CN106845520B - 一种图像处理方法及终端 - Google Patents
一种图像处理方法及终端 Download PDFInfo
- Publication number
- CN106845520B CN106845520B CN201611204326.1A CN201611204326A CN106845520B CN 106845520 B CN106845520 B CN 106845520B CN 201611204326 A CN201611204326 A CN 201611204326A CN 106845520 B CN106845520 B CN 106845520B
- Authority
- CN
- China
- Prior art keywords
- target
- sample collection
- collection
- negative sample
- sample
- 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.)
- Active
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/24323—Tree-organised classifiers
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (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
本发明实施例提供了一种图像处理方法及终端，所述方法包括：获取正样本集和负样本集；对所述正样本集和所述负样本集进行平滑处理，得到目标正样本集和目标负样本集；分别对所述目标正样本集和所述目标负样本集进行积分通道特征提取，得到X个第一目标特征集合；对所述X个第一目标特征集合中每一第一目标特征集合进行像素差值特征提取，得到所述X个第二目标特征集，其中，所述X个第二目标特征集中每一第二目标特征集中包含多个像素差值特征；采用至少一个boosting决策树对所述X个第二目标特征集进行分类，得到目标分类器。通过本发明实施例可得到在性能不下降的前提下，具有较好特征筛选能力和较快计算速度的分类器。
Description
技术领域
本发明涉及图像处理技术领域，具体涉及一种图像处理方法及终端。
背景技术
现有技术中，人脸检测是视觉领域的一个非常基础的研究方向，应用范围非常广泛，如安防、智慧商业、机器人、人机交互等领域。由于人脸是一个非刚性的物体，容易受到外界环境的干扰，如天气、光照、表情、姿态、相机畸变等因素的影响，检测难度是显而易见的。常用的人脸检测方法有基于人脸几何形状的早期算法、模板匹配算法、机器学习相关的算法以及近些年来比较流行的深度学习算法。
现存人脸检测器中，一类人脸检测器的特征表达比较复杂，如积分通道图中10个通道特征、DPM中的HOG特征，虽然在人脸检测上表现出很好的性能，但是计算过于复杂，特征计算量大，存在较大冗余信息，难到达实时应用的要求。另一类人脸检测器，虽然使用的特征非常简单，具有代表性的如HAAR、像素差值特征，效果虽然不如前一类，但是计算量比较小，在工程领域应用的非常广泛。因而，如何得到在性能不下降的前提下，实现具有较好特征筛选能力和较快计算速度的分类器的问题亟待解决。
发明内容
本发明实施例提供了一种图像处理方法及终端，以期实现一种在性能不下降的前提下，具有较好特征筛选能力和较快计算速度的分类器。
本发明实施例第一方面提供了一种图像处理方法，包括：
获取正样本集和负样本集；
对所述正样本集和所述负样本集进行平滑处理，得到目标正样本集和目标负样本集；
分别对所述目标正样本集和所述目标负样本集进行积分通道特征提取，得到X个第一目标特征集合，其中，所述X个第一目标特征集合中每一第一目标特征集合包含一个亮度特征分量、2个色差特征分量、梯度幅值分量和与所述梯度幅值分量对应的6个梯度方向分量，所述X为大于1的整数；
对所述X个第一目标特征集合中每一第一目标特征集合进行像素差值特征提取，得到所述X个第二目标特征集，其中，所述X个第二目标特征集中每一第二目标特征集中包含多个像素差值特征；
采用至少一个boosting决策树对所述X个第二目标特征集进行分类，得到目标分类器。
结合第一方面，在第一方面的第一种可能实现方式中，所述分别对所述目标正样本集和所述目标负样本集进行积分通道特征提取，包括：
将目标样本i转化到LUV空间，得到亮度特征分量、2个色差特征分量，其中，所述目标样本i为所述目标正样本集或者所述目标负样本集中的任一个；
确定所述目标样本i中的每一通道进行梯度计算，得到梯度幅值分量和梯度方向分量；
将所述梯度方向分量划分为6份，得到6个梯度方向；
将所述梯度幅值分量软投影到所述6个梯度方向，得到所述梯度幅值分量对应的6个梯度方向分量，其中，所述亮度特征分量、所述2个色差特征分量、所述梯度幅值分量和所述6个梯度方向分量合成所述第一目标特征集合。
结合第一方面，在第一方面的第二种可能实现方式中，所述对所述X个第一目标特征集合中每一第一目标特征集合进行像素差值特征提取，包括：
从所述第一目标特征集合j对应中随机选取K个位置，所述第一目标特征集合j为所述X个第一目标特征集合中的任一个，所述K为偶数；
将所述K个位置对应的像素值组成K/2个像素对；
计算所述K/2个像素对中每一像素对的差值，得到所述K/2个像素差值特征，即第二目标特征集。
结合第一方面，在第一方面的第三种可能实现方式中，所述采用至少一个boosting决策树对所述多个第二目标特征集进行分类，得到目标弱分类器，包括：
采用至少一个boosting决策树对所述X个第二目标特征集进行分类，得到 Y个第一级分类器，所述Y为大于1的整数；
使用hard mining算法对所述负样本集进行挖掘，得到Z个负样本；
采用所述Y个级分类器对所述Z个负样本进行分类，得到A个第二级分类器，所述A为正整数；
判断所述A个第二级分类器中是否存在符合预设条件的第二级分类器，
在所述A个第二级分类器中存在符合所述预设条件的第二级分类器时，从所述符合所述预设条件的第二级分类器中一个第二级分类器作为所述目标分类器。
结合第一方面或第一方面的第一种至第三种中任一种可能实施方式，在第一方面的第四种可能实现方式中，所述获取正样本集和负样本集之前，所述方法还包括：
按照如下公式初始化所述正样本集和所述负样本集中每一样本的权重，其中，s为任一样本，如下：
其中P为正样本集中的样本个数，N为负样本集中的样本个数，Cs为样本类别，s为任一样本，ws为样本的权重，Cs∈{+1，-1}，+1为正样本，-1为负样本；
根据所述正样本集和所述负样本集以及每一样本的权重进行加权最小二乘拟合，得到所述至少一个boosting决策树。
本发明实施例第二方面提供了一种终端，包括：
获取单元，用于获取正样本集和负样本集；
处理单元，用于对所述正样本集和所述负样本集进行平滑处理，得到目标正样本集和目标负样本集；
