[发明专利]物体检测装置和方法

说明书

技术领域

本发明涉及一种物体检测装置和方法。 

背景技术

目前，以人脸检测(face detection)为代表的物体检测受到了越来越多的关注。人脸检测是指对于任意一幅给定的图像，采用一定的策略对其进行搜索以确定其中是否含有人脸，如果是，则返回人脸的位置、大小和姿态。人脸通常具有十分丰富的生物特征信息，可以用于人机交互、跟踪监控、身份识别等领域，而提取人脸相关信息的首要步骤正是定位人脸区域。这使得人脸检测技术具有非同寻常的意义和极为广泛的应用前景。人脸检测的实用性将取决于检测精度和检测速度二者的提高。 

在现有技术的检测器层次结构中，由上至下依次是：检测器、强分类器、弱分类器、特征提取以及函数映射。也就是说，现有技术的检测器包括多个强分类器，各强分类器包括多个弱分类器，各弱分类器包括特征提取部和映射部。特征提取部进行特征提取，而映射部则采用基于查找表(Look Up Table)的方法等方法进行弱分类。 

如以下现有文件所示，通常的脸部检测方法在进行特征提取时提取图像亮度差信息(差值)，弱分类器以此为基础进行是否是脸部的判断(也称之为脸部准确度或弱分类)，组合多个这些特征来制作出强分类器。 

●专利文献1 

美国专利申请公开第2002/0102024号说明书 

●专利文献2 

日本专利申请特开第2007-109229号 

●非专利文献1 

“Robust Real-Time Face Detection”，Paul A.Viola，Michael Jones， International Journal of Computer Vision No.572Vol.2，pp137-154(2004) 

●非专利文献2 

“高速全方向下的脸部检测”、山下劳等、图像识别/理解研讨会(MIRU2004)Vol.II，pp271-276 

下面对这些现有技术进行简要的说明。 

美国专利申请公开第2002/0102024号说明书公开了AdaBoost，AdaBoost是指一种组合多个识别能力较低的弱分类器，来获得提高了判断能力的强分类器的学习方法，该方法是一种整体学习(EnsembleLearning)方法。 

在AdaBoost这样的方法中，从事先准备的特征中选择适于识别的特征，制作出弱分类器。为了通过尽可能少的弱分类器来学习强分类器，重要之处在于事先准备好可提高识别能力的特征。 

日本专利申请特开第2007-109229号通过树结构的检测器来检测多个脸部朝向的装置，树结构的各节点是由使用了多个Haar特征的弱分类器构成的。 

由于在该发明中使用了Haar特征，因而通过使用经正规化的2个区域之间的亮度差的强度分布，来计算特征量。因此，在各个弱分类器的计算中使用加减法和除法，所以计算成本较大。 

在“Robust Real-Time Face Detection”和“高速全方向下的脸部检测”中，脸部检测方法的特点大都在于，着眼于相邻的2个区域，以区域之间的亮度差(差值)为基础来计算特征量。亮度差会因脸部亮度不同而不同。例如，如果脸部较暗，则亮度差较小，如果脸部较亮则亮度差较大。因此需要根据脸部明暗状态来校正亮度差。 

为了计算2个区域间的亮度差，需要计算各区域的平均亮度。在非专利文献1和2中，将积分图像用于高速计算。 

通过积分图像来进行明暗状态下的高速计算和校正，但对于积分图像而言，内存使用量较大，而且校正也会成为导致特征量计算耗时的原因。 

即，如图13所示，在三种不同亮度下的人脸下计算的Haar特征都 需要经过校正，成为标准特征量。在图13中，用白色框内的平均亮度减去黑色框内的平均亮度，获得亮度差。白色框表示粒子组合系数为正的粒子，黑色框表示粒子组合系数为负的粒子。 

综上所述，可知，在现有的脸部检测的通常手法中，使用着眼于脸部的亮度差(差值)的特征量来判断脸部准确度。无论脸部亮度发生何种变化，都需要进行特征量校正，以计算出标准的特征量，计算特征量需要耗费时间。 

发明内容

本发明鉴于现有技术的上述缺点和局限作出，提供了一种物体检测装置和方法，用于解决现有技术的一个或更多个缺点，至少提供一种有益的选择。 

为了实现以上目的，本申请提供了以下的发明。