CN106682691A - 基于图像的目标检测方法及装置 - Google Patents

基于图像的目标检测方法及装置 Download PDF

Info

Publication number
CN106682691A
CN106682691A CN201611191945.1A CN201611191945A CN106682691A CN 106682691 A CN106682691 A CN 106682691A CN 201611191945 A CN201611191945 A CN 201611191945A CN 106682691 A CN106682691 A CN 106682691A
Authority
CN
China
Prior art keywords
image
window
classifier
images
detection
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
Application number
CN201611191945.1A
Other languages
English (en)
Other versions
CN106682691B (zh
Inventor
陈书楷
杨奇
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.)
Entropy Based Technology Guangdong Co ltd
Original Assignee
Xiamen Zhongkong Biological Recognition Information 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 Xiamen Zhongkong Biological Recognition Information Technology Co Ltd filed Critical Xiamen Zhongkong Biological Recognition Information Technology Co Ltd
Priority to CN201611191945.1A priority Critical patent/CN106682691B/zh
Publication of CN106682691A publication Critical patent/CN106682691A/zh
Application granted granted Critical
Publication of CN106682691B publication Critical patent/CN106682691B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • 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
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Image Analysis (AREA)

Abstract

本发明适用于计算机视觉技术领域，提供了基于图像的目标检测方法及装置，包括：生成由多棵二叉树构成的级联结构的分类器，所述二叉树以像素强度对比为特征；通过滑动窗口对图像进行遍历，得到多个窗口图像；将所述多个窗口图像的像素强度对比特征分别输入所述分类器；若存在所述窗口图像通过了所述分类器且输出的分类结果不小于预设阈值时，判定该窗口图像包含检测目标；若所述窗口图像在所述分类器中的任一级输出的分类结果小于所述预设阈值，判定该窗口图像不包含检测目标。本发明有效地提高了对图像进行目标检测的检测速率，降低了误检率。

