CN110674690B - 检测方法、检测装置与检测设备 - Google Patents
检测方法、检测装置与检测设备 Download PDFInfo
- Publication number
- CN110674690B CN110674690B CN201910773537.4A CN201910773537A CN110674690B CN 110674690 B CN110674690 B CN 110674690B CN 201910773537 A CN201910773537 A CN 201910773537A CN 110674690 B CN110674690 B CN 110674690B
- Authority
- CN
- China
- Prior art keywords
- detection
- candidate
- module
- region
- cascade
- 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
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
- G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
- G06V40/16—Human faces, e.g. facial parts, sketches or expressions
- G06V40/161—Detection; Localisation; Normalisation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
- G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
- G06V40/16—Human faces, e.g. facial parts, sketches or expressions
- G06V40/172—Classification, e.g. identification
Abstract
本申请提供了一种检测方法,通过将自适应增强检测模块中的n1级级联检测模块作为第一检测模块,将自适应增强检测模块中的n2级级联检测模块作为第二检测模块,并使用第一检测模块检测目标图像以获取第一候选检测区域,使用第二检测模块检测根据第一候选检测区域生成的第二候选检测区域以获取目标检测对象,为省去重新训练检测模块的过程,进而提高产品开发效率提供了一种解决方案。
Description
技术领域
本申请涉及信息检测领域,并且更具体地,涉及检测方法、检测装置与检测设备。
背景技术
在视频监控领域,通常需要智能摄像机提供人脸检测功能。
为了提高人脸的检测速度和定位精度,已知一种检测方案,该方案采用粗检测-精检测的分段检测策略,在粗检测阶段丢弃大量的无用负样本,在精检测阶段得到更准确的人脸检测结果。
然而,上述方案需要提供两个检测器,包括粗检测器与精检测器,并且两个检测器的训练过程是不同的,需要分别进行训练,这无疑增加了检测产品的开发时间与人力成本。
发明内容
本申请提供一种检测方法,能够降低检测产品的开发时间与人力成本。
第一方面,提供了一种检测方法,包括:获取目标图像,所述目标图像中包括目标检测对象;使用第一检测模块检测所述目标图像,获取所述目标检测对象的第一候选检测区域,所述第一检测模块是由n1级级联检测模块组成的,所述n1级级联检测模块是从N级级联自适应增强检测模块中选择的连续级联的检测模块,n1为小于N的正整数;根据所述第一候选检测区域,生成第二候选检测区域;使用第二检测模块检测所述第二候选检测区域,获取所述目标检测对象,所述第二检测模块是由n2级级联检测模块组成的,所述n2级级联检测模块是从所述N级级联自适应增强检测模块中选择的连续级联的检测模块,n2为小于N的正整数。
基于上述技术方案,通过分段复用自适应增强检测模块,以得到第一检测模块与第二检测模块,例如,将自适应增强检测模块中的n1级级联检测模块作为第一检测模块,并将自适应增强检测模块中的n2级级联检测模块作为第二检测模块,从而省去重新训练检测模块(例如,第一检测模块和/或第二检测模块)的过程,进而提高产品开发效率。
在一种实现方式中,所述根据所述第一候选检测区域,生成第二候选检测区域,包括:将所述第一候选检测区域偏移x个像素,生成第二候选检测区域,x为大于或等于1的整数,所述第二候选检测区域与所述第一候选检测区域均为m×m像素的窗口,m为大于或等于2的整数。
基于上述技术方案,在生成第二候选检测区域时,将第一候选检测区域进行偏移,由于第一候选检测区域与滑动窗口的大小相等,因此,通过使第二候选检测区域与第一候选检测区域包括的像素的个数相等,避免在对第二候选检测区域检测时重新使用滑动窗口对其进行检测,并且还能够避免不同的第二候选检测区域之间存在区域重叠的情况,进而避免对不同第二候选检测区域的重叠部分进行重复检测,从而减小对第二候选检测区域检测时的计算量,并且提高检测精度。
在一种实现方式中,所述根据所述第一候选检测区域,生成第二候选检测区域,包括:扩大所述第一候选检测区域,生成所述第二候选检测区域,所述第二候选检测区域中的像素数大于所述第一候选检测区域中的像素数。
在一种实现方式中,所述n1级级联检测模块的起始检测模块为首级检测模块。
在一种实现方式中,所述n2级级联检测模块的起始检测模块为首级检测模块。
在一种实现方式中,n2大于或等于n1。
在一种实现方式中,所述第一候选检测区域是使用所述第一检测模块对所述目标图像进行粗检测后获得的,所述第二候选检测区域是使用所述第二检测模块对所述第二候选检测区域进行精检测后获得的。
