一种用于目标检测的分类器构建方法及目标检测方法技术

本发明专利技术公开了一种用于目标检测的分类器构建方法及目标检测方法，其中，分类器构建方法包括：负样本生成步骤，对获取到的场景原图集进行处理，得到不包含目标的背景集，根据所述背景集生成负样本；正样本生成步骤，对获取到的包含目标的正样品原图集进行处理，得到正样本集，所述正样本集包括多个正样本；分类器确定步骤，对于各个正样本，结合负样本和误识别样本，得到对应于各个正样本的子分类器，进而根据各个分类器的集合得到所需要的分类器。相较于现有的方法，该方法具有更高的检测率和捕获率。

【技术实现步骤摘要】

本专利技术涉及计算机视觉
，具体地说，涉及一种用于目标检测的分类器构建方法及目标检测方法。
技术介绍
目标检测一直都是计算机视觉领域的热门研究方向，它是计算机视觉任务中最为基本的组成部分，它的科研价值在于为计算机视觉中更为高级的任务(如目标识别、内容分析、人工智能等)提供基础研究和技术支持。除此之外，目标检测本身就有很好的商业应用价值，例如大多数数码相机中都使用配备的人脸检测系统等。基于静态图像的检测方法是目标检测方法中最为常用的方法之一。然而，现有的基于静态图像的目标检测方法构建分类器时需要收集大量的训练样本数据。通常一个成熟的分类器的建立往往需要10万个以上的训练样本数据。此外，现有的基于静态图像的目标检测方法对数据的统一性要求较高，这就使得在构建分类器时往往需要对样本数据进行多次筛选，以排除可能存在干扰的样本。
技术实现思路
为解决上述问题，本专利技术提供了一种用于目标检测的分类器构建方法，其特征在于，所述方法包括：负样本生成步骤，对获取到的场景原图集进行处理，得到不包含目标的背景集，根据所述背景集生成负样本；正样本生成步骤，对获取到的包含目标的正样品原图集进行处理，得到正样本集，所述正样本集包括多个正样本；分类器确定步骤，对于各个正样本，结合负样本和误识别样本，得到对应于各个正样本的子分类器，进而根据各个分类器的集合得到所需要的分类器。根据本专利技术的一个实施例，在分类器确定步骤中，还对得到的各个子分类器进行检测，包括：利用子分类器检测所述背景集，得到对应于该子分类器的检测目标和检测数：判断所述检测数与预设阈值是否匹配，如果不匹配，则将所述检测目标加入误识别样本中，得到新的误识别样本，并基于各个正样本、负样本和新的误识别样本重复子分类器的确定过程，直至检测数与预设阈值匹配，并将此时的子分类器作为所需要的子分类器。根据本专利技术的一个实施例，如果所述检测数大于预设阈值，则判断所述检测数与预设阈值匹配，否则判断所述检测数与预设阈值不匹配。根据本专利技术的一个实施例，在所述负样本生成步骤中，对获取到的背景集中的图片按照预设尺寸和/或预设移动步长进行变换，生成所述负样本。根据本专利技术的一个实施例，在所述正样本生成步骤中，按照预设类别对正样品原图集进行分类，得到多个正样本。根据本专利技术的一个实施例，在所述分类器确定步骤中，误识别样本的初始值为空。根据本专利技术的一个实施例，所述分类器确定步骤包括：提取各个正样本、负样本和误识别样本的特征值；根据提取到的特征值，基于预设算法进行机器学习训练，得到对应于各个正样本的子分类器。根据本专利技术的一个实施例，在所述分类器确定步骤中，提取的特征值为HOG特征值或Haar特征值。根据本专利技术的一个实施例，所述预设算法为SVM算法或boosted算法。本专利技术还提供给了一种目标检测方法，所述方法包括：利用预设分类器检测待处理图像，得到第一检测结果，其中，所述预设分类器是利用如上任一项所述的分类器构建方法构建得到的；利用预设先验值消除所述第一检测结果中的虚假目标，得到第二检测结果；对所述第二检测结果进行数据整合，得到目标检测结果。本专利技术所提供的用于目标检测的分类器的构建方法通过提供一套新的确定正样本和负样本的方法，找到了适用于不同复杂场景下最优的目标特征，从而有助于提高检测率。同时，本专利技术所提供的方法根据不同场景下的目标在图像中呈现的状态，把目标检测特征又归一到不同的类别中，并分别建立了自动化训练过以得到对应于不同分类的子分类器，从而进一步提高了检测率。本专利技术所提供的目标检测方法因使用新的分类器，相较于现有的目标检测方法，其具有更高的检测率、准确性和适用性。此外，本专利技术所提供的目标检测方法还利用先验值来消除虚假目标，从而使得得到的目标检测结果更加准确。该方法能够有效解决现有方法在复杂场景下目标检测率低、误识别率高和鲁棒性差的缺陷。本专利技术的其它特征和优点将在随后的说明书中阐述，并且，部分地从说明书中变得显而易见，或者通过实施本专利技术而了解。本专利技术的目的和其他优点可通过在说明书、权利要求书以及附图中所特别指出的结构来实现和获得。附图说明为了更清楚地说明本专利技术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的附图做简单的介绍：图1是根据本专利技术一个实施例的分类器构建方法的流程图；图2是根据本专利技术一个实施例的目标检测方法的流程图；图3是根据本专利技术一个实施例的目标检测方法的具体流程图。具体实施方式以下将结合附图及实施例来详细说明本专利技术的实施方式，借此对本专利技术如何应用技术手段来解决技术问题，并达成技术效果的实现过程能充分理解并据以实施。需要说明的是，只要不构成冲突，本专利技术中的各个实施例以及各实施例中的各个特征可以相互结合，所形成的技术方案均在本专利技术的保护范围之内。同时，在以下说明中，出于解释的目的而阐述了许多具体细节，以提供对本专利技术实施例的彻底理解。然而，对本领域的技术人员来说显而易见的是，本发明可以不用这里的具体细节或者所描述的特定方式来实施。另外，在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行，并且，虽然在流程图中示出了逻辑顺序，但是在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤。现有的目标检测方法大体可以分成两类：基于运动的目标检测方法和基于静态图像的目标检测方法。基于运动的目标检测方法主要有背景差分法、帧差法和光流法等。其中背景差分法计算简单，在实际系统中应用较为广泛。基于静态图像的目标检测方法主要包括基于模板的检测方法，基于目标模型的检测方法和基于机器学习的检测方法等。其中基于机器学习的目标检测是一个很重要而又很有发展前景的研究领域，有着广泛的应用价值，在诸如人机交互、车辆辅助驾驶、视频搜索和安全监控等领域都有着重要的作用。近几年计算机视觉领域中目标检测的研究表明，基于机器学习的目标检测方法的精度远强于其它的目标检测算法。目标检测就是希望计算机能像人类的感官系统一样，确定一幅图片中物体的具体位置。利用机器学习进行目标检测就是利用已知标记类别的训练数据，通过对分类器的训练学习，寻找能够将不同类别分开的模型对应的结构参数。而现有的目标检测方法在构建分类器时存在对样本数据量需求高大、对数据的统一性要求较高等缺陷，所以针对该缺陷，本实施例提供了一种新的构建用于目标检测的本文档来自技高网...

