CN103942558A - 获取物体检测器的方法及装置 - Google Patents
获取物体检测器的方法及装置 Download PDFInfo
- Publication number
- CN103942558A CN103942558A CN201310024111.1A CN201310024111A CN103942558A CN 103942558 A CN103942558 A CN 103942558A CN 201310024111 A CN201310024111 A CN 201310024111A CN 103942558 A CN103942558 A CN 103942558A
- Authority
- CN
- China
- Prior art keywords
- sorter
- component
- testing result
- transformation results
- transformation
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Landscapes
- Image Analysis (AREA)
Abstract
本发明公开了一种获取物体检测器的方法及装置,属于检测技术领域。方法包括:根据SVM对图像训练样本训练,得到第一根分类器,根据第一根分类器获取各个物体部件对应的第一部件分类器;将第一根分类器及各个第一部件分类器进行模型变换,得到变换后的根分类器及变换后的部件分类器;根据隐变量SVM对变换后的根分类器及变换后的部件分类器训练,得到第二根分类器及第二部件分类器,将第一根分类器、第二根分类器、第一部件分类器及第二部件分类器作为获取到的物体检测器。本发明通过对获取到的第一根分类器及第一部件分类器进行模型变换,可增加分类器的种类,扩展物体检测器的搜索空间,可有效地匹配姿态和视角多变的物体,进而提高物体检测精度。
Description
技术领域
本发明涉及检测技术领域,特别涉及一种获取物体检测器的方法及装置。
背景技术
随着电子信息技术的进步和网络化普及,人们在日常生活中越来越普遍地使用各种各样的图像采集设备,从而可以快捷地获取大量的图像和视频数据。通过快速而智能地分析这些数据,可以对图像中的物体进行检测。目前,物体检测的方式中普遍采用物体检测器对图像中的物体进行检测,而物体检测器又是对大量物体图像进行训练得到的,因此,物体检测器的性能将直接影响物体检测的性能。
现有技术中获取物体检测器的方式有多种,在由P.Felzenszwalb发表的一篇名为“Object Detection with Discriminatively Trained Part Based Modes”的论文中提到了一种人体检测器的获取方法。该方法首先采用SVM(Support VectorMachine,支持向量机)对人体图像训练样本进行训练,得到一个适用于人体全身的根分类器(root filter),之后按照人体部件(如头部、上肢、下肢和躯干等)在根分类器的基础上获取与人体各个部件相对应的部件分类器(part filter),最后采用latent SVM(隐变量SVM)对得到的根分类器及各个部件分类器进行训练,得到训练后的根分类器及部件分类器,并将训练后的根分类器及部件分类器作为获取到的物体检测器。
在实现本发明的过程中,发明人发现现有技术至少存在以下问题:
上述根分类器及部件分类器在进行匹配或检测的过程中,由于仅仅使用了部件的平移来获取最佳匹配,不能有效地匹配姿态和视角多变的物体,因而采用上述根分类器及部件分类器构成的物体检测器对动态物体进行检测时,其检测精度不高。
发明内容
为了解决现有技术的问题,本发明实施例提供了一种获取物体检测器的方法及装置。所述技术方案如下:
一方面,提供了一种获取物体检测器的方法,所述方法包括:
采用支持向量机SVM对预先获取的图像训练样本进行训练,得到第一根分类器,并根据所述第一根分类器获取各个物体部件对应的第一部件分类器;
将所述第一根分类器及每个第一部件分类器分别进行模型变换,得到变换后的根分类器及各个物体部件对应的变换后的部件分类器,所述变换至少包括比例变换、旋转变换及错切变换中的一种;
采用隐变量SVM对变换后的根分类器及各个物体部件对应的变换后的部件分类器进行训练,得到第二根分类器及各个物体部件对应的第二部件分类器,并将所述第一根分类器、第二根分类器、第一部件分类器及第二部件分类器作为获取到的物体检测器。
进一步地,所述将所述第一根分类器、第二根分类器、第一部件分类器及第二部件分类器作为获取到的物体检测器之后,还包括:
获取待检测物体图像;
提取所述待检测物体图像的特征,得到所述待检测物体图像的第一特征图,并对所述第一特征图进行插值处理,得到第二特征图;
采用所述物体检测器中的第一根分类器及第二根分类器分别对所述第一特征图进行检测,得到所述第一根分类器的检测结果及所述第二根分类器的检测结果;
采用所述物体检测器中的第一部件分类器及第二部件分类器分别对所述第二特征图进行检测,得到所述第一部件分类器的检测结果及所述第二部件分类器的检测结果,并根据预设参数对所述第一部件分类器的检测结果及所述第二部件分类器的检测结果分别进行距离变换,得到所述第一部件分类器的变换结果及所述第二部件分类器的变换结果;
根据所述第一根分类器的检测结果、所述第二根分类器的检测结果、所述第一部件分类器的变换结果及所述第二部件分类器的变换结果获取采用所述物体检测器对所述待检测物体图像进行物体检测的检测结果。
较佳地,所述预设参数为所述隐变量SVM所使用的隐变量;
所述根据预设参数对所述第一部件分类器的检测结果及所述第二部件分类器的检测结果分别进行距离变换,得到所述第一部件分类器的变换结果及所述第二部件分类器的变换结果,包括:
根据所述隐变量SVM所使用的隐变量对所述第一部件分类器的检测结果及所述第二部件分类器的检测结果分别进行距离变换,得到所述第一部件分类器的第一变换结果及所述第二部件分类器的第一变换结果;
所述根据所述第一根分类器的检测结果、所述第二根分类器的检测结果、所述第一部件分类器的变换结果及所述第二部件分类器的变换结果获取采用所述物体检测器对所述待检测物体图像进行物体检测的检测结果,包括:
合并所述第一根分类器的检测结果、所述第二根分类器的检测结果、所述第一部件分类器的第一变换结果及所述第二部件分类器的第一变换结果,并将合并结果作为采用所述物体检测器对所述待检测物体图像进行物体检测的检测结果。
较佳地,所述预设参数为所述第一根分类器进行模型变换时的变换参数及所述第二根分类器进行模型变换时的变换参数;
所述根据预设参数对所述第一部件分类器的检测结果及所述第二部件分类器的检测结果分别进行距离变换,得到所述第一部件分类器的变换结果及所述第二部件分类器的变换结果,包括:
根据所述第一根分类器进行模型变换时的变换参数对所述第一部件分类器的检测结果及所述第二部件分类器的检测结果分别进行距离变换,得到所述第一部件分类器的第二变换结果及所述第二部件分类器的第二变换结果,并根据所述第二根分类器进行模型变换时的变换参数对所述第一部件分类器的检测结果及所述第二部件分类器的检测结果分别进行距离变换,得到所述第一部件分类器的第三变换结果及所述第二部件分类器的第三变换结果;
所述根据所述第一根分类器的检测结果、所述第二根分类器的检测结果、所述第一部件分类器的变换结果及所述第二部件分类器的变换结果获取采用所述物体检测器对所述待检测物体图像进行物体检测的检测结果,包括:
合并所述第一根分类器的检测结果、所述第一部件分类器的第二变换结果及所述第二部件分类器的第二变换结果,得到第一合并结果;
合并所述第二根分类器的检测结果、所述第一部件分类器的第三变换结果及所述第二部件分类器的第三变换结果,得到第二合并结果;
