獲取物體檢測器的方法及裝置制造方法
【專利摘要】本發(fā)明公開了一種獲取物體檢測器的方法及裝置，屬于檢測【技術(shù)領(lǐng)域】。方法包括：根據(jù)SVM對圖像訓(xùn)練樣本訓(xùn)練，得到第一根分類器，根據(jù)第一根分類器獲取各個物體部件對應(yīng)的第一部件分類器；將第一根分類器及各個第一部件分類器進(jìn)行模型變換，得到變換后的根分類器及變換后的部件分類器；根據(jù)隱變量SVM對變換后的根分類器及變換后的部件分類器訓(xùn)練，得到第二根分類器及第二部件分類器，將第一根分類器、第二根分類器、第一部件分類器及第二部件分類器作為獲取到的物體檢測器。本發(fā)明通過對獲取到的第一根分類器及第一部件分類器進(jìn)行模型變換，可增加分類器的種類，擴(kuò)展物體檢測器的搜索空間，可有效地匹配姿態(tài)和視角多變的物體，進(jìn)而提高物體檢測精度。
【專利說明】獲取物體檢測器的方法及裝置
【技術(shù)領(lǐng)域】
[0001]本發(fā)明涉及檢測【技術(shù)領(lǐng)域】，特別涉及一種獲取物體檢測器的方法及裝置。
【背景技術(shù)】
[0002]隨著電子信息技術(shù)的進(jìn)步和網(wǎng)絡(luò)化普及，人們在日常生活中越來越普遍地使用各種各樣的圖像采集設(shè)備，從而可以快捷地獲取大量的圖像和視頻數(shù)據(jù)。通過快速而智能地分析這些數(shù)據(jù)，可以對圖像中的物體進(jìn)行檢測。目前，物體檢測的方式中普遍采用物體檢測器對圖像中的物體進(jìn)行檢測，而物體檢測器又是對大量物體圖像進(jìn)行訓(xùn)練得到的，因此，物體檢測器的性能將直接影響物體檢測的性能。
[0003]現(xiàn)有技術(shù)中獲取物體檢測器的方式有多種，在由P.Felzenszwalb發(fā)表的一篇名為 “Object Detection with Discriminatively Trained Part Based Modes” 的論文中提到了一種人體檢測器的獲取方法。該方法首先采用SVM (Support Vector Machine,支持向量機(jī))對人體圖像訓(xùn)練樣本進(jìn)行訓(xùn)練，得到一個適用于人體全身的根分類器(rootfilter)，之后按照人體部件(如頭部、上肢、下肢和軀干等)在根分類器的基礎(chǔ)上獲取與人體各個部件相對應(yīng)的部件分類器(part filter)，最后采用latent SVM (隱變量SVM)對得到的根分類器及各個部件分類器進(jìn)行訓(xùn)練，得到訓(xùn)練后的根分類器及部件分類器，并將訓(xùn)練后的根分類器及部件分類器作為獲取到的物體檢測器。
[0004]在實(shí)現(xiàn)本發(fā)明的過程中，發(fā)明人發(fā)現(xiàn)現(xiàn)有技術(shù)至少存在以下問題:
[0005]上述根分類器及部件分類器在進(jìn)行匹配或檢測的過程中，由于僅僅使用了部件的平移來獲取最佳匹配，不能有效地匹配姿態(tài)和視角多變的物體，因而采用上述根分類器及部件分類器構(gòu)成的物體檢測器對動態(tài)物體進(jìn)行檢測時，其檢測精度不高。

【發(fā)明內(nèi)容】

[0006]為了解決現(xiàn)有技術(shù)的問題，本發(fā)明實(shí)施例提供了一種獲取物體檢測器的方法及裝置。所述技術(shù)方案如下:
[0007]—方面，提供了一種獲取物體檢測器的方法，所述方法包括:
[0008]采用支持向量機(jī)SVM對預(yù)先獲取的圖像訓(xùn)練樣本進(jìn)行訓(xùn)練，得到第一根分類器，并根據(jù)所述第一根分類器獲取各個物體部件對應(yīng)的第一部件分類器；
[0009]將所述第一根分類器及每個第一部件分類器分別進(jìn)行模型變換，得到變換后的根分類器及各個物體部件對應(yīng)的變換后的部件分類器，所述變換至少包括比例變換、旋轉(zhuǎn)變換及錯切變換中的一種；
[0010]采用隱變量SVM對變換后的根分類器及各個物體部件對應(yīng)的變換后的部件分類器進(jìn)行訓(xùn)練，得到第二根分類器及各個物體部件對應(yīng)的第二部件分類器，并將所述第一根分類器、第二根分類器、第一部件分類器及第二部件分類器作為獲取到的物體檢測器。
[0011]進(jìn)一步地，所述將所述第一根分類器、第二根分類器、第一部件分類器及第二部件分類器作為獲取到的物體檢測器之后，還包括:[0012]獲取待檢測物體圖像；
[0013]提取所述待檢測物體圖像的特征，得到所述待檢測物體圖像的第一特征圖，并對所述第一特征圖進(jìn)行插值處理，得到第二特征圖；
