專利名稱：更新目標檢測器的方法和裝置的制作方法
技術領域：
本發(fā)明總體上涉及目標跟蹤領域，更具體而言，本發(fā)明涉及一種更新目標檢測器 的方法和裝置。
背景技術：
目標跟蹤是計算機視覺領域的一個重要問題，它是行為分析、異常檢測等各種高 層應用的基礎，在視頻監(jiān)控系統(tǒng)中有著重要的意義。跟蹤實質上是從觀測到的圖像序列中 發(fā)現(xiàn)目標狀態(tài)(用于表征目標的位置、尺寸、顏色以及其它參數(shù))的問題。雖然很早就有 人進行目標跟蹤方面的研究，但是魯棒的目標跟蹤一直是本領域中一個非常有挑戰(zhàn)性的課 題。為了在視頻中魯棒地跟蹤對象，人們引入了各種各樣的特征，比如梯度方向直方 圖(Histogram of Oriented Gradient，HOG)、Haar 小波特征、局部二值模式(Local Binary Pattern, LBP)等等。然而在跟蹤過程中，目標的狀態(tài)會產生變化，而這些變化了的狀態(tài)是利用離線訓 練得到的目標檢測器比較難檢測到或者根本無法檢測的情況。目標的狀態(tài)變化有很多情 況，其中光照的變化、目標姿勢的變化以及遮擋(包括目標被其它對象遮擋、目標遮擋了其 它對象以及目標被背景遮擋)是最重要的三種情況。以行人跟蹤為例，來說明現(xiàn)有技術的目標跟蹤中存在的困難。圖1是示出行人轉 向側面的視頻片段。如圖1所示，當視頻中行人由側面轉為正面或由正面轉為側面時，其姿 勢變化比較大。另外，在視頻中顯示行人側面時，隨著行人的行走，其腿部的姿勢變化也比 較大。在這種情況下，用離線訓練得到的行人檢測器很難魯棒地檢測到行人。圖2是示出 行人蹲下的視頻片段。如圖2所示，當行人從直立變?yōu)槎紫聲r，整個人的姿勢變化非常大。 在這種情況下，用離線訓練得到的行人檢測器根本無法檢測到蹲下后的行人。再以車輛跟蹤為例，來說明現(xiàn)有技術的目標跟蹤中存在的困難。當車輛在比如轉 彎、并線時，車輛的姿勢發(fā)生較大變化。另外，當光照條件變化時，車輛的顏色會出現(xiàn)相應的 變化。此外，道路上的車輛可能經常被其它車輛遮擋或遮擋其它車輛，或者被路障、道路兩 旁的樹木等背景遮擋。在這些情況下，用離線訓練得到的車輛檢測器很難魯棒地檢測到目 標車輛。

發(fā)明內容
針對以上及其它問題，本發(fā)明提出了一種更新目標檢測器的方法和裝置。根據(jù)本 發(fā)明實施例的方法和裝置使得目標檢測器能夠適應目標在視頻中的狀態(tài)變化。根據(jù)本發(fā)明的一個方面，提供了一種更新目標檢測器的方法。所述目標檢測器由 多個子分類器組成，用于檢測視頻中的目標。所述方法包括可信度判斷步驟，判斷所述目 標檢測器的可信度是否滿足預定更新條件；以及更新步驟，如果所述可信度滿足預定更新 條件，則用新的子分類器取代所述多個子分類器中的至少一個分類能力最低的子分類器。
根據(jù)本發(fā)明的另一方面，提供了一種更新目標檢測器的裝置。所述目標檢測器由 多個子分類器組成，用于檢測視頻中的目標。所述裝置包括更新判斷單元，所述更新判斷 單元包括可信度判斷單元，所述可信度判斷單元被配置為判斷所述目標檢測器的可信度是 否滿足預定更新條件；以及更新執(zhí)行單元，被配置為如果所述可信度滿足預定更新條件， 則用新的子分類器取代所述多個子分類器中的至少一個分類能力最低的子分類器。根據(jù)本發(fā)明的更新目標檢測器的方法和裝置通過在在線檢測過程中根據(jù)目標檢 測器的可信度來更新目標檢測器中至少一個分類能力最低的子分類器，使得目標檢測器能 夠適應視頻中的目標的狀態(tài)變化，從而魯棒地檢測和跟蹤目標。根據(jù)本發(fā)明的另一方面，還提供了一種存儲介質。所述存儲介質包括機器可讀的 程序代碼，當在信息處理設備上執(zhí)行所述程序代碼時，所述程序代碼使得所述信息處理設 備執(zhí)行根據(jù)本發(fā)明的更新目標檢測器的方法。根據(jù)本發(fā)明的另一方面，還提供了一種程序產品。所述程序產品包括機器可執(zhí)行 的指令，當在信息處理設備上執(zhí)行所述指令時，所述指令使得所述信息處理設備執(zhí)行根據(jù) 本發(fā)明的更新目標檢測器的方法。