在一种实现方式中,所述目标检测对象包括人脸。
第二方面,提供了一种检测方法,包括:获取目标图像,所述目标图像中包括目标检测对象;对所述目标图像进行粗检测,获取所述目标检测对象的第一候选检测区域;将所述第一候选检测区域偏移x个像素,生成第二候选检测区域,x为大于或等于1的整数,所述第二候选检测区域与所述第一候选检测区域均为m×m像素的窗口,m为大于或等于2的整数;对所述第二候选检测区域进行精检测,获取所述目标检测对象。
基于上述技术方案,在生成第二候选检测区域时,将第一候选检测区域进行偏移,由于第一候选检测区域与滑动窗口的大小相等,因此,通过使第二候选检测区域与第一候选检测区域包括的像素的个数相等,避免在对第二候选检测区域检测时重新使用滑动窗口对其进行检测,并且还能够避免不同的第二候选检测区域之间存在区域重叠的情况,进而避免对不同第二候选检测区域的重叠部分进行重复检测,从而减小对第二候选检测区域检测时的计算量,并且提高检测精度。
在一种实现方式中,所述目标检测对象包括人脸。
第三方面,提供一种检测装置,该装置用于执行上述第一方面或第一方面的任一可能的实现方式中的方法。具体地,该装置可以包括用于执行第一方面及其任意一种可能的实现方式中的检测方法的模块,或者,可以包括用于执行第二方面及其任意一种可能的实现方式中的检测方法的模块。
第四方面,提供一种检测设备,该设备包括存储器与处理器。该存储器用于存储指令;该处理器执行该存储器存储的指令,使得该设备执行第一方面及其任意一种可能的实现方式中的检测方法,或者,执行第二方面及其任意一种可能的实现方式中的检测方法。
第五方面,提供一种计算设备,该设备包括存储器和处理器。该存储器用于存储指令;该处理器执行该存储器存储的指令,使得该设备执行第一方面及其任意一种可能的实现方式中的检测方法,或者,执行第二方面及其任意一种可能的实现方式中的检测方法。
第六方面,提供一种计算机可读存储介质,该计算机可读存储介质中存储有指令,当该指令在计算机上运行时,使得计算机执行第一方面及其任意一种可能的实现方式中的检测方法,或者,执行第二方面及其任意一种可能的实现方式中的检测方法。
本申请在上述各方面提供的实现方式的基础上,还可以进行进一步组合以提供更多实现方式。
附图说明
图1是适用于本申请的级联自适应增强AdaBoost检测器的工作原理示意图;
图2是适用于本申请的图像金字塔示意图;
图3是本申请提供的检测方法的示意性流程图;
图4是N级级联自适应增强检测模块的分段方式示意图;
图5是候选检测区域#2的生成过程示意图;
图6是候选检测区域#2的另一生成过程的示意图;
图7是本申请提供的粗检测-精检测的过程的示意图;
图8是本申请提供的检测方法的另一示意性流程图;
图9为本申请提供的检测装置的结构示意图;
图10为本申请提供的检测设备的结构示意图。
具体实施方式
下面将结合附图,对本申请中的技术方案进行描述。
首先结合图1与图2对本申请涉及的级联自适应增强(adaptive boosting,AdaBoost)检测器以及图像金字塔进行说明。
级联AdaBoost检测器
级联AdaBoost检测器是将多个分类器级联在一起,如图1所示,对于待检测窗口而言,只有在当前级分类器将待检测窗口判定为正窗口时,待检测窗口才会被输入至下一级分类器继续被分类,如果待检测窗口被当前级分类器判定为负窗口,则待检测窗口会被丢弃,不再进入下一级分类器进行分类,只有被所有分类器检测为正窗口的窗口才会被最后一级分类器作为正窗口输出。其中,图1中的“T”代表检测结果为正窗口,“F”代表检测结果为负窗口。
图像金字塔
为了对图像进行多尺度检测,通常会对图像构建图像金字塔,即对图像按照多种比例进行缩小或者放大,使得越靠近金字塔顶端,图像尺寸越小,如图2所示。在对图像进行检测时,分别对金字塔的每一层图像进行检测,得到每一层的检测结果,并对每一层的检测结果进行处理,使得处理后的检测结果能够与缩小或者放大前的原始图像相对应,最终将每一层处理后的检测结果进行合并,得到最终的检测结果。
在视频监控领域,通常需要智能摄像机提供人脸检测功能。
为了提高人脸的检测速度和定位精度,已知一种检测方案,该方案采用粗检测-精检测的分段检测策略,在粗检测阶段丢弃大量的无用负样本,在精检测阶段得到更准确的人脸检测结果。
然而,上述方案需要提供两个检测器,包括粗检测器与精检测器,并且两个检测器的训练过程是不同的,需要分别进行训练,这无疑增加了检测产品的开发时间与人力成本。
因此,本申请提供了一种检测方法,能够降低检测产品的开发时间与人力成本。
以下,结合图3至图8,对本申请提供的检测方法200以及方法300进行详细说明。
图3是本申请提供的检测方法200的示意性流程图。下面,对方法200的每个步骤进行详细说明。
在S210中,获取目标图像,目标图像中包括目标检测对象。
在S220中,使用第一检测模块检测目标图像,获取目标检测对象的第一候选检测区域,第一检测模块是由n1级级联分类模块组成的,n1级级联分类模块是从N级级联自适应增强检测模块中选择的连续级联的分类模块,n1为小于N的正整数。
在S230中,根据第一候选检测区域,生成第二候选检测区域。
在S240中,使用第二检测模块检测第二候选检测区域,获取目标检测对象,第二检测模块是由n2级级联分类模块组成的,n2级级联分类模块是从N级级联自适应增强检测模块中选择的连续级联的分类模块,n2为小于N的正整数。
首先对本申请中的检测模块#1(即,第一检测模块的一例)与检测模块#2(即,第二检测模块的一例)进行说明。需要说明的是,本申请中出现的“检测模块”也可称为“检测器”,“分类模块”也可称为“分类器”。