第一提取单元，用于分别对所述目标正样本集和所述目标负样本集进行积分通道特征提取，得到X个第一目标特征集合，其中，所述X个第一目标特征集合中每一第一目标特征集合包含一个亮度特征分量、2个色差特征分量、梯度幅值分量和与所述梯度幅值分量对应的6个梯度方向分量，所述X为大于1的整数；
第二提取单元，用于对所述X个第一目标特征集合中每一第一目标特征集合进行像素差值特征提取，得到所述X个第二目标特征集，其中，所述X个第二目标特征集中每一第二目标特征集中包含多个像素差值特征；
分类单元，用于采用至少一个boosting决策树对所述X个第二目标特征集进行分类，得到目标分类器。
结合第二方面，在第二方面的第一种可能实现方式中，所述第一提取单元包括：
转化模块，用于将目标样本i转化到LUV空间，得到亮度特征分量、2个色差特征分量，其中，所述目标样本i为所述目标正样本集或者所述目标负样本集中的任一个；
第一确定模块，用于确定所述目标样本i中的每一通道进行梯度计算，得到梯度幅值分量和梯度方向分量；
划分模块，用于将所述梯度方向分量划分为6份，得到6个梯度方向；
第二确定模块，用于将所述梯度幅值分量软投影到所述6个梯度方向，得到所述梯度幅值分量对应的6个梯度方向分量，其中，所述亮度特征分量、所述2个色差特征分量、所述梯度幅值分量和所述6个梯度方向分量合成所述第一目标特征集合。
结合第二方面，在第二方面的第二种可能实现方式中，所述第二提取单元包括：
选取模块，用于从所述第一目标特征集合j对应中随机选取K个位置，所述第一目标特征集合j为所述X个第一目标特征集合中的任一个，所述K为偶数；
组合模块，用于将所述K个位置对应的像素值组成K/2个像素对；
计算模块，用于计算所述K/2个像素对中每一像素对的差值，得到所述K/2 个像素差值特征，即第二目标特征集。
结合第二方面，在第二方面的第三种可能实现方式中，所述分类单元包括：
第一分类模块，用于采用至少一个boosting决策树对所述X个第二目标特征集进行分类，得到Y个第一级分类器，所述Y为大于1的整数；
挖掘模块，用于使用hard mining算法对所述负样本集进行挖掘，得到Z个负样本；
第二分类模块，用于采用所述Y个级分类器对所述Z个负样本进行分类，得到A个第二级分类器，所述A为正整数；
判断模块，用于判断所述A个第二级分类器中是否存在符合预设条件的第二级分类器，
第三确定模块，用于在所述A个第二级分类器中存在符合所述预设条件的第二级分类器时，从所述符合所述预设条件的第二级分类器中一个第二级分类器作为所述目标分类器。
结合第二方面或第二方面的第一种至第三种中任一种可能实施方式，在第二方面的第四种可能实现方式中，所述终端还包括：
处理单元，用于在所述获取单元获取正样本集和负样本集之前，按照如下公式初始化所述正样本集和所述负样本集中每一样本的权重，其中，s为任一样本，如下：
其中P为正样本集中的样本个数，N为负样本集中的样本个数，Cs为样本类别，s为任一样本，ws为样本的权重，Cs∈{+1，-1}，+1为正样本，-1为负样本；
拟合单元，用于根据所述正样本集和所述负样本集以及每一样本的权重进行加权最小二乘拟合，得到所述至少一个boosting决策树。
本发明实施例第三方面提供了一种终端，包括：
处理器和存储器；其中，所述处理器通过调用所述存储器中的代码或指令以执行第一方面所描述的方法的部分或者全部步骤。
实施本发明实施例，具有如下有益效果：
通过本发明实施例，获取正样本集和负样本集，对正样本集和负样本集进行平滑处理，得到目标正样本集和目标负样本集，分别对目标正样本集和目标负样本集进行积分通道特征提取，得到X个第一目标特征集合，其中，X个第一目标特征集合中每一第一目标特征集合包含一个亮度特征分量、2个色差特征分量、梯度幅值分量和与该梯度幅值分量对应的6个梯度方向分量，X为大于1 的整数，对X个第一目标特征集合中每一第一目标特征集合进行像素差值特征提取，得到X个第二目标特征集，其中，X个第二目标特征集中每一第二目标特征集中包含多个像素差值特征，采用至少一个boosting决策树对X个第二目标特征集进行分类，得到目标分类器。如此，可在性能不下降的前提下，得到具有较好特征筛选能力和较快计算速度的分类器。
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1-1是本发明实施例提供的人脸图像的演示示意图；
图1-2是本发明实施例提供的图1-1中的人脸图像对应的10个通道特征的演示示意图；
图1-3是本发明实施例提供的图1-2中的10个通道特征的响应图；
图2是本发明实施例提供的一种图像处理方法的实施例流程示意图；
图3a是本发明实施例提供的一种终端的第一实施例结构示意图；
图3b是本发明实施例提供的图3a所描述的终端的第一提取单元的结构示意图；
图3c是本发明实施例提供的图3a所描述的终端的第二提取单元的结构示意图；
图3d是本发明实施例提供的图3a所描述的终端的分类单元的结构示意图；
图3e是本发明实施例提供的图3a所描述的终端的又一结构示意图；
图4是本发明实施例提供的一种终端的第二实施例结构示意图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
本发明的说明书和权利要求书及所述附图中的术语“第一”、“第二”、“第三”和“第四”等是用于区别不同对象，而不是用于描述特定顺序。此外，术语“包括”和“具有”以及它们任何变形，意图在于覆盖不排他的包含。例如包含了一系列步骤或单元的过程、方法、系统、产品或设备没有限定于已列出的步骤或单元，而是可选地还包括没有列出的步骤或单元，或可选地还包括对于这些过程、方法、产品或设备固有的其它步骤或单元。
在本文中提及“实施例”意味着，结合实施例描述的特定特征、结构或特性可以包含在本发明的至少一个实施例中。在说明书中的各个位置展示该短语并不一定均是指相同的实施例，也不是与其它实施例互斥的独立的或备选的实施例。本领域技术人员显式地和隐式地理解的是，本文所描述的实施例可以与其它实施例相结合。
本发明实施例所描述终端可以包括智能手机(如Android手机、iOS手机、 WindowsPhone手机等)、平板电脑、掌上电脑、笔记本电脑、移动互联网设备 (MID，Mobile InternetDevices)或穿戴式设备等，上述仅是举例，而非穷举，包含但不限于上述终端。
下面列举几种常见的人脸检测算法。
Boosting分类器，boosting可以认为是一种特征筛选算法，由于其简单和泛化能力强等特点，在很多领域都有着非常广的应用。具体来讲，boosting将原始交织在一起的特征空间，通过特征挑选和加强错分样本的权重来逐步将样本空间分开。
HAAR人脸检测器，HAAR人脸检测器是最早将人脸检测提升至应用级别的算法之一。算法主要分为三个部分，特征生成、boosting挑选弱分类器特征以及强分类器构建。特征生成主要是构建许多黑白相间的矩形块，通过比较黑白矩形的像素和的差值来生成特征，取名也是由于其计算过程和HAAR小波的计算过程类似，矩形块的像素和可以基于积分图来计算，计算速度和开销相当可观；特征挑选是通过boosting算法进行的；最后将挑选出来的弱分类器特征通过特征组合来生成许多强分类器。
