對象檢測方法、對象檢測設(shè)備及圖像拾取設(shè)備的制作方法
【專利摘要】本申請涉及一種對象檢測方法、對象檢測設(shè)備及圖像拾取設(shè)備，該對象檢測方法包括：對象檢測步驟，通過特定對象檢測器在圖像中檢測特定對象；場景模型獲取步驟，獲取表征圖像中的特定對象的背景的場景模型；以及過濾步驟，用所述場景模型對對象檢測步驟的對象檢測結(jié)果進(jìn)行過濾以確定特定對象。
【專利說明】對象檢測方法、對象檢測設(shè)備及圖像拾取設(shè)備

【技術(shù)領(lǐng)域】
[0001] 本申請涉及一種檢測特定對象的對象檢測方法、對象檢測設(shè)備以及包含該對象檢 測設(shè)備的圖像拾取設(shè)備。

【背景技術(shù)】
[0002] 在圖像處理、計算機視覺和模式識別等領(lǐng)域，對圖像中的對象進(jìn)行分析是重要的 并且對象檢測已吸引了越來越多的關(guān)注。在對象檢測技術(shù)中通常涉及兩個步驟，即訓(xùn)練步 驟和檢測步驟。在訓(xùn)練步驟中，通過使用對象的多個樣本進(jìn)行訓(xùn)練來獲得分類器。然后，在 檢測步驟中，這樣獲得的分類器被用于檢測對象。
[0003] 近年來，特定對象(如臉、人、車等）檢測已經(jīng)取得很大進(jìn)步。如果使用上述對象檢 測技術(shù)用大量樣本離線訓(xùn)練得到的通用分類器或?qū)ο髾z測器在圖像或視頻序列中檢測特 定對象，就很可能失效并且常常產(chǎn)生高的虛警率。
[0004] 在這種情況下，場景信息對于提高通用檢測器的辨別力并減少虛警率是非常重要 的。近來，為了克服上述問題，提出了使用具體場景信息(如對象實例、背景和上下文等）來 創(chuàng)建場景模型的一些場景建模方法。因此，通過場景模型可以獲得更準(zhǔn)確的檢測結(jié)果，從而 允許適于變化的環(huán)境并且廣泛用于監(jiān)視和跟蹤。
[0005] 場景模型的主要目的是試圖獲得更準(zhǔn)確的檢測結(jié)果，因此場景模型通常在相應(yīng)的 特定場景中是更有效的分類器。當(dāng)前的場景模型具有以下特征：
[0006] -二元分類器：用于區(qū)分特定對象和非特定對象；
[0007] -重復(fù)收集正樣本(訓(xùn)練用的對象）和負(fù)樣本(不包括對象的特定場景）：以重復(fù)訓(xùn) 練并更新二元分類器。
[0008] 圖1示出現(xiàn)有技術(shù)中的對象檢測方法的流程圖，其主要步驟如下：
[0009] 1)收集正樣本SlOl :用戶在視頻的前一幀或前幾幀中選取作為正樣本的對象的 窗口，或使用當(dāng)前的對象檢測器以檢測作為正樣本的對象的窗口；
[0010] 2)收集負(fù)樣本S102 :收集不同于用戶選取的窗口或由當(dāng)前對象檢測器檢測到的 作為負(fù)樣本的窗口；
[0011] 3)學(xué)習(xí)新的分類器S103 :使用收集的正樣本和負(fù)樣本來學(xué)習(xí)新的二元分類器，其 可以更有效地區(qū)分特定對象和特定場景；
[0012] 4)對象檢測S104 :通過新的二元分類器從后續(xù)幀中檢測特定對象，并且根據(jù)檢測 結(jié)果重復(fù)執(zhí)行上述步驟對分類器進(jìn)行更新直至最終的二元分類器的虛警率低于閾值，如圖 1中的虛線所示。該方法可用于通過對象檢測進(jìn)行的跟蹤并且僅用于視頻或后續(xù)幀。
