基于分类器的目标检测方法及装置制造方法及图纸

本发明专利技术公开了一种基于分类器的目标检测方法，包括：根据预设的缩放因子，由原始图像建立图像金字塔；提取图像金字塔的中间X个图层，利用固定的滑动窗口进行遍历采样，对采样图像用分类器计算对应的置信度，得到每个图层中置信度最高的Y个采样图像对应的置信采样点；将XY个置信度最高的采样图像对应的置信采样点映射到图像金字塔各图层中的对应点，并将每个置信采样点及对应点组成一条采样链；对每条采样链中各点利用所述滑动窗口提取对应图层的窗口图像，再对各窗口图像用分类器计算对应的置信度，得到每条采样链中置信度最高的窗口图像；将各条采样链中置信度最高的窗口图像映射到原始图像中的检测结果窗口；合并原始图像中的检测结果窗口。

【技术实现步骤摘要】
基于分类器的目标检测方法及装置
本专利技术涉及智能视频监控
，特别是涉及一种基于分类器的目标检测方法及装置。
技术介绍
分类器算法是智能视频分析领域中常用的目标检测算法。最常见的分类器如Adaboost分类器，由Freud和Shapire等人提出。Adaboost算法通过学习标记为正负的样本，提取目标概念的知识，从而泛化为其它未见过的检测过程中。在传统的目标检测过程中，大致分为两部分。一是将图像的分辨率进行不断缩放，形成图像金字塔。如图1所示，缩放比例δ＜1为缩放因子，图层0为原始图像，图层1、图层2为原始图像缩放1次、2次后得到的图像……。二是在图像金字塔中每一图层中利用固定大小的滑动窗口进行遍历采样，利用Adaboost分类器对采样图像进行判定，当判定的输出结果为1为所要检测的目标，当输出结果为0则为非目标。综上，传统技术中，虽然Adaboost分类器虽然对采样图像的判定时间很短(微秒级)，但由于是对各个图层进行遍历采样，采样总数目(通常会达到数百万)比较庞大，这样目标检测所需要的时间就比较长。此外，由于Adaboost分类器对采样图像进行二值化判定，检测结果就非常依赖于分类器的性能，如果预先训练的Adaboost性能较高(例如训练采用的正负样本多等)，检测结果就比较准确，而当Adaboost分类器不是最优，检测结果就会出现过多的虚警。
技术实现思路
基于此，有必要针提供一种基于Adaboost分类器的目标检测方法和装置，能够提高目标检测的速度，并且降低虚警。一种基于分类器的目标检测方法，包括：根据预设的缩放因子，由原始图像建立图像金字塔；提取所述图像金字塔的中间X个图层，利用固定的滑动窗口进行遍历采样，对采样图像用分类器计算对应的置信度，得到每个图层中置信度最高的Y个采样图像对应的置信采样点，其中X、Y为正整数；将所提取的X个图层中共计XY个置信度最高的采样图像对应的置信采样点映射到所述图像金字塔各图层中的对应点，并将每个所述置信采样点及对应点组成一条采样链；对每条所述采样链中各点利用所述滑动窗口提取对应图层的窗口图像，再对各窗口图像用分类器计算对应的置信度，得到每条采样链中置信度最高的窗口图像；将各条采样链中置信度最高的窗口图像映射到原始图像中的检测结果窗口；合并所述原始图像中的检测结果窗口。在其中一个实施例中，所述对采样图像用分类器计算对应的置信度，包括：对采样图像利用级联Adaboost分类器计算对应的置信度；所述对各窗口图像用分类器计算对应的置信度，包括：对各窗口图像用级联Adaboost分类器计算对应的置信度；其中，所述级联Adaboost分类器为预先训练的分类器，包括多个级联的强分类器，每个所述强分类器包含多个弱分类器；所述对采样图像/窗口图像用级联Adaboost分类器计算对应的置信度，包括：S1：将置信度初始值设置为0；S2：按强分类器的级次，执行下列循环：利用强分类器中所包含的弱分类器分别计算所述采样图像/窗口图像的分值，并将各弱分类器的分值累加作为强分类器分值；若强分类器分值小于阈值，则未通过强分类器检测，计算强分类器的第一归一化分值，用置信度的当前值减去第一归一化分值作为更新后的置信度，并退出所述循环；否则，通过强分类器检测，计算强分类器的第二归一化分值，用置信度的当前值加上第二归一化分值作为更新后的置信度，并继续执行所述循环。