一种基于图像的目标检测方法及装置制造方法及图纸

本发明专利技术提供了一种基于图像的目标检测方法及装置，在获得待检测图像之后，利用图像中目标物体的边缘信息，从待检测图像中确定出目标候选区域。然后，利用多粒度扫描从目标候选区域中提取特征向量。提取得到的特征向量输入到预先训练好的级联森林进行识别，确定目标候选区域中是否存在目标物体。该方法利用在提取特征向量之前确定出目标候选区域，该目标候选区域的范围小于整个待检测图像的范围，因此，从目标候选区域中提取的特征向量数量，远远小于从整个待检测图像中提取的特征向量数量，从而提高了检测速度。而且，与神经网络模型相比，级联森林模型中的参数数量较少，需要的训练数据较少，而且，检测准确率高。

An image based method and device for target detection

The invention provides a target detection method and device based on image. After obtaining the image to be detected, the target area is determined from the image to be detected by using the edge information of the target object in the image. Then, multi granularity scanning is used to extract feature vectors from target candidate regions. The extracted feature vectors are input to the pre trained cascade forest to identify objects in the target area. This method determines the candidate region before extracting the feature vectors, and the range of the target candidate region is less than the range of the entire image to be detected. Therefore, the number of feature vectors extracted from the target candidate region is far less than the number of eigenvectors extracted from the entire image to be detected, thus improving the detection speed. Degree. Moreover, compared with the neural network model, the number of parameters in the cascade forest model is less, the training data need less, and the detection accuracy is high.

