快速檢測特定目標的方法及裝置的制造方法
【技術領域】
[0001] 本發(fā)明屬于視頻監(jiān)控領域，尤其涉及一種快速檢測特定目標的方法及裝置。
【背景技術】
[0002] 目前，人體視覺分析已成為計算機視覺的一個重要研宄領域，頭肩檢測對于視頻 或圖像中的人體目標檢測與識別具有重要意義，由于人體頭肩處于人體上半部位以及其輪 廓的穩(wěn)定性，采用頭肩相比使用人體其他部位或者整個人體來進行檢測和識別人具有更高 的操作性，因而可廣泛應用于圖像或者視頻場景中的人體目標個數(shù)統(tǒng)計、人體檢測及跟蹤。
[0003] 現(xiàn)有技術公開有先利用背景差分法檢測人體運動目標，然后在運動目標上利用投 影法找到人體頭肩的大概位置，利用KNN對該頭肩模型屬于正背面頭肩模型還是側面頭肩 模型，但是該技術只能針對攝像機靜止的情況，無法針對攝像機運動的情況，且利用投影方 法定位的人體位置不一定準確。現(xiàn)有技術還公開有使用兩級SVM對人頭頭肩模型進行訓 練，然后用訓練過的兩級SVM在多個尺度的視頻幀上滑動窗口進行檢測，得到各個窗口的 分類檢測結果，該方法雖然比之一級SVM檢測效果會更好，但是其在檢測頭肩的時候需要 對所有尺寸的圖像進行遍歷計算梯度特征，計算量很大。

【發(fā)明內容】

[0004] 本發(fā)明實施例的目的在于提供一種快速檢測特定目標的方法及裝置，旨在解決現(xiàn) 有的檢測方法計算量大且不精確的問題。
[0005] 本發(fā)明實施例是這樣實現(xiàn)的，一種快速檢測特定目標的方法，所述方法包括如下 步驟：
[0006] 輸入待檢測視頻；
[0007] 通過預設的一般目標類分類器檢測所述待檢測視頻中的一般目標類；
[0008] 進一步地，在執(zhí)行所述輸入待檢測視頻之前，還包括：
[0009] 訓練一般目標類分類器。
[0010] 進一步地，所述訓練一般目標類分類器包括：
[0011] 隨機抽取K份一般目標樣本集和K個特征集；所述K為自然數(shù)；
[0012] 根據(jù)所述K份一般目標樣本集和K個特征集訓練K個線性弱分類器；
[0013] 將所述K個線性弱分類器組合為一般目標類分類器。
[0014] 進一步地，所述通過預設的一般目標類分類器檢測待檢測視頻中的一般目標類包 括：
[0015] 確定待檢測視頻的待檢測區(qū)域；
[0016] 確定所述待檢測區(qū)域的待檢測樣本集；
[0017] 計算所述待檢測樣本集的分類器得分，得到一般目標類。
[0018] 進一步地，所述計算待檢測樣本集的分類器得分，得到一般目標類包括：
[0019] 用二進制近似表達每一弱分類器的法向量；
[0020] 用行向量和列向量的形式表達每個檢測窗口的梯度數(shù)據(jù)和梯度位數(shù)據(jù)，獲取每個 檢測窗口對應不同弱分類器的特征數(shù)據(jù)集；
[0021] 計算組合強分類器在每個檢測窗口的得分，得到一般目標類。
[0022] 本發(fā)明還提供一種快速檢測特定目標的裝置，所述裝置包括：
[0023] 輸入模塊，用于輸入待檢測視頻；
[0024] 檢測模塊，用于通過預設的一般目標類分類器檢測所述待檢測視頻中的一般目標 類；
[0025] 獲取模塊，用于將所述檢測到的一般目標類輸入預設的特定目標模型分類器，獲 取特定目標。
[0026] 進一步地，還包括：
[0027] 訓練模塊，用于訓練一般目標類分類器。
[0028] 進一步地，所述訓練模塊包括：
[0029] 抽取單元，用于隨機抽取K份一般目標樣本集和K個特征集；所述K為自然數(shù)；
