專利名稱：目標(biāo)檢測設(shè)備和方法
技術(shù)領(lǐng)域：
本公開涉及目標(biāo)檢測領(lǐng)域，具體地，涉及一種檢測圖像中的目標(biāo)的設(shè)備和方法。
背景技術(shù)：
目標(biāo)檢測是圖像/視頻自動分析中的核心技術(shù)之一，廣泛應(yīng)用于視頻監(jiān)控、人工智能、計(jì)算機(jī)視覺等應(yīng)用場景。一種常見的目標(biāo)檢測方法是通過離線訓(xùn)練來生成目標(biāo)檢測分類器，并利用該目標(biāo)檢測分類器來檢測圖像或圖像序列(如視頻)中的目標(biāo)。由于離線訓(xùn)練中采用的訓(xùn)練樣本是有限的，且不可能完全適合于實(shí)際的應(yīng)用場景，因此，用這種方法生成的目標(biāo)檢測分類器誤檢率比較高。鑒于此，業(yè)內(nèi)提出了一種在線學(xué)習(xí)方法，其中，利用在線得到的圖像幀作為訓(xùn)練樣本對目標(biāo)檢測分類器進(jìn)行訓(xùn)練。有關(guān)在線學(xué)習(xí)的描述可以參見Oza 等人的論文 “Online Bagging and Boosting，，(干丨J于 Proc. Artificial Intelligence and Statistics，2001 年，第 105-112 頁)(下文中稱為文獻(xiàn) I)。

發(fā)明內(nèi)容
在下文中給出關(guān)于本公開的一些方面的簡要概述，以便提供對于本公開的基本理解。應(yīng)當(dāng)理解，這個概述并不是對本公開的窮舉性概述。該概述也并非意圖確定本公開的關(guān)鍵或重要部分，也不是意圖限定本公開的范圍。其目的僅僅是以簡化的形式給出某些概念，以此作為稍后論述的更詳細(xì)描述的前序。根據(jù)本公開的一個方面，提供了一種目標(biāo)檢測設(shè)備，該目標(biāo)檢測設(shè)備可包括檢測分類器，用于檢測輸入圖像中的目標(biāo)，以得到一個或更多個候選目標(biāo)；驗(yàn)證分類器，用于利用與每個候選目標(biāo)對應(yīng)的圖像塊中的驗(yàn)證特征對每個候選目標(biāo)進(jìn)行驗(yàn)證；以及在線學(xué)習(xí)裝置，用于利用所述驗(yàn)證分類器得到的對每個候選目標(biāo)的驗(yàn)證結(jié)果、將與每個候選目標(biāo)對應(yīng)的圖像塊作為在線樣本對所述檢測分類器進(jìn)行訓(xùn)練優(yōu)化。根據(jù)本公開的另一方面，提供了一種目標(biāo)檢測方法，該目標(biāo)檢測方法可包括通過檢測分類器來檢測輸入圖像中的目標(biāo)，以得到一個或更多個候選目標(biāo)；通過驗(yàn)證分類器利用與每個候選目標(biāo)對應(yīng)的圖像塊中的驗(yàn)證特征，對每個候選目標(biāo)進(jìn)行驗(yàn)證；以及利用每個候選目標(biāo)的驗(yàn)證結(jié)果、將與每個候選目標(biāo)對應(yīng)的圖像塊作為在線樣本對所述檢測分類器進(jìn)行訓(xùn)練優(yōu)化。另外，本公開的實(shí)施例還提供了用于實(shí)現(xiàn)上述方法的計(jì)算機(jī)程序。此外，本公開的實(shí)施例還提供了至少計(jì)算機(jī)可讀介質(zhì)形式的計(jì)算機(jī)程序產(chǎn)品，其上記錄有用于實(shí)現(xiàn)上述方法的計(jì)算機(jī)程序代碼。


參照下面結(jié)合附圖對本公開實(shí)施例的說明，會更加容易地理解本公開的以上和其它目的、特點(diǎn)和優(yōu)點(diǎn)。附圖中的部件只是為了示出本公開的原理。在附圖中，相同的或類似的技術(shù)特征或部件將采用相同或類似的附圖標(biāo)記來表示。