检测模块#1与检测模块#2均是从N级级联自适应增强检测模块中选取的,关于N级级联自适应增强检测模块的介绍请参考前述相关描述,为了简洁,此处不再赘述,在本申请中,N级级联自适应增强检测模块的特征可以采用点对的形式。如图4所示,对于一个N级级联自适应增强检测模块而言,可以从中选取连续级联的n1级级联分类模块,将其作为检测模块#1,从中选取连续级联的n2级级联分类模块,将其作为检测模块#,其中,n1、n2均为小于N的正整数。
例如,N的取值为20,在确定检测模块#1与检测模块#2时,可以将#0~#9级的分类模块作为检测模块#1,将#0~#12级的分类模块作为检测模块#2。
应理解,图4仅作为示例性说明,并不对本申请构成限定。在具体实现时,n1级级联分类模块与n2级级联分类模块之间可以存在重叠的分类模块,或者,也可以完全不重叠,本申请对此不作特别限定。
还应理解,在具体实现时,在选取n1级级联分类模块或n2级级联分类模块时,可以将N级级联自适应增强检测模块的首级分类模块作为n1级级联分类模块或n2级级联分类模块的起始分类模块,或者,可以将N级级联自适应增强检测模块的非首级分类模块作为n1级级联分类模块或n2级级联分类模块的起始分类模块,此外,n1级级联分类模块的起始分类模块或n2级级联分类模块的起始分类模块可以为同一分类模块,或者,可以为不同的分类模块,本申请对此不作特别限定。
还应理解,在具体实现时,n1的取值可以小于、等于或者大于n2的取值,本申请对此不作特别限定。
下面以人脸检测为例,且以检测模块#1用于对目标图像进行粗检测、检测模块#2用于对目标图像进行精检测为例,对方法200进行详细说明。
在S210中,在获取到包括至少一个人脸(即,目标检测对象的一例)的图像#A(即,目标图像的一例)后,可以使用滑动窗口以固定扫描步长扫描图像#A,例如,滑动窗口的大小为24×24,扫描步长Sc的取值为3。通过对图像#A进行扫描,可以获得多个图像窗口(以下称为“待粗检窗口”)。
在S220中,将多个待粗检窗口输入至检测模块#1进行粗检测,经粗检测,检测模块#1会输出至少一个图像窗口。以输出一个图像窗口为例,将该图像窗口所包括的区域称为候选检测区域#1(即,第一候选检测区域的一例)。需要说明的是,如果检测模块#1输出的图像窗口包括两个或者两个以上,则对于输出的每一个图像窗口,均会对应一个候选检测区域#1,即,图像#A经粗检测后,检测模块#1输出了两个或者两个以上候选检测区域#1。
在S230中,对于在S220中生成的候选检测区域#1,可以对候选检测区域#1进行处理,生成候选检测区域#2(即,第二候选检测区域的一例)。
下面以检测模块#1输出一个候选检测区域#1为例,对根据候选检测区域#1,生成候选检测区域#2的方法进行说明。
方法#1
将候选检测区域#1偏移x个像素,生成候选检测区域#2,x为大于或等于1的整数,候选检测区域#2与候选检测区域#1均为m×m像素的窗口,m为大于或等于2的整数。
具体而言,在获得候选检测区域#1后,可以将候选检测区域#1偏移x个像素,例如,如图5所示,可以将候选检测区域#1沿着上、下、左、右四个方向中的任意一个方向偏移x个像素,可以看出,每将候选检测区域#1沿着一个方向偏移之后,就会获得一个候选检测区域#2,即,如果将候选检测区域#1分别沿着上、下、左、右四个方向均进行偏移,则会获得四个候选检测区域#2。其中,候选检测区域#2与候选检测区域#1均为m×m像素的窗口,例如,当S210中的滑动窗口的大小为24×24时,候选检测区域#2的大小也为24×24像素的窗口。
应理解,上述仅作为示例性说明,并不对本申请构成限定。例如,在具体实现时,还可以将候选检测区域#1沿斜上方或者斜下方进行偏移,偏移后同样使得候选检测区域#2与候选检测区域#1的窗口大小相等。
方法#2
扩大候选检测区域#1,生成候选检测区域#2,候选检测区域#2中的像素数大于候选检测区域#1中的像素数。
具体而言,在获得候选检测区域#1后,可以将候选检测区域#1进行扩大,生成候选检测区域#2。例如,将候选检测区域#1原来对应的图像#A的边界进行扩大,使得候选检测区域#2中包括图像#A的信息更加丰富,例如,如图6所示。可以看出,候选检测区域#2中的像素数大于候选检测区域#1中的像素数。
应理解,上述是以检测模块#1输出一个候选检测区域#1为例所做的示例性说明,当检测模块#1输出两个或者两个以上候选检测区域#1时,对于每个候选检测区域#1,均可以按照上述方法#1或方法#2进行处理,生成相应的候选检测区域#2。
在S240中,在获得候选检测区域#2后,可以使用检测模块#2检测候选检测区域#1与候选检测区域#2,获取目标检测对象。
下面以检测模块#1输出一个候选检测区域#1为例,对使用检测模块#2检测候选检测区域#1与候选检测区域#2,获取目标检测对象的方法进行说明。
方法#3(该方法与上述方法#1对应)
当使用方法#1获得候选检测区域#2后,可以将候选检测区域#2输入至检测模块#2,由检测模块#2对候选检测区域#2检测后输出目标检测对象。
例如,可以将方法#1中的四个候选检测区域#2中的至少一个候选检测区域#2输入至检测模块#2,由检测模块#2对候选检测区域#2检测后输出目标检测对象,即,完成对人脸的检测。
需要说明的是,当检测模块#1输出两个或者两个以上候选检测区域#1时,此时,对于每个候选检测区域#1,均会对应至少一个候选检测区域#2。对于每一个候选检测区域#1对应的候选检测区域#2,均可以参考方法#3确定一个精检测结果,每个精检测结果与一个候选检测区域#1存在对应关系,对两个或者两个以上候选检测区域#1对应的两个或者两个以上精检测结果使用非极大抑制(Non-Maximum Suppression,NMS)进行合并,从而确定并输出目标检测对象。
还需要说明的是,还可以将候选检测区域#1与候选检测区域#2输入至检测模块#2,由检测模块#2对候选检测区域#1与候选检测区域#2检测后输出目标检测对象。