[0014]采用所述物體檢測器中的第一根分類器及第二根分類器分別對所述第一特征圖進(jìn)行檢測，得到所述第一根分類器的檢測結(jié)果及所述第二根分類器的檢測結(jié)果；
[0015]采用所述物體檢測器中的第一部件分類器及第二部件分類器分別對所述第二特征圖進(jìn)行檢測，得到所述第一部件分類器的檢測結(jié)果及所述第二部件分類器的檢測結(jié)果，并根據(jù)預(yù)設(shè)參數(shù)對所述第一部件分類器的檢測結(jié)果及所述第二部件分類器的檢測結(jié)果分別進(jìn)行距離變換，得到所述第一部件分類器的變換結(jié)果及所述第二部件分類器的變換結(jié)果;
[0016]根據(jù)所述第一根分類器的檢測結(jié)果、所述第二根分類器的檢測結(jié)果、所述第一部件分類器的變換結(jié)果及所述第二部件分類器的變換結(jié)果獲取采用所述物體檢測器對所述待檢測物體圖像進(jìn)行物體檢測的檢測結(jié)果。
[0017]較佳地，所述預(yù)設(shè)參數(shù)為所述隱變量SVM所使用的隱變量；
[0018]所述根據(jù)預(yù)設(shè)參數(shù)對所述第一部件分類器的檢測結(jié)果及所述第二部件分類器的檢測結(jié)果分別進(jìn)行距離變換，得到所述第一部件分類器的變換結(jié)果及所述第二部件分類器的變換結(jié)果，包括:
[0019]根據(jù)所述隱變量SVM所使用的隱變量對所述第一部件分類器的檢測結(jié)果及所述第二部件分類器的檢測結(jié)果分別進(jìn)行距離變換，得到所述第一部件分類器的第一變換結(jié)果及所述第二部件分類器的第一變換結(jié)果；
[0020]所述根據(jù)所述第一根分類器的檢測結(jié)果、所述第二根分類器的檢測結(jié)果、所述第一部件分類器的變換結(jié)果及所述第二部件分類器的變換結(jié)果獲取采用所述物體檢測器對所述待檢測物體圖像進(jìn)行物體檢測的檢測結(jié)果，包括:
[0021]合并所述第一根分類器的檢測結(jié)果、所述第二根分類器的檢測結(jié)果、所述第一部件分類器的第一變換結(jié)果及所述第二部件分類器的第一變換結(jié)果，并將合并結(jié)果作為采用所述物體檢測器對所述待檢測物體圖像進(jìn)行物體檢測的檢測結(jié)果。
[0022]較佳地，所述預(yù)設(shè)參數(shù)為所述第一根分類器進(jìn)行模型變換時的變換參數(shù)及所述第二根分類器進(jìn)行模型變換時的變換參數(shù)；
[0023]所述根據(jù)預(yù)設(shè)參數(shù)對所述第一部件分類器的檢測結(jié)果及所述第二部件分類器的檢測結(jié)果分別進(jìn)行距離變換，得到所述第一部件分類器的變換結(jié)果及所述第二部件分類器的變換結(jié)果，包括:
[0024]根據(jù)所述第一根分類器進(jìn)行模型變換時的變換參數(shù)對所述第一部件分類器的檢測結(jié)果及所述第二部件分類器的檢測結(jié)果分別進(jìn)行距離變換，得到所述第一部件分類器的第二變換結(jié)果及所述第二部件分類器的第二變換結(jié)果，并根據(jù)所述第二根分類器進(jìn)行模型變換時的變換參數(shù)對所述第一部件分類器的檢測結(jié)果及所述第二部件分類器的檢測結(jié)果分別進(jìn)行距離變換，得到所述第一部件分類器的第三變換結(jié)果及所述第二部件分類器的第三變換結(jié)果；
[0025]所述根據(jù)所述第一根分類器的檢測結(jié)果、所述第二根分類器的檢測結(jié)果、所述第一部件分類器的變換結(jié)果及所述第二部件分類器的變換結(jié)果獲取采用所述物體檢測器對所述待檢測物體圖像進(jìn)行物體檢測的檢測結(jié)果，包括:
[0026]合并所述第一根分類器的檢測結(jié)果、所述第一部件分類器的第二變換結(jié)果及所述第二部件分類器的第二變換結(jié)果，得到第一合并結(jié)果；
[0027]合并所述第二根分類器的檢測結(jié)果、所述第一部件分類器的第三變換結(jié)果及所述第二部件分類器的第三變換結(jié)果，得到第二合并結(jié)果；
[0028]在所述第一合并結(jié)果和所述第二合并結(jié)果中選擇滿足第一閾值的合并結(jié)果作為采用所述物體檢測器對所述待檢測物體圖像進(jìn)行物體檢測的檢測結(jié)果。
[0029]進(jìn)一步地，所述合并所述第一根分類器的檢測結(jié)果、所述第一部件分類器的第二變換結(jié)果及所述第二部件分類器的第二變換結(jié)果，得到第一合并結(jié)果，包括:
[0030]在所述第一部件分類器的第二變換結(jié)果及所述第二部件分類器的第二變換結(jié)果中選擇滿足第二閾值的變換結(jié)果，并將選擇出的變換結(jié)果與所述第一根分類器的檢測結(jié)果進(jìn)行合并，得到第一合并結(jié)果；
[0031]合并所述第二根分類器的檢測結(jié)果、所述第一部件分類器的第三變換結(jié)果及所述第二部件分類器的第三變換結(jié)果，得到第二合并結(jié)果，包括:
[0032]在所述第一部件分類器的第三變換結(jié)果及所述第二部件分類器的第三變換結(jié)果中選擇滿足第三閾值的變換結(jié)果，并將選擇出的變換結(jié)果與所述第二根分類器的檢測結(jié)果進(jìn)行合并，得到第二合并結(jié)果。
[0033]另一方面，還提供了一種獲取物體檢測器的裝置，所述裝置包括:
[0034]第一訓(xùn)練模塊，用于采用支持向量機(jī)SVM對預(yù)先獲取的圖像訓(xùn)練樣本進(jìn)行訓(xùn)練，得到第一根分類器；
[0035]第一獲取模塊，用于根據(jù)所述第一訓(xùn)練模塊訓(xùn)練得到的第一根分類器獲取各個物體部件對應(yīng)的第一部件分類器；
[0036]模型變換模塊，用于將所述第一訓(xùn)練模塊訓(xùn)練得到的第一根分類器及所述第一獲取模塊獲取到的各個物體部件對應(yīng)的第一部件分類器分別進(jìn)行模型變換，得到變換后的根分類器及各個物體部件對應(yīng)的變換后的部件分類器，所述變換至少包括比例變換、旋轉(zhuǎn)變換及錯切變換中的一種；
[0037]第二訓(xùn)練模塊，用于根據(jù)隱變量SVM對所述模型變換模塊變換后的根分類器及各個物體部件對應(yīng)的變換后的部件分類器進(jìn)行訓(xùn)練，得到第二根分類器及各個物體部件對應(yīng)的第二部件分類器，并將所述第一根分類器、第二根分類器、第一部件分類器及第二部件分類器作為獲取到的物體檢測器。
[0038]進(jìn)一步地，所述裝置，還包括:
[0039]第二獲取模塊，用于獲取待檢測物體圖像；
[0040]提取模塊，用于提取所述第二獲取模塊獲取到的待檢測物體圖像的特征，得到所述待檢測物體圖像的第一特征圖；
[0041]處理模塊，用于對所述提取模塊提取的第一特征圖進(jìn)行插值處理，得到第二特征圖；
[0042]第一檢測模塊，用于采用所述物體檢測器中的第一根分類器及第二根分類器分別對所述提取模塊提取的第一特征圖進(jìn)行檢測，得到所述第一根分類器的檢測結(jié)果及所述第二根分類器的檢測結(jié)果；[0043]第二檢測模塊，用于采用所述物體檢測器中的第一部件分類器及第二部件分類器分別對所述處理模塊處理得到的第二特征圖進(jìn)行檢測，得到所述第一部件分類器的檢測結(jié)果及所述第二部件分類器的檢測結(jié)果；
[0044]轉(zhuǎn)換模塊，用于根據(jù)預(yù)設(shè)參數(shù)對所述第二檢測模塊得到的第一部件分類器的檢測結(jié)果及所述第二部件分類器的檢測結(jié)果分別進(jìn)行距離變換，得到所述第一部件分類器的變換結(jié)果及所述第二部件分類器的變換結(jié)果；
[0045]第三獲取模塊，用于根據(jù)所述第一檢測模塊得到的第一根分類器的檢測結(jié)果、所述第二根分類器的檢測結(jié)果、所述轉(zhuǎn)換模塊得到的第一部件分類器的變換結(jié)果及所述第二部件分類器的變換結(jié)果獲取采用所述物體檢測器對所述待檢測物體圖像進(jìn)行物體檢測的檢測結(jié)果。
[0046]較佳地，所述預(yù)設(shè)參數(shù)為所述隱變量SVM所使用的隱變量；
[0047]所述轉(zhuǎn)換模塊，用于根據(jù)所述隱變量SVM所使用的隱變量對所述第一部件分類器的檢測結(jié)果及所述第二部件分類器的檢測結(jié)果分別進(jìn)行距離變換，得到所述第一部件分類器的第一變換結(jié)果及所述第二部件分類器的第一變換結(jié)果；
[0048]所述第三獲取模塊，包括:
[0049]第一合并單元，用于合并所述第一根分類器的檢測結(jié)果、所述第二根分類器的檢測結(jié)果、所述第一部件分類器的第一變換結(jié)果及所述第二部件分類器的第一變換結(jié)果；
[0050]第一獲取單元，用于將所述第一合并單元得到的合并結(jié)果作為采用所述物體檢測器對所述待檢測物體圖像進(jìn)行物體檢測的檢測結(jié)果。
