基于多模型的目标检测方法及装置制造方法及图纸

本发明专利技术实施例公开了一种基于多模型的目标检测方法及装置，所述基于多模型的目标检测方法包括：对当前帧图像进行图像帧预处理操作，得到当前灰度图像；对所述当前灰度图像进行特征提取及后续的特征积分图的计算；对经过特征提取及特征积分图计算的当前灰度图像进行多模型微级联分类器检测，得到目标矩形框，并将所述目标矩形框以向量的形式进行保存；将所保存的目标矩形框进行相近窗口聚类；将经过相近窗口聚类后剩余的向量进行二次检测；将通过二次检测的目标作为最终的检测目标进行显示。本发明专利技术能够降低目标检测的误检率，提升检测效率。

【技术实现步骤摘要】
基于多模型的目标检测方法及装置
本专利技术涉及图像处理
，尤其涉及一种基于多模型的目标检测方法及装置。
技术介绍
随着计算机技术的发展和计算机视觉原理的广泛应用，利用计算机图像处理技术对目标进行实时跟踪研究越来越热门，对目标进行动态实时跟踪定位在智能化交通系统、智能监控系统、军事目标检测及医学导航手术中手术器械定位等方面具有广泛的应用价值。目标检测也叫目标提取，是一种基于目标几何和统计特征的图像分割，它将目标的分割和识别合二为一，其准确性和实时性是整个系统的一项重要能力。尤其是在复杂场景中，需要对多个目标进行实时处理时，目标自动提取和识别就显得特别重要。目前，在进行基于多模型的目标检测时，通常是基于现有的级联分类器的单个模型检测，改进得到多个模型同时进行目标检测，或者基于现有的弱分类器组合成强分类器的思想，提升弱分类器的分类能力，或者基于现有的级联分类器Adaboost进行目标检测的基础上，进行新的级联分类的检测。在实现本专利技术的过程中，专利技术人发现现有技术中至少存在如下技术问题：现有的级联分类器的检测通过不断缩放原图进行不同尺度的检测，耗时的同时造成了一定数据损失，误检率较高；另外，现有的级联分类器检测存在计算冗余，导致检测效率较低。
技术实现思路
本专利技术提供的基于多模型的目标检测方法及装置，能够降低目标检测的误检率，提升检测效率。一方面，本专利技术提供一种基于多模型的目标检测方法，包括：对当前帧图像进行图像帧预处理操作，得到当前灰度图像；对所述当前灰度图像进行特征提取及后续的特征积分图的计算；对经过特征提取及特征积分图计算的当前灰度图像进行多模型微级联分类器检测，得到目标矩形框，并将所述目标矩形框以向量的形式进行保存；将所保存的目标矩形框进行相近窗口聚类；将经过相近窗口聚类后剩余的向量进行二次检测；将通过二次检测的目标作为最终的检测目标进行显示。可选地，所述方法还包括：在对第一帧图像进行检测前进行数据模型的加载，以便读取分类器数据到相应的类的向量中。可选地，所述对经过特征提取及特征积分图计算的当前灰度图像进行多模型微级联分类器检测，得到目标矩形框，并将所述目标矩形框以向量的形式进行保存包括：由当前比例确定相对应的数据模型；对于缩放后的图像进行当前大小窗口的遍历，对于每个窗口由分类器模型的第一级强分类器的第一个弱分类器对应的特征值算起，若特征值小于该弱分类器的阈值，则直接退出，否则继续走下一个弱分类器，直到通过该级强分类器，再继续走下一个强分类器，每一个窗口退出时返回其通过的当前强分类器的级数，若一个窗口退出时返回的级数不超过预定级数，则增加下一次遍历的步长，直接不检测；当一个窗口依次通过所有的强分类器时，作为可能的目标进行保存。可选地，所述弱分类器的阈值按照如下公式计算得到：treeThreshold＝eval[thresholdIdx]其中，thresholdIdx＝(1-minHitRate)*numPos，eval存放的是所有样本的特征值，minHitRate为最小击中率，即正样本的正检率，numPos为训练该弱分类器使用的正样本总数。可选地，所述将所保存的目标矩形框进行相近窗口聚类包括：采用取均值的方式将重合度在预定比例以上的目标矩形框进行合并。