例如,可以将方法#1中的四个候选检测区域#2中的至少一个候选检测区域#2输入至检测模块#2,由检测模块#2对候选检测区域#2检测后输出目标检测对象。
需要说明的是,当检测模块#1输出两个或者两个以上候选检测区域#1时,此时,对于每个候选检测区域#1,均会对应至少一个候选检测区域#2。对于每一个候选检测区域#1及其对应的候选检测区域#2,均可以确定一个精检测结果,每个精检测结果与一个候选检测区域#1存在对应关系,对两个或者两个以上候选检测区域#1对应的两个或者两个以上精检测结果使用NMS进行合并,从而确定并输出目标检测对象。
方法#4(该方法与上述方法#2对应)
当使用方法#2获得候选检测区域#2后,可以使用滑动窗口以固定扫描步长扫描候选检测区域#2,此时,滑动窗口的大小可以与S210中大小一致,即同样为24×24,扫描步长Sf的取值可以小于Sc。通过对候选检测区域#2进行扫描,可以获得多个图像窗口(以下称为“待精检窗口”)。
之后,可以将待精检窗口输入至检测模块#2,由检测模块#2对待精检窗口检测后输出目标检测对象。其中,当使用方法#2生成候选检测区域#2,并且使用方法#4进行精检测时,相应的粗检测-精检测的流程示意图如图7所示。
需要说明的是,当检测模块#1输出两个或者两个以上候选检测区域#1时,此时,对于每个候选检测区域#1,均会对应至少一个候选检测区域#2。对于每一个候选检测区域#1对应的候选检测区域#2,均可以参考方法#4确定一个精检测结果,每个精检测结果与一个候选检测区域#1存在对应关系,对两个或者两个以上候选检测区域#1对应的两个或者两个以上精检测结果使用NMS进行合并,从而确定并输出目标检测对象。
上述图像#A是原始图像,上述输出的目标检测对象也是基于原始图像确定的。在本申请中,为了图像#A实现多尺度检测,可以对图像#A构建图像金字塔,例如,可以以一定缩小因子对图像#A进行缩小,获得缩小后的图像。例如,对图像#A使用缩小因子(例如,缩小因子的取值为0.8)缩小后生成图像#B,再对图像#B使用缩小因子0.8进行缩小,生成图像#C。
此时,可以对图像#A、图像#B以及图像#C分别使用方法200进行检测,最终将分别获得的精检结果使用NMS进行合并,从而确定并输出目标检测对象。例如,图像#A对应的精检结果为精检结果#1、精检结果#2,图像#B对应的精检结果为精检结果#3、精检结果#4,图像#C对应的精检结果为精检结果#5、精检结果#6,则对精检结果#1~精检结果#6使用NMS进行合并,从而确定并输出目标检测对象。
需要说明的是,由于图像#B与图像#C是对图像#A缩小后生成的,因此,在使用NMS对各精检结果合并之前,需要将图像#B以及图像#C对应的精检结果映射到图像#A的原始比例,再对图像#B以及图像#C对应的映射后的精检结果(例如,精检结果#3~精检结果#6)以及图像#A对应的精检结果#1、精检结果#2使用NMS进行合并,从而确定并输出目标检测对象。
在本申请中,NMS的交并比(Intersection over Union,IOU)可以设置为0.45。
图8是本申请提供的检测方法300的示意性流程图。下面,对方法300的每个步骤进行详细说明。
S310,获取目标图像,目标图像中包括目标检测对象。
S320,对目标图像进行粗检测,获取目标检测对象的第一候选检测区域。
S330,将第一候选检测区域偏移x个像素,生成第二候选检测区域,x为大于或等于1的整数,第二候选检测区域与所述第一候选检测区域均为m×m像素的窗口,m为大于或等于2的整数。
S340,对第二候选检测区域进行精检测,获取目标检测对象。
需要说明的是,方法300中的粗检测与精检测是由两个独立的检测器分别完成的,所谓两个独立的检测器,是指这两个检测器的训练过程是不同的,需要分别进行训练。例如,可以将进行粗检测的检测器称为粗检检测器,将进行精检测的检测器称为精检检测器,此时。方法300中的S310具体可以参考方法200中的S210,S320具体可以参考方法200中的S220中的相关描述,但需要将S220中的检测模块#1替换为粗检检测器,S330具体可以参考方法200中的方法#1中的相关描述,S340具体可以参考方法200中的方法#3中的相关描述,但需要将方法#3中的检测模块#2替换为精检检测器。
上文结合图1至图8详细介绍了本申请提供的检测方法,下文结合图9至图10详细地描述本申请实施例的提供的检测装置与检测设备。
图9为本申请提供的检测装置400的示意性框图,包括接收模块401与处理模块402。
在一种实现方式中:
接收模块401,用于获取目标图像,所述目标图像中包括目标检测对象。
处理模块402,用于使用第一检测模块检测所述目标图像,获取所述目标检测对象的第一候选检测区域,所述第一检测模块是由n1级级联检测模块组成的,所述n1级级联检测模块是从N级级联自适应增强检测模块中选择的连续级联的检测模块,n1为小于N的正整数。
处理模块402,还用于根据所述第一候选检测区域,生成第二候选检测区域。
处理模块402,还用于使用第二检测模块检测所述第二候选检测区域,获取所述目标检测对象,所述第二检测模块是由n2级级联检测模块组成的,所述n2级级联检测模块是从所述N级级联自适应增强检测模块中选择的连续级联的检测模块,n2为小于N的正整数。
可选地,所述处理模块,具体用于将所述第一候选检测区域偏移x个像素,生成第二候选检测区域,x为大于或等于1的整数,所述第二候选检测区域与所述第一候选检测区域均为m×m像素的窗口,m为大于或等于2的整数。
可选地,处理模块402,具体用于扩大所述第一候选检测区域,生成所述第二候选检测区域,所述第二候选检测区域中的像素数大于所述第一候选检测区域中的像素数。
可选地,所述n1级级联检测模块的起始检测模块为首级检测模块。
