光柵掃 描順序在圖像上通過的移動窗口。
[0030] 需要注意,實施方式僅直接使用成本體積來確定特征。沒有執(zhí)行現(xiàn)有技術(shù)中的深 度圖估計。
[0031] 特征向量的各個維度對應(yīng)于子圖像600中的兩個(例如,矩形)區(qū)域、601和 /?2 602的圖成本視差值之間的數(shù)值比較結(jié)果。將子圖像表示為J,特征向量的第k維度表 示為fk(J)。fk(J)的值為
[0032]
J V1 !
[0033] 其中表示子圖像的區(qū)域R1k中具有最小(min)累積成本的視差值。即,
[0034]
[0035] 需要注意,確定區(qū)域中最小成本視差值相對簡單,因為如本領(lǐng)域已知的,可有效地 利用積分圖像技術(shù)來獲得累積成本。利用下述機(jī)器學(xué)習(xí)過程來學(xué)習(xí)區(qū)域的位置和大小。
[0036] 物體檢測和定位
[0037] 與子圖像關(guān)聯(lián)的K維特征向量被傳遞給集成分類器以用于確定檢測得分。集成分 類器包括T個決策樹分類器。各個決策樹分類器以K維特征的少量維度作為輸入,并且將 子圖像分類為正(包含物體)或負(fù)(不包含物體)。從分類器獲得的子圖像J的檢測得分 s由下式給出
[0038]
[0039] 其中St是決策樹分類器,Θ t是對應(yīng)權(quán)重。如果得分大于預(yù)設(shè)閾值,則系統(tǒng)宣布 在子圖像中檢測到。
[0040] 如圖7所示,分類器可被訓(xùn)練,以在物體占據(jù)子圖像701的較大部分時給出較高得 分,在物體僅占據(jù)子圖像702的較小部分時給出較低得分,這是因為與較小的物體相比,較 大的物體提供物體在圖像內(nèi)位于何處的更好估計。
[0041] 特征選擇和分類器學(xué)習(xí)過程
[0042] 使用離散AdaBoost過程以用于選擇區(qū)域
[0043]
[0044] 并且用于學(xué)習(xí)決策樹分類器權(quán)重
[0045] 丨巧丨 Vi = 1,2".·,Tf (5)λ
[0046] 收集用于學(xué)習(xí)任務(wù)的一組數(shù)據(jù),所述一組數(shù)據(jù)包括一組立體訓(xùn)練圖像。包含物體 的子圖像被標(biāo)記為正實例,而其它被標(biāo)記為負(fù)實例。使正和負(fù)子圖像對準(zhǔn)以使得它們的中 心重合。子圖像還被縮放為具有相同的高度。經(jīng)對準(zhǔn)和縮放的子圖像被表示為
[0047] = (6)
[0048] 其中J1表示第i子圖像,1馮標(biāo)簽,V是子圖像的總數(shù)。
[0049] 采樣一組N個區(qū)域作為特征池{民,i = 1,2, ...,N},其具有不同的位置和大小并 且被經(jīng)對準(zhǔn)的子圖像覆蓋。隨機(jī)將兩個區(qū)域組對并且比較它們的最小成本的視差值。這被 執(zhí)行K次以構(gòu)造 K維特征向量。
[0050] 使用離散AdaBoost過程來學(xué)習(xí) T個決策樹分類器及其權(quán)重。所述過程開始于將一 致的權(quán)重指派給訓(xùn)練樣本。然后基于當(dāng)前訓(xùn)練樣本權(quán)重學(xué)習(xí)決策樹。不正確分類的樣本的 權(quán)重被增加,以使得權(quán)重在下一輪決策樹分類器學(xué)習(xí)期間具有更多影響?;诩訖?quán)錯誤率 將權(quán)重指派給決策樹分類器。此處理被重復(fù)T次以構(gòu)造 T個決策樹分類器的集成分類器。 下面描述該過程的偽代碼。
[0051] 輸入:特征向量和類標(biāo)簽D = {(fCLhlli = 1,2,···,ν}
