[發明專利]一種基于深度圖像的目標候選位置估計方法及其裝置

在審

• 申請號: 201910655680.3
• 申請日: 2019-07-19
• 公開（公告）號: CN110349217A
• 公開（公告）日: 2019-10-18
• 發明（設計）人: 胡亮;田永良
• 申請（專利權）人: 四川長虹電器股份有限公司
• 主分類號: G06T7/73
• 分類號: G06T7/73;G06K9/46;G06K9/38;G06K9/62
• 代理公司: 四川省成都市天策商標專利事務所 51213
• 代理人: 魏伯吹

本發明公開了一種基于深度圖像的目標候選位置估計方法及其裝置，所述方法包括如下步驟：步驟1：獲取深度圖像，并將深度圖像轉化為特定灰度級的灰度圖像；步驟2：計算灰度直方圖并求出所有局部極大值；步驟3：對于任意一個局部極大值，找出所有不超過該值、且和該值相差在給定閾值灰度級以內的點，并進行二值化；步驟4：對二值化圖像進行無監督聚類，并求出各個類別的中心點，即為各目標的候選位置。其裝置包括深度攝像頭模塊，用于獲取深度圖像；預處理模塊，用于將深度圖像去噪并灰度化；二值化模塊，用于求灰度直方圖的局部極大值一定范圍內的點并進行二值化；聚類模塊，用于對二值圖像進行無監督聚類并求出類別中心。

技術領域

本發明涉及計算機視覺和圖像處理技術領域，具體的說，是一種基于深度圖像的目標候選位置估計方法及其裝置。

背景技術

一直以來，目標檢測任務都是計算機視覺領域的核心任務之一，而基于深度圖像的目標檢測則是近幾年興起的研究熱點——深度圖像可以克服傳統光學圖像的隱私泄露、容易受光照影響、黑暗中無法工作等缺陷。該技術可以應用在自動駕駛、行人檢測、視頻監控、車輛跟蹤、SLAM(simultaneous localization and mapping)、乃至于無人機等等各個領域中。人們發現，在光學圖像中表現很好的基于卷積神經網絡的目標檢測方法，用于深度圖像時效果并不理想，參見文獻：Keze Wang,Liang Lin,Chuangjie Ren,Wei Zhang,andWenxiu Sun,Convolutional Memory Blocks for Depth Data RepresentationLearning,Proceedings of the Twenty-Seventh International Joint Conference onArtificial Intelligence,pp.2790-2797,2018；因此，對于在深度圖像上進行目標檢測任務而言，傳統的檢測方法有著很重要的地位，參見文獻：Lu Xia,Chia-Chih Chen,andJ.K.Aggarwal,Human detection using depth information by kinect,ComputerVision and Pattern Recognition Workshops,pp.15-22,2015。在傳統的目標檢測算法中，對于目標候選位置進行估計，并進一步在此位置上給出檢測窗口，是一個基本而重要的步驟；位置估計的效率和準確性對整個目標檢測任務的性能有著根本的影響。

傳統的目標檢測算法認為目標的候選位置可能出現在圖像任何部分，且可能性大小一樣。這些算法通常使用不同尺度的滑動窗口按固定大小移動，遍歷整個圖像所有位置，來獲得一系列的候選框。由于每個位置都被當成目標的可能位置，這類方案的優點是漏檢率低，缺點則是候選位置過多從而導致候選框過多，計算量大，耗時過長，誤檢率高。因此，不論是學術界還是工業界，都需要一種新方案來解決這些問題。

發明內容

本發明的目的在于提供一種基于深度圖像的目標候選位置估計方法及其裝置，用于解決現有技術中候選位置過多從而導致候選框過多，計算量大，耗時過長，誤檢率高的問題。

本發明通過下述技術方案解決上述問題：

一種基于深度圖像的目標候選位置估計方法，所述方法包括如下步驟：

步驟1：獲取深度圖像，并將深度圖像轉化為特定灰度級的灰度圖像；

步驟2：計算灰度直方圖并求出所有局部極大值；

步驟3：對于任意一個局部極大值，找出所有不超過該值、且和該值相差在給定閾值灰度級以內的點，并進行二值化；

步驟4：對二值化圖像進行無監督聚類，并求出各個類別的中心點，即為各目標的候選位置。