可选地,所述n2级级联检测模块的起始检测模块为首级检测模块。
可选地,n2大于或等于n1。
可选地,所述第一候选检测区域是使用所述第一检测模块对所述目标图像进行粗检测后获得的,所述第二候选检测区域是使用所述第二检测模块对所述第二候选检测区域进行精检测后获得的。
可选地,所述目标检测对象包括人脸。
在另一种实现方式中:
接收模块401,用于获取目标图像,所述目标图像中包括目标检测对象。
处理模块402,用于对所述目标图像进行粗检测,获取所述目标检测对象的第一候选检测区域。
处理模块402,还用于将所述第一候选检测区域偏移x个像素,生成第二候选检测区域,x为大于或等于1的整数,所述第二候选检测区域与所述第一候选检测区域均为m×m像素的窗口,m为大于或等于2的整数。
处理模块402,还用于对所述第二候选检测区域进行精检测,获取所述目标检测对象。
可选地,所述目标检测对象包括人脸。
应理解的是,本申请实施例的装置400可以通过专用集成电路(application-specific integrated circuit,ASIC)实现,或可编程逻辑器件(programmable logicdevice,PLD)实现,上述PLD可以是复杂程序逻辑器件(complex programmable logicaldevice,CPLD),现场可编程门阵列(field-programmable gate array,FPGA),通用阵列逻辑(generic array logic,GAL)或其任意组合。也可以通过软件实现图3所示的检测方法或图8所示的检测方法,当通过软件实现图3所示的检测方法或图8所示的检测方法时,装置400及其各个模块也可以为软件模块。
根据本申请实施例的装置400可对应于执行本申请实施例中描述的方法,并且装置400中的各个模块的上述和其它操作和/或功能为了实现图3所示方法中的相应流程或图8所示方法中的相应流程,为了简洁,在此不再赘述。
图10为本申请提供的检测设备的结构示意图。如图10所示,所述设备500包括处理器501、存储器502、通信接口503和总线504。其中,处理器501、存储器502、通信接口503通过总线504进行通信,也可以通过无线传输等其他手段实现通信。该存储器502用于存储指令,该处理器501用于执行该存储器502存储的指令。该存储器502存储程序代码5021,且处理器501可以调用存储器502中存储的程序代码5021执行图3所示的检测方法或图8所示的检测方法。
应理解,在本申请实施例中,处理器501可以是CPU,处理器501还可以是其他通用处理器、数字信号处理器(DSP)、专用集成电路(ASIC)、现场可编程门阵列(FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者是任何常规的处理器等。
该存储器502可以包括只读存储器和随机存取存储器,并向处理器501提供指令和数据。存储器502还可以包括非易失性随机存取存储器。该存储器502可以是易失性存储器或非易失性存储器,或可包括易失性和非易失性存储器两者。其中,非易失性存储器可以是只读存储器(read-only memory,ROM)、可编程只读存储器(programmable ROM,PROM)、可擦除可编程只读存储器(erasable PROM,EPROM)、电可擦除可编程只读存储器(electricallyEPROM,EEPROM)或闪存。易失性存储器可以是随机存取存储器(random access memory,RAM),其用作外部高速缓存。通过示例性但不是限制性说明,许多形式的RAM可用,例如静态随机存取存储器(static RAM,SRAM)、动态随机存取存储器(DRAM)、同步动态随机存取存储器(synchronous DRAM,SDRAM)、双倍数据速率同步动态随机存取存储器(double datadate SDRAM,DDR SDRAM)、增强型同步动态随机存取存储器(enhanced SDRAM,ESDRAM)、同步连接动态随机存取存储器(synchlink DRAM,SLDRAM)和直接内存总线随机存取存储器(direct rambus RAM,DR RAM)。
该总线504除包括数据总线之外,还可以包括电源总线、控制总线和状态信号总线等。但是为了清楚说明起见,在图10中将各种总线都标为总线504。
应理解,根据本申请的检测设备500可对应于本申请中的装置400,设备500中的各个模块的上述和其它操作和/或功能分别为了实现图3中的检测方法的操作步骤,或者,设备500中的各个模块的上述和其它操作和/或功能分别为了实现图8中的检测方法的操作步骤,为了简洁,在此不再赘述。
上述实施例,可以全部或部分地通过软件、硬件、固件或其他任意组合来实现。当使用软件实现时,上述实施例可以全部或部分地以计算机程序产品的形式实现。所述计算机程序产品包括一个或多个计算机指令。在计算机上加载或执行所述计算机程序指令时,全部或部分地产生按照本申请实施例所述的流程或功能。所述计算机可以为通用计算机、专用计算机、计算机网络、或者其他可编程装置。所述计算机指令可以存储在计算机可读存储介质中,或者从一个计算机可读存储介质向另一个计算机可读存储介质传输,例如,所述计算机指令可以从一个网站站点、计算机、服务器或数据中心通过有线(例如同轴电缆、光纤、数字用户线(DSL))或无线(例如红外、无线、微波等)方式向另一个网站站点、计算机、服务器或数据中心进行传输。所述计算机可读存储介质可以是计算机能够存取的任何可用介质或者是包含一个或多个可用介质集合的服务器、数据中心等数据存储设备。所述可用介质可以是磁性介质(例如,软盘、硬盘、磁带)、光介质(例如,DVD)、或者半导体介质。半导体介质可以是固态硬盘(solid state drive,SSD)。