Description

基于图像的目标检测方法及装置
技术领域
本发明属于计算机视觉技术领域，尤其涉及基于图像的目标检测方法及装置。
背景技术
商场、店铺、医院、客运站等各类场所，一般都需要对流动人数进行统计。实时的人流量信息对于估算商场铺位的租金水平、店铺经营情况、黄金假期的人流量、公共服务机构高峰期人流量以及店铺选址等都具有十分重大的意义。利用统计的人流量数据，管理人员可以合理调度人力、物力，合理配置资源，确定人流量控制方案，从而获得最佳的运营效果。
人流量统计的基础是将人脸、人头或者肢体作为检测目标，从而在监控图像中实现人数统计，而发明人发现，现有的目标检测算法存在检测率较低的缺陷。
发明内容
有鉴于此，本发明实施例提供了基于图像的目标检测方法及装置，以解决现有的目标检测算法检测率较低的问题。
第一方面，提供了一种基于图像的目标检测方法，包括：
生成由多棵二叉树构成的级联结构的分类器，所述二叉树以像素强度对比为特征；
通过滑动窗口对图像进行遍历，得到多个窗口图像；
将所述多个窗口图像的像素强度对比特征分别输入所述分类器；
若存在所述窗口图像通过了所述分类器且输出的分类结果不小于预设阈值时，判定该窗口图像包含检测目标；
若所述窗口图像在所述分类器中的任一级输出的分类结果小于所述预设阈值，判定该窗口图像不包含检测目标。
第二方面，提供了一种基于图像的目标检测装置，包括：
生成单元，用于生成由多棵二叉树构成的级联结构的分类器，所述二叉树以像素强度对比为特征；
遍历单元，用于通过滑动窗口对图像进行遍历，得到多个窗口图像；
输入单元，用于将所述多个窗口图像的像素强度对比特征分别输入所述分类器；
第一判定单元，用于若存在所述窗口图像通过了所述分类器且输出的分类结果不小于预设阈值时，判定该窗口图像包含检测目标；
第二判定单元，用于若所述窗口图像在所述分类器中的任一级输出的分类结果小于所述预设阈值，判定该窗口图像不包含检测目标。
本发明实施例采用了具有级联筛选机制结构的分类器，且分类器中的二叉树使用了像素强度对比特征作为节点，使得基于图像的目标检测准确率更高，速度更快。
附图说明
为了更清楚地说明本发明实施例中的技术方案，下面将对实施例或现有技术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性的前提下，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基于图像的目标检测方法的实现流程图；
图2是本发明实施例提供的生成并训练多棵二叉树的实现流程图；
图3是本发明实施例提供的分类器级联结构示意图；
图4是本发明实施例提供的三种检测方法的检测效果示意图；
图5是本发明实施例提供的4种分类器在face3数据库上的测试效果示意图；
图6是本发明实施例提供的4种分类器在FDDB数据库上的测试效果示意图；
图7是本发明实施例提供的4种分类器在scenery数据库上的测试效果示意图；
图8是本发明实施例提供的基于图像的目标检测装置的结构框图。
具体实施方式
以下描述中，为了说明而不是为了限定，提出了诸如特定系统结构、技术之类的具体细节，以便透彻理解本发明实施例。然而，本领域的技术人员应当清楚，在没有这些具体细节的其它实施例中也可以实现本发明。在其它情况中，省略对众所周知的系统、装置、电路以及方法的详细说明，以免不必要的细节妨碍本发明的描述。
图1示出了本发明实施例提供的基于图像的目标检测方法的实现流程，详述如下：
在S101中，生成由多棵二叉树构成的级联结构的分类器，所述二叉树以像素强度对比为特征。
在本发明实施例中，使用的分类器采用了一组具有级联筛选机制的最优决策树，该分类器采用多层级联结构，每层由多棵二叉树组成，同时，该分类器的特点在于，其中的二叉树并非采用了计算积分图像得到的Haar特征，而是以像素强度对比(Pixel IntensityComparisons，PIC)为特征，Pic特征的采用使得分类器对目标检测的准确率更高，速度更快。
接下来，对构成分类器的多棵二叉树的训练过程进行说明，首先，对训练数据{(Is,vs,ws),s＝1,2,...,S}进行说明：该训练数据是一组样本图像，vs是样本图像Is的类标签，vs∈{-1,+1}，当vs为-1时，表明对应的样本图像中不包含检测目标，当vs为1时，表明对应的样本图像中包含检测目标。如图2所示，对二叉树的训练过程如下：
在S201中，对于训练数据中的每一幅样本图像Is，将其对应的权重ws初始化为其中，P为所述训练数据中正样本的数量，N为所述训练数据中负样本的数量。
