CN106127161A - 基于级联多层检测器的快速目标检测方法 - Google Patents
基于级联多层检测器的快速目标检测方法 Download PDFInfo
- Publication number
- CN106127161A CN106127161A CN201610490583.XA CN201610490583A CN106127161A CN 106127161 A CN106127161 A CN 106127161A CN 201610490583 A CN201610490583 A CN 201610490583A CN 106127161 A CN106127161 A CN 106127161A
- Authority
- CN
- China
- Prior art keywords
- target
- feature
- detector
- detection
- parts
- 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.)
- Pending
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/40—Scenes; Scene-specific elements in video content
- G06V20/41—Higher-level, semantic clustering, classification or understanding of video scenes, e.g. detection, labelling or Markovian modelling of sport events or news items
- G06V20/42—Higher-level, semantic clustering, classification or understanding of video scenes, e.g. detection, labelling or Markovian modelling of sport events or news items of sport video content
Landscapes
- Engineering & Computer Science (AREA)
- Computational Linguistics (AREA)
- Software Systems (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Theoretical Computer Science (AREA)
- Image Analysis (AREA)
Abstract
本发明为一种基于级联多层检测器的快速目标检测方法。首先对目标进行粗检测,除去大量的非目标候选框,再用目标部件检测器过滤掉部分非目标区域,最后用精检测对剩下的区域定位出目标区域,将这三个过程级联起来,就构成了快速目标检测的级联检测器。本发明采用:随机森林学习到的特征来训练adaboost检测器。将目标分成几个部件,训练出每个部件的阈值,由部件阈值之和来判断是否是目标。另外,创建了基于多阶检测器级联的检测器框架,各阶可以采用相同特征或者不同特征来训练检测器;先粗检测目标,再用部件过滤,最后用精细检测器定位的级联结构框架。特点是:在不损失精度的前提下,降低需检测的候选框数量,缩短了检测时间,大大提高了检测效率。
Description
技术领域
本发明涉及智能视频监控领域,尤其是一种基于级联多层检测器的快速目标检测方法。
背景技术
目标检测是计算机视觉中重要的一个研究方向,是进一步分析目标的基础,在此基础上,可以对目标跟踪、行为分析等等。随着我国经济的发展,城市化水平进一步提高,智慧城市已经成为城市现代化发展的重要方向。视频监控系统作为智慧城市的重要组成部分,也正朝着智能化和网络化方向发展。在智能视频监控中,对于目标(如车辆,行人等)进行快速的检测和定位,达到实时性,是后续智能监控的基础和前提。因此,如何快速的检测和定位目标,已成为国内外相关领域的研究热点。
目前,目标检测主流的方案是,提取目标特征,用检测器对包含目标的区域进行检测。用于目标特征提取的算子主要有Haar算子、LBP算子、HOG算子,结合adaboost检测器进行检测。
进行目标检测时,常用方案是生成金字塔图像,然后遍历整个金字塔图像,可以精确的检测和定位目标。但是会生成大量的候选框,需要对每个候选框进行判断,严重地降低效率,增加了检测时间。如果可以降低候选框的数量,就可以缩短时间。因此如何在不损失精度的前提下,合理的减少候选框,成为了研究的重点。
发明内容
为解决上述问题,本发明提供一种基于级联多层检测器的快速目标检测方法。
本发明解决其技术问题所采用的技术方案是:一种基于级联多层检测器的快速目标检测方法,其特征在于,包括步骤:
S101,生成大量可能包含目标区域的候选框;
S102,进入粗检测阶段,选择目标的简单特征进行检测,排除非目标区域;
S103,将目标进行分块,选择目标部件特征进行进一步检测筛选;
S104,进入精检测阶段,选择目标区域的精细特征对余下目标区域进行检测;
S105,精确定位目标区域;
S106,将粗检测阶段检测器、目标部件检测器、精检测阶段检测器级联起来组成级联检测器。
进一步地,所述S102进入粗检测阶段选择目标的简单特征进行检测排除非目标区域包括:
A.进行第一阶段检测器训练,收集样本后,对样本集合选择简单的灰度级特征,产生大量的特征,形成特征池;