本领域普通技术人员可以意识到,结合本文中所公开的实施例描述的各示例的单元及算法步骤,能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本申请的范围。
所属领域的技术人员可以清楚地了解到,为描述的方便和简洁,上述描述的系统、装置和单元的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
在本申请所提供的几个实施例中,应该理解到,所揭露的系统、装置和方法,可以通过其它的方式实现。例如,以上所描述的装置实施例仅仅是示意性的,例如,所述单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口,装置或单元的间接耦合或通信连接,可以是电性,机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外,在本申请各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。
所述功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(Read-Only Memory,ROM)、随机存取存储器(Random Access Memory,RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述,仅为本申请的具体实施方式,但本申请的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本申请揭露的技术范围内,可轻易想到变化或替换,都应涵盖在本申请的保护范围之内。因此,本申请的保护范围应以所述权利要求的保护范围为准。
Claims (24)
1.一种检测方法,其特征在于,包括:
获取目标图像,所述目标图像中包括目标检测对象;
使用第一检测模块检测所述目标图像,获取所述目标检测对象的第一候选检测区域,所述第一检测模块是由n1级级联检测模块组成的,所述n1级级联检测模块是从N级级联自适应增强检测模块中选择的连续级联的检测模块,n1为小于N的正整数;
根据所述第一候选检测区域,生成第二候选检测区域;
使用第二检测模块检测所述第二候选检测区域,获取所述目标检测对象,所述第二检测模块是由n2级级联检测模块组成的,所述n2级级联检测模块是从所述N级级联自适应增强检测模块中选择的连续级联的检测模块,n2为小于N的正整数。
2.根据权利要求1所述的方法,其特征在于,所述根据所述第一候选检测区域,生成第二候选检测区域,包括:
将所述第一候选检测区域偏移x个像素,生成第二候选检测区域,x为大于或等于1的整数,所述第二候选检测区域与所述第一候选检测区域均为m×m像素的窗口,m为大于或等于2的整数。
3.根据权利要求1所述的方法,其特征在于,所述根据所述第一候选检测区域,生成第二候选检测区域,包括:
扩大所述第一候选检测区域,生成所述第二候选检测区域,所述第二候选检测区域中的像素数大于所述第一候选检测区域中的像素数。
4.根据权利要求1至3中任一项所述的方法,其特征在于,所述n1级级联检测模块的起始检测模块为首级检测模块。
5.根据权利要求1至3中任一项所述的方法,其特征在于,所述n2级级联检测模块的起始检测模块为首级检测模块。
6.根据权利要求1至3中任一项所述的方法,其特征在于,n2大于或等于n1。
7.根据权利要求1至3中任一项所述的方法,其特征在于,所述第一候选检测区域是使用所述第一检测模块对所述目标图像进行粗检测后获得的,所述目标检测对象是使用所述第二检测模块对所述第二候选检测区域进行精检测后获得的。
8.根据权利要求1至3中任一项所述的方法,其特征在于,所述目标检测对象包括人脸。
9.一种检测装置,其特征在于,包括:
接收模块,用于获取目标图像,所述目标图像中包括目标检测对象;
处理模块,用于使用第一检测模块检测所述目标图像,获取所述目标检测对象的第一候选检测区域,所述第一检测模块是由n1级级联检测模块组成的,所述n1级级联检测模块是从N级级联自适应增强检测模块中选择的连续级联的检测模块,n1为小于N的正整数;
所述处理模块,还用于根据所述第一候选检测区域,生成第二候选检测区域;
所述处理模块,还用于使用第二检测模块检测所述第二候选检测区域,获取所述目标检测对象,所述第二检测模块是由n2级级联检测模块组成的,所述n2级级联检测模块是从所述N级级联自适应增强检测模块中选择的连续级联的检测模块,n2为小于N的正整数。
10.根据权利要求9所述的装置,其特征在于,所述处理模块,具体用于将所述第一候选检测区域偏移x个像素,生成第二候选检测区域,x为大于或等于1的整数,所述第二候选检测区域与所述第一候选检测区域均为m×m像素的窗口,m为大于或等于2的整数。
11.根据权利要求9所述的装置,其特征在于,所述处理模块,具体用于扩大所述第一候选检测区域,生成所述第二候选检测区域,所述第二候选检测区域中的像素数大于所述第一候选检测区域中的像素数。
12.根据权利要求9至11中任一项所述的装置,其特征在于,所述n1级级联检测模块的起始检测模块为首级检测模块。
13.根据权利要求9至11中任一项所述的装置,其特征在于,所述n2级级联检测模块的起始检测模块为首级检测模块。
14.根据权利要求9至11中任一项所述的装置,其特征在于,n2大于或等于n1。
15.根据权利要求9至11中任一项所述的装置,其特征在于,所述第一候选检测区域是使用所述第一检测模块对所述目标图像进行粗检测后获得的,所述目标检测对象是使用所述第二检测模块对所述第二候选检测区域进行精检测后获得的。
