本發(fā)明涉及計算機視覺和機器學(xué)習(xí)技術(shù)領(lǐng)域，特別是涉及一種移動終端及其目標(biāo)檢測方法及裝置。

相關(guān)術(shù)語解釋

Histogram of Oriented Gradient——HOG——梯度方向直方圖；

Support Vector Machine——SVM——支持向量機；

Convolutional Neural Network——CNN——卷積神經(jīng)網(wǎng)絡(luò)；

Deformable Part-based Model——DPM——基于部件的變形模型；

Cascade——級聯(lián)；

Image Pyramids——圖像金字塔；

Feature Pyramids——特征金字塔；

Haar——哈爾。

背景技術(shù)：

當(dāng)前，包括智能手機、平板電腦在內(nèi)的許多產(chǎn)品，都會帶有目標(biāo)檢測的功能，例如人手檢測、人臉檢測、行人檢測等。

以人手檢測為例，人手檢測的主要目的，是在圖像和視頻中檢測出人手的目標(biāo)實例，可應(yīng)用于手勢識別、人機交互等。

目標(biāo)檢測與識別是計算機視覺領(lǐng)域一個極具挑戰(zhàn)性的課題，目標(biāo)檢測是目標(biāo)識別的前提，可以直接影響識別成功率的大小。作為手勢識別的初始化步驟，人手檢測也不例外。

現(xiàn)有技術(shù)中存在多種目標(biāo)識別和檢測的方法，按照模型來區(qū)分的話，主流的方案有：

1)自提升級聯(lián)模型(AdaBoost Cascaded Model)，主要和哈爾特征一起 應(yīng)用于人臉檢測(Face Detection)領(lǐng)域。該方案使用簡單的哈爾特征學(xué)習(xí)許多簡單的弱分類器(Weak Classifier)，在訓(xùn)練階段不斷調(diào)整被錯誤分類樣本的權(quán)重，最后通過加權(quán)平均來獲得最終分類器。在實際檢測時采用級聯(lián)結(jié)構(gòu)，每一層濾掉大部分非人臉候選，同時讓大部分人臉候選通過，從而加速檢測。

2)支持向量機(Support Vector Machine，SVM)，主要和梯度方向直方圖(Histogram of Oriented Gradient，HOG)特征一起應(yīng)用于行人檢測(Pedestrian Detection)領(lǐng)域。該方案計算稠密的梯度方向特征，使用簡單的線性SVM對高維的HOG描述子進行分類就能取得很好的效果。

3)卷積神經(jīng)網(wǎng)絡(luò)(Convolutional Neural Network，CNN)是近年大熱的方法，適用于泛化目標(biāo)(Generalized Object)的檢測與識別。對輸入圖像進行多層的卷積、池化操作，再通過Softmax分類器進行分類即完成檢測過程。盡管實現(xiàn)的過程近似于“黑盒”，但結(jié)果卻超過了其他方法。

4)基于部件的變形模型(Deformable Part-based Model，DPM)，主要和梯度方向直方圖(HOG)特征一起應(yīng)用于泛化目標(biāo)的檢測與識別，尤其適合對非剛性目標(biāo)的檢測和識別。該方法的核心要素，是將部件相對位置和整體位置視為隱變量，使用隱形SVM(Latent-SVM)完成半監(jiān)督學(xué)習(xí)。該方法也可以實現(xiàn)級聯(lián)檢測，在不影響檢測質(zhì)量的前提下，可以實現(xiàn)一個數(shù)量級的速度提升。這是目前最好的目標(biāo)檢測方法之一。

發(fā)明人發(fā)現(xiàn)，上述現(xiàn)有技術(shù)的方案存在一定的缺陷，具體如下：

關(guān)于上述方案1)，哈爾特征與自提升級聯(lián)模型目前主要在人臉檢測上取得了成功，從現(xiàn)有公開的論文、專利來看，在其他類別的目標(biāo)檢測中未必表現(xiàn)最好，有一定的局限性。主要原因是哈爾特征適用于紋理信息豐富的目標(biāo)，卻未必適用于邊緣輪廓信息豐富的目標(biāo)，如行人。

關(guān)于上述方案2)，HOG特征和SVM分類器實現(xiàn)的行人檢測器效果較好，但對變形或是側(cè)面視角的行人目標(biāo)的處理是它的弊端。究其原因，是因為沒有針對變形和多視角的處理機制。

關(guān)于上述方案3)，CNN模型和Softmax分類器實現(xiàn)的泛化目標(biāo)檢測器，在現(xiàn)有的標(biāo)準(zhǔn)數(shù)據(jù)集如：Visual Object Classes Challenge、ImageNet上的檢測 結(jié)果好于其他方法，同時也低于人類視覺系統(tǒng)的檢測水平。但這類方法的操作近似“黑盒”，針對特定目標(biāo)的檢測、調(diào)參也需要耗費極大的人力。從目前的趨勢來看，這類方法還需要進一步完善和改進。

關(guān)于上述方案4)，基于DPM模型和HOG特征的檢測器，雖然適用于變形和多視角的目標(biāo)。但計算復(fù)雜度高、計算量大的問題影響了它的實際應(yīng)用。尤其是對于以智能手機為代表移動終端而言，由于智能手機的運算能力遠(yuǎn)不如大型計算機，因此，該方案由于其計算復(fù)雜度高、計算量大的問題目前還無法在智能手機等移動終端上應(yīng)用。

具體地，基于DPM模型和HOG特征的目標(biāo)檢測方法，在進行檢測時，可以采用級聯(lián)檢測的方式。

在介紹級聯(lián)檢測前，先簡單說明經(jīng)典檢測方案的算法流程。經(jīng)典檢測方案是遍歷所有的組件和尺度，如式8對根濾波器與特征進行模板匹配運算。再如式9對所有部件濾波器與特征進行的模板匹配運算，并使用距離變換(Distance Transform)的方法減去對應(yīng)的變形代價(Deformation Cost)。最后所有的變形部件響應(yīng)圖(Deformed Part Score)會累加到根響應(yīng)圖(Root Score)上。完成累加后，會在最終的根響應(yīng)圖上進行如式10的閾值操作和非極值抑制操作，從而給出檢測結(jié)果。

式8：RS_cs＝TM(R_c,F_s)

式9：RS_cs←RS_cs+DT_1≤q≤Q(TM(P_cq,F_s),D_cq)

其中，R_c代表組件c的根濾波器(Root Filter)，F(xiàn)_s代表尺度s的特征圖像，RS_cs是R_c和F_s進行模板匹配生成的根響應(yīng)圖(Root Score)。P_cq代表組件c的第q個部件濾波器(Part Filter)，D_cq代表組件c第q個部件的變性參數(shù)。TM代表模板匹配(Template Matching)操作，DT代表距離變換(Distance Transform)操作。

式10：Pos＝NMS(RS>T)(10)

其中，RS代表最終的根響應(yīng)圖，T代表閾值，NMS代表非極值抑制(Non Maximum Suppression)，Pos是輸出的檢測結(jié)果。

由于經(jīng)典檢測方案需要遍歷整個特征金字塔，并計算所有的部件響應(yīng)值 (Part Score)和對應(yīng)的變形代價(Deformation Cost)。這種策略的計算復(fù)雜度很高，影響了DPM方法的實際應(yīng)用。

級聯(lián)檢測模型是在經(jīng)典檢測模型的基礎(chǔ)上，訓(xùn)練出一組閾值用于檢測階段的快速計算。首先是確定級聯(lián)次序，即級聯(lián)檢測時累加部件濾波器響應(yīng)值的順序。計算訓(xùn)練樣本中所有部件濾波器的響應(yīng)值，再依據(jù)信息熵理論，先選出方差大的部件濾波器，直至選出所有部件濾波器。

