通用物件检测方法及系统技术方案

本发明专利技术公开了一种通用物件检测方法及系统。方法包括检测过程，该过程为：对于输入的待检测图像，根据预设窗口进行遍历；在遍历期间，对待检测图像进行提取颜色特征、梯度特征及位置尺寸特征，提取位置尺寸特征包括根据预先获得的位置概率表确定出待检测图像中不同位置上出现目标的概率；将提取出的梯度特征输入第一SVM进行训练，得到第一SVM的输出；将提取出的颜色特征、第一SVM的输出及确定出的概率输入到预先训练得到的第二SVM分类器，输出目标检测结果。本发明专利技术结合三种特征以及级联的SVM分类器进行物件检测，从而可以不仅仅是关注在某一特定物件的检测，而且能够将待检测图像中所有可能存在有用信息的区域(即通用物件)检测出来。

【技术实现步骤摘要】
通用物件检测方法及系统
本专利技术涉及视频监控
，具体涉及一种通用物件检测方法与系统。
技术介绍
目前视频监控已经非常普遍，许多场所都安装有摄像头用于监视场所周围的状况。作为视频监控的基本处理部分，物件检测是个非常活跃的研究方向。现有的物件检测通常针对单一的特定的物件例如行人、车辆或动物等进行检测，其涉及的物件检测算法只能检测一种特定的物件，例如算法只能够检测行人，不能将该算法用于检测车辆，否则检测结果通常会出错。也就是说，现有的物件检测算法不能在输入的待检测图像中检测出一般认为是有用信息的物件，即广义的物件。广义的物件是指具有封闭边界的有用物件，又称通用物件。此外，在物件检测过程中，常常遇到动态的背景或者是由于光照导致的背景被误认为是物件而被框选出来的情况，例如水波纹，而这些通常不是希望检测的物件，称之为无定型背景物件，无定型背景与通用物件的形态有很大的区别，无定型背景通常不具有封闭边界。
技术实现思路
本专利技术提供一种适用于对通用物件进行检测的方法和系统。 根据本专利技术的第一方面，本专利技术提供一种通用物件的检测方法，包括检测过程，所述检测过程包括:对于输入的待检测图像，根据预设窗口进行遍历；在遍历期间，对所述待检测图像进行特征提取，包括提取颜色特征、提取梯度特征、以及提取位置尺寸特征，所述提取位置尺寸特征包括根据预先获得的位置概率表确定出所述待检测图像中不同位置上出现目标的概率；将提取出的梯度特征输入第一支持向量机进行训练，得到与梯度特征对应的第一支持向量机的输出；将提取出的颜色特征、所述第一支持向量机的输出、以及所述待检测图像中不同位置上出现目标的概率输入到预先训练得到的第二支持向量机分类器，输出目标检测结果。 根据本专利技术的第二方面，本专利技术提供一种通用物件的检测系统，包括检测装置，所述检测装置包括:特征提取模块，用于对输入的待检测图像，根据预设窗口进行遍历，在遍历期间，对所述待检测图像进行特征提取，包括提取颜色特征、提取梯度特征、以及提取位置尺寸特征，所述提取位置尺寸特征包括根据预先获得的位置概率表确定出所述待检测图像中不同位置上出现目标的概率，还用于将提取出的梯度特征第一支持向量机进行训练，得到与梯度特征对应的第一支持向量机的输出；目标检测模块，用于将提取出的颜色特征、所述第一支持向量机的输出、以及所述待检测图像中不同位置上出现目标的概率输入到预先训练得到的第二支持向量机分类器，输出目标检测结果。 本专利技术的有益效果是:由于含有物件的小块图像与其邻域图像的颜色一般相差较大，本专利技术通过提取的颜色特征来区分待检测图像中是否含有物件，又考虑到梯度图对形状和位移的变化不敏感，所以本专利技术提取梯度特征并使用SVM对其梯度特征进行训练以得到较好的梯度信息，本专利技术还根据含有物件的小块图像的高宽及其在待检测图像中的位置作为特征来计算待检测图像中与小块图像对应的区域含有物件的概率，结合这三种特征送入SVM分类器进行物件检测，从而，可以不仅仅是关注在某一特定物件的检测，而且能够将待检测图像中所有可能存在有用信息的区域(即通用物件)检测出来。 