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 PDF

Info

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
Application number
CN201610490583.XA
Other languages
English (en)
Inventor
王蒙
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shenzhen Geshi Intelligent Technology Co Ltd
Original Assignee
Shenzhen Geshi Intelligent Technology Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Shenzhen Geshi Intelligent Technology Co Ltd filed Critical Shenzhen Geshi Intelligent Technology Co Ltd
Priority to CN201610490583.XA priority Critical patent/CN106127161A/zh
Publication of CN106127161A publication Critical patent/CN106127161A/zh
Pending legal-status Critical Current

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

基于级联多层检测器的快速目标检测方法
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。
CN201610490583.XA 2016-06-29 2016-06-29 基于级联多层检测器的快速目标检测方法 Pending CN106127161A (zh)

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)

* Cited by examiner, † Cited by third party
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)

* Cited by examiner, † Cited by third party
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

Patent Citations (1)

* Cited by examiner, † Cited by third party
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)

* Cited by examiner, † Cited by third party
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