CN107403192B - 一种基于多分类器的快速目标检测方法及系统 - Google Patents
一种基于多分类器的快速目标检测方法及系统 Download PDFInfo
- Publication number
- CN107403192B CN107403192B CN201710586104.9A CN201710586104A CN107403192B CN 107403192 B CN107403192 B CN 107403192B CN 201710586104 A CN201710586104 A CN 201710586104A CN 107403192 B CN107403192 B CN 107403192B
- Authority
- CN
- China
- Prior art keywords
- image
- detection
- module
- classifier
- target
- 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
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
-
- 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
Abstract
本发明公开了一种基于多分类器的快速目标检测方法,包括训练步骤和检测步骤,具体如下:所述训练步骤包括:采集不同光照背景下的正样本图像及负样本图像;对正样本图像进行标定,对负样本图像进行过滤;使用正负样本训练多个不同尺度的分类器;所述检测步骤包括:将输入的原始图像进行光照平衡、去噪等预处理;计算图片特征,用训练好的不同尺度分类器依次检测图像;查找检测结果可能存在的重叠窗口,合并重叠窗口,并计算平均窗口;输出检测结果及目标元数据。本发明还公开了一种基于多分类器的快速目标检测系统。本技术方案在保持图像检测精度不变的情况下,大大提高了检测速度。使检测算法的适用范围更广。
Description
技术领域
本发明涉及一种快速目标检测方法及系统,尤其涉及一种基于多分类器的快速目标检测方法及系统,属于计算机处理方法技术领域。
背景技术
计算机视觉技术的发展已经历了一个较为漫长的旅程。检测算法是其中最关键的一个环节。无论是人脸、行人、手掌,只有先定位到了目标物体,才能对目标物体做更进一步的跟踪和分析。随着人工智能的大幅度发展,各种视觉技术也步入人们的日常生活,比如人脸考勤、人脸门禁等,作为前驱首先进入了人们的视线。手势识别,实现对家电的控制。行人跟踪,用于安防监控领域。然而这些技术的实现,都需要检测算法的参与,而且都对实时检测有严格的要求。因此,检测速度就变得尤为重要,尤其是随着对嵌入式视觉算法的需求越来越大,在检测精度提高的同时,速度越来越受到青睐。
传统的基于特征检测算法的一般流程是:按比例逐层缩小待检测图像,形成“图像金字塔”,在“金字塔”中穷举待检测子窗口,把各个待检测子窗口特征作为分类器的输入,得到检测结果。传统方法的特点是检测窗口大小固定,图像不断的被缩小。因此,其缺点在于如果待检测图像较大,缩小图像的变换需要占用大量时间,减慢检测速度。
发明内容
本发明旨在解决现有技术的不足,保持检测精度不变的前提下,提高检测速度,特别创新地提出了一种基于多分类器的快速目标检测方法及系统。
本发明的整体技术原理概述如下:
训练多尺度分类器,保持待检测图像的大小不变,逐层等比例放大分类器的检测窗口,用各层窗口遍历整张待检测图像。检测结果中可能存在重叠窗口,再依次合并重叠窗口。这样就在保持检测精度不变的情况下,提高了检测速度。
本发明的目的之一,在于提供一种能提高检测速度的基于多分类器的快速目标检测方法。
本发明是这样实现的:
基于多分类器的快速目标检测方法,包括训练步骤和检测步骤,具体如下:
所述训练步骤包括:
采集不同光照背景下的正样本图像(即目标样本)及负样本图像;
对正样本图像进行标定,对负样本图像进行过滤;
使用正负样本训练多个不同尺度的分类器;
所述检测步骤包括:
将输入的原始图像进行光照平衡、去噪等预处理;
计算图像特征,用训练好的不同尺度分类器依次检测图像;
查找检测结果可能存在的重叠窗口,合并重叠窗口,并计算平均窗口;
输出检测结果及目标元数据。
更进一步的方案是:
所述的对正样本图像进行标定,包括手动标定和自动标定两种方法,具体步骤为:用已有的分类器检测正样本图像,自动得到正样本的坐标或正样本图片框;对未能检测到的正样本图像进行人工手动标定或者裁剪。
