CN107358240A - 一种通过特征模板构建特征池的物体检测方法和系统 - Google Patents
一种通过特征模板构建特征池的物体检测方法和系统 Download PDFInfo
- Publication number
- CN107358240A CN107358240A CN201710426358.4A CN201710426358A CN107358240A CN 107358240 A CN107358240 A CN 107358240A CN 201710426358 A CN201710426358 A CN 201710426358A CN 107358240 A CN107358240 A CN 107358240A
- Authority
- CN
- China
- Prior art keywords
- feature
- image
- object detection
- templates
- histogram
- 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
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
-
- 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
- G06F18/24—Classification techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/46—Descriptors for shape, contour or point-related descriptors, e.g. scale invariant feature transform [SIFT] or bags of words [BoW]; Salient regional features
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/46—Descriptors for shape, contour or point-related descriptors, e.g. scale invariant feature transform [SIFT] or bags of words [BoW]; Salient regional features
- G06V10/469—Contour-based spatial representations, e.g. vector-coding
- G06V10/473—Contour-based spatial representations, e.g. vector-coding using gradient analysis
Abstract
本发明公开了一种通过特征模板构建特征池的物体检测方法和系统,其通过对原始图像进行处理,得到灰度图、梯度幅值图、梯度直方图,并设置一种以上不同网格的特征模板,并将所述特征模板分别在所述灰度图、梯度幅值图、梯度直方图上进行移动,获取图像特征的特征池,采用adaboost算法对所述特征池中的图像特征进行训练得到最佳的物体检测特征,最后根据所述最佳的物体检测特征进行物体检测;本发明通过利用不同特征模板对不同性质图像进行提取图像特征和构建特征池,能够得到图像的更多特征,以充分挖掘图像的有用信息和可区分不同物体目标的特征,以便从所述特征池中挑选得到最佳的物体检测特征,提高检测效率和准确率。
Description
技术领域
本发明涉及图像分析技术领域,特别是一种通过特征模板构建特征池的物体检测方法及其应用该方法的系统。
背景技术
目标检测技术是图像领域中很重要的应用,在智能监控、交通卡口、人脸识别、图像检索中应用很广。除了传统的图像处理方法检测特定目标外,通过机器学习的方法训练特定目标的模型、在图像中滑动模型窗口来检测目标是至今为止非常有效的方法,尤其是针对刚性物体。
在使用机器学习方法来检测特定目标的方法中,SVM(Support Vector Machine)和Adaboost算法是图像目标检测中最常用的方法。其中,Viola和Jones提出的Haar特征+Adaboost方法具有较好的检测效果,尤其是在人脸检测方面。然而,haar特征识别方法主要适用于像人脸这种有明显的、稳定结构的haar特征的物体,而对于行人检测、车辆追踪检测等运动物体检测上效果不佳。
发明内容
本发明为解决上述问题,提供了一种通过特征模板构建特征池的物体检测方法和系统,其通过利用不同特征模板对不同性质图像进行提取图像特征和构建特征池,能够得到图像的更多特征,以充分挖掘图像的有用信息和可区分不同物体目标的特征,以便从所述特征池中挑选得到最佳的物体检测特征,提高检测效率和准确率。
为实现上述目的,本发明采用的技术方案为:
一种通过特征模板构建特征池的物体检测方法,其包括以下步骤:
(10)对原始图像进行处理,得到灰度图、梯度幅值图、梯度直方图;
(20)设置一种以上不同网格的特征模板,并将所述特征模板分别在所述灰度图、梯度幅值图、梯度直方图上进行移动,获取图像特征的特征池;
(30)采用adaboost算法对所述特征池中的图像特征进行训练得到最佳的物体检测特征;
(40)根据所述最佳的物体检测特征进行物体检测。
优选的,所述的步骤(10)中,所述梯度直方图进一步从0至360度范围平均划分为9个区间,每个区间为40度,得到9个梯度直方图。
