CN108021925A - 一种检测方法及设备 - Google Patents

Abstract

本发明涉及电子通讯技术领域，尤其涉及一种检测方法及设备。用于提高检测速度、减少耗时，该方法包括：步骤一，判断当前窗口是否能够通过当前强分类器，如果不能通过，则对所述当前强分类器进行标识；步骤二，按照指定步长获取下一窗口，使用被标识过的强分类器对所述下一窗口进行检测，如果通过，则依次从第一级强分类器对所述下一窗口进行检测，直至再次对强分类器进行标识或者被确定出样本类型；如果未通过，则执行步骤二；在再次对强分类器进行标识后，将所述下一窗口作为当前窗口并执行步骤二。

Description

一种检测方法及设备

技术领域

本发明涉及电子通讯技术领域，尤其涉及一种检测方法及设备。

背景技术

目前，在识别技术中常用到的算法是Adadoost算法。

Adadoost算法是一种迭代算法，其核心思想是针对同一个训练集训练出不同的弱分类器，然后把这些弱分类器集合起来，构成一级强分类器。当被检测物体通过N级强分类器后，便可完成该被测物体的分类。

通常通过纹理特征LBP进行检测，LBP是一种用来描述图像局部纹理特征的算子。原始的LBP算子定义为在3*3窗口内，以窗口中心像素点为阈值，将相邻的8个像素的灰度值与其进行比较，若周围像素值大于中心点的像素值，则该像素点的位置被标记为1，否则为0。3*3领域内的8个点可产生8bit的无符号数，既得到该窗口的LBP值，并用这个值来反映该区域的纹理信息。

在使用Adaboost算法进行训练时，该训练过程是从很多正负样本中，不断的分裂节点，最终达到设定的置信值。而一般的分类过程都是在样本中所有的特征，选择一个最佳分裂特征，这个特征在当前的分裂效果最好，为分裂的特征。

但本发明人发现，现有技术中存在如下问题：

第一，LBP的特征窗口的3*3中的每个点可能不是像素点，而是一个包含多个像素点，且大小相同的矩形框。实际检测过程中，需要在每个检测窗口中都必须计算当前窗口的对应的弱分类器的LBP特征，随着窗口通过的弱分类器级数越多，并且每个弱分类器都需要计算特征，因此是非常耗时的。

当窗口里包含大量像素点时，这个计算特征的过程是非常耗时的；

第二，当图像大的时候，检测窗口的滑动次数多，缩放次数增加，从而直接增加了所有窗口通过的弱分类器的数量，进而直接增加了计算量。

发明内容

本发明实施例提供一种检测方法，用于提高检测速度、减少耗时。

一种检测方法，所述方法包括：

步骤一，判断当前窗口是否能够通过当前强分类器，如果不能通过，则对所述当前强分类器进行标识；

步骤二，按照指定步长获取下一窗口，使用被标识过的强分类器对所述下一窗口进行检测，如果通过，则依次从第一级强分类器对所述下一窗口进行检测，直至再次对强分类器进行标识或者被确定出样本类型；如果未通过，则执行步骤二；

在再次对强分类器进行标识后，将所述下一窗口作为当前窗口并执行步骤二。

一种检测设备，所述设备包括：

第一处理模块，用于执行步骤一，判断当前窗口是否能够通过当前强分类器，如果不能通过，则对所述当前强分类器进行标识；

第二处理模块，用于执行步骤二，按照指定步长获取下一窗口，使用被标识过的强分类器对所述下一窗口进行检测，如果通过，则依次从第一级强分类器对所述下一窗口进行检测，直至再次对强分类器进行标识或者被确定出样本类型；如果未通过，则执行步骤二；

第三处理模块，用于在再次对强分类器进行标识后，将所述下一窗口作为当前窗口并执行步骤二。

可见，采用本发明提供的检测方法，由于相邻两个窗口拥有比较多的相同特征，因此可推断当前窗口如果能够通过前N-1级强分类器，则下一窗口也可以通过前N-1级分类器，因此，在对下一窗口进行检测时可直接使用第N级强分类器进行对其进行检测，因此可大大节约工作量。如果通过第N级强分类器的检测后，为了提高检测的精度，此时可再从第一级强分类器开始对下一窗口进行检测。可见该方法可省略在Adaboost分类过程中过多的不必要的检测过程，可大大提高检测时间，节省了不必要的工作。

附图说明

为了更清楚地说明本发明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。

图1为现有技术中示意图；

图2为本发明实施例提供的示意图；

图3为本发明实施例提供的示意图。

具体实施方式

为了使本技术领域的人员更好地理解本发明实施例中的技术方案，并使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图对本发明中技术方案作进一步详细的说明。