DPM(Deformable Part Model)人脸检测器，DPM将刚性或非刚性的物体分成许多子部件，通过对各子部件进行描述来最终表达所要识别检测的物体，各部件和子部件通过HOG进行特征描述。通过优化算法来求解每个部分的响应滤波器。由于其计算相对比较复杂，限制了其在许多领域的应用。
ACF(Aggregated Channel Feature)人脸检测器，ACF是ICF(Integral ChannelFeature)的一种扩展，相当于在ICF的基础上做了一个子采样，这样做的好处是一方面降低特征的维度，另一方面可以增加对形变的抵御能力。ACF最早应用于行人检测领域，之后有人将其应用于 人脸检测领域也取得了不错的效果。但是由于其计算开销仍然比较大，特征存在较大冗余，改进空间也很大。
PICO(Pixel Intensity Comparison Object Detector)人脸检测器，PICO是一种基于统计特性的特征描述算法，其特征描述与Ferns比较类似，由于其计算的简单性和较强的描述能力，被应用在很多计算机视觉领域如物体检测、目标识别、目标跟踪等领域。最近有人将其应用在人脸检测领域，精度比较一般，但是计算速度非常快。究其原因还是特征表达过于简单，有比较大的提升空间。
需要说明的是，现有技术中的人脸检测器中，一些检测器的特征表达比较复杂，如积分通道图中10个通道特征、DPM中的HOG特征，虽然在人脸检测上表现出很好的性能，但是计算过于复杂，很难到达实时应用的要求。图1-1 为原始图像，图1-2表示10个积分通道特征，可以看出特征的表达能力比较强，涵盖了色彩空间信息、梯度幅值信息，不同方向的边缘信息，同时也存在较大冗余信息。如图1-3所示，图1-3为图1-2中10个通道特征对应的响应图，可看出颜色越亮表示重要程度越高，图1-3中也包括响应后的积分通道特征，依次分别为LUV特征，梯度幅值特征，6个方向的梯度特征。另外，有一些人脸检测器，虽然使用的特征非常简单，具有代表性的如HAAR、像素差值特征，效果虽然不如1，但是计算量比较小，在工程领域应用的非常广泛。
本发明实施例中，主要就现有人脸检测器中所遇到的“鱼和熊掌不可兼得”问题，即复杂特征计算开销大、简单特征表达能力差，提出一种折中的方式，在保证性能的前提下，提高计算速度。本发明实施例提出了如下的一种图像处理方法，包含如下步骤：
获取正样本集和负样本集；
对所述正样本集和所述负样本集进行平滑处理，得到目标正样本集和目标负样本集；
分别对所述目标正样本集和所述目标负样本集进行积分通道特征提取，得到多个第一目标特征集合，其中，所述多个第一目标特征集合中每一第一目标特征集合包含一个亮度特征分量、2个色差特征分量、梯度幅值分量和与所述梯度幅值分量对应的6个梯度方向分量；
对所述多个第一目标特征集合中每一第一目标特征集合进行像素差值特征提取，得到所述多个第二目标特征集，其中，所述多个第二目标特征集中每一第二目标特征集中包含多个像素差值特征；
其中，本发明实施例针对现有基于像素差值特征表达能力差，易受光照、噪声等复杂环境的影响；积分通道特征的特征维度高、信息冗余多等问题；提出一个统一的框架，在几乎不影响检测率的条件下，提出一种适应性更强的特征描述方法，一方面提高特征的鲁棒性，另一方面由于特征的维度大幅度下降，可以提升检测速度。对于其对应的10个积分通道特征经过boosting特征挑选后的响应图，颜色由浅及深分别表示特征的重要程度。实践证明，只有在少部分区域有明显的响应，特征冗余程度很高。
请参阅图2，为本发明实施例提供的一种图像处理方法的实施例流程示意图。本实施例中所描述的图像处理方法，包括以下步骤：
201、获取正样本集和负样本集。
其中，本发明实施例中可准备好正样本集和负样本集，其中，正样本集包含多个正样本，负样本集中包含多个负样本，正样本可为裁切好的包含人脸的区域的图像，例如，可将每一样本的大小归一化至24x24，负样本可为不包含人脸的背景图像，对于正样本集和负样本集的数量没有绝对限制，例如，正样本数量可为50000张包含人脸的区域的图像，负样本集可为100,0000张背景大图。
202、对所述正样本集和所述负样本集进行平滑处理，得到目标正样本集和目标负样本集。
其中，可对正样本集和所述负样本集进行噪声去除，由于准备的样本种类比较多，噪声也是多种多样，本发明实施例可使用高斯滤波器对正负样本进行平滑处理，以去除掉疑似噪声的高频分量，事实上实验也证明，在检测之前对样本集(包含正样本集合负样本)进行低通滤波可以增加检测率和降低误检率。
203、分别对所述目标正样本集和所述目标负样本集进行积分通道特征提取，得到X个第一目标特征集合，其中，所述X个第一目标特征集合中每一第一目标特征集合包含一个亮度特征分量、2个色差特征分量、梯度幅值分量和与所述梯度幅值分量对应的6个梯度方向分量，所述X为大于1的整数。
可选的，步骤203中，分别对所述目标正样本集和所述目标负样本集进行积分通道特征提取，可包括如下步骤：
31)、将目标样本i转化到LUV空间，得到亮度特征分量、2个色差特征分量，其中，所述目标样本i为所述目标正样本集或者所述目标负样本集中的任一个；
32)、确定所述目标样本i中的每一通道进行梯度计算，得到梯度幅值分量和梯度方向分量；
33)、将所述梯度方向分量划分为6份，得到6个梯度方向；
34)、将所述梯度幅值分量软投影到所述6个梯度方向，得到所述梯度幅值分量对应的6个梯度方向分量，其中，所述亮度特征分量、所述2个色差特征分量、所述梯度幅值分量和所述6个梯度方向分量合成所述第一目标特征集合。
其中，上述步骤31-步骤34可称之为积分通道特征提取，以目标样本i为例，目标样本i为目标正样本集或者目标负样本集中的任一个，即将样本i(图像) 转换至LUV空间，提取一个亮度分量和两个色差分量；然后，针对输入图像中 RGB分量的每一个通道进行梯度计算，包含梯度幅值和梯度方向；将梯度方向划分为6份，把每一个像素的梯度幅值按照这6个方向进行软投影，即每一个像素的梯度按照其贡献分配至临近的两个Bin，当然，可对RGB分量依次进行上述操作，还可对结果进行MAX操作，如此，这样做的好处是增加特征的鲁棒性，减少噪声对梯度特征的影响；对梯度幅值进行归一化操作。
204、对所述X个第一目标特征集合中每一第一目标特征集合进行像素差值特征提取，得到所述X个第二目标特征集，其中，所述X个第二目标特征集中每一第二目标特征集中包含多个像素差值特征。
可选地，上述步骤204中，对所述多个第一目标特征集合中每一第一目标特征集合进行像素差值特征提取，包括如下步骤：
41)、从所述第一目标特征集合j对应中随机选取K个位置，所述第一目标特征集合j为所述多个第一目标特征集合中的任一个，所述K为偶数；
42)、将所述K个位置对应的像素值组成K/2个像素对；
43)、计算所述K/2个像素对中每一像素对的差值，得到所述K/2个像素差值特征，即第二目标特征集。