更进一步的方案是:
所述的对负样本图像进行过滤,包括自动过滤和人工过滤两种方法。
所述的自动过滤,具体步骤为:将检测阈值设置宽松,用已有的分类器对图像进行检测;将检测到的图像及目标框图像分别保存;将包含目标的图像去除;将误检的目标框图像加入到负样本中。
更进一步的方案是:
使用正负样本训练多个不同尺度的分类器,分类器的尺度要等比例设置。
也就是说,不同尺度的分类器之间的尺度比例是相同的,例如第一个分类器的尺度为2,第二个分类器的尺度为4,第三个分类器的尺度则为8,第四个就应该为16,依次类推。
更进一步的方案是:
计算图像特征,用训练好的不同尺度分类器依次检测图像,保持待检测图像尺寸不变,用多尺度分类器窗口依次扫描图像检测目标。
更进一步的方案是:
所述的查找检测结果可能存在的重叠窗口,合并重叠窗口,并计算平均窗口,根据窗口重合程度及权重对检测窗口进行判断。
窗口重合程度需大于0.75才做合并。
本发明的另一个目的在于提供一种基于多分类器的快速目标检测系统,主要包括相连的训练模块和检测模块,所述训练模块包括顺序相连的样本采集模块、样本标定模块和分类器训练模块,所述样本采集模块,用于采集正样本图像和负样本图像;样本标定模块,用于对正样本图像进行标定,对负样本图像进行过滤;分类器训练模块,用于对采集的正负样本进行训练,得到不同尺度的分类器;所述检测模块包括顺序相连的预处理模块、目标检测模块、合并模块、输出模块,所述预处理模块,用于对输入的原始图像进行光照、去噪等操作,提升图像质量;目标检测模块,计算预处理后图像特征,用不同尺度分类器对图像依次进行检测;合并模块,用于寻找重叠窗口,并对重叠窗口进行合并;输出模块,用于输出检测结果及目标元数据。
更进一步的方案是:
所述正样本图像和负样本图像的格式,为视频格式或是图像序列。
本发明具有如下突出的有益效果:
将传统的缩小图像,形成“图像金字塔”,用单一分类器去检测的方法改为图像大小不变,用多个不同尺度的分类器来检测图像。这样做节约了图像缩放所耗费的时间。由于分类器也是按照比例设置尺度的,因此并不会出现检测窗口比例不全而对检测结果造成影响。
本技术方案在保持图像检测精度不变的情况下,大大提高了检测速度。使检测算法的适用范围更广。尤其适用于对检测速度要求严格的实时检测或者嵌入式平台上。
附图说明
图1为本发明中方法流程图。
图2为本发明中的快速检测原理图。
图3为本发明中的系统方框图。
具体实施方式
下面结合实施例与附图,对本发明的技术方案进行清楚、完整的描述,显然,所描述的实施例仅仅是本发明的一部分实施例,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做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。
实施例1
参照图1,在本发明实施例中,一种快速目标检测方法,包括如下步骤:
步骤101、采集不同光照背景下的正样本图像(即目标样本)及负样本图像;
所述正样本图像是指包含检测目标的不同光照条件或不同背景的图像;
所述负样本图像是指不包含目标样本却是目标样本经常出现的背景图像;
步骤102、对正样本图像进行标定,对负样本图像进行过滤;
这一步骤包括,对图像中的正样本进行标定或者裁剪,并将正样本尺寸归一化,对负样本进行人工筛选或者用已有算法过滤,剔除含有正样本的图像;
步骤103、使用正负样本训练多个不同尺度的分类器;
这一步骤包括,计算分类器的尺度及个数,制作训练所需的正负样本列表,计算样本特征,训练分类器;
步骤104、将输入的原始图像进行光照平衡、去噪等预处理;
这一步骤包括,对输入图像进行直方图均衡、滤波等操作;
步骤105、如图2所示,计算图像特征,用训练好的不同尺度分类器依次检测图片;
所述图像特征包括但不限于HAAR、HOG等纹理特征或边缘特征,保持图像尺寸不变,改变分类器的检测窗口,从而实现对目标的检测,参见图2;
步骤106、查找检测结果可能存在的重叠窗口,合并重叠窗口,并计算平均窗口;
所述重叠窗口是指不同尺度的分类器检测出的目标框存在重叠的情况;
步骤107、输出检测结果及目标元数据。
其中,步骤101、102、103属于训练步骤,步骤104、105、106、107属于检测步骤。
实施例2
参照图3,在本发明实施例中,一种快速目标检测系统,包括:
样本采集模块,用于采集正样本,搜集负样本;
样本标定模块,用于对正样本进行标定,对负样本进行过滤;
分类器训练模块,用于对采集的正负样本进行训练,得到不同尺度的分类器;
