專利名稱：一種基于靜態(tài)圖片的快速目標(biāo)檢測(cè)識(shí)別系統(tǒng)及方法
技術(shù)領(lǐng)域：
本發(fā)明涉及計(jì)算機(jī)圖像識(shí)別領(lǐng)域，特別是涉及一種基于靜態(tài)圖片的快速目標(biāo)檢測(cè)識(shí)別系統(tǒng)及方法。
背景技術(shù)：
目標(biāo)檢測(cè)一直都是計(jì)算機(jī)視覺(jué)領(lǐng)域的熱門研究方向，它是計(jì)算機(jī)視覺(jué)任務(wù)中最為基本的組成部分，它的科研價(jià)值在于為計(jì)算機(jī)視覺(jué)中更為高級(jí)的任務(wù)(如目標(biāo)識(shí)別、內(nèi)容分析、人工智能等)提供基礎(chǔ)研究和技術(shù)支持。除此之外，目標(biāo)檢測(cè)本身就有很好的商業(yè)應(yīng)用價(jià)值，比如，大多數(shù)數(shù)碼相機(jī)中都使用了人臉檢測(cè)系統(tǒng)。從圖像來(lái)源上來(lái)說(shuō)，目前對(duì)于目標(biāo)檢測(cè)研究可以分為基于視頻的運(yùn)動(dòng)目標(biāo)檢測(cè)和基于靜態(tài)圖像的目標(biāo)檢測(cè)。運(yùn)動(dòng)目標(biāo)檢測(cè)是現(xiàn)今大部分產(chǎn)品所采用的方式，它存在以下的問(wèn)題( I)只能檢測(cè)一定速度范圍內(nèi)的運(yùn)動(dòng)目標(biāo)，靜止或運(yùn)動(dòng)過(guò)慢的目標(biāo)會(huì)被漏檢；(2)不能很好地克服光照帶來(lái)的影響，如陰影、光照變化等場(chǎng)景下很容易出現(xiàn)誤檢；(3)易受其它非關(guān)注目標(biāo)的影響而誤檢，如樹(shù)葉晃動(dòng)，水波蕩漾等容易被檢測(cè)為關(guān)注目標(biāo)；(4) 一些主流的運(yùn)動(dòng)目標(biāo)檢測(cè)算法(如背景模型等)中，要求攝像頭靜止，一旦攝像頭發(fā)生移動(dòng)(如抖動(dòng)、偏移等)，需要重新建立背景模型，而且容易出現(xiàn)誤檢；基于靜態(tài)圖像的目標(biāo)檢測(cè)完全克服了以上問(wèn)題，不僅可以在單幅圖像上使用，也可以在視頻的各幀上使用，并且在檢測(cè)的同時(shí)就對(duì)目標(biāo)進(jìn)行了識(shí)別?；陟o態(tài)圖像的目標(biāo)檢測(cè)最為常用且有效的方法是基于窗口的檢測(cè)方法，這種方法是判定圖像的某個(gè)區(qū)域是否存在待檢測(cè)目標(biāo)。使用窗口法時(shí)，由于不知道目標(biāo)成像的位置，需要從上到下、從左到右地在全圖上滑動(dòng)窗口 ；由于目標(biāo)成像的大小未知，需要使用多種尺度的窗口來(lái)滑動(dòng)，這樣下來(lái)，掃描一幅圖像耗時(shí)過(guò)長(zhǎng)，難以實(shí)現(xiàn)快速處理。因此在進(jìn)行檢測(cè)之前，可以先使用場(chǎng)景建模估計(jì)出目標(biāo)在場(chǎng)景中各個(gè)位置上的成像大小，從而減小掃描窗口的個(gè)數(shù)。目前常用的傳統(tǒng)建模方法主要依賴于人工干預(yù)，存在如下一些缺點(diǎn)I)需要人拿著標(biāo)定板進(jìn)入場(chǎng)景，在有些應(yīng)用環(huán)境下使用不方便甚至無(wú)法實(shí)現(xiàn)；2)需要人工輔助選取每個(gè)方位下標(biāo)定板上所有點(diǎn)的圖像坐標(biāo)，操作麻煩，易出錯(cuò);3)必須是對(duì)視頻進(jìn)行處理，不能對(duì)單幅圖像進(jìn)行處理，制約了算法的使用范圍。

發(fā)明內(nèi)容