在S202中，计算每一幅样本图像Is的Pic特征。
对于一幅图像I，在任意两个点l1和l2处，其像素强度对比计算公式如下：
其中，I(l1)是点l1处的像素强度，I(l2)是点l2处的像素强度，在此，点l1和l2是归一化坐标，即它们来自区域[-1,+1]×[-1,+1]，而Pic即为像素强度对比特征。
在S203中，根据挑选二叉树的节点，以生成所述多棵二叉树{Tk,k＝1,2,...,K}，其中，WMSEmin即最小化的权重均方误差(Minimize the Weighted Mean Squared Error)，C0和C1是聚类中心分别为0和1的特征值集合，和分别是Pic特征的特征值(0和1)集合中样本图像对应标签的加权平均值。
在本发明实施例中，以Pic特征作为分类器中每棵二叉树的节点，将生成的多棵二叉树进行级联，以得到分类器。在对图像进行目标检测时，如图3所示，将待检测的图片的Pic特征输入该分类器，并逐级通过每一棵二叉树，通过二叉树时，将待检测的图片的Pic特征与该二叉树对应的Pic特征进行比较，若两个特征不相符，则输出该图像中不包含目标(在图3中，目标为人脸)的判定结果，若两个特征相符，则将输出的分类结果与待检测的图片的Pic特征一起输入到下一级的二叉树中，重复以上步骤，直至从分类器的最后一级二叉树输出，若最终输出的分类结果不小于预设阈值，则判定该图像中包含检测目标。
在S204中，根据ws＝ws exp(-csTk(Is))更新样本图像的权重，并将更新后的权重归一化，使所有样本图像的权重之和等于1，其中，Tk(Is)为二叉树Tk对样本图像Is的分类结果，此分类结果为实数。
在本发明实施例中，生成多棵二叉树并建立分类器后，还要对分类器进行训练，不断地对样本图像进行权重更新，以提高分类器的检测精度，降低误检率。在训练级联决策树的过程中，如果每层的检测率和误检率没有达到预先设置的训练目标，那么就会继续添加新的Pic特征进行训练。如果级联决策树总体的检测率和误检率没有达到训练要求，那么就会增加新的二叉树进行训练，这样重复上述步骤，直至级联决策树总体的检测率和误检率达到训练要求，对分类器的训练完成。
为了高效快速去除图像中的非目标区域，在本发明实施例中，分类器采用将多棵二叉树按照结构复杂度由简单到复杂排列的级联结构，使每棵决策树都有较高的检测率及较低的误检率。比如，级联结构有20层，每层的检测率要求为0.999，则总检测率为0.999的20次方，约等于98％，而误检率也仅为0.5的20次方，约等于0.0001％。此外，将结构简单且辨识能力较强的决策树部署在级联结构的前几层，能够快速地排除图像中的大量非目标区域，而在级联结构的后几层，使用分类能力更强的决策树，能够筛选出图像中的目标区域。
在S102中，通过滑动窗口对图像进行遍历，得到多个窗口图像。
优选地，在本发明实施例中，可以通过不同尺寸的滑动窗口分别对图像进行遍历，这样得到多个窗口图像。
在S103中，将所述多个窗口图像的像素强度对比特征分别输入所述分类器。
在S104中，若存在所述窗口图像通过了所述分类器且输出的分类结果不小于预设阈值时，判定该窗口图像包含检测目标。
在S105中，若所述窗口图像在所述分类器中的任一级输出的分类结果小于所述预设阈值，判定该窗口图像不包含检测目标。
在本发明实施例中，在进行目标检测时，通过将滑动窗口不断地移动与放大来实现对整幅图像的遍历。对于每一个滑动窗口对应的窗口图像，使其先通过级联结构的前几层，每通过一棵二叉树便会得到一个分类结果，这个分类结果在通过每级二叉树的过程中不断迭代，当某一级二叉树输出的分类结果小于预设阈值时，则拒绝该窗口图像，并判定其不包含检测目标。若该窗口图像通过了级联结构的所有层，且分类结果大于预设阈值，则接受该窗口图像，判定其包含检测目标，且该分类结果就为检测目标的置信度。当完成对图像的遍历之后，对窗口图像进行一次聚类，假如存在两个被判定为包含检测目标的窗口图像，其图像交集与图像并集的比值大于预设比值(例如，大于0.3)，则判定这两个窗口图像包含的检测目标为同一个，将该检测目标的置信度确定为这两个窗口图像对应的分类结果累加出的置信度。
应理解，上述实施例中各步骤的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本发明实施例的实施过程构成任何限定。
本发明实施例采用了具有级联筛选机制结构的分类器，且分类器中的二叉树使用了像素强度对比特征作为节点，使得基于图像的目标检测准确率更高，速度更快。
