射为第二特征向量,所述第二特征向量为一维特征向量;
第四确定单元,当所述第一特征向量为一维特征向量时,将所述第一特征向量确定为第二特征向量;
检测单元,基于所述至少一个第一特征向量分别对应的第二特征向量,通过所述指定强分类器,对所述目标图像包括的目标物体进行检测。
可选地,所述装置还包括:
获取模块,用于获取多个第一训练图像和多个第二训练图像,所述多个第一训练图像中包括检测物体,所述多个第二训练图像中不包括检测物体;
第二确定模块,用于基于所述多个第一训练图像、所述多个第二训练图像、多种指定特征类型和所述多种指定特征类型对应的弱分类器,确定多个最优弱分类器;
组成模块,用于将所述多个最优弱分类器组成所述指定强分类器。
可选地,所述第二确定模块包括:
第一提取单元,用于对于所述多个第一训练图像中的每个第一训练图像,基于所述多种指定特征类型,分别对所述第一训练图像进行特征提取,得到多个第一训练向量;
第二提取单元,用于对于所述多个第二训练图像中的每个第二训练图像,基于所述多种指定特征类型,分别对所述第二训练图像进行特征提取,得到多个第二训练向量;
第五确定单元,用于基于所述多个第一训练图像分别对应的多个第一训练向量、所述多个第二训练图像分别对应的多个第二训练向量和所述多种指定特征类型对应的弱分类器,确定多个最优弱分类器。
本发明实施例提供的技术方案带来的有益效果是:在本发明实施例中,确定指定强分类器对应的至少一种特征类型,基于该至少一种特征类型,对目标图像进行特征提取,从而通过该指定强分类器,对该目标图像包括的目标物体进行检测,由于不同类型物体的最优描述特征一般不同,而该指定强分类器对应的至少一种特征类型为最利于描述不同类型物体的特征类型,因此,本发明实施例提供的方法可以适用于各种不同类型的物体检测,降低了物体检测的复杂度,同时也降低了物体检测的应用门槛。
附图说明
为了更清楚地说明本发明实施例中的技术方案,下面将对实施例描述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是本发明实施例提供的一种物体检测方法流程图;
图2是本发明实施例提供的另一种物体检测方法流程图;
图3是本发明实施例提供的一种物体检测装置结构示意图;
图4是本发明实施例提供的一种第一确定模块装置结构示意图。
图5是本发明实施例提供的一种检测模块装置结构示意图。
图6是本发明实施例提供的另一种物体检测装置结构示意图。
图7是本发明实施例提供的一种第二确定模块装置结构示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚,下面将结合附图对本发明实施方式作进一步地详细描述。
图1是本发明实施例提供的一种物体检测方法流程图,该物体检测方法用于终端中,参见图1,该方法包括以下步骤。
步骤101:确定指定强分类器对应的至少一种特征类型。
步骤102:基于该至少一种特征类型,分别对目标图像进行特征提取,得到至少一个第一特征向量。
步骤103:基于该至少一个第一特征向量,通过该指定强分类器,对该目标图像包括的目标物体进行检测。
在本发明实施例中,确定指定强分类器对应的至少一种特征类型,基于该至少一种特征类型,对目标图像进行特征提取,从而通过该指定强分类器,对该目标图像包括的目标物体进行检测,由于不同类型物体的最优描述特征一般不同,而该指定强分类器对应的至少一种特征类型为最利于描述不同类型物体的特征类型,因此,本发明实施例提供的方法可以适用于各种不同类型的物体检测,降低了物体检测的复杂度,同时也降低了物体检测的应用门槛。
可选地,确定指定强分类器对应的至少一种特征类型,包括:
确定该指定强分类器包括的多个最优弱分类器;
确定该多个最优弱分类器对应的特征类型;
将该多个最优弱分类器对应的特征类型确定为该指定强分类器对应的至少一种特征类型。
可选地,基于该至少一个第一特征向量,通过该指定强分类器,对该目标图像包括的目标物体进行检测,包括:
对于该至少一个第一特征向量中的每个第一特征向量,判断该第一特征向量是否为多维特征向量;
当该第一特征向量为多维特征向量时,将该第一特征向量映射为第二特征向量,该第二特征向量为一维特征向量;