[0013] 例如，美國專利公開No. US8385632提出了一種把已經(jīng)訓(xùn)練好的通用分類器調(diào)整 為適于從特定場景中檢測對象的方法。因為在使用通用訓(xùn)練數(shù)據(jù)來訓(xùn)練通用分類器時該特 定場景是未知的，所以在用通用分類器直接從包含特定場景的圖像中檢測對象的情況下容 易產(chǎn)生很高的虛警率，如該文獻(xiàn)中的圖IB所示。因此，需要一方面保持以前的訓(xùn)練示例的 信息，另一方面還要重復(fù)地收集與針對特定場景的分類任務(wù)有關(guān)的正樣本和負(fù)樣本，由此 根據(jù)通用分類器重復(fù)地創(chuàng)建專用于該特定場景的分類器，如該文獻(xiàn)中的圖2所示。但是該 方法必須保持用于通用分類器的通用訓(xùn)練數(shù)據(jù)，同時收集新的正樣本和負(fù)樣本，然后才能 通過通用訓(xùn)練數(shù)據(jù)以及所搜集的正樣本和負(fù)樣本來不停更新通用分類器。
[0014] 美國專利公開No. US7526101提出了一種在視頻中跟蹤對象的方法。該跟蹤方法 把對象跟蹤視為二元分類問題。首先基于獲取的視頻實時地訓(xùn)練用于區(qū)分對象和背景的一 組弱分類器，然后將該組弱分類器組合成一個強分類器，強分類器針對一幀生成置信度圖 以便區(qū)分對象和背景。但是，在該方法中，每個弱分類器都要基于各幀中的正樣本和負(fù)樣本 來進(jìn)行訓(xùn)練，并且在各個幀隨時間變化的情況下，必須重復(fù)地訓(xùn)練新的弱分類器以便替代 該組弱分類器中的舊的弱分類器來更新強分類器，才能適應(yīng)各幀隨時間的變化。
[0015] 中國專利公開No. 101216942A提供了一種能夠在線更新的背景建模方法。但是該 方法一方面需要在線進(jìn)行更新，另一方面該背景模型并不是基于分類器，而是基于模板或 者屏蔽圖像并且用于通過幀差法（frame subtraction)來劃分前景圖像和背景圖像。


【發(fā)明內(nèi)容】

[0016] 雖然以上方法可以提高在特定場景的情況下的檢測準(zhǔn)確度，但是存在以下問題：
[0017] 1)新的二元分類器都是通過正樣本(例如，用戶給定的正樣本，或當(dāng)前對象檢測器 的檢測結(jié)果中的正樣本）和負(fù)樣本創(chuàng)建的；
[0018] 2)需要數(shù)量很多的正樣本和負(fù)樣本。負(fù)樣本容易從場景幀或視頻中收集，但正樣 本卻很難收集，這是因為好的正樣本需要符合很多標(biāo)準(zhǔn)，比如質(zhì)量、尺寸、清晰度、完整度、 獨特性和朝向等等，并且通過常規(guī)方式不能準(zhǔn)確高效地提供所需的多個正樣本。因此，現(xiàn)有 檢測方法中使用的場景模型都只能首先通過少數(shù)正樣本或負(fù)樣本學(xué)習(xí)，并都要在將來等待 用更多的正和負(fù)樣本進(jìn)行更新；
[0019] 3)通過少數(shù)正樣本或負(fù)樣本學(xué)習(xí)的場景模型總是太弱從而難以被直接用于對象 檢測。因此，該場景模型僅適用于對象跟蹤：即，在目標(biāo)位于上一幀中的位置附近檢測目標(biāo)， 并通過檢測到的目標(biāo)來更新場景模型。
[0020] 由此可見，現(xiàn)有技術(shù)中為了提高特定對象檢測的準(zhǔn)確度，存在必須重復(fù)地收集訓(xùn) 練分類器所用的正樣本的問題。
[0021] 本申請的目的之一在于不必收集正樣本，就能提高特定對象檢測的準(zhǔn)確度。此外， 通過省去收集正樣本的復(fù)雜過程，還可以實現(xiàn)提高特定對象檢測的效率的目的。