预处理模块,用于对输入的原始图像进行光照、去噪等操作,提升图像质量;
目标检测模块,计算预处理后图像特征,用不同尺度分类器对图像依次进行检测;
合并模块,用于寻找重叠窗口,并对重叠窗口进行合并;
输出模块,用于输出检测结果及目标元数据。
其中,样本采集模块,样本标定模块及分类器训练模块属于训练部分,预处理模块,目标检测模块,合并模块及输出模块属于检测部分。
本领域普通技术人员可以理解,实现上述实施例方法中的全部或部分流程是可以通过程序指令以及相关的硬件来完成,所述的程序可以存储于计算机可读取存储介质中,该程序在执行时,可包括如上各方法的实施例的流程。其中,所述的存储介质可为磁碟、光盘、只读存储记忆体(Read Only Memory,ROM)或随机存储记忆体(Random Access Memory,RAM)等。
尽管这里参照本发明的解释性实施例对本发明进行了描述,上述实施例仅为本发明较佳的实施方式,本发明的实施方式并不受上述实施例的限制,应该理解,本领域技术人员可以设计出很多其他的修改和实施方式,这些修改和实施方式将落在本申请公开的原则范围和精神之内。
Claims (8)
1.一种基于多分类器的快速目标检测方法,其特征在于包括训练步骤和检测步骤,具体如下:
所述训练步骤包括:
采集不同光照背景下的正样本图像及负样本图像;
对正样本图像进行标定,对负样本图像进行过滤;所述的对正样本图像进行标定,包括手动标定和自动标定两种方法,具体步骤为:用已有的分类器检测正样本图像,自动得到正样本的坐标或正样本图片框;对未能检测到的正样本图像进行人工手动标定或者裁剪;
使用正负样本训练多个不同尺度的分类器;分类器的尺度等比例设置;
所述检测步骤包括:
将输入的原始图像进行光照平衡、去噪的预处理;
计算图像特征,用训练好的不同尺度分类器依次检测图像;
所述图像特征包括纹理特征、边缘特征,保持图像尺寸不变,改变分类器的检测窗口,从而实现对目标的检测;
查找检测结果可能存在的重叠窗口,合并重叠窗口,并计算平均窗口;
输出检测结果及目标元数据。
2.根据权利要求1所述基于多分类器的快速目标检测方法,其特征在于:
所述的对负样本图像进行过滤,包括自动过滤和人工过滤两种方法。
3.根据权利要求2所述基于多分类器的快速目标检测方法,其特征在于:
所述的自动过滤,具体步骤为:将检测阈值设置宽松,用已有的分类器对图像进行检测;将检测到的图像及目标框图像分别保存;将包含目标的图像去除;将误检的目标框图像加入到负样本中。
4.根据权利要求1所述基于多分类器的快速目标检测方法,其特征在于:
所述的计算图像特征,用训练好的不同尺度分类器依次检测图像,是保持待检测图像尺寸不变,用多尺度分类器窗口依次扫描图像检测目标。
5.根据权利要求1所述基于多分类器的快速目标检测方法,其特征在于:
所述的查找检测结果可能存在的重叠窗口,合并重叠窗口,并计算平均窗口,是根据窗口重合程度及权重对检测窗口进行判断。
6.根据权利要求5所述基于多分类器的快速目标检测方法,其特征在于:
所述窗口重合程度需大于0.75才做合并。
7.运用权利要求1所述基于多分类器的快速目标检测方法的快速目标检测系统,其特征在于:包括相连的训练模块和检测模块,所述训练模块包括顺序相连的样本采集模块、样本标定模块和分类器训练模块,所述样本采集模块,用于采集正样本图像和负样本图像;样本标定模块,用于对正样本图像进行标定,对负样本图像进行过滤;分类器训练模块,用于对采集的正负样本进行训练,得到不同尺度的分类器;所述检测模块包括顺序相连的预处理模块、目标检测模块、合并模块、输出模块,所述预处理模块,用于对输入的原始图像进行光照、去噪的操作,提升图像质量;目标检测模块,计算预处理后图像特征,用不同尺度分类器对图像依次进行检测;合并模块,用于寻找重叠窗口,并对重叠窗口进行合并;输出模块,用于输出检测结果及目标元数据。
8.根据权利要求7所述快速目标检测系统,其特征在于:
所述正样本图像和负样本图像的格式,为视频格式或是图像序列。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710586104.9A CN107403192B (zh) | 2017-07-18 | 2017-07-18 | 一种基于多分类器的快速目标检测方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710586104.9A CN107403192B (zh) | 2017-07-18 | 2017-07-18 | 一种基于多分类器的快速目标检测方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107403192A CN107403192A (zh) | 2017-11-28 |