圖I是示出了根據(jù)一個實(shí)施例的目標(biāo)檢測設(shè)備的結(jié)構(gòu)的示意性框圖；圖2是示出了根據(jù)該實(shí)施例的目標(biāo)檢測方法的示意性流程圖；
圖3是示出了根據(jù)另一實(shí)施例的目標(biāo)檢測設(shè)備的結(jié)構(gòu)的示意性框圖；圖4是示出了根據(jù)該實(shí)施例的目標(biāo)檢測方法的示意性流程圖；圖5是示出了檢測分類器進(jìn)行目標(biāo)檢測的方法的一個具體示例的示意流程圖；圖6是示出了驗(yàn)證分類器對檢測分類器的檢測結(jié)果進(jìn)行驗(yàn)證的方法的一個具體示例的示意流程圖；圖7是示出了對檢測分類器進(jìn)行在線訓(xùn)練和優(yōu)化的方法的一個具體示例的示意性流程圖；圖8是示出了在線生成或在線優(yōu)化驗(yàn)證分類器的方法的一個具體示例的示意性流程圖；圖9是示出了在線選擇用于驗(yàn)證分類器的驗(yàn)證特征的一個具體示例的示意圖；以及圖10是示出用于實(shí)現(xiàn)本公開的實(shí)施例/示例的計(jì)算機(jī)的結(jié)構(gòu)的示例性框圖。
具體實(shí)施例方式下面參照附圖來說明本公開的實(shí)施例。在本公開的一個附圖或一種實(shí)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?qū)嵤┓绞街惺境龅脑睾吞卣飨嘟Y(jié)合。應(yīng)當(dāng)注意，為了清楚的目的，附圖和說明中省略了與本公開無關(guān)的、本領(lǐng)域普通技術(shù)人員已知的部件和處理的表示和描述。本公開的一些實(shí)施例提供了用于檢測圖像中的目標(biāo)的設(shè)備和方法。在本公開中，所謂的“圖像”可以表示一幅或一組靜止圖像，也可以表示一個圖像序列，如視頻圖像。圖I示意性示出了根據(jù)一個實(shí)施例的目標(biāo)檢測設(shè)備的結(jié)構(gòu)，而圖2示意性示出了根據(jù)該實(shí)施例的目標(biāo)檢測方法的流程。如圖I所示，目標(biāo)檢測設(shè)備100可以包括檢測分類器101、驗(yàn)證分類器103和在線學(xué)習(xí)裝置105。目標(biāo)檢測設(shè)備100可以按照圖2所示的方法來檢測輸入圖像中的目標(biāo)。下面參考圖2來描述目標(biāo)檢測設(shè)備100的各個部件。檢測分類器101用于檢測輸入圖像中的目標(biāo)(步驟202)，并將檢測結(jié)果輸出到驗(yàn)證分類器103。在本文中，將檢測分類器檢測到的一個或更多個目標(biāo)稱為候選目標(biāo)。檢測分類器可以采用任何適當(dāng)?shù)姆椒▉磉M(jìn)行目標(biāo)檢測，例如，檢測分類器可以采用下文將參考圖5描述的具體方法示例。驗(yàn)證分類器103用于對檢測分類器101得到的檢測結(jié)果進(jìn)行驗(yàn)證(步驟204)。所述檢測結(jié)果包括檢測分類器檢測到的一個或更多個候選目標(biāo)，例如，每個候選目標(biāo)在輸入圖像中的位置和尺寸。作為一個具體示例，所述檢測結(jié)果還可以包括有關(guān)每個候選目標(biāo)的其他信息，例如每個候選目標(biāo)的檢測概率(即檢測分類器判斷該候選目標(biāo)為目標(biāo)的概率)
坐寸ο具體地，在對檢測分類器檢測到的每個候選目標(biāo)進(jìn)行驗(yàn)證時，驗(yàn)證分類器103可以獲取與每個候選目標(biāo)對應(yīng)的圖像塊中的一個或更多個特征(為了便于描述，稱為“驗(yàn)證特征”)，并利用驗(yàn)證特征來進(jìn)一步驗(yàn)證該候選目標(biāo)為目標(biāo)還是誤檢測。
