CN107545270A - 一种目标检测方法及系统 - Google Patents
一种目标检测方法及系统 Download PDFInfo
- Publication number
- CN107545270A CN107545270A CN201710854585.7A CN201710854585A CN107545270A CN 107545270 A CN107545270 A CN 107545270A CN 201710854585 A CN201710854585 A CN 201710854585A CN 107545270 A CN107545270 A CN 107545270A
- Authority
- CN
- China
- Prior art keywords
- image
- detected
- illumination
- target
- local sensitivity
- 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
Landscapes
- Image Analysis (AREA)
Abstract
本发明公开了一种目标检测方法及系统,该方法包括:获取待检测图像,确定待检测图像中的待检测目标;对待检测图像进行预处理,得到光照与旋转不变特征;将光照与旋转不变特征输入至与待检测目标对应的目标检测分类器进行目标检测。本发明通过局部敏感直方图提取光照不变特征,可以有效减少光照对目标检测的影响,一定程度上提高了检测率;然后基于傅里叶HOG算法提取旋转不变特征,得到光照与旋转不变特征,解决了存在目标多姿态条件下检测准确率下降的问题,具有很好的鲁棒性,减少光照与姿态对目标检测的影响,提高了目标检测正确率,扩大检测器检测范围。
Description
技术领域
本发明涉及视频及图像处理技术领域,特别是涉及一种目标检测方法及系统。
背景技术
基于图像和视频序列的行人检测是目标检测的一个重要研究热点,主要是通过图像处理和模式识别从图像数据中检测出行人,它在智能视频监控、安全辅助驾驶、人工智能以及智能交通中都有着重要的应用。其中,基于机器学习算法的行人检测方法,即先提取行人特征,然后使用机器学习算法进行训练与分类,由于其检测效果较好,得到了广泛的应用。
但是,目标检测过程中面临的一个难题就是光照变化对目标外观的影响。研究发现,同一个目标在姿态相同却处于不同光照环境时,不能被唯一的识别为同一个目标。为了解决这个问题,大量的基于光照不变性特征的方法被提出,然而大多数算法在提高准确度的同时增加了计算时间。另外,目标检测中的目标姿态变化也是检测过程中的一大挑战,现有算法如DPM(英文全称:Deformable Parts Model,中文全称:可变形部件模型)在公开数据集上达到了很好的检测效果,但是仅是对目标处于标准姿态情况下的目标检测,没有考虑特殊情况如俯拍下目标存在旋转的情况,而且DPM是基于HOG(英文全称:Histograms ofOriented Gradients,中文全称:梯度直方图)原理进行检测的,由于HOG不具备旋转不变性,因此,在目标检测领域尚缺少有效处理目标旋转问题的方法。
发明内容
本发明提出一种目标检测方法及系统,在不同光照条件,如强光、阴影条件,以及多种目标姿态条件下的目标检测方法,目的在于解决由于光照以及图像采集设备如监控摄像头造成的目标多姿态检测,减少光照与姿态对目标检测的影响,提高目标检测正确率,扩大检测器检测范围。
为达到上述目的,本发明提供了以下技术方案:
一种目标检测方法,预先对样本图像进行训练,得到目标检测分类器,该方法包括:
获取所述待检测图像,确定所述待检测图像中的待检测目标;
对所述待检测图像进行预处理,得到光照与旋转不变特征;
将所述光照与旋转不变特征输入至与所述待检测目标对应的所述目标检测分类器进行目标检测。
优选的,所述对所述待检测图像进行预处理,得到光照与旋转不变特征,包括:
通过局部敏感直方图提取所述待检测图像的光照不变特征,得到所述待检测图像中不因光照强度变化的局部敏感图像;
通过计算在傅里叶空间中的梯度直方图特征,提取所述局部敏感图像的所述光照与旋转不变特征。
优选的,所述通过局部敏感直方图提取所述待检测图像的光照不变特征,得到所述待检测图像中不因光照强度变化的局部敏感图像,包括:
设置参数α和灰度级个数B,根据局部敏感直方图计算公式进行计算,得到所述待检测图像的局部敏感直方图;
对所述待检测图像的局部敏感直方图进行归一化计算,得到最终的局部敏感直方图;
设置常数K=0.1,根据所述最终的局部敏感直方图计算得到所述光照不变特征;
提取所述待检测图像中不因光照强度变化的所述局部敏感图像。
优选的,所述通过计算在傅里叶空间中的梯度直方图特征,提取所述局部敏感图像的所述光照与旋转不变特征,包括:
使用梯度函数计算所述局部敏感图像的图像梯度D,并将所述梯度映射到傅里叶空间;
根据空间聚集的卷积核函数K1和局部归一化的卷积核函数K2计算得到傅里叶HOG场
将所述傅里叶HOG场与基函数进行卷积运算,得到所述光照与旋转不变特征。
优选的,所述预先对样本图像进行训练,得到目标检测分类器,包括:
获取多个样本图像,确定所述多个样本图像中的训练目标;
提取多个所述样本图像的光照和旋转不变特征;
选取多个所述样本图像中包含目标的图像块作为正样本,不包含目标的图像块作为负样本;
将所述图像块进行归一化,得到统一像素大小的训练集数据;
使用线性支持向量机对所述训练集数据进行训练,得到所述目标检测分类器。
一种目标检测系统,包括:训练模块,用于预先对样本图像进行训练,得到目标检测分类器,该系统还包括:
获取模块,用于获取所述待检测图像,确定所述待检测图像中的待检测目标;
预处理模块,用于对所述待检测图像进行预处理,得到光照与旋转不变特征;
检测模块,用于将所述光照与旋转不变特征输入至与所述待检测目标对应的所述目标检测分类器进行目标检测。
优选的,所述预处理模块包括:
第一提取单元,用于通过局部敏感直方图提取所述待检测图像的光照不变特征,得到所述待检测图像中不因光照强度变化的局部敏感图像;
第二提取单元,用于通过计算在傅里叶空间中的梯度直方图特征,提取所述局部敏感图像的所述光照与旋转不变特征。
优选的,所述第一提取单元包括:
第一计算单元,用于设置参数α和灰度级个数B,根据局部敏感直方图计算公式进行计算,得到所述待检测图像的局部敏感直方图;
第二计算单元,用于对所述待检测图像的局部敏感直方图进行归一化计算,得到最终的局部敏感直方图;
第三计算单元,用于设置常数K=0.1,根据所述最终的局部敏感直方图计算得到所述光照不变特征;
第一提取子单元,用于提取所述待检测图像中不因光照强度变化的所述局部敏感图像。
优选的,所述第二提取单元包括:
第四计算单元,用于使用梯度函数计算所述局部敏感图像的图像梯度D,并将所述梯度映射到傅里叶空间;
第五计算单元,用于根据空间聚集的卷积核函数K1和局部归一化的卷积核函数K2计算得到傅里叶HOG场
第六计算单元,用于将所述傅里叶HOG场与基函数进行卷积运算,得到所述光照与旋转不变特征。
优选的,所述训练模块包括:
获取单元,用于获取多个样本图像,确定所述多个样本图像中的训练目标;
提取单元,用于提取多个所述样本图像的光照和旋转不变特征;
选取单元,用于选取多个所述样本图像中包含目标的图像块作为正样本,不包含目标的图像块作为负样本;
处理单元,用于将所述图像块进行归一化处理,得到统一像素大小的训练集数据;
训练单元,用于使用线性支持向量机对所述训练集数据进行训练,得到所述目标检测分类器。
经由上述的技术方案可知,与现有技术相比,本发明公开了一种目标检测方法,包括:预先对样本图像进行训练,得到目标检测分类器,该方法还包括:获取待检测图像,确定待检测图像中的待检测目标;对待检测图像进行预处理,得到光照与旋转不变特征;将光照与旋转不变特征输入至与待检测目标对应的目标检测分类器进行目标检测。本发明通过计算局部敏感直方图提取光照不变特征,可以有效减少光照对目标检测的影响,一定程度上提高了检测率;然后基于傅里叶HOG算法提取旋转不变特征,得到光照与旋转不变特征,然后通过线性向量机进行训练,得到目标检测分类器进行目标检测,解决了存在目标多姿态条件下检测准确率下降的问题,具有很好的鲁棒性,减少光照与姿态对目标检测的影响,提高了目标检测正确率,扩大检测器检测范围。本发明还公开了一种目标检测系统。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,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,还可以根据提供的附图获得其他的附图。