[0051]較佳地，所述預(yù)設(shè)參數(shù)為所述第一根分類器進(jìn)行模型變換時的變換參數(shù)及所述第二根分類器進(jìn)行模型變換時的變換參數(shù)；
[0052]所述轉(zhuǎn)換模塊，用于根據(jù)所述第一根分類器進(jìn)行模型變換時的變換參數(shù)對所述第一部件分類器的檢測結(jié)果及所述第二部件分類器的檢測結(jié)果分別進(jìn)行距離變換，得到所述第一部件分類器的第二變換結(jié)果及所述第二部件分類器的第二變換結(jié)果，并根據(jù)所述第二根分類器進(jìn)行模型變換時的變換參數(shù)對所述第一部件分類器的檢測結(jié)果及所述第二部件分類器的檢測結(jié)果分別進(jìn)行距離變換，得到所述第一部件分類器的第三變換結(jié)果及所述第二部件分類器的第三變換結(jié)果；
[0053]所述第三獲取模塊，包括:
[0054]第二合并單元，用于合并所述第一根分類器的檢測結(jié)果、所述第一部件分類器的第二變換結(jié)果及所述第二部件分類器的第二變換結(jié)果，得到第一合并結(jié)果；
[0055]第三合并單元，用于合并所述第二根分類器的檢測結(jié)果、所述第一部件分類器的第三變換結(jié)果及所述第二部件分類器的第三變換結(jié)果，得到第二合并結(jié)果；
[0056]第二獲取單元，用于在所述第二合并單元得到的第一合并結(jié)果和所述第三合并單元得到的第二合并結(jié)果中選擇滿足第一閾值的合并結(jié)果作為采用所述物體檢測器對所述待檢測物體圖像進(jìn)行物體檢測的檢測結(jié)果。
[0057]進(jìn)一步地，所述第二合并單元，用于在所述第一部件分類器的第二變換結(jié)果及所述第二部件分類器的第二變換結(jié)果中選擇滿足第二閾值的變換結(jié)果，并將選擇出的變換結(jié)果與所述第一根分類器的檢測結(jié)果進(jìn)行合并，得到第一合并結(jié)果；
[0058]所述第三合并單元，用于在所述第一部件分類器的第三變換結(jié)果及所述第二部件分類器的第三變換結(jié)果中選擇滿足第三閾值的變換結(jié)果，并將選擇出的變換結(jié)果與所述第二根分類器的檢測結(jié)果進(jìn)行合并，得到第二合并結(jié)果。
[0059]本發(fā)明實(shí)施例提供的技術(shù)方案帶來的有益效果是:
[0060]通過對獲取到的第一根分類器及第一部件分類器進(jìn)行模型變換，可增加分類器的種類，擴(kuò)展獲取到的物體檢測器的搜索空間，使獲取到的物體檢測器不僅可以針對靜態(tài)物體進(jìn)行檢測，還可有效地匹配姿態(tài)和視角多變的物體，對于處于動態(tài)變化的物體也能夠?qū)崿F(xiàn)檢測，進(jìn)而提聞物體檢測精度。
【專利附圖】

【附圖說明】
[0061]為了更清楚地說明本發(fā)明實(shí)施例中的技術(shù)方案，下面將對實(shí)施例描述中所需要使用的附圖作簡單地介紹，顯而易見地，下面描述中的附圖僅僅是本發(fā)明的一些實(shí)施例，對于本領(lǐng)域普通技術(shù)人員來講，在不付出創(chuàng)造性勞動的前提下，還可以根據(jù)這些附圖獲得其他的附圖。
[0062]圖1是本發(fā)明實(shí)施例一提供的一種獲取物體檢測器的方法流程圖；
[0063]圖2是本發(fā)明實(shí)施例二提供的一種獲取物體檢測器的方法流程圖；
[0064]圖3是本發(fā)明實(shí)施例二提供的一種物體檢測器示意圖；
[0065]圖4是本發(fā)明實(shí)施例二提供的另一種物體檢測器示意圖；
[0066]圖5是本發(fā)明實(shí)施例二提供的一種物體檢測過程示意圖；
[0067]圖6是本發(fā)明實(shí)施例二提供的另一種物體檢測過程示意圖；
[0068]圖7是本發(fā)明實(shí)施例三提供的一種獲取物體檢測器的裝置結(jié)構(gòu)示意圖；
[0069]圖8是本發(fā)明實(shí)施例三提供的另一種獲取物體檢測器的裝置結(jié)構(gòu)示意圖；
[0070]圖9是本發(fā)明實(shí)施例三提供的一種第三獲取模塊的結(jié)構(gòu)示意圖；
[0071]圖10是本發(fā)明實(shí)施例三提供的另一種第三獲取模塊的結(jié)構(gòu)示意圖。
【具體實(shí)施方式】
[0072]為使本發(fā)明的目的、技術(shù)方案和優(yōu)點(diǎn)更加清楚，下面將結(jié)合附圖對本發(fā)明實(shí)施方式作進(jìn)一步地詳細(xì)描述。
[0073]實(shí)施例一