如果某個候選目標(biāo)被驗(yàn)證為目標(biāo)，則可以將與該候選目標(biāo)對應(yīng)的圖像塊作為在線目標(biāo)樣本；如果某個候選目標(biāo)被驗(yàn)證為誤檢測，則可以將與該候選目標(biāo)對應(yīng)的圖像塊作為在線誤檢樣本。驗(yàn)證分類器103將驗(yàn)證結(jié)果(包括有關(guān)每個候選目標(biāo)是否為目標(biāo)的驗(yàn)證信息以及每個候選目標(biāo)的位置和尺寸等)輸出到在線學(xué)習(xí)裝置105。在線學(xué)習(xí)裝置105利用驗(yàn)證分類器103得到的對每個候選目標(biāo)的驗(yàn)證信息、將與每個候選目標(biāo)對應(yīng)的圖像塊作為在線訓(xùn)練樣本(包括上述在線目標(biāo)樣本和在線誤檢樣本)對檢測分類器101進(jìn)行訓(xùn)練(步驟206)，從而優(yōu)化檢測分類器。這樣，在對后續(xù)圖像的處理過程時，可以采用經(jīng)過在線優(yōu)化的檢測分類器進(jìn)行目標(biāo)檢測。在圖I或圖2所示的設(shè)備或方法中，使用了檢測分類器和驗(yàn)證分類器這兩個分類器，由驗(yàn)證分類器對檢測分類器的檢測結(jié)果進(jìn)行進(jìn)一步的驗(yàn)證，從而能夠進(jìn)一步提高目標(biāo)檢測的準(zhǔn)確率，減少誤檢和漏檢。另外，在該實(shí)施例中，根據(jù)驗(yàn)證分類器的驗(yàn)證結(jié)果、利用在、線訓(xùn)練樣本(簡稱為在線樣本)對檢測分類器進(jìn)行在線訓(xùn)練。這樣能夠優(yōu)化檢測分類器，使其更適應(yīng)于實(shí)際的應(yīng)用場景，從而進(jìn)一步提高目標(biāo)檢測的準(zhǔn)確率。圖3示意性示出了根據(jù)另一實(shí)施例的目標(biāo)檢測設(shè)備的結(jié)構(gòu)，而圖4示意性示出了根據(jù)該實(shí)施例的目標(biāo)檢測方法的流程。如圖3所示，與目標(biāo)檢測設(shè)備100相似，目標(biāo)檢測設(shè)備300也包括檢測分類器301、驗(yàn)證分類器303和在線學(xué)習(xí)裝置305 ;不同之處在于，目標(biāo)檢測設(shè)備300還包括輸入裝置307。目標(biāo)檢測設(shè)備300可以按照圖4所示的方法來檢測輸入圖像中的目標(biāo)。下面參考圖4來描述目標(biāo)檢測設(shè)備300的各個部件。與圖I所示的實(shí)施例相似，檢測分類器301用于檢測輸入圖像中的目標(biāo)，得到一個或更多個候選目標(biāo)(步驟402)，并將檢測結(jié)果輸出到驗(yàn)證分類器403 ;驗(yàn)證分類器403用于對檢測分類器301得到的檢測結(jié)果進(jìn)行驗(yàn)證，即利用與每個候選目標(biāo)對應(yīng)的圖像塊中的一個或更多個檢測特征來判斷每個候選目標(biāo)為目標(biāo)還是誤檢測(步驟404)，并輸出驗(yàn)證結(jié)果。如果某個候選目標(biāo)被驗(yàn)證為目標(biāo)，則可以將與該候選目標(biāo)對應(yīng)的圖像塊作為在線目標(biāo)樣本；如果某個候選目標(biāo)被驗(yàn)證為誤檢測，則可以將與該候選目標(biāo)對應(yīng)的圖像塊作為在線誤檢樣本。輸入裝置307用于接收經(jīng)過標(biāo)注的圖像樣本。例如，當(dāng)輸出的驗(yàn)證結(jié)果中包括漏檢和誤檢時，用戶可以對出現(xiàn)漏檢和誤檢的圖像進(jìn)行手工標(biāo)注，并通過輸入裝置307來輸入經(jīng)過標(biāo)注的圖像樣本。經(jīng)過標(biāo)注的圖像樣本可以與每個候選目標(biāo)所對應(yīng)的圖像塊(即上述在線目標(biāo)樣本和在線誤檢樣本)一起作為在線樣本。