[0030] 訓練弱分類器單元，用于根據(jù)所述K份一般目標樣本集和K個特征集訓練K個線 性弱分類器；
[0031] 組合單元，用于將所述K個線性弱分類器組合為一般目標類分類器。
[0032] 進一步地，所述檢測模塊包括：
[0033] 第一確定單元，用于確定待檢測視頻的待檢測區(qū)域；
[0034] 第二確定單元，用于確定所述待檢測區(qū)域的待檢測樣本集；
[0035] 計算單元，用于計算所述待檢測樣本集的分類器得分，得到一般目標類。
[0036] 進一步地，所述計算單元包括：
[0037] 表達子單元，用于用二進制近似表達每一弱分類器的法向量；
[0038] 獲取子單元，用于用行向量和列向量的形式表達每個檢測窗口的梯度數(shù)據(jù)和梯度 位數(shù)據(jù)，獲取每個檢測窗口對應不同弱分類器的特征數(shù)據(jù)集；
[0039] 計算子單元，用于計算組合強分類器在每個檢測窗口的得分。
[0040] 本發(fā)明實施例首先訓練一般目標類分類器，然后利用訓練好的一般目標類分類器 快速精確地檢測出一般目標類，在此基礎上，使用訓練好的特定目標模型分類器，快速精確 地定位出人體特定目標位置。本發(fā)明實施例減小了計算量，提高了準確率。
【附圖說明】
[0041] 圖1是本發(fā)明實施例一提供的快速檢測特定目標的方法的流程圖；
[0042] 圖2是本發(fā)明實施例一提供的快速檢測特定目標的方法中訓練步驟的流程圖；
[0043] 圖3是本發(fā)明實施例一提供的快速檢測特定目標的方法中檢測步驟的流程圖；
[0044] 圖4是本發(fā)明實施例一提供的快速檢測特定目標的方法中加速步驟的流程圖；
[0045] 圖5是本發(fā)明實施例二提供的快速檢測特定目標的裝置的結構圖；
[0046] 圖6是本發(fā)明實施例二提供的快速檢測特定目標的裝置中訓練模塊的結構圖；
[0047] 圖7是本發(fā)明實施例二提供的快速檢測特定目標的裝置中檢測模塊的結構圖；
[0048] 圖8是本發(fā)明實施例二提供的快速檢測特定目標的裝置中計算單元的結構圖。
【具體實施方式】
[0049] 為了使本發(fā)明的目的、技術方案及優(yōu)點更加清楚明白，以下結合附圖及實施例，對 本發(fā)明進行進一步詳細說明。應當理解，此處所描述的具體實施例僅僅用以解釋本發(fā)明，并 不用于限定本發(fā)明。
[0050] 實施例一
[0051] 本發(fā)明實施例一提出一種快速檢測特定目標的方法。參閱圖1，本發(fā)明實施例一的 方法包括以下步驟：
[0052]S1、訓練一般目標類分類器。如圖2所示，具體包括：
[0053]S102、隨機抽取K份一般目標樣本集和K個特征集，K為自然數(shù)。
[0054]a、隨機抽取K份一般目標樣本集
[0055] 對一般目標類分類器訓練的樣本集〇,其中正類樣本的樣本個數(shù)CP，負類樣本的 樣本個數(shù)CN，全部歸一化到大小8X8，分別從正類樣本和負類樣本中有放回地隨機抽取CP、 CN個與原樣本集中正類樣本和負類樣本同樣大小的訓練樣本集Pk、Nk，構成第k個樣本集為 Sk={Pk，Nk}，其中Pk為第k個樣本集所包含的正類樣本集，Nk為第k個樣本集所包含的負 類樣本集，k= 1，2，...，K，本實施例中，K優(yōu)選10 ;
[0056]b、隨機抽取K個特征集
[0057]對集合Nu= {1，2, 3, 4, 5, 6, 7, 8}進行K次隨機抽樣，每次有放回抽樣4個數(shù)字， 記錄每次隨機抽樣的4個數(shù)字并組成集合，記第k次隨機抽樣的4個數(shù)字組成的集合為