B.对特征池里面的特征进行随机选择,训练生成n棵随机树,每个随机树深度为d,每个随机树中叶节点的得分值记为s,随机随机树阈值为t,记录随机选择的特征;
C.用随机森林去检测样本集合,到达每个随机数的叶节点时,取里面的得分值,组合成特征向量,这些特征向量就是自我学习得到的特征;
D.根据学习到的特征,再选用adaboost(SVM)训练出目标检测模型。
进一步地,所述S103将目标进行分块选择目标部件特征进行进一步检测筛选包括:
A.在样本集合中,将目标分为几个部件,提取每个部件的灰度级特征,对部件用级联检测器进行训练,弱检测器选择决策树,训练出每个部件的阈值和通过整个目标的阈值;
B.经过第一阶段聚类之后得到的候选区域,对其进行分块,用决策树检测每个部分,得到每个部件的阈值,将每个部件阈值相加,将大于目标阈值的候选区域保留,然后将部件按照顺序组成目标区域。
进一步地,所述S105精确定位目标区域包括:
A.选择复杂的特征对目标提取特征;
B.训练检测器,精确定位出目标区域;
C.对剩下的区域进行检测,提取区域的精细特征,用检测器进行精确定位。
本发明采用随机森林学习到的特征来训练adaboost检测器。将目标分成几个部件,训练出每个部件的阈值,由部件阈值之和来判断是否是目标。另外,本发明中的基于多阶检测器级联的检测器框架,各阶可以采用相同特征或者不同特征来训练检测器,先粗检测目标,再用部件过滤,最后用精细检测器定位的级联结构框架。
附图说明
图1为本发明基于级联多层检测器的快速目标检测方法的步骤流程图。
具体实施方式
本专利公开了一种快速目标检测方案,主要分为三个部分,首先对目标进行粗检测,除去大量的非目标候选框,再用目标部件检测器过滤掉部分非目标区域,最后用精细特征对剩下的区域定位出目标区域,将这三个过程级联起来,就构成了快速目标检测的级联检测器。
下面结合附图对本发明的具体实施方式作进一步详细的说明。
S101,首先生成大量可能包含目标区域的候选框。
根据各种目标特征采集大量信息之后,产生多个可能包含目标区域的候选框。
S102,进入粗检测阶段,选择简单特征进行检测。
在粗检测阶段,为了快速的排除大量非目标候选框,选择简单特征进行检测。
第一阶段进行检测器训练时,对样本集合选择简单的灰度级特征,如灰度差分特征,类Harr特征,梯度幅值特征等,产生大量的特征,形成特征池,这些特征时间复杂度低,适合快速计算,对特征池里面的特征进行随机选择,训练生成n棵随机树,每个随机树深度为d,每个随机树中叶节点的得分值记为s,随机树阈值为t,记录随机选择的特征;然后再用随机森林去检测样本集合,到达每个随机数的叶节点时,取里面的得分值,组合成特征向量,这些特征向量就是自我学习得到的特征,根据学习到的特征,再选用adaboost(SVM)训练出目标检测模型。
第一阶段检测器里的随机森林和adaboost(SVM)可以迭代级联,不过为了达到快速检测,要求迭代次数不能太高。
用第一阶段检测器检测一帧图像时,先生成多层金字塔图像,对每一层金字塔图像,按照一定的步长进行遍历,产生大量的候选框图像;对这些候选框图像提取灰度级特征,用训练好的随机森林检测,选择包含目标图像的候选框。因为灰度级特征时间复杂度低,随机森林检测速度快,这样可以快速的排除大量的没有目标的候选框图像;对选出来的候选框图像,在用随机森林产生自我学习特征,用训练好的adaboost(SVM)进行检测,保留符合的候选框图像。
在第一阶段得到的候选框图像,进行组合聚类,产生一部分候选区域。
S103,将目标进行分块,选择目标部件特征进行进一步检测筛选。在粗检测与细定位之间再加一层检测器,就是目标部件检测器,用它再筛选一些包含目标的区域。
将目标进行分块,如行人分为三个部件,头、上肢、下肢,车辆分为上下左右四个部件。
在样本集合中,将目标分为几个部件,为了加速运算,仍然提取每个部件的灰度级特征,对部件用级联检测器进行训练,弱检测器选择决策树,训练出每个部件的阈值和通过整个目标的阈值。
经过第一阶段聚类之后得到的候选区域,对其进行分块,用决策树检测每个部分,得到每个部件的阈值,将每个部件阈值相加,将大于目标阈值的候选区域保留,然后将部件按照顺序组成目标区域。
S104,使用精细特征训练出来的检测器对余下区域进行检测。
S105,精确定位目标区域。
最后用精细特征训练出来的检测器,对余下区域进行检测,精确定位目标区域。
a、为了精确定位目标区域,可以选择复杂的特征对目标提取特征,特征可为HOG、SIFT等。
b、训练检测器,精确定位出目标区域,检测器可以为adaboost。
c、再对剩下的区域进行检测,提取区域的精细特征,用检测器进行精确定位,因为上面两个阶段已经排除了大量的非目标区域,即使用复杂的特征提取,也可以快速的检测出目标,并且精度非常高。
S106,将粗检测阶段、目标部件检测器、精细检测器级联起来组成级联检测器。
将这三个阶段的检测器,粗检测阶段检测器,目标部件检测器,精检测阶段检测器级联起来,组成级联检测器,可以快速又高精度的检测出目标区域。
本发明采用:
1、用随机森林学习到的特征来训练adaboost检测器。
2、将目标分成几个部件,训练出每个部件的阈值,由部件阈值之和来判断是否是目标。
3、基于多阶检测器级联的检测器框架,各阶可以采用相同特征或者不同特征来训练检测器;先粗检测目标,再用目标部件检测器过滤,最后用精细检测器定位的级联结构框架。
在不损失精度的前提下,降低需检测的候选框数量,缩短了检测时间,大大提高了检测效率。