接下来，以人脸检测为例，对本发明实施例提供的目标检测方法的检测效果进行说明：在训练数据中，正负样本各取了2万幅图像，通过对每个正负样本各进行15次随机扰动和尺度变化采样，从而在分类器的每层二叉树的训练中聚集了60万的正负样本。为了节省资源和加快训练速度，对分类器的层数和每层树的数量加了限制，同时，在测试中发现每棵树的二叉节点为256个时，检测效果最好。
在图像尺寸为640×480的含有5917幅图像的红外face3数据库上，每幅图像中的人脸的图像尺寸都大于100×100。从表1可以看出，本发明实施例提供的目标检测方法的平均人脸检测时间比Viola-Jones和基于LBP特征的方法都要少：
表1
在包含3500幅图像的GENKI-SZSL数据库(每幅图像只含1张人脸)上，上述三种检测方法的效果如图4所示，其中，横坐标代表误检数量(Number of false positives)，纵坐标表示检测率(Detection rate)，从图中可以看出本发明实施例(Our detector)的检测效果是最好的。
在性能提升上，基于本发明实施例提供的目标检测方法对人脸检测效果进行增强，主要是通过改进训练方法来提高人脸检测率，以降低误检率，同时尽可能提高检测速度。改进的原则是控制分类器的层数和每层二叉树的数量，并限制每棵树的深度，重点是设置前三层的训练参数，即降低TPR值，减少层数和二叉树的数量，在后面层级中，提高TPR值和降低FPR值，以加快去除非人脸区域的速度，增强分类器辨识能力。
按照上面的训练方法，实验中训练了4种人脸检测分类器，分别命名为：Learned-10-6-15、Learned-15-6-15、Learned-15-le8-15和Learned-15-le7-15，其名称含义，以Learned-10-6-15-s0.7为例，表明该分类器有10层，每层最多为15颗树，每颗树最大深度为6，待检测图像缩小到0.7倍，le7表示整个级联二叉树的FPR不大于10￣7，Original-Pico分类器是原始参考。在3个不同的数据库上，上述4种人脸检测分类器的测试情况如下：
1、face3数据库：
4种分类器在face3红外数据库上的人脸检测情况如表2所示，具体检测效果如图5所示：
表2
其中，耗时是指检测每幅图像所需的平均时间。
通过表2所示，Learned-15-le7-15分类器的TPR最高，达到99.66％，它的FPR也最小，达到20.92％，在4种分类器中，其检测速度是最快的，而耗时比Original-Pico的多了1.46倍。通过图5的ROC曲线所示，检测率大于95％以后，Learned-15-le7-15分类器比其它3种训练的分类器，在face3数据库上的人脸检测效果要好。
2、FDDB数据库：
4种分类器在FDDB(wild)数据库上的人脸检测情况，如表3所示，具体检测效果如图6所示：
表3
通过表3所示，Learned-15-le7-15分类器的真正率(True Positive Rate，TPR)最高，达到97.25％，它的假正率(.False Positive Rate，FPR)是32.24％，比最小的FPR多了0.76％，而耗时在4种分类器中，是最少的，只比Original-Pico的多了0.85倍。在图6中，图6(a)表示4种分类器与Original-Pico的ROC曲线，图6(b)表示4种分类器的局部ROC曲线，当检测率大于95％以后，Learned-15-le7-15分类器比Learned-10-6-15分类器的检测效果好，当检测率大于96.80％以后，它的检测性能优于Learned-15-le8-15分类器，而当检测率大于96.93％以后，它的检测效果又强于Learned-15-6-15分类器，因此，Learned-15-le7-15分类器在FDDB(wild)数据库上的人脸检测效果要优于其它3种训练的分类器。
3、scenery数据库：
4种分类器在scenery数据库(不含人脸)上的人脸拒识情况，如表4所示，具体拒识效果如图7所示：
表4
通过表4所示，Learned-15-le8-15分类器的拒识率最高，达到100.00％，它的误检率也最小，达到0.00％，但耗时比Original-Pico的多了0.71倍，而Learned-15-le7-15分类器虽然误检了一个，但耗时比另外3种分类器都要少，只比Original-Pico的多了0.43倍。
如图7所示，Learned-15-le8-15分类器在scenery非人脸数据库上，对非人脸图像的拒识效果要优于其它3种训练的分类器，但Learned-15-le7-15分类器的拒识效果也相对较好。