本發(fā)明的以上和其它目的、特征和優(yōu)點將通過參考下文中結合附圖所給出的描述 而得到更好的理解。在所有附圖中，相同或相似的附圖標記表示相同或者相似的部件。在 所述附圖中圖1是示出行人轉向側面的視頻片段；圖2是示出行人蹲下的視頻片段；圖3是本發(fā)明的實施例中所使用的目標檢測器的前20個子分類器所對應的HOG 塊的位置的示例性示圖；圖4是示出根據(jù)本發(fā)明的實施例的更新目標檢測器的方法的流程圖；圖5是示出根據(jù)本發(fā)明的實施例的更新步驟的流程圖；圖6是示出根據(jù)本發(fā)明的另一實施例的更新步驟的流程圖；圖7A示意性地示出10個正面樣本；圖7B示意性地示出在根據(jù)本發(fā)明實施例的更新目標檢測器的方法的更新步驟中 從目標檢測器中去除的3個子分類器的示圖；圖7C示意性地示出在根據(jù)本發(fā)明實施例的更新目標檢測器的方法的更新步驟中 選出的3個新的子分類器的示圖；圖8是示出根據(jù)本發(fā)明的另一實施例的更新目標檢測器的方法的流程圖；圖9是根據(jù)本發(fā)明的實施例的更新目標檢測器的裝置的示意性框圖；圖10是根據(jù)本發(fā)明的另一實施例的更新目標檢測器的裝置的示意性框圖；圖11是示出了可用于實施根據(jù)本發(fā)明實施例的方法和裝置的計算機的示意性框 圖。
具體實施例方式下面參照附圖來說明本發(fā)明的實施例。在本發(fā)明的一個附圖或一種實施方式中描述的元素和特征可以與一個或更多個其它附圖或實施方式中示出的元素和特征相結合。應 當注意，為了清楚的目的，附圖和說明中省略了與本發(fā)明無關的、本領域普通技術人員已知 的部件和處理的表示和描述。目標檢測器現(xiàn)有技術中存在多種由多個子分類器構成的目標檢測器，例如，在Marco Pedersoli 等人的文章“Boosting Histograms of Oriented Gradientsfor Human Detection" (http://lear. inrialpes.fr/people/triggs/pubs/Dalal-cvpr05. pdf，2009 年8月11日最后訪問)中公開了一種這樣的目標檢測器。為了下文描述方便，首先簡要描 述一下目標檢測器。作為示例，使用增強(Boosting)方法結合梯度方向直方圖(Histogramof Oriented Gradient,HOG)特征來訓練目標檢測器。使用Boosting方法的好處是能夠得到 一個更加連續(xù)的輸出，使得跟蹤和目標檢測器的更新更加容易實現(xiàn)。同樣，為了使更新能夠 魯棒地進行，應用HOG特征中每一個統(tǒng)計值作為一個弱分類器(對應于子分類器)。這樣做 的主要理論基礎是在每一個HOG塊中，第一強的梯度方向占據(jù)了主導地位。因此，只使用一 個統(tǒng)計值就已經很大程度上代表了這個塊中的信息。這樣，可以在一個圖像中得到多個弱 分類器(為下文描述方便，記為M個弱分類器，M為自然數(shù))?？梢允褂枚鄠€手動標定的目 標圖像作為正面測試樣本，以及多個不含目標的圖像作為負面測試樣本，來訓練目標檢測 器。將這些正面樣本和負面樣本提供給Boosting算法執(zhí)行裝置進行訓練。Boosting算法 是本領域技術人員公知的，因此在這里不具體描述其執(zhí)行過程。經過訓練，選取分類能力最強的弱分類器(記為T個，T為自然數(shù)且小于M)作為 子分類器構成目標檢測器。根據(jù)發(fā)明人所構建的一個目標檢測器實例，可以正確地判斷約 95%的正面測試樣本和負面測試樣本。