[0022] 本申請的一方面涉及一種對象檢測方法，包括：對象檢測步驟，通過特定對象檢測 器在圖像中檢測特定對象；場景模型獲取步驟，獲取表征圖像中的特定對象的背景的場景 模型；以及過濾步驟，用場景模型對對象檢測步驟的對象檢測結(jié)果進(jìn)行過濾以確定特定對 象。
[0023] 優(yōu)選地，所述場景模型獲取步驟獲取在對象檢測步驟期間針對所述背景創(chuàng)建的場 景模型。
[0024] 優(yōu)選地，所述場景模型獲取步驟獲取在對象檢測步驟之前針對所述背景預(yù)先創(chuàng)建 的場景模型。
[0025] 優(yōu)選地，所述場景模型是通過以下步驟創(chuàng)建的：
[0026] a)樣本收集步驟，從所述圖像收集不包括要被檢測的特定對象的區(qū)域，作為樣 本；
[0027] b)特征提取步驟，從所述樣本中提取第一負(fù)特征向量；
[0028] c)特征聚類步驟，把所述第一負(fù)特征向量聚類為多個特征分組；以及
[0029] d)分類器創(chuàng)建步驟，針對所述多個特征分組中的每個特征分組來創(chuàng)建第一分類器 并把這些第一分類器組合來創(chuàng)建所述場景模型。
[0030] 優(yōu)選地，第一分類器是單類分類器。
[0031] 優(yōu)選地，在所述特定對象檢測器是由支持向量組成的情況下，所述分類器創(chuàng)建步 驟還包括：
[0032] e)特征向量池生成步驟，根據(jù)所述特定對象檢測器來生成包含正特征向量和第二 負(fù)特征向量的特征向量池；
[0033] f)特征向量選擇步驟，針對與所述背景有關(guān)的每個特征分組，從所述特征向量池 中選擇正特征向量和第二負(fù)特征向量作為候選；
[0034] g)第二分類器創(chuàng)建步驟，針對與所述背景有關(guān)的每個特征分組，根據(jù)來自所述特 征向量池的候選和該特征分組來創(chuàng)建第二分類器；以及
[0035] h)分類器組合步驟，通過進(jìn)一步組合所述第二分類器來創(chuàng)建所述場景模型。
[0036] 優(yōu)選地，第二分類器是二元分類器。
[0037] 優(yōu)選地，所述特征向量池具有分別用于正特征向量和第二負(fù)特征向量的最大尺 寸，所述特征向量池生成步驟還包括：
[0038] a)把所述特定對象檢測器中的正支持向量用作正特征向量；
[0039] b)把所述特定對象檢測器中的負(fù)支持向量用作第二負(fù)特征向量。
[0040] 優(yōu)選地，所述特征向量選擇步驟還包括：
[0041] a)在第一負(fù)特征向量的特征空間中確定所述每個特征分組的邊界；
[0042] b)從所述特征向量池中選擇落在特征分組的邊界的內(nèi)部的正特征向量；
[0043] c)從所述特征向量池中選擇落在特征分組的邊界的內(nèi)部的第二負(fù)特征向量。
[0044] 優(yōu)選地，在所述特征向量選擇步驟中不能針對某個特征分組選出預(yù)定數(shù)量的候選 的情況下，不繼續(xù)創(chuàng)建用于該特征分組的第二分類器。
[0045] 優(yōu)選地，所述場景模型獲取步驟獲取在對象檢測步驟之前現(xiàn)有的場景模型。
[0046] 優(yōu)選地,所述過濾步驟包括：
[0047] a)特征提取步驟，從對象檢測結(jié)果中提取特征向量；
[0048] b)判斷步驟，用所述場景模型來判斷所提取的特征向量是否表征所述背景，以及