当该第一特征向量为一维特征向量时,将该第一特征向量确定为第二特征向量;
基于该至少一个第一特征向量分别对应的第二特征向量,通过该指定强分类器,对该目标图像包括的目标物体进行检测。
可选地,确定指定强分类器对应的至少一种特征类型之前,还包括:
获取多个第一训练图像和多个第二训练图像,该多个第一训练图像中包括检测物体,该多个第二训练图像中不包括检测物体;
基于该多个第一训练图像、多个第二训练图像、多种指定特征类型和该多种指定特征类型对应的弱分类器,确定多个最优弱分类器;
将该多个最优弱分类器组成该指定强分类器。
可选地,基于该多个第一训练图像、多个第二训练图像、多种指定特征类型和该多种指定特征类型对应的弱分类器,确定多个最优弱分类器,包括:
对于该多个第一训练图像中的每个第一训练图像,基于该多种指定特征类型,分别对该第一训练图像进行特征提取,得到多个第一训练向量;
对于该多个第二训练图像中的每个第二训练图像,基于该多种指定特征类型,分别对所述第二训练图像进行特征提取,得到多个第二训练向量;
基于该多个第一训练图像分别对应的多个第一训练向量、多个第二训练图像分别对应的多个第二训练向量和该多种指定特征类型对应的弱分类器,确定多个最优弱分类器。
上述所有可选技术方案,均可按照任意结合形成本发明的可选实施例,本发明实施例对此不再一一赘述。
图2是本发明实施例提供的一种物体检测方法流程图,参见图2,该方法包括:
步骤201:获取多个第一训练图像和多个第二训练图像,该多个第一训练图像中包括检测物体,该多个第二训练图像中不包括检测物体。
为了训练得到多个最优弱分类器,该终端可以获取多个第一训练图像和多个第二训练图像,该多个第一训练图像可以构成训练正样本,该多个第二训练图像可以构成训练负样本,且该终端可以对训练正样本和训练负样本进行标记。
其中,该终端对训练正样本和训练负样本进行标记时,可以为训练正样本和训练负样本设置标记符,具体地,可以将训练正样本的标记符设置为第一数值,将训练负样本的标记符设置为第二数值。比如,第一数值可以为1,第二数值可以为0。
另外,第一训练图像和第二训练图像的数量可以尽可能的多,比如,第一训练图像的数量可以为2000个,第二训练图像的数量可以为2000个,从而可以提高最优弱分类器的训练准确度。而对于第一训练图像和第二训练图像的具体数量,本发明实施例对此不做具体限定。
再者,多个第一训练图像中包括的检测物体的类型可以不同,而对于每个第一训练图像中包括的检测物体的类型,本发明实施例对此不做具体限定。
步骤202:基于该多个第一训练图像、多个第二训练图像、多种指定特征类型和该多种指定特征类型对应的弱分类器,确定多个最优弱分类器。
由于该多种指定特征类型分别对应一个弱分类器,而为了能够精确地对该多种指定特征类型的物体都进行检测,该终端需要基于该多个第一训练图像、多个第二训练图像、多种指定特征类型和该多种指定特征类型对应的弱分类器,确定多个最优弱分类器。而终端基于该多个第一训练图像、多个第二训练图像、多种指定特征类型和该多种指定特征类型对应的弱分类器,确定多个最优弱分类器的操作可以为:终端对于该多个第一训练图像中的每个第一训练图像,基于该多种指定特征类型,分别对该第一训练图像进行特征提取,得到多个第一训练向量;对于该多个第二训练图像中的每个第二训练图像,基于该多种指定特征类型,分别对该第二训练图像进行特征提取,得到多个第二训练向量;基于该多个第一训练图像分别对应的多个第一训练向量、该多个第二训练图像分别对应的多个第二训练向量和该多种指定特征类型对应的弱分类器,确定多个最优弱分类器。
其中,该终端基于该多个第一训练图像分别对应的多个第一训练向量、该多个第二训练图像分别对应的多个第二训练向量和该多种指定特征类型对应的弱分类器,确定多个最优弱分类器的操作可以为:对于该多个第一训练图像中的每个第一训练图像,判断该第一训练图像对应的多个第一训练向量是否为多维训练向量;当该多个第一训练向量中存在多维训练向量时,将该多维的第一训练向量映射为第三训练向量,该第三训练向量为一维训练向量;当该多个第一训练向量中存在一维训练向量时,可以直接将该一维的第一训练向量确定为第三训练向量;同理,对于该多个第二训练图像中的每个第二训练图像,判断该第二训练图像对应的多个第二训练向量是否为多维训练向量;当该多个第二训练向量中存在多维训练向量时,将该多维的第二训练向量映射为第四训练向量,该第四训练向量为一维训练向量;当该多个第二训练向量中存在一维训练向量时,可以直接将该一维的第二训练向量确定为第四训练向量。之后,该终端可以基于该多个第一训练图像分别对应的多个第三训练向量、该多个第二训练图像分别对应的多个第四训练向量和该多种指定特征类型对应的弱分类器,确定多个最优弱分类器。