作為示例，可以使用以上方法來構造一個行人檢測器。圖3示例性地示出該行人 檢測器的前20個子分類器所對應的HOG塊的位置。本領域技術人員應當理解，以上給出的示例僅為說明目的，而不是要將本發(fā)明限 制于此。例如，可以以不同尺寸的圖像來訓練目標檢測器，可以標定不同數(shù)目的正面樣本和 負面樣本，目標檢測器可以包含更多或更少的子分類器，可以選取不同的特征來訓練目標 檢測器等等。目標檢測器的更新方法以下結合具體實施例和附圖來描述目標檢測器的更新方法。根據(jù)本發(fā)明的實施 例，在對視頻進行在線檢測的過程中實時更新目標檢測器。應用根據(jù)本發(fā)明實施例的更新目標檢測器的方法的環(huán)境是待檢測的視頻圖像 (以下簡稱視頻)已輸入到目標檢測器中，并已人工或自動地從一幀圖像中確定目標。在視 頻被連續(xù)地輸入到目標檢測器中的過程中，目標檢測器對目標進行檢測和跟蹤。本領域技 術人員應當清楚，以上這些過程可以以各種現(xiàn)有技術來實現(xiàn)。圖4是示出根據(jù)本發(fā)明的實施例的更新目標檢測器的方法的流程圖。該更新目標 檢測器的方法包括可信度判斷步驟S401和更新步驟S402。在可信度判斷步驟S401中，判斷目標檢測器的可信度(也稱為置信度)是否滿足 預定更新條件。通常，在對每一幀圖像進行檢測時，都可以得到組成目標檢測器的各個子分類器的分類能力?？梢愿鶕?jù)各個子分類器的分類能力來計算該目標檢測器的可信度。在本 發(fā)明的實施例中，作為示例，從每一幀圖像中獲得X個正面樣本和Y個負面樣本，用于計算 目標檢測器的可信度，X和Y是自然數(shù)。可以根據(jù)不同水平的檢測要求，使用更多或更少的 樣本來計算目標檢測器的可信度。現(xiàn)有技術中有多種計算檢測器的可信度的方法，例如，在 Navneet Dalal 禾口 Bill Triggs 的文章“Histograms of Oriented Gradients for Human Detection" (http://iselab. cvc. uab. es/files/Publications/2007/PDF/PGV2007. pdf, 2009年8月11日最后訪問)中公開了一種計算行人檢測器的可信度的方法。本領域技術 人員應當理解，可以方便地使用這些方法來計算目標檢測器的可信度。另外，可以根據(jù)不同 水平的檢測要求，人工地或自動地設定適當?shù)念A定閾值。根據(jù)本發(fā)明的一個實施例，在對視頻進行在線檢測的過程中，目標檢測器每檢測 完一幀圖像，就針對該幀圖像計算目標檢測器的可信度。然后判斷所述可信度是否低于預 定閾值。如果低于預定閾值，則進行更新。根據(jù)本發(fā)明的另一實施例，在對視頻進行在線檢測的過程中，每隔預定時間或者 預定數(shù)目的幀判斷目標檢測器針對當前幀和/或緊鄰當前幀的至少一個在前幀的可信度 是否低于預定閾值。作為示例，每隔2幀檢查一次目標檢測器，判斷目標檢測器針對當前幀 和/或緊鄰當前幀的前一幀或前兩幀的可信度是否低于預定閾值。作為另一示例，每隔100 毫秒檢測一次目標檢測器，判斷所述目標檢測器針對當前幀和/或緊鄰當前幀的至少一個 在前幀的可信度是否低于預定閾值。如果低于預定閾值，則進行更新。根據(jù)本發(fā)明的另一實施例，所述可信度判斷步驟被配置為在對視頻進行在線檢測 的過程中，判斷目標檢測器針對當前幀和/或緊鄰當前幀的至少一個在前幀的可信度分布 是否符合預定模式。作為示例，當目標檢測器針對當前幀和/或緊鄰當前幀的至少一個在 前幀的可信度分布呈現(xiàn)下降趨勢時，認為目標檢測器需要更新。由于是對目標檢測器的變 化趨勢進行判斷，而不是針對單個幀進行判斷，因此該實施例使得可以避免在由于跟蹤的 突然抖動或一個暫時的跟蹤失敗而導致目標檢測器的可信度瞬時下降時，對目標檢測器進 行不必要的更新，并由此影響目標檢測器的后續(xù)檢測。