本发明提供的检测方法，由于相邻两个窗口拥有比较多的相同特征，因此可推断当前窗口如果能够通过前N-1级强分类器，则下一窗口也可以通过前N-1级分类器，因此，在对下一窗口进行检测时可直接使用第N级强分类器进行对其进行检测，因此可大大节约工作量。如果通过第N级强分类器的检测后，为了提高检测的精度，此时可再从第一级强分类器开始对下一窗口进行检测。可见该方法可省略在Adaboost分类过程中过多的不必要的检测过程，可大大提高检测时间，节省了不必要的工作。过程如下，参见图1：

步骤11，判断当前窗口是否能够通过当前强分类器，如果不能通过，则对所述当前强分类器进行标识；

步骤12，按照指定步长获取下一窗口，使用被标识过的强分类器对所述下一窗口进行检测，如果通过，则依次从第一级强分类器对所述下一窗口进行检测，直至再次对强分类器进行标识或者被确定出样本类型；如果未通过，则执行步骤12；

步骤13，在再次对强分类器进行标识后，将所述下一窗口作为当前窗口并执行步骤12。

以下以具体实施例进行介绍：

Adaboost算法是一个由多个强分类器构成最终强分类器的一个分类过程，而每个强分类器又由不等的弱分类器组成。

在训练过程中，每个强分类器间的工作都是相互独立的。但是每两个强分类器之间有一个相关联的部分，即当前处于训练状态的强分类器的正负样本是在上一个强分类器的结果上做的选择的。也就是说，当前的强分类器的分类能力更加细化，之前的强分类器的分化能力更加的泛化。

在检测过程中，被检测图像需要依次通过所有级别的强分类器，才能够被认为是一个正样本，否则被认为是负样本。因此，每个被检测图像都需要从第一级强分类器开始进行检测，直到通过最后一级强分类器，则被认为是正样本，如果该被检测图像无法通过某一级强分类器，则被认为是负样本。

可见检测中，被检测图像是否能通过第N个强分类器和是否能通过第M个强分类器是没有直接的关系的。

但是实际上，相邻的窗口之间的数据相关性和相似性很大，特征的相似度高。因此，相邻窗口的样本能否通过强分类器的程度也就越相似，例如依次遍历窗口，使每一个窗口的数据依次通过强分类器，如果当前窗口的在第10级强分类器没有通过，根据大量数据的分析可知，当前窗口与下一窗口之间的特性十分接近，因此可认为如果当前窗口的数据并没有通过第10级强分类器，则认为下一窗口的数据通过第10个强分类器的可能性很小，即认为不可能通过。

根据上述分析，本发明实施例提供一种检测方法，具体过程如下：

步骤21，选取待检测图像；

步骤22，设置当前窗口，该窗口的大小可根据实际情况设置；

步骤23，判断当前窗口是否能够通过当前强分类器，如果可以，则执行步骤24；否则执行步骤25；

步骤24，继续判断当前窗口是否可通过下一级强分类器；如果可以，执行步骤25；否则执行步骤26；

步骤25，则依次通过后面的强分类器，直至当前窗口通过所有级别的强分类器，则确定为正样本；然后执行步骤29；当前窗口当前所通过的强分类器即为当前分类器；

步骤26，对当前窗口未通过的当前强分类器进行标识；

例如，记录此时当前强分类器的级别，或者将当前强分类器标识为未通过；

步骤27，按照指定步长获取下一窗口，将获取到的下一窗口作为当前窗口，并使用被标识过的强分类器对所述下一窗口进行检测，如果通过，则执行步骤28，否则继续执行步骤27直到遍历完所有窗口；

指定步长大小可根据实际情况设置，较佳的可选择4；

步骤28，将步骤27中的当前窗口的数据，按照步骤24至步骤27的的检测依次从第一级强分类器进行检测，直至通过所有强分类器时可被标记为正样本；

步骤29，按照指定步长获取下一窗口，将获取到的下一窗口作为当前窗口，执行步骤23；直至遍历完所有窗口。

根据上述例子，以具体实施例进行介绍：

假设一共包含100级强分类器，将当前窗口中的数据依次通过强分类器，当在进行第N级强分类器检测时无法通过，即认定为负样本；则按照指定步长移动当前窗口，重新获得数据，并将此时获得的数据从第N级强分类器开始通过，如果确定可以通过第N级强分类器，则将此时获取到的数据从第一级强分类器开始通过，如果顺利通过第100级强分类器则认定为正样本，如果遇到某一级分类器没有通过，例如第M级强分类器，则按照指定步长移动窗口，获得一个新的当前窗口的数据，则将此时的数据从第M级强分类器开始通过，以此类推直至遍历完整个图片，即可区分出正负样本。

由于相邻两个窗口的特性较相似，因此使用该方法可以尽可能少的通过一些强分类器，经实验验证此方法可以有效的减少计算量，能够至少降低8％，随着分辨率的增大会更有效，并且不降低检测精度。