16.根据权利要求9至11中任一项所述的装置,其特征在于,所述目标检测对象包括人脸。
17.一种检测设备,其特征在于,包括:
通信接口,用于获取目标图像,所述目标图像中包括目标检测对象;
存储器,用于存储程序代码;
所述存储器与处理器相连,所述程序代码被所述处理器执行之后,使得所述检测设备执行:
使用第一检测模块检测所述目标图像,获取所述目标检测对象的第一候选检测区域,所述第一检测模块是由n1级级联检测模块组成的,所述n1级级联检测模块是从N级级联自适应增强检测模块中选择的连续级联的检测模块,n1为小于N的正整数;
根据所述第一候选检测区域,生成第二候选检测区域;
使用第二检测模块检测所述第二候选检测区域,获取所述目标检测对象,所述第二检测模块是由n2级级联检测模块组成的,所述n2级级联检测模块是从所述N级级联自适应增强检测模块中选择的连续级联的检测模块,n2为小于N的正整数。
18.根据权利要求17所述的设备,其特征在于,所述检测设备具体用于执行以下操作:将所述第一候选检测区域偏移x个像素,生成第二候选检测区域,x为大于或等于1的整数,所述第二候选检测区域与所述第一候选检测区域均为m×m像素的窗口,m为大于或等于2的整数。
19.根据权利要求17所述的设备,其特征在于,所述检测设备具体用于执行以下操作:扩大所述第一候选检测区域,生成所述第二候选检测区域,所述第二候选检测区域中的像素数大于所述第一候选检测区域中的像素数。
20.根据权利要求17至19中任一项所述的设备,其特征在于,所述n1级级联检测模块的起始检测模块为首级检测模块。
21.根据权利要求17至19中任一项所述的设备,其特征在于,所述n2级级联检测模块的起始检测模块为首级检测模块。
22.根据权利要求17至19中任一项所述的设备,其特征在于,n2大于或等于n1。
23.根据权利要求17至19中任一项所述的设备,其特征在于,所述第一候选检测区域是使用所述第一检测模块对所述目标图像进行粗检测后获得的,所述目标检测对象是使用所述第二检测模块对所述第二候选检测区域进行精检测后获得的。
24.根据权利要求17至19中任一项所述的设备,其特征在于,所述目标检测对象包括人脸。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910773537.4A CN110674690B (zh) | 2019-08-21 | 2019-08-21 | 检测方法、检测装置与检测设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910773537.4A CN110674690B (zh) | 2019-08-21 | 2019-08-21 | 检测方法、检测装置与检测设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110674690A CN110674690A (zh) | 2020-01-10 |
CN110674690B true CN110674690B (zh) | 2022-06-14 |
Family
ID=69075446
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910773537.4A Active CN110674690B (zh) | 2019-08-21 | 2019-08-21 | 检测方法、检测装置与检测设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110674690B (zh) |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1731417A (zh) * | 2005-08-19 | 2006-02-08 | 清华大学 | 复杂背景图像中的鲁棒人脸检测方法 |
CN103745240A (zh) * | 2013-12-20 | 2014-04-23 | 许雪梅 | 一种基于Haar分类器和ORB特征的人脸检索方法及系统 |
CN105303163A (zh) * | 2015-09-22 | 2016-02-03 | 深圳市华尊科技股份有限公司 | 一种目标检测的方法及检测装置 |
CN106127161A (zh) * | 2016-06-29 | 2016-11-16 | 深圳市格视智能科技有限公司 | 基于级联多层检测器的快速目标检测方法 |
CN106529448A (zh) * | 2016-10-27 | 2017-03-22 | 四川长虹电器股份有限公司 | 利用聚合通道特征进行多视角人脸检测的方法 |
CN106570439A (zh) * | 2015-10-09 | 2017-04-19 | 腾讯科技(深圳)有限公司 | 一种车辆检测方法及装置 |
CN106650575A (zh) * | 2016-09-19 | 2017-05-10 | 北京小米移动软件有限公司 | 人脸检测方法及装置 |
CN106778683A (zh) * | 2017-01-12 | 2017-05-31 | 西安电子科技大学 | 基于改进lbp特征的快速多角度人脸检测方法 |
CN108171157A (zh) * | 2017-12-27 | 2018-06-15 | 南昌大学 | 基于多尺度局部块LBP直方图特征与Co-HOG特征相结合的人眼检测算法 |
-
2019
- 2019-08-21 CN CN201910773537.4A patent/CN110674690B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1731417A (zh) * | 2005-08-19 | 2006-02-08 | 清华大学 | 复杂背景图像中的鲁棒人脸检测方法 |
