[发明专利]使用合成训练数据的实时骑车人检测

说明书

相关申请

本申请要求2012年12月21日提交的第61/745,225号美国临时申请的权益，该临时申请通过引用全文结合于此。

技术领域

本申请总体上涉及对象检测的领域，并且尤其涉及使用层级分类器检测骑车人的存在。

背景技术

“对象检测”是指自动检测视频图像或静止图像中对象的存在的任务。例如，检测系统可以检测静止图像中人或骑车人（bicyclist）的存在。如本文所使用的，“骑车人”是指自行车及其骑行者的组合。

对象检测例如可以在车辆（例如，汽车）中使用以提高车辆驾驶员、乘客、骑车人以及与车辆分享道路的任意其他人的安全性。

当前的对象检测系统存在许多问题。对象检测系统所存在的一个问题是缺少用于训练对象检测模型的扩展训练集合。包括正样本（positive sample）（包括所要检测的对象的图像）和负样本（negative sample）（不包括所要检测的对象的图像）的训练集合被提供给机器学习算法以产生对象检测模型。正样本对于有限数量的对象类型（例如，行人）可能是可用的，但是可能难以找出用于其它类型的对象（例如，骑车人）的正样本。

此外，当生成用于某个类型的对象的新的训练集合时，利用某些信息对图像进行手动注释。例如，可以将对象存在于图像中这一指示和/或对象的某些参数（例如，对象的颜色以及对象在图像中的位置）添加至图像。机器学习算法使用那些注释和图像来生成用于检测对象的模型。该注释过程可能是冗长的和耗时的。

此外，准确检测某些类型的对象的存在可能是过于复杂的，并且因此对于实时应用而言可能是过于缓慢的。例如，骑车人识别比行人识别更复杂，因为在骑车人中由于视角所产生的外表变化远比在行人中更明显。而且，骑车人的上部身体姿态比典型的行人的姿态变化大。此外，骑车人移动得更快，并且他们经常极其接近车辆。这导致了对象大小的较大变化以及通过运动模糊和散焦的降低的图像质量。与行人检测相比，骑车人检测的复杂度的增加意味着大多数检测系统不适用于实时应用。因此，某些应用（例如，车辆系统中的骑车人检测）可能受益于更快的对象识别方案。

发明内容

以上问题和其它问题通过一种用于实时确定骑车人是否存在于目标图像中的方法、非暂态计算机可读存储介质和系统而得以解决。该方法的实施例包括接收目标图像。使用线性分类器对目标图像分类并且确定目标图像的误差值。如果误差值不超过阈值，则输出分类。否则，如果误差值超过阈值，则使用非线性分类器对目标图像分类。

该介质的实施例存储用于实时确定骑车人是否存在于目标图像中的可执行计算机程序指令。该指令接收目标图像。该指令随后使用线性分类器对目标图像分类并且确定目标图像的误差值。如果误差值不超过阈值，则输出分类。否则，如果误差值超过阈值，则该指令使用非线性分类器对目标图像分类。

用于实时确定骑车人是否存在于目标图像中的系统的实施例包括至少一个存储可执行计算机程序指令的非暂态计算机可读存储介质。该指令接收目标图像。该指令随后使用线性分类器对目标图像分类并且确定目标图像的误差值。如果误差值不超过阈值，则输出分类。否则，如果误差值超过阈值，则该指令使用非线性分类器对目标图像分类。

说明书中所描述的特征和优势并非是无所不包的，并且特别地，考虑到附图、说明书和权利要求，许多附加的特征和优势对本领域普通技术人员而言将是显而易见的。此外，应当注意到，已经主要出于可读性和指导性的目的对说明书中所使用的语言进行了选择，而并非被选择以限制或限定本发明主题。

附图说明

图1是依据实施例的图示骑车人检测系统的高层次框图。

图2是依据实施例的图示用于用作图1中图示的骑车人检测系统的计算机的示例的高层次框图。

图3A是依据实施例的图示图1中图示的正训练图像生成模块的详细视图的高层次框图。

图3B是依据实施例的图示图1中图示的检测模块的详细视图的高层次框图。

图4A是依据实施例的图示用于生成用于训练骑车人检测模型的正样本的方法的流程图。

图4B是依据实施例的图示用于确定静止图像中骑车人的存在的方法的流程图。

附图仅出于说明的目的而描绘了实施例中的各个实施例。本领域技术人员从以下讨论将容易地认识到，可以采用本文所图示的结构和方法的备选实施例而不背离本文所描述的实施例的原理。

具体实施方式