確定級聯(lián)順序后，依次累加根濾波器的響應(yīng)值和各個部件濾波器的響應(yīng)值。同時根據(jù)概率近似正確(Probably Approximately Correct，PAC)原則計算出閾值(假設(shè)修剪的閾值和變形修剪的閾值)。如式11、式12所示：

式11：

式12：

其中，q∈{1,2,...,Q}是級聯(lián)檢測的階段索引值，Ω是訓(xùn)練樣本集，R是根響應(yīng)圖像，P是部件響應(yīng)圖像，D是變形代價圖像，Th是假設(shè)修剪(Hypothesis Pruning)的閾值，Td是變形修剪(Deformation Pruning)的閾值。

級聯(lián)檢測中，依據(jù)事先確定的級聯(lián)順序，依次累加所述根濾波器的樣本的響應(yīng)值和各個所述部件濾波器的樣本的響應(yīng)值，得到關(guān)于目標(biāo)位置的候選窗口；在所述依次累加所述根濾波器的樣本的響應(yīng)值和各個所述部件濾波器的樣本的響應(yīng)值的過程中，依據(jù)所述假設(shè)修剪的閾值和變形修剪的閾值對累加后的響應(yīng)值進行假設(shè)修剪和變形修剪。

上述方案盡管已經(jīng)通過級聯(lián)檢測的方式降低了處理過程中所涉及的計算復(fù)雜度和計算量，但對于智能手機等移動終端的計算能力而言，仍然過大。

技術(shù)實現(xiàn)要素：

本發(fā)明解決的技術(shù)問題是：對于基于DPM模型和HOG特征的目標(biāo)檢測方法，如何使得其處理過程中所涉及的計算復(fù)雜度和計算量能夠在智能手機等移動終端所允許的范圍之內(nèi)。

為了解決上述技術(shù)問題，本發(fā)明實施例提供一種目標(biāo)檢測方法，包括：

訓(xùn)練目標(biāo)的根濾波器和多個部件濾波器，得到關(guān)于目標(biāo)的根濾波器的樣 本和各個部件濾波器的樣本；

采用基于部件的變形模型和級聯(lián)檢測的方式進行搜索，確定目標(biāo)位置；

所述采用基于部件的變形模型和級聯(lián)檢測的方式進行搜索包括：

計算訓(xùn)練的所述根濾波器的樣本的響應(yīng)值，計算訓(xùn)練的各個所述部件濾波器的樣本的響應(yīng)值；

確定級聯(lián)順序；

計算出假設(shè)修剪的閾值、變形修剪的閾值、近似正樣本修剪的閾值和近似負(fù)樣本修剪的閾值；

依據(jù)所述級聯(lián)順序，依次累加所述根濾波器的樣本的響應(yīng)值和各個所述部件濾波器的樣本的響應(yīng)值，得到關(guān)于目標(biāo)位置的候選窗口；在所述依次累加所述根濾波器的樣本的響應(yīng)值和各個所述部件濾波器的樣本的響應(yīng)值的過程中，依據(jù)所述近似正樣本修剪的閾值和近似負(fù)樣本修剪的閾值對累加后的響應(yīng)值進行近似正樣本修剪和近似負(fù)樣本修剪；

依據(jù)所述關(guān)于目標(biāo)位置的候選窗口，確定目標(biāo)位置。

可選的，所述計算出假設(shè)修剪的閾值、變形修剪的閾值、近似正樣本修剪的閾值和近似負(fù)樣本修剪的閾值包括：

采用以下公式計算出假設(shè)修剪的閾值：

其中，q∈{1,2,...,Q}為級聯(lián)檢測的階段索引值，Ω為訓(xùn)練樣本集，R為根響應(yīng)圖像，P為部件響應(yīng)圖像，D為變形代價圖像。

可選的，所述計算出假設(shè)修剪的閾值、變形修剪的閾值、近似正樣本修剪的閾值和近似負(fù)樣本修剪的閾值包括：

采用以下公式計算出變形修剪的閾值：

其中，q∈{1,2,...,Q}為級聯(lián)檢測的階段索引值，Ω為訓(xùn)練樣本集，R為根響應(yīng)圖像，P為部件響應(yīng)圖像，D為變形代價圖像。

可選的，所述計算出假設(shè)修剪的閾值、變形修剪的閾值、近似正樣本修剪的閾值和近似負(fù)樣本修剪的閾值包括：

采用以下公式計算出近似正樣本修剪的閾值：

其中，q∈{1,2,...,Q}為級聯(lián)檢測的階段索引值，Ω為訓(xùn)練樣本集，p為當(dāng)前像素點，p′為鄰域內(nèi)任一像素點，N(p)為當(dāng)前像素點的鄰域，S為響應(yīng)圖像。

可選的，所述計算出假設(shè)修剪的閾值、變形修剪的閾值、近似正樣本修剪的閾值和近似負(fù)樣本修剪的閾值包括：

采用以下公式計算出近似負(fù)樣本修剪的閾值：

其中，q∈{1,2,...,Q}為級聯(lián)檢測的階段索引值，Ω為訓(xùn)練樣本集，p為當(dāng)前像素點，p′為鄰域內(nèi)任一像素點，N(p)為當(dāng)前像素點的鄰域，S為響應(yīng)圖像。

可選的，所述確定級聯(lián)順序為：使用貪婪算法確定級聯(lián)順序。

可選的，所述計算出假設(shè)修剪的閾值、變形修剪的閾值、近似正樣本修剪的閾值和近似負(fù)樣本修剪的閾值為：根據(jù)概率近似正確原則計算出假設(shè)修剪的閾值、變形修剪的閾值、近似正樣本修剪的閾值和近似負(fù)樣本修剪的閾值。

可選的，所述依據(jù)所述級聯(lián)順序，依次累加所述根濾波器的樣本的響應(yīng)值和所述部件濾波器的樣本的響應(yīng)值，得到關(guān)于目標(biāo)位置的候選窗口包括：

步驟a)在所述根濾波器的樣本的響應(yīng)值的基礎(chǔ)上，依據(jù)所述級聯(lián)順序，依次累加各個部件濾波器的樣本的響應(yīng)值；

步驟b)在累加部件濾波器的樣本的響應(yīng)值之后，依據(jù)所述假設(shè)修剪的閾 值、變形修剪的閾值、近似正樣本修剪的閾值和近似負(fù)樣本修剪的閾值對累加后的響應(yīng)值進行假設(shè)修剪、變形修剪、近似正樣本修剪和近似負(fù)樣本修剪；

重復(fù)上述步驟a)至b)，直至累加完各個部件濾波器的樣本的響應(yīng)值，得到關(guān)于目標(biāo)位置的候選窗口。

可選的，所述依據(jù)所述近似正樣本修剪的閾值和近似負(fù)樣本修剪的閾值對累加后的響應(yīng)值進行近似正樣本修剪和近似負(fù)樣本修剪包括：

采用以下公式進行近似正樣本修剪：

其中，p為當(dāng)前像素點，N(p)為當(dāng)前像素點的鄰域，p′為鄰域內(nèi)任一像素點，S(p)為當(dāng)前像素點的響應(yīng)值，Tp_q為第q個近似正樣本修剪的閾值，prune代表修剪操作。