【技术实现步骤摘要】
一种基于图像的目标检测方法及装置
本申请涉及图像处理
，更具体的说是涉及一种基于图像的目标检测方法及装置。
技术介绍
近年来，基于图像的车辆检测成为目标检测的一个重要热点。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重要的应用。基于机器学习的车辆检测方法是当前的主流方法。其中，基于卷积神经网络的深度学习模型在大规模图像分类任务上获得性能提高。而且，在车辆检测问题上也取得了较好的效果。但是，神经网络模型的参数很多，因此模型非常复杂，而且，训练模型时需要大量的训练数据，训练模型的过程复杂。导致整个检测过程复杂、耗时长等。
技术实现思路
有鉴于此，本申请提供一种基于图像的目标检测方法及装置，以解决现有的目标检测方法检测过程复杂、耗时长的技术问题。其技术方案如下：第一方面，本申请提供了一种基于图像的目标检测方法，包括：根据待检测图像所包含的目标物体的轮廓信息确定目标候选区域；利用预先训练得到的第一随机森林和第一完全随机树森林，从所述目标候选区域中提取特征向量；利用预先训练得到的级联森林对所述特征向量进行分类，识别出所述待检测图像中包含的目标物体，所述级联森林的每一级联层包括第一预设数量的第二随机森林和第一预设数量的第二完全随机树森林。可选地，所述根据待检测图像所包含的目标物体的轮廓信息确定目标候选区域，包括：利用边缘检测算法得到所述待检测图像中的目标物体的边缘图像；将所述边缘图像中连通的第二预设数量个边缘像素点划分为一组，得到多个边缘分组；计算每两个所述边缘分组之间的相似度；根据所述相似度确定包含所述目标物体轮廓的目标候选区域。可选地，所述利用所述第一随机森林和所述第一完全随机树森林，从所述目标候选区域中提取特征向量，包括：利用预设大小的滑动窗口扫描所述目标候选区域得到扫描特征；将所述扫描特征输入至所述预设大小的滑动窗口对应的第一完全随机树森林，得到第一类特征向量；将所述扫描特征输入至所述预设大小的滑动窗口对应的第一随机森林，得到第二类特征向量；将所述第一类特征向量和所述第二类特征向量进行级联，得到第三类特征向量；将不同大小的滑动窗口对应的所述第三类特征向量进行级联，得到所述目标候选区域的特征向量。可选地，所述方法还包括：利用预设大小的滑动窗口从训练样本中提取样例；利用所述样例训练得到第一随机森林，所述第一随机森林包括第四预设数量棵决策树；利用所述样例训练得到第一完全随机树森林，所述第一完全随机树森林包括第四预设数量棵决策树。可选地，所述方法还包括：将训练样本划分为生长子集和评估子集，所述生长子集与所述评估子集所包含的训练样本的数量比例满足预设比例；利用所述生长子集逐级训练级联森林的级联层，每一级所述级联层包括两个完全随机树森林和两个随机森林，且每个所述完全随机树森林包括第五预设数量棵决策树，每个所述随机森林包括第五预设数量棵决策树；当所述级联森林的级联层数增长后，利用所述评估子集验证当前级联森林的准确率是否提升；如果所述准确率没有提升，则所述级联森林的级联层数停止增加，得到最终的级联森林模型。第二方面，本申请还提供了一种基于图像的目标检测装置，包括：确定单元，用于根据待检测图像所包含的目标物体的轮廓信息确定目标候选区域；特征提取单元，用于利用预先训练得到的第一随机森林和第一完全随机树森林，从所述目标候选区域中提取特征向量；识别单元，用于利用预先训练得到的级联森林对所述特征向量进行分类，识别出所述待检测图像中包含的目标物体，所述级联森林的每一级联层包括第一预设数量的第二随机森林和第一预设数量的第二完全随机树森林。可选地，所述确定单元，包括：边缘提取子单元，用于利用边缘检测算法得到所述待检测图像中的目标物体的边缘图像；分组子单元，用于将所述边缘图像中连通的第二预设数量个边缘像素点划分为一组，得到多个边缘分组；第一计算子单元，用于计算每两个所述边缘分组之间的相似度；第一确定子单元，用于根据所述相似度确定包含所述目标物体轮廓的目标候选区域。可选地，所述特征提取单元，包括：扫描子单元，用于利用预设大小的滑动窗口扫描所述目标候选区域得到扫描特征；第一提取子单元，用于将所述扫描特征输入至所述预设大小的滑动窗口对应的第一完全随机树森林，得到第一类特征向量；第二提取子单元，用于将所述扫描特征输入至所述预设大小的滑动窗口对应的第一随机森林，得到第二类特征向量；第一级联子单元，用于将所述第一类特征向量和所述第二类特征向量进行级联，得到第三类特征向量；第二级联子单元，用于将不同大小的滑动窗口对应的所述第三类特征向量进行级联，得到所述目标候选区域的特征向量。可选地，所述装置还包括：第一提取单元，用于利用预设大小的滑动窗口从训练样本中提取样例；第一训练单元，用于利用所述样例训练得到第一随机森林，所述第一随机森林包括第四预设数量棵决策树；第二训练单元，用于利用所述样例训练得到第一完全随机树森林，所述第一完全随机树森林包括第四预设数量棵决策树。可选地，所述装置还包括：样本集划分单元，用于将训练样本划分为生长子集和评估子集，所述生长子集与所述评估子集所包含的训练样本的数量比例满足预设比例；第三训练单元，用于利用所述生长子集逐级训练级联森林的级联层，每一级所述级联层包括两个完全随机树森林和两个随机森林，且每个所述完全随机树森林包括第五预设数量棵决策树，每个所述随机森林包括第五预设数量棵决策树；验证单元，用于当所述级联森林的级联层数增长后，利用所述评估子集验证当前级联森林的准确率是否提升，如果所述准确率没有提升，则所述级联森林的级联层数停止增加，得到最终的级联森林模型。本申请提供的基于图像的目标检测方法，在获得待检测图像之后，利用图像中目标物体的边缘信息，从待检测图像中确定出目标候选区域。然后，利用多粒度扫描技术从目标候选区域中提取特征向量。提取得到的特征向量输入到预先训练好的级联森林进行识别，确定目标候选区域中是否存在目标物体。首先，该方法利用在提取特征向量之前确定出目标候选区域，该目标候选区域的范围小于整个待检测图像的范围，因此，从目标候选区域中提取的特征向量数量，远远小于从整个待检测图像中提取的特征向量数量，从而提高了检测速度。其次，利用多粒度扫描能够更好地得到图像像素点之间的空间信息，提高了检测结果的准确率。与神经网络模型相比，级联森林模型中的参数数量较少，需要的训练数据较少，而且，检测准确率高。附图说明为了更清楚地说明本申请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申请的实施例，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是本申请实施例一种基于图像的目标检测方法的流程图；图2是本申请实施例一种确定目标候选区域过程的流程图；图3是本申请实施例一种提取特征向量的过程的流程图；图4是本申请实施例另一种基于图像的目标检测方法的流程图；图5是本申请实施例一种基于图像的目标检测装置的框图；图6是本申请实施例一种确定单元的框图；图7是本申请实施例一种特征提取单元的框图；图8是本申请实施例另一种基于图像的目标检测装置的框图。具体实施方式下面将结合本申请实施例中的附图，对本申请实施例中的技术本文档来自技高网...