【附图说明】 图1为本专利技术一种实施例的通用物件检测方法的训练过程的流程示意图； 图2为本专利技术一种实施例的通用物件检测方法的检测过程的流程示意图；。 【具体实施方式】 本专利技术根据通用物件如车、人、牛等都是具有完整的闭合曲线而无定型背景物件如天空、草、路等没有完整闭合曲线的特点，使用SVM(Support Vector Machine,支持向量机)分类器组合的方式以及计算先验概率来检测出通用物件。 下面通过【具体实施方式】结合附图对本专利技术作进一步详细说明。 [实施例1] 本实施例提供一种通用物件的检测方法，其将输入的待检测图像送入预先训练好的SVM分类器进行检测，由此检测出待检测图像中包含的所有通用物件。该方法包括如图1所示的训练过程和如图2所示的检测过程，具体说明如下。 1.训练过程 对于输入的样本图像，检测操作者在其上选择的目标区域，例如操作者通过鼠标等输入设备在样本图像中框选出含有物件的区域，这里将该区域称为预设窗口或者称为子图，而所输入的样本图像可以称为主图。 由于含有物件的子图一般与它附近的区域(称为邻域图)相差较大，通过二者的颜色对比度可以得到子图与邻域图的区分度，据此，通过对颜色特征的提取，从而可以确定图像上某区域是否物件。本实施例中颜色特征的提取是基于颜色直方图的巴氏(Bhattacharyya)距离判定方法来进行的。假设Surr (w, thetaCC)为邻域图，即以子图w为中心来扩大预设范围thetaCC后的图像且该图像不包含子图，显然，Surr(w, thetaCC)=w*thetaCOthetaCC_w,采用如下公式(I)可以得到颜色特征CC。 CC (w，thetaCC) = compare (h (w), h (Surr (w, thetaCC))) (I) 其中，h(w)表示子图的LAB直方图(即在LAB颜色空间上的颜色直方图)，h(Surr (w，thetaCC))表示邻域图的LAB直方图，CC(w, thetaCC)为两个直方图即h(w)和h (Surr (w, thetaCC))的对比值，compare (h (w), h (Surr (w, thetaCC)))代表比较方式，实施例中采用的是巴氏距离作为这两个直方图的比较方式。 考虑到颜色特征能够在物件颜色与背景颜色差别比较大的时候能有较好的表现，而当物件颜色与背景颜色非常接近时，颜色特征的效果会失效。所以本实施例还考虑了梯度特征，这是由于具有有用物件的子图一般具有封闭的边界，当子图缩小时，封闭边界的变化很少，因此将含物件的子图缩小到一定大小的时候，其梯度绝对值有很大的相关性。梯度特征具有位置、尺度的不变性，因此，它对物件的位置、偏移都不敏感，而这对于分辨任意的是否含有物件的子图非常有利。即使用梯度特征可以作为检测图像是否含有物件的依据之一。为了有效的使用这个特征，首先将这个输入图像放大或缩小到预设尺寸即进行归一化处理，例如为8*8的大小，然后计算它们的梯度绝对值NG，采用如下公式⑵?(4)。 GradX (x,y) = 11 (χ-l, y)-1 (x+1, y) | *2(2) GradY (x, y) = I (x, y-1) -1 (x, y+1) | *2(3) NG (x, y) = max (GradX (x, y), GradY (x, y)) (4) 其中，NG(x, y)为坐标位置(x, y)处像素点的梯度值，GradX(x，y)为坐标位置(x, y)处像素点在X方向的梯度值，GradY(x，y)为坐标位置(x，y)处像素点在Y方向的梯度值，I (x-1, y)、I (χ+1, y)、I (x, y-1)和 I (x, y+1)分别表示坐标位置(χ-l, y)、(χ+l, y)、(X，y-1)和(X，y+1)处像素点的灰度值。 将提取出的梯度特征输入SVM(为便于说明，将此SVM称为第一级SVM)进行训练，得到对应的权重向量V以及偏移量rho，以前述8*8为例，V的尺寸为1*64，梯度特征本文档来自技高网...