本發(fā)明的目的在于克服現(xiàn)有技術(shù)的不足，提供一種快速高效、檢測(cè)準(zhǔn)確度高的基于靜態(tài)圖片的快速目標(biāo)檢測(cè)識(shí)別系統(tǒng)及方法，該檢測(cè)識(shí)別系統(tǒng)結(jié)構(gòu)組成簡(jiǎn)單，該檢測(cè)識(shí)別方法操作流程簡(jiǎn)潔，識(shí)別速度較傳統(tǒng)全圖多尺度掃描方法而言得到了巨大提升，而且識(shí)別準(zhǔn)確度和可靠性較高。本發(fā)明的目的是通過(guò)以下技術(shù)方案來(lái)實(shí)現(xiàn)的一種基于靜態(tài)圖片的快速目標(biāo)檢測(cè)識(shí)別系統(tǒng)，它包括場(chǎng)景建模子系統(tǒng)、窗口掃描子系統(tǒng)和窗口融合子系統(tǒng)，其中，場(chǎng)景建模子系統(tǒng)包括場(chǎng)景初建模單元和尺度計(jì)算與合并單元；待檢測(cè)靜態(tài)圖片輸入至場(chǎng)景初建模單元，場(chǎng)景初建模單元連接尺度計(jì)算與合并單兀，尺度計(jì)算與合并單兀輸出的檢測(cè)尺度信息與窗口掃描子系統(tǒng)的輸入連接，窗口掃描子系統(tǒng)與窗口融合子系統(tǒng)相連，窗口融合子系統(tǒng)輸出檢測(cè)結(jié)果。當(dāng)特征識(shí)別的算法采用分類器識(shí)別時(shí)，它還包括樣本學(xué)習(xí)子系統(tǒng)，樣本學(xué)習(xí)子系統(tǒng)包括特征提取單元和分類器訓(xùn)練單元，訓(xùn)練樣本輸入至特征提取單元，特征提取單元與分類器訓(xùn)練單元連接，分類器訓(xùn)練單元輸出分類器模型。靜態(tài)圖片包括圖像文件和視頻幀。一種基于靜態(tài)圖片的快速目標(biāo)檢測(cè)識(shí)別方法，它包括以下步驟S1:場(chǎng)景建模建立場(chǎng)景模型，得到圖像中各個(gè)位置上某種類型的目標(biāo)成像的尺度；S2 :窗口掃描在檢測(cè)時(shí)，用各個(gè)位置對(duì)應(yīng)尺度的窗口對(duì)該位置進(jìn)行掃描；S3 :特征識(shí)別提取每個(gè)掃描窗內(nèi)的圖像特征，并識(shí)別該特征是否為指定類型的目標(biāo)，去掉被識(shí)別為背景的窗口 ；S4 :窗口融合將屬于同一個(gè)目標(biāo)的所有檢測(cè)窗融合為一個(gè)，得到最終的檢測(cè)目標(biāo)。當(dāng)特征識(shí)別的算法采用分類器識(shí)別時(shí)，它還包括一個(gè)樣本學(xué)習(xí)的步驟先在線下對(duì)被識(shí)別目標(biāo)進(jìn)行訓(xùn)練庫(kù)樣本特征提取，學(xué)習(xí)并建立用于目標(biāo)分類的識(shí)別模型。進(jìn)一步地，樣本學(xué)習(xí)步驟包括以下子步驟使用正負(fù)樣本提取特征，提取特征后進(jìn)行訓(xùn)練得到分類模型，根據(jù)分類模型的結(jié)構(gòu)設(shè)計(jì)分類器。進(jìn)一步地，場(chǎng)景建模步驟包括以下子步驟SlOl :場(chǎng)景初建模獲取場(chǎng)景中出現(xiàn)的若干個(gè)同類型目標(biāo)各自的上下端點(diǎn)坐標(biāo)，計(jì)算目標(biāo)成像高度，將上端點(diǎn)或下端點(diǎn)的成像坐標(biāo)看作自變量，目標(biāo)成像高度看作因變量，構(gòu)造兩者之間的映射關(guān)系|旲型；S102 :尺度計(jì)算與合并通過(guò)映射關(guān)系模型計(jì)算出同類型目標(biāo)在圖像中各處的高度成像范圍，從而限定窗口掃描檢測(cè)時(shí)的尺度及范圍。