專利名稱：基于多尺度對比特征的對象檢測設備和方法
技術領域：
本發(fā)明涉及圖像的特征提取以及對象檢測技術， 具體說來，涉及一種用于基于多 尺度對比特征在圖像中檢測對象的設備和方法，其中，所述多尺度對比特征用于指示圖像 中多個相關區(qū)域之間在不同尺度下關于特定圖像屬性的對比關系。
背景技術：
對于特定類別的對象(諸如頭部、面部、拳頭、上身、肩部、汽車、自行車、包裹或者 其它物體)的檢測作為計算機視覺技術的基礎，廣泛地應用于很多領域，例如，人機交互、 動作識別、智能監(jiān)視、多媒體檢索等。由于該項技術的學術價值及其廣闊的商業(yè)應用前景， 人們對于它的關注度越來越高，大量的研究特別針對用于場景分析的實時對象檢測或?qū)ο?定位技術。目前，關于對象檢測技術，采用的基本方式為針對用于檢測某種對象的特定特征 進行大量樣本訓練，在此基礎上得出有效的分類器，將分類器應用于輸入的被檢測圖像以 檢測出對象。在上述方式中，人們采用了不同的特征提取方式，其中，Haar-Iike特征檢測方式 是實現(xiàn)快速對象檢測技術中的重要技術，所述Haar-Iike特征對兩個鄰近矩形區(qū)域之間的 平均強度的絕對差進行編碼，并且可通過積分圖像快速計算出Haar-Iike特征。通過引入 Boosting算法選擇少量的區(qū)分性強的特征來構建有效的分類器。然而，Haar-Iike特征檢 測方式的問題在于所述特征本身比較簡單，因此，為了實現(xiàn)較高的性能必須在檢測時使用 大量的特征來參與計算，這造成了運算量的增加。此外，由于Haar-Iike特征表示的是相鄰 區(qū)域之間的絕對差值，所以這種特征無法抵抗環(huán)境亮度和圖像噪聲的影響，在應用于環(huán)境 較為復雜的圖像時無法獲得有效的檢測結果。雖然人們試圖通過改進Haar-Iike特征或提 出另外的特征來獲得更好的性能，但是尚未獲得能夠在檢測速度、計算量以及檢測有效性 方面均令人滿意的對象檢測方式。因此，需要提供一種能夠有效地進行對象檢測的技術方案，從而在降低運算量的 前提下，對檢測對象進行更為有效的特征提取，便于構建區(qū)分性能優(yōu)良的分類器，達到實時 對象檢測中需要的各項要求。

發(fā)明內(nèi)容
本發(fā)明的目的在于提供一種基于圖像特征提取的對象檢測設備和方法，根據(jù)所述 對象檢測設備和方法，能夠基于多尺度對比特征對圖像中的對象進行有效和快速的檢測， 其中，所述多尺度對比特征用于指示圖像中多個相關矩形區(qū)域之間在不同尺度下關于特定 圖像屬性的對比關系。根據(jù)本發(fā)明的一方面，提供一種基于多尺度對比特征的對象檢測設備，包括輸入 單元，用于輸入被檢測圖像；基于多尺度對比特征的學習機，用于對關于所述對象的訓練樣 本進行多尺度對比特征提取，并對提取的特征應用統(tǒng)計學習處理；分類器加載單元，用于根據(jù)所述基于多尺度對比特征 的學習機的統(tǒng)計學習處理結果來構建分類器；檢測單元，用 于利用由分類器加載單元構建的分類器對由輸入單元輸入的被檢測圖像進行對象檢測，其 中，所述多尺度對比特征用于指示圖像中多個相關矩形區(qū)域之間在不同尺度下關于特定圖 像屬性的對比關系。所述基于多尺度對比特征的學習機可以對訓練樣本進行預處理。所述預處理可包括訓練樣本圖像尺寸大小歸一化、亮度標準化、伽馬校正、梯度 提取、圖像邊緣提取中的至少一種。所述基于多尺度對比特征的學習機進行多尺度對比特征提取的處理可包括確定 多尺度對比特征中包括的多個相關矩形區(qū)域；確定每個相關矩形區(qū)域的長度和寬度；確定 關于所述多個相關矩形區(qū)域的圖像屬性參考值；在圖像的特征提取位置，分別計算所述多 個相關矩形區(qū)域中的各個圖像屬性值與圖像屬性參考值之間的對比關系，作為提取的多尺 度對比特征。所述基于多尺度對比特征的學習機可按照下列等式來計算多尺度對比特征 Λ
