檢測圖像中特定物體的方法和檢測圖像中特定物體的設備的製作方法
2023-06-10 09:34:01 2
專利名稱：檢測圖像中特定物體的方法和檢測圖像中特定物體的設備的製作方法
技術領域：
本發明涉及一種檢測圖像中特定物體的方法和檢測圖像中特定物體的設備。
背景技術：
隨著計算機技術的發展，在圖像和視頻的模式識別領域也有顯著的進展，對檢測圖像中特定物體的技術的需求也越來越大，並且取得了一定成就。在模式識別領域，物體檢測的效果依賴於關鍵特徵或者關鍵特徵組合的選取。近年來，大量的實用特徵應用到物體檢測領域中。基於單ー特徵的識別分類方法一般會取得精度比較低、有很多誤檢、但是效率較高的識別結果。以雲檢測為例，基於單ー顔色特徵的識別方法可以識別到大部分的雲，但是同時有很多具有與雲相似顔色的物體可能被誤檢成雲。專利文件1(US 7，480，052B1)提出了基於電磁場頻譜信息的在衛星雲圖中檢測雲的方法。在衛星雲圖中的某個區域，通過比較至少三個離散的電磁場頻譜的帶寬範圍內的反射值，然後比較它們之間的比例值，從而獲得雲檢測的判定結果。然而，專利文件I僅僅專門針對衛星雲圖，通過採用電磁場頻譜反射值來確定雲檢測結果，因而不是一種廣義範圍的雲檢測方法，應用範圍有限。非專利文件I(Classification of satellite cloud imagery based onmult1-feature texture analysis and neural networks, Christodoulou, C.1.；Michaelides, S. C. ；Pattichis, C. S. ；Kyriakou, K. ；Dept. of Comput. Sc1. , Univ. ofCyprus,Image Processing,2001,Proceedings,2001 International Conference,vol.1,497-500，基於多特徵紋理分析和神經網絡的衛星雲圖中的雲分類方法，賽普勒斯大學)提出ー種區分不同雲的分類方法。9種不同紋理特徵集合(共包含55個特徵)被提取出來，通過神經網絡來訓練有效的雲分類器。非專利文件I中的紋理特徵包含了邊界、紋理等等特徵，但是這些特徵分開、獨立地輸入以用於神經網絡訓練。特徵區分性有限，且處理較為複雜。
發明內容
鑑於現有技術中存在的上述問題而做出本發明，本發明提出一種基於能量模型的檢測圖像中特定物體的方法和檢測圖像中特定物體的設備。根據本發明實施例的ー個方面，提出了一種檢測圖像中特定物體的方法，包括感興趣區域估計步驟，在輸入的待處理圖像中，估計包含所述特定物體的區域，作為感興趣區域；特徵確定步驟，確定所述感興趣區域中物體的特徵參數；物體能量確定步驟，根據物體的特徵參數確定物體的能量；特定物體判別步驟，將所確定的物體的能量與預定閾值相比較，如果該物體的能量大於等於該預定閾值，則將該物體判別為所述特定物體。。根據本發明實施例的另ー個方面，提出了一種檢測圖像中特定物體的設備，包括感興趣區域估計裝置，在輸入的待處理圖像中，估計包含所述特定物體的區域，作為感興趣區域；特徵確定裝置，確定所述感興趣區域中物體的特徵參數；物體能量確定裝置，根據物體的特徵參數確定物體的能量；特定物體判別裝置，將所確定的物體的能量與預定閾值相比較，如果該物體的能量大於等於該預定閾值，則將該物體判別為所述特定物體。通過閱讀結合附圖考慮的以下本發明的優選實施例的詳細描述，將更好地理解本發明的以上和其他目標、特徵、優點和技術及エ業重要性。
圖1示出按照本發明實施例的檢測圖像中特定物體的方法的總體流程圖。圖2示出待處理圖像的ー個示例。圖3示意性地示出對圖2所示待處理圖像進行感興趣區域估計處理後所估計的關於特定物體雲的感興趣區域。圖4示出待處理圖像的另ー個示例。圖5示意性地示出對圖4所示待處理圖像進行感興趣區域估計處理後所估計的關於特定物體雲的感興趣區域。圖6示出對圖2中的感興趣區域提取物體外部邊界特徵參數的示意圖。圖7示出對圖4所示的圖像提取物體內部邊界特徵參數的示意圖。圖8示出按照本發明實施例的檢測圖像中特定物體的設備的總體框圖。圖9是示出按照本發明實施例的檢測圖像中特定物體的系統的總體框圖。