上述步骤41-步骤43，可称之为基于通道特征的像素差值特征计算，如下仅介绍一个通道的像素差值特征是如何计算的。在任一通道可看作24x24大小的图像，在该图像上随机产生400个随机位置，两两组成一个像素对(不同位置上的2个像素可组成一个像素对)，共产生200个像素对，计算该200个像素对的差值，产生200个像素差值特征。对上述步骤103中的10个通道特征使用相同的方法计算像素差值特征，可共计产生2000＝200x10个通道像素差值特征。
205、采用至少一个boosting决策树对所述X个第二目标特征集进行分类，得到目标分类器。
其中，上述至少一个boosting决策树可在步骤201之前得到。
可选地，上述步骤205中，采用至少一个boosting决策树对所述多个第二目标特征集进行分类，得到目标弱分类器，可包括如下步骤：
51)、采用至少一个boosting决策树对所述X个第二目标特征集进行分类，得到Y个第一级分类器，所述Y为大于1的整数；
52)、使用hard mining算法对所述负样本集进行挖掘，得到Z个负样本；
53)、采用所述Y个级分类器对所述Z个负样本进行分类，得到A个第二级分类器，所述A为正整数；
54)、判断所述A个第二级分类器中是否存在符合预设条件的第二级分类器，
55)、在所述A个第二级分类器中存在符合所述预设条件的第二级分类器时，从所述符合所述预设条件的第二级分类器中一个第二级分类器作为所述目标分类器。
其中，上述使用hard mining算法在大量负样本集上挑选一些有代表性的负样本，每一轮boosting决策树都是针对更难的负样本进行分类，这样可以保证分类器学到的特征是由易到难的，涵盖的样本分布也具有多样性。
可选地，在步骤201，获取正样本集和负样本集之前，还可包括包含如下步骤：
按照如下公式初始化所述正样本集和所述负样本集中每一样本的权重，其中，s为任一样本，如下：
其中P为正样本集中的样本个数，N为负样本集中的样本个数，Cs为样本类别，s为任一样本，ws为样本的权重，Cs∈{+1，-1}，+1为正样本，-1为负样本；
根据所述正样本集和所述负样本集以及每一样本的权重进行加权最小二乘拟合，得到所述至少一个boosting决策树。
其中，上述使用boosting决策树对正负样本进行分类，boosting决策树的目的是挑选多个弱分类器，每一个弱分类器都是在前一个弱分类器分错的样本空间上进行重分类，这样的思想有点类似于“三个臭皮匠顶一个诸葛亮”，如此，速度很快，在前期可以排除掉一些明显的负样本。详细boosting决策树算法，如下：
1、提取正样本集和负样本集的像素差值特征
2、对于每一个样本fs初始化其权重为ws，类别为Cs∈{+1，-1}，则：
其中P，N分别为正负样本的个数。
3、当k＝1,2，...，K；
(1)、对正样本集和负样本集中每一样本的权重，进行加权最小二乘拟合，构建决策树Tk。
(2)、更新每一个样本的权重ws＝wsexp(-CsTk(fs))，其中，Tk(fs)表示特征fs经过决策树Tk的输出。
(3)、对权重重新进行归一。
(4)、输出所有{Tk＝1,2,3,4......}。
如此，上述得到的目标分类器可以在一定程度上增加特征对光照的抵御能力，可以使用较少的特征对目标进行表达，特征冗余信息少，进一步提高了特征计算速度。
可以看出，通过本发明实施例，获取正样本集和负样本集，对正样本集和负样本集进行平滑处理，得到目标正样本集和目标负样本集，分别对目标正样本集和目标负样本集进行积分通道特征提取，得到X个第一目标特征集合，其中，X个第一目标特征集合中每一第一目标特征集合包含一个亮度特征分量、2 个色差特征分量、梯度幅值分量和与该梯度幅值分量对应的6个梯度方向分量， X为大于1的整数，对X个第一目标特征集合中每一第一目标特征集合进行像素差值特征提取，得到X个第二目标特征集，其中，X个第二目标特征集中每一第二目标特征集中包含多个像素差值特征，采用至少一个boosting决策树对X 个第二目标特征集进行分类，得到目标分类器。如此，可在性能不下降的前提下，得到具有较好特征筛选能力和较快计算速度的分类器。
与上述一致地，以下为实施上述图像处理方法的装置，具体如下：
请参阅图3a，为本发明实施例提供的一种终端的第一实施例结构示意图。本实施例中所描述的终端，包括：获取单元301、处理单元302、第一提取单元 303、第二提取单元304和分类单元305，具体如下：
获取单元301，用于获取正样本集和负样本集；
处理单元302，用于对所述正样本集和所述负样本集进行平滑处理，得到目标正样本集和目标负样本集；
第一提取单元303，用于分别对所述目标正样本集和所述目标负样本集进行积分通道特征提取，得到X个第一目标特征集合，其中，所述X个第一目标特征集合中每一第一目标特征集合包含一个亮度特征分量、2个色差特征分量、梯度幅值分量和与所述梯度幅值分量对应的6个梯度方向分量，所述X为大于1 的整数；
第二提取单元304，用于对所述X个第一目标特征集合中每一第一目标特征集合进行像素差值特征提取，得到所述X个第二目标特征集，其中，所述X 个第二目标特征集中每一第二目标特征集中包含多个像素差值特征；
分类单元305，用于采用至少一个boosting决策树对所述X个第二目标特征集进行分类，得到目标分类器。
可选地，如图3b，图3b为图3a所描述的终端的第一提取单元303的具体细化结构，所述第一提取单元303可包括：转化模块3031、第一确定模块3032、划分模块3033和第二确定模块3034，具体如下；
转化模块3031，用于将目标样本i转化到LUV空间，得到亮度特征分量、 2个色差特征分量，其中，所述目标样本i为所述目标正样本集或者所述目标负样本集中的任一个；
第一确定模块3032，用于确定所述目标样本i中的每一通道进行梯度计算，得到梯度幅值分量和梯度方向分量；
划分模块3033，用于将所述梯度方向分量划分为6份，得到6个梯度方向；
第二确定模块3034，用于将所述梯度幅值分量软投影到所述6个梯度方向，得到所述梯度幅值分量对应的6个梯度方向分量，其中，所述亮度特征分量、所述2个色差特征分量、所述梯度幅值分量和所述6个梯度方向分量合成所述第一目标特征集合。
可选地，如图3c，图3c为图3a所描述的终端的第二提取单元304的具体细化结构，所述第二提取单元304可包括：选取模块3041、组合模块3042和计算模块3043，具体如下：
选取模块3041，用于从所述第一目标特征集合j对应中随机选取K个位置，所述第一目标特征集合j为所述X个第一目标特征集合中的任一个，所述K为偶数；
组合模块3042，用于将所述K个位置对应的像素值组成K/2个像素对；
计算模块3043，用于计算所述K/2个像素对中每一像素对的差值，得到所述K/2个像素差值特征，即第二目标特征集。
可选地，如图3d，图3d为图3a所描述的终端的分类单元305的具体细化结构，所述分类单元305可包括：第一分类模块3051、挖掘模块3052、第二分类模块3053、判断模块3054和第三确定模块3055，具体如下：
第一分类模块3051，用于采用至少一个boosting决策树对所述X个第二目标特征集进行分类，得到Y个第一级分类器，所述Y为大于1的整数；