進(jìn)一步地，窗口掃描步驟包括以下子步驟S201 :窗口滑動(dòng)場(chǎng)景建模后，得到目標(biāo)在圖像各個(gè)位置上的成像尺度，根據(jù)得到的成像尺度信息在對(duì)應(yīng)的圖像位置上使用窗口滑動(dòng)掃描，在進(jìn)行窗口掃描前，根據(jù)該尺度下目標(biāo)所需檢測(cè)窗口尺寸與標(biāo)準(zhǔn)窗口尺寸的比例，對(duì)該尺度對(duì)應(yīng)的區(qū)域圖像進(jìn)行縮放，再使用標(biāo)準(zhǔn)尺寸窗口在縮放后的圖像上滑動(dòng)；S202 窗口識(shí)別，它包括以下步驟①、計(jì)算窗口區(qū)域的梯度方向直方圖特征；②、使用級(jí)聯(lián)分類器中的每一級(jí)強(qiáng)分類器進(jìn)行識(shí)別，識(shí)別結(jié)果為正樣本的窗口繼續(xù)進(jìn)入下一級(jí)強(qiáng)分類器，識(shí)別結(jié)果為負(fù)樣本的則直接輸出識(shí)別結(jié)果；其中，正樣本為含有待檢測(cè)目標(biāo)的區(qū)域的樣本，負(fù)樣本為不含待檢測(cè)目標(biāo)的區(qū)域的樣本；
③、重復(fù)步驟②，直到被最后一級(jí)強(qiáng)分類器判為正樣本，則最終被判為正樣本，將被判為正樣本的窗口坐標(biāo)和尺寸換算為原始圖像上的坐標(biāo)和尺寸，記錄該窗口信息。進(jìn)一步地，窗口融合步驟對(duì)被判斷為含有目標(biāo)的檢測(cè)窗中心點(diǎn)進(jìn)行聚類，在聚類得到的各個(gè)類內(nèi)各自融合，得到最終的目標(biāo)區(qū)域，它包括以下子步驟S401 :計(jì)算目標(biāo)檢測(cè)窗中心點(diǎn)的X軸方向上的密度分布直方圖；S402 :對(duì)直方圖進(jìn)行平滑濾波，減少噪聲干擾；S403 :尋找波谷并分類；S404 :計(jì)算目標(biāo)檢測(cè)窗中心點(diǎn)的y軸方向上的密度分布直方圖；S405 :重復(fù)步驟S402、S403,完成y方向分類，將所有的檢測(cè)窗分到不同類別中去;S406 :確定各類的中心點(diǎn)和該類的融合檢測(cè)框。本發(fā)明的有益效果是(I)本發(fā)明適用于普通靜態(tài)圖片快速目標(biāo)檢測(cè)識(shí)別，也適用于可分割為多個(gè)視頻幀的動(dòng)態(tài)視頻的快速目標(biāo)檢測(cè)識(shí)別；(2)對(duì)不同的場(chǎng)景分別建模，很大程度上提高了系統(tǒng)的運(yùn)行速度；(3)場(chǎng)景建模后，可得到目標(biāo)在圖像各個(gè)位置上的成像尺度，根據(jù)得到的這些成像尺度信息在對(duì)應(yīng)的圖像位置上，使用窗口滑動(dòng)掃描，掃描前，根據(jù)該尺度下目標(biāo)所需檢測(cè)窗口尺寸與標(biāo)準(zhǔn)窗口尺寸的比例，對(duì)該尺度對(duì)應(yīng)的區(qū)域圖像進(jìn)行縮放，再使用標(biāo)準(zhǔn)尺寸窗口在縮放后的圖像上滑動(dòng)，從而大大縮短了掃描一幅圖像的耗時(shí)，加快了目標(biāo)檢測(cè)和識(shí)別的速度；(4)本發(fā)明采用國(guó)際上通用的INRIA數(shù)據(jù)庫(kù)的測(cè)試素材和自己搜集的各類高清視頻素材進(jìn)行了測(cè)試，將普通的全圖多尺度掃描方法記為參照系統(tǒng)，該參照系統(tǒng)最小尺度的目標(biāo)對(duì)應(yīng)的掃描圖像為原始圖像，若記原始圖像尺寸為高HX寬W，則最大尺度的目標(biāo)對(duì)應(yīng)的掃描圖像為將原始圖像縮放到高度等于max (HX64/W，128)，寬度等于max (WX 128/H，64)，也就是說(shuō)最大尺度的目標(biāo)對(duì)應(yīng)的掃描圖像的聞或?qū)挾疾恍∮跇?biāo)準(zhǔn)尺寸窗口(聞128X寬64)，相鄰檢測(cè)尺度對(duì)應(yīng)的圖像之間的高和寬的比例均為1. 