【主權項】
1. 一種快速檢測特定目標的方法，其特征在于，所述方法包括如下步驟： 輸入待檢測視頻； 通過預設的一般目標類分類器檢測所述待檢測視頻中的一般目標類； 將所述檢測到的一般目標類輸入預設的特定目標模型分類器，獲取特定目標。
2. 如權利要求1所述的方法，其特征在于，在執(zhí)行所述輸入待檢測視頻之前，還包括： 訓練一般目標類分類器。
3. 如權利要求2所述的方法，其特征在于，所述訓練一般目標類分類器包括： 隨機抽取K份一般目標樣本集和K個特征集；所述K為自然數(shù)； 根據(jù)所述K份一般目標樣本集和K個特征集訓練K個線性弱分類器； 將所述K個線性弱分類器組合為一般目標類分類器。
4. 如權利要求1所述的方法，其特征在于，所述通過預設的一般目標類分類器檢測待 檢測視頻中的一般目標類包括： 確定待檢測視頻的待檢測區(qū)域； 確定所述待檢測區(qū)域的待檢測樣本集； 計算所述待檢測樣本集的分類器得分，得到一般目標類。
5. 如權利要求4所述的方法，其特征在于，所述計算待檢測樣本集的分類器得分，得到 一般目標類包括： 用二進制近似表達每一弱分類器的法向量； 用行向量和列向量的形式表達每個檢測窗口的梯度數(shù)據(jù)和梯度位數(shù)據(jù)，獲取每個檢測 窗口對應不同弱分類器的特征數(shù)據(jù)集； 計算組合強分類器在每個檢測窗口的得分，得到一般目標類。
6. -種快速檢測特定目標的裝置，其特征在于，所述裝置包括： 輸入模塊，用于輸入待檢測視頻； 檢測模塊，用于通過預設的一般目標類分類器檢測所述待檢測視頻中的一般目標類； 獲取模塊，用于將所述檢測到的一般目標類輸入預設的特定目標模型分類器，獲取特 定目標。
7. 如權利要求6所述的裝置，其特征在于，還包括： 訓練模塊，用于訓練一般目標類分類器。
8. 如權利要求7所述的裝置，其特征在于，所述訓練模塊包括： 抽取單元，用于隨機抽取K份一般目標樣本集和K個特征集；所述K為自然數(shù)； 訓練弱分類器單元，用于根據(jù)所述K份一般目標樣本集和K個特征集訓練K個線性弱 分類器； 組合單元，用于將所述K個線性弱分類器組合為一般目標類分類器。
9. 如權利要求5所述的裝置，其特征在于，所述檢測模塊包括： 第一確定單元，用于確定待檢測視頻的待檢測區(qū)域； 第二確定單元，用于確定所述待檢測區(qū)域的待檢測樣本集； 計算單元，用于計算所述待檢測樣本集的分類器得分，得到一般目標類。
10. 如權利要求9所述的裝置，其特征在于，所述計算單元包括： 表達子單元，用于用二進制近似表達每一弱分類器的法向量； 獲取子單元，用于用行向量和列向量的形式表達每個檢測窗口的梯度數(shù)據(jù)和梯度位數(shù) 據(jù)，獲取每個檢測窗口對應不同弱分類器的特征數(shù)據(jù)集； 計算子單元，用于計算組合強分類器在每個檢測窗口的得分。
【專利摘要】本發(fā)明適用于通信領域，提供了一種快速檢測特定目標的方法及裝置，所述方法包括如下步驟：輸入待檢測視頻；通過預設的一般目標類分類器檢測所述待檢測視頻中的一般目標類；將所述檢測到的一般目標類輸入預設的特定目標模型分類器，獲取特定目標。本發(fā)明提供的方法及裝置可提高目標監(jiān)測的準確率，減少計算量。
【IPC分類】G06K9-62, G06K9-66
【公開號】CN104809466
【申請?zhí)枴緾N201410709655
【發(fā)明人】張歡, 吳金勇, 陳先開, 王軍
【申請人】安科智慧城市技術（中國）有限公司
【公開日】2015年7月29日
【申請日】2014年11月28日