目标检测系统及方法技术方案

本发明专利技术公开了一种目标检测方法，所述方法包括：获取输入图像的特征图及两倍分辨率特征图；可变形部件模型的根滤波器作用在所述特征图上，抓取目标物体的全局特征，可变形部件模型的各个部件滤波器作用在所述两倍分辨率的特征图上，抓取目标物体的局部特征；基于最大期望EM算法训练的多个支持向量机SVM分类器根据目标物体的全局特征以及局部特征，识别所述输入图像中的目标物体；输出检测结果。相应的还公开了一种目标检测系统，不仅检测精度和性能已经能够满足实际要求，而且有望在短期内达到大规模工业化的应用。

【技术实现步骤摘要】

本专利技术涉及目标检测
，尤其涉及一种。
技术介绍
目前，目标检测在学术上有许多模型，其中可形变部件模型Oeformable Part Model，DPM)是最近最为流行的图形中物体检测模型，由于能准确的检测出目标而受到欢 迎，是公认最好的目标检测算法。 但是，目前使用DPM的目标检测技术应用于车辆、行人的检测时，其检测效果仍需 提升。现有目标检测技术检测效率、检测精度不仅未能达到实际要求，而且难以大规模工业 化应用。
技术实现思路
为解决现有目标检测技术检测效率、检测精度未能达到实际要求的技术问题，本 专利技术实施例提供一种。 为达到上述目的，本专利技术实施例的技术方案是这样实现的： -种目标检测方法，所述方法包括： 获取输入图像的特征图及两倍分辨率特征图； 可变形部件模型的根滤波器作用在所述特征图上，抓取目标物体的全局特征，可 变形部件模型的各个部件滤波器作用在所述两倍分辨率的特征图上，抓取目标物体的局部 特征； 基于最大期望EM算法训练的多个支持向量机（SVM，Support Vector Machine)分 类器根据目标物体的全局特征以及局部特征，识别所述输入图像中的目标物体； 输出检测结果。 其中，所述根滤波器与所述多个部件滤波器构成星型模型。 其中，所述部件滤波器的位置可移动，所述局部特征包括目标物体的形态变化特 征。 其中，基于EM算法训练混合SVM模型，通过多个线性SVM模型之间的相互补偿作 用，将需检测的目标物体按照视角或者形状的不同分为多个子类，为每个子类构建对应的 SVM模型，得到多个SVM分类器，以检测出各种不同视角下的目标物体。 其中，所述可变形部件模型为加权可变形部件模型。 一种目标检测系统，所述系统包括： 特征图单元，获取输入图像的特征图及两倍分辨率特征图； 可变形部件模型单元，包括一个根滤波器和多个部件滤波器，所述根滤波器用于 作用在所述特征图上，抓取目标物体的全局特征，各个所述部件滤波器用于作用在所述两 倍分辨率的特征图上，抓取目标物体的局部特征； 分类器单元，包括基于EM算法训练的多个SVM分类器，用于根据目标物体的所述 全局特征以及局部特征，识别所述输入图像中的目标物体，并输出检测结果。 其中，所述根滤波器与所述多个部件滤波器构成星型结构。 其中，所述部件滤波器的位置可移动，所述局部特征包括目标物体的形态变化特 征。 其中，所述分类器单元为基于EM算法训练混合SVM模型，通过多个线性SVM模型 之间的相互补偿作用，将需检测的目标物体按照视角或者形状的不同分为多个子类，为每 个子类构建对应的SVM模型，得到多个SVM分类器，以检测出各种不同视角下的目标物体。 其中，所述可变形部件模型为加权可变形部件模型。 本专利技术实施例，通过可变形部件模型以及多个SVM分类器实现目标检测，不仅能 够显著提升检测效率、检测精度，检测精度和性能已经能够满足实际要求，并有望在短期内 达到大规模工业化的应用。可以应用在车流量统计、人流量统计、汽车安全驾驶、车辆违规 检测等方面。【附图说明】 在附图（其不一定是按比例绘制的）中，相似的附图标记可在不同的视图中描述 相似的部件。具有不同字母后缀的相似附图标记可表示相似部件的不同示例。附图以示例 而非限制的方式大体示出了本文中所讨论的各个实施例。 