可選的，所述依據(jù)所述近似正樣本修剪的閾值和近似負(fù)樣本修剪的閾值對累加后的響應(yīng)值進行近似正樣本修剪和近似負(fù)樣本修剪包括：

采用以下公式進行近似負(fù)樣本修剪：

其中，p為當(dāng)前像素點，N(p)為當(dāng)前像素點的鄰域，p′為鄰域內(nèi)任一像素點，S(p)為當(dāng)前像素點的響應(yīng)值，Tn_q為第q個近似負(fù)樣本修剪的閾值，prune代表修剪操作。

可選的，所述訓(xùn)練目標(biāo)的根濾波器和多個部件濾波器，得到關(guān)于目標(biāo)的根濾波器的樣本和各個部件濾波器的樣本包括：對于根濾波器/每一個部件濾波器，

使用標(biāo)準(zhǔn)的支持向量機訓(xùn)練出初始根濾波器/部件濾波器；

使用隱變量支持向量機對所述初始根濾波器/部件濾波器繼續(xù)訓(xùn)練，迭代若干次后得到根濾波器/部件濾波器的樣本。

可選的，所述使用隱變量支持向量機對所述初始根濾波器/部件濾波器繼續(xù)訓(xùn)練包括：使用隱變量支持向量機對所述初始根濾波器/部件濾波器進行重 選正樣本、數(shù)據(jù)挖掘和隨機梯度下降法優(yōu)化。

可選的，在所述得到關(guān)于目標(biāo)位置的候選窗口之后，在所述確定目標(biāo)位置之前，還包括：

對所述候選窗口進行非極值抑制操作。

為了解決上述技術(shù)問題，本發(fā)明實施例還提供一種目標(biāo)檢測裝置，包括：樣本訓(xùn)練單元和目標(biāo)搜索單元；其中：

樣本訓(xùn)練單元，適于訓(xùn)練目標(biāo)的根濾波器和多個部件濾波器，得到關(guān)于目標(biāo)的根濾波器的樣本和各個部件濾波器的樣本；

目標(biāo)搜索單元，適于采用基于部件的變形模型和級聯(lián)檢測的方式進行搜索，確定目標(biāo)位置；

所述目標(biāo)搜索單元包括：響應(yīng)值計算子單元、級聯(lián)順序確定子單元、閾值計算子單元、響應(yīng)值累加子單元和目標(biāo)位置確定子單元；其中：

響應(yīng)值計算子單元，適于計算訓(xùn)練的所述根濾波器的樣本的響應(yīng)值，計算訓(xùn)練的各個所述部件濾波器的樣本的響應(yīng)值；

級聯(lián)順序確定子單元，適于確定級聯(lián)順序；

閾值計算子單元，適于計算出假設(shè)修剪的閾值、變形修剪的閾值、近似正樣本修剪的閾值和近似負(fù)樣本修剪的閾值；

響應(yīng)值累加子單元，適于依據(jù)所述級聯(lián)順序，依次累加所述根濾波器的樣本的響應(yīng)值和各個所述部件濾波器的樣本的響應(yīng)值，得到關(guān)于目標(biāo)位置的候選窗口；在所述依次累加所述根濾波器的樣本的響應(yīng)值和各個所述部件濾波器的樣本的響應(yīng)值的過程中，依據(jù)所述近似正樣本修剪的閾值和近似負(fù)樣本修剪的閾值對累加后的響應(yīng)值進行近似正樣本修剪和近似負(fù)樣本修剪；

目標(biāo)位置確定子單元，適于依據(jù)所述關(guān)于目標(biāo)位置的候選窗口，確定目標(biāo)位置。

可選的，所述閾值計算子單元計算出假設(shè)修剪的閾值、變形修剪的閾值、近似正樣本修剪的閾值和近似負(fù)樣本修剪的閾值包括：

采用以下公式計算出假設(shè)修剪的閾值：

其中，q∈{1,2,...,Q}為級聯(lián)檢測的階段索引值，Ω為訓(xùn)練樣本集，R為根響應(yīng)圖像，P為部件響應(yīng)圖像，D為變形代價圖像。

可選的，所述閾值計算子單元計算出假設(shè)修剪的閾值、變形修剪的閾值、近似正樣本修剪的閾值和近似負(fù)樣本修剪的閾值包括：

采用以下公式計算出變形修剪的閾值：

其中，q∈{1,2,...,Q}為級聯(lián)檢測的階段索引值，Ω為訓(xùn)練樣本集，R為根響應(yīng)圖像，P為部件響應(yīng)圖像，D為變形代價圖像。

可選的，所述閾值計算子單元計算出假設(shè)修剪的閾值、變形修剪的閾值、近似正樣本修剪的閾值和近似負(fù)樣本修剪的閾值包括：

采用以下公式計算出近似正樣本修剪的閾值：

其中，q∈{1,2,...,Q}為級聯(lián)檢測的階段索引值，Ω為訓(xùn)練樣本集，p為當(dāng)前像素點，p′為鄰域內(nèi)任一像素點，N(p)為當(dāng)前像素點的鄰域，S為響應(yīng)圖像。

可選的，所述閾值計算子單元計算出假設(shè)修剪的閾值、變形修剪的閾值、近似正樣本修剪的閾值和近似負(fù)樣本修剪的閾值包括：

采用以下公式計算出近似負(fù)樣本修剪的閾值：

其中，q∈{1,2,...,Q}為級聯(lián)檢測的階段索引值，Ω為訓(xùn)練樣本集，p為當(dāng)前像素點，p′為鄰域內(nèi)任一像素點，N(p)為當(dāng)前像素點的鄰域，S為響應(yīng)圖像。

可選的，所述級聯(lián)順序確定子單元確定級聯(lián)順序為：使用貪婪算法確定 級聯(lián)順序。

可選的，所述閾值計算子單元計算出假設(shè)修剪的閾值、變形修剪的閾值、近似正樣本修剪的閾值和近似負(fù)樣本修剪的閾值為：根據(jù)概率近似正確原則計算出假設(shè)修剪的閾值、變形修剪的閾值、近似正樣本修剪的閾值和近似負(fù)樣本修剪的閾值。

可選的，所述響應(yīng)值累加子單元依據(jù)所述級聯(lián)順序，依次累加所述根濾波器的樣本的響應(yīng)值和所述部件濾波器的樣本的響應(yīng)值，得到關(guān)于目標(biāo)位置的候選窗口包括：

步驟a)在所述根濾波器的樣本的響應(yīng)值的基礎(chǔ)上，依據(jù)所述級聯(lián)順序，依次累加各個部件濾波器的樣本的響應(yīng)值；

步驟b)在累加部件濾波器的樣本的響應(yīng)值之后，依據(jù)所述假設(shè)修剪的閾值、變形修剪的閾值、近似正樣本修剪的閾值和近似負(fù)樣本修剪的閾值對累加后的響應(yīng)值進行假設(shè)修剪、變形修剪、近似正樣本修剪和近似負(fù)樣本修剪；

重復(fù)上述步驟a)至b)，直至累加完各個部件濾波器的樣本的響應(yīng)值，得到關(guān)于目標(biāo)位置的候選窗口。

可選的，所述響應(yīng)值累加子單元依據(jù)所述近似正樣本修剪的閾值和近似負(fù)樣本修剪的閾值對累加后的響應(yīng)值進行近似正樣本修剪和近似負(fù)樣本修剪包括：

采用以下公式進行近似正樣本修剪：

其中，p為當(dāng)前像素點，N(p)為當(dāng)前像素點的鄰域，p′為鄰域內(nèi)任一像素點，S(p)為當(dāng)前像素點的響應(yīng)值，Tp_q為第q個近似正樣本修剪的閾值，prune代表修剪操作。