需要说明的是,在本发明实施例中,该多种指定特征类型可以事先设置,比如,HAAR特征、HOG特征、LBP(LocalBinaryPattern,局部二值模式)特征等,本发明实施例对此不做具体限定。
另外,对第一训练图像和第二训练图像进行特征提取的方法,以及基于该多个第一训练图像分别对应的多个第三训练向量、该多个第二训练图像分别对应的多个第四训练向量和该多种指定特征类型对应的弱分类器,训练得到多个最优弱分类器的方法可以参考相关技术,本发明实施例对此不做详细阐述。
再者,训练得到最优弱分类器的算法可以包括多种,比如,AdaBoost算法,本发明实施例对此不做具体限定。将多维训练向量映射为一维训练向量可以使用不同方法,比如,可以使用LDA(LinerDiscriminantAnalysis,线性判别式分析)映射,本发明实施例对此不做限定。
进一步地,由于该终端可以对训练正样本和训练负样本进行标记,因此,通过上述方法得到多个最优弱分类器的过程中,该终端还可以确定每个最优弱分类器的分类正确率,当每个最优弱分类器的分类正确率均达到正确率阈值时,该终端确定训练收敛,训练结束,否则,确定训练不收敛,继续训练,直至每个最优弱分类器的分类正确率均达到正确率阈值。
其中,该终端确定每个最优弱分类器的分类正确率的操作可以为:对于每个最优弱分类器,以及对于训练正样本和训练负样本中的每个训练样本,确定通过该最优弱分类器,对该训练样本进行分类之后得到的分类结果,将该分类结果和该训练样本的标记符进行比较,如果两者相同,则确定分类正确,否则,确定分类错误。因此,基于这种方法,从训练正样本和训练负样本中,确定分类正确的样本数量,将确定的样本数量除以样本总数量,得到该最优弱分类器的分类正确率,该样本总数量为训练正样本和训练负样本的数量。
比如,第一数值为1,第二数值为0,训练正样本的数量为2000,训练负样本的数量也为2000,将训练正样本的数量2000和训练负样本的数量2000相加,得到样本总数量为4000。对于最优弱分类器1,以及对于训练正样本和训练负样本中的每个训练样本,该终端确定通过该最优弱分类器1,对该训练样本进行分类之后得到的分类结果为1,将该分类结果1和该训练样本的标记符进行比较,如果该训练样本的标记符为1,则确定两者相同,进而确定分类正确。因此,基于这种方法,从训练正样本和训练负样本中,确定分类正确的样本数量为3900,将确定的样本数量3900除以样本总数量4000,得到该最优弱分类器的分类正确率为97.5%。
需要说明的是,正确率阈值可以事先设置,比如,正确率阈值可以为95%,本发明实施例对此不做具体限定。
步骤203:将该多个最优弱分类器组成指定强分类器。
为了检测不同类型的物体,终端将该多个最优弱分类器组成指定强分类器。之后,可以通过该指定强分类器,检测具有多种指定类型特征的图像。
需要说明的是,在本发明实施例中,该多个最优弱分类器可以使用不同的结构组成指定强分类器,比如,可以使用级联结构组成指定强分类器。本发明实施例对此不做具体限定。
进一步地,当该指定强分类器包括的最优弱分类器的数量较多时,通过该指定强分类器进行物体检测的效果越好,错误率将趋于0。本发明实施例对最优弱分类器的数量不做具体限定。
步骤204:确定该指定强分类器对应的至少一种特征类型。
为了提取目标图像的特征,并通过该指定强分类器对该目标图像进行物体检测,该终端首先需要确定该指定强分类器对应的至少一种特征类型。而终端确定该指定强分类器对应的至少一种特征类型的操作可以为:终端确定该指定强分类器包括的多个最优弱分类器;确定该多个最优弱分类器对应的特征类型;将该多个最优弱分类器对应的特征类型确定为该指定强分类器对应的至少一种特征类型。