繼續(xù)參考圖4，如果在步驟S401中判斷目標檢測器的可信度滿足預定更新條件， 則在更新步驟S402中用新的子分類器取代目標檢測器中所包含的多個子分類器中的至少 一個分類能力最低的子分類器。圖5示出根據(jù)本發(fā)明的實施例的更新步驟的流程圖。如圖5所示，更新步驟S402 包括以下步驟步驟S501 針對當前幀和/或緊鄰當前幀的至少一個在前幀，從目標檢測器的所 有子分類器(例如，在前文所述的例子中為T個子分類器)中去除分類能力最低的N個子 分類器，N為自然數(shù)，保留其余子分類器(例如T-N個)。步驟S502 利用備選子分類器池中的子分類器對所述當前幀和/或緊鄰當前幀的 至少一個在前幀進行分類，并從備選子分類器池中選取分類能力最高的N個子分類器作為 新的子分類器?？梢詮乃锌捎玫淖臃诸惼?例如前文所述的M個子分類器)中選取(例 如隨機地選取)W個子分類器，以形成所述備選子分類器池，W為自然數(shù)。形成備選子分類 器池的步驟可以在在線檢測的過程中進行(例如，在步驟S502開始時進行)。也可以使用 從外部輸入的備選子分類器池。
步驟S503 利用所述N個新的子分類器與目標檢測器中的其余T-N個子分類器一 起形成新的目標檢測器。在上述實施例中，步驟S501和步驟S502的先后順序也可以顛倒。另外，可以理解， 上述步驟S501和S502中所去除和選取的子分類器的數(shù)目可以根據(jù)需要而確定，比如，也可 以是1個、2個、3個、4個或者更多個。但是在實踐中，更新數(shù)目太多的話可能反而會使目標 檢測器的能力進一步下降，因此一般來說更新3個左右子分類器為宜。在本發(fā)明的一個實施例中，在步驟S502中，在從備選子分類器池中選取新的子分 類器之前，將在步驟S501中去除的分類能力最低的N個子分類器放到備選子分類器池中， 以便使這N個子分類器也參與隨后的選取。另外，在該實施例中，為了不使備選子分類器池 中出現(xiàn)重復的子分類器，可以將選取出的N個新的子分類器從備選子分類器池中去除。圖6示出根據(jù)本發(fā)明的另一實施例的更新步驟的流程圖。如圖6所示，更新步驟 S402包括以下步驟步驟S601 針對當前幀和/或緊鄰當前幀的至少一個在前幀，從目標檢測器的所 有子分類器(例如，在前文所述的例子中為T個子分類器)中去除分類能力最低的1個子 分類器，保留其余子分類器(例如T-I個子分類器)。步驟S602 利用備選子分類器池中的子分類器對所述當前幀和/或緊鄰當前幀的 至少一個在前幀進行分類，并從備選子分類器池中選取1個分類能力最高的子分類器作為 新的子分類器。步驟S603 利用所述1個新的子分類器與目標檢測器中的其余T-I個子分類器一 起形成新的目標檢測器?？傆嬛貜蛨?zhí)行N次步驟S601至S603，以形成更新了 N個子分類器的目標檢測器。根據(jù)本發(fā)明的一個實施例，在從備選子分類器池中選擇子分類器之前，對所述子 分類器池中的子分類器進行預篩選。例如，可以計算每一個子分類器在當前幀中與緊鄰當 前幀的至少一個在前幀中的所在位置上的顏色特征的相似度，并選擇顏色相似度較高的位 置所對應的子分類器。另外，還可以檢查每個子分類器所在的位置，并向位于邊緣和角落的 子分類器分配較低的被選中的權重。這樣的過程可以使更新步驟中選取的子分類器更加可 以置信。這種預篩選過程也可以在形成備選子分類器池的過程中使用。圖7A示意性地示出10個正面樣本，圖7B示意性地示出在更新步驟中從目標檢測 器中去除的3個子分類器的示圖，圖7C示意性地示出在更新步驟中選出的3個新的子分類 器的示圖。在圖7A-7C所示的示例中，是以行人作為檢測目標。從圖7A-7C中可見，當樣本 中的目標行人彎腰時，行人的相應身體部位已經不在圖7B中所顯示的3個子分類器的位置 上，因此這3個子分類器無法對行人的相應身體部位進行分類。在圖7C中，所選取的3個 新的子分類器分別處于行人當前的身體部位的位置上，可以很好地對行人的相應身體部位 進行分類。