图1为本发明实施例提供的一种目标检测方法流程示意图;
图2为本发明实施例提供的目标检测分类器的训练流程示意图;
图3为本发明实施例提供的S102的具体流程示意图;
图4为本发明实施例提供的提取光照不变特征的方法流程示意图;
图5为本发明实施例提供的提取光照与旋转不变特征的方法流程示意图;
图6为本发明实施例提供的一种目标检测系统结构示意图;
图7为本发明实施例提供的另一种目标检测系统结构示意图;
图8为本发明实施例提供的另一种目标检测系统结构示意图;
图9为本发明实施例提供的另一种目标检测系统结构示意图。
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,所描述的实施例仅仅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。
请参阅附图1,图1为本发明实施例提供的一种目标检测方法流程示意图。如图1所示,本发明实施例公开了一种目标检测方法,该方法包括:S100、预先对样本图像进行训练,得到目标检测分类器,该方法还包括:
S101、获取待检测图像,确定待检测图像中的待检测目标。
本实施例中,需要说明的是,若在进行待检测图像的检测之前已经进行了目标检测分类器的训练,则直接根据待检测图像中的待检测目标进行匹配对应的目标检测分类器进行检测即可,若在进行待检测图像的检测之前未进行目标检测分类器的训练,则需要先进行目标检测分类器的训练,请参阅附图2,图2为本发明实施例提供的目标检测分类器的训练流程示意图。如图2所示,具体目标检测分类器的训练过程可以包括:
S201、获取多个样本图像,确定多个样本图像中的训练目标;
S202、提取多个样本图像的光照和旋转不变特征;
S203、选取多个样本图像中包含目标的图像块作为正样本,不包含目标的图像块作为负样本;
S204、将所有图像块进行归一化,得到统一像素大小的训练集数据;
S205、使用LIBLINEAR库提供的SVM(英文全称:Support Vector Machine,中文全称:线性支持向量机)对训练集数据进行训练,得到目标检测分类器。
需要说明的是,在进行目标检测分类器训练过程中,样本图像至少为一张图片,该图片中包含正样本和负样本,采用5折交叉验证,训练后得到目标检测分类器。例如,可以将某张图片中的行人作为正样本,将非行人的背景或其他物体作为负样本。
S102、对待检测图像进行预处理,得到光照与旋转不变特征。
需要说明的是,请参阅附图3,图3为本发明实施例提供的S102的具体流程示意图。如图3所示,对待检测图像进行预处理,得到光照与旋转不变特征,具体包括:
S301、通过局部敏感直方图提取待检测图像的光照不变特征,得到待检测图像中不因光照强度变化的局部敏感图像;
局部敏感直方图不同于传统直方图,是直接在每一个像素点处计算灰度,因此能较好的滤除较远处像素的光照强度影响。通过局部敏感直方图提取光照不变性特征,将光照较强的区域降低亮度,较暗的区域增强亮度,从而得到图像中不因光照强度变化的部分。而且因为该算法复杂度为O(NB),(N为像素数,B为灰度级数),有利于满足实时性要求。
S302、通过计算在傅里叶空间中的梯度直方图特征,提取局部敏感图像的光照与旋转不变特征。
图像在2D空间的旋转变化在傅里叶空间中表示为简单的平移操作,因此通过计算在傅里叶空间中的HOG特征,可以得到光照与旋转不变性特征。
需要说明的是,本发明在不同光照条件,如强光、阴影条件,以及多种行人姿态条件下的行人检测算法,目的是解决因为光照以及图像采集设备如监控摄像头造成的行人多姿态检测,减少光照与姿态对行人检测的影响,提高行人检测正确率,扩大检测器检测范围。
S103、将光照与旋转不变特征输入至与待检测目标对应的目标检测分类器进行目标检测。
需要说明的是,将光照与旋转不变特征输入至与待检测目标对应的目标检测分类器进行目标检测,由于本方法采用滑动窗口进行检测,对一个真实目标的检测往往会产生多个检测目标,本方法设置当两个检测到的目标重合度高于50%时,只保留其中置信度最高的目标,其余目标被剔除。在检测过程中引入非极大值抑制(non-maximum-suppression)来消除多余检测框,具体参数设置为0.5,消除多余虚假检测目标,提高检测准确率。具体的,非极大值抑制算法是目标检测算法中的经典算法,即:是经过支持向量机分类后,得到多个滑动窗口,每个窗口都会得到一个分数,但是滑动窗口会导致很多窗口与其他窗口存在包含或者大部分交叉的情况,通过非极大值抑制来选取那些邻域里分数最高,即是目标的概率最大的图像输出,并且抑制分数低的窗口输出。