[0049] c)結(jié)果分組步驟，把與被判斷為不表征背景的的特征向量相對應(yīng)的對象檢測結(jié)果 分組為最終的對象檢測結(jié)果。
[0050] 優(yōu)選地，所述判斷步驟還包括：
[0051] 一用所述場景模型中的每個分類器對所提取的特征向量進(jìn)行判斷；
[0052] -獲得判斷的分?jǐn)?shù)的加權(quán)和；
[0053] -如果所述加權(quán)和大于閾值，則該對象檢測結(jié)果被判斷為表征背景。
[0054] 優(yōu)選地，所述判斷步驟還包括：
[0055] -用所述場景模型中的每個分類器對所提取的特征向量進(jìn)行判斷；
[0056] -如果所有判斷結(jié)果都表明所提取的特征向量表征背景，則該對象檢測結(jié)果被判 斷為背景。
[0057] 本申請的另一方面涉及一種對象檢測設(shè)備，包括：對象檢測裝置，被配置為通過特 定對象檢測器在圖像中檢測特定對象；場景模型獲取裝置，被配置為獲取表征圖像中的特 定對象的背景的場景模型；以及過濾裝置，被配置為用場景模型對對象檢測裝置的對象檢 測結(jié)果進(jìn)行過濾以確定特定對象。
[0058] 本申請的又一方面涉及一種圖像拾取設(shè)備，包括：攝影光學(xué)系統(tǒng)；成像單元，被配 置為執(zhí)行成像以形成圖像；根據(jù)前面所述的對象檢測設(shè)備。
[0059] 根據(jù)本申請，能夠在不需要重復(fù)地收集訓(xùn)練分類器所用的正樣本的情況下，就可 以使用所獲取的場景模型來更準(zhǔn)確高效地識別特定對象檢測器的對象檢測結(jié)果中的背景 并獲得最終的特定對象，從而改進(jìn)了特定對象檢測器的準(zhǔn)確度。

【專利附圖】

【附圖說明】
[0060] 下面結(jié)合具體的實施例，并參照附圖，對本申請的實施例的上述和其它目的和優(yōu) 點做進(jìn)一步的描述。在附圖中，相同的或?qū)?yīng)的技術(shù)特征或部件將采用相同或?qū)?yīng)的附圖 標(biāo)記來表示。
[0061] 圖1示出現(xiàn)有技術(shù)中的對象檢測方法的流程圖；
[0062] 圖2示出根據(jù)本申請的一個實施方式的對象檢測方法的流程圖；
[0063] 圖3A和圖3B分別是示出根據(jù)本申請的一個實施方式的場景模型獲取過程的流程 圖和不意圖；
[0064] 圖4A和圖4B分別是示出根據(jù)本申請的另一個實施方式的場景模型獲取過程的流 程圖和不意圖；
[0065] 圖5示出了圖4A中的特征向量選擇步驟的一個實施例的流程圖；
[0066] 圖6示出過濾步驟的一個實施方式的流程圖；
[0067] 圖7示出根據(jù)本申請的一個實施方式的對象檢測設(shè)備的示例性配置的框圖；
[0068] 圖8示出根據(jù)本申請的一個實施方式的圖像拾取設(shè)備的示例性配置的框圖；以及
[0069] 圖9示出能夠?qū)嵤┍旧暾埖膶嵤├挠嬎銠C系統(tǒng)的硬件配置的框圖。

【具體實施方式】
[0070] 在下文中將結(jié)合附圖對本申請的示范性實施例進(jìn)行描述。為了清楚和簡明起見， 在說明書中并未描述實施例的所有特征。然而，應(yīng)該了解，在對實施例進(jìn)行實施的過程中必 須做出很多特定于實施方式的設(shè)置，以便實現(xiàn)開發(fā)人員的具體目標(biāo)，例如，符合與系統(tǒng)及業(yè) 務(wù)相關(guān)的那些限制條件，并且這些限制條件可能會隨著實施方式的不同而有所改變。此外， 還應(yīng)該了解，雖然開發(fā)工作有可能是非常復(fù)雜和費時的，但對得益于本公開內(nèi)容的本領(lǐng)域 技術(shù)人員來說，這種開發(fā)工作僅僅是例行的任務(wù)。