在線學(xué)習(xí)裝置305利用這些在線樣本對檢測分類器301進(jìn)行訓(xùn)練優(yōu)化(步驟406)。在圖3或圖4所示的設(shè)備或方法中，除了驗(yàn)證分類器得到的驗(yàn)證結(jié)果之外，還采用經(jīng)標(biāo)注的圖像樣本對檢測分類器進(jìn)行優(yōu)化；與圖1-2所示的實(shí)施例相比，能夠提高對檢測分類器的在線優(yōu)化的效果，從而進(jìn)一步提高目標(biāo)檢測的準(zhǔn)確率，減少誤檢和漏檢。圖5示意性示出了檢測分類器(如檢測分類器101或301)進(jìn)行目標(biāo)檢測(如步驟202或402)的一個示例性流程。
如圖5所示，在步驟502-1中，檢測分類器設(shè)置檢測窗口，將該檢測窗口在輸入圖像幀中移動，從而得到位于輸入圖像的不同位置的多個圖像塊。檢測窗口的尺寸和位置可以根據(jù)實(shí)際應(yīng)用場景來設(shè)置，這里不作詳述。在對某幀圖像進(jìn)行目標(biāo)檢測時，檢測窗口的尺寸可以保持不變，也可以發(fā)生變化。當(dāng)檢測窗口的尺寸發(fā)生變化時，得到的與檢測窗口對應(yīng)的圖像塊的尺寸也隨之變化。作為一個具體示例，檢測窗口的尺寸可以保持不變，而可以對輸入圖像的尺寸進(jìn)行縮放，這樣得到的圖像塊的尺寸是相同的。在步驟502-2中，提取利用檢測窗口得到的每個圖像塊中的一個或更多個特征(下文中稱為檢測特征)?？梢愿鶕?jù)實(shí)際應(yīng)用場景(如目標(biāo)的類型等)來選擇任何適當(dāng)?shù)奶卣髯鳛闄z測特征，如哈爾特征(Haar特征)或有向梯度直方圖(Histogram of OrientedGradient, HOG)特征等,這里不作詳述。
然后，在步驟502-3中，檢測分類器根據(jù)在每個圖像塊中提取的一個或更多個檢測特征(也稱為檢測特征集)來判斷該圖像塊是否存在目標(biāo)。作為一個具體示例，檢測分類器可以計(jì)算每個圖像塊中存在目標(biāo)的概率，并判斷該概率是否大于某個預(yù)定閾值，若是，則判斷該圖像塊中存在目標(biāo)，否則，則判斷該圖像塊中沒有目標(biāo)。例如，假設(shè)檢測窗口的個數(shù)為m(即得到m個圖像塊)，其中，第i個圖像塊中包括目標(biāo)的概率為Pi (i = 0，1，. . .，m)，檢測分類器可以將滿Spi > Tl的圖像塊為候選目標(biāo)，并記錄這些候選目標(biāo)的位置和尺寸等。Tl表示預(yù)定閾值。應(yīng)理解，可以根據(jù)實(shí)際應(yīng)用場景來選擇該閾值，這里不作詳述。應(yīng)理解，上文參考圖5所描述的方法僅僅是示例性的，而非窮盡性的。檢測分類器還可以采用任何其他適當(dāng)?shù)姆椒▉頇z測輸入圖像中的目標(biāo)，例如，檢測分類器可以是基于Adaboost的分類器或基于支持矢量機(jī)(SVM)的分類器等，這里不一一列舉。圖6示意性示出了驗(yàn)證分類器對檢測分類器(如驗(yàn)證分類器103或303)的檢測結(jié)果(一個或更多個候選目標(biāo))進(jìn)行驗(yàn)證(如步驟204或404)的方法。如圖6所示，在步驟604-1中，驗(yàn)證分類器獲取與每個候選目標(biāo)對應(yīng)的圖像塊的一個或更多個驗(yàn)證特征(也稱為驗(yàn)證特征集)。作為一個具體示例，驗(yàn)證特征集可以采用檢測分類器進(jìn)行目標(biāo)檢測所使用的檢測特征集的子集，在這種情況下，檢測分類器可以直接將檢測特征集輸出給驗(yàn)證分類器，或者檢測分類器還可以將檢測特征集存儲在存儲裝置(圖中未示出，該存儲裝置可以為內(nèi)置于目標(biāo)檢測設(shè)備中的存儲器，也可以是設(shè)置在目標(biāo)檢測設(shè)備外部并可由目標(biāo)檢測設(shè)備中的各個部件訪問的存儲器件)中，由檢測分類器直接從中讀取。