在其中一个实施例中，所述X＝3，所述Y＝8。在其中一个实施例中，在所述合并所述原始图像中的检测结果窗口的步骤之前，所述方法还包括：对所述检测结果窗口进行滤除处理，滤除置信度小于预值或没有通过所有强分类器检测的窗口图像对应的检测结果窗口。在其中一个实施例中，合并所述原始图像中的检测结果窗口的步骤，包括：将原始图像中任意两个相重叠的检测结果窗口按照下列公式进行合并：R＝(Ri×wi+Rj×wj)/(wi+wj)，其中Ri＝(xi,yi,ai,bi)，Rj＝(xj,yj,aj,bj)为两重叠的检测结果窗口，(xi,yi)、(xj,yj)分别为检测结果窗口的顶点，ai、aj分别为检测结果窗口的长，bi、bj分别为检测结果窗口的宽，wi、wj分别为对应的置信度。一种基于分类器的目标检测装置，包括：图像金字塔建立单元，用于根据预设的缩放因子，由原始图像建立图像金字塔；置信采样点分析单元，用于提取所述图像金字塔的中间X个图层，利用固定的滑动窗口进行遍历采样，对采样图像用分类器计算对应的置信度，得到每个图层中置信度最高的Y个采样图像对应的置信采样点，其中X、Y为正整数；采样链组建立单元，用于将所提取的X个图层中共计XY个置信度最高的采样图像对应的置信采样点映射到所述图像金字塔各图层中的对应点，并将每个所述置信采样点及对应点组成一条采样链；采样链分析单元，对每条所述采样链中各点利用所述滑动窗口提取对应图层的窗口图像，再对各窗口图像用分类器计算对应的置信度，得到每条采样链中置信度最高的窗口图像；原始图像还原单元，用于将各条采样链中置信度最高的窗口图像映射到原始图像中的检测结果窗口；检测结果合并单元，用于合并所述原始图像中的检测结果窗口。在其中一个实施例中，所述置信采样点分析单元用于对所述采样图像利用级联Adaboost分类器计算对应的置信度；所述采样链分析单元用于对各窗口图像用级联Adaboost分类器计算对应的置信度。在其中一个实施例中，所述X＝3，所述Y＝8。在其中一个实施例中，所述装置还包括过滤单元，用于对检测结果窗口进行滤除处理，滤除置信度小于预值或没有通过所有强分类器检测的窗口图像对应的检测结果窗口。在其中一个实施例中，所述检测结果合并单元，用于将原始图像中任意两个相重叠的检测结果窗口按照下列公式进行合并：R＝(Ri×wi+Rj×wj)/(wi+wj)，其中Ri＝(xi,yi,ai,bi)，Rj＝(xj,yj,aj,bj)为两重叠的检测结果窗口，(xi,yi)、(xj,yj)分别为检测结果窗口的顶点，ai、aj分别为检测结果窗口的长，bi、bj分别为检测结果窗口的宽，wi、wj分别为对应的置信度。上述基于分类器的目标检测方法和装置，只对图像金字塔中的中间X各图层进行遍历采样，计算得到置信度最高的XY个采样图像对应的置信采样点，再由置信采样点及其在各图层中相应的点建立采样链，再由每条采样链置信度最大的窗口图像映射到原始图像中的检测结果窗口，最后合并检测结果窗口作为检测的目标，相比于传统技术对图像金字塔中的所有图层进行遍历采样，减少了采样数目，从而提高了目标检测的速度，并且所用的分类器的输出为连续的置信度，而不是二值化的0或1，由此目标检测的精确度对分类器的依赖性大大降低，降低了目标检测的虚警。附图说明图1为图像金字塔示意图；图2为一个实施例中的基于分类器的目标检测方法的流程示意图；图3为一个实施例中采用基于分类器的目标检测方法进行目标检测的示意图；图4为一个实施例中的基于分类器的目标检测装置的结构示意图。具体实施方式为了使本专利技术的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本专利技术进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本专利技术，并不用于限定本专利技术。参见图2，在一个实施例中提供了一种基于分类器的目标检测方法。该方法包本文档来自技高网...