优选的,所述的步骤(20)中,所述特征模板包括12种,根据每种特征模板的白色单元格和黑色单元格的布局得到12种图像特征值的算法,通过将12种特征模板分别在所述灰度图、梯度幅值图、梯度直方图中按预设步长进行移动,提取大量的图像特征,并计算各个图像特征对应的特征值。
优选的,所述图像特征值为所述白色单元格内的像素值之和减去所述黑色单元格内的像素值之和。
优选的,所述的步骤(30)中,是指将所述特征池中的各个图像特征的特征值与物体所在背景的特征值进行比对,并将与物体所在背景的特征值区别最大的图像特征作为最佳的物体检测特征。
优选的,所述的步骤(40)中,是指利用所述最佳的物体检测特征进行构建物体检测分类器,通过该物体检测分类器进行物体检测。
相应的,本发明还提供一种通过特征模板构建特征池的物体检测系统,其包括:
图像预处理模块,用于对原始图像进行处理,得到灰度图、梯度幅值图、梯度直方图;
特征池构建模块,其通过设置一种以上不同网格的特征模板,并将所述特征模板分别在所述灰度图、梯度幅值图、梯度直方图上进行移动,获取图像特征的特征池;
特征训练模块,其采用adaboost算法对所述特征池中的图像特征进行训练得到最佳的物体检测特征;
物体检测模块,其根据所述最佳的物体检测特征进行物体检测。
优选的,所述的特征池构建模块中,所述特征模板包括12种,根据每种特征模板的白色单元格和黑色单元格的布局得到12种图像特征值的算法,通过将12种特征模板分别在所述灰度图、梯度幅值图、梯度直方图中按预设步长进行移动,提取大量的图像特征,并计算各个图像特征对应的特征值。
优选的,所述的特征训练模块中,是指将所述特征池中的各个图像特征的特征值与物体所在背景的特征值进行比对,并将与物体所在背景的特征值区别最大的图像特征作为最佳的物体检测特征。
优选的,所述的物体检测模块中,是指利用所述最佳的物体检测特征进行构建物体检测分类器,通过该物体检测分类器进行物体检测。
本发明的有益效果是:
本发明通过利用不同特征模板对不同性质图像进行提取图像特征和构建特征池,能够得到图像的更多特征,以充分挖掘图像的有用信息和可区分不同物体目标的特征,以便从所述特征池中挑选得到最佳的物体检测特征,提高检测效率和准确率。
附图说明
此处所说明的附图用来提供对本发明的进一步理解,构成本发明的一部分,本发明的示意性实施例及其说明用于解释本发明,并不构成对本发明的不当限定。在附图中:
图1为本发明一种通过特征模板构建特征池的物体检测方法的流程简图;
图2为本发明一种通过特征模板构建特征池的物体检测系统的结构示意图;图3为一具体实施例的12种特征模板的设计示意图。
具体实施方式
为了使本发明所要解决的技术问题、技术方案及有益效果更加清楚、明白,以下结合附图及实施例对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅用以解释本发明,并不用于限定本发明。
如图1所示,本发明的一种通过特征模板构建特征池的物体检测方法,其包括以下步骤:
(10)对原始图像进行处理,得到灰度图、梯度幅值图、梯度直方图;
(20)设置一种以上不同网格的特征模板,并将所述特征模板分别在所述灰度图、梯度幅值图、梯度直方图上进行移动,获取图像特征的特征池;
(30)采用adaboost算法对所述特征池中的图像特征进行训练得到最佳的物体检测特征;
(40)根据所述最佳的物体检测特征进行物体检测。
所述的步骤(10)中,所述梯度直方图进一步从0至360度范围平均划分为9个区间,每个区间为40度,得到9个梯度直方图。即,本实施例中具有11个不同性质图像,包括:1个灰度图、1个梯度幅值图、9个梯度直方图,能够得到最优效果。实际应用中还可根据需要对所述梯度直方图在0至180度范围内进行划分区间,区间数量也可根据需要进行增减设置,不以此为限。
所述的步骤(20)中,所述特征模板包括12种,12种特征模板相当于12种不同的特征计算方式,根据每种特征模板的白色单元格和黑色单元格的布局得到12种图像特征值的算法,通过将12种特征模板分别在所述灰度图、梯度幅值图、梯度直方图中按预设步长进行移动,提取大量的图像特征,并计算各个图像特征对应的特征值。所述图像特征值为所述白色单元格内的像素值之和减去所述黑色单元格内的像素值之和,所述黑色单元格内的像素值之和可为零。;其中,所述白色单元格或黑色单元格的大小可根据训练模型大小进行调整,例如可设置为3*3或者6*6。
如图3所示,本实施例中,所述12种特征模板包括:
1.仅包括一白色单元格;
2.包括一白色单元格和一黑色单元格且二者横向布置;
3.包括一白色单元格和一黑色单元格且二者纵向布置;
4.包括四个白色单元格且两横两纵布置;
5.包括横向连续的两个白色单元格和横向连续的两个黑色单元格且二者纵向布置;
6.包括纵向连续的两个白色单元格和纵向连续的两个黑色单元格且二者横向布置;
7.包括两个白色单元格和两个黑色单元格且二者两横两纵对角布置;
8.包括横向连续的两个黑色单元格和一个白色单元格且二者横向布置;
9.包括一个白色单元格和横向连续的两个黑色单元格且二者横向布置;
10.包括横向连续的三个黑色单元格和横向连续的三个白色单元格且二者纵向布置;
11.包括两组第8种特征模板且二者纵向布置;
12.包括两组第9种特征模板且二者纵向布置。
所述的步骤(30)中,是指将所述特征池中的各个图像特征的特征值与物体所在背景的特征值进行比对,并将与物体所在背景的特征值区别最大的图像特征作为最佳的物体检测特征。
所述的步骤(40)中,是指利用所述最佳的物体检测特征进行构建物体检测分类器,通过该物体检测分类器进行物体检测。
如图2所示,与所述物体检测方法相对应的,本发明还提供一种通过特征模板构建特征池的物体检测系统,其包括:
图像预处理模块,用于对原始图像进行处理,得到灰度图、梯度幅值图、梯度直方图;