圖8示出根據(jù)本發(fā)明的另一實施例的更新目標檢測器的方法的流程圖。在該實施 例中，步驟S801和S802與圖4所示的實施例中的可信度判斷步驟S401和更新步驟S402相 同。但是，在圖8所示的實施例中，在更新步驟S802之后，再次判斷目標檢測器的可信度是 否滿足預定更新條件(步驟S801)，若是，則重復所述更新步驟，以進一步改善目標檢測器。 優(yōu)選地，當進行了一定次數(shù)的更新步驟之后，如果目標檢測器的可信度仍不能滿足要求，則停止本次更新流程，以避免由于引入太多新的子分類器而嚴重影響目標檢測器的健壯性。本領域技術人員應當清楚，可以在本發(fā)明的精神和范圍內，對以上所述的各個實 施例及示例進行各種組合。更新的約束條件為了減少更新導致的風險，可以在某些特定情況下暫停更新目標檢測器的方法中 的更新步驟。根據(jù)本發(fā)明的一個實施例，當候選檢測目標的顏色特征發(fā)生顯著變化時，暫停更 新步驟。當候選檢測目標的顏色特征發(fā)生顯著變化時，表明，例如，有可能光照發(fā)生了顯著 變化，而不是目標本身發(fā)生變化。因此，在這種情況下，某些子分類器的分類能力降低只是 反映了所述光照的變化，而不意味著這些子分類器的分類能力真正降低。此時如果更新目 標檢測器，反而有可能降低目標檢測器的檢測能力。這里，顏色特征包括但不限于例如RGB特征、HIS (Hue，Intensity, Saturation) (色度、亮度、飽和度)特征、HSV (Hue，Saturation，Value)(色度、飽和度、純度)特征等。例 如，可以利用基于例如RGB空間、HIS空間或HSV空間的顏色直方圖(Histogram of Color, HC)特征來判斷相應的顏色特征的改變程度是否超過了預定閾值。如果是，則判斷顏色特征 發(fā)生了顯著變化。所述預定閾值可以根據(jù)實際檢測要求而人工地或自動地設定。本領域技 術人員應當清楚，可以使用任何顏色特征檢測方法來檢測顏色特征，因此在這里不對其進 行具體描述。根據(jù)本發(fā)明的另一個實施例，當候選檢測目標的顏色特征的可信度低時，暫停更 新步驟。顏色特征的可信度表示利用該顏色特征可以識別出目標的可信程度?？尚哦冉档?例如可能是因為前述的顏色特征發(fā)生顯著變化的情況造成的，或者是有可能跟蹤出現(xiàn)了抖 動或者一個暫時的跟蹤失敗。因此，類似地，此時更新子分類器反而有可能會降低檢測器的 檢測能力。另外，本領域技術人員可以采用多種方式計算顏色特征的可信度，例如可以采用 歐幾里德距離方法、巴氏(Bhattacharyya)距離方法等等來計算候選目標的顏色直方圖特 征與目標模板(其通過手工標注而確定，或者被確定為目標檢測器所檢測的視頻中初始出 現(xiàn)的目標)的顏色直方圖特征之間的距離，因此在這里不對其進行具體描述。根據(jù)本發(fā)明的另一個實施例，當目標與其它目標接近、被其它目標遮擋或者遮擋 了其它目標時，暫停更新步驟。本領域技術人員可以利用現(xiàn)有的、正在開發(fā)的和將要開發(fā)的 各種方法來判斷出以上的接近和遮擋的情況。另外，目標與其它目標接近、被其它目標遮擋 或者遮擋了其它目標等各種情形可以是從本發(fā)明的實施方式外部輸入的條件。因此在這里 不對如何判斷接近和遮擋進行具體描述。通過進行上述約束，可以使目標檢測器的在線更新的魯棒性得到明顯改善。更新目標檢測器的裝置以下結合具體實施例和附圖來描述更新目標檢測器的裝置(以下簡稱更新裝置)。圖9是根據(jù)本發(fā)明的實施例的更新目標檢測器的裝置的示意性框圖。如圖9所 示，更新裝置900包括更新判斷單元901和更新執(zhí)行單元902。其中，更新判斷單元901包 括可信度判斷單元9011。根據(jù)本發(fā)明的一個實施例，可信度判斷單元9011被配置為判斷目標檢測器的可信度是否滿足預定更新條件。