具體實施例方式下面結合附圖描述本發明實施例。圖1示出按照本發明實施例的檢測圖像中特定物體的方法的總體流程圖。如圖1所示，檢測圖像中特定物體的方法可以包括感興趣區域估計步驟S100，可以在輸入的待處理圖像中，估計包含所述特定物體的區域，作為感興趣區域；特徵確定步驟S200，可以確定所述感興趣區域中物體的特徵參數；物體能量確定步驟S300，可以根據物體的特徵參數確定物體的能量；以及特定物體判別步驟S400，可以將所確定的物體的能量與預定閾值相比較，如果該物體的能量大於等於該預定閾值，則將該物體判別為所述特定物體。在該感興趣區域估計步驟SlOO中，可以將所述待處理圖像劃分為多個區域，獲取各個區域的色彩特徵，利用線性分類器分別判斷各個區域是否符合所述特定物體的色彩特徵，將符合所述特定物體的色彩特徵的區域組合得到所述感興趣區域。對於待檢測的輸入圖像，或者稱為待處理圖像，可以在感興趣區域估計步驟SlOO中對其進行初步檢測，排除明顯不具有要檢測的特定的目標物體，即特定物體的圖像，以降低此後處理過程的負擔。初步檢測可以基於形狀、顔色、尺寸等等中的任何一種特徵或多種特徵的組合，通常，基於ー種単一特徵的初步檢測具有非常高的處理速度，能夠大幅度減少待檢測圖像的數量，但是初步檢測具有相對較低的檢測率，會有一定量的實際上並非包含特定物體的圖像通過該初步檢測，進入此後的處理。假設在所述特定物體為雲的情況下，在該感興趣區域估計步驟SlOO中，可以將輸入的待處理圖像進行基於單ー顔色特徵的雲的初歩檢測。雲大體上可以分為白雲、烏雲、及朝霞晚霞等等類別，可以收集大量的關於各類雲的正樣本圖像(雲圖像)和負樣本圖像(非雲圖像)，來訓練分類器。基於顏色特徵的雲的檢測可以利用線性分類器，該線性分類器可以通過提取足夠多的正樣本圖像和負樣本圖像的RGB顔色特徵，進而使用支持向量機(Support Vector Machine, SVM)訓練而得到。感興趣區域估計步驟SlOO對待處理圖像的初歩判斷可以針對各個像素逐一進行，然而，為了降低處理的複雜度，也可以將圖像劃分為相等大小的若干個矩形框，例如，將1024*768的圖像分為32*27個矩形框，顯然本發明實施例所能夠處理的圖像像素數目及劃分矩形框的行列數目不限於此。經過對待處理圖像的以像素或矩形框為單位的處理，在假定分類器將某個或某些上述単位判斷為特定物體的情況下，假設特定物體為雲，檢測目標包括白雲、烏雲、朝霞晚霞,則待處理圖像中含有雲的區域和實際上不含有雲但含有與雲相似顔色的物體的區域可以被檢測出來。圖2示出待處理圖像的ー個示例。通過上述感興趣區域估計步驟SlOO對圖2所示圖像的處理，可以獲得其關於特定物體的感興趣區域。圖3示意性地示出對圖2所示待處理圖像進行感興趣區域估計處理後所估計的關於特定物體雲的感興趣區域，其中，把待處理圖像劃分為若干行列數目的矩形框，其中標註交叉線的矩形框區估計構成感興趣區域，其中不含交叉線的矩形框ロ確定不涉及該特定物體。圖4示出待處理圖像的另ー個示例。通過上述感興趣區域估計步驟SlOO對圖4所示圖像的處理，可以獲得其關於特定物體的感興趣區域。圖5示意性地示出對圖4所示待處理圖像進行感興趣區域估計處理後所估計的關於特定物體雲的感興趣區域，其中，把待處理圖像劃分為若干行列數目的矩形框，其中標註交叉線的矩形框區估計構成感興趣區域，其中不含交叉線的矩形框□確定不涉及該特定物體。圖2中的物體為單一物體雲，在云為特定物體的情況下，感興趣區域估計步驟SlOO估計出的感興趣區域均確實為包含物體雲；圖4中的物體有多種，諸如樓房、汽車、雲等等，儘管雲仍然為特定物體，然而感興趣區域估計步驟SlOO估計出的感興趣區域可能把其它物體也估計為關於雲的感興趣區域，儘管從最後的結果看存在誤判，但是在此步驟均保留下來。感興趣區域估計步驟SlOO所檢測到的可能包含特定物體的區域可以稱為感興趣區域(ROI)，感興趣區域估計步驟SlOO對待處理圖像所估計出的感興趣區域的位置可以記錄，作為該待處理圖像的圖像數據的附加數據，此後的處理可以針對所檢測到的感興趣區域進行，從而減輕後續處理的壓カ。針對感興趣區域估計步驟SlOO所估計的感興趣區域，可以進入特徵確定步驟S200來進行處理，然而，可選地，也可以通過排除步驟再排除一些不太可能是目標的特定物體的感興趣區域，進ー步降低此後處理的負擔。排除步驟例如可以是，根據感興趣區域在所述待處理圖像中的位置，排除不符合所述特定物體的位置特徵的感興趣區域。