權利要求
1.一種基于多尺度對比特征的對象檢測設備，包括輸入單元，用于輸入被檢測圖像；基于多尺度對比特征的學習機，用于對關于所述對象的訓練樣本進行多尺度對比特征 提取，并對提取的特征應用統(tǒng)計學習處理；分類器加載單元，用于根據(jù)所述基于多尺度對比特征的學習機的統(tǒng)計學習處理結果來 構建分類器；檢測單元，用于利用由分類器加載單元構建的分類器對由輸入單元輸入的被檢測圖像 進行對象檢測，其中，所述多尺度對比特征用于指示圖像中多個相關矩形區(qū)域之間在不同尺度下關于 特定圖像屬性的對比關系。
2.如權利要求1所述的設備，其中，所述基于多尺度對比特征的學習機對訓練樣本進 行預處理。
3.如權利要求2所述的設備，其中，所述預處理包括訓練樣本圖像尺寸大小歸一化、 亮度標準化、伽馬校正、梯度提取、圖像邊緣提取中的至少一種。
4.如權利要求1所述的設備，其中，所述基于多尺度對比特征的學習機進行多尺度對 比特征提取的處理包括確定多尺度對比特征中包括的多個相關矩形區(qū)域；確定每個相關 矩形區(qū)域的長度和寬度；確定關于所述多個相關矩形區(qū)域的圖像屬性參考值；在圖像的特 征提取位置，分別計算所述多個相關矩形區(qū)域中的各個圖像屬性值與圖像屬性參考值之間 的對比關系，作為提取的多尺度對比特征。
5.如權利要求4所述的設備，其中，所述基于多尺度對比特征的學習機按照下列等式來計算多尺度對比特征-.
6.如權利要求5所述的設備，其中，圖像屬性參考值為所述多個相關矩形區(qū)域中的圖 像屬性值的平均值，或位于所述多個相關矩形區(qū)域構成的整體形狀的中心區(qū)域部分的圖像屬性值。
7.如權利要求1所述的設備，其中，所述圖像屬性指示圖像的深度、色度或亮度。
8.如權利要求1所述的設備，其中，分類器加載單元根據(jù)基于多尺度對比特征的學習 機的統(tǒng)計學習處理結果，通過最小平方誤差方法來構建作為多值函數(shù)的分類器。
9.如權利要求8所述的設備，其中，分類器加載單元還通過增強學習方法將多個分類 器聯(lián)合為強分類器。
10.如權利要求1所述的設備，其中，檢測單元在利用分類器進行檢測之前，首先提取 出被檢測圖像的前景圖像或者邊緣圖像，然后將分類器應用于提取出的前景圖像或邊緣圖 像來檢測對象。
11.如權利要求1所述的設備，其中，在存在多個分類器的情況下，檢測單元將多個分 類器檢測出的多個待選對象根據(jù)它們的位置以及之間的重疊情況來聯(lián)合得出最終檢測的 對象位置。
12.如權利要求1所述的設備，其中，輸入單元輸入的圖像是經(jīng)過其它分類器處理后的圖像。
13.如權利要求12所述的設備，其中，所述其它分類器為基于Haar小波特征的分類器 或基于方向直方圖特征的分類器。
14.一種基于多尺度對比特征的對象檢測方法，包括步驟關于對象的訓練樣本進行多尺度對比特征提取，并對提取的特征應用統(tǒng)計學習處理， 其中，所述多尺度對比特征用于指示圖像中多個相關矩形區(qū)域之間在不同尺度下關于特定 圖像屬性的對比關系；根據(jù)統(tǒng)計學習處理結果來構建分類器；以及利用構建的分類器對輸入的被檢測圖像進行不同尺度的掃描，從而檢測相應的對象。
15.如權利要求14所述的方法，其中，在對訓練樣本進行多尺度對比特征提取之前，對 所述訓練樣本進行預處理。
16.如權利要求15所述的方法，其中，所述預處理包括訓練樣本圖像尺寸大小歸一 化、亮度標準化、伽馬校正、梯度提取、圖像邊緣提取中的至少一種。