目標檢測器由多個子分類器組成，用于檢測視頻中的目標。更 新執(zhí)行單元902被配置為如果可信度判斷單元9011判斷出可信度滿足預定更新條件，則 用新的子分類器取代多個子分類器中的至少一個分類能力最低的子分類器。根據(jù)本發(fā)明的另一個實施例，可信度判斷單元9011還被配置為在對視頻進行在 線檢測的過程中，在目標檢測器每檢測完視頻中的一幀圖像時，判斷所述目標檢測器針對 該幀圖像的可信度是否低于預定閾值。根據(jù)本發(fā)明的另一個實施例，可信度判斷單元9011還被配置為在目標檢測器對 視頻進行在線檢測的過程中，每隔預定時間或者預定數(shù)目的幀判斷目標檢測器針對當前幀 和/或緊鄰當前幀的至少一個在前幀的可信度是否低于預定閾值。根據(jù)本發(fā)明的另一個實施例，可信度判斷單元9011還被配置為在目標檢測器對 視頻進行在線檢測的過程中，判斷目標檢測器針對當前幀和/或緊鄰當前幀的至少一個在 前幀的可信度分布是否符合預定模式。根據(jù)本發(fā)明的另一個實施例，更新執(zhí)行單元902還被配置為從備選子分類器池 中選取新的子分類器。如上所述，所述備選子分類器池是由從預先獲得的所有可用的子分 類器中選取的部分子分類器構成的。根據(jù)本發(fā)明的另一個實施例，更新執(zhí)行單元902還被配置為在從備選子分類器 池中選取新的子分類器之前，將所述至少一個分類能力最低的子分類器放回備選子分類器 池中。根據(jù)本發(fā)明的另一個實施例，更新執(zhí)行單元902還被配置為利用備選子分類器 池中的子分類器對當前幀或緊鄰當前幀的至少一個在前幀進行分類，并且從備選子分類器 池中選取至少一個分類能力最高的子分類器作為所述新的子分類器。根據(jù)本發(fā)明的另一個實施例，更新執(zhí)行單元902還被配置為在從備選子分類器 池中選擇子分類器之前，對備選子分類器池中的子分類器進行預篩選。圖10是根據(jù)本發(fā)明的另一實施例的目標檢測器的更新裝置的示意性框圖。與圖 9相比，在圖10所示的更新裝置1000中，更新判斷單元1001還包括更新約束單元10012。 更新約束單元10012被配置為在以下情況下使所述更新執(zhí)行單元1002不工作候選檢測目 標的顏色特征發(fā)生顯著變化；候選檢測目標的顏色特征的可信度低；或者候選檢測目標與 其它目標接近、被其它目標遮擋或遮擋了其它目標。圖10所示的實施例中的其它單元與圖9所示的實施例中的相應單元的功能相同。 關于各個單元的操作的進一步細節(jié)，可以參考以上所述的目標檢測器的更新方法的各個實 施例，這里不再詳細描述。上述裝置中各個組成模塊、單元可以通過軟件、固件、硬件或其組合的方式進行配 置。配置可使用的具體手段或方式為本領域技術人員所熟知，在此不再贅述。在通過軟件 或固件實現(xiàn)的情況下，從存儲介質或網絡向具有專用硬件結構的計算機(例如圖11所示的 通用計算機1100)安裝構成該軟件的程序，該計算機在安裝有各種程序時，能夠執(zhí)行各種 功能等。在圖11中，中央處理單元(CPU) 1101根據(jù)只讀存儲器(ROM) 1102中存儲的程序或 從存儲部分1108加載到隨機存取存儲器(RAM) 1103的程序執(zhí)行各種處理。在RAM 1103中， 還根據(jù)需要存儲當CPU 1101執(zhí)行各種處理等等時所需的數(shù)據(jù)。CPU 110UR0M 1102和RAM1103經由總線1104彼此連接。輸入/輸出接口 1105也連接到總線1104。下述部件連接到輸入/輸出接口 1105 輸入部分1106 (包括鍵盤、鼠標等等)、輸 出部分1107(包括顯示器，比如陰極射線管(CRT)、液晶顯示器(LCD)等，和揚聲器等)、存 儲部分1108 (包括硬盤等)、通信部分1109 (包括網絡接口卡比如LAN卡、調制解調器等)。 通信部分1109經由網絡比如因特網執(zhí)行通信處理。