[0074]本實(shí)施例提供了一種獲取物體檢測器的方法，參見圖1，本實(shí)施例提供的方法流程具體如下:
[0075]101:采用SVM對預(yù)先獲取的圖像訓(xùn)練樣本進(jìn)行訓(xùn)練，得到第一根分類器，并根據(jù)第一根分類器獲取各個物體部件對應(yīng)的第一部件分類器；
[0076]102:將第一根分類器及各個物體部件對應(yīng)的第一部件分類器分別進(jìn)行模型變換，得到變換后的根分類器及各個物體部件對應(yīng)的變換后的部件分類器，變換至少包括比例變換、旋轉(zhuǎn)變換及錯切變換中的一種；
[0077]103:采用隱變量SVM對變換后的根分類器及各個物體部件對應(yīng)的變換后的部件分類器進(jìn)行訓(xùn)練，得到第二根分類器及各個物體部件對應(yīng)的第二部件分類器，并將第一根分類器、第二根分類器、第一部件分類器及第二部件分類器作為獲取到的物體檢測器。
[0078]本實(shí)施例提供的方法，通過對獲取到的第一根分類器及第一部件分類器進(jìn)行模型變換，可增加分類器的種類，擴(kuò)展獲取到的物體檢測器的搜索空間，使獲取到的物體檢測器不僅可以針對靜態(tài)物體進(jìn)行檢測，還可有效地匹配姿態(tài)和視角多變的物體，對于處于動態(tài)變化的物體也能夠?qū)崿F(xiàn)檢測，進(jìn)而提高物體檢測精度。
[0079]為了更加清楚地闡述上述實(shí)施例提供的方法，結(jié)合上述實(shí)施例的內(nèi)容，以如下實(shí)施例二為例，對本實(shí)施例提供的方法進(jìn)行詳細(xì)說明，詳見如下實(shí)施例二:
[0080]實(shí)施例二
[0081]結(jié)合上述實(shí)施例一的內(nèi)容，本實(shí)施例提供了一種獲取物體檢測器的方法。其中，物體檢測器包括但不限于人體檢測器、車輛檢測器、或其他類型的物體檢測等等，本實(shí)施例不對物體檢測器的具體類型進(jìn)行限定。為了便于說明，本實(shí)施例以獲取人體檢測器為例，對獲取物體檢測器的方式進(jìn)行詳細(xì)地舉例描述。參見圖2，本實(shí)施例提供的方法流程具體如下:
[0082]201:采用SVM對預(yù)先獲取的圖像訓(xùn)練樣本進(jìn)行訓(xùn)練，得到第一根分類器，并根據(jù)第一根分類器獲取各個物體部件對應(yīng)的第一部件分類器；
[0083]其中，預(yù)先獲取的圖像訓(xùn)練樣本可以為通過拍照設(shè)備或攝像設(shè)備等采集得到的圖像。以獲取人體檢測器為例，該預(yù)先獲取的圖像訓(xùn)練樣本可以為包括人體的圖像，也可以為不包括人體的圖像，本實(shí)施例將包括人體的圖像稱為正樣本，不包括人體的圖像稱為負(fù)樣本。為了使訓(xùn)練出的分類器性能更加優(yōu)越，預(yù)先獲取的圖像訓(xùn)練樣本的數(shù)量越多越好，但本實(shí)施例不對該步驟中預(yù)先獲取的圖像訓(xùn)練樣本的個數(shù)進(jìn)行限定。
[0084]另外，SVM是一種基于分類邊界的方法，其原理是將低維空間中的點(diǎn)映射到高維空間中，使它們成為線性可分的，再使用線性劃分的原理來判斷分類邊界。由于采用SVM訓(xùn)練的方式在分類的應(yīng)用上已經(jīng)十分成熟，本實(shí)施例同樣不對采用SVM對預(yù)先獲取的圖像訓(xùn)練樣本進(jìn)行訓(xùn)練的方式進(jìn)行限定。具體訓(xùn)練時，對是否線性可分的情況進(jìn)行分析，對于線性不可分的情況，通過使用非線性映射算法將低維輸入空間線性不可分的樣本轉(zhuǎn)化為高維特征空間使其線性可分，從而使得高維特征空間采用線性算法對樣本的非線性特征進(jìn)行線性分析成為可能。
[0085]對于預(yù)先獲取的圖像訓(xùn)練樣本，采用SVM對其進(jìn)行訓(xùn)練，得到的結(jié)果作為第一根分類器。該第一根分類器可以是針對人體全身的分類器，如圖3中的(I)所示。
[0086]進(jìn)一步地，由于人體全身的分類器可以反映人體各個部件的信息，因而通過對第一根分類器進(jìn)行插值處理，可以得到分辨率更高的分類器，并按照人體的各個部件，可將經(jīng)過插值處理的分類器進(jìn)行拆分，并對拆分后的結(jié)果做進(jìn)一步的插值處理，得到各個物體部件對應(yīng)的第一部件分類器。例如，在得到如圖3 (I)所示的第一根分類器之后，通過對其進(jìn)行插值處理，得到如圖3 (2)所示的處理結(jié)果，再通過對其做進(jìn)一步的插值處理之后，可得到如圖3 (3)所示的針對人體各個部件的第一部件分類器。如圖3 (3)所示，該第一部件分類器包括頭部對應(yīng)的第一部件分類器1，上肢對應(yīng)的第一部件分類器2，下肢對應(yīng)的第一部件分類器3等等，各個部件對應(yīng)各自的第一部件分類器，本實(shí)施例不對劃分的第一部件分類器的個數(shù)進(jìn)行限定。