在所述第一合并结果和所述第二合并结果中选择满足第一阈值的合并结果作为采用所述物体检测器对所述待检测物体图像进行物体检测的检测结果。
进一步地,所述合并所述第一根分类器的检测结果、所述第一部件分类器的第二变换结果及所述第二部件分类器的第二变换结果,得到第一合并结果,包括:
在所述第一部件分类器的第二变换结果及所述第二部件分类器的第二变换结果中选择满足第二阈值的变换结果,并将选择出的变换结果与所述第一根分类器的检测结果进行合并,得到第一合并结果;
合并所述第二根分类器的检测结果、所述第一部件分类器的第三变换结果及所述第二部件分类器的第三变换结果,得到第二合并结果,包括:
在所述第一部件分类器的第三变换结果及所述第二部件分类器的第三变换结果中选择满足第三阈值的变换结果,并将选择出的变换结果与所述第二根分类器的检测结果进行合并,得到第二合并结果。
另一方面,还提供了一种获取物体检测器的装置,所述装置包括:
第一训练模块,用于采用支持向量机SVM对预先获取的图像训练样本进行训练,得到第一根分类器;
第一获取模块,用于根据所述第一训练模块训练得到的第一根分类器获取各个物体部件对应的第一部件分类器;
模型变换模块,用于将所述第一训练模块训练得到的第一根分类器及所述第一获取模块获取到的各个物体部件对应的第一部件分类器分别进行模型变换,得到变换后的根分类器及各个物体部件对应的变换后的部件分类器,所述变换至少包括比例变换、旋转变换及错切变换中的一种;
第二训练模块,用于根据隐变量SVM对所述模型变换模块变换后的根分类器及各个物体部件对应的变换后的部件分类器进行训练,得到第二根分类器及各个物体部件对应的第二部件分类器,并将所述第一根分类器、第二根分类器、第一部件分类器及第二部件分类器作为获取到的物体检测器。
进一步地,所述装置,还包括:
第二获取模块,用于获取待检测物体图像;
提取模块,用于提取所述第二获取模块获取到的待检测物体图像的特征,得到所述待检测物体图像的第一特征图;
处理模块,用于对所述提取模块提取的第一特征图进行插值处理,得到第二特征图;
第一检测模块,用于采用所述物体检测器中的第一根分类器及第二根分类器分别对所述提取模块提取的第一特征图进行检测,得到所述第一根分类器的检测结果及所述第二根分类器的检测结果;
第二检测模块,用于采用所述物体检测器中的第一部件分类器及第二部件分类器分别对所述处理模块处理得到的第二特征图进行检测,得到所述第一部件分类器的检测结果及所述第二部件分类器的检测结果;
转换模块,用于根据预设参数对所述第二检测模块得到的第一部件分类器的检测结果及所述第二部件分类器的检测结果分别进行距离变换,得到所述第一部件分类器的变换结果及所述第二部件分类器的变换结果;
第三获取模块,用于根据所述第一检测模块得到的第一根分类器的检测结果、所述第二根分类器的检测结果、所述转换模块得到的第一部件分类器的变换结果及所述第二部件分类器的变换结果获取采用所述物体检测器对所述待检测物体图像进行物体检测的检测结果。
较佳地,所述预设参数为所述隐变量SVM所使用的隐变量;
所述转换模块,用于根据所述隐变量SVM所使用的隐变量对所述第一部件分类器的检测结果及所述第二部件分类器的检测结果分别进行距离变换,得到所述第一部件分类器的第一变换结果及所述第二部件分类器的第一变换结果;
所述第三获取模块,包括:
第一合并单元,用于合并所述第一根分类器的检测结果、所述第二根分类器的检测结果、所述第一部件分类器的第一变换结果及所述第二部件分类器的第一变换结果;
第一获取单元,用于将所述第一合并单元得到的合并结果作为采用所述物体检测器对所述待检测物体图像进行物体检测的检测结果。
较佳地,所述预设参数为所述第一根分类器进行模型变换时的变换参数及所述第二根分类器进行模型变换时的变换参数;
所述转换模块,用于根据所述第一根分类器进行模型变换时的变换参数对所述第一部件分类器的检测结果及所述第二部件分类器的检测结果分别进行距离变换,得到所述第一部件分类器的第二变换结果及所述第二部件分类器的第二变换结果,并根据所述第二根分类器进行模型变换时的变换参数对所述第一部件分类器的检测结果及所述第二部件分类器的检测结果分别进行距离变换,得到所述第一部件分类器的第三变换结果及所述第二部件分类器的第三变换结果;
所述第三获取模块,包括:
第二合并单元,用于合并所述第一根分类器的检测结果、所述第一部件分类器的第二变换结果及所述第二部件分类器的第二变换结果,得到第一合并结果;
第三合并单元,用于合并所述第二根分类器的检测结果、所述第一部件分类器的第三变换结果及所述第二部件分类器的第三变换结果,得到第二合并结果;
第二获取单元,用于在所述第二合并单元得到的第一合并结果和所述第三合并单元得到的第二合并结果中选择满足第一阈值的合并结果作为采用所述物体检测器对所述待检测物体图像进行物体检测的检测结果。
进一步地,所述第二合并单元,用于在所述第一部件分类器的第二变换结果及所述第二部件分类器的第二变换结果中选择满足第二阈值的变换结果,并将选择出的变换结果与所述第一根分类器的检测结果进行合并,得到第一合并结果;
所述第三合并单元,用于在所述第一部件分类器的第三变换结果及所述第二部件分类器的第三变换结果中选择满足第三阈值的变换结果,并将选择出的变换结果与所述第二根分类器的检测结果进行合并,得到第二合并结果。
本发明实施例提供的技术方案带来的有益效果是:
通过对获取到的第一根分类器及第一部件分类器进行模型变换,可增加分类器的种类,扩展获取到的物体检测器的搜索空间,使获取到的物体检测器不仅可以针对静态物体进行检测,还可有效地匹配姿态和视角多变的物体,对于处于动态变化的物体也能够实现检测,进而提高物体检测精度。
附图说明
为了更清楚地说明本发明实施例中的技术方案,下面将对实施例描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1是本发明实施例一提供的一种获取物体检测器的方法流程图;
图2是本发明实施例二提供的一种获取物体检测器的方法流程图;
图3是本发明实施例二提供的一种物体检测器示意图;
图4是本发明实施例二提供的另一种物体检测器示意图;
图5是本发明实施例二提供的一种物体检测过程示意图;
图6是本发明实施例二提供的另一种物体检测过程示意图;
图7是本发明实施例三提供的一种获取物体检测器的装置结构示意图;
图8是本发明实施例三提供的另一种获取物体检测器的装置结构示意图;
图9是本发明实施例三提供的一种第三获取模块的结构示意图;
图10是本发明实施例三提供的另一种第三获取模块的结构示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚,下面将结合附图对本发明实施方式作进一步地详细描述。
实施例一
本实施例提供了一种获取物体检测器的方法,参见图1,本实施例提供的方法流程具体如下:
101:采用SVM对预先获取的图像训练样本进行训练,得到第一根分类器,并根据第一根分类器获取各个物体部件对应的第一部件分类器;
102:将第一根分类器及各个物体部件对应的第一部件分类器分别进行模型变换,得到变换后的根分类器及各个物体部件对应的变换后的部件分类器,变换至少包括比例变换、旋转变换及错切变换中的一种;
103:采用隐变量SVM对变换后的根分类器及各个物体部件对应的变换后的部件分类器进行训练,得到第二根分类器及各个物体部件对应的第二部件分类器,并将第一根分类器、第二根分类器、第一部件分类器及第二部件分类器作为获取到的物体检测器。
本实施例提供的方法,通过对获取到的第一根分类器及第一部件分类器进行模型变换,可增加分类器的种类,扩展获取到的物体检测器的搜索空间,使获取到的物体检测器不仅可以针对静态物体进行检测,还可有效地匹配姿态和视角多变的物体,对于处于动态变化的物体也能够实现检测,进而提高物体检测精度。