比如,该指定强分类器包括的多个最优弱分类器对应的特征类型为HOG特征和LBP特征,那么该终端可以将HOG特征和LBP特征确定为该指定强分类器对应的特征类型。
步骤205:基于该至少一种特征类型,分别对目标图像进行特征提取,得到至少一个第一特征向量。
为了对目标图像中的目标物体进行检测,该终端可以基于该至少一种特征类型,分别对目标图像进行特征提取,得到至少一个第一特征向量。
需要说明的是,该至少一个第一特征向量可以包括该目标图像中的所有特征,也即是,该终端可以基于该至少一种特征类型,分别对目标图像的整个区域进行特征提取,得到至少一个第一特征向量。当然,实际应用中,该至少一个第一特征向量还可以包括该目标图像中的局部特征,具体为:该终端可以基于该至少一种特征类型,分别对目标图像中的指定局部区域进行特征提取,得到至少一个第一特征向量。
其中,该目标图像中的指定局部区域可以通过移动特征窗口得到,而该特征窗口的尺寸可以小于该目标图像的尺寸,且该特征窗口可以事先设置。
比如,该指定强分类器对应的至少一种特征类型为HOG特征和LBP特征,该终端可以提取目标图像的HOG特征,构成一个第一特征向量,再提取目标图像的LBP特征,构成另一个第一特征向量。
步骤206:基于该至少一个第一特征向量,通过该指定强分类器,对该目标图像包括的目标物体进行检测。
具体地,终端对于该至少一个第一特征向量中的每个第一特征向量,判断该第一特征向量是否为多维特征向量;当该第一特征向量为多维特征向量时,将该第一特征向量映射为第二特征向量,该第二特征向量为一维特征向量;当该第一特征向量为一维特征向量时,将所述第一特征向量确定为第二特征向量;基于该至少一个第一特征向量分别对应的第二特征向量,通过该指定强分类器,对该目标图像包括的目标物体进行检测。
需要说明的是,将多维特征向量映射为一维特征向量可以使用不同方法,比如,可以使用LDA映射,本发明实施例对此不做限定。
其中,基于该至少一个第一特征向量分别对应的第二特征向量,通过该指定强分类器,对该目标图像包括的目标物体进行检测的操作可以为:将该至少一个第一特征向量分别对应的第二特征向量通过该指定强分类器进行分类,得到分类结果,如果该分类结果为第一数值,则确定该目标图像包括目标物体,如果该分类结果为第二数值,则确定该目标图像不包括目标物体。
进一步地,上述步骤205中提到该至少一个第一特征向量可以包括该目标图像中的局部特征,因此,通过步骤206的方法对目标图像进行物体检测之后,可以确定该目标图像中的指定局部区域中是否包括目标物体。如此,通过对该目标图像中的多个指定局部区域进行物体检测之后,可以确定该目标图像中是否包括目标物体。
在本发明实施例中,终端对多个第一训练图像的每个第一训练图像和多个第二训练图像的每个第二训练图像分别进行特征提取,得到多个第一训练向量和多个第二训练向量,并判断该多个第一训练图像中每个第一训练图像对应的多个第一训练向量和该多个第二训练图像中每个第二训练图像对应的多个第二训练向量是否存在多维训练向量,如果存在,则将多维训练向量映射为一维训练向量,然后通过多种指定特征类型对应的弱分类器,确定多个最优弱分类器,将多个最优弱分类器组成指定强分类器,该指定强分类器对应的至少一种特征类型就是组成该强分类器的多个最优弱分类器对应的特征类型,由于不同类型物体的最优描述特征一般不同,而该指定强分类器对应的至少一种特征类型为最利于描述不同类型物体的特征类型,因此,本发明实施例提供的方法可以适用于各种不同类型的物体检测,降低了物体检测的复杂度,同时也降低了物体检测的应用门槛。
图3是根据一示例性实施例示出的一种物体检测装置的结构示意图。参照图3,该装置包括第一确定模块301、提取模块302和检测模块303。
第一确定模块301,用于确定指定强分类器对应的至少一种特征类型;
提取模块302,用于基于该至少一种特征类型,分别对目标图像进行特征提取,得到至少一个第一特征向量;
检测模块303,用于基于该至少一个第一特征向量,通过该指定强分类器,对该目标图像包括的目标物体进行检测。