[0052] 輸出:集成分類器
[0053] 開始于一致的權(quán)重
[0054] ^ v , i==K2, .... V
[0055] 對于 t = I, 2, · · ·,T
[0056] 1.利用權(quán)重Wi學(xué)習(xí)決策樹分類器δ t (J) e {-1,1};
[0057] 2.確定錯誤率 ε = Σ A I ( δ Jji)乒 Ii);
[0058] 3.確定決策樹分類器權(quán)重6 = I叩ι
[0059] 4.對于 i = 1,2, · · ·,V,設(shè)定 Wi^ w ;exp( Θ 11 ( δ Jji)乒 Ii);并且 W,-
[0060] 5.將樣本權(quán)重正規(guī)化。
[0061] 步驟2和4中使用的函數(shù)δ t表示指示函數(shù),其在括號內(nèi)的陳述為真的情況下返 回一,否則返回零。
【主權(quán)項】
1. 一種在從場景獲取的成對的立體圖像中檢測物體的方法,其中各個立體圖像包括像 素,該方法包括以下步驟: 從所述成對的立體圖像生成成本體積,其中,所述成本體積包括在成對的立體圖像之 間針對各個像素的視差值范圍的匹配成本; 根據(jù)所述成本體積中的子圖像,利用所述子圖像內(nèi)部的區(qū)域內(nèi)具有最小累積成本的視 差值的特征函數(shù)確定特征向量;以及 將分類器應(yīng)用于所述特征向量以檢測所述子圖像是否包括物體, 其中,上述步驟在處理器中執(zhí)行。2. 根據(jù)權(quán)利要求1所述的方法,該方法還包括: 在所述立體圖像內(nèi)定位所述物體。3. 根據(jù)權(quán)利要求1所述的方法,其中,從成對的訓(xùn)練立體圖像學(xué)習(xí)所述分類器。4. 根據(jù)權(quán)利要求1所述的方法,該方法還包括: 調(diào)整所述成對的立體圖像。5. 根據(jù)權(quán)利要求1所述的方法,該方法還包括: 平滑所述成對的立體圖像。6. 根據(jù)權(quán)利要求1所述的方法,其中,所述生成還包括: 利用歐幾里德范數(shù)來使所述成對的立體圖像中的像素的顏色和梯度匹配。7. 根據(jù)權(quán)利要求1所述的方法,其中,所述特征函數(shù)為其中J表示所述子圖像,k表示所述特征向量的維度,min表示返回最小值的函數(shù), 表示所述子圖像中的矩形區(qū)域M中具有最小累積成本的視胃值。8. 根據(jù)權(quán)利要求7所述的方法,其中其中C(X,y,d)表示所述成本體積。9. 根據(jù)權(quán)利要求1所述的方法,其中,所述分類器是包括T個決策樹分類器的集成分類 器。10. 根據(jù)權(quán)利要求9所述的方法,其中,所述分類器針對子圖像J提供檢測得分S,所述 檢測得分為其中St是決策樹分類器,0t是對應(yīng)權(quán)重。
【專利摘要】在成對的立體圖像中檢測物體的方法。一種在從場景獲取的成對的立體圖像中檢測物體的方法,其首先從所述成對的立體圖像生成成本體積,其中,所述成本體積包括在成對的立體圖像之間針對立體圖形的各個像素的視差值范圍的匹配成本。根據(jù)所述成本體積中的子圖像,利用所述子圖像內(nèi)部的區(qū)域內(nèi)具有最小累積成本的視差值的特征函數(shù)確定特征向量。然后,將分類器應(yīng)用于所述特征向量以檢測所述子圖像是否包括物體。
【IPC分類】G06T7/00
【公開號】CN105096307
【申請?zhí)枴緾N201510232293
【發(fā)明人】劉洺堉, O·圖茲爾
【申請人】三菱電機(jī)株式會社
【公開日】2015年11月25日
【申請日】2015年5月8日
【公告號】US9195904, US20150324659