为了更加清楚地阐述上述实施例提供的方法,结合上述实施例的内容,以如下实施例二为例,对本实施例提供的方法进行详细说明,详见如下实施例二:
实施例二
结合上述实施例一的内容,本实施例提供了一种获取物体检测器的方法。其中,物体检测器包括但不限于人体检测器、车辆检测器、或其他类型的物体检测等等,本实施例不对物体检测器的具体类型进行限定。为了便于说明,本实施例以获取人体检测器为例,对获取物体检测器的方式进行详细地举例描述。参见图2,本实施例提供的方法流程具体如下:
201:采用SVM对预先获取的图像训练样本进行训练,得到第一根分类器,并根据第一根分类器获取各个物体部件对应的第一部件分类器;
其中,预先获取的图像训练样本可以为通过拍照设备或摄像设备等采集得到的图像。以获取人体检测器为例,该预先获取的图像训练样本可以为包括人体的图像,也可以为不包括人体的图像,本实施例将包括人体的图像称为正样本,不包括人体的图像称为负样本。为了使训练出的分类器性能更加优越,预先获取的图像训练样本的数量越多越好,但本实施例不对该步骤中预先获取的图像训练样本的个数进行限定。
另外,SVM是一种基于分类边界的方法,其原理是将低维空间中的点映射到高维空间中,使它们成为线性可分的,再使用线性划分的原理来判断分类边界。由于采用SVM训练的方式在分类的应用上已经十分成熟,本实施例同样不对采用SVM对预先获取的图像训练样本进行训练的方式进行限定。具体训练时,对是否线性可分的情况进行分析,对于线性不可分的情况,通过使用非线性映射算法将低维输入空间线性不可分的样本转化为高维特征空间使其线性可分,从而使得高维特征空间采用线性算法对样本的非线性特征进行线性分析成为可能。
对于预先获取的图像训练样本,采用SVM对其进行训练,得到的结果作为第一根分类器。该第一根分类器可以是针对人体全身的分类器,如图3中的(1)所示。
进一步地,由于人体全身的分类器可以反映人体各个部件的信息,因而通过对第一根分类器进行插值处理,可以得到分辨率更高的分类器,并按照人体的各个部件,可将经过插值处理的分类器进行拆分,并对拆分后的结果做进一步的插值处理,得到各个物体部件对应的第一部件分类器。例如,在得到如图3(1)所示的第一根分类器之后,通过对其进行插值处理,得到如图3(2)所示的处理结果,再通过对其做进一步的插值处理之后,可得到如图3(3)所示的针对人体各个部件的第一部件分类器。如图3(3)所示,该第一部件分类器包括头部对应的第一部件分类器1,上肢对应的第一部件分类器2,下肢对应的第一部件分类器3等等,各个部件对应各自的第一部件分类器,本实施例不对划分的第一部件分类器的个数进行限定。
202:将第一根分类器及各个物体部件对应的第一部件分类器分别进行模型变换,得到变换后的根分类器及各个物体部件对应的变换后的部件分类器,变换至少包括比例变换、旋转变换及错切变换中的一种;
其中,变换的种类包括但不限于比例变换、旋转变换及错切变换中的一种。比例变换包括放大变换或缩小变换,本实施例不对放大或缩小的比例进行限定;旋转变换可以为任意角度的旋转变换,本实施例同样不对旋转的角度进行限定;错切变换是使图形产生一个扭变,包括但不限于x方向和y方向的错切变换。
其中,图像沿x方向的错切矩阵如下面的公式(1)所示:
根据公式(1)可以看出,图形的y坐标不变,x坐标随坐标(x y)和系数b作线性变化。b>0,图形沿x正方向做错切;b<0,图形沿x负方向做错切;b≠0。
图像沿y方向的错切矩阵如下面公式(2)所示:
根据公式(2)可以看出,图形的x坐标不变,y坐标随坐标(x,y)和系数d作线性变化。d>0,图形沿y正方向做错切;d<0,图形沿y负方向做错切;d≠0。
无论采用上述哪种模型变换,具体实施时,在上述步骤201得到第一根分类器及各个物体部件对应的第一部件分类器之后,根据选取的模型变换方式对得到的第一根分类器及各个物体部件对应的第一部件分类器进行与选取的模型变换方式相对应的矩阵变换即可。例如,针对比例变换,可以将得到的第一根分类器及各个物体部件对应的第一部件分类器分别与放大矩阵或缩小矩阵进行运算,实现放大或缩小的变换处理;针对旋转变换,可以将得到的第一根分类器及各个物体部件对应的第一部件分类器分别与旋转矩阵进行相应运算,实现旋转的变换处理;又例如,针对错切变换,可以将得到的第一根分类器及各个物体部件对应的第一部件分类器分别与对应的错切矩阵进行运算,实现错切的变换处理。
203:采用隐变量SVM对变换后的根分类器及各个物体部件对应的变换后的部件分类器进行训练,得到第二根分类器及各个物体部件对应的第二部件分类器,并将第一根分类器、第二根分类器、各个物体部件对应的第一部件分类器及第二部件分类器作为获取到的物体检测器;
针对该步骤,隐变量SVM是在标准SVM的基础上增加了隐变量。采用隐变量SVM对变换后的根分类器及各个物体部件对应的变换后的部件分类器进行训练的方式与采用标准SVM进行训练的原理相同。其中,隐变量包括但不限于偏转距离、偏转角度等。采用隐变量SVM对变换后的根分类器及各个物体部件对应的变换后的部件分类器进行训练的过程中,可根据隐变量对训练结果进行修正,例如进行偏移位置及偏移角度的修正等等,从而可以使匹配精度大大提高,进而形成鉴别力更强的模型。具体实施时,本实施例不对具体的隐变量进行限定,实际应用中可依据具体情况采用对应的隐变量。
为了便于理解,以图4中R所示的训练得到的第一根分类器为例,将该第一根分类器经过旋转变换,并采用隐变量SVM进行训练之后,得到的第二根分类器可如图4中的R11和R12所示;将该第一根分类器经过比例变换,并采用隐变量SVM进行训练之后,得到的第二根分类器可如图4中的R21和R22所示;将该第一根分类器经过错切变换,并采用隐变量SVM进行训练之后,得到的第二根分类器可如图4中的R31和R32所示。以图4中P所示的训练得到的头部对应的第一部件分类器为例,将该第一部件分类器经过旋转变换,并采用隐变量SVM进行训练之后,得到的第二部件分类器可如图4中的P11和P12所示;将该第一部件分类器经过比例变换,并采用隐变量SVM进行训练之后,得到的第二部件分类器可如图4中的P21和P22所示;将该第一部件分类器经过错切变换,并采用隐变量SVM进行训练之后,得到的第二部件分类器可如图4中的P31和P32所示。
在按照上述步骤201至步骤203获取物体检测器之后,使用该物体检测器进行物体检测的过程详见如下步骤:
204:获取待检测物体图像,提取待检测物体图像的特征,得到待检测物体图像的第一特征图,并对第一特征图进行插值处理,得到第二特征图;
针对该步骤,获取待检测物体图像的方式可以有多种,例如通过拍照设备或摄像设备获取等等,本实施例不对获取待检测物体图像的方式及获取到的具体待检测物体图像的内容进行限定。无论采用哪种方式,对于获取到的待检测物体图像,本实施例采用HOG(Histogram ofOriented Gradients,方向梯度直方图)的方式对提取的待检测物体图像的特征进行提取,得到待检测物体图像的第一特征图。当然,除了采用HOG的方式进行特征提取外,还可以使用目前成熟的各种提取特征的方式,本实施例不对提取特征的具体方式进行限定。
进一步地,以得到的第一特征图如图5中的(1)所示为例,通过对该第一特征图进行插值处理,可得到分辨率较第一特征图有所提升的第二特征图。对第一特征图进行插值处理的方式,本实施例不做具体限定,同样不对***的具体数值进行限定。实际应用中,为了保证检测效果,第二特征图的分辨率可高于第一特征图的分辨率的两倍或两倍以上。因此,在得到第一特征图之后,可在第一特征图的基础上进行对应的插值处理,从而得到分辨率高于第一特征图的分辨率两倍或两倍以上的第二特征图。例如,对于如图5(1)中所示的第一特征图,进行插值处理后的第二特征图可如图5中的(2)所示。