CN107403192B true CN107403192B (zh) | 2020-09-29 |
Family
ID=60401784
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710586104.9A Active CN107403192B (zh) | 2017-07-18 | 2017-07-18 | 一种基于多分类器的快速目标检测方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107403192B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109304306B (zh) * | 2018-09-19 | 2020-08-11 | 广东省智能制造研究所 | 生产线物体分拣方法、系统和物体分拣系统 |
CN111460909A (zh) * | 2020-03-09 | 2020-07-28 | 兰剑智能科技股份有限公司 | 基于视觉的货位管理方法和装置 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103914706A (zh) * | 2014-03-31 | 2014-07-09 | 深圳市智美达科技有限公司 | 基于分类器的目标检测方法及装置 |
CN104850818A (zh) * | 2014-02-17 | 2015-08-19 | 华为技术有限公司 | 人脸检测器训练方法、人脸检测方法及装置 |
CN105404901A (zh) * | 2015-12-24 | 2016-03-16 | 上海玮舟微电子科技有限公司 | 分类器的训练方法、图像检测方法及各自系统 |
CN106295636A (zh) * | 2016-07-21 | 2017-01-04 | 重庆大学 | 基于多特征融合级联分类器的消防通道车辆检测方法 |
Family Cites Families (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101398893B (zh) * | 2008-10-10 | 2010-09-01 | 北京科技大学 | 一种改进AdaBoost算法的鲁棒人耳检测方法 |
US20110293173A1 (en) * | 2010-05-25 | 2011-12-01 | Porikli Fatih M | Object Detection Using Combinations of Relational Features in Images |
CN104036284A (zh) * | 2014-05-12 | 2014-09-10 | 沈阳航空航天大学 | 基于Adaboost算法的多尺度行人检测方法 |
CN104182729B (zh) * | 2014-07-31 | 2017-08-29 | 四川长虹电器股份有限公司 | 基于arm嵌入式平台的行人检测方法 |
CN104778474B (zh) * | 2015-03-23 | 2019-06-07 | 四川九洲电器集团有限责任公司 | 一种用于目标检测的分类器构建方法及目标检测方法 |
CN104850844B (zh) * | 2015-05-27 | 2019-02-26 | 成都新舟锐视科技有限公司 | 一种基于快速构建图像特征金字塔的行人检测方法 |
CN105069477B (zh) * | 2015-08-13 | 2018-06-19 | 天津津航技术物理研究所 | AdaBoost级联分类器检测图像目标的方法 |
US20170124409A1 (en) * | 2015-11-04 | 2017-05-04 | Nec Laboratories America, Inc. | Cascaded neural network with scale dependent pooling for object detection |
CN106803080B (zh) * | 2017-01-24 | 2019-12-31 | 北京理工大学 | 一种基于形状玻尔兹曼机的补全式行人检测方法 |
-
2017