可选的,参见图4,第一确定模块301包括:
第一确定单元3011,用于确定该指定强分类器包括的多个最优弱分类器;
第二确定单元3012,用于确定该多个最优弱分类器对应的特征类型;
第三确定单元3013,用于将该多个最优弱分类器对应的特征类型确定为该指定强分类器对应的至少一种特征类型。
可选地,参见图5,检测模块303包括:
判断单元3031,用于对于该至少一个第一特征向量中的每个第一特征向量,判断该第一特征向量是否为多维特征向量;
映射单元3032,用于当该第一特征向量为多维特征向量时,将该第一特征向量映射为第二特征向量,该第二特征向量为一维特征向量;
第四确定单元3033,当该第一特征向量为一维特征向量时,将该第一特征向量确定为第二特征向量;
检测单元3034,基于该至少一个第一特征向量分别对应的第二特征向量,通过该指定强分类器,对该目标图像包括的目标物体进行检测。
可选地,参见图6,该装置还包括:
获取模块304,用于获取多个第一训练图像和多个第二训练图像,该多个第一训练图像中包括检测物体,该多个第二训练图像中不包括检测物体;
第二确定模块305,用于基于该多个第一训练图像、多个第二训练图像、多种指定特征类型和该多种指定特征类型对应的弱分类器,确定多个最优弱分类器;
组成模块306,用于将该多个最优弱分类器组成该指定强分类器。
可选地,参见图7,第二确定模块305包括:
第一提取单元3051,用于对于该多个第一训练图像中的每个第一训练图像,基于该多种指定特征类型,分别对该第一训练图像进行特征提取,得到多个第一训练向量;
第二提取单元3052,用于对于该多个第二训练图像中的每个第二训练图像,基于该多种指定特征类型,分别对该第二训练图像进行特征提取,得到多个第二训练向量;
第五确定单元3053,用于基于该多个第一训练图像分别对应的多个第一训练向量、多个第二训练图像分别对应的多个第二训练向量和该多种指定特征类型对应的弱分类器,确定多个最优弱分类器。
综上所述,本发明实施例中,确定指定强分类器对应的至少一种特征类型,基于该至少一种特征类型,对目标图像进行特征提取,从而通过该指定强分类器,对该目标图像包括的目标物体进行检测,由于不同类型物体的最优描述特征一般不同,而该指定强分类器对应的至少一种特征类型为最利于描述不同类型物体的特征类型,因此,本发明实施例提供的方法可以适用于各种不同类型的物体检测,降低了物体检测的复杂度,同时也降低了物体检测的应用门槛。
需要说明的是:上述实施例提供的物体检测的装置在进行物体检测时,仅以上述各功能模块的划分进行举例说明,实际应用中,可以根据需要而将上述功能分配由不同的功能模块完成,即将终端的内部结构划分成不同的功能模块,以完成以上描述的全部或者部分功能。另外,上述实施例提供的物体检测方法和物体检测装置实施例属于同一构思,其具体实现过程详见方法实施例,这里不再赘述。
本领域普通技术人员可以理解实现上述实施例的全部或部分步骤可以通过硬件来完成,也可以通过程序来指令相关的硬件完成,所述的程序可以存储于一种计算机可读存储介质中,上述提到的存储介质可以是只读存储器,磁盘或光盘等。
以上所述仅为本发明的较佳实施例,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。
Claims (10)
1.一种物体检测方法,其特征在于,所述方法包括:
确定指定强分类器对应的至少一种特征类型;
基于所述至少一种特征类型,分别对目标图像进行特征提取,得到至少一个第一特征向量;
基于所述至少一个第一特征向量,通过所述指定强分类器,对所述目标图像包括的目标物体进行检测。
2.如权利要求1所述的方法,其特征在于,所述确定指定强分类器对应的至少一种特征类型,包括:
确定所述指定强分类器包括的多个最优弱分类器;
确定所述多个最优弱分类器对应的特征类型;
将所述多个最优弱分类器对应的特征类型确定为所述指定强分类器对应的至少一种特征类型。
3.如权利要求1或2所述的方法,其特征在于,所述基于所述至少一个第一特征向量,通过所述指定强分类器,对所述目标图像包括的目标物体进行检测,包括:
对于所述至少一个第一特征向量中的每个第一特征向量,判断所述第一特征向量是否为多维特征向量;