特征池构建模块,其通过设置一种以上不同网格的特征模板,并将所述特征模板分别在所述灰度图、梯度幅值图、梯度直方图上进行移动,获取图像特征的特征池;
特征训练模块,其采用adaboost算法对所述特征池中的图像特征进行训练得到最佳的物体检测特征;
物体检测模块,其根据所述最佳的物体检测特征进行物体检测。
所述的特征池构建模块中,所述特征模板包括12种,根据每种特征模板的白色单元格和黑色单元格的布局得到12种图像特征值的算法,通过将12种特征模板分别在所述灰度图、梯度幅值图、梯度直方图中按预设步长进行移动,提取大量的图像特征,并计算各个图像特征对应的特征值。
所述的特征训练模块中,是指将所述特征池中的各个图像特征的特征值与物体所在背景的特征值进行比对,并将与物体所在背景的特征值区别最大的图像特征作为最佳的物体检测特征。
所述的物体检测模块中,是指利用所述最佳的物体检测特征进行构建物体检测分类器,通过该物体检测分类器进行物体检测。
需要说明的是,本说明书中的各个实施例均采用递进的方式描述,每个实施例重点说明的都是与其他实施例的不同之处,各个实施例之间相同相似的部分互相参见即可。对于系统类实施例而言,由于其与方法实施例基本相似,所以描述的比较简单,相关之处参见方法实施例的部分说明即可。
并且,在本文中,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。另外,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。
上述说明示出并描述了本发明的优选实施例,应当理解本发明并非局限于本文所披露的形式,不应看作是对其他实施例的排除,而可用于各种其他组合、修改和环境,并能够在本文发明构想范围内,通过上述教导或相关领域的技术或知识进行改动。而本领域人员所进行的改动和变化不脱离本发明的精神和范围,则都应在本发明所附权利要求的保护范围内。
Claims (10)
1.一种通过特征模板构建特征池的物体检测方法,其特征在于,包括以下步骤:
(10)对原始图像进行处理,得到灰度图、梯度幅值图、梯度直方图;
(20)设置一种以上不同网格的特征模板,并将所述特征模板分别在所述灰度图、梯度幅值图、梯度直方图上进行移动,获取图像特征的特征池;
(30)采用adaboost算法对所述特征池中的图像特征进行训练得到最佳的物体检测特征;
(40)根据所述最佳的物体检测特征进行物体检测。
2.根据权利要求1所述的一种通过特征模板构建特征池的物体检测方法,其特征在于:所述的步骤(10)中,所述梯度直方图进一步从0至360度范围平均划分为9个区间,每个区间为40度,得到9个梯度直方图。
3.根据权利要求1或2所述的一种通过特征模板构建特征池的物体检测方法,其特征在于:所述的步骤(20)中,所述特征模板包括12种,根据每种特征模板的白色单元格和黑色单元格的布局得到12种图像特征值的算法,通过将12种特征模板分别在所述灰度图、梯度幅值图、梯度直方图中按预设步长进行移动,提取大量的图像特征,并计算各个图像特征对应的特征值。
4.根据权利要求3所述的一种通过特征模板构建特征池的物体检测方法,其特征在于:所述图像特征值为所述白色单元格内的像素值之和减去所述黑色单元格内的像素值之和。
5.根据权利要求1所述的一种通过特征模板构建特征池的物体检测方法,其特征在于:所述的步骤(30)中,是指将所述特征池中的各个图像特征的特征值与物体所在背景的特征值进行比对,并将与物体所在背景的特征值区别最大的图像特征作为最佳的物体检测特征。
6.根据权利要求1所述的一种通过特征模板构建特征池的物体检测方法,其特征在于:所述的步骤(40)中,是指利用所述最佳的物体检测特征进行构建物体检测分类器,通过该物体检测分类器进行物体检测。
7.一种通过特征模板构建特征池的物体检测系统,其特征在于,包括:
图像预处理模块,用于对原始图像进行处理,得到灰度图、梯度幅值图、梯度直方图;
特征池构建模块,其通过设置一种以上不同网格的特征模板,并将所述特征模板分别在所述灰度图、梯度幅值图、梯度直方图上进行移动,获取图像特征的特征池;
特征训练模块,其采用adaboost算法对所述特征池中的图像特征进行训练得到最佳的物体检测特征;
物体检测模块,其根据所述最佳的物体检测特征进行物体检测。
8.根据权利要求7所述的一种通过特征模板构建特征池的物体检测系统,其特征在于:所述的特征池构建模块中,所述特征模板包括12种,根据每种特征模板的白色单元格和黑色单元格的布局得到12种图像特征值的算法,通过将12种特征模板分别在所述灰度图、梯度幅值图、梯度直方图中按预设步长进行移动,提取大量的图像特征,并计算各个图像特征对应的特征值。
9.根据权利要求7所述的一种通过特征模板构建特征池的物体检测系统,其特征在于:所述的特征训练模块中,是指将所述特征池中的各个图像特征的特征值与物体所在背景的特征值进行比对,并将与物体所在背景的特征值区别最大的图像特征作为最佳的物体检测特征。
10.根据权利要求7所述的一种通过特征模板构建特征池的物体检测系统,其特征在于:所述的物体检测模块中,是指利用所述最佳的物体检测特征进行构建物体检测分类器,通过该物体检测分类器进行物体检测。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710426358.4A CN107358240A (zh) | 2017-06-08 | 2017-06-08 | 一种通过特征模板构建特征池的物体检测方法和系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710426358.4A CN107358240A (zh) | 2017-06-08 | 2017-06-08 | 一种通过特征模板构建特征池的物体检测方法和系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN107358240A true CN107358240A (zh) | 2017-11-17 |