05 :1，使用本發(fā)明所述系統(tǒng)及方法檢測(cè)行人目標(biāo)，其速度提升比例與待檢測(cè)圖片尺寸、場(chǎng)景中行人的分布范圍、遠(yuǎn)近行人高度比例有關(guān)，圖像尺寸越大、行人分布范圍越小、遠(yuǎn)近行人高度比例值越大時(shí)速度提升比例越大，原始尺寸為640X480的圖片，使用本發(fā)明所述系統(tǒng)及方法檢測(cè)目標(biāo)，耗時(shí)為使用參照系統(tǒng)耗時(shí)的11. 4%;原始尺寸為1600X1200的圖片，使用本發(fā)明所述系統(tǒng)及方法檢測(cè)目標(biāo)耗時(shí)為使用參照系統(tǒng)耗時(shí)的5. 6% ;而且，目標(biāo)檢測(cè)結(jié)果顯示與參照系統(tǒng)結(jié)果相同，表明本發(fā)明的目標(biāo)檢測(cè)與識(shí)別不僅快速而且準(zhǔn)確度高、可靠性好。


圖1為本發(fā)明快速目標(biāo)檢測(cè)識(shí)別系統(tǒng)結(jié)構(gòu)示意框圖；圖2為本發(fā)明樣本學(xué)習(xí)子系統(tǒng)結(jié)構(gòu)示意框圖；圖3為本發(fā)明場(chǎng)景建模子系統(tǒng)結(jié)構(gòu)示意框圖；圖4為本發(fā)明窗口掃描子系統(tǒng)結(jié)構(gòu)示意框圖；圖5為本發(fā)明窗口融合子系統(tǒng)結(jié)構(gòu)示意框圖6為采用INRIA測(cè)試素材的行人檢測(cè)結(jié)果示意圖；圖7為高清視頻素材檢測(cè)結(jié)果示意圖。
具體實(shí)施例方式下面結(jié)合附圖進(jìn)一步詳細(xì)描述本發(fā)明的技術(shù)方案，但本發(fā)明的保護(hù)范圍不局限于以下所述。如圖1、圖3所示，一種基于靜態(tài)圖片的快速目標(biāo)檢測(cè)識(shí)別系統(tǒng)，靜態(tài)圖片包括圖像文件和視頻幀，它包括場(chǎng)景建模子系統(tǒng)、窗口掃描子系統(tǒng)和窗口融合子系統(tǒng)，其中，場(chǎng)景建模子系統(tǒng)包括場(chǎng)景初建模單元和尺度計(jì)算與合并單元；待檢測(cè)靜態(tài)圖片輸入至場(chǎng)景初建模單元，場(chǎng)景初建模單元連接尺度計(jì)算與合并單元，尺度計(jì)算與合并單元輸出的檢測(cè)尺度信息與窗口掃描子系統(tǒng)的輸入連接，窗口掃描子系統(tǒng)與窗口融合子系統(tǒng)相連，窗口融合子系統(tǒng)輸出檢測(cè)結(jié)果。當(dāng)特征識(shí)別的算法采用分類器識(shí)別時(shí)，它還包括樣本學(xué)習(xí)子系統(tǒng)，如圖2所示，樣本學(xué)習(xí)子系統(tǒng)包括特征提取單元和分類器訓(xùn)練單元，訓(xùn)練樣本輸入至特征提取單元，特征提取單元與分類器訓(xùn)練單元連接，分類器訓(xùn)練單元輸出分類器模型。如圖1所示，一種基于靜態(tài)圖片的快速目標(biāo)檢測(cè)識(shí)別方法，它包括以下步驟S1:場(chǎng)景建模建立場(chǎng)景模型，得到圖像中各個(gè)位置上某種類型的目標(biāo)成像的尺度；S2 :窗口掃描在檢測(cè)時(shí)，用各個(gè)位置對(duì)應(yīng)尺度的窗口對(duì)該位置進(jìn)行掃描；S3 :特征識(shí)別提取每個(gè)掃描窗內(nèi)的圖像特征，并識(shí)別該特征是否為指定類型的目標(biāo)，去掉被識(shí)別為背景的窗口 ；
`