综上所述，Learned-15-le7-15分类器在以上具有开放环境和光照变化，以及人脸姿态多样和部分遮挡情况的两种人脸数据库的检测效果是最优的，它在非人脸数据库上的拒识效果也相对较好，所以，此分类器较其它3种鲁棒。
与Original-Pico分类器比较，虽然人脸检测率有较大提高，但仍有不足之处，一方面是FRP较高，这个可以借助肤色信息，去除部分非人脸区域，以降低FPR，另一方面是人脸检测速度稍慢，这个可以通过减少扫描图像区域的策略实现。
对应于上文实施例所述的基于图像的目标检测方法，图8示出了本发明实施例提供的基于图像的目标检测装置的结构框图，为了便于说明，仅示出了与本实施例相关的部分。
参照图8，该装置包括：
生成单元81，生成由多棵二叉树构成的级联结构的分类器，所述二叉树以像素强度对比为特征；
遍历单元82，通过滑动窗口对图像进行遍历，得到多个窗口图像；
输入单元83，用于将所述多个窗口图像的像素强度对比特征分别输入所述分类器；
第一判定单元84，若存在所述窗口图像通过了所述分类器且输出的分类结果不小于预设阈值时，判定该窗口图像包含检测目标；
第二判定单元85，若所述窗口图像在所述分类器中的任一级输出的分类结果小于所述预设阈值，判定该窗口图像不包含检测目标。
可选地，所述生成单元81包括：
生成子单元，生成所述多棵二叉树；
排列子单元，将所述多棵二叉树按照结构复杂度由简单到复杂进行级联排列。
可选地，所述生成单元81用于：
对于训练数据中的每一幅样本图像Is，将其对应的权重ws初始化为其中，P为所述训练数据中正样本的数量，N为所述训练数据中负样本的数量，vs是样本图像Is的类标签，当vs为-1时，表明样本图像Is中不包含检测目标，当vs为1时，表明样本图像Is中包含检测目标；
计算每一幅样本图像Is的像素强度对比特征；
根据挑选二叉树的节点，以生成所述多棵二叉树{Tk,k＝1,2,...,K}，其中，WMSEmin为最小化的权重均方误差，C0和C1是聚类中心分别为0和1的特征值集合，和分别是像素强度对比特征的特征值集合中样本图像对应标签的加权平均值；
根据ws＝ws exp(-csTk(Is))更新样本图像的权重，并将更新后的权重归一化，使所有样本图像的权重之和等于1，其中，Tk(Is)为二叉树Tk对样本图像Is的分类结果。
可选地，所述遍历单元82具体用于：
通过不同尺寸的滑动窗口分别对所述图像进行遍历。
可选地，所述装置还包括：
聚类单元，用于若存在两个包含所述检测目标的所述窗口图像，其图像交集与图像并集的比值大于预设比值，将这两个所述窗口图像的分类结果进行累加。
所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，仅以上述各功能单元、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单元、模块完成，即将所述装置的内部结构划分成不同的功能单元或模块，以完成以上描述的全部或者部分功能。实施例中的各功能单元、模块可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中，上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。另外，各功能单元、模块的具体名称也只是为了便于相互区分，并不用于限制本申请的保护范围。上述系统中单元、模块的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。
在本发明所提供的实施例中，应该理解到，所揭露的装置和方法，可以通过其它的方式实现。例如，以上所描述的系统实施例仅仅是示意性的，例如，所述模块或单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通讯连接可以是通过一些接口，装置或单元的间接耦合或通讯连接，可以是电性，机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明实施例的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)或处理器(processor)执行本发明实施例各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围，均应包含在本发明的保护范围之内。