请参阅附图4,图4为本发明实施例提供的提取光照不变特征的方法流程示意图。如图4所示,通过局部敏感直方图提取待检测图像的光照不变特征,得到待检测图像中不因光照强度变化的局部敏感图像,具体可以包括:
S401、设置参数α和灰度级个数B,根据局部敏感直方图计算公式进行计算,得到待检测图像的局部敏感直方图。
需要说明的是,设置参数α与灰度级个数B,α和B的大小取决于实际应用对精度和速度的考虑,如较大的B值能带来精度的提高,但同时也会增大算法复杂度。根据局部敏感直方图计算公式进行计算,得到待检测图像的局部敏感直方图。
具体的,局部敏感直方图计算公式为:
其中:
其中:为像素p出的局部敏感直方图;为像素p左侧的像素局部敏感直方图;为像素p右侧的像素局部敏感直方图;为像素p前一个像素的局部敏感直方图;为像素p后一个像素的局部敏感直方图。
式中:p为像素点位置;α∈(0,1),为权重;Q(Ip,b)定义为:
S402、对待检测图像的局部敏感直方图进行归一化计算,得到最终的局部敏感直方图。
先计算得到Q(Ip,b),再计算得到在实际计算过程中,为了降低计算的复杂度需采用归一化的直方图,归一化因子的计算为:
最终,计算的得到LSH(英文全称:Locality Sensitive Histograms,中文全称:局部敏感直方图)。
S403、设置常数K=0.1,根据最终的局部敏感直方图计算得到光照不变特征。
需要说明的是,基于局部敏感直方图,得到光照不变特征Γp,具体的,设置常数k=0.1,通过图像的局部敏感直方图,根据以下计算公式计算得到光照不变特征Γp,即IIF(Illumination Invariant Features)。图像经过此步骤后保留了不随光照变化的部分,消除了光照干扰。
式中:P点灰度级为bp,整个目标模板的灰度级个数为B,为的权重,rp=kIp,其中k为常系数,Ip为目标模板平均亮度,平均亮度值越大,权重值越小,实验证明,光照剧烈变化时,Γp的值基本不变。
S404、提取待检测图像中不因光照强度变化的局部敏感图像。
请参阅附图5,图5为本发明实施例提供的提取光照与旋转不变特征的方法流程示意图。如图5所示,通过计算在傅里叶空间中的梯度直方图特征,提取局部敏感图像的光照与旋转不变特征,包括:
S501、使用梯度函数计算局部敏感图像的图像梯度D,并将梯度映射到傅里叶空间;
S502、根据空间聚集的卷积核函数K1和局部归一化的卷积核函数K2计算得到傅里叶HOG场
需要说明的是,根据傅里叶HOG场计算公式:
其中,为傅里叶变换的系数,K1为空间聚集的卷积核函数,K2为局部归一化的卷积核函数,在实际中,K1和K2分别如下定义:
K1=Λ(r,σ);K2=min(Λ(r,2σ),σ)
其中,Λ为一个三角函数,带宽为2σ,定义为:通过计算得到傅里叶HOG场
S503、将傅里叶HOG场与基函数进行卷积运算,得到光照与旋转不变特征。
将傅里叶HOG场使用基函数式中,k仅考虑低阶的,选定傅里叶HOG场的2D基为:式中,为极坐标表示,jeN0,keZ0。
基函数Uj,k由下式得到:
式中,σ的值需根据具体目标的像素大小来确定,不同分辨率图像也会有一定的差别。
提取光照与旋转不变特征:
上式旋转阶数为k-m,将旋转阶数置为0,得到具有旋转不变特征,即:
根据上述三个公式,通过卷积运算,最终得到整个区域的光照与旋转不变特征,完成特征提取过程。
本发明公开了一种目标检测方法,包括:预先对样本图像进行训练,得到目标检测分类器,该方法还包括:获取待检测图像,确定待检测图像中的待检测目标;对待检测图像进行预处理,得到光照与旋转不变特征;将光照与旋转不变特征输入至与待检测目标对应的目标检测分类器进行目标检测。本发明通过计算局部敏感直方图提取光照不变特征,可以有效减少光照对目标检测的影响,一定程度上提高了检测率;然后基于傅里叶HOG算法提取旋转不变特征,得到光照与旋转不变特征,然后通过线性向量机进行训练,得到目标检测分类器进行目标检测,解决了存在目标多姿态条件下检测准确率下降的问题,具有很好的鲁棒性,减少光照与姿态对目标检测的影响,提高了目标检测正确率,扩大检测器检测范围。