205:采用物体检测器中的第一根分类器及第二根分类器分别对第一特征图进行检测,得到第一根分类器的检测结果及第二根分类器的检测结果;
针对该步骤,在上述步骤201至步骤203得到物体检测器,步骤204得到第一特征图之后,采用第一根分类器对第一特征图进行检测及采用第二根分类器对第一特征图进行检测时,可直接使用第一根分类器及第二根分类器对第一特征图分别进行过滤,过滤得到的分值即为第一根分类器及第二根分类器对第一特征图进行检测的检测结果。例如,以采用图5中所示的第一根分类器对第一特征图(1)进行检测为例,得到的第一根分类器的检测结果如图5中的R1所示,图中每个像素对应一个值,越接近白色的部分,为人体的可能性越大。
206:采用物体检测器中的第一部件分类器及第二部件分类器分别对第二特征图进行检测,得到第一部件分类器的检测结果及第二部件分类器的检测结果,并根据预设参数对第一部件分类器的检测结果及第二部件分类器的检测结果分别进行距离变换,得到第一部件分类器的变换结果及第二部件分类器的变换结果;
其中,在上述步骤201至步骤203得到物体检测器,步骤204得到第二特征图之后,采用第一部件分类器对第二特征图进行检测及采用第二部件分类器对第二特征图进行检测时,可直接使用第一部件分类器及第二部件分类器对第二特征图分别进行过滤,过滤得到的分值即为第一部件分类器及第二部件分类器对第二特征图进行检测的检测结果。例如,以采用图5中所示的头部对应的第一部件分类器对第二特征图(2)进行检测为例,得到的第一部件分类器的检测结果可如图5中的P1所示;以采用图5中所示的人体其他部件对应的第二部件分类器对第二特征图(2)进行检测为例,得到的第二部件分类器的检测结果如图5中的P2所示。且与第一根分类器及第二根分类器对第一特征图进行检测的方式一样,图5中的P1和P2中每个像素也均对应一个值,越接近白色的部分,为人体的可能性越大。
进一步地,为了提高检测精度,本实施例采用了以预设参数对第一部件分类器的检测结果及第二部件分类器的检测结果进行转换的方式。具体转换时,预设参数可以为隐变量SVM所使用的隐变量,则根据预设参数对第一部件分类器的检测结果及第二部件分类器的检测结果分别进行距离变换,得到第一部件分类器的变换结果及第二部件分类器的变换结果,包括但不限于:
根据隐变量SVM所使用的隐变量对第一部件分类器的检测结果及第二部件分类器的检测结果分别进行距离变换,得到第一部件分类器的第一变换结果及第二部件分类器的第一变换结果。
例如,以第一部件分类器的检测结果如图5中的P1所示为例,根据隐变量SVM所使用的隐变量对第一部件分类器的检测结果进行转换后,得到的第一部件分类器的第一变换结果如图5中的P1’所示。对于该P1’中的任一像素点的值,其确定方式包括但不限于:首先,根据隐变量在P1中确定对应的范围,将该范围内的所有像素点的值中的最大值作为该P1’中的任一像素点的值。
又例如,以第二部件分类器的检测结果如图5中的P2所示为例,根据隐变量SVM所使用的隐变量对第二部件分类器的检测结果进行转换后,得到的第二部件分类器的第一变换结果如图5中的P2’所示。关于P2’中的每个像素点的值的确定方式,同上述P1’中的任一像素点的值的确定方式,此处不再赘述。
可选地,预设参数除了可以为隐变量SVM所使用的隐变量外,该预设参数还可以为第一根分类器进行模型变换时的变换参数及第二根分类器进行模型变换时的变换参数,则根据预设参数对第一部件分类器的检测结果及第二部件分类器的检测结果分别进行距离变换,得到第一部件分类器的变换结果及第二部件分类器的变换结果,包括但不限于:
根据第一根分类器进行模型变换时的变换参数对第一部件分类器的检测结果及第二部件分类器的检测结果分别进行距离变换,得到第一部件分类器的第二变换结果及第二部件分类器的第二变换结果,并根据第二根分类器进行模型变换时的变换参数对第一部件分类器的检测结果及第二部件分类器的检测结果分别进行距离变换,得到第一部件分类器的第三变换结果及第二部件分类器的第三变换结果。
针对上述第一部件分类器的变换结果及第二部件分类器的变换结果的方式,本实施例不对第一根分类器进行模型变换时的变换参数及第二根分类器进行模型变换时的变换参数进行限定。如图6所示,第一根分类器进行模型变换时的变换参数为t1,tc1,r1,rc1,第二根分类器进行模型变换时的变换参数为t2、tc2、r2、rc2。其中,t代表模型变换的理想位置,tc代表模型变换的位置偏移惩罚系数,r代表模型变换的理想角度,rc代表模型变换的角度偏移惩罚系数。将第一部件分类器的检测结果及第二部件分类器的检测结果与第一根分类器进行模型变换时的变换参数(t1,tc1,r1,rc1)进行转换运算,得到的运算结果即为第一部件分类器的第二变换结果及第二部件分类器的第二变换结果;将第一部件分类器的检测结果及第二部件分类器的检测结果与第二根分类器进行模型变换时的变换参数(t2,tc2,r2,rc2)进行转换运算,得到的运算结果即为第一部件分类器的第三变换结果及第二部件分类器的第三变换结果。
207:根据第一根分类器的检测结果、第二根分类器的检测结果、第一部件分类器的变换结果及第二部件分类器的变换结果获取采用物体检测器对待检测物体图像进行物体检测的检测结果。
具体地,针对上述步骤205得到第一根分类器的检测结果及第二根分类器的检测结果,以及上述步骤206中采用隐变量SVM所使用的隐变量得到第一部件分类器的第一变换结果与第二部件分类器的第一变换结果的情况,该步骤在根据第一根分类器的检测结果、第二根分类器的检测结果、第一部件分类器的变换结果及第二部件分类器的变换结果获取采用物体检测器对待检测物体图像进行物体检测的检测结果时,采用的方式包括但不限于:
合并第一根分类器的检测结果、第二根分类器的检测结果、第一部件分类器的第一变换结果及第二部件分类器的第一变换结果,并将合并结果作为采用物体检测器对待检测物体图像进行物体检测的检测结果。
其中,本实施例所涉及到的合并均是指相加运算。执行上述合并第一根分类器的检测结果、第二根分类器的检测结果、第一部件分类器的第一变换结果及第二部件分类器的第一变换结果的操作时,可将第一根分类器的检测结果、第二根分类器的检测结果、第一部件分类器的第一变换结果及第二部件分类器的第一变换结果进行相加。例如,仍以图5所示为例,可直接将第一根分类器的检测结果R1、第二根分类器的检测结果(图中未标出)、第一部件分类器的第一变换结果P1’及第二部件分类器的第一变换结果P2’等结果进行相加,得到的结果如图5中的T所示,T中越接近白色的部分,为人体的可能性越大。
可选地,针对上述步骤205得到第一根分类器的检测结果及第二根分类器的检测结果,以及上述步骤206中采用第一根分类器进行模型变换时的变换参数及第二根分类器进行模型变换时的变换参数得到第一部件分类器的第二变换结果与第二部件分类器的第二变换结果的情况,该步骤在根据第一根分类器的检测结果、第二根分类器的检测结果、第一部件分类器的变换结果及第二部件分类器的变换结果获取采用物体检测器对待检测物体图像进行物体检测的检测结果时,包括但不限于:
合并第一根分类器的检测结果、第一部件分类器的第二变换结果及第二部件分类器的第二变换结果,得到第一合并结果;
合并第二根分类器的检测结果、第一部件分类器的第三变换结果及第二部件分类器的第三变换结果,得到第二合并结果;
在第一合并结果和第二合并结果中选择满足第一阈值的合并结果作为采用物体检测器对待检测物体图像进行物体检测的检测结果。
其中,在第一合并结果和第二合并结果中选择满足第一阈值的合并结果作为采用物体检测器对待检测物体图像进行物体检测的检测结果时,本实施例不对第一阈值的大小进行限定。具体实施时,可在第一合并结果和第二合并结果中选择最大值作为采用物体检测器对待检测物体图像进行物体检测的检测结果。
进一步地,合并第一根分类器的检测结果、第一部件分类器的第二变换结果及第二部件分类器的第二变换结果,得到第一合并结果,包括但不限于:
在第一部件分类器的第二变换结果及第二部件分类器的第二变换结果中选择满足第二阈值的变换结果,并将选择出的变换结果与第一根分类器的检测结果进行合并,得到第一合并结果;
合并第二根分类器的检测结果、第一部件分类器的第三变换结果及第二部件分类器的第三变换结果,得到第二合并结果,包括但不限于:
在第一部件分类器的第三变换结果及第二部件分类器的第三变换结果中选择满足第三阈值的变换结果,并将选择出的变换结果与第二根分类器的检测结果进行合并,得到第二合并结果。
其中,在第一部件分类器的第二变换结果及第二部件分类器的第二变换结果中选择满足第二阈值的变换结果时,本实施例不对第二阈值的大小进行限定。具体实施时,如图6所示,可在第一部件分类器的第二变换结果及第二部件分类器的第二变换结果中选择最大值与第一根分类器的检测结果进行合并;在第一部件分类器的第三变换结果及第二部件分类器的第三变换结果中选择满足第三阈值的变换结果时,本实施例同样不对第三阈值的大小进行限定。具体实施时,如图6所示,可在第一部件分类器的第三变换结果及第二部件分类器的第三变换结果中选择最大值与第二根分类器的检测结果进行合并。
另外,结合图6所示内容及上述合并方式可以看出,无论第二部件分类器的个数是多少,各个物体部件对应的第一部件分类器及第二部件分类器对第二特征图的检测结果均将按照第一根分类器及各个第二根分类器进行模型变换时的变换参数进行转换;之后再针对物体每一部件对应的部件分类器选取变换结果最大值与对应的根分类器的检测结果进行合并;最后再在合并结果中选取最大值作为对待检测物体图像进行物体检测的检测结果。
以物体检测器为人体检测器,其将人体拆分为头部和肢体两个部件为例,其包括一个第一根分类器A1、比例变换后的第二根分类器A2和旋转变换后的第二根分类器A3,还包括头部对应的第一部件分类器P1、头部对应的比例变换的第二部件分类器P2、头部对应的旋转变换后的第二部件分类器P3,肢体对应的第一部件分类器P4、肢体对应的比例变换后的第二部件分类器P5及肢体对应的旋转变换后的第二部件分类器P6,则P1至P6对第二特征图的检测结果均将按照A1至A3进行模型变换时的变换参数分别进行转换,在P1至P3按照A1进行模型变换时的变换参数进行转换的变换结果中选取最大值,并将选取的最大值与A1的检测结果进行合并,得到合并结果M1;在P1至P3按照A2进行模型变换时的变换参数进行转换的变换结果中选取最大值,并将选取的最大值与A2的检测结果进行合并,得到合并结果M2;在P1至P3按照A3进行模型变换时的变换参数进行转换的变换结果中选取最大值,并将选取的最大值与A3的检测结果进行合并,得到合并结果M3;在P4至P6按照A1进行模型变换时的变换参数进行转换的变换结果中选取最大值,并将选取的最大值与A1的检测结果进行合并,得到合并结果M4;在P4至P6按照A2进行模型变换时的变换参数进行转换的变换结果中选取最大值,并将选取的最大值与A2的检测结果进行合并,得到合并结果M5;在P4至P6按照A3进行模型变换时的变换参数进行转换的变换结果中选取最大值,并将选取的最大值与A3的检测结果进行合并,得到合并结果M6;最后,在M1至M6中选取一个最大值作为对待检测物体图像进行物体检测的检测结果。
本实施例提供的方法,通过对获取到的第一根分类器及第一部件分类器进行模型变换,可增加分类器的种类,扩展获取到的物体检测器的搜索空间,使获取到的物体检测器不仅可以针对静态物体进行检测,还可有效地匹配姿态和视角多变的物体,对于处于动态变化的物体也能够实现检测,进而提高物体检测精度。
实施例三
本实施例提供了一种获取物体检测器的装置,该装置用于执行上述实施例一或实施例一或实施例二提供的获取物体检测器的方法。参见图7,该装置包括:
第一训练模块701,用于采用SVM对预先获取的图像训练样本进行训练,得到第一根分类器;
第一获取模块702,用于根据第一训练模块701训练得到的第一根分类器获取各个物体部件对应的第一部件分类器;
模型变换模块703,用于将第一训练模块701训练得到的第一根分类器及第一获取模块702获取到的各个物体部件对应的第一部件分类器分别进行模型变换,得到变换后的根分类器及各个物体部件对应的变换后的部件分类器,变换至少包括比例变换、旋转变换及错切变换中的一种;
第二训练模块704,用于采用隐变量SVM对模型变换模块703变换后的根分类器及各个物体部件对应的变换后的部件分类器进行训练,得到第二根分类器及各个物体部件对应的第二部件分类器,并将第一根分类器、第二根分类器、第一部件分类器及第二部件分类器作为获取到的物体检测器。
参见图8,该装置,还包括:
第二获取模块705,用于获取待检测物体图像;
提取模块706,用于提取第二获取模块705获取到的待检测物体图像的特征,得到待检测物体图像的第一特征图;
处理模块707,用于对提取模块706提取的第一特征图进行插值处理,得到第二特征图;
第一检测模块708,用于采用物体检测器中的第一根分类器及第二根分类器分别对提取模块706提取的第一特征图进行检测,得到第一根分类器的检测结果及第二根分类器的检测结果;
第二检测模块709,用于采用物体检测器中的第一部件分类器及第二部件分类器分别对处理模块707处理得到的第二特征图进行检测,得到第一部件分类器的检测结果及第二部件分类器的检测结果;
转换模块710,用于根据预设参数对第二检测模块709得到的第一部件分类器的检测结果及第二部件分类器的检测结果分别进行距离变换,得到第一部件分类器的变换结果及第二部件分类器的变换结果;
第三获取模块711,用于根据第一检测模块708得到的第一根分类器的检测结果、第二根分类器的检测结果、转换模块710得到的第一部件分类器的变换结果及第二部件分类器的变换结果获取采用物体检测器对待检测物体图像进行物体检测的检测结果。
其中,预设参数为隐变量SVM所使用的隐变量;
转换模块710,用于根据隐变量SVM所使用的隐变量对第一部件分类器的检测结果及第二部件分类器的检测结果分别进行距离变换,得到第一部件分类器的第一变换结果及第二部件分类器的第一变换结果;
参见图9,第三获取模块711,包括:
第一合并单元7111,用于合并第一根分类器的检测结果、第二根分类器的检测结果、第一部件分类器的第一变换结果及第二部件分类器的第一变换结果;
第一获取单元7112,用于将第一合并单元7111得到的合并结果作为采用物体检测器对待检测物体图像进行物体检测的检测结果。
可选地,预设参数为第一根分类器进行模型变换时的变换参数及第二根分类器进行模型变换时的变换参数;
转换模块710,用于根据第一根分类器进行模型变换时的变换参数对第一部件分类器的检测结果及第二部件分类器的检测结果分别进行距离变换,得到第一部件分类器的第二变换结果及第二部件分类器的第二变换结果,并根据第二根分类器进行模型变换时的变换参数对第一部件分类器的检测结果及第二部件分类器的检测结果分别进行距离变换,得到第一部件分类器的第三变换结果及第二部件分类器的第三变换结果;
参见图10,第三获取模块711,包括:
第二合并单元7113,用于合并第一根分类器的检测结果、第一部件分类器的第二变换结果及第二部件分类器的第二变换结果,得到第一合并结果;
第三合并单元7114,用于合并第二根分类器的检测结果、第一部件分类器的第三变换结果及第二部件分类器的第三变换结果,得到第二合并结果;
第二获取单元7115,用于在第二合并单元7113得到的第一合并结果和第三合并单元7114得到的第二合并结果中选择满足第一阈值的合并结果作为采用物体检测器对待检测物体图像进行物体检测的检测结果。
进一步地,第二合并单元7113,用于在第一部件分类器的第二变换结果及第二部件分类器的第二变换结果中选择满足第二阈值的变换结果,并将选择出的变换结果与第一根分类器的检测结果进行合并,得到第一合并结果;