可选地，所述将经过相近窗口聚类后剩余的向量进行二次检测包括：将图像缩放至模型大小；计算所提取的每个特征的特征值；计算每个特征的特征值和对应模型值的乘积之和；判断所述每个特征的特征值和对应模型值的乘积之和是否大于或等于命中阈值，若是，将对应的目标矩形框作为最终的检测目标进行保存，否则不进行保存。另一方面，本专利技术提供一种基于多模型的目标检测装置，包括：预处理单元，用于对当前帧图像进行图像帧预处理操作，得到当前灰度图像；特征提取单元，用于对所述当前灰度图像进行特征提取及后续的特征积分图的计算；第一检测单元，用于对经过特征提取及特征积分图计算的当前灰度图像进行多模型微级联分类器检测，得到目标矩形框，并将所述目标矩形框以向量的形式进行保存；聚类单元，用于将所保存的目标矩形框进行相近窗口聚类；第二检测单元，用于将经过相近窗口聚类后剩余的向量进行二次检测；显示单元，用于将通过二次检测的目标作为最终的检测目标进行显示。可选地，所述装置还包括：加载单元，用于在对第一帧图像进行检测前进行数据模型的加载，以便读取分类器数据到相应的类的向量中。可选地，所述第一检测单元包括：确定子单元，用于由当前比例确定相对应的数据模型；遍历子单元，用于对于缩放后的图像进行当前大小窗口的遍历，对于每个窗口由分类器模型的第一级强分类器的第一个弱分类器对应的特征值算起，若特征值小于该弱分类器的阈值，则直接退出，否则继续走下一个弱分类器，直到通过该级强分类器，再继续走下一个强分类器，每一个窗口退出时返回其通过的当前强分类器的级数，若一个窗口退出时返回的级数不超过预定级数，则增加下一次遍历的步长，直接不检测；第一保存子单元，用于当一个窗口依次通过所有的强分类器时，作为可能的目标进行保存。可选地，所述弱分类器的阈值按照如下公式计算得到：treeThreshold＝eval[thresholdIdx]其中，thresholdIdx＝(1-minHitRate)*numPos，eval存放的是所有样本的特征值，minHitRate为最小击中率，即正样本的正检率，numPos为训练该弱分类器使用的正样本总数。可选地，所述聚类单元，用于采用取均值的方式将重合度在预定比例以上的目标矩形框进行合并。可选地，所述第二检测单元包括：缩放子单元，用于将图像缩放至模型大小；第一计算子单元，用于计算所提取的每个特征的特征值；第二计算子单元，用于计算每个特征的特征值和对应模型值的乘积之和；判断子单元，用于判断所述每个特征的特征值和对应模型值的乘积之和是否大于或等于命中阈值；第二保存子单元，用于当所述判断子单元的判断结果为是时，将对应的目标矩形框作为最终的检测目标进行保存。本专利技术提供的基于多模型的目标检测方法及装置，对当前帧图像进行图像帧预处理操作，得到当前灰度图像，对其进行特征提取及后续的特征积分图的计算，然后进行多模型微级联分类器检测，得到目标矩形框，并将所述目标矩形框以向量的形式进行保存，将所保存的目标矩形框进行相近窗口聚类，将经过相近窗口聚类后剩余的向量进行二次检测，将通过二次检测的目标作为最终的检测目标进行显示。与现有技术相比，本专利技术利用多模型检测的思想，避免过多的图像缩放和特征积分图的计算，充分利用了已有的资源，能够提升检测效率；另外，在微级联分类器检测的基础上增加了二级检测，能够降低目标检测的误检率。附图说明为了更清楚地说明本专利技术实施例中的技术方案，下面将对实施例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专利技术的一些实施例，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，还可以根据这些附图获得其它的附图。图1为本专利技术一实施例提供的基于多模型的目标检测方法的流程图；图2为本专利技术另一实施例提供的基于多模型的目标检测方法的流程图；图3为本专利技术实施例提供的多尺度模型的推算过程示意图；图4为本专利技术一实施例提供的基于多模型的目标检测装置的结构示意图；图5为本专利技术另一实施例提供的基于多本文档来自技高网...

