[發(fā)明專利]基于多模型的目標(biāo)檢測方法及裝置

有效

• 申請?zhí)枺?/td>: 201610930729.8
• 申請日: 2016-10-31
• 公開（公告）號: CN108009558B
• 公開（公告）日: 2021-11-26
• 發(fā)明（設(shè)計）人: 余慧;田鳳彬
• 申請（專利權(quán)）人: 北京君正集成電路股份有限公司
• 主分類號: G06K9/62
• 分類號: G06K9/62
• 代理公司: 北京匯澤知識產(chǎn)權(quán)代理有限公司 11228
• 代理人: 張瑾

本發(fā)明實施例公開了一種基于多模型的目標(biāo)檢測方法及裝置，所述基于多模型的目標(biāo)檢測方法包括：對當(dāng)前幀圖像進(jìn)行圖像幀預(yù)處理操作，得到當(dāng)前灰度圖像；對所述當(dāng)前灰度圖像進(jìn)行特征提取及后續(xù)的特征積分圖的計算；對經(jīng)過特征提取及特征積分圖計算的當(dāng)前灰度圖像進(jìn)行多模型微級聯(lián)分類器檢測，得到目標(biāo)矩形框，并將所述目標(biāo)矩形框以向量的形式進(jìn)行保存；將所保存的目標(biāo)矩形框進(jìn)行相近窗口聚類；將經(jīng)過相近窗口聚類后剩余的向量進(jìn)行二次檢測；將通過二次檢測的目標(biāo)作為最終的檢測目標(biāo)進(jìn)行顯示。本發(fā)明能夠降低目標(biāo)檢測的誤檢率，提升檢測效率。

技術(shù)領(lǐng)域

本發(fā)明涉及圖像處理技術(shù)領(lǐng)域，尤其涉及一種基于多模型的目標(biāo)檢測方法及裝置。

背景技術(shù)

隨著計算機(jī)技術(shù)的發(fā)展和計算機(jī)視覺原理的廣泛應(yīng)用，利用計算機(jī)圖像處理技術(shù)對目標(biāo)進(jìn)行實時跟蹤研究越來越熱門，對目標(biāo)進(jìn)行動態(tài)實時跟蹤定位在智能化交通系統(tǒng)、智能監(jiān)控系統(tǒng)、軍事目標(biāo)檢測及醫(yī)學(xué)導(dǎo)航手術(shù)中手術(shù)器械定位等方面具有廣泛的應(yīng)用價值。

目標(biāo)檢測也叫目標(biāo)提取，是一種基于目標(biāo)幾何和統(tǒng)計特征的圖像分割，它將目標(biāo)的分割和識別合二為一，其準(zhǔn)確性和實時性是整個系統(tǒng)的一項重要能力。尤其是在復(fù)雜場景中，需要對多個目標(biāo)進(jìn)行實時處理時，目標(biāo)自動提取和識別就顯得特別重要。

目前，在進(jìn)行基于多模型的目標(biāo)檢測時，通常是基于現(xiàn)有的級聯(lián)分類器的單個模型檢測，改進(jìn)得到多個模型同時進(jìn)行目標(biāo)檢測，或者基于現(xiàn)有的弱分類器組合成強(qiáng)分類器的思想，提升弱分類器的分類能力，或者基于現(xiàn)有的級聯(lián)分類器Adaboost進(jìn)行目標(biāo)檢測的基礎(chǔ)上，進(jìn)行新的級聯(lián)分類的檢測。

在實現(xiàn)本發(fā)明的過程中，發(fā)明人發(fā)現(xiàn)現(xiàn)有技術(shù)中至少存在如下技術(shù)問題：

現(xiàn)有的級聯(lián)分類器的檢測通過不斷縮放原圖進(jìn)行不同尺度的檢測，耗時的同時造成了一定數(shù)據(jù)損失，誤檢率較高；另外，現(xiàn)有的級聯(lián)分類器檢測存在計算冗余，導(dǎo)致檢測效率較低。

發(fā)明內(nèi)容

本發(fā)明提供的基于多模型的目標(biāo)檢測方法及裝置，能夠降低目標(biāo)檢測的誤檢率，提升檢測效率。

一方面，本發(fā)明提供一種基于多模型的目標(biāo)檢測方法，包括：

對當(dāng)前幀圖像進(jìn)行圖像幀預(yù)處理操作，得到當(dāng)前灰度圖像；

對所述當(dāng)前灰度圖像進(jìn)行特征提取及后續(xù)的特征積分圖的計算；

對經(jīng)過特征提取及特征積分圖計算的當(dāng)前灰度圖像進(jìn)行多模型微級聯(lián)分類器檢測，得到目標(biāo)矩形框，并將所述目標(biāo)矩形框以向量的形式進(jìn)行保存；

將所保存的目標(biāo)矩形框進(jìn)行相近窗口聚類；

將經(jīng)過相近窗口聚類后剩余的向量進(jìn)行二次檢測；

將通過二次檢測的目標(biāo)作為最終的檢測目標(biāo)進(jìn)行顯示。

可選地，所述方法還包括：

在對第一幀圖像進(jìn)行檢測前進(jìn)行數(shù)據(jù)模型的加載，以便讀取分類器數(shù)據(jù)到相應(yīng)的類的向量中。

可選地，所述對經(jīng)過特征提取及特征積分圖計算的當(dāng)前灰度圖像進(jìn)行多模型微級聯(lián)分類器檢測，得到目標(biāo)矩形框，并將所述目標(biāo)矩形框以向量的形式進(jìn)行保存包括：

由當(dāng)前比例確定相對應(yīng)的數(shù)據(jù)模型；

對于縮放后的圖像進(jìn)行當(dāng)前大小窗口的遍歷，對于每個窗口由分類器模型的第一級強(qiáng)分類器的第一個弱分類器對應(yīng)的特征值算起，若特征值小于該弱分類器的閾值，則直接退出，否則繼續(xù)走下一個弱分類器，直到通過該級強(qiáng)分類器，再繼續(xù)走下一個強(qiáng)分類器，每一個窗口退出時返回其通過的當(dāng)前強(qiáng)分類器的級數(shù)，若一個窗口退出時返回的級數(shù)不超過預(yù)定級數(shù)，則增加下一次遍歷的步長，直接不檢測；

當(dāng)一個窗口依次通過所有的強(qiáng)分類器時，作為可能的目標(biāo)進(jìn)行保存。

可選地，所述弱分類器的閾值按照如下公式計算得到：