第三合并单元7114,用于在第一部件分类器的第三变换结果及第二部件分类器的第三变换结果中选择满足第三阈值的变换结果,并将选择出的变换结果与第二根分类器的检测结果进行合并,得到第二合并结果。
本实施例提供的装置,通过对获取到的第一根分类器及第一部件分类器进行模型变换,可增加分类器的种类,扩展获取到的物体检测器的搜索空间,使获取到的物体检测器不仅可以针对静态物体进行检测,还可有效地匹配姿态和视角多变的物体,对于处于动态变化的物体也能够实现检测,进而提高物体检测精度。
需要说明的是:上述实施例提供的获取物体检测器的装置在或去物体检测器时,仅以上述各功能模块的划分进行举例说明,实际应用中,可以根据需要而将上述功能分配由不同的功能模块完成,即将装置的内部结构划分成不同的功能模块,以完成以上描述的全部或者部分功能。另外,上述实施例提供的获取物体检测器的装置与获取物体检测器的方法实施例属于同一构思,其具体实现过程详见方法实施例,这里不再赘述。
上述本发明实施例序号仅仅为了描述,不代表实施例的优劣。
本领域普通技术人员可以理解实现上述实施例的全部或部分步骤可以通过硬件来完成,也可以通过程序来指令相关的硬件完成,所述的程序可以存储于一种计算机可读存储介质中,上述提到的存储介质可以是只读存储器,磁盘或光盘等。
以上所述仅为本发明的较佳实施例,并不用以限制本发明,凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (10)
1.一种获取物体检测器的方法,其特征在于,所述方法包括:
采用支持向量机SVM对预先获取的图像训练样本进行训练,得到第一根分类器,并根据所述第一根分类器获取各个物体部件对应的第一部件分类器;
将所述第一根分类器及各个物体部件对应的第一部件分类器分别进行模型变换,得到变换后的根分类器及各个物体部件对应的变换后的部件分类器,所述变换至少包括比例变换、旋转变换及错切变换中的一种;
采用隐变量SVM对变换后的根分类器及各个物体部件对应的变换后的部件分类器进行训练,得到第二根分类器及各个物体部件对应的第二部件分类器,并将所述第一根分类器、第二根分类器、第一部件分类器及第二部件分类器作为获取到的物体检测器。
2.根据权利要求1所述的方法,其特征在于,所述将所述第一根分类器、第二根分类器、第一部件分类器及第二部件分类器作为获取到的物体检测器之后,还包括:
获取待检测物体图像;
提取所述待检测物体图像的特征,得到所述待检测物体图像的第一特征图,并对所述第一特征图进行插值处理,得到第二特征图;
采用所述物体检测器中的第一根分类器及第二根分类器分别对所述第一特征图进行检测,得到所述第一根分类器的检测结果及所述第二根分类器的检测结果;
采用所述物体检测器中的第一部件分类器及第二部件分类器分别对所述第二特征图进行检测,得到所述第一部件分类器的检测结果及所述第二部件分类器的检测结果,并根据预设参数对所述第一部件分类器的检测结果及所述第二部件分类器的检测结果分别进行距离变换,得到所述第一部件分类器的变换结果及所述第二部件分类器的变换结果;
根据所述第一根分类器的检测结果、所述第二根分类器的检测结果、所述第一部件分类器的变换结果及所述第二部件分类器的变换结果获取采用所述物体检测器对所述待检测物体图像进行物体检测的检测结果。
3.根据权利要求2所述的方法,其特征在于,所述预设参数为所述隐变量SVM所使用的隐变量;
所述根据预设参数对所述第一部件分类器的检测结果及所述第二部件分类器的检测结果分别进行距离变换,得到所述第一部件分类器的变换结果及所述第二部件分类器的变换结果,包括:
根据所述隐变量SVM所使用的隐变量对所述第一部件分类器的检测结果及所述第二部件分类器的检测结果分别进行距离变换,得到所述第一部件分类器的第一变换结果及所述第二部件分类器的第一变换结果;
所述根据所述第一根分类器的检测结果、所述第二根分类器的检测结果、所述第一部件分类器的变换结果及所述第二部件分类器的变换结果获取采用所述物体检测器对所述待检测物体图像进行物体检测的检测结果,包括:
合并所述第一根分类器的检测结果、所述第二根分类器的检测结果、所述第一部件分类器的第一变换结果及所述第二部件分类器的第一变换结果,并将合并结果作为采用所述物体检测器对所述待检测物体图像进行物体检测的检测结果。
4.根据权利要求2所述的方法,其特征在于,所述预设参数为所述第一根分类器进行模型变换时的变换参数及所述第二根分类器进行模型变换时的变换参数;
所述根据预设参数对所述第一部件分类器的检测结果及所述第二部件分类器的检测结果分别进行距离变换,得到所述第一部件分类器的变换结果及所述第二部件分类器的变换结果,包括:
根据所述第一根分类器进行模型变换时的变换参数对所述第一部件分类器的检测结果及所述第二部件分类器的检测结果分别进行距离变换,得到所述第一部件分类器的第二变换结果及所述第二部件分类器的第二变换结果,并根据所述第二根分类器进行模型变换时的变换参数对所述第一部件分类器的检测结果及所述第二部件分类器的检测结果分别进行距离变换,得到所述第一部件分类器的第三变换结果及所述第二部件分类器的第三变换结果;
所述根据所述第一根分类器的检测结果、所述第二根分类器的检测结果、所述第一部件分类器的变换结果及所述第二部件分类器的变换结果获取采用所述物体检测器对所述待检测物体图像进行物体检测的检测结果,包括:
合并所述第一根分类器的检测结果、所述第一部件分类器的第二变换结果及所述第二部件分类器的第二变换结果,得到第一合并结果;
合并所述第二根分类器的检测结果、所述第一部件分类器的第三变换结果及所述第二部件分类器的第三变换结果,得到第二合并结果;
在所述第一合并结果和所述第二合并结果中选择满足第一阈值的合并结果作为采用所述物体检测器对所述待检测物体图像进行物体检测的检测结果。
5.根据权利要求4所述的方法,其特征在于,所述合并所述第一根分类器的检测结果、所述第一部件分类器的第二变换结果及所述第二部件分类器的第二变换结果,得到第一合并结果,包括:
在所述第一部件分类器的第二变换结果及所述第二部件分类器的第二变换结果中选择满足第二阈值的变换结果,并将选择出的变换结果与所述第一根分类器的检测结果进行合并,得到第一合并结果;
合并所述第二根分类器的检测结果、所述第一部件分类器的第三变换结果及所述第二部件分类器的第三变换结果,得到第二合并结果,包括:
在所述第一部件分类器的第三变换结果及所述第二部件分类器的第三变换结果中选择满足第三阈值的变换结果,并将选择出的变换结果与所述第二根分类器的检测结果进行合并,得到第二合并结果。
6.一种获取物体检测器的装置,其特征在于,所述装置包括:
第一训练模块,用于采用支持向量机SVM对预先获取的图像训练样本进行训练,得到第一根分类器;
第一获取模块,用于根据所述第一训练模块训练得到的第一根分类器获取各个物体部件对应的第一部件分类器;
模型变换模块,用于将所述第一训练模块训练得到的第一根分类器及所述第一获取模块获取到的各个物体部件对应的第一部件分类器分别进行模型变换,得到变换后的根分类器及各个物体部件对应的变换后的部件分类器,所述变换至少包括比例变换、旋转变换及错切变换中的一种;
第二训练模块,用于采用隐变量SVM对所述模型变换模块变换后的根分类器及各个物体部件对应的变换后的部件分类器进行训练,得到第二根分类器及各个物体部件对应的第二部件分类器,并将所述第一根分类器、第二根分类器、第一部件分类器及第二部件分类器作为获取到的物体检测器。
7.根据权利要求6所述的装置,其特征在于,所述装置,还包括:
第二获取模块,用于获取待检测物体图像;
提取模块,用于提取所述第二获取模块获取到的待检测物体图像的特征,得到所述待检测物体图像的第一特征图;
处理模块,用于对所述提取模块提取的第一特征图进行插值处理,得到第二特征图;