可選的，所述響應(yīng)值累加子單元依據(jù)所述近似正樣本修剪的閾值和近似負(fù)樣本修剪的閾值對累加后的響應(yīng)值進行近似正樣本修剪和近似負(fù)樣本修剪包括：

采用以下公式進行近似負(fù)樣本修剪：

其中，p為當(dāng)前像素點，N(p)為當(dāng)前像素點的鄰域，p′為鄰域內(nèi)任一像素點，S(p)為當(dāng)前像素點的響應(yīng)值，Tn_q為第q個近似負(fù)樣本修剪的閾值，prune代表修剪操作。

可選的，所述樣本訓(xùn)練單元訓(xùn)練目標(biāo)的根濾波器和多個部件濾波器，得到關(guān)于目標(biāo)的根濾波器的樣本和各個部件濾波器的樣本包括：對于根濾波器/每一個部件濾波器，

使用標(biāo)準(zhǔn)的支持向量機訓(xùn)練出初始根濾波器/部件濾波器；

使用隱變量支持向量機對所述初始根濾波器/部件濾波器繼續(xù)訓(xùn)練，迭代若干次后得到根濾波器/部件濾波器的樣本。

可選的，所述目標(biāo)搜索單元還包括：

非極值抑制子單元，適于在所述得到關(guān)于目標(biāo)位置的候選窗口之后，在所述確定目標(biāo)位置之前，對所述候選窗口進行非極值抑制操作。

為了解決上述技術(shù)問題，本發(fā)明實施例還提供一種移動終端，包括上述目標(biāo)檢測裝置。

可選的，所述移動終端為智能手機或平板電腦。

與現(xiàn)有技術(shù)相比，本發(fā)明的技術(shù)方案具有以下有益效果：

在現(xiàn)有技術(shù)中基于DPM模型和HOG特征的目標(biāo)檢測方法的基礎(chǔ)上進行了改進，在采用基于部件的變形模型和級聯(lián)檢測的方式進行搜索的過程中，預(yù)先計算出近似正樣本修剪的閾值和近似負(fù)樣本修剪的閾值，依據(jù)所述近似正樣本修剪的閾值和近似負(fù)樣本修剪的閾值對累加后的響應(yīng)值進行近似正樣本修剪和近似負(fù)樣本修剪，從而減小了后續(xù)迭代過程中的運算量，使得基于DPM模型和HOG特征的目標(biāo)檢測方法所涉及的計算復(fù)雜度和計算量能夠在智能手機等移動終端所允許的范圍之內(nèi)。

進一步地，根據(jù)概率近似正確原則計算出假設(shè)修剪的閾值、變形修剪的閾值、近似正樣本修剪的閾值和近似負(fù)樣本修剪的閾值，從而提高閾值計算的精度和效率。

進一步地，在訓(xùn)練目標(biāo)的根濾波器/部件濾波器的過程中，在使用標(biāo)準(zhǔn)的支持向量機訓(xùn)練出初始根濾波器/部件濾波器的基礎(chǔ)上，進一步使用隱變量支持向量機對所述初始根濾波器/部件濾波器采用重選正樣本、數(shù)據(jù)挖掘和隨機梯度下降法優(yōu)化的方式繼續(xù)訓(xùn)練，迭代若干次后得到根濾波器/部件濾波器的樣本，從而提高根濾波器/部件濾波器樣本的精度，以便于降低后續(xù)目標(biāo)搜索過程中的計算復(fù)雜度和計算量。

附圖說明

圖1為本發(fā)明實施例中目標(biāo)檢測方法流程圖；

圖2為本發(fā)明實施例中基于部件的變形模型和級聯(lián)檢測的方式進行搜索方法流程圖；

圖3為本發(fā)明實施例中累加根濾波器/部件濾波器的樣本的響應(yīng)值方法流程圖；

圖4為本發(fā)明實施例中目標(biāo)檢測裝置結(jié)構(gòu)框圖；

圖5為本發(fā)明實施例中另一種目標(biāo)檢測方法流程圖；

圖6為本發(fā)明實施例中提取HOG特征方法流程圖。

具體實施方式

根據(jù)背景技術(shù)部分的分析可知，基于DPM模型和HOG特征的目標(biāo)檢測方法(即方案4))在使用級聯(lián)檢測技術(shù)時，可以在不影響檢測質(zhì)量的前提下，實現(xiàn)一個數(shù)量級的檢測速度提升，是目前最好的目標(biāo)檢測方法之一。

但該方案計算復(fù)雜度高、計算量大的問題影響了它的實際應(yīng)用。尤其是對于以智能手機為代表移動終端而言，由于智能手機的運算能力遠(yuǎn)不如大型計算機，因此，該方案由于其計算復(fù)雜度高、計算量大的問題目前還無法在智能手機等移動終端上應(yīng)用。

發(fā)明人針對該方案計算復(fù)雜度高、計算量大的缺陷進行了改進。在采用基于部件的變形模型和級聯(lián)檢測的方式進行搜索的過程中，預(yù)先計算出近似正樣本修剪的閾值和近似負(fù)樣本修剪的閾值，依據(jù)所述近似正樣本修剪的閾值和近似負(fù)樣本修剪的閾值對累加后的響應(yīng)值進行近似正樣本修剪和近似負(fù) 樣本修剪。

發(fā)明人經(jīng)研究后提出：在依次累加所述根濾波器的樣本的響應(yīng)值和各個所述部件濾波器的樣本的響應(yīng)值的過程中，可以進行近似正樣本修剪(當(dāng)前像素點的鄰域中，存在響應(yīng)值高出當(dāng)前點足夠多的像素點時，將修剪當(dāng)前像素點)，這是因為，這部分像素即使不修剪，在后處理的非極值抑制中也會將其排除；還可以進行近似負(fù)樣本修剪(當(dāng)前像素點的響應(yīng)值足夠低時，將修剪當(dāng)前像素點的鄰域)，這是因為，在當(dāng)前像素點的響應(yīng)值很低的情況下，它的鄰域內(nèi)像素點的響應(yīng)值通常也比較低，這部分像素即使不修剪，通常也會在對后續(xù)級聯(lián)的修剪中被修剪。本發(fā)明將后續(xù)必然被修剪、或者是極有可能被修剪的像素點提前修剪，可以減少對這部分后續(xù)必然被修剪、或者是極有可能被修剪的像素點的無意義的計算，因而降低了計算復(fù)雜度和計算量，使得基于DPM模型和HOG特征的目標(biāo)檢測方法所涉及的計算復(fù)雜度和計算量能夠在智能手機等移動終端所允許的范圍之內(nèi)。

為使本領(lǐng)域技術(shù)人員更好地理解和實現(xiàn)本發(fā)明，以下參照附圖，通過具體實施例進行詳細(xì)說明。

實施例一

如下所述，本發(fā)明實施例提供一種目標(biāo)檢測方法。

本實施例中的目標(biāo)檢測方法，在現(xiàn)有技術(shù)中基于DPM模型和HOG特征的目標(biāo)檢測方法的基礎(chǔ)上進行了改進，大大減小了其實現(xiàn)過程中所涉及的計算復(fù)雜度和計算量，使得其處理過程中所涉及的計算復(fù)雜度和計算量能夠在智能手機等移動終端所允許的范圍之內(nèi)。

本發(fā)明所提供的方案適用于泛化目標(biāo)的檢測，例如在人手檢測、人臉檢測、行人檢測等領(lǐng)域均可適用。尤其適合對非剛性目標(biāo)的檢測。