[0087]202:將第一根分類器及各個物體部件對應(yīng)的第一部件分類器分別進(jìn)行模型變換，得到變換后的根分類器及各個物體部件對應(yīng)的變換后的部件分類器，變換至少包括比例變換、旋轉(zhuǎn)變換及錯切變換中的一種；
[0088]其中，變換的種類包括但不限于比例變換、旋轉(zhuǎn)變換及錯切變換中的一種。比例變換包括放大變換或縮小變換，本實(shí)施例不對放大或縮小的比例進(jìn)行限定；旋轉(zhuǎn)變換可以為任意角度的旋轉(zhuǎn)變換，本實(shí)施例同樣不對旋轉(zhuǎn)的角度進(jìn)行限定；錯切變換是使圖形產(chǎn)生一個扭變，包括但不限于X方向和I方向的錯切變換。
[0089]其中，圖像沿X方向的錯切矩陣如下面的公式(I)所示:
【權(quán)利要求】
1.一種獲取物體檢測器的方法，其特征在于，所述方法包括: 采用支持向量機(jī)SVM對預(yù)先獲取的圖像訓(xùn)練樣本進(jìn)行訓(xùn)練，得到第一根分類器，并根據(jù)所述第一根分類器獲取各個物體部件對應(yīng)的第一部件分類器； 將所述第一根分類器及各個物體部件對應(yīng)的第一部件分類器分別進(jìn)行模型變換，得到變換后的根分類器及各個物體部件對應(yīng)的變換后的部件分類器，所述變換至少包括比例變換、旋轉(zhuǎn)變換及錯切變換中的一種； 采用隱變量SVM對變換后的根分類器及各個物體部件對應(yīng)的變換后的部件分類器進(jìn)行訓(xùn)練，得到第二根分類器及各個物體部件對應(yīng)的第二部件分類器，并將所述第一根分類器、第二根分類器、第一部件分類器及第二部件分類器作為獲取到的物體檢測器。
2.根據(jù)權(quán)利要求1所述的方法，其特征在于，所述將所述第一根分類器、第二根分類器、第一部件分類器及第二部件分類器作為獲取到的物體檢測器之后，還包括: 獲取待檢測物體圖像； 提取所述待檢測物體圖像的特征，得到所述待檢測物體圖像的第一特征圖，并對所述第一特征圖進(jìn)行插值處理，得到第二特征圖； 采用所述物體檢測器中 的第一根分類器及第二根分類器分別對所述第一特征圖進(jìn)行檢測，得到所述第一根分類器的檢測結(jié)果及所述第二根分類器的檢測結(jié)果； 采用所述物體檢測器中的第一部件分類器及第二部件分類器分別對所述第二特征圖進(jìn)行檢測，得到所述第一部件分類器的檢測結(jié)果及所述第二部件分類器的檢測結(jié)果，并根據(jù)預(yù)設(shè)參數(shù)對所述第一部件分類器的檢測結(jié)果及所述第二部件分類器的檢測結(jié)果分別進(jìn)行距離變換，得到所述第一部件分類器的變換結(jié)果及所述第二部件分類器的變換結(jié)果；根據(jù)所述第一根分類器的檢測結(jié)果、所述第二根分類器的檢測結(jié)果、所述第一部件分類器的變換結(jié)果及所述第二部件分類器的變換結(jié)果獲取采用所述物體檢測器對所述待檢測物體圖像進(jìn)行物體檢測的檢測結(jié)果。
3.根據(jù)權(quán)利要求2所述的方法，其特征在于，所述預(yù)設(shè)參數(shù)為所述隱變量SVM所使用的隱變量； 所述根據(jù)預(yù)設(shè)參數(shù)對所述第一部件分類器的檢測結(jié)果及所述第二部件分類器的檢測結(jié)果分別進(jìn)行距離變換，得到所述第一部件分類器的變換結(jié)果及所述第二部件分類器的變換結(jié)果，包括: 根據(jù)所述隱變量SVM所使用的隱變量對所述第一部件分類器的檢測結(jié)果及所述第二部件分類器的檢測結(jié)果分別進(jìn)行距離變換，得到所述第一部件分類器的第一變換結(jié)果及所述第二部件分類器的第一變換結(jié)果； 所述根據(jù)所述第一根分類器的檢測結(jié)果、所述第二根分類器的檢測結(jié)果、所述第一部件分類器的變換結(jié)果及所述第二部件分類器的變換結(jié)果獲取采用所述物體檢測器對所述待檢測物體圖像進(jìn)行物體檢測的檢測結(jié)果，包括: 合并所述第一根分類器的檢測結(jié)果、所述第二根分類器的檢測結(jié)果、所述第一部件分類器的第一變換結(jié)果及所述第二部件分類器的第一變換結(jié)果，并將合并結(jié)果作為采用所述物體檢測器對所述待檢測物體圖像進(jìn)行物體檢測的檢測結(jié)果。