作為另一具體示例，驗(yàn)證分類器可以采用與檢測分類器的檢測特征不同的特征來進(jìn)行目標(biāo)驗(yàn)證，即驗(yàn)證特征集可以不同于檢測特征集。例如，所述驗(yàn)證特征集可以是預(yù)先設(shè)置的一組特征。又如，所述驗(yàn)證特征集可以是目標(biāo)檢測設(shè)備(在線學(xué)習(xí)裝置)在線選擇的一組特征(如下文中將參考圖8和圖9描述的示例)。可以根據(jù)實(shí)際應(yīng)用場景(如目標(biāo)的類型等)來選擇任何適當(dāng)?shù)奶卣?如Haar特征或HOG特征等)作為驗(yàn)證特征，這里不作詳述。在驗(yàn)證特征集不同于檢測特征集的情況下，目標(biāo)檢測設(shè)備(驗(yàn)證分類器)可以在與每個候選目標(biāo)對應(yīng)的圖像塊中提取所述驗(yàn)證特征。然后，在步驟604-2中，驗(yàn)證分類器根據(jù)一個或更多個驗(yàn)證特征來判斷每個候選目標(biāo)是否為誤檢。被判斷為目標(biāo)的候選目標(biāo)可以稱為驗(yàn)證目標(biāo)。在一個具體示例中，還可以對步驟604-2中得到的驗(yàn)證目標(biāo)進(jìn)行進(jìn)一步的后處理。例如，被驗(yàn)證為目標(biāo)的、位置和尺寸相近的多個圖像塊(驗(yàn)證目標(biāo))可能代表同一目標(biāo)，因此，可以將位置和尺寸相近的、代表同一目標(biāo)的多個圖像塊合并成一個目標(biāo)，稱為合并目標(biāo)。應(yīng)理解，上文參考圖6所描述的方法僅僅是示例性的，而非窮盡性的。驗(yàn)證分類器還可以采用任何其他適當(dāng)?shù)姆椒▉眚?yàn)證候選目標(biāo)，例如，驗(yàn)證分類器可以是基于Adaboost的分類器或基于SVM的分類器等，這里不一一列舉。圖7示例性示出了在線學(xué)習(xí)裝置(如在線學(xué)習(xí)裝置105或305)對檢測分類器(如檢測分類器101或301)進(jìn)行在線訓(xùn)練優(yōu)化(如步驟206或406)的具體示例。如圖7所示，在步驟706-1中，在線學(xué)習(xí)裝置評估檢測分類器對在線樣本的檢測損失。在線樣本可以包括經(jīng)過驗(yàn)證分類器驗(yàn)證的、與每個候選目標(biāo)對應(yīng)的圖像塊(即在線目 標(biāo)樣本和在線誤檢樣本)。在圖3或圖4所示的情況下，在線樣本還可以包括經(jīng)過用戶手工標(biāo)注的圖像樣本。作為一個具體示例，假設(shè)檢測分類器對在線樣本的檢測損失表示為Iossm，則在線學(xué)習(xí)裝置可以利用下式來評估該檢測損失Iossm
權(quán)利要求
1.一種目標(biāo)檢測設(shè)備，包括 檢測分類器，用于對輸入圖像進(jìn)行目標(biāo)檢測，以得到一個或更多個候選目標(biāo)； 驗(yàn)證分類器，用于利用與每個候選目標(biāo)對應(yīng)的圖像塊中的驗(yàn)證特征對每個候選目標(biāo)進(jìn)行驗(yàn)證；以及 在線學(xué)習(xí)裝置，用于利用所述驗(yàn)證分類器得到的對每個候選目標(biāo)的驗(yàn)證結(jié)果、將與每個候選目標(biāo)對應(yīng)的圖像塊作為在線樣本對所述檢測分類 器進(jìn)行訓(xùn)練優(yōu)化。
2.根據(jù)權(quán)利要求I所述的目標(biāo)檢測設(shè)備，還包括 輸入裝置，用于接收經(jīng)標(biāo)注的圖像樣本，并且 其中，所述在線學(xué)習(xí)裝置被配置用于利用所述驗(yàn)證分類器得到的驗(yàn)證結(jié)果、將與每個候選目標(biāo)對應(yīng)的圖像塊和所述經(jīng)標(biāo)注的圖像樣本二者作為在線樣本對所述檢測分類器進(jìn)行訓(xùn)練優(yōu)化。