S4 :窗口融合將屬于同一個(gè)目標(biāo)的所有檢測(cè)窗融合為一個(gè)，得到最終的檢測(cè)目標(biāo)。當(dāng)特征識(shí)別的算法采用分類器識(shí)別時(shí)，它還包括一個(gè)樣本學(xué)習(xí)的步驟先在線下對(duì)被識(shí)別目標(biāo)進(jìn)行訓(xùn)練庫(kù)樣本特征提取，學(xué)習(xí)并建立用于目標(biāo)分類的識(shí)別模型。如圖2所示，樣本學(xué)習(xí)步驟包括以下子步驟使用正負(fù)樣本提取特征，提取特征后進(jìn)行訓(xùn)練得到分類模型，根據(jù)分類模型的結(jié)構(gòu)設(shè)計(jì)分類器。本實(shí)施例中采用梯度方向直方圖HOG特征，使用級(jí)聯(lián)Adaboost方法進(jìn)行訓(xùn)練，得到級(jí)聯(lián)分類器模型，它包括以下步驟1.1訓(xùn)練樣本獲取訓(xùn)練正樣本采用國(guó)際通用的INRIA數(shù)據(jù)庫(kù)中的2416個(gè)正樣本，從INRIA數(shù)據(jù)庫(kù)里的1671張不包含行人的各類場(chǎng)景大圖中，使用類似于目標(biāo)檢測(cè)中的多尺度檢測(cè)窗的方式滑動(dòng)截取，獲取到兩千萬(wàn)余個(gè)負(fù)樣本。正負(fù)樣本的尺寸均統(tǒng)一為標(biāo)準(zhǔn)尺寸寬64X高128像素。1. 2特征提取本實(shí)施例采用HOG特征描述行人目標(biāo)區(qū)域圖像，HOG特征提取算法的步驟如下SteplOl :預(yù)處理,對(duì)圖像每個(gè)像素點(diǎn)進(jìn)行Gamma校正,Gamma校正函數(shù)為g (X)=χ1/γ，其中，X表示校正前的像素值，g(X)表示校正后的像素值，Y表示校正系數(shù)，本實(shí)施例中設(shè)置為2。
St印102 :對(duì)彩色圖像的R、G、B三個(gè)通道，分別計(jì)算水平梯度和垂直梯度，其中，水平模板為[_1，0,1],垂直模板為[-1,0,1]’。St印103 :對(duì)每個(gè)通道，計(jì)算各個(gè)像素點(diǎn)的梯度幅值和方向，計(jì)算公式如下magnitude (x, y) = sqrt (px (x, y) 2+py (x, y)2),orient (x, y) = arctan (py (x, y) /px (x, y)),orient (x, y)計(jì)算出來(lái)的值為弧度值，需要將其轉(zhuǎn)化為角度值e，弧度轉(zhuǎn)角度公式如下0 =orientX (180° / )，得到的角度分布在第四和第一象限，第四象限的角需要進(jìn)行轉(zhuǎn)換，即當(dāng)0 < 0時(shí)，0 ' = 180° +0。St印104 :選取每個(gè)位置上，R、G、B三個(gè)通道中，梯度幅值最大的那個(gè)通道的梯度值和方向值作為當(dāng)前像素點(diǎn)的梯度值和方向值，這樣，輸入的彩色樣本圖像中每個(gè)像素都得到了自己的梯度幅度值和方向值。St印105 :將St印104中得到的圖片按照從左到右，從上到下的順序分成8X 16個(gè)8X8像素的cell, 2X2個(gè)cell作為一個(gè)block,由于同一個(gè)cell可以屬于不同的block,所以兩個(gè)鄰近的block相互重疊50%的區(qū)域，即兩個(gè)cell,這樣就橫向每排有7個(gè)block,共15個(gè)橫排，共105個(gè)block。St印106 :對(duì)單個(gè)block內(nèi)的所有點(diǎn)的梯度值進(jìn)行Gaussian平滑，平滑公式為
權(quán)利要求