CN103745240A (zh) * | 2013-12-20 | 2014-04-23 | 许雪梅 | 一种基于Haar分类器和ORB特征的人脸检索方法及系统 |
CN105303163A (zh) * | 2015-09-22 | 2016-02-03 | 深圳市华尊科技股份有限公司 | 一种目标检测的方法及检测装置 |
CN106570439A (zh) * | 2015-10-09 | 2017-04-19 | 腾讯科技(深圳)有限公司 | 一种车辆检测方法及装置 |
CN106127161A (zh) * | 2016-06-29 | 2016-11-16 | 深圳市格视智能科技有限公司 | 基于级联多层检测器的快速目标检测方法 |
CN106650575A (zh) * | 2016-09-19 | 2017-05-10 | 北京小米移动软件有限公司 | 人脸检测方法及装置 |
CN106529448A (zh) * | 2016-10-27 | 2017-03-22 | 四川长虹电器股份有限公司 | 利用聚合通道特征进行多视角人脸检测的方法 |
CN106778683A (zh) * | 2017-01-12 | 2017-05-31 | 西安电子科技大学 | 基于改进lbp特征的快速多角度人脸检测方法 |
CN108171157A (zh) * | 2017-12-27 | 2018-06-15 | 南昌大学 | 基于多尺度局部块LBP直方图特征与Co-HOG特征相结合的人眼检测算法 |
Non-Patent Citations (1)
Title |
---|
"Eye Blink Based Detection of Liveness in Biometric Authentication Systems Using Conditional Random Fields";Mariusz Szwoch 等;《Springer》;20121231;第669-676页 * |
Also Published As
Publication number | Publication date |
---|---|
CN110674690A (zh) | 2020-01-10 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108268869B (zh) | 目标检测方法、装置及系统 | |
CN107545262B (zh) | 一种在自然场景图像中检测文本的方法及装置 | |
US11113816B2 (en) | Image segmentation apparatus, method and relevant computing device | |
US11755889B2 (en) | Method, system and apparatus for pattern recognition | |
US11164003B2 (en) | System and method for detecting objects in video sequences | |
KR20170125720A (ko) | 심층 신경망 기반의 인식 장치, 트레이닝 장치, 및 이들의 방법 | |
US9619753B2 (en) | Data analysis system and method | |
CN110796649B (zh) | 目标检测方法及装置、电子设备和存储介质 | |
US11734347B2 (en) | Video retrieval method and apparatus, device and storage medium | |
CN111640123B (zh) | 无背景图像的生成方法、装置、设备及介质 | |
CN110210480B (zh) | 文字识别方法、装置、电子设备和计算机可读存储介质 | |
CN112597918A (zh) | 文本检测方法及装置、电子设备、存储介质 | |
US11836898B2 (en) | Method and apparatus for generating image, and electronic device | |
CN115409855B (zh) | 图像处理方法、装置、电子设备和存储介质 | |
CN111461145A (zh) | 一种基于卷积神经网络进行目标检测的方法 | |
JP2021170284A (ja) | 情報処理装置及びプログラム | |
CN110992387B (zh) | 一种图像处理方法、装置及电子设备和存储介质 | |
CN110674690B (zh) | 检测方法、检测装置与检测设备 | |
CN112836756A (zh) | 图像识别模型训练方法、系统和计算机设备 | |
CN111369489B (zh) | 一种图像识别方法、装置及终端设备 | |
JP2015179426A (ja) | 情報処理装置、パラメータの決定方法、及びプログラム | |
CN111860287A (zh) | 一种目标检测方法及装置、存储介质 | |
CN114399494A (zh) | 异常细胞检测分割方法、装置、设备及存储介质 | |
CN113256662B (zh) | 病理切片图像分割方法、装置、计算机设备和存储介质 | |
CN111179175B (zh) | 基于卷积神经网络的图像处理方法、装置及存储介质 |
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 |