4.根據(jù)權(quán)利要求2所述的方法，其特征在于，所述預(yù)設(shè)參數(shù)為所述第一根分類器進(jìn)行模型變換時的變換參數(shù)及所述第二根分類器進(jìn)行模型變換時的變換參數(shù)；所述根據(jù)預(yù)設(shè)參數(shù)對所述第一部件分類器的檢測結(jié)果及所述第二部件分類器的檢測結(jié)果分別進(jìn)行距離變換，得到所述第一部件分類器的變換結(jié)果及所述第二部件分類器的變換結(jié)果，包括: 根據(jù)所述第一根分類器進(jìn)行模型變換時的變換參數(shù)對所述第一部件分類器的檢測結(jié)果及所述第二部件分類器的檢測結(jié)果分別進(jìn)行距離變換，得到所述第一部件分類器的第二變換結(jié)果及所述第二部件分類器的第二變換結(jié)果，并根據(jù)所述第二根分類器進(jìn)行模型變換時的變換參數(shù)對所述第一部件分類器的檢測結(jié)果及所述第二部件分類器的檢測結(jié)果分別進(jìn)行距離變換，得到所述第一部件分類器的第三變換結(jié)果及所述第二部件分類器的第三變換結(jié)果； 所述根據(jù)所述第一根分類器的檢測結(jié)果、所述第二根分類器的檢測結(jié)果、所述第一部件分類器的變換結(jié)果及所述第二部件分類器的變換結(jié)果獲取采用所述物體檢測器對所述待檢測物體圖像進(jìn)行物體檢測的檢測結(jié)果，包括: 合并所述第一根分類器的檢測結(jié)果、所述第一部件分類器的第二變換結(jié)果及所述第二部件分類器的第二變換結(jié)果，得到第一合并結(jié)果； 合并所述第二根分類器的檢測結(jié)果、所述第一部件分類器的第三變換結(jié)果及所述第二部件分類器的第三變換結(jié)果，得到第二合并結(jié)果； 在所述第一合并結(jié)果和所述第二合并結(jié)果中選擇滿足第一閾值的合并結(jié)果作為采用所述物體檢測器對所述待檢測物體圖像進(jìn)行物體檢測的檢測結(jié)果。
5.根據(jù)權(quán)利要求4所述的方法，其特征在于，所述合并所述第一根分類器的檢測結(jié)果、所述第一部件分類器的第二變換結(jié)果及所述第二部件分類器的第二變換結(jié)果，得到第一合并結(jié)果，包括: 在所述第一部件分類器的第二變換結(jié)果及所述第二部件分類器的第二變換結(jié)果中選擇滿足第二閾值的變換結(jié)果，并將選擇出的變換結(jié)果與所述第一根分類器的檢測結(jié)果進(jìn)行合并，得到第一合并結(jié)果； 合并所述第二根分類器的檢測結(jié)果、所述第一部件分類器的第三變換結(jié)果及所述第二部件分類器的第三變換結(jié)果，得到第二合并結(jié)果，包括: 在所述第一部件分類器的第三變換結(jié)果及所述第二部件分類器的第三變換結(jié)果中選擇滿足第三閾值的變換結(jié)果，并將選擇出的變換結(jié)果與所述第二根分類器的檢測結(jié)果進(jìn)行合并，得到第二合并結(jié)果。
6.一種獲取物體檢測器的裝置，其特征在于，所述裝置包括: 第一訓(xùn)練模塊，用于采用支持向量機(jī)SVM對預(yù)先獲取的圖像訓(xùn)練樣本進(jìn)行訓(xùn)練，得到第一根分類器； 第一獲取模塊，用于根據(jù)所述第一訓(xùn)練模塊訓(xùn)練得到的第一根分類器獲取各個物體部件對應(yīng)的第一部件分類器； 模型變換模塊，用于將所述第一訓(xùn)練模塊訓(xùn)練得到的第一根分類器及所述第一獲取模塊獲取到的各個物體部件對應(yīng)的第一部件分類器分別進(jìn)行模型變換，得到變換后的根分類器及各個物體部件對應(yīng)的變換后的部件分類器，所述變換至少包括比例變換、旋轉(zhuǎn)變換及錯切變換中的一種； 第二訓(xùn)練模塊，用于采用隱變量SVM對所述模型變換模塊變換后的根分類器及各個物體部件對應(yīng)的變換后的部件分類器進(jìn)行訓(xùn)練，得到第二根分類器及各個物體部件對應(yīng)的第二部件分類器，并將所述第一根分類器、第二根分類器、第一部件分類器及第二部件分類器作為獲取到的物體檢測器。