1.一種基于靜態(tài)圖片的快速目標(biāo)檢測(cè)識(shí)別系統(tǒng)，其特征在于它包括場(chǎng)景建模子系統(tǒng)、窗口掃描子系統(tǒng)和窗口融合子系統(tǒng)，其中，場(chǎng)景建模子系統(tǒng)包括場(chǎng)景初建模單兀和尺度計(jì)算與合并單元； 待檢測(cè)靜態(tài)圖片輸入至場(chǎng)景初建模單元，場(chǎng)景初建模單元連接尺度計(jì)算與合并單元，尺度計(jì)算與合并單元輸出的檢測(cè)尺度信息與窗口掃描子系統(tǒng)的輸入連接，窗口掃描子系統(tǒng)與窗口融合子系統(tǒng)相連，窗口融合子系統(tǒng)輸出檢測(cè)結(jié)果。
2.根據(jù)權(quán)利要求1所述的一種基于靜態(tài)圖片的快速目標(biāo)檢測(cè)識(shí)別系統(tǒng)，其特征在于它還包括樣本學(xué)習(xí)子系統(tǒng)，樣本學(xué)習(xí)子系統(tǒng)包括特征提取單元和分類器訓(xùn)練單元，訓(xùn)練樣本輸入至特征提取單元，特征提取單元與分類器訓(xùn)練單元連接，分類器訓(xùn)練單元輸出分類器模型。
3.根據(jù)權(quán)利要求1所述的一種基于靜態(tài)圖片的快速目標(biāo)檢測(cè)識(shí)別系統(tǒng)，其特征在于所述的靜態(tài)圖片包括圖像文件和視頻幀。
4.一種基于靜態(tài)圖片的快速目標(biāo)檢測(cè)識(shí)別方法，其特征在于它包括以下步驟 51:場(chǎng)景建模建立場(chǎng)景模型，得到圖像中各個(gè)位置上某種類型的目標(biāo)成像的尺度； 52:窗口掃描在檢測(cè)時(shí)，用各個(gè)位置對(duì)應(yīng)尺度的窗口對(duì)該位置進(jìn)行掃描； 53:特征識(shí)別提取每個(gè)掃描窗內(nèi)的圖像特征，并識(shí)別該特征是否為指定類型的目標(biāo)，去掉被識(shí)別為背景的窗口； 54:窗口融合將屬于同一個(gè)目標(biāo)的所有檢測(cè)窗融合為一個(gè)，得到最終的檢測(cè)目標(biāo)。
5.根據(jù)權(quán)利要求4所述的一種基于靜態(tài)圖片的快速目標(biāo)檢測(cè)識(shí)別方法，其特征在于當(dāng)特征識(shí)別的算法采用分類器識(shí)別時(shí)，它還包括一個(gè)樣本學(xué)習(xí)的步驟先在線下對(duì)被識(shí)別目標(biāo)進(jìn)行訓(xùn)練庫(kù)樣本特征提取，學(xué)習(xí)并建立用于目標(biāo)分類的識(shí)別模型。
6.根據(jù)權(quán)利要求5所述的一種基于靜態(tài)圖片的快速目標(biāo)檢測(cè)識(shí)別方法，其特征在于所述的樣本學(xué)習(xí)步驟包括以下子步驟使用正負(fù)樣本提取特征，提取特征后進(jìn)行訓(xùn)練得到分類模型，根據(jù)分類模型進(jìn)行識(shí)別。
7.根據(jù)權(quán)利要求4所述的一種基于靜態(tài)圖片的快速目標(biāo)檢測(cè)識(shí)別方法，其特征在于所述的場(chǎng)景建模步驟包括以下子步驟 5101:場(chǎng)景初建模獲取場(chǎng)景中出現(xiàn)的若干個(gè)同類型目標(biāo)各自的上下端點(diǎn)坐標(biāo)，計(jì)算目標(biāo)成像高度，將上端點(diǎn)或下端點(diǎn)的成像坐標(biāo)看作自變量，目標(biāo)成像高度看作因變量，構(gòu)造兩者之間的映射關(guān)系|旲型； 5102:尺度計(jì)算與合并通過(guò)映射關(guān)系模型計(jì)算出同類型目標(biāo)在圖像中各處的高度成像范圍，從而限定窗口掃描檢測(cè)時(shí)的尺度及其范圍。