在上述公开的方法的基础上,本发明还公开了一种目标检测系统。
下面对本发明实施例提供的一种目标检测系统进行介绍,需要说明的是,有关该目标检测系统的说明可参照上文提供的目标检测方法,以下并不做详细的赘述。
请参阅附图6,图6为本发明实施例提供的一种目标检测系统结构示意图。如图6所示,本发明实施例公开了一种目标检测系统,包括:训练模块600,用于预先对样本图像进行训练,得到目标检测分类器,该系统还包括:
获取模块601,用于获取待检测图像,确定待检测图像中的待检测目标;
预处理模块602,用于对待检测图像进行预处理,得到光照与旋转不变特征;
检测模块603,用于将光照与旋转不变特征输入至与待检测目标对应的目标检测分类器进行目标检测。
优选的,如图7所示,上述训练模块600具体包括:
获取单元701,用于获取多个样本图像,确定多个样本图像中的训练目标;
提取单元702,用于提取多个样本图像的光照和旋转不变特征;
选取单元703,用于选取多个样本图像中包含目标的图像块作为正样本,不包含目标的图像块作为负样本;
处理单元704,用于将图像块进行归一化处理,得到统一像素大小的训练集数据;
训练单元705,用于使用线性支持向量机训练对训练集数据进行训练,得到预设检测分类器。
优选的,如图8所示,上述预处理模块602具体包括:
第一提取单元801,用于通过局部敏感直方图提取待检测图像的光照不变特征,得到待检测图像中不因光照强度变化的局部敏感图像;
第二提取单元802,用于通过计算在傅里叶空间中的梯度直方图特征,提取局部敏感图像的光照与旋转不变特征。
优选的,如图9所示,上述第一提取单元801具体包括:
第一计算单元901,用于设置参数α和灰度级个数B,根据局部敏感直方图计算公式进行计算,得到待检测图像的局部敏感直方图;
第二计算单元902,用于对待检测图像的局部敏感直方图进行归一化计算,得到最终的局部敏感直方图;
第三计算单元903,用于设置常数K=0.1,根据最终的局部敏感直方图计算得到光照不变特征;
第一提取子单元904,用于提取待检测图像中不因光照强度变化的局部敏感图像。
优选的,如图9所示,上述第二提取单元802包括:
第四计算单元905,用于使用梯度函数计算局部敏感图像的图像梯度D,并将梯度映射到傅里叶空间;
第五计算单元906,用于根据空间聚集的卷积核函数K1和局部归一化的卷积核函数K2计算得到傅里叶HOG场
第六计算单元907,用于将傅里叶HOG场与基函数进行卷积运算,得到光照与旋转不变特征。
本发明公开了一种目标检测系统,包括:训练模块用于预先对样本图像进行训练,得到目标检测分类器,该系统的获取模块用于获取待检测图像,确定待检测图像中的待检测目标;预处理模块用于对待检测图像进行预处理,得到光照与旋转不变特征;检测模块用于将光照与旋转不变特征输入至与待检测目标对应的目标检测分类器进行目标检测。本发明通过计算局部敏感直方图提取光照不变特征,可以有效减少光照对目标检测的影响,一定程度上提高了检测率;然后基于傅里叶HOG算法提取旋转不变特征,得到光照与旋转不变特征,然后通过线性向量机进行训练,得到目标检测分类器进行目标检测,解决了存在目标多姿态条件下检测准确率下降的问题,具有很好的鲁棒性,减少光照与姿态对目标检测的影响,提高了目标检测正确率,扩大检测器检测范围。
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。
需要说明的是,在本文中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,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,并不排除在包括上述要素的物品或者设备中还存在另外的相同要素。
对所公开的实施例的上述说明,使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的,本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下,在其它实施例中实现。因此,本发明将不会被限制于本文所示的这些实施例,而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。
