多类目标的检测装置及检测方法制造方法及图纸

本发明专利技术涉及多类目标的检测装置及其检测方法，其中检测装置包括：输入单元，被配置成输入待检测数据；联合分类器，其内部包含多个可处理多个类别目标数据的强分类器，其中，每个强分类器由一组弱分类器相加得到，每个弱分类器使用一个特征对待检测数据进行弱分类；判别单元，被配置成根据多个强分类器的分类结果，对待检测数据属于哪个类别的目标数据进行判别，所述联合分类器内部包含共享特征列表，其中的每个特征被分别属于不同强分类器的一个或多个弱分类器共享使用；使用同一特征的分属不同强分类器的弱分类器具有彼此不同的参数值。

【技术实现步骤摘要】

本专利技术涉及目标检测技术。尤其涉及用于对多个类别的目标数据进行检测的检测 装置及其检测方法。
技术介绍
运用机器学习方法对图像或其它待检测数据进行目标数据的检测显得越来越重 要。尤其是对图像中的物体检测已成为其中一个重要分支。同一类物体受光照、视角、姿态等多重因素的影响在图像中可能产生出差异巨大 的状态，这给图像中的物体检测技术带来很大困难。同一类物体因而可能会被划分为多个 子类进行处理，但如何既有效利用多个子类之间的共性而又能准确区分其差别仍然是一个 需要进一步研究的课题。对多类图像物体检测技术来说，文献1提出了一种特征共享技术，通过将多类物 体的分类器进行联合训练，在多类之间尽可能共享特征，以达到减少运算成本的目的。单纯 的特征共享多类联合训练对减少运算成本十分有效，取得了良好的效果，但其效率较低，且 由于共享特征的同时也共享弱分类器导致在强分类器的后段，特征的共享越来越困难。文 献2在此基础上进一步提出了一种向量Boosting树算法来检测图像中呈现不同视角和 不同姿态的人脸。但同样文献2所提算法强制在各类之间进行特征共享，这使得当多类 中的某一类不能较好的与其他各类共享特征时，强制的特征共享方式给分类器的进一步训 练带来了困难。参考文献A.Torralba, K. P. Murphy, and ff.T.Freeman. Sharing Features :Efficient Boosting Procedures for Multiclass Object Detection. CVPR2004.C. Huang, H. Ai, Y.Li, and S. Lao. Vector Boosting for Rotationlnvariant Multi-View Face Detection. ICCV 2005.
技术实现思路
本专利技术的目的是提供一种区别于以上现有技术的、用于对多个类别的目标数据进 行检测的检测装置及其检测方法。根据本专利技术的一个方面，提供了一种用于对多个类别的目标数据进行检测的检测 装置的训练方法，包括确定所述多个类别中进行特征共享的最优特征共享样本类别集合，并通过特征遍 历为其挑选最优特征；使用所述选中的最优特征对所述最优特征共享样本类别集合中的各个类别分别 构建弱分类器；以及通过迭代地进行最优特征挑选得到当前级强分类器的特征列表，同时也为所述多 个类别分别构建一组弱分类器，获得包括能处理所述多个类别的相应多个强分类器的检测装置根据本专利技术的用于对多类目标数据进行检测的检测装置的训练方法使用多类目 标的样本进行训练，通过确定所述多个类别中在哪些类别之间进行特征共享误差最小来获 得特征共享样本类别集合，使用所述选中的最优特征对所述最优特征共享样本类别集合中 的各个类别分别构建弱分类器，由此构建包含弱分类器的检测装置。根据以上训练方法获得了用于对多个类别目标数据进行检测的检测装置和检测 方法，其中检测装置包括输入单元，被配置成输入待检测数据；联合分类器，包括数量与 所述类别数量相对应并用于分别检测对应类别的目标数据的强分类器，其中，每个所述强 分类器都由一组弱分类器相加得到，每个弱分类器使用一个特征对所述待检测数据进行弱 分类；判别单元，被配置成根据所述多个强分类器的分类结果，对所述待检测数据属于哪个 类别的目标数据进行判别，其中所述联合分类器内包含共享特征列表，所述共享特征列表 中的每个特征被分别属于不同强分类器的一个或多个弱分类器共享使用；使用同一特征的 分属不同强分类器的弱分类器具有彼此不同的参数值。这样，在针对各类目标的强分类器 之间共享特征以减少计算成本，但各类之间不共享分类器以体现类间差异。