8.根據(jù)權(quán)利要求4所述的一種基于靜態(tài)圖片的快速目標(biāo)檢測(cè)識(shí)別方法，其特征在于所述的窗口掃描步驟包括以下子步驟 5201:窗口滑動(dòng)場(chǎng)景建模后，得到目標(biāo)在圖像各個(gè)位置上的成像尺度，根據(jù)得到的成像尺度信息在對(duì)應(yīng)的圖像位置上使用窗口滑動(dòng)掃描，在進(jìn)行窗口掃描前，根據(jù)該尺度下目標(biāo)所需檢測(cè)窗口尺寸與標(biāo)準(zhǔn)窗口尺寸的比例，對(duì)該尺度對(duì)應(yīng)的區(qū)域圖像進(jìn)行縮放，再使用標(biāo)準(zhǔn)尺寸窗口在縮放后的圖像上滑動(dòng)； 5202:窗口識(shí)別，它包括以下步驟 ①、計(jì)算窗口區(qū)域的梯度方向直方圖特征；②、使用級(jí)聯(lián)分類器中的每一級(jí)強(qiáng)分類器進(jìn)行識(shí)別，識(shí)別結(jié)果為正樣本的窗口繼續(xù)進(jìn)入下一級(jí)強(qiáng)分類器，識(shí)別結(jié)果為負(fù)樣本的則直接輸出識(shí)別結(jié)果；其中，正樣本為含有待檢測(cè)目標(biāo)的區(qū)域的樣本，負(fù)樣本為不含待檢測(cè)目標(biāo)的區(qū)域的樣本； ③、重復(fù)步驟②，直到被最后一級(jí)強(qiáng)分類器判為正樣本，則最終被判為正樣本，將被判為正樣本的窗口坐標(biāo)和尺寸換算為原始圖像上的坐標(biāo)和尺寸，記錄該窗口信息。
9.根據(jù)權(quán)利要求4所述的一種基于靜態(tài)圖片的快速目標(biāo)檢測(cè)識(shí)別方法，其特征在于所述的窗口融合步驟對(duì)被判斷為含有目標(biāo)的檢測(cè)窗中心點(diǎn)進(jìn)行聚類，在聚類得到的各個(gè)類內(nèi)各自融合，得到最終的目標(biāo)區(qū)域，它包括以下子步驟 5401:計(jì)算目標(biāo)檢測(cè)窗中心點(diǎn)的X軸方向上的密度分布直方圖； 5402:對(duì)直方圖進(jìn)行平滑濾波，減少噪聲干擾； 5403:尋找波谷并分類； 5404:計(jì)算目標(biāo)檢測(cè)窗中心點(diǎn)的I軸方向上的密度分布直方圖； 5405:重復(fù)步驟S402、 S403，完成y方向分類，將所有的檢測(cè)窗分到不同類別中去； 5406:確定各類的中心點(diǎn)和該類的融合檢測(cè)框。
全文摘要
本發(fā)明公開(kāi)了一種基于靜態(tài)圖片的快速目標(biāo)檢測(cè)識(shí)別系統(tǒng)及方法，它包括場(chǎng)景建模子系統(tǒng)、窗口掃描子系統(tǒng)和窗口融合子系統(tǒng)，場(chǎng)景建模子系統(tǒng)包括場(chǎng)景初建模單元和尺度計(jì)算與合并單元；待檢測(cè)靜態(tài)圖片輸入至場(chǎng)景初建模單元，場(chǎng)景初建模單元連接尺度計(jì)算與合并單元，尺度計(jì)算與合并單元輸出的檢測(cè)尺度信息(即場(chǎng)景模型)與窗口掃描子系統(tǒng)的輸入連接，窗口掃描子系統(tǒng)與窗口融合子系統(tǒng)相連，窗口融合子系統(tǒng)輸出檢測(cè)結(jié)果。其方法包括場(chǎng)景建模；窗口掃描；特征識(shí)別；窗口融合。本發(fā)明提供一種快速高效、檢測(cè)準(zhǔn)確度高的基于靜態(tài)圖片的快速目標(biāo)檢測(cè)識(shí)別系統(tǒng)及方法，識(shí)別速度較傳統(tǒng)全圖多尺度掃描方法而言得到了巨大提升，而且識(shí)別準(zhǔn)確度和可靠性較高。
文檔編號(hào)G06K9/32GK103065163SQ20131004414
公開(kāi)日2013年4月24日 申請(qǐng)日期2013年2月4日 優(yōu)先權(quán)日2013年2月4日
發(fā)明者譚穎, 夏志勛 申請(qǐng)人:成都索貝數(shù)碼科技股份有限公司