【技术保护点】
一种基于多模型的目标检测方法，其特征在于，包括：对当前帧图像进行图像帧预处理操作，得到当前灰度图像；对所述当前灰度图像进行特征提取及后续的特征积分图的计算；对经过特征提取及特征积分图计算的当前灰度图像进行多模型微级联分类器检测，得到目标矩形框，并将所述目标矩形框以向量的形式进行保存；将所保存的目标矩形框进行相近窗口聚类；将经过相近窗口聚类后剩余的向量进行二次检测；将通过二次检测的目标作为最终的检测目标进行显示。

【技术特征摘要】
1.一种基于多模型的目标检测方法，其特征在于，包括：对当前帧图像进行图像帧预处理操作，得到当前灰度图像；对所述当前灰度图像进行特征提取及后续的特征积分图的计算；对经过特征提取及特征积分图计算的当前灰度图像进行多模型微级联分类器检测，得到目标矩形框，并将所述目标矩形框以向量的形式进行保存；将所保存的目标矩形框进行相近窗口聚类；将经过相近窗口聚类后剩余的向量进行二次检测；将通过二次检测的目标作为最终的检测目标进行显示。2.根据权利要求1所述的方法，其特征在于，所述方法还包括：在对第一帧图像进行检测前进行数据模型的加载，以便读取分类器数据到相应的类的向量中。3.根据权利要求1所述的方法，其特征在于，所述对经过特征提取及特征积分图计算的当前灰度图像进行多模型微级联分类器检测，得到目标矩形框，并将所述目标矩形框以向量的形式进行保存包括：由当前比例确定相对应的数据模型；对于缩放后的图像进行当前大小窗口的遍历，对于每个窗口由分类器模型的第一级强分类器的第一个弱分类器对应的特征值算起，若特征值小于该弱分类器的阈值，则直接退出，否则继续走下一个弱分类器，直到通过该级强分类器，再继续走下一个强分类器，每一个窗口退出时返回其通过的当前强分类器的级数，若一个窗口退出时返回的级数不超过预定级数，则增加下一次遍历的步长，直接不检测；当一个窗口依次通过所有的强分类器时，作为可能的目标进行保存。4.根据权利要求3所述的方法，其特征在于，所述弱分类器的阈值按照如下公式计算得到：treeThreshold＝eval[thresholdIdx]其中，thresholdIdx＝(1-minHitRate)*numPos，eval存放的是所有样本的特征值，minHitRate为最小击中率，即正样本的正检率，numPos为训练该弱分类器使用的正样本总数。5.根据权利要求1所述的方法，其特征在于，所述将所保存的目标矩形框进行相近窗口聚类包括：采用取均值的方式将重合度在预定比例以上的目标矩形框进行合并。6.根据权利要求4所述的方法，其特征在于，所述将经过相近窗口聚类后剩余的向量进行二次检测包括：将图像缩放至模型大小；计算所提取的每个特征的特征值；计算每个特征的特征值和对应模型值的乘积之和；判断所述每个特征的特征值和对应模型值的乘积之和是否大于或等于命中阈值，若是，将对应的目标矩形框作为最终的检测目标进行保存，否则不进行保存。7.一种基于多模型的目标检测装置，其特征在于，包括：...

【专利技术属性】
技术研发人员：余慧，田凤彬，
申请(专利权)人：北京君正集成电路股份有限公司，
类型：发明
国别省市：北京,11