挖掘模块3052，用于使用hard mining算法对所述负样本集进行挖掘，得到 Z个负样本；
第二分类模块3053，用于采用所述Y个级分类器对所述Z个负样本进行分类，得到A个第二级分类器，所述A为正整数；
判断模块3054，用于判断所述A个第二级分类器中是否存在符合预设条件的第二级分类器；
第三确定模块3055，用于在所述A个第二级分类器中存在符合所述预设条件的第二级分类器时，从所述符合所述预设条件的第二级分类器中一个第二级分类器作为所述目标分类器。
可选地，如图3e，图3e为图3a所描述的终端又一变型结构，与图3a所描述的终端相比较，其还包括：处理单元306和拟合单元307，具体如下：
处理单元306，用于在所述获取单元301获取正样本集和负样本集之前，按照如下公式初始化所述正样本集和所述负样本集中每一样本的权重，其中，s为任一样本，如下：
其中P为正样本集中的样本个数，N为负样本集中的样本个数，Cs为样本类别，s为任一样本，ws为样本的权重，Cs∈{+1，-1}，+1为正样本，-1为负样本；
拟合单元307，用于根据所述正样本集和所述负样本集以及每一样本的权重进行加权最小二乘拟合，得到所述至少一个boosting决策树。
可以看出，通过本发明实施例所描述的终端，可获取正样本集和负样本集，对正样本集和负样本集进行平滑处理，得到目标正样本集和目标负样本集，分别对目标正样本集和目标负样本集进行积分通道特征提取，得到X个第一目标特征集合，其中，X个第一目标特征集合中每一第一目标特征集合包含一个亮度特征分量、2个色差特征分量、梯度幅值分量和与该梯度幅值分量对应的6个梯度方向分量，X为大于1的整数，对X个第一目标特征集合中每一第一目标特征集合进行像素差值特征提取，得到X个第二目标特征集，其中，X个第二目标特征集中每一第二目标特征集中包含多个像素差值特征，采用至少一个 boosting决策树对X个第二目标特征集进行分类，得到目标分类器。如此，可在性能不下降的前提下，得到具有较好特征筛选能力和较快计算速度的分类器。
与上述一致地，请参阅图4，为本发明实施例提供的一种终端的第二实施例结构示意图。本实施例中所描述的终端，包括：至少一个输入设备1000；至少一个输出设备2000；至少一个处理器3000，例如CPU；和存储器4000，上述输入设备1000、输出设备2000、处理器3000和存储器4000通过总线5000连接。
其中，上述输入设备1000具体可为触控面板、物理按键或者鼠标。
上述输出设备2000具体可为显示屏。
上述存储器4000可以是高速RAM存储器，也可为非易失存储器 (non-volatilememory)，例如磁盘存储器。上述存储器4000用于存储一组程序代码，上述输入设备1000、输出设备2000和处理器3000用于调用存储器4000 中存储的程序代码，执行如下操作：
上述处理器3000，用于：
获取正样本集和负样本集；
对所述正样本集和所述负样本集进行平滑处理，得到目标正样本集和目标负样本集；
分别对所述目标正样本集和所述目标负样本集进行积分通道特征提取，得到X个第一目标特征集合，其中，所述X个第一目标特征集合中每一第一目标特征集合包含一个亮度特征分量、2个色差特征分量、梯度幅值分量和与所述梯度幅值分量对应的6个梯度方向分量，所述X为大于1的整数；
对所述X个第一目标特征集合中每一第一目标特征集合进行像素差值特征提取，得到所述X个第二目标特征集，其中，所述X个第二目标特征集中每一第二目标特征集中包含多个像素差值特征；
采用至少一个boosting决策树对所述X个第二目标特征集进行分类，得到目标分类器。
可选地，上述处理器3000分别对所述目标正样本集和所述目标负样本集进行积分通道特征提取，包括：
将目标样本i转化到LUV空间，得到亮度特征分量、2个色差特征分量，其中，所述目标样本i为所述目标正样本集或者所述目标负样本集中的任一个；
确定所述目标样本i中的每一通道进行梯度计算，得到梯度幅值分量和梯度方向分量；
将所述梯度方向分量划分为6份，得到6个梯度方向；
将所述梯度幅值分量软投影到所述6个梯度方向，得到所述梯度幅值分量对应的6个梯度方向分量，其中，所述亮度特征分量、所述2个色差特征分量、所述梯度幅值分量和所述6个梯度方向分量合成所述第一目标特征集合。
可选地，上述处理器3000对所述X个第一目标特征集合中每一第一目标特征集合进行像素差值特征提取，包括：
从所述第一目标特征集合j对应中随机选取K个位置，所述第一目标特征集合j为所述X个第一目标特征集合中的任一个，所述K为偶数；
将所述K个位置对应的像素值组成K/2个像素对；
计算所述K/2个像素对中每一像素对的差值，得到所述K/2个像素差值特征，即第二目标特征集。
可选地，上述处理器3000采用至少一个boosting决策树对所述多个第二目标特征集进行分类，得到目标弱分类器，包括：
采用至少一个boosting决策树对所述X个第二目标特征集进行分类，得到 Y个第一级分类器，所述Y为大于1的整数；
使用hard mining算法对所述负样本集进行挖掘，得到Z个负样本；
采用所述Y个级分类器对所述Z个负样本进行分类，得到A个第二级分类器，所述A为正整数；
判断所述A个第二级分类器中是否存在符合预设条件的第二级分类器，
在所述A个第二级分类器中存在符合所述预设条件的第二级分类器时，从所述符合所述预设条件的第二级分类器中一个第二级分类器作为所述目标分类器。
可选地，上述处理器3000获取正样本集和负样本集之前，还具体用于：
按照如下公式初始化所述正样本集和所述负样本集中每一样本的权重，其中，s为任一样本，如下：
其中P为正样本集中的样本个数，N为负样本集中的样本个数，Cs为样本类别，s为任一样本，ws为样本的权重，Cs∈{+1，-1}，+1为正样本，-1为负样本；
根据所述正样本集和所述负样本集以及每一样本的权重进行加权最小二乘拟合，得到所述至少一个boosting决策树。
本发明实施例还提供一种计算机存储介质，其中，该计算机存储介质可存储有程序，该程序执行时包括上述方法实施例中记载的任何一种图像处理方法的部分或全部步骤。
尽管在此结合各实施例对本发明进行了描述，然而，在实施所要求保护的本发明过程中，本领域技术人员通过查看所述附图、公开内容、以及所附权利要求书，可理解并实现所述公开实施例的其他变化。在权利要求中，“包括” (comprising)一词不排除其他组成部分或步骤，“一”或“一个”不排除多个的情况。单个处理器或其他单元可以实现权利要求中列举的若干项功能。相互不同的从属权利要求中记载了某些措施，但这并不表示这些措施不能组合起来产生良好的效果。
本领域技术人员应明白，本发明的实施例可提供为方法、装置(设备)、或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、 CD-ROM、光学存储器等)上实施的计算机程序产品的形式。计算机程序存储/ 分布在合适的介质中，与其它硬件一起提供或作为硬件的一部分，也可以采用其他分布形式，如通过Internet或其它有线或无线电信系统。