第一检测模块,用于采用所述物体检测器中的第一根分类器及第二根分类器分别对所述提取模块提取的第一特征图进行检测,得到所述第一根分类器的检测结果及所述第二根分类器的检测结果;
第二检测模块,用于采用所述物体检测器中的第一部件分类器及第二部件分类器分别对所述处理模块处理得到的第二特征图进行检测,得到所述第一部件分类器的检测结果及所述第二部件分类器的检测结果;
转换模块,用于根据预设参数对所述第二检测模块得到的第一部件分类器的检测结果及所述第二部件分类器的检测结果分别进行距离变换,得到所述第一部件分类器的变换结果及所述第二部件分类器的变换结果;
第三获取模块,用于根据所述第一检测模块得到的第一根分类器的检测结果、所述第二根分类器的检测结果、所述转换模块得到的第一部件分类器的变换结果及所述第二部件分类器的变换结果获取采用所述物体检测器对所述待检测物体图像进行物体检测的检测结果。
8.根据权利要求7所述的装置,其特征在于,所述预设参数为所述隐变量SVM所使用的隐变量;
所述转换模块,用于根据所述隐变量SVM所使用的隐变量对所述第一部件分类器的检测结果及所述第二部件分类器的检测结果分别进行距离变换,得到所述第一部件分类器的第一变换结果及所述第二部件分类器的第一变换结果;
所述第三获取模块,包括:
第一合并单元,用于合并所述第一根分类器的检测结果、所述第二根分类器的检测结果、所述第一部件分类器的第一变换结果及所述第二部件分类器的第一变换结果;
第一获取单元,用于将所述第一合并单元得到的合并结果作为采用所述物体检测器对所述待检测物体图像进行物体检测的检测结果。
9.根据权利要求7所述的装置,其特征在于,所述预设参数为所述第一根分类器进行模型变换时的变换参数及所述第二根分类器进行模型变换时的变换参数;
所述转换模块,用于根据所述第一根分类器进行模型变换时的变换参数对所述第一部件分类器的检测结果及所述第二部件分类器的检测结果分别进行距离变换,得到所述第一部件分类器的第二变换结果及所述第二部件分类器的第二变换结果,并根据所述第二根分类器进行模型变换时的变换参数对所述第一部件分类器的检测结果及所述第二部件分类器的检测结果分别进行距离变换,得到所述第一部件分类器的第三变换结果及所述第二部件分类器的第三变换结果;
所述第三获取模块,包括:
第二合并单元,用于合并所述第一根分类器的检测结果、所述第一部件分类器的第二变换结果及所述第二部件分类器的第二变换结果,得到第一合并结果;
第三合并单元,用于合并所述第二根分类器的检测结果、所述第一部件分类器的第三变换结果及所述第二部件分类器的第三变换结果,得到第二合并结果;
第二获取单元,用于在所述第二合并单元得到的第一合并结果和所述第三合并单元得到的第二合并结果中选择满足第一阈值的合并结果作为采用所述物体检测器对所述待检测物体图像进行物体检测的检测结果。
10.根据权利要求9所述的装置,其特征在于,所述第二合并单元,用于在所述第一部件分类器的第二变换结果及所述第二部件分类器的第二变换结果中选择满足第二阈值的变换结果,并将选择出的变换结果与所述第一根分类器的检测结果进行合并,得到第一合并结果;
所述第三合并单元,用于在所述第一部件分类器的第三变换结果及所述第二部件分类器的第三变换结果中选择满足第三阈值的变换结果,并将选择出的变换结果与所述第二根分类器的检测结果进行合并,得到第二合并结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201310024111.1A CN103942558A (zh) | 2013-01-22 | 2013-01-22 | 获取物体检测器的方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201310024111.1A CN103942558A (zh) | 2013-01-22 | 2013-01-22 | 获取物体检测器的方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN103942558A true CN103942558A (zh) | 2014-07-23 |
Family
ID=51190221
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201310024111.1A Pending CN103942558A (zh) | 2013-01-22 | 2013-01-22 | 获取物体检测器的方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN103942558A (zh) |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2016033965A1 (zh) * | 2014-09-05 | 2016-03-10 | 华为技术有限公司 | 图像分类器的生成方法、图像分类方法和装置 |
CN105989339A (zh) * | 2015-02-16 | 2016-10-05 | 佳能株式会社 | 用于检测目标的方法和装置 |
CN106778514A (zh) * | 2016-11-24 | 2017-05-31 | 努比亚技术有限公司 | 一种标识物体的方法及装置 |
CN107968742A (zh) * | 2017-12-04 | 2018-04-27 | 北京小米移动软件有限公司 | 影像显示方法、装置及计算机可读存储介质 |
WO2020024584A1 (zh) * | 2018-08-03 | 2020-02-06 | 华为技术有限公司 | 一种训练物体检测模型的方法、装置以及设备 |
CN110807361A (zh) * | 2019-09-19 | 2020-02-18 | 腾讯科技(深圳)有限公司 | 人体识别方法、装置、计算机设备及存储介质 |
CN112074382A (zh) * | 2018-05-02 | 2020-12-11 | X开发有限责任公司 | 定位机器人传感器以用于物体分类 |
US11423634B2 (en) | 2018-08-03 | 2022-08-23 | Huawei Cloud Computing Technologies Co., Ltd. | Object detection model training method, apparatus, and device |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101866497A (zh) * | 2010-06-18 | 2010-10-20 | 北京交通大学 | 基于双目立体视觉的智能三维人脸重建方法及*** |
CN102646199A (zh) * | 2012-02-29 | 2012-08-22 | 湖北莲花山计算机视觉和信息科学研究院 | 复杂场景中的车型识别方法 |
CN102810161A (zh) * | 2012-06-07 | 2012-12-05 | 江苏物联网研究发展中心 | 一种用于拥挤场景下的多个行人检测方法 |
-
2013
- 2013-01-22 CN CN201310024111.1A patent/CN103942558A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101866497A (zh) * | 2010-06-18 | 2010-10-20 | 北京交通大学 | 基于双目立体视觉的智能三维人脸重建方法及*** |
CN102646199A (zh) * | 2012-02-29 | 2012-08-22 | 湖北莲花山计算机视觉和信息科学研究院 | 复杂场景中的车型识别方法 |
