目標(biāo)檢測(cè)方法和裝置制造方法
【專利摘要】本發(fā)明公開了一種目標(biāo)檢測(cè)方法和裝置，所述方法包括：基于方向梯度直方圖特征，采用Adaboost算法對(duì)標(biāo)定正負(fù)的圖像樣本進(jìn)行訓(xùn)練，得到目標(biāo)檢測(cè)模型；接收待檢測(cè)圖像；基于BoxFlter算法提取所述待檢測(cè)圖像的有向梯度直方圖特征，并通過所述目標(biāo)檢測(cè)模型進(jìn)行目標(biāo)檢測(cè)。采用本發(fā)明技術(shù)方案，能夠提高HOG特征的提取速度，從而提高視頻監(jiān)控中的目標(biāo)檢測(cè)速度。
【專利說明】目標(biāo)檢測(cè)方法和裝置
【技術(shù)領(lǐng)域】
[0001]本發(fā)明涉及視頻監(jiān)控【技術(shù)領(lǐng)域】，特別是涉及ー種目標(biāo)檢測(cè)方法和裝置。
【背景技術(shù)】
[0002]Adaboost算法是智能視頻分析領(lǐng)域中常用的目標(biāo)檢測(cè)方法，它通過學(xué)習(xí)標(biāo)記為正負(fù)的樣本，提取目標(biāo)概念的知識(shí)，從而泛化到其它未見過的樣本過程中。
[0003]Adaboost算法在特征提取時(shí)，根據(jù)不同的應(yīng)用場(chǎng)景提取不同的特征，例如包括Haar特征、HOG (Histogram of Oriented Gradient,有向梯度直方圖)特征等,其中HOG特征的定位精度是最高的，因此得到了廣泛的應(yīng)用。
[0004]HOG特征的計(jì)算量相對(duì)較大,現(xiàn)有的HOG特征提取算法是采用積分圖(IntegralImage)來計(jì)算,該方法使得計(jì)算的復(fù)雜度由0(mn)降低到0(4),其中m、n分別為HOG特征矩形的寬和高?，F(xiàn)有積分圖方法雖然進(jìn)行了優(yōu)化，然而對(duì)于尺寸較大的圖像處理速度明顯不足；其次積分圖需要計(jì)算所有位置的梯度分布，而HOG特征的尺度有一定限制，因此積分圖增加了計(jì)算開銷；此外積分圖在計(jì)算中依賴相鄰位置的計(jì)算結(jié)果，因此計(jì)算的并行處理能力不聞。

【發(fā)明內(nèi)容】

[0005]基于此，有必要提供ー種目標(biāo)檢測(cè)方法和裝置，應(yīng)用本方法和裝置，能夠提高HOG特征的提取速度，從而提高視頻監(jiān)控中的目標(biāo)檢測(cè)速度。
[0006]ー種目標(biāo)檢測(cè)方法，包括:
[0007]基于方向梯度直方圖特征，采用Adaboost算法對(duì)標(biāo)定正負(fù)的圖像樣本進(jìn)行訓(xùn)練，得到目標(biāo)檢測(cè)模型；
[0008]接收待檢測(cè)圖像；
[0009]基于BoxFlter算法提取所述待檢測(cè)圖像的有向梯度直方圖特征，并通過所述目標(biāo)檢測(cè)模型進(jìn)行目標(biāo)檢測(cè)。
[0010]在其中一個(gè)實(shí)施例中，所述有向梯度直方圖特征包括8*8像素単元、8*16像素單元、16*8像素單元以及16*16像素単元的有向梯度直方圖特征。
[0011 ] 在一個(gè)實(shí)施例中，所述基于BoxFi I ter算法提取所述待檢測(cè)圖像的有向梯度直方圖特征，包括:
[0012]根據(jù)所述待檢測(cè)圖像，進(jìn)行初始化得到9個(gè)對(duì)應(yīng)的輸入矩陣Snxm，其中N為圖像像素高，M為圖像像素寬；
[0013]由所述輸入矩陣SNXM，計(jì)算對(duì)應(yīng)的B矩陣，并由B矩陣計(jì)算有向梯度直方圖特征，其中B矩陣中元素B (j，i)為輸入矩陣中以(j，i)為左上角，寬為m，高為h的矩形的所有元素的和，其中 i = 0，…M_m, j = 0,…N_n,m=n=8。
[0014]在一個(gè)實(shí)施例中，所述根據(jù)待檢測(cè)圖像，進(jìn)行初始化得到9個(gè)對(duì)應(yīng)的輸入矩陣的步驟Snxm,包括:[0015]對(duì)所述待檢測(cè)圖像所有像素點(diǎn)的像素值進(jìn)行Gamma變換:
[0016]I (x, y) = I(x, y)Gamma；
[0017]根據(jù)公式:
[0018]
[0019]
【權(quán)利要求】
1.ー種目標(biāo)檢測(cè)方法，其特征在于，所述方法包括: 基于方向梯度直方圖特征，采用Adaboost算法對(duì)標(biāo)定正負(fù)的圖像樣本進(jìn)行訓(xùn)練，得到目標(biāo)檢測(cè)模型； 接收待檢測(cè)圖像； 基于BoxFlter算法提取所述待檢測(cè)圖像的有向梯度直方圖特征，并通過所述目標(biāo)檢測(cè)模型進(jìn)行目標(biāo)檢測(cè)。
2.根據(jù)權(quán)利要求1所述的方法，其特征在于，所述有向梯度直方圖特征包括8*8像素單元、8*16像素単元、16*8像素單元以及16*16像素単元的有向梯度直方圖特征。
3.根據(jù)權(quán)利要求2所述的方法，其特征在于，所述基于BoxFilter算法提取所述待檢測(cè)圖像的有向梯度直方圖特征，包括: 根據(jù)所述待檢測(cè)圖像，進(jìn)行初始化得到9個(gè)對(duì)應(yīng)的輸入矩陣Snxm，其中N為圖像像素高，M為圖像像素寬； 由所述輸入矩陣SNXM，計(jì)算對(duì)應(yīng)的B矩陣，并由B矩陣計(jì)算有向梯度直方圖特征，其中B矩陣中元素B(j，i)為輸入矩陣中以(j，i)為左上角，寬為m，高為h的矩形的所有元素的和，其中 i = 0，…Mn，j = 0,…N_n,m=n=8。
4.根據(jù)權(quán)利要求3所述的方法，其特征在于，所述根據(jù)待檢測(cè)圖像，進(jìn)行初始化得到9個(gè)對(duì)應(yīng)的輸入矩陣的步驟Snxm，包括: 對(duì)所述待檢測(cè)圖像所有像素點(diǎn)的像素值進(jìn)行Gamma變換:·
I (x, y) = I(x, y)G-ma； 根據(jù)公式:
Gx = I (x+1, y) -1 (x-1, y), Gy = I (x, y+1) -1 (x, y-1)，


arcian(G'r jGx)--? G1 > 0,Gv > 0
,~；--arctan(G' /G'.) + 2;r...Gx > 0,Gv < 0 G(x, v) ^ + G a{x, v) ^ '...,
V1 1? arclan(G, /Gv) + n---Gx < 0，Gr > 0


arctan(G'r jGv) + n---Gv < 0,Gv < 0 計(jì)算姆個(gè)像素點(diǎn)的梯度幅值G(x, y)和梯度方向a (x，y)； 將梯度方向平均劃分為9個(gè)區(qū)間，初始化所述待檢測(cè)圖像對(duì)應(yīng)于所述9個(gè)區(qū)間的9個(gè)輸入矩陣Snxm，其中N為圖像像素高，M為圖像像素寬，矩陣的元素值在對(duì)應(yīng)坐標(biāo)像素點(diǎn)的梯度方向a (x, y)屬于對(duì)應(yīng)區(qū)間時(shí)，取值為梯度幅值G(x，y)，否則初始化為O。
5.根據(jù)權(quán)利要求3所述的方法，其特征在于，所述由所述輸入矩陣Snxm，計(jì)算對(duì)應(yīng)的B矩陣，并由B矩陣計(jì)算有向梯度直方圖特征，包括: Stepl:計(jì)算輸入矩陣每一列前n行的和，保存在向量A中； Step2:利用向量A計(jì)算輸入矩陣Snxm第一個(gè)nXm大小矩形內(nèi)像素點(diǎn)的和sum[0，0],并初始化 B(0，0) = sum[0, 0] = A(O)+…+A(m-1)；
Step3:B(j, i) = sum[j, i] = sum[j, i_l]-A(i_l)+A(i+m_l)，其中行數(shù) j 從 0 開始取值，且在本步驟計(jì)算中保持不變，列數(shù)i = 1，…M-m ；
Step4:更新向量 A,A(k) — A(k)_S(j, k)+S(j+n_l, k),其中 k = 0，…M-1,行數(shù) j 加 I ;