根據(jù)需要，驅動器1110也可連接到輸入 /輸出接口 1105。可拆卸介質1111比如磁盤、光盤、磁光盤、半導體存儲器等等可以根據(jù)需 要被安裝在驅動器1110上，使得從中讀出的計算機程序根據(jù)需要被安裝到存儲部分1108 中。在通過軟件實現(xiàn)上述系列處理的情況下，從網絡比如因特網或存儲介質比如可拆 卸介質1111安裝構成軟件的程序。本領域的技術人員應當理解，這種存儲介質不局限于圖11所示的其中存儲有程 序、與設備相分離地分發(fā)以向用戶提供程序的可拆卸介質1111。可拆卸介質1111的例子 包含磁盤(包含軟盤(注冊商標))、光盤(包含光盤只讀存儲器(⑶-ROM)和數(shù)字通用盤 (DVD))、磁光盤(包含迷你盤(MD)(注冊商標))和半導體存儲器。或者，存儲介質可以是 ROM 1102、存儲部分1108中包含的硬盤等等，其中存有程序，并且與包含它們的設備一起 被分發(fā)給用戶。本發(fā)明還提出一種存儲有機器可讀取的指令代碼的程序產品。所述指令代碼由機 器讀取并執(zhí)行時，可執(zhí)行上述根據(jù)本發(fā)明實施例的方法。相應地，用于承載上述存儲有機器可讀取的指令代碼的程序產品的存儲介質也包 括在本發(fā)明的公開中。所述存儲介質包括但不限于軟盤、光盤、磁光盤、存儲卡、存儲棒等 等。在上面對本發(fā)明具體實施例的描述中，針對一種實施方式描述和/或示出的特征 可以以相同或類似的方式在一個或更多個其它實施方式中使用，與其它實施方式中的特征 相組合，或替代其它實施方式中的特征。應該強調，術語“包括/包含”在本文使用時指特征、要素、步驟或組件的存在，但 并不排除一個或更多個其它特征、要素、步驟或組件的存在或附加。此外，本發(fā)明的方法不限于按照說明書中描述的時間順序來執(zhí)行，也可以按照其 他的時間順序地、并行地或獨立地執(zhí)行。因此，本說明書中描述的方法的執(zhí)行順序不對本發(fā) 明的技術范圍構成限制。盡管上面已經通過對本發(fā)明的具體實施例的描述對本發(fā)明進行了披露，但是，應 該理解，上述的所有實施例和示例均是示例性的，而非限制性的。本領域的技術人員可在所 附權利要求的精神和范圍內設計對本發(fā)明的各種修改、改進或者等同物。這些修改、改進或 者等同物也應當被認為包括在本發(fā)明的保護范圍內。
權利要求
1.一種更新目標檢測器的方法，所述目標檢測器由多個子分類器組成，用于檢測視頻 中的目標，所述方法包括可信度判斷步驟，判斷所述目標檢測器的可信度是否滿足預定更新條件；以及更新步驟，如果所述可信度滿足預定更新條件，則用新的子分類器取代所述多個子分 類器中的至少一個分類能力最低的子分類器。
2.如權利要求1所述的方法，其中，所述可信度判斷步驟包括在目標檢測器每檢測完 視頻中的一幀圖像時，判斷所述目標檢測器的可信度是否滿足預定更新條件，所述預定更 新條件為所述目標檢測器針對該幀圖像的可信度低于預定閾值。
3.如權利要求1所述的方法，其中，所述可信度判斷步驟包括每隔預定時間或者預定 數(shù)目的幀判斷所述目標檢測器的可信度是否滿足預定更新條件，所述預定更新條件為所述 目標檢測器針對當前幀和/或緊鄰當前幀的至少一個在前幀的可信度低于預定閾值。
4.如權利要求1所述的方法，其中，所述預定更新條件為所述目標檢測器針對當前幀 和/或緊鄰當前幀的至少一個在前幀的可信度分布符合預定模式。
5.如權利要求1所述的方法，其中，所述新的子分類器是從子分類器池中選取的，所述 子分類器池是由從預先獲得的所有可用的子分類器中選取的部分子分類器構成的。
6.如權利要求5所述的方法，還包括在從子分類器池中選取所述新的子分類器之前，將所述至少一個分類能力最低的子分 類器放回子分類器池中。
7.如權利要求5所述的方法，還包括利用所述子分類器池中的子分類器對當前幀或緊鄰當前幀的至少一個在前幀進行分 類，并且從所述子分類器池中選取至少一個分類能力最高的子分類器作為所述新的子分類器。