- 2017-07-18 CN CN201710586104.9A patent/CN107403192B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104850818A (zh) * | 2014-02-17 | 2015-08-19 | 华为技术有限公司 | 人脸检测器训练方法、人脸检测方法及装置 |
CN103914706A (zh) * | 2014-03-31 | 2014-07-09 | 深圳市智美达科技有限公司 | 基于分类器的目标检测方法及装置 |
CN105404901A (zh) * | 2015-12-24 | 2016-03-16 | 上海玮舟微电子科技有限公司 | 分类器的训练方法、图像检测方法及各自系统 |
CN106295636A (zh) * | 2016-07-21 | 2017-01-04 | 重庆大学 | 基于多特征融合级联分类器的消防通道车辆检测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN107403192A (zh) | 2017-11-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108710865B (zh) | 一种基于神经网络的司机异常行为检测方法 | |
CN108446617B (zh) | 抗侧脸干扰的人脸快速检测方法 | |
CN108388885B (zh) | 面向大型直播场景的多人特写实时识别与自动截图方法 | |
CN105678213B (zh) | 基于视频特征统计的双模式蒙面人事件自动检测方法 | |
CN110543857A (zh) | 基于图像分析的违禁物识别方法、装置、系统和存储介质 | |
CN109918971B (zh) | 监控视频中人数检测方法及装置 | |
CN107563985B (zh) | 一种红外图像空中运动目标的检测方法 | |
EP3282387A1 (en) | Fire detection method, fire detection apparatus and electronic equipment | |
CN103530648A (zh) | 一种基于多帧图像的人脸识别方法 | |
CN111191535B (zh) | 基于深度学习的行人检测模型构建方法及行人检测方法 | |
CN110096945B (zh) | 基于机器学习的室内监控视频关键帧实时提取方法 | |
CN111275040A (zh) | 定位方法及装置、电子设备、计算机可读存储介质 | |
Su et al. | A new local-main-gradient-orientation HOG and contour differences based algorithm for object classification | |
CN107564041B (zh) | 一种可见光图像空中运动目标的检测方法 | |
CN112419261A (zh) | 具有异常点去除功能的视觉采集方法及装置 | |
CN113781421A (zh) | 基于水下的目标识别方法、装置及系统 | |
CN107403192B (zh) | 一种基于多分类器的快速目标检测方法及系统 | |
CN108563997B (zh) | 一种建立人脸检测模型、人脸识别的方法和装置 | |
CN109165592B (zh) | 一种基于pico算法的实时可旋转的人脸检测方法 | |
CN113486712B (zh) | 一种基于深度学习的多人脸识别方法、系统和介质 | |
CN108009480A (zh) | 一种基于特征识别的图像人体行为检测方法 | |
CN108985216B (zh) | 一种基于多元logistic回归特征融合的行人头部检测方法 | |
CN108960181B (zh) | 基于多尺度分块lbp和隐马尔科夫模型的黑烟车检测方法 | |
CN116363535A (zh) | 基于卷积神经网络的无人机航拍影像中的船舶检测方法 | |
US20220405527A1 (en) | Target Detection Methods, Apparatuses, Electronic Devices and Computer-Readable Storage Media |
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 |