Claims (4)
1.一种基于级联多层检测器的快速目标检测方法,其特征在于,包括步骤:
S101,生成大量可能包含目标区域的候选框;
S102,进入粗检测阶段,选择目标的简单特征进行检测,排除非目标区域;
S103,将目标进行分块,选择目标部件特征进行进一步检测筛选;
S104,进入精检测阶段,选择目标区域的精细特征对余下目标区域进行检测;
S105,精确定位目标区域;
S106,将粗检测阶段检测器、目标部件检测器、精检测阶段检测器级联起来组成级联检测器。
2.根据权利要求1所述的快速目标检测方法,其特征在于,所述S102进入粗检测阶段选择目标的简单特征进行检测排除非目标区域包括:
A.进行第一阶段检测器训练,收集样本后,对样本集合选择简单的灰度级特征,产生大量的特征,形成特征池;
B.对特征池里面的特征进行随机选择,训练生成n棵随机树,每个随机树深度为d,每个随机树中叶节点的得分值记为s,随机随机树阈值为t,记录随机选择的特征;
C.用随机森林去检测样本集合,到达每个随机数的叶节点时,取里面的得分值,组合成特征向量,这些特征向量就是自我学习得到的特征;
D.根据学习到的特征,再选用adaboost(SVM)训练出目标检测模型。
3.根据权利要求1所述的快速目标检测方法,其特征在于,所述S103将目标进行分块选择目标部件特征进行进一步检测筛选包括:
A.在样本集合中,将目标分为几个部件,提取每个部件的灰度级特征,对部件用级联检测器进行训练,弱检测器选择决策树,训练出每个部件的阈值和通过整个目标的阈值;
B.经过第一阶段聚类之后得到的候选区域,对其进行分块,用决策树检测每个部分,得到每个部件的阈值,将每个部件阈值相加,将大于目标阈值的候选区域保留,然后将部件按照顺序组成目标区域。
4.根据权利要求1所述的快速目标检测方法,其特征在于,所述S105精确定位目标包括:
A.选择复杂的特征对目标提取特征;
B.训练检测器,定位出目标;
C.对剩下的区域进行检测,提取区域的精细特征,用检测器对目标进行精确定位。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610490583.XA CN106127161A (zh) | 2016-06-29 | 2016-06-29 | 基于级联多层检测器的快速目标检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610490583.XA CN106127161A (zh) | 2016-06-29 | 2016-06-29 | 基于级联多层检测器的快速目标检测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN106127161A true CN106127161A (zh) | 2016-11-16 |
Family
ID=57284815
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610490583.XA Pending CN106127161A (zh) | 2016-06-29 | 2016-06-29 | 基于级联多层检测器的快速目标检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106127161A (zh) |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109492685A (zh) * | 2018-10-31 | 2019-03-19 | 中国矿业大学 | 一种用于对称特征的目标物体视觉检测方法 |
CN109543534A (zh) * | 2018-10-22 | 2019-03-29 | 中国科学院自动化研究所南京人工智能芯片创新研究院 | 一种目标跟踪中目标丢失重检的方法及装置 |
CN109886286A (zh) * | 2019-01-03 | 2019-06-14 | 武汉精测电子集团股份有限公司 | 基于级联检测器的目标检测方法、目标检测模型及系统 |
CN110110722A (zh) * | 2019-04-30 | 2019-08-09 | 广州华工邦元信息技术有限公司 | 一种基于深度学习模型识别结果的区域检测修正方法 |
CN110674690A (zh) * | 2019-08-21 | 2020-01-10 | 成都华为技术有限公司 | 检测方法、检测装置与检测设备 |
CN112434644A (zh) * | 2020-12-08 | 2021-03-02 | 上海眼控科技股份有限公司 | 车辆图像的处理方法、装置、电子设备及存储介质 |
CN113420669A (zh) * | 2021-06-24 | 2021-09-21 | 武汉工程大学 | 基于多尺度训练和级联检测的文档版面分析方法和系统 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105303163A (zh) * | 2015-09-22 | 2016-02-03 | 深圳市华尊科技股份有限公司 | 一种目标检测的方法及检测装置 |
-
2016
- 2016-06-29 CN CN201610490583.XA patent/CN106127161A/zh active Pending