[0071] 在此，還應(yīng)當(dāng)注意，為了避免因不必要的細(xì)節(jié)而模糊了本申請，在附圖中僅僅示出 了與至少根據(jù)本申請的方案密切相關(guān)的處理步驟和/或系統(tǒng)結(jié)構(gòu)，而省略了與本申請關(guān)系 不大的其他細(xì)節(jié)。
[0072] 首先參照圖2描述根據(jù)本申請的一個實施方式的對象檢測方法的流程圖。在該對 象檢測方法中，要從目的圖像中確定特定對象。
[0073] 步驟S201是對象檢測步驟，其中通過特定對象檢測器在圖像中檢測特定對象。特 定對象檢測器可以是用于在圖像中檢測特定對象例如人的通用檢測器。
[0074] 根據(jù)一個實施例，首先，從圖像或包括圖像的視頻中收集多個區(qū)域。例如，可以通 過使用滑動窗口法在多尺度金字塔空間（multi-scale pyramid space)中采樣圖像的各個 窗口來實現(xiàn)多個區(qū)域的收集。諸如滑動窗口和多尺度金字塔空間這樣的技術(shù)對于本領(lǐng)域技 術(shù)人員都已經(jīng)是能夠理解的，所以此處不再重復(fù)描述。
[0075] 然后，對于每個窗口，使用特定對象檢測器從這多個區(qū)域提取特征向量并且獲得 相應(yīng)的分類的分?jǐn)?shù)。結(jié)果，特定對象檢測器把各個窗口分類為特定對象或背景。
[0076] 最后，收集被分類為特定對象的所有窗口作為該步驟的對象檢測結(jié)果。
[0077] 步驟S202是場景模型獲取步驟，其中獲取表征這些圖像中的特定對象的背景的 場景模型。該背景可以看作特定對象出現(xiàn)時的場景。
[0078] 此處為了描述方便把圖像劃分為特定對象和背景或特定場景，該背景或特定場景 不包括特定對象。
[0079] 根據(jù)一個實施例，該步驟獲取在對象檢測步驟S201之前現(xiàn)有的場景模型，諸如： 基于像素的模型，例如高斯混合模型（Gaussian mixture model,簡稱GMM);基于特征的模 型，例如增強模型（Boosting model);以及基于支持向量機的模型等。
[0080] 根據(jù)另一個實施例，該步驟獲取在對象檢測步驟S201之前針對該背景而被預(yù)先 創(chuàng)建的場景模型。
[0081] 根據(jù)又一個實施例，該步驟獲取在對象檢測步驟S201期間針對該背景而創(chuàng)建的 場景模型。特別地，該步驟獲取在對象檢測步驟S201開始時針對該背景而第一次創(chuàng)建的場 景模型，這意味著在第一次創(chuàng)建完成之后，既不重復(fù)收集更多樣本并且也不用這些樣本更 新場景模型。
[0082] 后兩個實施例的情況中因為在創(chuàng)建場景模型時考慮了該背景，因而當(dāng)所創(chuàng)建的場 景模型用于識別背景時更加準(zhǔn)確并且有效率。后文中將更加詳細(xì)地描述場景模型獲取過 程。
