[发明专利]图像特征产生方法及设备、分类器、系统和捕获设备

说明书

技术领域

本发明涉及对象检测技术领域，具体涉及一种用于从对象图像产生图像特征的方法和设备、用于从一个或多个对象图像和一个或多个非对象图像学习得到对象分类器的方法、对象分类器、对象跟踪系统和图像捕获设备。

背景技术

对象检测技术广泛用于许多情况。使用对象检测的设备称之为对象分类器。对象分类器用于识别图像和/或视频中的对象(例如，对象区域和/或对象图像)。对象识别器可用软件、硬件、固件和/或它们的组合来实施。

在其中应用对象分类器的照相机的例子中，照相机所拍摄的视频中的对象由操作者指定，或者被自动指定。对象可以是视频的帧中包含人脸或花的对象区域。对象分类器将跟踪视频中的对象。

在现有技术中，提出了许多对象检测技术方案。

在现有技术的技术方案中，首先指定特征池。特征池包含可用于表征对象的特征。特征池中的特征是随机产生的，与特定对象无关。例如，特征可以是本领域公知的类哈尔特征(Haar-like features)、HOG特征或LBP特征。然后，通过进行学习、使用特征池中的特征、以及使用一组对象图像和一组非对象图像来得到对象分类器。这个过程也被命名为学习处理。

通常，特征池的大小非常大，一般包含几万个特征。因此，学习处理是非常耗时的。通常，将花费几天或几星期来学习得到对象分类器。

P.Viola和M.Jones在CVPR 2001中的文章“Rapid Object Detection Using a Boosted Cascade of Simple Features”以及P.Viola在NIPS 2001中的文章“Fast and Robust Classification Using Asymmetric AdaBoost and a Detector Cascade”描述了这样的对象检测技术方案，这些文章特此作为参考并入本文。

在一些情况下，人们期待学习处理能快速完成。例如，如果一个人想跟踪照相机所拍摄的视频中的对象，则他将期待照相机中的对象分类器可通过非常快地学习来得到，以使得它可在捕获视频的同时跟踪对象。这种类型的对象分类器在本领域中称之为具有实时效率的在线对象分类器。

例如，H.Grabner和H.Bischof在CVPR 2006中的文章“On-line Boosting and Vision”以及H.Grabner、M.Grabner和H.Bischof在BMVC 2006中的文章“Real-time Tracking via On-line Boosting”描述了这样的在线对象检测技术方案，这些文章特此作为参考并入本文。

于2004年6月17日提交并且于2005年5月12日公布的美国专利申请No.2005/0102246 A1公开了一种人脸表情识别系统，该美国专利申请特此作为参考并入本文。

于2008年3月20日提交并且于2008年9月25日公布的美国专利申请No.2008/0232681 A1公开了一种对象检测系统，该美国专利申请特此作为参考并入本文。

美国专利申请No.2005/0102246 A1和美国专利申请No.2008/0232681 A1公开了从大型特征池选择特征子集的技术方案。

在现有技术中，通过仅使用从特征池随机选择的非常小的特征子集，而不是整个特征池来提高学习效率。但是，因为随机选择的特征的鉴别能力通常非常弱，所以这样的对象检测器的检测性能非常差。

发明内容

本发明的发明人提出了解决现有技术中的至少一个问题的一种新技术。

本发明的一个目的是提供一种用于从对象图像产生图像特征的技术方案。

根据本发明的第一方面，提供了一种用于从对象图像产生图像特征的方法，该方法包括：图像块(image blob)检测步骤，用于在所述对象图像中检测至少一个图像块，所述至少一个图像块与其周围图像区域不同并且可与其周围图像区域区分开；以及图像特征产生步骤，用于从所述至少一个图像块产生一个或多个图像特征，其中，所述一个或多个图像特征用于形成用于对象分类器的图像特征池。

优选地，所述一个或多个图像特征为HOG特征或LBP特征。

优选地，所述一个或多个图像特征为类哈尔特征，并且所述图像特征产生步骤包括：根据图像块的大小来确定类哈尔特征的单元大小；根据所述图像块的中心的坐标以及所述图像块与其至少一个相邻区域之间的关系来确定所述类哈尔特征的坐标和类型。