CN102810161A (zh) * | 2012-06-07 | 2012-12-05 | 江苏物联网研究发展中心 | 一种用于拥挤场景下的多个行人检测方法 |
Non-Patent Citations (5)
Title |
---|
NAVNEET DALAL ET AL.: ""Histograms of Oriented Gradients for Human Detection"", 《2005 IEEE COMPUTER SOCIETY CONFERENCE ON COMPUTER VISION AND PATTERN RECOGNITION》 * |
PEDRO F. F ELZENSZWALB: ""Pictorial Structures for Ob ject Recognition"", 《INTERNATIONAL JOURNAL OF COMPUTER VISION》 * |
PEDRO F. FELZENSZWALB ET AL.: ""Distance Transforms of Sampled Functions"", 《THEORY AND COMPUTING》 * |
PEDRO F.FELZENSZWALB ET AL.: ""object detection with discriminatively trained part based models"", 《IEEE TRANSACTION ON PATTERN ANALYSIS AND MACHINE INTELLIGENCE》 * |
陈宾康等: "《计算机辅助船舶设计》", 31 May 1985, 上海:上海交通大学出版社 * |
Cited By (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2016033965A1 (zh) * | 2014-09-05 | 2016-03-10 | 华为技术有限公司 | 图像分类器的生成方法、图像分类方法和装置 |
CN105989339A (zh) * | 2015-02-16 | 2016-10-05 | 佳能株式会社 | 用于检测目标的方法和装置 |
CN105989339B (zh) * | 2015-02-16 | 2020-02-14 | 佳能株式会社 | 用于检测目标的方法和装置 |
CN106778514A (zh) * | 2016-11-24 | 2017-05-31 | 努比亚技术有限公司 | 一种标识物体的方法及装置 |
CN107968742B (zh) * | 2017-12-04 | 2021-01-22 | 北京小米移动软件有限公司 | 影像显示方法、装置及计算机可读存储介质 |
CN107968742A (zh) * | 2017-12-04 | 2018-04-27 | 北京小米移动软件有限公司 | 影像显示方法、装置及计算机可读存储介质 |
CN112074382B (zh) * | 2018-05-02 | 2024-03-22 | X开发有限责任公司 | 机器人以及定位机器人传感器的方法 |
CN112074382A (zh) * | 2018-05-02 | 2020-12-11 | X开发有限责任公司 | 定位机器人传感器以用于物体分类 |
US11423634B2 (en) | 2018-08-03 | 2022-08-23 | Huawei Cloud Computing Technologies Co., Ltd. | Object detection model training method, apparatus, and device |
US11605211B2 (en) | 2018-08-03 | 2023-03-14 | Huawei Cloud Computing Technologies Co., Ltd. | Object detection model training method and apparatus, and device |
WO2020024584A1 (zh) * | 2018-08-03 | 2020-02-06 | 华为技术有限公司 | 一种训练物体检测模型的方法、装置以及设备 |
CN110807361A (zh) * | 2019-09-19 | 2020-02-18 | 腾讯科技(深圳)有限公司 | 人体识别方法、装置、计算机设备及存储介质 |
CN110807361B (zh) * | 2019-09-19 | 2023-08-08 | 腾讯科技(深圳)有限公司 | 人体识别方法、装置、计算机设备及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN103942558A (zh) | 获取物体检测器的方法及装置 | |
CN104143079B (zh) | 人脸属性识别的方法和*** | |
Xu et al. | Partial intrinsic reflectional symmetry of 3D shapes | |
CN105160310A (zh) | 基于3d卷积神经网络的人体行为识别方法 | |
CN108230337A (zh) | 一种基于移动端的语义slam***实现的方法 | |
CN109829467A (zh) | 图像标注方法、电子装置及非暂态电脑可读取储存媒体 | |
CN108664981A (zh) | 显著图像提取方法及装置 | |
CN107292318B (zh) | 基于中心暗通道先验信息的图像显著性物体检测方法 | |
CN103035003B (zh) | 一种实现增强现实的方法及装置 | |
CN110765882B (zh) | 一种视频标签确定方法、装置、服务器及存储介质 | |
CN104281839A (zh) | 一种人体姿势识别方法和装置 | |
CN107169994A (zh) | 基于多特征融合的相关滤波跟踪方法 | |
CN104766343A (zh) | 一种基于稀疏表示的视觉目标跟踪方法 | |
Gao et al. | Human action recognition on depth dataset | |
CN106709452B (zh) | 一种基于智能巡检机器人的仪表位置检测方法 | |
CN103426172B (zh) | 基于视觉的目标跟踪方法及装置 | |
CN104615986A (zh) | 利用多检测器对场景变化的视频图像进行行人检测的方法 | |
CN109344790A (zh) | 一种基于姿态分析的人体行为分析方法及*** | |
CN110414571A (zh) | 一种基于特征融合的网站报错截图分类方法 | |
CN109064504A (zh) | 图像处理方法、装置和计算机存储介质 | |
CN107274679A (zh) | 车辆识别方法、装置、设备及计算机可读存储介质 | |
CN114241422A (zh) | 一种基于ESRGAN和改进YOLOv5s的学生课堂行为检测方法 | |
CN110264460A (zh) | 一种目标检测结果的鉴别方法、装置、设备及存储介质 | |
CN110827355B (zh) | 一种基于视频图像坐标的移动目标快速定位方法及*** | |
CN106157240A (zh) | 基于字典学习的遥感图像超分辨率方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20140723 |
|
RJ01 | Rejection of invention patent application after publication |