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105303163A (zh) * | 2015-09-22 | 2016-02-03 | 深圳市华尊科技股份有限公司 | 一种目标检测的方法及检测装置 |
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109543534A (zh) * | 2018-10-22 | 2019-03-29 | 中国科学院自动化研究所南京人工智能芯片创新研究院 | 一种目标跟踪中目标丢失重检的方法及装置 |
CN109543534B (zh) * | 2018-10-22 | 2020-09-01 | 中国科学院自动化研究所南京人工智能芯片创新研究院 | 一种目标跟踪中目标丢失重检的方法及装置 |
CN109492685A (zh) * | 2018-10-31 | 2019-03-19 | 中国矿业大学 | 一种用于对称特征的目标物体视觉检测方法 |
CN109492685B (zh) * | 2018-10-31 | 2022-05-24 | 煤炭科学研究总院 | 一种用于对称特征的目标物体视觉检测方法 |
CN109886286A (zh) * | 2019-01-03 | 2019-06-14 | 武汉精测电子集团股份有限公司 | 基于级联检测器的目标检测方法、目标检测模型及系统 |
CN110110722A (zh) * | 2019-04-30 | 2019-08-09 | 广州华工邦元信息技术有限公司 | 一种基于深度学习模型识别结果的区域检测修正方法 |
CN110674690A (zh) * | 2019-08-21 | 2020-01-10 | 成都华为技术有限公司 | 检测方法、检测装置与检测设备 |
CN110674690B (zh) * | 2019-08-21 | 2022-06-14 | 成都华为技术有限公司 | 检测方法、检测装置与检测设备 |
CN112434644A (zh) * | 2020-12-08 | 2021-03-02 | 上海眼控科技股份有限公司 | 车辆图像的处理方法、装置、电子设备及存储介质 |
CN113420669A (zh) * | 2021-06-24 | 2021-09-21 | 武汉工程大学 | 基于多尺度训练和级联检测的文档版面分析方法和系统 |
CN113420669B (zh) * | 2021-06-24 | 2022-05-10 | 武汉工程大学 | 基于多尺度训练和级联检测的文档版面分析方法和系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106127161A (zh) | 基于级联多层检测器的快速目标检测方法 | |
CN107316058A (zh) | 通过提高目标分类和定位准确度改善目标检测性能的方法 | |
CN107563381B (zh) | 基于全卷积网络的多特征融合的目标检测方法 | |
CN103164694B (zh) | 一种人体动作识别的方法 | |
CN109034210A (zh) | 基于超特征融合与多尺度金字塔网络的目标检测方法 | |
CN108171112A (zh) | 基于卷积神经网络的车辆识别与跟踪方法 | |
CN105160317B (zh) | 一种基于区域分块行人性别识别方法 | |
CN109919981A (zh) | 一种基于卡尔曼滤波辅助的多特征融合的多目标跟踪方法 | |
CN107945153A (zh) | 一种基于深度学习的路面裂缝检测方法 | |
CN106446930A (zh) | 基于深层卷积神经网络的机器人工作场景识别方法 | |
CN105160310A (zh) | 基于3d卷积神经网络的人体行为识别方法 | |
CN107480730A (zh) | 电力设备识别模型构建方法和系统、电力设备的识别方法 | |
CN103226835B (zh) | 基于在线初始化梯度增强回归树的目标跟踪方法及系统 | |
CN106897738A (zh) | 一种基于半监督学习的行人检测方法 | |
CN108898620A (zh) | 基于多重孪生神经网络与区域神经网络的目标跟踪方法 | |
CN107025420A (zh) | 视频中人体行为识别的方法和装置 | |
CN104281853A (zh) | 一种基于3d卷积神经网络的行为识别方法 | |
CN105404894A (zh) | 无人机用目标追踪方法及其装置 | |
CN105046197A (zh) | 基于聚类的多模板行人检测方法 | |
CN113420607A (zh) | 无人机多尺度目标检测识别方法 | |
CN111274886B (zh) | 一种基于深度学习的行人闯红灯违法行为分析方法及系统 | |
CN105303163B (zh) | 一种目标检测的方法及检测装置 | |
CN107808376A (zh) | 一种基于深度学习的举手检测方法 | |
CN105513066B (zh) | 一种基于种子点选取与超像素融合的通用物体检测方法 | |
CN104268514A (zh) | 一种基于多特征融合的手势检测方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20161116 |
|
RJ01 | Rejection of invention patent application after publication |