3.根據(jù)權(quán)利要求I或2所述的目標(biāo)檢測設(shè)備，其中，所述在線學(xué)習(xí)裝置還被配置用于根據(jù)所述驗(yàn)證分類器得到的驗(yàn)證結(jié)果和所述檢測分類器得到的檢測結(jié)果、利用所述在線樣本對所述驗(yàn)證分類器進(jìn)行訓(xùn)練優(yōu)化。
4.根據(jù)權(quán)利要求3所述的目標(biāo)檢測設(shè)備，其中，所述在線學(xué)習(xí)裝置被配置用于通過以下對所述驗(yàn)證分類器進(jìn)行訓(xùn)練優(yōu)化 根據(jù)所述檢測分類器的檢測結(jié)果和所述驗(yàn)證分類器的驗(yàn)證結(jié)果、利用在線樣本來更新與每個驗(yàn)證特征對應(yīng)的目標(biāo)樣本的統(tǒng)計(jì)分布模型和誤檢樣本的統(tǒng)計(jì)分布模型； 選擇使得驗(yàn)證分類器的驗(yàn)證錯誤率最小的一個或多個檢測特征，以更新所述驗(yàn)證分類器。
5.根據(jù)權(quán)利要求4所述的目標(biāo)檢測設(shè)備，其中，所述在線學(xué)習(xí)裝置被進(jìn)一步配置用于利用在線樣本和離線樣本二者來更新與每個檢測特征對應(yīng)的目標(biāo)樣本的統(tǒng)計(jì)分布模型和誤檢樣本的統(tǒng)計(jì)分布模型。
6.根據(jù)權(quán)利要求I或2所述的目標(biāo)檢測設(shè)備，其中，所述在線學(xué)習(xí)裝置被配置用于通過以下對所述檢測分類器進(jìn)行訓(xùn)練優(yōu)化 根據(jù)所述檢測分類器的檢測結(jié)果和所述驗(yàn)證分類器的驗(yàn)證結(jié)果來評估所述檢測分類器對所述在線樣本的檢測損失；以及 通過最小化所述檢測損失來優(yōu)化所述檢測分類器。
7.根據(jù)權(quán)利要求6所述的目標(biāo)檢測設(shè)備，其中，所述在線學(xué)習(xí)裝置還被配置用于計(jì)算所述檢測分類器對離線樣本的檢測損失與對所述在線樣本的檢測損失的和或加權(quán)和，作為所述檢測分類器的總檢測損失，并且 其中，所述在線學(xué)習(xí)裝置通過最小化所述總檢測損失來優(yōu)化所述檢測分類器。
8.根據(jù)權(quán)利要求I或2所述的目標(biāo)檢測設(shè)備，其中，所述在線學(xué)習(xí)裝置還被配置用于利用在線樣本來訓(xùn)練生成所述檢測分類器。
9.根據(jù)權(quán)利要求I或2所述的目標(biāo)檢測設(shè)備，其中，所述在線學(xué)習(xí)裝置還被配置用于利用在線樣本來訓(xùn)練生成所述驗(yàn)證分類器。
10.根據(jù)權(quán)利要求I或2所述的目標(biāo)檢測設(shè)備，其中，所述驗(yàn)證分類器包括多個弱分類器，每個弱分類器對應(yīng)一個驗(yàn)證特征且包括與該驗(yàn)證特征對應(yīng)的、分別表示不同的目標(biāo)樣本或誤檢樣本的一個或更多個統(tǒng)計(jì)分布模型。
11.一種目標(biāo)檢測方法，包括 通過檢測分類器對輸入圖像進(jìn)行目標(biāo)檢測，以得到一個或更多個候選目標(biāo)； 通過驗(yàn)證分類器利用與每個候選目標(biāo)對應(yīng)的圖像塊中的驗(yàn)證特征，對每個候選目標(biāo)進(jìn)行驗(yàn)證；以及 利用每個候選目標(biāo)的驗(yàn)證結(jié)果、將與每個候選目標(biāo)對應(yīng)的圖像塊作為在線樣本對所述檢測分類器進(jìn)行訓(xùn)練優(yōu)化。
