[发明专利]物体检测分类器的构造方法和物体检测方法与相应系统

说明书

技术领域

本发明涉及计算机视觉和模式识别领域，更进一步地涉及一种在图像 或视频中进行物体检测的方法和系统。

背景技术

从图像或视频中检测指定类别的物体是一件有意义而且富于挑战性 的工作。现有技术中，通常的做法是设计一种描述能力强而且计算简单的 特征集合，然后利用现有的诸如自适应提升算法(AdaBoost)的特征选择 方法从包含大量特征的特征集合中选择出判别能力最好的特征子集，并且 用选择的特征子集中的特征构造分类器，应用扫描窗口扫描策略和后处理 算法进行物体检测。物体检测的通常做法是用一个矩形来描述物体的位置 和尺度大小，该矩形使得物体位于其正中，该矩形的尺度和物体的外接矩 形大小相同或者相似，称此矩形为扫描窗口。

具体而言，物体检测方法包括下列步骤。首先，在一个扫描窗口中穷 举生成一个包含有大量特征的特征全集。然后，计算正例样本集合和反例 样本集合中样本的特征的响应值，根据上述响应值采用机器学习算法从特 征集合中选择出对“物体”和“非物体”判别能力最强的特征，并构造分 类器。在特征选择中常用提升算法(boosting)，其中包括自适应提升算法 (AdaBoost)和连续提升算法(RealBoost)。连续提升算法工作的基本过 程是反复迭代，每次迭代选择一个最优的特征并构造一个相应的弱分类 器。经过迭代n次后，分别得到n个特征和弱分类器，这些弱分类器进一 步组成一个瀑布分类器，也即强分类器。图1表示瀑布分类器的工作原理。 每一个输入的图像块由各个弱分类器依次判别，若其中一个弱分类器判定 输入为“非物体”，则这个图像块将直接被判定为“非物体”；只有当n个 弱分类器均将该图像块判定为“物体”时，这个图像块才最终被认为是“物 体”。

最后，基于上述瀑布分类器进行检测，大部分采用扫描窗口扫描的方 法。图2说明了扫描窗口扫描的流程。首先对图像进行尺度缩放，然后对 变换后得到的每一个尺度的图像中的所有的空间位置利用统一大小的扫 描窗口(例如像素为64×32的扫描窗口)进行扫描，计算每一个扫描窗 口内的图像块的各个特征的响应值，并根据该特征的响应值进行判别，得 到候选窗口。然后进行后处理，其中包括利用噪声去除算法去掉明显的噪 声，然后再利用重叠扫描窗口合并算法(例如均值滤波算法(MeanShift)) 将同一个物体对应的多个扫描窗口合并，从而得到最终检测结果——物体 窗口。