当所述第一特征向量为多维特征向量时,将所述第一特征向量映射为第二特征向量,所述第二特征向量为一维特征向量;
当所述第一特征向量为一维特征向量时,将所述第一特征向量确定为第二特征向量;
基于所述至少一个第一特征向量分别对应的第二特征向量,通过所述指定强分类器,对所述目标图像包括的目标物体进行检测。
4.如权利要求1或2所述的方法,其特征在于,所述确定指定强分类器对应的至少一种特征类型之前,还包括:
获取多个第一训练图像和多个第二训练图像,所述多个第一训练图像中包括检测物体,所述多个第二训练图像中不包括检测物体;
基于所述多个第一训练图像、所述多个第二训练图像、多种指定特征类型和所述多种指定特征类型对应的弱分类器,确定多个最优弱分类器;
将所述多个最优弱分类器组成所述指定强分类器。
5.如权利要求4所述的方法,其特征在于,所述基于所述多个第一训练图像、所述多个第二训练图像、多种指定特征类型和所述多种指定特征类型对应的弱分类器,确定多个最优弱分类器,包括:
对于所述多个第一训练图像中的每个第一训练图像,基于所述多种指定特征类型,分别对所述第一训练图像进行特征提取,得到多个第一训练向量;
对于所述多个第二训练图像中的每个第二训练图像,基于所述多种指定特征类型,分别对所述第二训练图像进行特征提取,得到多个第二训练向量;
基于所述多个第一训练图像分别对应的多个第一训练向量、所述多个第二训练图像分别对应的多个第二训练向量和所述多种指定特征类型对应的弱分类器,确定多个最优弱分类器。
6.一种物体检测装置,其特征在于,所述装置包括:
第一确定模块,用于确定指定强分类器对应的至少一种特征类型;
提取模块,用于基于所述至少一种特征类型,分别对目标图像进行特征提取,得到至少一个第一特征向量;
检测模块,用于基于所述至少一个第一特征向量,通过所述指定强分类器,对所述目标图像包括的目标物体进行检测。
7.如权利要求6所述的装置,其特征在于,所述第一确定模块包括:
第一确定单元,用于确定所述指定强分类器包括的多个最优弱分类器;
第二确定单元,用于确定所述多个最优弱分类器对应的特征类型;
第三确定单元,用于将所述多个最优弱分类器对应的特征类型确定为所述指定强分类器对应的至少一种特征类型。
8.如权利要求6或7所述的装置,其特征在于,所述检测模块包括:
判断单元,用于对于所述至少一个第一特征向量中的每个第一特征向量,判断所述第一特征向量是否为多维特征向量;
映射单元,用于当所述第一特征向量为多维特征向量时,将所述第一特征向量映射为第二特征向量,所述第二特征向量为一维特征向量;
第四确定单元,当所述第一特征向量为一维特征向量时,将所述第一特征向量确定为第二特征向量;
检测单元,基于所述至少一个第一特征向量分别对应的第二特征向量,通过所述指定强分类器,对所述目标图像包括的目标物体进行检测。
9.如权利要求6或7所述的装置,其特征在于,所述装置还包括:
获取模块,用于获取多个第一训练图像和多个第二训练图像,所述多个第一训练图像中包括检测物体,所述多个第二训练图像中不包括检测物体;
第二确定模块,用于基于所述多个第一训练图像、所述多个第二训练图像、多种指定特征类型和所述多种指定特征类型对应的弱分类器,确定多个最优弱分类器;
组成模块,用于将所述多个最优弱分类器组成所述指定强分类器。
10.如权利要求9所述的装置,其特征在于,所述第二确定模块包括:
第一提取单元,用于对于所述多个第一训练图像中的每个第一训练图像,基于所述多种指定特征类型,分别对所述第一训练图像进行特征提取,得到多个第一训练向量;
第二提取单元,用于对于所述多个第二训练图像中的每个第二训练图像,基于所述多种指定特征类型,分别对所述第二训练图像进行特征提取,得到多个第二训练向量;