[0083] 步驟S203是過濾步驟，其中用所獲取的場景模型對對象檢測步驟S201的對象檢 測結(jié)果進(jìn)行過濾以確定特定對象，也就是說，用所獲取的場景模型過濾掉錯的檢測結(jié)果。 [0084] 因此，根據(jù)本申請的實施例的對象檢測方法不需要重復(fù)地收集訓(xùn)練場景模型的分 類器所用的正樣本，就可以使用所獲取的場景模型來更準(zhǔn)確和高效地識別對象檢測步驟 S201的對象檢測結(jié)果中的背景并確定最終的特定對象，從而改進(jìn)了當(dāng)前對象檢測器的準(zhǔn)確 度。根據(jù)以下的詳細(xì)描述可以更好地理解該優(yōu)點。
[0085] 下面參照圖3A的流程圖來描述場景模型獲取過程的一個實施方式，在該實施方 式中僅使用背景信息來創(chuàng)建場景模型。
[0086] 步驟301是樣本收集步驟，其中從所述圖像收集不包括要被檢測的特定對象的區(qū) 域，作為樣本。
[0087] 根據(jù)一個實施例，可以在特定對象檢測開始時，將獲取的圖像或視頻幀劃分為具 有不同位置和尺寸的多個圖像區(qū)域。這些圖像區(qū)域中的不包括要被檢測的特定對象的區(qū)域 可以被視為樣本。例如可以由用戶手動在這些圖像或視頻幀上標(biāo)注作為樣本的多個圖像區(qū) 域。替代地，也可以使用對象檢測器提供的作為背景的區(qū)域。
[0088] 根據(jù)另一個實施例，在檢測開始之前從背景信息收集樣本。具體而言，事先準(zhǔn)備包 含類似背景的圖像或視頻幀，然后將圖像或視頻幀劃分為具有不同位置和尺寸的多個圖像 區(qū)域。這些圖像區(qū)域中的不包括要被檢測的特定對象的區(qū)域可以被視為樣本。例如可以由 用戶手動在這些圖像或視頻幀上標(biāo)注作為樣本的多個圖像區(qū)域。替代地，也可以使用對象 檢測器提供的作為背景的區(qū)域。
[0089] 優(yōu)選地，事先準(zhǔn)備只包含背景的圖像或視頻幀。這些圖像區(qū)域不包括要被檢測的 特定對象，因此這些圖像區(qū)域都可以被視為樣本。以這種方式，可以提供充足的樣本數(shù)量， 從而能夠更加準(zhǔn)確地表征背景。
[0090] 步驟302是特征提取步驟，其中從樣本中提取第一負(fù)特征向量。
[0091] 在該步驟中，可以使用有效地表征樣本的圖像區(qū)域的任何特征和特征提取方 法。例如，可以使用用于人類檢測的方向梯度直方圖（HOG, Histograms of Oriented Gradients)，尺度不變特征變換（SIFT, Scale-Invariant Feature Transform)，快速魯 棒特征（SURF, Speeded Up Robust Feature)，以及局部二值模式（LBP, Local Binary Patterns)等。盡管此處以這些特征或提取方法為例進(jìn)行說明，但是應(yīng)當(dāng)理解這僅是示例而 并非限定。
[0092] 步驟303是特征聚類步驟，其中把第一負(fù)特征向量聚類為多個特征分組。
[0093] 聚類的目的是把這些第一負(fù)特征向量劃分為多個特征分組，從而確保每個特征分 組中的所有特征向量都圍繞特定中心。同一個特征分組中的特征向量彼此可以相似，但是 與其它特征分組中的特征向量可以不相似。
[0094] 可以使用許多聚類方法，例如k-means (k均值），k-medoids。應(yīng)當(dāng)理解這也僅是 示例而并非限定。
[0095] 步驟304是分類器創(chuàng)建步驟，其中針對多個特征分組中的每個特征分組來創(chuàng)建第 一分類器并把這些第一分類器組合來創(chuàng)建場景模型。
[0096] 這里可以使用任何分類器學(xué)習(xí)方法。根據(jù)一個實施例，第一分類器可以是單類分 類器，下面以支持向量域描述方法（SVDD, Support Vector Domain Description)為例進(jìn)行 詳細(xì)描述，但應(yīng)當(dāng)理解這僅是示例而并非限定。