參照圖1所示的目標(biāo)檢測方法流程圖：

基于DPM模型和HOG特征的目標(biāo)檢測方法包括：

S101，訓(xùn)練目標(biāo)的根濾波器和多個部件濾波器，得到關(guān)于目標(biāo)的根濾波器的樣本和各個部件濾波器的樣本。

基于DPM模型和HOG特征的目標(biāo)檢測方法需要先訓(xùn)練目標(biāo)的根濾波器和多個部件濾波器，從而在后續(xù)的目標(biāo)檢測過程中，可以利用對這些根濾波器和部件濾波器響應(yīng)值的累加值，來確定目標(biāo)(在另一場景中的)位置。

在具體實施中，所述訓(xùn)練目標(biāo)的根濾波器和多個部件濾波器，得到關(guān)于目標(biāo)的根濾波器的樣本和各個部件濾波器的樣本可以包括：對于根濾波器/每一個部件濾波器，分別執(zhí)行以下步驟：

使用標(biāo)準(zhǔn)的支持向量機訓(xùn)練出初始根濾波器/部件濾波器；

使用隱變量支持向量機對所述初始根濾波器/部件濾波器繼續(xù)訓(xùn)練，迭代若干次后得到根濾波器/部件濾波器的樣本。

其中，所述使用隱變量支持向量機對所述初始根濾波器/部件濾波器繼續(xù)訓(xùn)練具體可以包括：使用隱變量支持向量機對所述初始根濾波器/部件濾波器進行重選正樣本、數(shù)據(jù)挖掘和隨機梯度下降法優(yōu)化。

通過以上對技術(shù)方案的描述可以看出：本實施例中，在訓(xùn)練目標(biāo)的根濾波器/部件濾波器的過程中，在使用標(biāo)準(zhǔn)的支持向量機訓(xùn)練出初始根濾波器/部件濾波器的基礎(chǔ)上，進一步使用隱變量支持向量機對所述初始根濾波器/部件濾波器采用重選正樣本、數(shù)據(jù)挖掘和隨機梯度下降法優(yōu)化的方式繼續(xù)訓(xùn)練，迭代若干次后得到根濾波器/部件濾波器的樣本，從而提高根濾波器/部件濾波器樣本的精度，以便于降低后續(xù)目標(biāo)搜索過程中的計算復(fù)雜度和計算量。

S102，采用基于部件的變形模型和級聯(lián)檢測的方式進行搜索，確定目標(biāo)位置。

其中，如圖2所示，所述采用基于部件的變形模型和級聯(lián)檢測的方式進行搜索(即步驟S102)包括：

S201，計算訓(xùn)練的所述根濾波器的樣本的響應(yīng)值，計算訓(xùn)練的各個所述部件濾波器的樣本的響應(yīng)值。

計算得出的根濾波器的樣本的響應(yīng)值和各個所述部件濾波器的樣本的響應(yīng)值，會用于后續(xù)的步驟S202和步驟S204。

S202，確定級聯(lián)順序。

級聯(lián)順序，即級聯(lián)檢測過程中以何種順序來依次累加根濾波器的樣本的響應(yīng)值和各個所述部件濾波器的樣本的響應(yīng)值。相對于經(jīng)典檢測方案而言(經(jīng)典檢測不涉及級聯(lián)順序)，可以提高后續(xù)的計算效率。

在具體實施中，可以使用貪婪算法來確定級聯(lián)順序。

S203，計算出假設(shè)修剪的閾值、變形修剪的閾值、近似正樣本修剪的閾值和近似負(fù)樣本修剪的閾值。

與現(xiàn)有技術(shù)的不同之處在于，現(xiàn)有技術(shù)在后續(xù)依次累加所述根濾波器的樣本的響應(yīng)值和各個所述部件濾波器的樣本的響應(yīng)值的過程中，通常只進行假設(shè)修剪和變形修剪，而不會進行近似正樣本修剪和近似負(fù)樣本修剪，因此，在此步驟中只需要計算假設(shè)修剪的閾值和變形修剪的閾值，而不會計算近似正樣本修剪的閾值和近似負(fù)樣本修剪的閾值。而本實施例在后續(xù)依次累加所述根濾波器的樣本的響應(yīng)值和各個所述部件濾波器的樣本的響應(yīng)值的過程中(即步驟S204)，需要進行假設(shè)修剪、變形修剪、近似正樣本修剪和近似負(fù)樣本修剪，因此，在此步驟中計算出假設(shè)修剪的閾值、變形修剪的閾值、近似正樣本修剪的閾值和近似負(fù)樣本修剪的閾值。

在具體實施中，所述計算出假設(shè)修剪的閾值、變形修剪的閾值、近似正樣本修剪的閾值和近似負(fù)樣本修剪的閾值可以包括：

采用以下公式計算出假設(shè)修剪的閾值：

其中，q∈{1,2,...,Q}為級聯(lián)檢測的階段索引值，Ω為訓(xùn)練樣本集，R為根響應(yīng)圖像，P為部件響應(yīng)圖像，D為變形代價圖像；

采用以下公式計算出變形修剪的閾值：

其中，q∈{1,2,...,Q}為級聯(lián)檢測的階段索引值，Ω為訓(xùn)練樣本集，R為根響應(yīng)圖像，P為部件響應(yīng)圖像，D為變形代價圖像；

采用以下公式計算出近似正樣本修剪的閾值：

其中，q∈{1,2,...,Q}為級聯(lián)檢測的階段索引值，Ω為訓(xùn)練樣本集，p為當(dāng)前像素點，p′為鄰域內(nèi)任一像素點，N(p)為當(dāng)前像素點的鄰域，S為響應(yīng)圖像；

采用以下公式計算出近似負(fù)樣本修剪的閾值：

其中，q∈{1,2,...,Q}為級聯(lián)檢測的階段索引值，Ω為訓(xùn)練樣本集，p為當(dāng)前像素點，p′為鄰域內(nèi)任一像素點，N(p)為當(dāng)前像素點的鄰域，S為響應(yīng)圖像。

以上公式采用概率近似正確(Probably Approximately Correct，PAC)原則來計算出假設(shè)修剪的閾值、變形修剪的閾值、近似正樣本修剪的閾值和近似負(fù)樣本修剪的閾值?？梢岳斫獾氖牵谄渌麑嵤├?，也可以采用其他方式得出上述閾值。

通過以上對技術(shù)方案的描述可以看出：本實施例中，根據(jù)概率近似正確原則計算出假設(shè)修剪的閾值、變形修剪的閾值、近似正樣本修剪的閾值和近似負(fù)樣本修剪的閾值，從而提高閾值計算的精度和效率。

S204，依據(jù)所述級聯(lián)順序，依次累加所述根濾波器的樣本的響應(yīng)值和各個所述部件濾波器的樣本的響應(yīng)值，得到關(guān)于目標(biāo)位置的候選窗口。

與現(xiàn)有技術(shù)的不同之處在于，如前所述，現(xiàn)有技術(shù)在依次累加所述根濾波器的樣本的響應(yīng)值和各個所述部件濾波器的樣本的響應(yīng)值的過程中，通常只進行假設(shè)修剪和變形修剪，而不會進行近似正樣本修剪和近似負(fù)樣本修剪。而本實施例在依次累加所述根濾波器的樣本的響應(yīng)值和各個所述部件濾波器的樣本的響應(yīng)值的過程中，依據(jù)所述近似正樣本修剪的閾值和近似負(fù)樣本修剪的閾值對累加后的響應(yīng)值進行近似正樣本修剪和近似負(fù)樣本修剪。