第五确定单元,用于基于所述多个第一训练图像分别对应的多个第一训练向量、所述多个第二训练图像分别对应的多个第二训练向量和所述多种指定特征类型对应的弱分类器,确定多个最优弱分类器。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510501310.6A CN105184310B (zh) | 2015-08-14 | 2015-08-14 | 物体检测方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510501310.6A CN105184310B (zh) | 2015-08-14 | 2015-08-14 | 物体检测方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN105184310A true CN105184310A (zh) | 2015-12-23 |
CN105184310B CN105184310B (zh) | 2020-04-21 |
Family
ID=54906374
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510501310.6A Active CN105184310B (zh) | 2015-08-14 | 2015-08-14 | 物体检测方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105184310B (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102609716A (zh) * | 2012-01-10 | 2012-07-25 | 银江股份有限公司 | 一种基于改进的hog特征和pca的行人检测方法 |
US20130004018A1 (en) * | 2011-06-29 | 2013-01-03 | Postech Academy - Industry Foundation | Method and apparatus for detecting object using volumetric feature vector and 3d haar-like filters |
CN103824090A (zh) * | 2014-02-17 | 2014-05-28 | 北京旷视科技有限公司 | 一种自适应的人脸低层特征选择方法及人脸属性识别方法 |
CN104463128A (zh) * | 2014-12-17 | 2015-03-25 | 智慧眼(湖南)科技发展有限公司 | 用于人脸识别的眼镜检测方法及系统 |
CN104820844A (zh) * | 2015-04-20 | 2015-08-05 | 刘侠 | 一种人脸识别方法 |
-
2015
- 2015-08-14 CN CN201510501310.6A patent/CN105184310B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20130004018A1 (en) * | 2011-06-29 | 2013-01-03 | Postech Academy - Industry Foundation | Method and apparatus for detecting object using volumetric feature vector and 3d haar-like filters |
CN102609716A (zh) * | 2012-01-10 | 2012-07-25 | 银江股份有限公司 | 一种基于改进的hog特征和pca的行人检测方法 |
CN103824090A (zh) * | 2014-02-17 | 2014-05-28 | 北京旷视科技有限公司 | 一种自适应的人脸低层特征选择方法及人脸属性识别方法 |
CN104463128A (zh) * | 2014-12-17 | 2015-03-25 | 智慧眼(湖南)科技发展有限公司 | 用于人脸识别的眼镜检测方法及系统 |
CN104820844A (zh) * | 2015-04-20 | 2015-08-05 | 刘侠 | 一种人脸识别方法 |
Also Published As
Publication number | Publication date |
---|---|