Claims (10)
1.一种目标检测方法,其特征在于:预先对样本图像进行训练,得到目标检测分类器,该方法包括:
获取所述待检测图像,确定所述待检测图像中的待检测目标;
对所述待检测图像进行预处理,得到光照与旋转不变特征;
将所述光照与旋转不变特征输入至与所述待检测目标对应的所述目标检测分类器进行目标检测。
2.根据权利要求1所述的目标检测方法,其特征在于,所述对所述待检测图像进行预处理,得到光照与旋转不变特征,包括:
通过局部敏感直方图提取所述待检测图像的光照不变特征,得到所述待检测图像中不因光照强度变化的局部敏感图像;
通过计算在傅里叶空间中的梯度直方图特征,提取所述局部敏感图像的所述光照与旋转不变特征。
3.根据权利要求2所述的目标检测方法,其特征在于,所述通过局部敏感直方图提取所述待检测图像的光照不变特征,得到所述待检测图像中不因光照强度变化的局部敏感图像,包括:
设置参数α和灰度级个数B,根据局部敏感直方图计算公式进行计算,得到所述待检测图像的局部敏感直方图;
对所述待检测图像的局部敏感直方图进行归一化计算,得到最终的局部敏感直方图;
设置常数K=0.1,根据所述最终的局部敏感直方图计算得到所述光照不变特征;
提取所述待检测图像中不因光照强度变化的所述局部敏感图像。
4.根据权利要求2所述的目标检测方法,其特征在于,所述通过计算在傅里叶空间中的梯度直方图特征,提取所述局部敏感图像的所述光照与旋转不变特征,包括:
使用梯度函数计算所述局部敏感图像的图像梯度D,并将所述梯度映射到傅里叶空间;
根据空间聚集的卷积核函数K1和局部归一化的卷积核函数K2计算得到傅里叶HOG场
将所述傅里叶HOG场与基函数进行卷积运算,得到所述光照与旋转不变特征。
5.根据权利要求1所述的目标检测方法,其特征在于,所述预先对样本图像进行训练,得到目标检测分类器,包括:
获取多个样本图像,确定所述多个样本图像中的训练目标;
提取多个所述样本图像的光照和旋转不变特征;
选取多个所述样本图像中包含目标的图像块作为正样本,不包含目标的图像块作为负样本;
将所述图像块进行归一化,得到统一像素大小的训练集数据;
使用线性支持向量机对所述训练集数据进行训练,得到所述目标检测分类器。
6.一种目标检测系统,其特征在于:包括:训练模块,用于预先对样本图像进行训练,得到目标检测分类器,该系统还包括:
获取模块,用于获取所述待检测图像,确定所述待检测图像中的待检测目标;
预处理模块,用于对所述待检测图像进行预处理,得到光照与旋转不变特征;
检测模块,用于将所述光照与旋转不变特征输入至与所述待检测目标对应的所述目标检测分类器进行目标检测。
7.根据权利要求6所述的目标检测系统,其特征在于,所述预处理模块包括:
第一提取单元,用于通过局部敏感直方图提取所述待检测图像的光照不变特征,得到所述待检测图像中不因光照强度变化的局部敏感图像;
第二提取单元,用于通过计算在傅里叶空间中的梯度直方图特征,提取所述局部敏感图像的所述光照与旋转不变特征。
8.根据权利要求7所述的目标检测系统,其特征在于,所述第一提取单元包括:
第一计算单元,用于设置参数α和灰度级个数B,根据局部敏感直方图计算公式进行计算,得到所述待检测图像的局部敏感直方图;
第二计算单元,用于对所述待检测图像的局部敏感直方图进行归一化计算,得到最终的局部敏感直方图;
第三计算单元,用于设置常数K=0.1,根据所述最终的局部敏感直方图计算得到所述光照不变特征;
第一提取子单元,用于提取所述待检测图像中不因光照强度变化的所述局部敏感图像。
9.根据权利要求7所述的目标检测系统,其特征在于,所述第二提取单元包括:
第四计算单元,用于使用梯度函数计算所述局部敏感图像的图像梯度D,并将所述梯度映射到傅里叶空间;
第五计算单元,用于根据空间聚集的卷积核函数K1和局部归一化的卷积核函数K2计算得到傅里叶HOG场
第六计算单元,用于将所述傅里叶HOG场与基函数进行卷积运算,得到所述光照与旋转不变特征。
10.根据权利要求6所述的目标检测系统,其特征在于,所述训练模块包括:
获取单元,用于获取多个样本图像,确定所述多个样本图像中的训练目标;
提取单元,用于提取多个所述样本图像的光照和旋转不变特征;