【技术保护点】
一种通用物件的检测方法，其特征在于包括检测过程，所述检测过程包括：对于输入的待检测图像，根据预设窗口进行遍历；在遍历期间，对所述待检测图像进行特征提取，包括提取颜色特征、提取梯度特征、以及提取位置尺寸特征，所述提取位置尺寸特征包括根据预先获得的位置概率表确定出所述待检测图像中不同位置上出现目标的概率；将提取出的梯度特征输入第一支持向量机进行训练，得到与梯度特征对应的第一支持向量机的输出；将提取出的颜色特征、所述第一支持向量机的输出、以及所述待检测图像中不同位置上出现目标的概率输入到预先训练得到的第二支持向量机分类器，输出目标检测结果。

【技术特征摘要】
1.一种通用物件的检测方法，其特征在于包括检测过程，所述检测过程包括: 对于输入的待检测图像，根据预设窗口进行遍历； 在遍历期间，对所述待检测图像进行特征提取，包括提取颜色特征、提取梯度特征、以及提取位置尺寸特征，所述提取位置尺寸特征包括根据预先获得的位置概率表确定出所述待检测图像中不同位置上出现目标的概率； 将提取出的梯度特征输入第一支持向量机进行训练，得到与梯度特征对应的第一支持向量机的输出；将提取出的颜色特征、所述第一支持向量机的输出、以及所述待检测图像中不同位置上出现目标的概率输入到预先训练得到的第二支持向量机分类器，输出目标检测结果。2.如权利要求1所述的方法，其特征在于，还包括在所述检测过程执行之前的训练过程，所述训练过程包括: 将检测到的操作者在输入的样本图像上选择的目标区域作为预设窗口，记录所述预设窗口的位置尺寸信息，所述位置尺寸信息包括所述预设窗口的高度和宽度以及所述预设窗口在所述样本图像中的位置； 根据所述预设窗口及其预设邻域的颜色信息提取颜色特征； 对所述预设窗口提取梯度特征，将提取出的梯度特征输入第一支持向量机进行训练，得到训练过程中与梯度特征对应的第一支持向量机的输出； 根据所述预设窗口的位置尺寸信息对所述样本进行位置概率计算以便得到位置概率表，所述位置概率表包括所述样本图像中不同位置及其对应的可能出现目标的概率； 将提取出的颜色特征、所述训练过程中与梯度特征对应的第一支持向量机的输出、以及所述位置概率表输入第二支持向量机进行训练，得到第二支持向量机分类器。3.如权利要求1或2所述的方法，其特征在于，所述提取颜色特征包括:基于颜色直方图的巴氏距离判定方法进行计算，计算结果作为提取出的颜色特征。4.如权利要求1或2所述的方法，其特征在于，所述提取梯度特征包括:将预设窗口放大或缩小到预设尺寸，对放大或缩小后的预设窗口进行梯度计算，计算公式为:NG(x，y)=max (GradX (X，y)，GradY (X，y)),其中NG (X，y)为坐标位置(x, y)处像素点的梯度值，GradX (x，y)为坐标位置(x, y)处像素点在X方向的梯度值，GradY (x, y)为坐标位置(x, y)处像素点在Y方向的梯度值。5.如权利要求2所述的方法，其特征在于，所述位置概率计算包括: 将所述样本图像放大或缩小到预设尺寸，根据所述预设窗口的位置尺寸信息，确定出所述预设窗口在放大或缩小后的样本图像中的位置尺寸信息； 根据确定出的位置尺寸信息，按所述预设窗口在所述放大或缩小后的样本图像中进行遍历，并利用高斯模型进行核密度估计，以便得到遍历过程中与所述预设窗口对应的区域含有物件的概率。6.如权利要求2所述的方法，其特征在于，所述核密度估计的计算公式为 rI1-U\r-W,f IhetaLS-HW-Wl) LS (W, /he/aLS) = — > -- e 2'C^'-'lth...

【专利技术属性】
技术研发人员：龚敏，冯广思，刘凯，
申请(专利权)人：深圳市华尊科技有限公司，
类型：发明
国别省市：广东;44