由于LBP的特征计算是在检测过程中单独需要计算的，每个窗口都有很多LBP特征，因此在按照指定步长滑动窗口的时候，有重合的特征存在，为了减少这种重合特征计算以及为了并行化实现的可能。在进行上述实施例的过程中，还可做如下改进：

在训练的时候，固定LBP的特征大小，比如3*3的特征中每个点就是一个单独的像素点，这样可以提前采用并行方法，将整幅图像的LBP特征提前计算出来，那么在之后的检测过程中就无需再计算特征了，只需要取数据即可。

因此，预先固定化LBP特征，并不降低精确度，因为并没有降低置信度。只是相应的强分类器中的弱分类器数目可能会增加。但实验证明，虽然弱分类器数目增加，但是这种方法可以有效的提高检测效率。

如图3所示，本发明实施例提供一种检测设备，所述设备包括：

第一处理模块31，用于执行步骤一，判断当前窗口是否能够通过当前强分类器，如果不能通过，则对所述当前强分类器进行标识；

第二处理模块32，用于执行步骤二，按照指定步长获取下一窗口，使用被标识过的强分类器对所述下一窗口进行检测，如果通过，则依次从第一级强分类器对所述下一窗口进行检测，直至再次对强分类器进行标识或者被确定出样本类型；如果未通过，则执行步骤二；

第三处理模块33，用于在再次对强分类器进行标识后，将所述下一窗口作为当前窗口并执行步骤二。

所述设备还包括：

计算模块33，用于计算待检测图像内所有像素点的LBP值；

在所述检测方法的过程中，在使用强分类器对窗口进行检测时，直接获取所述LBP值进行检测即可。

所述指定步长为4。

所述对所述当前强分类器进行标识包括：

记录所述当前强分类器的级别，或者将所述当前强分类器标记为未通过强分类器。

综上所述，有益效果：

本发明提供的检测方法，由于相邻两个窗口拥有比较多的相同特征，因此可推断当前窗口如果能够通过前N-1级强分类器，则下一窗口也可以通过前N-1级分类器，因此，在对下一窗口进行检测时可直接使用第N级强分类器进行对其进行检测，因此可大大节约工作量。如果通过第N级强分类器的检测后，为了提高检测的精度，此时可再从第一级强分类器开始对下一窗口进行检测。可见该方法可省略在Adaboost分类过程中过多的不必要的检测过程，可大大提高检测时间，节省了不必要的工作。本发明针对。

以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。

Claims (8)

1.一种检测方法，其特征在于，所述方法包括：

步骤一，判断当前窗口是否能够通过当前强分类器，如果不能通过，则对所述当前强分类器进行标识；

步骤二，按照指定步长获取下一窗口，使用被标识过的强分类器对所述下一窗口进行检测，如果通过，则依次从第一级强分类器对所述下一窗口进行检测，直至再次对强分类器进行标识或者被确定出样本类型；如果未通过，则执行步骤二；

在再次对强分类器进行标识后，将所述下一窗口作为当前窗口并执行步骤二。

2.如权利要求1所述的方法，其特征在于，在所述步骤一之前进一步包括：

计算待检测图像内所有像素点的LBP值；

在所述检测方法的过程中，在使用强分类器对窗口进行检测时，直接获取所述LBP值进行检测即可。

3.如权利要求1所述的方法，其特征在于，所述指定步长为4。

4.如权利要求1所述的方法，其特征在于，所述对所述当前强分类器进行标识包括：

记录所述当前强分类器的级别，或者将所述当前强分类器标记为未通过强分类器。

5.一种检测设备，其特征在于，所述设备包括：

第一处理模块，用于执行步骤一，判断当前窗口是否能够通过当前强分类器，如果不能通过，则对所述当前强分类器进行标识；

第二处理模块，用于执行步骤二，按照指定步长获取下一窗口，使用被标识过的强分类器对所述下一窗口进行检测，如果通过，则依次从第一级强分类器对所述下一窗口进行检测，直至再次对强分类器进行标识或者被确定出样本类型；如果未通过，则执行步骤二；

第三处理模块，用于在再次对强分类器进行标识后，将所述下一窗口作为当前窗口并执行步骤二。

6.如权利要求5所述的方法，其特征在于，所述设备还包括：

计算模块，用于计算待检测图像内所有像素点的LBP值；

在所述检测方法的过程中，在使用强分类器对窗口进行检测时，直接获取所述LBP值进行检测即可。

7.如权利要求5所述的设备，其特征在于，所述指定步长为4。

8.如权利要求5所述的设备，其特征在于，所述对所述当前强分类器进行标识包括：

记录所述当前强分类器的级别，或者将所述当前强分类器标记为未通过强分类器。