[发明专利]目标检测方法和装置

说明书

本发明公开了一种目标检测方法和装置，其中，该装置包括：第一确定模块，用于对接收到的图像帧，确定该图像帧的直方图；第二确定模块，用于确定直方图的分布特性；检测模块，用于根据第二确定模块确定的结果，启动检测器对图像帧进行目标对象的检测。本发明根据接收到的图像帧直方图的分布特性，启动检测器对图像帧进行目标对象的检测，不仅能够保证目标检测的实时性，并且能够使目标对象的检测适应环境的实际变化情况，有针对性地进行检测，提高检测的效率和准确性，并且无需采用昂贵的检测设备，有效降低了成本。

技术领域

本发明涉及计算机视觉领域，并且特别地，涉及一种目标检测方法和装置。

背景技术

随着人类夜间活动时间的不断增加和活动区域的不断扩大，在交通、安全、健康和经济等多种领域，对全天候的视频监控和分析的需求在当今以及未来的多年内都会快速增长。然而，迄今为止，诸如入侵检测、客流统计、异常行为分析、交通流量统计以及违章检测等核心技术还远不能满足市场需求，而目标检测性能的不足是其中的关键限制因素之一。

传统的目标检测方案主要有以下三种：

第一种方案是基于检测运动区域来检测感兴趣目标，该方案可以利用视频帧间差信息或背景建模等多种手段实时检测运动目标，但是，这种方案很难精确定位感兴趣目标，目标检测结果也很容易受到环境变化(例如，光线变化。光照强度改变)的影响而出现较大误差。当这种方案在环境光较差的夜间环境中应用时，由于夜间环境中光照的变化对检测结果的影响很大，所以这种方案检测性能极为有限。在现有技术中，可以使用红外摄像头来获取夜间图像序列，并使用专用的检测电路检测光照环境和切换红外摄像头。虽然红外摄像头的使用极大的提升了夜间的成像质量和运动目标检测性能，因为红外摄像头的架构非常昂贵，会明显增加视频监控和分析系统的成本，导致难以在市场上取得广泛的使用。

第二种方案是基于机器学习的方法，这种方案使用提前标注好的感兴趣目标图片作为样本，通过特征提取和离线学习获得目标检测器，从而可以达到在图像序列中精确检测感兴趣目标，然而，在实际应用中，该方案通常采用的方向梯度直方图(Histogram ofOriented Gradient，简称为HOG)特征和协方差(covariance)特征等以及所使用的SVM分类器在运算速度上很难达到实时检测。

第三种方案是前两种方案的结合使用，这种方案首先使用运动检测筛选感兴趣区域，然后采用通过训练获得的检测器定位感兴趣目标。该方案通常是用来克服第一种方案的检测位置不精确问题和提高第二种方案的检测速度，但第三种方案同样会受到运动检测结果的影响，容易在夜间或感兴趣目标时常处于静止状态时失效。

因此，在诸如24小时营业超市、地下停车场、小区、车站和道路等多种光线变化对检测结果造成较大影响的应用环境中，现有的基于机器学习的目标检测方案主要存在以下问题：

(1)特征计算和分类器运算复杂度过高，难以达到实时检测；

(2)在自然光线不佳的情况下，获得的图片往往对比度较差，感兴趣目标的轮廓和细节信息丢失较为严重，现有基于白天样本获取的检测器在夜间图像序列上直接进行检测基本会失效；

(3)通过直接采集夜间的感兴趣目标样本训练夜间检测器虽然可以改善夜间目标检测性能，但由于实际应用环境较为复杂多变，在自然光不足的环境中往往会因为辅助照明设施等因素导致光照情况出现变化，使得感兴趣目标所处的环境往往会形成较亮、较暗以及过渡区域，导致适用于自然光线不足的环境检测器难以获得理想的目标检测性能；

(4)在夜间环境光较亮的区域，人体和车辆等感兴趣目标容易受到光线影响而丢失部分边缘和纹理等对目标检测及其重要的局部信息。

针对相关技术中目标检测方案难以适用于多变的环境、以及处理效率较低的问题，目前尚未提出有效的解决方案。

发明内容