本发明是参照本发明实施例的方法、装置(设备)和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/ 或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
尽管结合具体特征及其实施例对本发明进行了描述，显而易见的，在不脱离本发明的精神和范围的情况下，可对其进行各种修改和组合。相应地，本说明书和附图仅仅是所附权利要求所界定的本发明的示例性说明，且视为已覆盖本发明范围内的任意和所有修改、变化、组合或等同物。显然，本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样，倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内，则本发明也意图包含这些改动和变型在内。
Claims (4)
1.一种图像处理方法，其特征在于，包括：
获取正样本集和负样本集；
对所述正样本集和所述负样本集进行平滑处理，具体为：采用高斯滤波器对所述正样本集以及所述负样本集进行低通滤波，得到目标正样本集和目标负样本集；
分别对所述目标正样本集和所述目标负样本集进行积分通道特征提取，得到X个第一目标特征集合，其中，所述X个第一目标特征集合中每一第一目标特征集合包含一个亮度特征分量、2个色差特征分量、梯度幅值分量和与所述梯度幅值分量对应的6个梯度方向分量，所述X为大于1的整数；
对所述X个第一目标特征集合中每一第一目标特征集合进行像素差值特征提取，得到所述X个第二目标特征集，其中，所述X个第二目标特征集中每一第二目标特征集中包含多个像素差值特征；
采用至少一个boosting决策树对所述X个第二目标特征集进行分类，得到目标分类器；
其中，所述对所述X个第一目标特征集合中每一第一目标特征集合进行像素差值特征提取，包括：
从所述第一目标特征集合j对应中随机选取K个位置，所述第一目标特征集合j为所述X个第一目标特征集合中的任一个，所述K为偶数；
将所述K个位置对应的像素值组成K/2个像素对；
计算所述K/2个像素对中每一像素对的差值，得到所述K/2个像素差值特征，即第二目标特征集；
所述采用至少一个boosting决策树对所述多个第二目标特征集进行分类，得到目标分类器，包括：
采用至少一个boosting决策树对所述X个第二目标特征集进行分类，得到Y个第一级分类器，所述Y为大于1的整数；
使用hard mining算法对所述负样本集进行挖掘，得到Z个负样本；
采用所述Y个第一级分类器对所述Z个负样本进行分类，得到A个第二级分类器，所述A为正整数；
判断所述A个第二级分类器中是否存在符合预设条件的第二级分类器；
在所述A个第二级分类器中存在符合所述预设条件的第二级分类器时，从所述符合所述预设条件的第二级分类器中一个第二级分类器作为所述目标分类器；
其中，所述获取正样本集和负样本集之前，所述方法还包括：
按照如下公式初始化所述正样本集和所述负样本集中每一样本的权重，其中，s为任一样本，如下：
<mrow>
<msub>
<mi>w</mi>
<mi>s</mi>
</msub>
<mo>=</mo>
<mfenced open = "{" close = "">
<mtable>
<mtr>
<mtd>
<mrow>
<mfrac>
<mn>1</mn>
<mi>P</mi>
</mfrac>
<mo>,</mo>
</mrow>
</mtd>
<mtd>
<mrow>
<msub>
<mi>C</mi>
<mi>s</mi>
</msub>
<mo>=</mo>
<mo>+</mo>
<mn>1</mn>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<mfrac>
<mn>1</mn>
<mi>N</mi>
</mfrac>
<mo>,</mo>
</mrow>
</mtd>
<mtd>
<mrow>
<msub>
<mi>C</mi>
<mi>s</mi>
</msub>
<mo>=</mo>
<mo>-</mo>
<mn>1</mn>
</mrow>
</mtd>
</mtr>
</mtable>
</mfenced>
</mrow>
其中P为正样本集中的样本个数，N为负样本集中的样本个数，Cs为样本类别，s为任一样本，ws为样本的权重，Cs∈{+1，-1}，+1为正样本，-1为负样本；
根据所述正样本集和所述负样本集以及每一样本的权重进行加权最小二乘拟合，得到所述至少一个boosting决策树。
2.根据权利要求1所述的方法，其特征在于，所述分别对所述目标正样本集和所述目标负样本集进行积分通道特征提取，包括：
将目标样本i转化到LUV空间，得到亮度特征分量、2个色差特征分量，其中，所述目标样本i为所述目标正样本集或者所述目标负样本集中的任一个；
确定所述目标样本i中的每一通道进行梯度计算，得到梯度幅值分量和梯度方向分量；
将所述梯度方向分量划分为6份，得到6个梯度方向；
将所述梯度幅值分量软投影到所述6个梯度方向，得到所述梯度幅值分量对应的6个梯度方向分量，其中，所述亮度特征分量、所述2个色差特征分量、所述梯度幅值分量和所述6个梯度方向分量合成所述第一目标特征集合。
3.一种终端，其特征在于，包括：
获取单元，用于获取正样本集和负样本集；
处理单元，用于对所述正样本集和所述负样本集进行平滑处理，得到目标正样本集和目标负样本集；
第一提取单元，用于分别对所述目标正样本集和所述目标负样本集进行积分通道特征提取，得到X个第一目标特征集合，其中，所述X个第一目标特征集合中每一第一目标特征集合包含一个亮度特征分量、2个色差特征分量、梯度幅值分量和与所述梯度幅值分量对应的6个梯度方向分量，所述X为大于1的整数；
第二提取单元，用于对所述X个第一目标特征集合中每一第一目标特征集合进行像素差值特征提取，得到所述X个第二目标特征集，其中，所述X个第二目标特征集中每一第二目标特征集中包含多个像素差值特征；
分类单元，用于采用至少一个boosting决策树对所述X个第二目标特征集进行分类，得到目标分类器；
其中，所述第二提取单元包括：
选取模块，用于从所述第一目标特征集合j对应中随机选取K个位置，所述第一目标特征集合j为所述X个第一目标特征集合中的任一个，所述K为偶数；
组合模块，用于将所述K个位置对应的像素值组成K/2个像素对；
计算模块，用于计算所述K/2个像素对中每一像素对的差值，得到所述K/2个像素差值特征，即第二目标特征集；
所述分类单元包括：
第一分类模块，用于采用至少一个boosting决策树对所述X个第二目标特征集进行分类，得到Y个第一级分类器，所述Y为大于1的整数；
挖掘模块，用于使用hard mining算法对所述负样本集进行挖掘，得到Z个负样本；
第二分类模块，用于采用所述Y个第一级分类器对所述Z个负样本进行分类，得到A个第二级分类器，所述A为正整数；
判断模块，用于判断所述A个第二级分类器中是否存在符合预设条件的第二级分类器，