通過以上對技術(shù)方案的描述可以看出：本實施例中，在現(xiàn)有技術(shù)中基于 DPM模型和HOG特征的目標(biāo)檢測方法的基礎(chǔ)上進行了改進，在采用基于部件的變形模型和級聯(lián)檢測的方式進行搜索的過程中，預(yù)先計算出近似正樣本修剪的閾值和近似負(fù)樣本修剪的閾值，依據(jù)所述近似正樣本修剪的閾值和近似負(fù)樣本修剪的閾值對累加后的響應(yīng)值進行近似正樣本修剪和近似負(fù)樣本修剪，從而減小了后續(xù)迭代過程中的運算量，使得基于DPM模型和HOG特征的目標(biāo)檢測方法所涉及的計算復(fù)雜度和計算量能夠在智能手機等移動終端所允許的范圍之內(nèi)。

可以理解的是，本實施例在進行近似正樣本修剪和近似負(fù)樣本修剪的基礎(chǔ)上，也可以進行假設(shè)修剪和變形修剪。

在具體實施中，所述依據(jù)所述級聯(lián)順序，依次累加所述根濾波器的樣本的響應(yīng)值和所述部件濾波器的樣本的響應(yīng)值，得到關(guān)于目標(biāo)位置的候選窗口可以包括：

步驟a)在所述根濾波器的樣本的響應(yīng)值的基礎(chǔ)上，依據(jù)所述級聯(lián)順序，依次累加各個部件濾波器的樣本的響應(yīng)值；

步驟b)在累加部件濾波器的樣本的響應(yīng)值之后，依據(jù)所述假設(shè)修剪的閾值、變形修剪的閾值、近似正樣本修剪的閾值和近似負(fù)樣本修剪的閾值對累加后的響應(yīng)值進行假設(shè)修剪、變形修剪、近似正樣本修剪和近似負(fù)樣本修剪；

重復(fù)上述步驟a)至b)，直至累加完各個部件濾波器的樣本的響應(yīng)值，得到關(guān)于目標(biāo)位置的候選窗口。

其中，所述依據(jù)所述近似正樣本修剪的閾值和近似負(fù)樣本修剪的閾值對累加后的響應(yīng)值進行近似正樣本修剪和近似負(fù)樣本修剪可以包括：

采用以下公式進行近似正樣本修剪：

其中，p為當(dāng)前像素點，N(p)為當(dāng)前像素點的鄰域，p′為鄰域內(nèi)任一像素點，S(p)為當(dāng)前像素點的響應(yīng)值，Tp_q為第q個近似正樣本修剪的閾值，prune代表修剪操作；

采用以下公式進行近似負(fù)樣本修剪：

其中，p為當(dāng)前像素點，N(p)為當(dāng)前像素點的鄰域，p′為鄰域內(nèi)任一像素點，S(p)為當(dāng)前像素點的響應(yīng)值，Tn_q為第q個近似負(fù)樣本修剪的閾值，prune代表修剪操作。

具體地，可以如圖3所示，每一個部件濾波器的累加對應(yīng)于一個循環(huán)，在每一個循環(huán)中，依次進行近似負(fù)樣本修剪、假設(shè)修剪、近似正樣本修剪、累加部件濾波器的樣本的響應(yīng)值、變形修剪。不斷迭代，直至累加完各個部件濾波器的樣本的響應(yīng)值，得到關(guān)于目標(biāo)位置的候選窗口。

S205，依據(jù)所述關(guān)于目標(biāo)位置的候選窗口，確定目標(biāo)位置。

經(jīng)過級聯(lián)檢測(即步驟S201至步驟S204)后，通常會留下少量的候選窗口(Candidate Window)。

如果采用單目標(biāo)方案(即檢測目標(biāo)在場景中的位置，且目標(biāo)只存在于場景中的至多一個位置)，則后續(xù)選取響應(yīng)值最大的候選窗口，作為目標(biāo)位置。

如果采用多目標(biāo)方案(即檢測目標(biāo)在場景中的位置，目標(biāo)可以存在于場景中的多個位置)，則可以在所述得到關(guān)于目標(biāo)位置的候選窗口之后，在所述確定目標(biāo)位置之前，對所述候選窗口進行非極值抑制操作，以在非極值抑制操作中未被排除的候選窗口，作為目標(biāo)位置。

實施例二

如下所述，本發(fā)明實施例提供一種目標(biāo)檢測裝置。

參照圖4所示的目標(biāo)檢測裝置結(jié)構(gòu)框圖。

所述目標(biāo)檢測裝置包括：樣本訓(xùn)練單元401和目標(biāo)搜索單元402；其中各單元的主要功能如下：

樣本訓(xùn)練單元401，適于訓(xùn)練目標(biāo)的根濾波器和多個部件濾波器，得到關(guān)于目標(biāo)的根濾波器的樣本和各個部件濾波器的樣本；

目標(biāo)搜索單元402，適于采用基于部件的變形模型和級聯(lián)檢測的方式進行搜索，確定目標(biāo)位置；

所述目標(biāo)搜索單元402包括：響應(yīng)值計算子單元4021、級聯(lián)順序確定子單元4022、閾值計算子單元4023、響應(yīng)值累加子單元4024和目標(biāo)位置確定子單元4025；其中：

響應(yīng)值計算子單元4021，適于計算訓(xùn)練的所述根濾波器的樣本的響應(yīng)值，計算訓(xùn)練的各個所述部件濾波器的樣本的響應(yīng)值；

級聯(lián)順序確定子單元4022，適于確定級聯(lián)順序；

閾值計算子單元4023，適于計算出假設(shè)修剪的閾值、變形修剪的閾值、近似正樣本修剪的閾值和近似負(fù)樣本修剪的閾值；

響應(yīng)值累加子單元4024，適于依據(jù)所述級聯(lián)順序，依次累加所述根濾波器的樣本的響應(yīng)值和各個所述部件濾波器的樣本的響應(yīng)值，得到關(guān)于目標(biāo)位置的候選窗口；在所述依次累加所述根濾波器的樣本的響應(yīng)值和各個所述部件濾波器的樣本的響應(yīng)值的過程中，依據(jù)所述近似正樣本修剪的閾值和近似負(fù)樣本修剪的閾值對累加后的響應(yīng)值進行近似正樣本修剪和近似負(fù)樣本修剪；

目標(biāo)位置確定子單元4025，適于依據(jù)所述關(guān)于目標(biāo)位置的候選窗口，確定目標(biāo)位置。

通過以上對技術(shù)方案的描述可以看出：本實施例中，在現(xiàn)有技術(shù)中基于DPM模型和HOG特征的目標(biāo)檢測方法的基礎(chǔ)上進行了改進，在采用基于部件的變形模型和級聯(lián)檢測的方式進行搜索的過程中，預(yù)先計算出近似正樣本修剪的閾值和近似負(fù)樣本修剪的閾值，依據(jù)所述近似正樣本修剪的閾值和近似負(fù)樣本修剪的閾值對累加后的響應(yīng)值進行近似正樣本修剪和近似負(fù)樣本修剪，從而減小了后續(xù)迭代過程中的運算量，使得基于DPM模型和HOG特征的目標(biāo)檢測方法所涉及的計算復(fù)雜度和計算量能夠在智能手機等移動終端所允許的范圍之內(nèi)。