Claims (10)

1.一种基于图像的目标检测方法，其特征在于，包括：
生成由多棵二叉树构成的级联结构的分类器，所述二叉树以像素强度对比为特征；
通过滑动窗口对图像进行遍历，得到多个窗口图像；
将所述多个窗口图像的像素强度对比特征分别输入所述分类器；
若存在所述窗口图像通过了所述分类器且输出的分类结果不小于预设阈值时，判定该窗口图像包含检测目标；
若所述窗口图像在所述分类器中的任一级输出的分类结果小于所述预设阈值，判定该窗口图像不包含检测目标。
2.如权利要求1所述的方法，其特征在于，所述生成由多棵二叉树构成的级联结构的分类器包括：
生成所述多棵二叉树；
将所述多棵二叉树按照结构复杂度由简单到复杂进行级联排列。
3.如权利要求1所述的方法，其特征在于，所述多棵二叉树的生成包括：
对于训练数据中的每一幅样本图像Is，将其对应的权重ws初始化为其中，P为所述训练数据中正样本的数量，N为所述训练数据中负样本的数量，vs是样本图像Is的类标签，当vs为-1时，表明样本图像Is中不包含检测目标，当vs为1时，表明样本图像Is中包含检测目标；
计算每一幅样本图像Is的像素强度对比特征；
根据挑选二叉树的节点，以生成所述多棵二叉树{Tk,k＝1,2,...,K}，其中，WMSEmin为最小化的权重均方误差，C0和C1是聚类中心分别为0和1的特征值集合，和分别是像素强度对比特征的特征值集合中样本图像对应标签的加权平均值；
根据ws＝wsexp(-csTk(Is))更新样本图像的权重，并将更新后的权重归一化，使所有样本图像的权重之和等于1，其中，Tk(Is)为二叉树Tk对样本图像Is的分类结果。
4.如权利要求1所述的方法，其特征在于，所述通过滑动窗口对图像进行遍历包括：
通过不同尺寸的滑动窗口分别对所述图像进行遍历。
5.如权利要求1所述的方法，其特征在于，所述方法还包括：
若存在两个包含所述检测目标的所述窗口图像，其图像交集与图像并集的比值大于预设比值，将这两个所述窗口图像的分类结果进行累加。
6.一种基于图像的目标检测装置，其特征在于，包括：
生成单元，用于生成由多棵二叉树构成的级联结构的分类器，所述二叉树以像素强度对比为特征；
遍历单元，用于通过滑动窗口对图像进行遍历，得到多个窗口图像；
输入单元，用于将所述多个窗口图像的像素强度对比特征分别输入所述分类器；
第一判定单元，用于若存在所述窗口图像通过了所述分类器且输出的分类结果不小于预设阈值时，判定该窗口图像包含检测目标；
第二判定单元，用于若所述窗口图像在所述分类器中的任一级输出的分类结果小于所述预设阈值，判定该窗口图像不包含检测目标。
7.如权利要求6所述的装置，其特征在于，所述生成单元包括：
生成子单元，用于生成所述多棵二叉树；
排列子单元，用于将所述多棵二叉树按照结构复杂度由简单到复杂进行级联排列。
8.如权利要求6所述的装置，其特征在于，所述生成单元用于：
对于训练数据中的每一幅样本图像Is，将其对应的权重ws初始化为其中，P为所述训练数据中正样本的数量，N为所述训练数据中负样本的数量，vs是样本图像Is的类标签，当vs为-1时，表明样本图像Is中不包含检测目标，当vs为1时，表明样本图像Is中包含检测目标；
计算每一幅样本图像Is的像素强度对比特征；
根据挑选二叉树的节点，以生成所述多棵二叉树{Tk,k＝1,2,...,K}，其中，WMSEmin为最小化的权重均方误差，C0和C1是聚类中心分别为0和1的特征值集合，和分别是像素强度对比特征的特征值集合中样本图像对应标签的加权平均值；
根据ws＝wsexp(-csTk(Is))更新样本图像的权重，并将更新后的权重归一化，使所有样本图像的权重之和等于1，其中，Tk(Is)为二叉树Tk对样本图像Is的分类结果。
9.如权利要求6所述的装置，其特征在于，所述遍历单元具体用于：
通过不同尺寸的滑动窗口分别对所述图像进行遍历。
10.如权利要求6所述的装置，其特征在于，所述装置还包括：
聚类单元，用于若存在两个包含所述检测目标的所述窗口图像，其图像交集与图像并集的比值大于预设比值，将这两个所述窗口图像的分类结果进行累加。
CN201611191945.1A 2016-12-21 2016-12-21 基于图像的目标检测方法及装置 Active CN106682691B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201611191945.1A CN106682691B (zh) 2016-12-21 2016-12-21 基于图像的目标检测方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201611191945.1A CN106682691B (zh) 2016-12-21 2016-12-21 基于图像的目标检测方法及装置