12.根據(jù)權(quán)利要求11所述的目標(biāo)檢測方法,還包括接收經(jīng)標(biāo)注的圖像樣本,并且 其中，對所述檢測分類器進(jìn)行訓(xùn)練優(yōu)化包括利用對每個候選目標(biāo)的驗(yàn)證結(jié)果、將與每 個候選目標(biāo)對應(yīng)的圖像塊和所述經(jīng)標(biāo)注的圖像樣本二者作為在線樣本對所述檢測分類器進(jìn)行訓(xùn)練優(yōu)化。
13.根據(jù)權(quán)利要求11或12所述的目標(biāo)檢測方法，還包括 根據(jù)所述驗(yàn)證分類器得到的驗(yàn)證結(jié)果和所述檢測分類器得到的檢測結(jié)果、利用所述在線樣本對所述驗(yàn)證分類器進(jìn)行訓(xùn)練優(yōu)化。
14.根據(jù)權(quán)利要求13所述的目標(biāo)檢測方法，其中，對所述驗(yàn)證分類器進(jìn)行訓(xùn)練優(yōu)化包括 根據(jù)所述檢測分類器的檢測結(jié)果和所述驗(yàn)證分類器的驗(yàn)證結(jié)果、利用在線樣本來更新與每個驗(yàn)證特征對應(yīng)的目標(biāo)樣本的統(tǒng)計(jì)分布模型和誤檢樣本的統(tǒng)計(jì)分布模型； 選擇使得驗(yàn)證分類器的驗(yàn)證錯誤率最小的一個或多個檢測特征，以更新所述驗(yàn)證分類器。
15.根據(jù)權(quán)利要求14所述的目標(biāo)檢測方法，其中，更新與每個檢測特征對應(yīng)的目標(biāo)樣本的統(tǒng)計(jì)分布模型和誤檢樣本的統(tǒng)計(jì)分布模型包括 利用在線樣本和離線樣本二者來更新與每個檢測特征對應(yīng)的目標(biāo)樣本的統(tǒng)計(jì)分布模型和誤檢樣本的統(tǒng)計(jì)分布模型。
16.根據(jù)權(quán)利要求11或12所述的目標(biāo)檢測方法，其中，對所述檢測分類器進(jìn)行訓(xùn)練優(yōu)化包括 根據(jù)所述檢測分類器的檢測結(jié)果和所述驗(yàn)證分類器的驗(yàn)證結(jié)果來評估所述檢測分類器對所述在線樣本的檢測損失；以及 通過最小化所述檢測損失來優(yōu)化所述檢測分類器。
17.根據(jù)權(quán)利要求16所述的目標(biāo)檢測方法，其中，對所述檢測分類器進(jìn)行訓(xùn)練優(yōu)化還包括計(jì)算所述檢測分類器對離線樣本的檢測損失與對所述在線樣本的檢測損失的和或加權(quán)和，作為所述檢測分類器的總檢測損失，并且 其中，通過最小化所述檢測損失來優(yōu)化所述檢測分類器包括通過最小化所述總檢測損失來優(yōu)化所述檢測分類器。
18.根據(jù)權(quán)利要求11或12所述的目標(biāo)檢測方法，還包括利用在線樣本來訓(xùn)練生成所述檢測分類器。
19.根據(jù)權(quán)利要求11或12所述的目標(biāo)檢測方法，還包括利用在線樣本來訓(xùn)練生成所述驗(yàn)證分類器。
全文摘要
本公開提供了目標(biāo)檢測設(shè)備和方法。一種目標(biāo)檢測設(shè)備可包括檢測分類器，用于檢測輸入圖像中的目標(biāo)，以得到一個或更多個候選目標(biāo)；驗(yàn)證分類器，用于利用與每個候選目標(biāo)對應(yīng)的圖像塊中的驗(yàn)證特征對每個候選目標(biāo)進(jìn)行驗(yàn)證；以及在線學(xué)習(xí)裝置，用于利用所述驗(yàn)證分類器得到的對每個候選目標(biāo)的驗(yàn)證結(jié)果、將與每個候選目標(biāo)對應(yīng)的圖像塊作為在線樣本對所述檢測分類器進(jìn)行訓(xùn)練優(yōu)化。
文檔編號G06K9/66GK102737255SQ20111008579
公開日2012年10月17日 申請日期2011年3月30日 優(yōu)先權(quán)日2011年3月30日
發(fā)明者吳偉國, 孟龍 申請人:索尼公司