选取单元,用于选取多个所述样本图像中包含目标的图像块作为正样本,不包含目标的图像块作为负样本;
处理单元,用于将所述图像块进行归一化处理,得到统一像素大小的训练集数据;
训练单元,用于使用线性支持向量机对所述训练集数据进行训练,得到所述目标检测分类器。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710854585.7A CN107545270A (zh) | 2017-09-20 | 2017-09-20 | 一种目标检测方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710854585.7A CN107545270A (zh) | 2017-09-20 | 2017-09-20 | 一种目标检测方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN107545270A true CN107545270A (zh) | 2018-01-05 |
Family
ID=60963593
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710854585.7A Pending CN107545270A (zh) | 2017-09-20 | 2017-09-20 | 一种目标检测方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107545270A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110363792A (zh) * | 2019-07-19 | 2019-10-22 | 广东工业大学 | 一种基于光照不变性特征提取的遥感图像变化检测方法 |
CN113808144A (zh) * | 2021-09-22 | 2021-12-17 | 重庆师范大学 | 基于直方图拟合的密度峰值聚类土壤图像阴影检测方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8885893B1 (en) * | 2011-11-22 | 2014-11-11 | The United States Of America As Represented By The Secretary Of The Navy | System and method for adaptive face recognition |
CN106339725A (zh) * | 2016-08-31 | 2017-01-18 | 天津大学 | 基于尺度不变特征和位置先验的行人检测方法 |
-
2017
- 2017-09-20 CN CN201710854585.7A patent/CN107545270A/zh active Pending
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8885893B1 (en) * | 2011-11-22 | 2014-11-11 | The United States Of America As Represented By The Secretary Of The Navy | System and method for adaptive face recognition |
CN106339725A (zh) * | 2016-08-31 | 2017-01-18 | 天津大学 | 基于尺度不变特征和位置先验的行人检测方法 |
Non-Patent Citations (4)
Title |
---|
KUN LIU等: "Rotation-Invariant HOG Descriptors Using Fourier Analysis in Polar and Spherical Coordinates", 《INTERNATIONAL JOURNAL OF COMPUTER VISION》 * |
SHENGFENG HE等: "Robust Object Tracking via Locality Sensitive Histograms", 《IEEE TRANSACTIONS ON CIRCUITS AND SYSTEMS FOR VIDEO TECHNOLOGY》 * |