Publications (2)

Publication Number Publication Date
CN106682691A true CN106682691A (zh) 2017-05-17
CN106682691B CN106682691B (zh) 2019-08-02

Family

ID=58871249

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201611191945.1A Active CN106682691B (zh) 2016-12-21 2016-12-21 基于图像的目标检测方法及装置

Country Status (1)

Country Link
CN (1) CN106682691B (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108230032A (zh) * 2017-12-28 2018-06-29 珠海市君天电子科技有限公司 确定经营实体的经营价值的方法、装置、电子设备及存储介质
CN110046626A (zh) * 2019-04-03 2019-07-23 工极智能科技（苏州）有限公司 基于pico算法的图像智能学习动态跟踪系统及方法
CN110490090A (zh) * 2019-07-29 2019-11-22 恒大智慧科技有限公司 基于智慧社区的吸烟检测方法、系统及其存储介质
CN110502962A (zh) * 2018-05-18 2019-11-26 翔升（上海）电子技术有限公司 视频流中目标的检测方法、装置、设备和介质

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20080219517A1 (en) * 2007-03-05 2008-09-11 Fotonation Vision Limited Illumination Detection Using Classifier Chains
US20090161912A1 (en) * 2007-12-21 2009-06-25 Raviv Yatom method for object detection
CN102147866A (zh) * 2011-04-20 2011-08-10 上海交通大学 基于训练自适应增强和支持矢量机的目标识别方法
CN103106387A (zh) * 2011-11-15 2013-05-15 中国科学院深圳先进技术研究院 图像识别方法和装置
CN103679187A (zh) * 2012-09-12 2014-03-26 深圳先进技术研究院 图像识别方法和系统
CN104751136A (zh) * 2015-03-11 2015-07-01 西安理工大学 一种基于人脸识别的多相机视频事件回溯追踪方法
CN104966095A (zh) * 2015-06-03 2015-10-07 深圳一电科技有限公司 图像目标检测方法及装置

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20080219517A1 (en) * 2007-03-05 2008-09-11 Fotonation Vision Limited Illumination Detection Using Classifier Chains
US20090161912A1 (en) * 2007-12-21 2009-06-25 Raviv Yatom method for object detection
CN102147866A (zh) * 2011-04-20 2011-08-10 上海交通大学 基于训练自适应增强和支持矢量机的目标识别方法
CN103106387A (zh) * 2011-11-15 2013-05-15 中国科学院深圳先进技术研究院 图像识别方法和装置
CN103679187A (zh) * 2012-09-12 2014-03-26 深圳先进技术研究院 图像识别方法和系统
CN104751136A (zh) * 2015-03-11 2015-07-01 西安理工大学 一种基于人脸识别的多相机视频事件回溯追踪方法
CN104966095A (zh) * 2015-06-03 2015-10-07 深圳一电科技有限公司 图像目标检测方法及装置

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108230032A (zh) * 2017-12-28 2018-06-29 珠海市君天电子科技有限公司 确定经营实体的经营价值的方法、装置、电子设备及存储介质
CN110502962A (zh) * 2018-05-18 2019-11-26 翔升（上海）电子技术有限公司 视频流中目标的检测方法、装置、设备和介质
CN110502962B (zh) * 2018-05-18 2022-04-12 苏州翔飞航空科技有限公司 视频流中目标的检测方法、装置、设备和介质
CN110046626A (zh) * 2019-04-03 2019-07-23 工极智能科技（苏州）有限公司 基于pico算法的图像智能学习动态跟踪系统及方法
CN110046626B (zh) * 2019-04-03 2024-03-15 工极智能科技（苏州）有限公司 基于pico算法的图像智能学习动态跟踪系统及方法
CN110490090A (zh) * 2019-07-29 2019-11-22 恒大智慧科技有限公司 基于智慧社区的吸烟检测方法、系统及其存储介质