[0097] SVDD方法旨在獲得以下這樣的球形邊界：球形邊界限定了最小面積以使得由邊 界限定的球體可以包括盡可能多的樣本。這樣的球體可用球心c和半徑R來表征。通過以 下表達(dá)式來實現(xiàn)球體區(qū)域的最小化：
[0098] min R2+C EiIi s. t. | | x「c | | < R2+ ξ i 且 ξ i 彡 0 (1)
[0099] 其中，C是懲罰因子并且ξ i是松弛誤差（slack error)。
[0100] 接下來，使用拉格朗日乘子（Lagrangian Multiplier)，可以獲得以下表達(dá)式：
[0101] min Σ i, j a i a jK(Xi · Xj) - Σ i a ^(Xi · Xi) s. t. 0 < α i < C 且Σ i α i = I (2)
[0102] 其中α i是支持向量Xi e SVs的因子，Κ( ·)是核函數(shù)。s. t.表示滿足后面的 約束條件的意思。在該方法中，核函數(shù)優(yōu)選地選擇直方圖交核（Histogram intersection Kernel (HIK))。HIK函數(shù)可表示為：

【權(quán)利要求】
1. 一種對象檢測方法，包括： a) 對象檢測步驟，通過特定對象檢測器在圖像中檢測特定對象； b) 場景模型獲取步驟，獲取表征所述圖像中的特定對象的背景的場景模型；以及 c) 過濾步驟，用所述場景模型對對象檢測步驟的對象檢測結(jié)果進(jìn)行過濾以確定特定對 象。
2. -種對象檢測設(shè)備，包括： 對象檢測裝置，被配置為通過特定對象檢測器在圖像中檢測特定對象； 場景模型獲取裝置，被配置為獲取表征所述圖像中的特定對象的背景的場景模型；以 及 過濾裝置，被配置為用所述場景模型對對象檢測裝置的對象檢測結(jié)果進(jìn)行過濾以確定 特定對象。
3. 根據(jù)權(quán)利要求2所述的對象檢測設(shè)備，其中，所述場景模型獲取裝置被配置為獲取 在對象檢測期間針對所述背景創(chuàng)建的場景模型。
4. 根據(jù)權(quán)利要求2所述的對象檢測設(shè)備，其中，所述場景模型獲取裝置被配置為獲取 在對象檢測之前針對所述背景預(yù)先創(chuàng)建的場景模型。
5. 根據(jù)權(quán)利要求3-4之一所述的對象檢測設(shè)備，其中，所述場景模型獲取裝置包括以 下裝置： 樣本收集裝置，被配置為從所述圖像收集不包括要被檢測的特定對象的區(qū)域，作為樣 本； 特征提取裝置，被配置為從所述樣本中提取第一負(fù)特征向量； 特征聚類裝置，被配置為把所述第一負(fù)特征向量聚類為多個特征分組；以及 分類器創(chuàng)建裝置，被配置為針對所述多個特征分組中的每個特征分組來創(chuàng)建第一分類 器并把這些第一分類器組合來創(chuàng)建所述場景模型。
6. 根據(jù)權(quán)利要求5所述的對象檢測設(shè)備，其中，第一分類器是單類分類器。