李言俊等: "《景象匹配与目标识别技术》", 31 August 2009 * |
陈芝垚: "基于DPM的行人检测和行人特征提取算法研究", 《中国优秀硕士学位论文全文数据库(电子期刊)》 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110363792A (zh) * | 2019-07-19 | 2019-10-22 | 广东工业大学 | 一种基于光照不变性特征提取的遥感图像变化检测方法 |
CN113808144A (zh) * | 2021-09-22 | 2021-12-17 | 重庆师范大学 | 基于直方图拟合的密度峰值聚类土壤图像阴影检测方法 |
CN113808144B (zh) * | 2021-09-22 | 2024-03-29 | 重庆师范大学 | 基于直方图拟合的密度峰值聚类土壤图像阴影检测方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
EP3349050B1 (en) | Inspection devices and methods for detecting a firearm | |
Gou et al. | Vehicle license plate recognition based on extremal regions and restricted Boltzmann machines | |
CN111274916B (zh) | 人脸识别方法和人脸识别装置 | |
CN104517104B (zh) | 一种基于监控场景下的人脸识别方法及系统 | |
CN105447441B (zh) | 人脸认证方法和装置 | |
CN108038846A (zh) | 基于多层卷积神经网络的输电线路设备图像缺陷检测方法及系统 | |
CN110070010A (zh) | 一种基于行人重识别的人脸属性关联方法 | |
EP2079054B1 (en) | Detection of blobs in images | |
CN108898078A (zh) | 一种多尺度反卷积神经网络的交通标志实时检测识别方法 | |
Yu et al. | Railway obstacle detection algorithm using neural network | |
CN112560741A (zh) | 一种基于人体关键点的安全穿戴检测方法 | |
CN103390164A (zh) | 基于深度图像的对象检测方法及其实现装置 | |
CN111445459A (zh) | 一种基于深度孪生网络的图像缺陷检测方法及系统 | |
CN107977639A (zh) | 一种人脸清晰度判断方法 | |
CN112926522B (zh) | 一种基于骨骼姿态与时空图卷积网络的行为识别方法 | |
Cheong et al. | A novel face detection algorithm using thermal imaging | |
CN107798308A (zh) | 一种基于短视频训练法的人脸识别方法 | |
CN109117855A (zh) | 异常电力设备图像识别系统 | |
CN112258490A (zh) | 基于光学和红外图像融合的低发射率涂层智能探损方法 | |
CN109360179A (zh) | 一种图像融合方法、装置及可读存储介质 | |
CN105335688B (zh) | 一种基于视觉图像的飞机机型识别方法 | |
CN107545270A (zh) | 一种目标检测方法及系统 | |
CN111462310A (zh) | 一种基于多视几何的螺栓缺陷空间定位方法 | |
CN112183287A (zh) | 一种移动机器人在复杂背景下的人数统计方法 | |
CN109858342B (zh) | 一种融合手工设计描述子和深度特征的人脸姿态估计方法 |
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: 20180105 |