根据本专利技术的另一个方面，提供了一种用于对r个类别的目标数据进行检测的检 测装置的训练方法，其中，所述r个类别可按预定相似性标准由细到粗被逐级合并为预定 多层结构，并且所述r个类别作为划分最细的类别设置在最底层，r为大于1的自然数，所 述训练方法包括按照由粗到细的策略从最顶层类别开始训练相应的级分类器，每个级分类器包括 具有与所针对类别数量相对应的数量的强分类器，所述各级分类器串联形成所述检测装 置，其中，针对其中一级准备检测m个类别的级分类器的训练包括为该级分类器准备处理的m个类别分别准备正样本集和负样本集，其中1 < m ^ r ；确定所述m个类别中进行特征共享的最优类别集合，并通过特征遍历为其挑选最 优特征；使用所述选中的最优特征对所述最优特征共享样本类别集合中的各个类别分别 构建弱分类器；以及通过迭代地进行最优特征挑选得到当前级强分类器的特征列表，同时也为所述m 个类别分别构建一组弱分类器，获得包括可处理所述m个类别的m个强分类器的级分类器。据本专利技术第二个方面的用于对多个(r个)类别目标数据进行检测的检测装置及 其检测方法，其中，所述多个类别按相似性标准被逐级合并为预定多层结构，并且所述多个 类别作为划分最细的类别设置在最底层，所述检测装置包括输入单元，被配置成输入待检测数据；以及级联分类器，所述级联分类器包括由多个串联的级分类器，所述多个级分类器被 配置成按照由粗到细的策略对所述预定多层结构中的各层类别进行分类处理，并且每个级 分类器都包括数量与所处理类别数量相对应的强分类器，其中，每个所述强分类器包括一 组弱分类器，每个弱分类器使用一个特征对所述待检测数据进行弱分类，其中每个所述级分类器包含一个共享特征列表，所述共享特征列表中的每个特征被分别属于不同强分类器的一个或多个弱分类器共享使用；使用同一特征的分属不同强分 类器的弱分类器具有彼此不同的参数值。类似地，根据本专利技术第二个方面，作为级联式分类器的检测装置在各类目标的强 分类器之间共享特征以减少计算成本，但各类之间不共享分类器以体现类间差异。同时为 有效处理多类目标，在训练各级分类器的过程中按照由粗到细的原则先将多个类别合并处 理，而后逐渐拆分类别做细化处理。附图说明结合附图，通过参考下列详细的示例性实施例的描述，将会更好地理解本专利技术本 身、优选的实施方式以及本专利技术的目标和优点。图1示出了根据本专利技术第一实施例的用于对多类目标数据进行检测的检测装置 的训练方法。图2示出了根据本专利技术第一实施例的训练方法所使用的Haar-like特征原型。图3a和图3b分别示出了弱分类器和强分类器的结构。图4示出了根据本专利技术第一实施例的训练方法所获得的检测装置的分类器。图5a和5b分别列举了使用类别树结构CT表示训练过程中的样本类别变化。图6示出了根据本专利技术第三实施例的训练方法。图7示出了根据本专利技术第二或第三实施例的训练方法所获得的检测装置的分类o图8示出了根据本专利技术的检测装置检测图像或视频中预定多类目标的流程。图9是示出其中实现本专利技术的计算机的示例性结构的框图。具体实施例方式下面将结合附图对本专利技术加以详细说明，应指出的是，所描述的实施例仅旨在便 于对本专利技术的理解，而对其不起任何限定作用。第一实施例的训练方法第一实施例以多类汽车(轿车、巴士和卡车)为待检测的目标。应了解，本专利技术的 实施例并不限于对图像和/或视频中的汽车进行检测，还可以对图像和/或视频中的其它 物体(如多角度的人脸)、甚至可对对实时网络数据或主机数据进行入侵分类等本文档来自技高网...

【技术保护点】
一种用于对多个类别目标数据进行检测的检测装置，包括：输入单元，被配置成输入待检测数据；联合分类器，其内部包含数量与所述类别数量相对应并用于分别检测对应类别的目标数据的强分类器，其中，每个所述强分类器都由一组弱分类器相加得到，每个弱分类器使用一个特征对所述待检测数据进行弱分类；以及判别单元，被配置成根据所述多个强分类器的分类结果，对所述待检测数据属于哪个类别的目标数据进行判别，其中所述联合分类器内包含共享特征列表，所述共享特征列表中的每个特征被分别属于不同强分类器的一个或多个弱分类器共享使用；使用同一特征的分属不同强分类器的弱分类器具有彼此不同的参数值。

【技术特征摘要】

【专利技术属性】
技术研发人员：梅树起，吴伟国，
申请(专利权)人：索尼株式会社，
类型：发明
国别省市：JP[日本]