第三确定模块，用于在所述A个第二级分类器中存在符合所述预设条件的第二级分类器时，从所述符合所述预设条件的第二级分类器中一个第二级分类器作为所述目标分类器；
其中，所述终端还包括：
处理单元，用于在所述获取单元获取正样本集和负样本集之前，按照如下公式初始化所述正样本集和所述负样本集中每一样本的权重，其中，s为任一样本，如下：
<mrow>
<msub>
<mi>w</mi>
<mi>s</mi>
</msub>
<mo>=</mo>
<mfenced open = "{" close = "">
<mtable>
<mtr>
<mtd>
<mrow>
<mfrac>
<mn>1</mn>
<mi>P</mi>
</mfrac>
<mo>,</mo>
</mrow>
</mtd>
<mtd>
<mrow>
<msub>
<mi>C</mi>
<mi>s</mi>
</msub>
<mo>=</mo>
<mo>+</mo>
<mn>1</mn>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<mfrac>
<mn>1</mn>
<mi>N</mi>
</mfrac>
<mo>,</mo>
</mrow>
</mtd>
<mtd>
<mrow>
<msub>
<mi>C</mi>
<mi>s</mi>
</msub>
<mo>=</mo>
<mo>-</mo>
<mn>1</mn>
</mrow>
</mtd>
</mtr>
</mtable>
</mfenced>
</mrow>
其中P为正样本集中的样本个数，N为负样本集中的样本个数，Cs为样本类别，s为任一样本，ws为样本的权重，Cs∈{+1，-1}，+1为正样本，-1为负样本；
拟合单元，用于根据所述正样本集和所述负样本集以及每一样本的权重进行加权最小二乘拟合，得到所述至少一个boosting决策树。
4.根据权利要求3所述的终端，其特征在于，所述第一提取单元包括：
转化模块，用于将目标样本i转化到LUV空间，得到亮度特征分量、2个色差特征分量，其中，所述目标样本i为所述目标正样本集或者所述目标负样本集中的任一个；
第一确定模块，用于确定所述目标样本i中的每一通道进行梯度计算，得到梯度幅值分量和梯度方向分量；
划分模块，用于将所述梯度方向分量划分为6份，得到6个梯度方向；
第二确定模块，用于将所述梯度幅值分量软投影到所述6个梯度方向，得到所述梯度幅值分量对应的6个梯度方向分量，其中，所述亮度特征分量、所述2个色差特征分量、所述梯度幅值分量和所述6个梯度方向分量合成所述第一目标特征集合。
Priority Applications (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201611204326.1A CN106845520B (zh) | 2016-12-23 | 2016-12-23 | 一种图像处理方法及终端 |
| PCT/CN2017/087705 WO2018113206A1 (zh) | 2016-12-23 | 2017-06-09 | 一种图像处理方法及终端 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201611204326.1A CN106845520B (zh) | 2016-12-23 | 2016-12-23 | 一种图像处理方法及终端 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN106845520A CN106845520A (zh) | 2017-06-13 |
| CN106845520B true CN106845520B (zh) | 2018-05-18 |
Family
ID=59135092
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201611204326.1A Active CN106845520B (zh) | 2016-12-23 | 2016-12-23 | 一种图像处理方法及终端 |
Country Status (2)
| Country | Link |
|---|---|
| CN (1) | CN106845520B (zh) |
| WO (1) | WO2018113206A1 (zh) |
Families Citing this family (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107886110A (zh) * | 2017-10-23 | 2018-04-06 | 深圳云天励飞技术有限公司 | 人脸检测方法、装置及电子设备 |
| CN110969173B (zh) * | 2018-09-28 | 2023-10-24 | 杭州海康威视数字技术股份有限公司 | 目标分类方法及装置 |
| CN110991551B (zh) * | 2019-12-13 | 2023-09-15 | 北京百度网讯科技有限公司 | 样本处理方法、装置、电子设备和存储介质 |
| CN114549941B (zh) * | 2022-02-21 | 2024-06-28 | 北京百度网讯科技有限公司 | 一种模型测试方法、装置及电子设备 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103605977A (zh) * | 2013-11-05 | 2014-02-26 | 奇瑞汽车股份有限公司 | 一种车道线的提取方法及装置 |
| CN103824089A (zh) * | 2014-02-17 | 2014-05-28 | 北京旷视科技有限公司 | 一种基于级联回归的人脸3d姿态识别方法 |
| CN103902968A (zh) * | 2014-02-26 | 2014-07-02 | 中国人民解放军国防科学技术大学 | 一种基于AdaBoost分类器的行人检测模型训练方法 |
| CN105809123A (zh) * | 2016-03-04 | 2016-07-27 | 北京智慧眼科技股份有限公司 | 人脸检测方法及装置 |
Family Cites Families (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103514460B (zh) * | 2013-07-30 | 2017-02-01 | 深圳市智美达科技有限公司 | 视频监控多视角车辆检测方法和装置 |
| CN103824050B (zh) * | 2014-02-17 | 2017-03-15 | 北京旷视科技有限公司 | 一种基于级联回归的人脸关键点定位方法 |
| CN103870811B (zh) * | 2014-03-06 | 2016-03-02 | 中国人民解放军国防科学技术大学 | 一种用于视频监控的正面人脸快速判别方法 |