7. 根據(jù)權(quán)利要求5所述的對象檢測設(shè)備，其中，在所述特定對象檢測器是由支持向量 組成的情況下，所述分類器創(chuàng)建裝置還包括： 特征向量池生成裝置，被配置為根據(jù)所述特定對象檢測器來生成包含正特征向量和第 二負(fù)特征向量的特征向量池； 特征向量選擇裝置，被配置為針對與所述背景有關(guān)的每個特征分組，從所述特征向量 池中選擇正特征向量和第二負(fù)特征向量作為候選； 第二分類器創(chuàng)建裝置，被配置為針對與所述背景有關(guān)的每個特征分組，根據(jù)來自所述 特征向量池的候選和該特征分組來創(chuàng)建第二分類器；以及 分類器組合裝置，被配置為通過進(jìn)一步組合所述第二分類器來創(chuàng)建所述場景模型。
8. 根據(jù)權(quán)利要求7所述的對象檢測設(shè)備，其中，第二分類器是二元分類器。
9. 根據(jù)權(quán)利要求7所述的對象檢測設(shè)備，其中，所述特征向量池具有分別用于正特征 向量和第二負(fù)特征向量的最大尺寸，所述特征向量池生成裝置還包括： 被配置為把所述特定對象檢測器中的正支持向量用作正特征向量的裝置； 被配置為把所述特定對象檢測器中的負(fù)支持向量用作第二負(fù)特征向量的裝置。
10. 根據(jù)權(quán)利要求7所述的對象檢測設(shè)備，其中，所述特征向量選擇裝置還包括： 被配置為在第一負(fù)特征向量的特征空間中確定所述每個特征分組的邊界的裝置； 被配置為從所述特征向量池中選擇落在特征分組的邊界的內(nèi)部的正特征向量的裝 置； 被配置為從所述特征向量池中選擇落在特征分組的邊界的內(nèi)部的第二負(fù)特征向量的 裝直。
11. 根據(jù)權(quán)利要求7所述的對象檢測設(shè)備，還包括被配置為在所述特征向量選擇裝置 不能針對某個特征分組選出預(yù)定數(shù)量的候選的情況下，不繼續(xù)創(chuàng)建用于該特征分組的第二 分類器的裝置。
12. 根據(jù)權(quán)利要求2所述的對象檢測設(shè)備，其中，所述場景模型獲取裝置被配置為獲取 在對象檢測之前現(xiàn)有的場景模型。
13. 根據(jù)權(quán)利要求2所述的對象檢測設(shè)備，其中，所述過濾裝置包括： 特征提取裝置，被配置為從對象檢測結(jié)果中提取特征向量； 判斷裝置，被配置為用所述場景模型來判斷所提取的特征向量是否表征所述背景，以 及 結(jié)果分組裝置，被配置為把與被判斷為不表征背景的的特征向量相對應(yīng)的對象檢測結(jié) 果分組為最終的對象檢測結(jié)果。
14. 根據(jù)權(quán)利要求13所述的對象檢測設(shè)備，其中，所述判斷裝置還包括： 被配置為用所述場景模型中的每個分類器對所提取的特征向量進(jìn)行判斷的裝置； 被配置為獲得判斷的分?jǐn)?shù)的加權(quán)和的裝置； 被配置為如果所述加權(quán)和大于閾值，則把該對象檢測結(jié)果判斷為表征背景的裝置。
15. 根據(jù)權(quán)利要求13所述的對象檢測設(shè)備，其中，所述判斷裝置還包括： 被配置為用所述場景模型中的每個分類器對所提取的特征向量進(jìn)行判斷的裝置； 被配置為如果所有判斷結(jié)果都表明所提取的特征向量表征背景，則把該對象檢測結(jié)果 判斷為背景的裝置。
16. -種圖像拾取設(shè)備，包括： 攝影光學(xué)系統(tǒng)； 成像單元，被配置為執(zhí)行成像以形成圖像； 根據(jù)權(quán)利要求2-15中任一項所述的對象檢測設(shè)備。
【文檔編號】G06K9/00GK104424466SQ201310365300
【公開日】2015年3月18日 申請日期:2013年8月21日 優(yōu)先權(quán)日:2013年8月21日
【發(fā)明者】姜涌 申請人:佳能株式會社