【技术保护点】
一种基于图像的目标检测方法，其特征在于，包括：根据待检测图像所包含的目标物体的轮廓信息确定目标候选区域；利用预先训练得到的第一随机森林和第一完全随机树森林，从所述目标候选区域中提取特征向量；利用预先训练得到的级联森林对所述特征向量进行分类，识别出所述待检测图像中包含的目标物体，所述级联森林的每一级联层包括第一预设数量的第二随机森林和第一预设数量的第二完全随机树森林。

【技术特征摘要】
1.一种基于图像的目标检测方法，其特征在于，包括：根据待检测图像所包含的目标物体的轮廓信息确定目标候选区域；利用预先训练得到的第一随机森林和第一完全随机树森林，从所述目标候选区域中提取特征向量；利用预先训练得到的级联森林对所述特征向量进行分类，识别出所述待检测图像中包含的目标物体，所述级联森林的每一级联层包括第一预设数量的第二随机森林和第一预设数量的第二完全随机树森林。2.根据权利要求1所述的方法，其特征在于，所述根据待检测图像所包含的目标物体的轮廓信息确定目标候选区域，包括：利用边缘检测算法得到所述待检测图像中的目标物体的边缘图像；将所述边缘图像中连通的第二预设数量个边缘像素点划分为一组，得到多个边缘分组；计算每两个所述边缘分组之间的相似度；根据所述相似度确定包含所述目标物体轮廓的目标候选区域。3.根据权利要求2所述的方法，其特征在于，所述利用所述第一随机森林和所述第一完全随机树森林，从所述目标候选区域中提取特征向量，包括：利用预设大小的滑动窗口扫描所述目标候选区域得到扫描特征；将所述扫描特征输入至所述预设大小的滑动窗口对应的第一完全随机树森林，得到第一类特征向量；将所述扫描特征输入至所述预设大小的滑动窗口对应的第一随机森林，得到第二类特征向量；将所述第一类特征向量和所述第二类特征向量进行级联，得到第三类特征向量；将不同大小的滑动窗口对应的所述第三类特征向量进行级联，得到所述目标候选区域的特征向量。4.根据权利要求1所述的方法，其特征在于，所述方法还包括：利用预设大小的滑动窗口从训练样本中提取样例；利用所述样例训练得到第一随机森林，所述第一随机森林包括第四预设数量棵决策树；利用所述样例训练得到第一完全随机树森林，所述第一完全随机树森林包括第四预设数量棵决策树。5.根据权利要求1所述的方法，其特征在于，所述方法还包括：将训练样本划分为生长子集和评估子集，所述生长子集与所述评估子集所包含的训练样本的数量比例满足预设比例；利用所述生长子集逐级训练级联森林的级联层，每一级所述级联层包括两个完全随机树森林和两个随机森林，且每个所述完全随机树森林包括第五预设数量棵决策树，每个所述随机森林包括第五预设数量棵决策树；当所述级联森林的级联层数增长后，利用所述评估子集验证当前级联森林的准确率是否提升；如果所述准确率没有提升，则所述级联森林的级联层数停止增加，得到最终的级联森林模型。6.一种基于图像的目标检测装置，其特征在于，包括：确定单元，用于根据待检测图像所包含的目标物体的轮廓信息确...

【专利技术属性】
技术研发人员：娄玉强，蒋华涛，常琳，李庆，陈大鹏，薛静，
申请(专利权)人：中国科学院微电子研究所，
类型：发明
国别省市：北京,11