CN105184310B (zh) | 2020-04-21 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN103488973B (zh) | 基于图像的车辆品牌识别方法和系统 | |
US10255691B2 (en) | Method and system of detecting and recognizing a vehicle logo based on selective search | |
CN108235770B (zh) | 图像识别方法及云端系统 | |
CN105608456B (zh) | 一种基于全卷积网络的多方向文本检测方法 | |
CN101872431B (zh) | 可适用多角度应用场景的人流量统计的方法及系统 | |
CN110399884B (zh) | 一种特征融合自适应锚框模型车辆检测方法 | |
CN111310645B (zh) | 货物堆积量的溢仓预警方法、装置、设备及存储介质 | |
CN104318225B (zh) | 车牌检测方法及装置 | |
WO2007072391A3 (en) | Automatic 3-d object detection | |
CN101221623B (zh) | 一种物体类型的在线训练和识别方法及其系统 | |
CN109657664B (zh) | 一种车牌类型的识别方法、装置及电子设备 | |
CN104778474A (zh) | 一种用于目标检测的分类器构建方法及目标检测方法 | |
CN103366181A (zh) | 多特征视觉码本融合的场景识别方法和装置 | |
CN108388871A (zh) | 一种基于车身回归的车辆检测方法 | |
CN104050684B (zh) | 一种基于在线训练的视频运动目标分类方法与系统 | |
CN104182728A (zh) | 一种基于模式识别的车标自动定位与识别方法 | |
CN104615986A (zh) | 利用多检测器对场景变化的视频图像进行行人检测的方法 | |
CN105160292A (zh) | 一种车辆标识识别方法与系统 | |
CN106845482A (zh) | 一种车牌定位方法 | |
CN101984453A (zh) | 一种人眼识别系统及方法 | |
CN104091178A (zh) | 基于hog特征人体感知分类器的训练方法 | |
CN109543498B (zh) | 一种基于多任务网络的车道线检测方法 | |
CN104268499A (zh) | 一种带条码商品的条码标记检测方法 | |
CN105224945A (zh) | 一种基于联合检测与辨识算法的车标识别方法 | |
CN104268595A (zh) | 通用物件检测方法及系统 |
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 | ||
TR01 | Transfer of patent right | ||
TR01 | Transfer of patent right |
Effective date of registration: 20220601 Address after: 31a, 15 / F, building 30, maple mall, bangrang Road, Brazil, Singapore Patentee after: Baiguoyuan Technology (Singapore) Co.,Ltd. Address before: 511442 25 / F, building B-1, Wanda Plaza North, Wanbo business district, 79 Wanbo 2nd Road, Nancun Town, Panyu District, Guangzhou City, Guangdong Province Patentee before: GUANGZHOU BAIGUOYUAN NETWORK TECHNOLOGY Co.,Ltd. |