【技术保护点】
一种基于分类器的目标检测方法，其特征在于，所述方法包括：根据预设的缩放因子，由原始图像建立图像金字塔；提取所述图像金字塔的中间X个图层，利用固定的滑动窗口进行遍历采样，对采样图像用分类器计算对应的置信度，得到每个图层中置信度最高的Y个采样图像对应的置信采样点，其中X、Y为正整数；将所提取的X个图层中共计XY个置信度最高的采样图像对应的置信采样点映射到所述图像金字塔各图层中的对应点，并将每个所述置信采样点及对应点组成一条采样链；对每条所述采样链中各点利用所述滑动窗口提取对应图层的窗口图像，再对各窗口图像用分类器计算对应的置信度，得到每条采样链中置信度最高的窗口图像；将各条采样链中置信度最高的窗口图像映射到原始图像中的检测结果窗口；合并所述原始图像中的检测结果窗口。

【技术特征摘要】
1.一种基于分类器的目标检测方法，其特征在于，所述方法包括：根据预设的缩放因子，由原始图像建立图像金字塔；提取所述图像金字塔的中间X个图层，利用固定的滑动窗口进行遍历采样，对采样图像用分类器计算对应的置信度，得到每个图层中置信度最高的Y个采样图像对应的置信采样点，其中X、Y为正整数；将所提取的X个图层中共计XY个置信度最高的采样图像对应的置信采样点映射到所述图像金字塔各图层中的对应点，并将每个所述置信采样点及对应点组成一条采样链；对每条所述采样链中各点利用所述滑动窗口提取对应图层的窗口图像，再对各窗口图像用分类器计算对应的置信度，得到每条采样链中置信度最高的窗口图像；将各条采样链中置信度最高的窗口图像映射到原始图像中的检测结果窗口；合并所述原始图像中的检测结果窗口，所述合并所述原始图像中的检测结果窗口的步骤，包括：将原始图像中任意两个相重叠的检测结果窗口按照下列公式进行合并：R＝(Ri×wi+Rj×wj)/(wi+wj)，其中Ri＝(xi,yi,ai,bi)、Rj＝(xj,yj,aj,bj)为两重叠的检测结果窗口，(xi,yi)、(xj,yj)分别为检测结果窗口的顶点，ai、aj分别为检测结果窗口的长，bi、bj分别为检测结果窗口的宽，wi、wj分别为对应的置信度。2.根据权利要求1所述的方法，其特征在于，所述对采样图像用分类器计算对应的置信度，包括：对采样图像利用级联Adaboost分类器计算对应的置信度；所述对各窗口图像用分类器计算对应的置信度，包括：对各窗口图像用级联Adaboost分类器计算对应的置信度；其中，所述级联Adaboost分类器为预先训练的分类器，包括多个级联的强分类器，每个所述强分类器包含多个弱分类器；所述对采样图像/窗口图像用级联Adaboost分类器计算对应的置信度，包括：S1：将置信度初始值设置为0；S2：按强分类器的级次，执行下列循环：利用强分类器中所包含的弱分类器分别计算所述采样图像/窗口图像的分值，并将各弱分类器的分值累加作为强分类器分值；若强分类器分值小于阈值，则未通过强分类器检测，计算强分类器的第一归一化分值，用置信度的当前值减去第一归一化分值作为更新后的置信度，并退出所述循环；否则，通过强分类器检测，计算强分类器的第二归一化分值，用置信度的当前值加上第二归一化分值...

【专利技术属性】
技术研发人员：孙海涌，
申请(专利权)人：深圳市智美达科技有限公司，
类型：发明
国别省市：广东;44