7.根據(jù)權(quán)利要求6所述的裝置，其特征在于，所述裝置，還包括: 第二獲取模塊，用于獲取待檢測物體圖像； 提取模塊，用于提取所述第二獲取模塊獲取到的待檢測物體圖像的特征，得到所述待檢測物體圖像的第一特征圖； 處理模塊，用于對所述提取模塊提取的第一特征圖進(jìn)行插值處理，得到第二特征圖；第一檢測模塊，用于采用所述物體檢測器中的第一根分類器及第二根分類器分別對所述提取模塊提取的第一特征圖進(jìn)行檢測，得到所述第一根分類器的檢測結(jié)果及所述第二根分類器的檢測結(jié)果； 第二檢測模塊，用于采用所述物體檢測器中的第一部件分類器及第二部件分類器分別對所述處理模塊處理得到的第二特征圖進(jìn)行檢測，得到所述第一部件分類器的檢測結(jié)果及所述第二部件分類器的檢測結(jié)果； 轉(zhuǎn)換模塊，用于根據(jù)預(yù)設(shè)參數(shù)對所述第二檢測模塊得到的第一部件分類器的檢測結(jié)果及所述第二部件分類器的檢測結(jié)果分別進(jìn)行距離變換，得到所述第一部件分類器的變換結(jié)果及所述第二部件分類器的變換結(jié)果； 第三獲取模塊，用于根據(jù)所述第一檢測模塊得到的第一根分類器的檢測結(jié)果、所述第二根分類器的檢測結(jié)果、所述轉(zhuǎn)換模塊得到的第一部件分類器的變換結(jié)果及所述第二部件分類器的變換結(jié)果獲取采用所述物體檢測器對所述待檢測物體圖像進(jìn)行物體檢測的檢測結(jié)果。
8.根據(jù)權(quán)利要求7所述的裝置，其特征在于，所述預(yù)設(shè)參數(shù)為所述隱變量SVM所使用的隱變量； 所述轉(zhuǎn)換模塊，用于根據(jù)所述隱變量SVM所使用的隱變量對所述第一部件分類器的檢測結(jié)果及所述第二部件分類器的檢測結(jié)果分別進(jìn)行距離變換，得到所述第一部件分類器的第一變換結(jié)果及所述第二部件分類器的第一變換結(jié)果； 所述第三獲取模塊，包括: 第一合并單元，用于合并所述第一根分類器的檢測結(jié)果、所述第二根分類器的檢測結(jié)果、所述第一部件分類器的第一變換結(jié)果及所述第二部件分類器的第一變換結(jié)果； 第一獲取單元，用于將所述第一合并單元得到的合并結(jié)果作為采用所述物體檢測器對所述待檢測物體圖像進(jìn)行物體檢測的檢測結(jié)果。
9.根據(jù)權(quán)利要求7所述的裝置，其特征在于，所述預(yù)設(shè)參數(shù)為所述第一根分類器進(jìn)行模型變換時的變換參數(shù)及所述第二根分類器進(jìn)行模型變換時的變換參數(shù)； 所述轉(zhuǎn)換模塊，用于根據(jù)所述第一根分類器進(jìn)行模型變換時的變換參數(shù)對所述第一部件分類器的檢測結(jié)果及所述第二部件分類器的檢測結(jié)果分別進(jìn)行距離變換，得到所述第一部件分類器的第二變換結(jié)果及所述第二部件分類器的第二變換結(jié)果，并根據(jù)所述第二根分類器進(jìn)行模型變換時的變換參數(shù)對所述第一部件分類器的檢測結(jié)果及所述第二部件分類器的檢測結(jié)果分別進(jìn)行距離變換，得到所述第一部件分類器的第三變換結(jié)果及所述第二部件分類器的第三變換結(jié)果；所述第三獲取模塊，包括: 第二合并單元，用于合并所述第一根分類器的檢測結(jié)果、所述第一部件分類器的第二變換結(jié)果及所述第二部件分類器的第二變換結(jié)果，得到第一合并結(jié)果； 第三合并單元，用于合并所述第二根分類器的檢測結(jié)果、所述第一部件分類器的第三變換結(jié)果及所述第二部件分類器的第三變換結(jié)果，得到第二合并結(jié)果； 第二獲取單元，用于在所述第二合并單元得到的第一合并結(jié)果和所述第三合并單元得到的第二合并結(jié)果中選擇滿足第一閾值的合并結(jié)果作為采用所述物體檢測器對所述待檢測物體圖像進(jìn)行物體檢測的檢測結(jié)果。
10.根據(jù)權(quán)利要求9所述的裝置，其特征在于，所述第二合并單元，用于在所述第一部件分類器的第二變換結(jié)果及所述第二部件分類器的第二變換結(jié)果中選擇滿足第二閾值的變換結(jié)果，并將選擇出的變換結(jié)果與所述第一根分類器的檢測結(jié)果進(jìn)行合并，得到第一合并結(jié)果； 所述第三合并單元，用于在所述第一部件分類器的第三變換結(jié)果及所述第二部件分類器的第三變換結(jié)果中選擇滿足第三閾值的變換結(jié)果，并將選擇出的變換結(jié)果與所述第二根分類器的檢測結(jié)果進(jìn)行合并，得到第二合并結(jié)果。
【文檔編號】G06K9/62GK103942558SQ201310024111
【公開日】2014年7月23日 申請日期:2013年1月22日 優(yōu)先權(quán)日:2013年1月22日
【發(fā)明者】王峰 申請人:日電（中國）有限公司