【技术保护点】
一种用于目标检测的分类器构建方法，其特征在于，所述方法包括：负样本生成步骤，对获取到的场景原图集进行处理，得到不包含目标的背景集，根据所述背景集生成负样本；正样本生成步骤，对获取到的包含目标的正样品原图集进行处理，得到正样本集，所述正样本集包括多个正样本；分类器确定步骤，对于各个正样本，结合负样本和误识别样本，得到对应于各个正样本的子分类器，进而根据各个分类器的集合得到所需要的分类器。

【技术特征摘要】
1.一种用于目标检测的分类器构建方法，其特征在于，所述方法包括：
负样本生成步骤，对获取到的场景原图集进行处理，得到不包含目标的背景
集，根据所述背景集生成负样本；
正样本生成步骤，对获取到的包含目标的正样品原图集进行处理，得到正样
本集，所述正样本集包括多个正样本；
分类器确定步骤，对于各个正样本，结合负样本和误识别样本，得到对应于
各个正样本的子分类器，进而根据各个分类器的集合得到所需要的分类器。
2.如权利要求1所述的方法，其特征在于，在分类器确定步骤中，还对得
到的各个子分类器进行检测，包括：
利用子分类器检测所述背景集，得到对应于该子分类器的检测目标和检测
数：
判断所述检测数与预设阈值是否匹配，如果不匹配，则将所述检测目标加入
误识别样本中，得到新的误识别样本，并基于各个正样本、负样本和新的误识别
样本重复子分类器的确定过程，直至检测数与预设阈值匹配，并将此时的子分类
器作为所需要的子分类器。
3.如权利要求2所述的方法，其特征在于，如果所述检测数大于预设阈值，
则判断所述检测数与预设阈值匹配，否则判断所述检测数与预设阈值不匹配。
4.如权利要求1～3中任一项所述的方法，其特征在于，在所述负样本生成
步骤中，对获取到的...

【专利技术属性】
技术研发人员：孙文超，侯林利，
申请(专利权)人：四川九洲电器集团有限责任公司，
类型：发明
国别省市：四川;51