在具體實施中，所述閾值計算子單元計算出假設(shè)修剪的閾值、變形修剪的閾值、近似正樣本修剪的閾值和近似負(fù)樣本修剪的閾值可以包括：

采用以下公式計算出假設(shè)修剪的閾值：

其中，q∈{1,2,...,Q}為級聯(lián)檢測的階段索引值，Ω為訓(xùn)練樣本集，R為根響應(yīng)圖像，P為部件響應(yīng)圖像，D為變形代價圖像；

采用以下公式計算出變形修剪的閾值：

其中，q∈{1,2,...,Q}為級聯(lián)檢測的階段索引值，Ω為訓(xùn)練樣本集，R為根響應(yīng)圖像，P為部件響應(yīng)圖像，D為變形代價圖像；

采用以下公式計算出近似正樣本修剪的閾值：

其中，q∈{1,2,...,Q}為級聯(lián)檢測的階段索引值，Ω為訓(xùn)練樣本集，p為當(dāng)前像素點，p′為鄰域內(nèi)任一像素點，N(p)為當(dāng)前像素點的鄰域，S為響應(yīng)圖像；

采用以下公式計算出近似負(fù)樣本修剪的閾值：

其中，q∈{1,2,...,Q}為級聯(lián)檢測的階段索引值，Ω為訓(xùn)練樣本集，p為當(dāng)前像素點，p′為鄰域內(nèi)任一像素點，N(p)為當(dāng)前像素點的鄰域，S為響應(yīng)圖像。

通過以上對技術(shù)方案的描述可以看出：本實施例中，根據(jù)概率近似正確原則計算出假設(shè)修剪的閾值、變形修剪的閾值、近似正樣本修剪的閾值和近似負(fù)樣本修剪的閾值，從而提高閾值計算的精度和效率。

在具體實施中，所述級聯(lián)順序確定子單元確定級聯(lián)順序可以是：使用貪婪算法確定級聯(lián)順序。

在具體實施中，所述閾值計算子單元計算出假設(shè)修剪的閾值、變形修剪的閾值、近似正樣本修剪的閾值和近似負(fù)樣本修剪的閾值可以是：根據(jù)概率近似正確原則計算出假設(shè)修剪的閾值、變形修剪的閾值、近似正樣本修剪的閾值和近似負(fù)樣本修剪的閾值。

在具體實施中，所述響應(yīng)值累加子單元依據(jù)所述級聯(lián)順序，依次累加所述根濾波器的樣本的響應(yīng)值和所述部件濾波器的樣本的響應(yīng)值，得到關(guān)于目標(biāo)位置的候選窗口可以包括：

步驟a)在所述根濾波器的樣本的響應(yīng)值的基礎(chǔ)上，依據(jù)所述級聯(lián)順序，依次累加各個部件濾波器的樣本的響應(yīng)值；

步驟b)在累加部件濾波器的樣本的響應(yīng)值之后，依據(jù)所述假設(shè)修剪的閾值、變形修剪的閾值、近似正樣本修剪的閾值和近似負(fù)樣本修剪的閾值對累加后的響應(yīng)值進行假設(shè)修剪、變形修剪、近似正樣本修剪和近似負(fù)樣本修剪；

重復(fù)上述步驟a)至b)，直至累加完各個部件濾波器的樣本的響應(yīng)值，得到關(guān)于目標(biāo)位置的候選窗口。

在具體實施中，所述響應(yīng)值累加子單元依據(jù)所述近似正樣本修剪的閾值和近似負(fù)樣本修剪的閾值對累加后的響應(yīng)值進行近似正樣本修剪和近似負(fù)樣本修剪包括：

采用以下公式進行近似正樣本修剪：

其中，p為當(dāng)前像素點，N(p)為當(dāng)前像素點的鄰域，p′為鄰域內(nèi)任一像素點，S(p)為當(dāng)前像素點的響應(yīng)值，Tp_q為第q個近似正樣本修剪的閾值，prune代表修剪操作；

采用以下公式進行近似負(fù)樣本修剪：

其中，p為當(dāng)前像素點，N(p)為當(dāng)前像素點的鄰域，p′為鄰域內(nèi)任一像素點，S(p)為當(dāng)前像素點的響應(yīng)值，Tn_q為第q個近似負(fù)樣本修剪的閾值，prune代表修剪操作。

在具體實施中，所述樣本訓(xùn)練單元訓(xùn)練目標(biāo)的根濾波器和多個部件濾波器，得到關(guān)于目標(biāo)的根濾波器的樣本和各個部件濾波器的樣本可以包括：對于根濾波器/每一個部件濾波器，

使用標(biāo)準(zhǔn)的支持向量機訓(xùn)練出初始根濾波器/部件濾波器；

使用隱變量支持向量機對所述初始根濾波器/部件濾波器繼續(xù)訓(xùn)練，迭代若干次后得到根濾波器/部件濾波器的樣本。

在具體實施中，所述使用隱變量支持向量機對所述初始根濾波器/部件濾波器繼續(xù)訓(xùn)練可以包括：使用隱變量支持向量機對所述初始根濾波器/部件濾波器進行重選正樣本、數(shù)據(jù)挖掘和隨機梯度下降法優(yōu)化。

通過以上對技術(shù)方案的描述可以看出：本實施例中，在訓(xùn)練目標(biāo)的根濾波器/部件濾波器的過程中，在使用標(biāo)準(zhǔn)的支持向量機訓(xùn)練出初始根濾波器/部件濾波器的基礎(chǔ)上，進一步使用隱變量支持向量機對所述初始根濾波器/部件濾波器采用重選正樣本、數(shù)據(jù)挖掘和隨機梯度下降法優(yōu)化的方式繼續(xù)訓(xùn)練，迭代若干次后得到根濾波器/部件濾波器的樣本，從而提高根濾波器/部件濾波器樣本的精度，以便于降低后續(xù)目標(biāo)搜索過程中的計算復(fù)雜度和計算量。

在具體實施中，所述目標(biāo)搜索單元還可以包括：

非極值抑制子單元，適于在所述得到關(guān)于目標(biāo)位置的候選窗口之后，在所述確定目標(biāo)位置之前，對所述候選窗口進行非極值抑制操作。

實施例三

如下所述，本發(fā)明實施例提供一種移動終端。

與現(xiàn)有技術(shù)的不同之處在于，所述移動終端包括如本發(fā)明實施例中所提供的目標(biāo)檢測裝置。該移動終端在現(xiàn)有技術(shù)中基于DPM模型和HOG特征的目標(biāo)檢測方法的基礎(chǔ)上進行了改進，在采用基于部件的變形模型和級聯(lián)檢測的方式進行搜索的過程中，預(yù)先計算出近似正樣本修剪的閾值和近似負(fù)樣本修剪的閾值，依據(jù)所述近似正樣本修剪的閾值和近似負(fù)樣本修剪的閾值對累加后的響應(yīng)值進行近似正樣本修剪和近似負(fù)樣本修剪，從而減小了后續(xù)迭代過程中的運算量，使得基于DPM模型和HOG特征的目標(biāo)檢測方法所涉及的計算復(fù)雜度和計算量能夠在智能手機等移動終端所允許的范圍之內(nèi)。