17.如權利要求14所述的方法，其中，所述進行多尺度對比特征特區(qū)的步驟包括確定 多尺度對比特征中包括的多個相關矩形區(qū)域；確定每個相關矩形區(qū)域的長度和寬度；確定 關于所述多個相關矩形區(qū)域的圖像屬性參考值；在圖像的特征提取位置，分別計算所述多 個相關矩形區(qū)域中的各個圖像屬性值與圖像屬性參考值之間的對比關系，作為提取的多尺 度對比特征。
18.如權利要求17所述的方法，其中，按照下列等式來計算多尺度對比特征
19.如權利要求18所述的方法，其中，圖像屬性參考值為所述多個相關矩形區(qū)域中的 圖像屬性值的平均值，或位于所述多個相關矩形區(qū)域構成的整體形狀的中心區(qū)域部分的圖 像屬性值。
20.如權利要求14所述的方法，其中，所述圖像屬性指示圖像的深度、色度或亮度。
21.如權利要求14所述的方法，其中，根據(jù)統(tǒng)計學習處理結果，通過最小平方誤差方法 來構建作為多值函數(shù)的分類器。
22.如權利要求21所述的方法，其中，通過增強學習方法將多個分類器聯(lián)合為強分類器。
23.如權利要求14所述的方法，其中，在利用分類器進行檢測之前，首先提取出被檢測 圖像的前景圖像或者邊緣圖像，然后將分類器應用于提取出的前景圖像或邊緣圖像來檢測 對象。
24.如權利要求14所述的方法，其中，在存在多個分類器的情況下，將多個分類器檢測 出的多個待選對象根據(jù)它們的位置以及之間的重疊情況來聯(lián)合得出最終檢測的對象位置。
25.如權利要求14所述的方法，其中，輸入的被檢測圖像是經(jīng)過其它分類器處理后的 圖像。
26.如權利要求25所述的方法，其中，所述其它分類器為基于Haar小波特征的分類器 或基于方向直方圖特征的分類器。
27.一種用于提取圖像的多尺度對比特征的方法，包括步驟 確定多尺度對比特征中包括的多個相關矩形區(qū)域；確定每個相關矩形區(qū)域的長度和寬度； 確定關于所述多個相關矩形區(qū)域的圖像屬性參考值；在圖像的特征提取位置，分別計算所述多個相關矩形區(qū)域中的各個圖像屬性值與圖像 屬性參考值之間的對比關系，作為提取的多尺度對比特征。
28.如權利要求27所述的方法，其中，按照下列等式來計算多尺度對比特征Nfl χ > 0MSOP ^YjSigi-gf)2' ,Φ)=‘“，其中，MSOP表示多尺度對比特征，N表示相關矩形區(qū) i=i[U5X < U域的數(shù)量，N為自然數(shù)，gi表示第i個矩形區(qū)域中的圖像屬性值，gf表示圖像屬性參考值。
29.如權利要求27所述的方法，其中，圖像屬性參考值為所述多個相關矩形區(qū)域中的 圖像屬性值的平均值，或位于所述多個相關矩形區(qū)域構成的整體形狀的中心區(qū)域部分的圖 像屬性值。
30.如權利要求27所述的方法，其中，所述圖像屬性指示圖像的深度、色度或亮度。
31.如權利要求27所述的方法，其中，所述多個相關矩形區(qū)域構成的整體形狀為矩形、 菱形或橢圓形。
全文摘要
提供一種基于多尺度對比特征的對象檢測設備和方法。所述對象檢測設備包括輸入單元，用于輸入被檢測圖像；基于多尺度對比特征的學習機，用于對關于所述對象的訓練樣本進行多尺度對比特征提取，并對提取的特征應用統(tǒng)計學習處理；分類器加載單元，用于根據(jù)所述基于多尺度對比特征的學習機的統(tǒng)計學習處理結果來構建分類器；檢測單元，用于利用由分類器加載單元構建的分類器對由輸入單元輸入的被檢測圖像進行對象檢測，其中，所述多尺度對比特征用于指示圖像中多個相關矩形區(qū)域之間在不同尺度下關于特定圖像屬性的對比關系。
文檔編號G06K9/66GK102129569SQ20101000477
公開日2011年7月20日 申請日期2010年1月20日 優(yōu)先權日2010年1月20日
發(fā)明者林華書, 楚汝峰, 陳茂林 申請人:三星電子株式會社, 北京三星通信技術研究有限公司