Also Published As

Publication number Publication date
CN106682691B (zh) 2019-08-02

Similar Documents

Publication Publication Date Title
CN109614985B (zh) 一种基于密集连接特征金字塔网络的目标检测方法
CN108960266B (zh) 图像目标检测方法及装置
US9053358B2 (en) Learning device for generating a classifier for detection of a target
RU2427911C1 (ru) Способ обнаружения лиц на изображении с применением каскада классификаторов
CN109583315B (zh) 一种面向智能视频监控的多通道快速人体姿态识别方法
CN104077613A (zh) 一种基于级联多级卷积神经网络的人群密度估计方法
CN111178208A (zh) 基于深度学习的行人检测方法、装置及介质
JP2006350645A (ja) 対象物検出装置及びその学習装置
CN110069959A (zh) 一种人脸检测方法、装置及用户设备
CN106682691B (zh) 基于图像的目标检测方法及装置
CN101196991A (zh) 密集客流计数和行人步行速度自动检测方法及系统
CN105760472A (zh) 视频检索方法及系统
CN107403160A (zh) 一种智能驾驶场景中图像检测方法、设备及其存储设备
Srikanteswara et al. Emergency Vehicle Recognition Via Automated Smart Traffic Manager
Pavani et al. Comparison of KNN, ANN, CNN and YOLO algorithms for detecting the accurate traffic flow and build an Intelligent Transportation System
CN110852317A (zh) 一种基于弱边缘的小尺度目标检测方法
CN110717424B (zh) 一种基于预处理机制的实时极小人脸检测方法
CN110188718B (zh) 一种基于关键帧和联合稀疏表示的无约束人脸识别方法
CN115272242A (zh) 一种基于YOLOv5的光学遥感图像目标检测方法
Negre et al. Literature Review of Deep-Learning-based detection of violence in video
Meduri et al. A haar-cascade classifier based smart parking system
CN110046601B (zh) 针对十字路口场景的行人检测方法
SivaKumar et al. Comparative analysis of CNN and Viola-Jones for face mask detection
CN113052136A (zh) 一种基于改进Faster RCNN的行人检测方法
Lakshmi et al. Real-Time Face Mask Detection Using

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
TA01 Transfer of patent application right
TA01 Transfer of patent application right

Effective date of registration: 20170821

Address after: 361000, Xiamen three software park, Fujian Province, 8 North Street, room 2001

Applicant after: XIAMEN ZKTECO INFORMATION TECHNOLOGY Co.,Ltd.

Address before: 361000 Fujian province Xiamen software park two sunrise Road No. 32 403 unit 02 District

Applicant before: XIAMEN ZKTECO BIOMETRIC IDENTIFICATION TECHNOLOGY Co.,Ltd.

GR01 Patent grant
GR01 Patent grant
CP03 Change of name, title or address
CP03 Change of name, title or address

Address after: Room 1301, No.132, Fengqi Road, phase III, software park, Xiamen City, Fujian Province

Patentee after: Xiamen Entropy Technology Co.,Ltd.

Address before: 361000, Xiamen three software park, Fujian Province, 8 North Street, room 2001

Patentee before: XIAMEN ZKTECO INFORMATION TECHNOLOGY Co.,Ltd.

TR01 Transfer of patent right
TR01 Transfer of patent right

Effective date of registration: 20250108

Address after: No. 51 Binhe Road, Zhangmutou Town, Dongguan City, Guangdong Province 523628

Patentee after: Entropy based technology (Guangdong) Co.,Ltd.

Country or region after: China

Address before: Room 1301, No.132, Fengqi Road, phase III, software park, Xiamen City, Fujian Province

Patentee before: Xiamen Entropy Technology Co.,Ltd.

Country or region before: China