| CN103871077B (zh) * | 2014-03-06 | 2016-06-15 | 中国人民解放军国防科学技术大学 | 一种道路车辆监控视频中的关键帧提取方法 |
| US9195904B1 (en) * | 2014-05-08 | 2015-11-24 | Mitsubishi Electric Research Laboratories, Inc. | Method for detecting objects in stereo images |
| CN104050460B (zh) * | 2014-06-30 | 2017-08-04 | 南京理工大学 | 多特征融合的行人检测方法 |
| CN105138987B (zh) * | 2015-08-26 | 2018-05-18 | 电子科技大学 | 一种基于聚合通道特征和运动估计的车辆检测方法 |
| CN105760858A (zh) * | 2016-03-21 | 2016-07-13 | 东南大学 | 一种基于类Haar中间层滤波特征的行人检测方法及装置 |
| CN105975921B (zh) * | 2016-04-29 | 2019-06-07 | 厦门大学 | 基于局部特征共生性和偏最小二乘法的行人检测方法 |
-
2016
- 2016-12-23 CN CN201611204326.1A patent/CN106845520B/zh active Active
-
2017
- 2017-06-09 WO PCT/CN2017/087705 patent/WO2018113206A1/zh active Application Filing
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103605977A (zh) * | 2013-11-05 | 2014-02-26 | 奇瑞汽车股份有限公司 | 一种车道线的提取方法及装置 |
| CN103824089A (zh) * | 2014-02-17 | 2014-05-28 | 北京旷视科技有限公司 | 一种基于级联回归的人脸3d姿态识别方法 |
| CN103902968A (zh) * | 2014-02-26 | 2014-07-02 | 中国人民解放军国防科学技术大学 | 一种基于AdaBoost分类器的行人检测模型训练方法 |
| CN105809123A (zh) * | 2016-03-04 | 2016-07-27 | 北京智慧眼科技股份有限公司 | 人脸检测方法及装置 |
Non-Patent Citations (2)
| Title |
|---|
| 一种基于AdaBoost 的人脸检测算法;刘王胜等;《计算机工程与应用》;20160120;第52卷(第11期);第209-214页 * |
| 一种基于像素差值特征的车辆检测方法;连捷;《微型机与应用》;20160710;第35卷(第13期);第43-44页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN106845520A (zh) | 2017-06-13 |
| WO2018113206A1 (zh) | 2018-06-28 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US8750573B2 (en) | Hand gesture detection | |
| US8792722B2 (en) | Hand gesture detection | |
| US11151397B2 (en) | Liveness testing methods and apparatuses and image processing methods and apparatuses | |
| CN106650740B (zh) | 一种车牌识别方法及终端 | |
| CN106845520B (zh) | 一种图像处理方法及终端 | |
| US9008365B2 (en) | Systems and methods for pedestrian detection in images | |
| CN106650615B (zh) | 一种图像处理方法及终端 | |
| CN112052186B (zh) | 目标检测方法、装置、设备以及存储介质 | |
| CN108596944A (zh) | 一种提取运动目标的方法、装置及终端设备 | |
| KR101802500B1 (ko) | 영상 인식을 위한 학습 장치 및 그 학습 방법 | |
| CN105303163B (zh) | 一种目标检测的方法及检测装置 | |
| WO2023165616A1 (zh) | 图像模型隐蔽后门的检测方法及系统、存储介质、终端 | |
| KR20150128510A (ko) | 라이브니스 검사 방법과 장치，및 영상 처리 방법과 장치 | |
| Kruthi et al. | Offline signature verification using support vector machine | |
| KR101268520B1 (ko) | 영상 인식 장치 및 방법 | |
| Lahiani et al. | Hand pose estimation system based on Viola-Jones algorithm for android devices | |
| CN106682669A (zh) | 一种图像处理方法及移动终端 | |
| Bakheet et al. | A hybrid cascade approach for human skin segmentation | |
| CN106874835B (zh) | 一种图像处理方法及装置 | |
| CN110428402A (zh) | 图像篡改识别方法、装置、计算机设备及存储介质 | |
| Taha et al. | Moving shadow removal for multi-objects tracking in outdoor environments | |
| CN112507903B (zh) | 假脸检测方法、装置、电子设备及计算机可读存储介质 | |
| JP5924735B2 (ja) | 画像特徴抽出及び画像処理のためのシステム、方法及びプログラム | |
| CN111797922B (zh) | 文本图像分类方法及装置 | |
| Das et al. | Pedestrian detection using dense LDB descriptor combined with HOG |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |