一種特征檢測(cè)的方法和裝置的制造方法
【技術(shù)領(lǐng)域】
[0001] 本發(fā)明涉及圖像處理技術(shù)領(lǐng)域，尤其涉及一種特征檢測(cè)的方法和裝置。
【背景技術(shù)】
[0002] 特征檢測(cè)有著廣泛的應(yīng)用領(lǐng)域，例如視頻分析，目標(biāo)檢測(cè)，圖像識(shí)別等。通常情況 下，特征檢測(cè)的過(guò)程包括：將一個(gè)視頻圖像分成若干個(gè)子區(qū)域，對(duì)每個(gè)子區(qū)域進(jìn)行特征提 取，得到每個(gè)子區(qū)域的特征值，最后將提取的特征值進(jìn)行級(jí)聯(lián)，生成一組高維特征向量，并 通過(guò)該高維特征向量對(duì)視頻圖像進(jìn)行表示，從而基于該視頻圖像的高維特征向量對(duì)該視頻 圖像進(jìn)行特征檢測(cè)。
[0003] 由于上述方式是直接基于原始的視頻圖像生成相應(yīng)的高維特征向量，其在旋轉(zhuǎn)、 平移以及具有較大噪聲的情況下，可靠性較低。另一方面，由于直接采用級(jí)聯(lián)方式生成高維 特征向量，在進(jìn)行特征檢測(cè)時(shí)會(huì)產(chǎn)生特征錯(cuò)位現(xiàn)象。

【發(fā)明內(nèi)容】

[0004] 本發(fā)明提供一種特征檢測(cè)的方法，針對(duì)每個(gè)待檢測(cè)的視頻圖像，所述方法包括以 下步驟：
[0005] 對(duì)視頻圖像進(jìn)行特征提取，得到Μ個(gè)特征值；對(duì)Μ個(gè)特征值進(jìn)行N次采樣，得到N 個(gè)采樣結(jié)果，每個(gè)采樣結(jié)果中包含Μ個(gè)特征值的部分特征值；
[0006] 針對(duì)每個(gè)采樣結(jié)果，對(duì)所述采樣結(jié)果采用k個(gè)高斯核，生成所述采樣結(jié)果對(duì)應(yīng)的 GMM子模型，并得到N個(gè)GMM子模型；
[0007] 對(duì)所述N個(gè)GMM子模型進(jìn)行排序后，得到對(duì)應(yīng)的GMM模型，并獲得所述GMM模型對(duì) 應(yīng)的特征向量，并利用所述特征向量進(jìn)行特征檢測(cè)。
[0008] 所述對(duì)視頻圖像進(jìn)行特征提取，得到Μ個(gè)特征值的過(guò)程，具體包括：
[0009] 對(duì)所述視頻圖像進(jìn)行縮放處理，得到S個(gè)不同尺度的視頻圖像；
[0010] 采用H0G特征描述子分別對(duì)所述S個(gè)不同尺度的視頻圖像中的每個(gè)視頻圖像進(jìn)行 特征提取，以從每個(gè)尺度的視頻圖像中提取出Ml個(gè)特征值；
[0011] 將所述s個(gè)不同尺度的視頻圖像中分別提取出的Ml個(gè)特征值，組合成包含M1*S 個(gè)特征值的特征集合，以得到Μ個(gè)特征值，M = M1*S。
[0012] 所述獲得所述GMM模型對(duì)應(yīng)的特征向量的過(guò)程，具體包括：
[0013] 對(duì)所述GMM模型對(duì)應(yīng)的每個(gè)高斯核進(jìn)行參數(shù)擬合，得到每個(gè)高斯核對(duì)應(yīng)的中心與 協(xié)方差；
[0014] 對(duì)每個(gè)高斯核對(duì)應(yīng)的中心與協(xié)方差進(jìn)行求導(dǎo)處理；
[0015] 根據(jù)求導(dǎo)處理的結(jié)果構(gòu)造所述GMM模型對(duì)應(yīng)的特征向量。
[0016] 所述方法進(jìn)一步包括：
[0017] 針對(duì)待檢測(cè)的T個(gè)視頻圖像中的每個(gè)視頻圖像，執(zhí)行對(duì)視頻圖像進(jìn)行特征提取， 得到Μ個(gè)特征值，對(duì)Μ個(gè)特征值進(jìn)行N次采樣，得到N個(gè)采樣結(jié)果，每個(gè)采樣結(jié)果中包含Μ 個(gè)特征值的部分特征值，針對(duì)每個(gè)采樣結(jié)果，對(duì)所述采樣結(jié)果采用k個(gè)高斯核，生成所述采 樣結(jié)果對(duì)應(yīng)的GMM子模型，并得到N個(gè)GMM子模型，對(duì)所述N個(gè)GMM子模型進(jìn)行排序后，得 到對(duì)應(yīng)的GMM模型的過(guò)程，并得到T個(gè)GMM模型；
[0018] 對(duì)所述T個(gè)GMM模型進(jìn)行排序后，得到對(duì)應(yīng)的GMM參考模型；針對(duì)所述T個(gè)視頻圖 像之外的其它待檢測(cè)的視頻圖像，對(duì)其它待檢測(cè)的視頻圖像進(jìn)行特征提取，利用當(dāng)前提取 的特征值和所述GMM參考模型獲得其它待檢測(cè)的視頻圖像的特征向量，并利用其它待檢測(cè) 的視頻圖像的特征向量進(jìn)行特征檢測(cè)。
[0019] 所述方法應(yīng)用在通過(guò)Fisher Vector方式進(jìn)行特征檢測(cè)的系統(tǒng)中；
[0020] 所述高斯核的數(shù)量k小于所述Μ個(gè)特征值對(duì)應(yīng)的高斯核數(shù)量。
[0021] 本發(fā)明提供一種特征檢測(cè)的裝置，針對(duì)每個(gè)待檢測(cè)的視頻圖像，所述裝置具體包 括：
[0022] 提取模塊，用于對(duì)視頻圖像進(jìn)行特征提取，得到Μ個(gè)特征值；
[0023] 采樣模塊，用于對(duì)所述Μ個(gè)特征值進(jìn)行Ν次采樣，得到Ν個(gè)采樣結(jié)果，每個(gè)采樣結(jié) 果中包含所述Μ個(gè)特征值的部分特征值；
[0024] 生成模塊，用于針對(duì)每個(gè)采樣結(jié)果，對(duì)所述采樣結(jié)果采用k個(gè)高斯核，生成所述采 樣結(jié)果對(duì)應(yīng)的GMM子模型，并得到N個(gè)GMM子模型；
[0025] 獲得模塊，用于對(duì)所述N個(gè)GMM子模型進(jìn)行排序后，得到對(duì)應(yīng)的GMM模型，并獲得 所述GMM模型對(duì)應(yīng)的特征向量；
[0026] 檢測(cè)模塊，用于利用所述特征向量進(jìn)行特征檢測(cè)。
[0027] 所述提取模塊，具體用于在對(duì)視頻圖像進(jìn)行特征提取，得到Μ個(gè)特征值的過(guò)程中， 對(duì)所述視頻圖像進(jìn)行縮放處理，得到S個(gè)不同尺度的視頻圖像；采用H0G特征描述子分別對(duì) 所述S個(gè)不同尺度的視頻圖像中的每個(gè)視頻圖像進(jìn)行特征提取，以從每個(gè)尺度的視頻圖像 中提取出Ml個(gè)特征值；將所述S個(gè)不同尺度的視頻圖像中分別提取出的Ml個(gè)特征值，組合 成包含M1*S個(gè)特征值的特征集合，以得到Μ個(gè)特征值，M = M1*S。
[0028] 所述獲得模塊，具體用于在獲得所述GMM模型對(duì)應(yīng)的特征向量的過(guò)程中，對(duì)所述 GMM模型對(duì)應(yīng)的每個(gè)高斯核進(jìn)行參數(shù)擬合，得到每個(gè)高斯核對(duì)應(yīng)的中心與協(xié)方差；對(duì)每個(gè) 高斯核對(duì)應(yīng)的中心與協(xié)方差進(jìn)行求導(dǎo)處理；根據(jù)求導(dǎo)處理的結(jié)果構(gòu)造所述GMM模型對(duì)應(yīng)的 特征向量。