图1为本专利技术实施例目标检测方法的流程图； 图2为本专利技术实施例目标检测系统的组成结构示意图； 图3为本专利技术实施例多个SVM对原始问题的子划分示意图； 图4为本专利技术实施例在联合EM算法框架下对混合SVM的训练过程示意图； 图5为本专利技术实施例针对直立行人的检测示意图； 图6为本专利技术实施例混合SVM模型在PASCAL V0C2007数据集上进行测试时在20 类上的检测平均精度示意图。【具体实施方式】 实施例一 本专利技术实施例提供一种目标检测方法，如图1所示，主要可以包括如下步骤： 步骤101，获取输入图像的特征图及两倍分辨率特征图； 步骤102,可变形部件模型的根滤波器作用在所述特征图上，抓取目标物体的全局 特征，可变形部件模型的各个部件滤波器作用在所述两倍分辨率的特征图上，抓取目标物 体的局部特征； 步骤103,基于EM算法训练的多个SVM分类器根据目标物体的全局特征以及局部 特征，识别所述输入图像中的目标物体； 其中，在机器学习领域，支持向量机（SVM，Support Vector Machine)是一个有监 督的学习模型，通常用来进行模式识别、分类、以及回归分析。 步骤104,输出检测结果。 本专利技术实施例的目标检测方法可应用于车流量的统计项目中，其检测精度和性能 已经达到实际要求，并有望在短期内达到大规模工业化的应用。同时其也可以应用在人流 量统计、汽车的安全驾驶、车辆违规检测等方面。 实施例二 本专利技术实施例提供一种目标检测系统，如图2所示，所述系统包括： 特征图单元21，获取输入图像的特征图及两倍分辨率特征图； 可变形部件模型单元22,包括一个根滤波器和多个部件滤波器，所述根滤波器用 于作用在所述特征图上，抓取目标物体的全局特征，各个所述部件滤波器用于作用在所述 两倍分辨率的特征图上，抓取目标物体的局部特征； 分类器单元23,包括基于EM算法训练的多个SVM分类器，用于根据目标物体的所 述全局特征以及局部特征，识别所述输入图像中的目标物体，并输出检测结果。 本专利技术实施例的目标检测系统可应用于车流量的统计项目中，其检测精度和性能 已经达到实际要求，并有望在短期内达到大规模工业化的应用。同时其也可以应用在人流 量统计、汽车的安全驾驶、车辆违规检测等方面。 实施例三 本实施例对本专利技术实施例的目标检测方法及系统的具体实现进行详细说明。 本专利技术实施例的目标检测方法及系统主要基于加权的可变形部件模型和EM训练 混合SVM等技术，在行人和车辆等类似物体的检测上取得了很好的效果。 其中，可变形部件模型是由一个根滤波器和若干部件滤波器构成的一个星形模 型，该可变形部件模型综合考虑了目标的整体信息及各部分的表象信息及其空间关系，可 以提取到比基于整体的方法更加丰富的信息。 该可变形部件模型的主要特点有以下两点： (1)全局与局部相结合的特征描述能力，根滤波器对目标来讲是一种全局模板，可 以抓住目标的全局特征，而部件滤波器是一种局部模板，并且作用在二倍分辨率的特征图 上，可以有效地描述目标的局部特征； (2)对于目标形态变化的描述能力，由于根滤波器是刚性的，不具备处理形变的能 力，而在可变形部件模型中部件滤波器的位置是可以移动的，该特性能够有效地处理人体 等目标的形态变化。 因此，采用根滤波器与部件滤波器构成的星型结构能有效地提升检测性能。 该检测系统在可变形部件模型的基础上提出了以下两点改进用以提升可变形部 件模型的检测性能： 1)加权部件模型。综合分析各个部件分类器性能的强弱，通过加权部件可以加强 显著区域的分类性能，强化一些部件在检测效果中当前第1页1 2 本文档来自技高网...

【技术保护点】
一种目标检测方法，其特征在于，所述方法包括：获取输入图像的特征图及两倍分辨率特征图；可变形部件模型的根滤波器作用在所述特征图上，抓取目标物体的全局特征，可变形部件模型的各个部件滤波器作用在所述两倍分辨率的特征图上，抓取目标物体的局部特征；基于最大期望EM算法训练的多个支持向量机SVM分类器根据目标物体的全局特征以及局部特征，识别所述输入图像中的目标物体；输出检测结果。

【技术特征摘要】

【专利技术属性】
技术研发人员：华宝洪，汪蒲阳，扈戈洋，高斌，陈俊宇，
申请(专利权)人：北京科富兴科技有限公司，
类型：发明
国别省市：北京;11