Family
ID=60273670
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710426358.4A Pending CN107358240A (zh) | 2017-06-08 | 2017-06-08 | 一种通过特征模板构建特征池的物体检测方法和系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107358240A (zh) |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102663363A (zh) * | 2012-04-09 | 2012-09-12 | 中国科学院光电技术研究所 | 一种单帧图像中的人体检测方法 |
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 |
CN103778431A (zh) * | 2013-12-30 | 2014-05-07 | 温州医科大学 | 基于二维格子复杂性度量的医学图像特征提取和识别系统 |
-
2017
- 2017-06-08 CN CN201710426358.4A patent/CN107358240A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102663363A (zh) * | 2012-04-09 | 2012-09-12 | 中国科学院光电技术研究所 | 一种单帧图像中的人体检测方法 |
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 |
CN103778431A (zh) * | 2013-12-30 | 2014-05-07 | 温州医科大学 | 基于二维格子复杂性度量的医学图像特征提取和识别系统 |
Non-Patent Citations (1)
Title |
---|
查宇飞等: "视频目标跟踪方法", 《国防工业出版社》 * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106446930B (zh) | 基于深层卷积神经网络的机器人工作场景识别方法 | |
CN103886308B (zh) | 一种使用聚合通道特征和软级联分类器的行人检测方法 | |
CN107945153A (zh) | 一种基于深度学习的路面裂缝检测方法 | |
Nie et al. | Pavement distress detection based on transfer learning | |
CN103218831B (zh) | 一种基于轮廓约束的视频运动目标分类识别方法 | |
CN106529448A (zh) | 利用聚合通道特征进行多视角人脸检测的方法 | |
CN103049733B (zh) | 人脸检测方法和人脸检测设备 | |
CN107169953A (zh) | 基于hog特征的桥梁混凝土表面裂缝检测方法 | |
CN103605977A (zh) | 一种车道线的提取方法及装置 | |
CN103632170A (zh) | 基于特征组合的行人检测方法及装置 | |
CN103310194A (zh) | 视频中基于头顶像素点梯度方向的行人头肩部检测方法 | |
CN104156731A (zh) | 基于人工神经网络的车牌识别系统与方法 | |
CN104978567A (zh) | 基于场景分类的车辆检测方法 | |
CN103093212A (zh) | 基于人脸检测和跟踪截取人脸图像的方法和装置 | |
CN103048329A (zh) | 一种基于主动轮廓模型的路面裂缝检测方法 | |
CN110659550A (zh) | 交通标志牌识别方法、装置、计算机设备和存储介质 | |
CN102855758A (zh) | 一种违章车辆检测方法 | |
CN105868734A (zh) | 基于bow图像表征模型的输电线路大型施工车辆识别方法 | |
CN104915642B (zh) | 前方车辆测距方法及装置 | |
CN103745197B (zh) | 一种车牌检测方法及装置 | |
CN106845458B (zh) | 一种基于核超限学习机的快速交通标识检测方法 | |
Masita et al. | Pedestrian detection using R-CNN object detector | |
CN106485273A (zh) | 一种基于hog特征与dnn分类器的人脸检测方法 | |
CN106940791A (zh) | 一种基于低维方向梯度直方图的行人检测方法 | |
Mammeri et al. | North-American speed limit sign detection and recognition for smart cars |
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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20171117 |