[0029] 所述提取模塊，還用于針對(duì)待檢測(cè)的T個(gè)視頻圖像中的每個(gè)視頻圖像，對(duì)視頻圖 像進(jìn)行特征提取，得到Μ個(gè)特征值；所述采樣模塊，還用于針對(duì)待檢測(cè)的T個(gè)視頻圖像中的 每個(gè)視頻圖像，對(duì)相應(yīng)的Μ個(gè)特征值進(jìn)行Ν次采樣，得到Ν個(gè)采樣結(jié)果，每個(gè)采樣結(jié)果中包 含所述Μ個(gè)特征值的部分特征值；所述生成模塊，還用于針對(duì)待檢測(cè)的Τ個(gè)視頻圖像中的每 個(gè)視頻圖像，針對(duì)每個(gè)采樣結(jié)果，對(duì)所述采樣結(jié)果采用k個(gè)高斯核，生成所述采樣結(jié)果對(duì)應(yīng) 的GMM子模型，并得到N個(gè)GMM子模型；所述獲得模塊，還用于針對(duì)待檢測(cè)的T個(gè)視頻圖像 中的每個(gè)視頻圖像，對(duì)所述N個(gè)GMM子模型進(jìn)行排序后，得到對(duì)應(yīng)的GMM模型，并得到T個(gè) GMM模型；
[0030] 所述獲得模塊，還用于對(duì)所述T個(gè)GMM模型進(jìn)行排序后，得到對(duì)應(yīng)的GMM參考模 型；所述提取模塊，還用于針對(duì)所述T個(gè)視頻圖像之外的其它待檢測(cè)的視頻圖像，對(duì)其它待 檢測(cè)的視頻圖像進(jìn)行特征提?。凰霁@得模塊，還用于利用當(dāng)前提取的特征值和GMM參考 模型獲得其它待檢測(cè)的視頻圖像的特征向量；所述檢測(cè)模塊，還用于利用其它待檢測(cè)的視 頻圖像的特征向量進(jìn)行特征檢測(cè)。
[0031] 所述裝置應(yīng)用在通過(guò)Fisher Vector方式進(jìn)行特征檢測(cè)的系統(tǒng)中；
[0032] 所述高斯核的數(shù)量k小于所述Μ個(gè)特征值對(duì)應(yīng)的高斯核數(shù)量。
[0033] 基于上述技術(shù)方案，本發(fā)明實(shí)施例中，針對(duì)每個(gè)待檢測(cè)的視頻圖像，通過(guò)對(duì)視頻圖 像進(jìn)行特征提取，得到Μ個(gè)特征值，對(duì)Μ個(gè)特征值進(jìn)行Ν次采樣，得到Ν個(gè)采樣結(jié)果，每個(gè)采 樣結(jié)果中包含Μ個(gè)特征值的部分特征值，針對(duì)每個(gè)采樣結(jié)果，對(duì)采樣結(jié)果采用k個(gè)高斯核， 生成采樣結(jié)果對(duì)應(yīng)的GMM子模型，并得到N個(gè)GMM子模型，對(duì)N個(gè)GMM子模型進(jìn)行排序后， 得到對(duì)應(yīng)的GMM模型，并獲得GMM模型對(duì)應(yīng)的特征向量，并利用特征向量進(jìn)行特征檢測(cè)。上 述特征檢測(cè)方式是通過(guò)Fisher Vector方式進(jìn)行特征檢測(cè)的方式，不是直接基于原始的視 頻圖像生成相應(yīng)的高維特征向量，其可靠性較高，而且，上述特征檢測(cè)方式不是直接采用級(jí) 聯(lián)方式生成高維特征向量，在進(jìn)行特征檢測(cè)時(shí)不會(huì)產(chǎn)生特征錯(cuò)位現(xiàn)象。進(jìn)一步的，上述特征 檢測(cè)方式可以使用較少的k個(gè)高斯核生成對(duì)應(yīng)的GMM子模型，GMM子模型的生成過(guò)程中使 用的高斯核數(shù)量很少，從而降低特征檢測(cè)算法的計(jì)算復(fù)雜度，提高計(jì)算性能，提高算法收斂 性，并可以有效加速特征向量的生成。
【附圖說(shuō)明】
[0034] 圖1是本發(fā)明一種實(shí)施方式中的特征檢測(cè)的方法的流程圖；
[0035] 圖2是本發(fā)明一種實(shí)施方式中的圖像處理設(shè)備的硬件結(jié)構(gòu)圖；
[0036] 圖3是本發(fā)明一種實(shí)施方式中的特征檢測(cè)的裝置的結(jié)構(gòu)圖。
【具體實(shí)施方式】
[0037] 針對(duì)現(xiàn)有技術(shù)中存在的問(wèn)題，本發(fā)明實(shí)施例中提出一種特征檢測(cè)的方法，該方法 可以應(yīng)用在通過(guò)Fisher Vector (費(fèi)舍爾矢量）方式進(jìn)行特征檢測(cè)的系統(tǒng)