8.如權利要求1所述的方法，還包括在所述更新步驟之后，再次判斷所述目標檢測器的可信度是否滿足預定更新條件，若 是，則重復所述更新步驟。
9.如權利要求1所述的方法，其中，在以下情況中的任何情況下不執(zhí)行更新步驟候選 檢測目標的顏色特征發(fā)生顯著變化；候選檢測目標的顏色特征的可信度低；或者候選檢測 目標與其它對象接近、被其它對象遮擋或遮擋了其它對象。
10.如權利要求5所述的方法，還包括在從所述子分類器池中選擇子分類器之前，對所述子分類器池中的子分類器進行預篩選。
11.一種更新目標檢測器的裝置，所述目標檢測器由多個子分類器組成，用于檢測視頻 中的目標，所述裝置包括更新判斷單元，所述更新判斷單元包括可信度判斷單元，所述可信度判斷單元被配置 為判斷所述目標檢測器的可信度是否滿足預定更新條件；以及更新執(zhí)行單元，被配置為如果所述可信度滿足預定更新條件，則用新的子分類器取代 所述多個子分類器中的至少一個分類能力最低的子分類器。
12.如權利要求11所述的裝置，其中，所述可信度判斷單元還被配置為在目標檢測器 每檢測完視頻中的一幀圖像時，判斷所述目標檢測器的可信度是否滿足預定更新條件，所述預定更新條件為所述目標檢測器針對該幀圖像的可信度低于預定閾值。
13.如權利要求11所述的裝置，其中，所述可信度判斷單元還被配置為每隔預定時間 或者預定數(shù)目的幀判斷所述目標檢測器的可信度是否滿足預定更新條件，所述預定更新條 件為所述目標檢測器針對當前幀和/或緊鄰當前幀的至少一個在前幀的可信度低于預定 閾值。
14.如權利要求11所述的裝置，其中，所述預定更新條件為所述目標檢測器針對當前 幀和/或緊鄰當前幀的至少一個在前幀的可信度分布符合預定模式。
15.如權利要求11所述的裝置，其中，所述更新執(zhí)行單元還被配置為從子分類器池中 選取所述新的子分類器，所述子分類器池是由從預先獲得的所有可用的子分類器中選取的 部分子分類器構成的。
16.如權利要求15所述的裝置，其中所述更新執(zhí)行單元還被配置為在從子分類器池 中選取所述新的子分類器之前，將所述至少一個分類能力最低的子分類器放回子分類器池 中。
17.如權利要求15所述的裝置，其中，所述更新執(zhí)行單元還被配置為利用所述子分類 器池中的子分類器對當前幀或緊鄰當前幀的至少一個在前幀進行分類，并且從所述子分類 器池中選取至少一個分類能力最高的子分類器作為所述新的子分類器。
18.如權利要求11所述的裝置，其中，所述更新判斷單元還包括更新約束單元，被配置為在以下情況下使所述更新執(zhí)行單元不工作候選檢測目標的 顏色特征發(fā)生顯著變化；候選檢測目標的顏色特征的可信度低；或者候選檢測目標與其它 對象接近、被其它對象遮擋或遮擋了其它對象。
19.如權利要求15所述的裝置，其中，所述更新執(zhí)行單元還被配置為在從所述子分類 器池中選擇子分類器之前，對所述子分類器池中的子分類器進行預篩選。
全文摘要
本發(fā)明公開一種更新目標檢測器的方法和裝置。所述目標檢測器由多個子分類器組成，用于檢測視頻中的目標。所述方法包括可信度判斷步驟，判斷所述目標檢測器的可信度是否滿足預定更新條件；以及更新步驟，如果所述可信度滿足預定更新條件，則用新的子分類器取代所述多個子分類器中的至少一個分類能力最低的子分類器。根據(jù)本發(fā)明的更新目標檢測器的方法和裝置通過在檢測過程中根據(jù)目標檢測器的可信度來更新目標檢測器中至少一個分類能力最低的子分類器，使得目標檢測器能夠適應視頻中的目標的狀態(tài)變化，從而魯棒地檢測和跟蹤目標。
文檔編號G06T7/00GK101996400SQ20091016649
公開日2011年3月30日 申請日期2009年8月19日 優(yōu)先權日2009年8月19日
發(fā)明者劉暢, 吳偉國, 張斯聰, 王貴錦 申請人:索尼株式會社;清華大學