在具體實施中，所述移動終端可以是智能手機或平板電腦。

實施例四

如下所述，本發(fā)明實施例提供一種目標(biāo)檢測方法。

參照圖5所示的目標(biāo)檢測方法流程圖：

基于DPM模型和HOG特征的目標(biāo)檢測方法包括：

S501，構(gòu)造圖像金字塔。

為了實現(xiàn)對多尺度人手目標(biāo)的檢測，需要構(gòu)造圖像金字塔，并計算相應(yīng)的特征金字塔。

構(gòu)造圖像金字塔需要進行降采樣，本實施例中采用兩種方式：雙三次插值(Bicubic Interpolation)和雙線性插值。對于相差一個尺度的降采樣，采用更快捷的雙線性插值。同一層(Octave)尺度下的降采樣，采用雙三次插值。這種區(qū)分性降采樣策略可以在保證圖像質(zhì)量的前提下，盡可能的降低計算復(fù)雜度。

S502，計算出圖像金字塔所對應(yīng)的基于HOG的特征金字塔；

在完成圖像金字塔后，需要計算出對應(yīng)的特征金字塔。所述計算出圖像金字塔所對應(yīng)的基于HOG的特征金字塔包括：提取HOG特征。

如圖6所示，本實施例通過如下步驟提取HOG特征：

S601，計算梯度圖像。

在計算梯度圖像的過程中，為了減小計算量，可以將輸入圖像轉(zhuǎn)換為灰度格式，再使用一維中心模板P＝[-1,0,1]和它的轉(zhuǎn)置P^T分別對灰度格式的輸入圖像進行濾波，分別計算出x,y方向的梯度圖像，即G_x，G_y。再如式1計算出梯度幅值圖像G_M：

式1：

通常將梯度方向劃分為M個方向，如式2計算出梯度方向編碼圖像G_O。

式2：

其中，[]表示取整函數(shù)，mod表示取模函數(shù)，G_O是{1,2,...,M}范圍內(nèi)的整數(shù)。

在所述計算梯度圖像之后，還包括：將梯度方向劃分為M個方向，采用 式2計算出梯度方向編碼圖像G_O；

式2：

其中，[]表示取整函數(shù)，mod表示取模函數(shù)，G_O是{1,2,...,M}范圍內(nèi)的整數(shù)。

S602，進行直方圖統(tǒng)計。

在計算出梯度圖像之后，進行直方圖統(tǒng)計。

對大小為w*h的梯度圖像，可以以大小為k*k的元胞為單元進行統(tǒng)計。通?？梢圆捎秒p線性插值(Bilinear Interpolation)，即梯度圖像中任一像素會同時被納入周圍四個相鄰的元胞進行統(tǒng)計。針對每一編碼方向m，可以統(tǒng)計出維數(shù)為的二維直方圖H(x,y,m)，其中，整體得直方圖維數(shù)是表示向下取整。

S603，進行歸一化和截斷。

在進行直方圖統(tǒng)計之后，進行歸一化和截斷。

本實施例中，所述進行歸一化和截斷包括：

預(yù)先建立第一查找表，所述第一查找表將多個數(shù)值與它們各自的開方倒數(shù)對應(yīng)保存；

累積每一方向直方圖的二階范數(shù)，獲得梯度能量圖像；

依據(jù)所述梯度能量圖像和所述第一查找表，計算出HOG特征。

其中，所述建立第一查找表具體可以包括：

形成的函數(shù)曲線；

基于所述函數(shù)曲線，采用分段擬合的方法獲得多個數(shù)值與它們各自的開方倒數(shù)；

將多個數(shù)值與它們各自的開方倒數(shù)對應(yīng)保存，形成第一查找表。

所述依據(jù)所述梯度能量圖像和所述第一查找表，計算出HOG特征具體可以包括：

采用式8獲得歸一化圖像的平方

式8：

其中，

依據(jù)所述第一查找表，獲得歸一化圖像的平方對應(yīng)的開方倒數(shù)

依據(jù)采用式5和式6計算出F₁(x,y,m)和F₂(x,y,(δ,γ))；

式5：

式6：

其中，T₁、T₂為對應(yīng)的截斷閾值；

依據(jù)F₁(x,y,m)和F₂(x,y,(δ,γ))，計算出HOG特征F＝[F₁,F₂]。

經(jīng)過上述步驟S601至S603，完成了對HOG特征的提取。

通過以上對技術(shù)方案的描述可以看出：本實施例中，在現(xiàn)有技術(shù)中基于DPM模型和HOG特征的目標(biāo)檢測方法的基礎(chǔ)上進行了改進，預(yù)先建立第一查找表，所述第一查找表將多個數(shù)值與它們各自的開方倒數(shù)對應(yīng)保存，在進行歸一化和截斷的過程中，依據(jù)梯度能量圖像和預(yù)先建立的所述第一查找表，計算出HOG特征，從而避免了歸一化處理過程中大量的除法運算和開方運算，使得基于DPM模型和HOG特征的目標(biāo)檢測方法所涉及的計算復(fù)雜度和計算量能夠在智能手機等移動終端所允許的范圍之內(nèi)。

若圖像尺寸較大，為保證檢測質(zhì)量，每層(Octave)需計算更多的級數(shù)(Level)。如果每一級都計算HOG特征，則計算復(fù)雜度會很高。

實踐表明，對于尺度相近的圖像，它們的HOG特征呈現(xiàn)近似指數(shù)函數(shù)的關(guān)系。

本實施例只計算少量尺度的HOG特征，其他相鄰尺度的HOG特征可以 通過如式7的近似計算得到。

式7：F_S≈R(F,S)·S^-λ

其中，F(xiàn)表示已知特征，F(xiàn)_S表示所要求解的近似特征，S表示相對尺度，λ表示指數(shù)函數(shù)的系數(shù)，R函數(shù)表示以相對尺度S對已知特征F進行重采樣。

通過以上對技術(shù)方案的描述可以看出：本實施例中，在計算圖像金字塔所對應(yīng)的基于HOG的特征金字塔的過程中，只計算少量尺度的HOG特征，在此基礎(chǔ)上通過近似計算得到其他相鄰尺度的HOG特征，從而在對檢測質(zhì)量影響不大的前提下，進一步降低基于DPM模型和HOG特征的目標(biāo)檢測方法所涉及的計算復(fù)雜度和計算量。

S503，采用基于部件的變形模型和級聯(lián)檢測的方式對特征金字塔進行搜索，確定目標(biāo)位置。

至此，實現(xiàn)了基于DPM模型和HOG特征的目標(biāo)檢測。本實施例在現(xiàn)有技術(shù)中基于DPM模型和HOG特征的目標(biāo)檢測方法的基礎(chǔ)上進行了改進，在進行歸一化處理的過程中(步驟S603)，避免了大量的除法運算和開方運算，在計算圖像金字塔所對應(yīng)的基于HOG的特征金字塔的過程中(步驟S502)，避免了計算大量尺度的HOG特征，在對檢測質(zhì)量影響不大的前提下大大減小了計算復(fù)雜度和計算量，使得基于DPM模型和HOG特征的目標(biāo)檢測方法其處理過程中所涉及的計算復(fù)雜度和計算量能夠在智能手機等移動終端所允許的范圍之內(nèi)，便于該目標(biāo)檢測方法在移動終端上的應(yīng)用。

本領(lǐng)域普通技術(shù)人員可以理解，上述實施例的各種方法中，全部或部分步驟是可以通過程序指示相關(guān)的硬件來完成的，該程序可以存儲于一計算機可讀存儲介質(zhì)中，存儲介質(zhì)可以包括：ROM、RAM、磁盤或光盤等。

雖然本發(fā)明披露如上，但本發(fā)明并非限定于此。任何本領(lǐng)域技術(shù)人員，在不脫離本發(fā)明的精神和范圍內(nèi)，均可作各種更動與修改，因此本發(fā)明的保護范圍應(yīng)當(dāng)以權(quán)利要求所限定的范圍為準(zhǔn)。