B(j, 0) = sum[j, 0] = A(O)+…A(m-l)；Step5:若j く N-n,則跳轉(zhuǎn)到Step3,按照Step3的公式計(jì)算B(j, i),否則B矩陣計(jì)算完畢； 根據(jù)待檢測(cè)圖像中的矩形的有向梯度直方圖特征所對(duì)應(yīng)的梯度方向區(qū)間，確定所對(duì)應(yīng)的B矩陣，再根據(jù)所述矩形左上像素點(diǎn)坐標(biāo)(x，y)以及矩形的像素寬width和高h(yuǎn)eight，計(jì)算所述矩形對(duì)應(yīng)的有向梯度直方圖特征:
6.ー種目標(biāo)檢測(cè)裝置，其特征在于，所述裝置包括: 訓(xùn)練模塊，用于基于方向梯度直方圖特征，采用Adaboost算法對(duì)標(biāo)定正負(fù)的圖像樣本進(jìn)行訓(xùn)練，得到目標(biāo)檢測(cè)模型； 輸入模塊，用于接收待檢測(cè)圖像； 檢測(cè)模塊，用于基于BoxFlter算法提取所述待檢測(cè)圖像的有向梯度直方圖特征，并通過所述目標(biāo)檢測(cè)模型進(jìn)行目標(biāo)檢測(cè)。
7.根據(jù)權(quán)利要求6所述的裝置，其特征在于，所述有向梯度直方圖特征包括8*8像素單元、8*16像素単元、16*8像素單元以及16*16像素単元的有向梯度直方圖特征。
8.根據(jù)權(quán)利要求7所述的裝置，其特征在于，所述檢測(cè)模塊包括特征提取単元，所述特征提取単元用于根據(jù)所述待檢測(cè)圖像，進(jìn)行初始化得到9個(gè)對(duì)應(yīng)的輸入矩陣Snxm，其中N為圖像像素高，M為圖像像素寬；所述特征提取單元還用于由所述輸入矩陣Snxm，計(jì)算對(duì)應(yīng)的B矩陣，并由B矩陣計(jì)算有向梯度直方圖特征，其中B矩陣中元素B(j，i)為輸入矩陣中以(j, i)為左上角，寬為m,高為h的矩形的所有元素的和,其中i = 0,…M-m, j = 0,…N_n,m=n=8o
9.根據(jù)權(quán)利要求8所述的裝置，其特征在于，所述特征提取模塊用于對(duì)所述待檢測(cè)圖像所有像素點(diǎn)的像素值進(jìn)行Gamma變換:
I (x, y) = I(x, y)G-ma； 所述特征提取模塊還用于根據(jù)公式:
10.根據(jù)權(quán)利要求8所述的裝置，其特征在于，所述特征提取單元用于計(jì)算輸入矩陣每一列前n行的和，保存在向量A中； 所述特征提取單元還用于利用向量A計(jì)算輸入矩陣Snxm第一個(gè)nXm大小矩形內(nèi)像素點(diǎn)的和 sum[0, 0],并初始化 B(0, 0) = sum[0, 0] = A(0) + …+A(m_l)； 所述特征提取單元還用于按照公式
B(j, i) = sum[j, i] = sum[j, i_l]-A(i_l)+A(i+m_l)計(jì)算 B(j, i)，其中行數(shù) j 從 0 開取值，且在計(jì)算中保持不變，列數(shù)i = 1，…M-m; 所述特征提取單元還用于更新向量A, A(k) — A(k) -S (j, k)+S(j+n-l, k),其中k =0，…M-1,更新行數(shù) j 加 I,以及更新 B(j, 0) = sum[j, 0] = A(O)+…A(m_l)； 所述特征提取單元還用于判斷j是否不超過N-n，若j ^ N-n，則按照公式B(j，i)=sum[j, i] = sum[j, 1-l]-A(1-l)+A(i+m-l)計(jì)算 B (j, i),否則 B 矩陣計(jì)算完畢； 所述特征提取單元還用于根據(jù)待檢測(cè)圖像中的矩形的有向梯度直方圖特征所對(duì)應(yīng)的梯度方向區(qū)間，確定所對(duì)應(yīng)的B矩陣，再根據(jù)所述矩形左上像素點(diǎn)坐標(biāo)(x，y)以及矩形的像素寬width和高h(yuǎn)eight,計(jì)算所述矩形對(duì)應(yīng)的有向梯度直方圖特征:
【文檔編號(hào)】G06K9/46GK103530610SQ201310476548
【公開日】2014年1月22日 申請(qǐng)日期:2013年10月12日 優(yōu)先權(quán)日:2013年10月12日
【發(fā)明者】孫海涌 申請(qǐng)人:智博銳視（北京）科技有限公司