排除步驟可以採用的排除依據不限於感興趣區域的位置，而是也可以採用近鄰特徵、或其它特徵來進行特徵校驗，從而可以進一歩去除掉很多誤檢結果。假定作為最終要檢測的目標的特定物體為雲，諸如白雲、烏雲、朝霞晚霞，排除步驟可以通過ー些重要的輔助特徵的校驗來去除誤檢結果。例如，位置特徵可以是ー個簡單而有效的特徵，在排除步驟採用位置特徵的情況下，如果感興趣區域位於圖像中的上半部分，那麼其中的物體才有可能是雲，如果出現在下半部分，那麼其中的物體將不太可能是雲。再例如，在排除步驟採用近鄰特徵的情況下，如果感興趣區域中有物體被藍色、灰色區域包圍，該藍色區域可能是藍天，該灰色區域可能是陰天，那麼該物體有可能是雲，這樣的感興趣區域可以保留；而如果感興趣區域中的物體均沒有被藍色、灰色區域包圍的，則該物體不大可能是雲，有可能例如是板、車或者建築物外牆等等，這樣的感興趣區域可以排除。感興趣區域估計步驟SlOO所估計的感興趣區域、或者是經過排除步驟而未被排除的感興趣區域，進入特徵確定步驟S200及其後的處理。在所述特徵確定步驟S200中，確定所述感興趣區域中物體的特徵參數，所述特徵參數可以包括物體外部邊界特徵參數和物體內部邊界特徵參數。關於物體外部邊界特徵參數，可以通過確定感興趣區域中物體邊界，提取其中的物體外部邊界，根據該物體所佔面積確定外部邊界點數目，在物體外部邊界上等距離設置外部邊界點數目的外部邊界點，確定外部邊界點梯度的大小度量值和方向度量值，將外部邊界點梯度的大小度量值和方向度量值及外部邊界點數目作為物體外部邊界特徵參數。特徵確定步驟S200將要處理以獲取其中物體外部邊界特徵參數的圖像可以仍然例如如圖2所示，然而，在此應當理解，無論是否經過上述排除步驟的處理，此時已經知道圖2中的感興趣區域的位置等等的信息。圖6示出對圖2中的感興趣區域提取物體外部邊界特徵參數的示意圖。首先，可以通過邊界檢測方法，例如Sobel或者Canny邊界檢測，提取感興趣區域中每個物體的邊界，選取其中最外圍邊界為外部邊界。在圖6中，示出了各個物體的所提取的外部邊界，示意性地標註了其中三個物體的外部邊界Lel、Le2、Le3，用以說明本發明實施例的特徵確定步驟S200的實施。本領域技術人員可以理解，圖2中其它物體的外部邊界也能夠並已經提取出。為了簡潔，在圖6中，上述其它物體的外部邊界未賦予標號，然而本領域技術人員可以理解，可以以與下述針對外部邊界Lel的處理相同方式的處理來處理其它的外部邊界。下面，以外部邊界Lel為例說明其所圍物體的外部邊界特徵的提取。外部邊界Lel所圍的物體所佔的面積area可以通過成熟手段獲得，可以根據對大量正樣本圖像進行分析所獲得的經驗函數Ns = f(area)來確定與該面積相適應的外部邊界點數目Ns。也就是，Ns的值可以根據待檢測的特定物體的尺寸來決定，並且其中，可以以任意規則，例如最高、最低、最左、或最右，來起始地確定第一個外部邊界點的位置，其餘點或者順時針、或者也可以逆時針地依次布置。合適的Ns值使得能夠儘可能多地提取到物體外部的關鍵特徵。然後，在外部邊界Lel上依次等距離地布置該Ns個外部邊界點，在圖6中，示出了外部邊界Lel上的外部邊界點，其中，為了說明的目的，示意性地標出了 4個外部邊界點Pel、Pe2、Pe3、Pe4，為了簡潔，該物體的其它外部邊界點未賦予標號，然而，本領域技術人員可以理解，能夠以與下述針對外部邊界點Pel、Pe2、Pe3、Pe4的處理相同方式的處理來處理其它的外部邊界點。然後，可以通過成熟手段計算每ー個外部邊界點的梯度，梯度為矢量，梯度值包括梯度大小值和梯度方向值。圖6中外部邊界點Pel、Pe2、Pe3、Pe4處的箭頭表示該點處梯度的方向。
計算外部邊界點梯度的大小的平均值，作為所述外部邊界點梯度的大小度量值。也就是，計算所有Ns個外部邊界點的梯度大小的平均值msm，作為所述外部邊界點梯度的大小度量值，該梯度的大小度量值msm可以用來衡量物體外部邊界的漸變程度。可以在計算外部邊界點梯度的大小的平均值之前或之後，或與此同時，計算外部邊界點梯度的相鄰點角度差的分布，作為所述外部邊界點梯度的方向度量值。其中，可以將360度的角度範圍等分為預定數目的角度區間，將相鄰點角度差分布到所述角度區間，把分布有所述相鄰點角度差的所述角度區間的數目作為方向度量值。例如，將物體的所有相鄰兩個外部邊界點的梯度方向角度值做差，以圖6為例，假定沿逆時針方向(顯然也可以順時針方向)對外部邊界點Pel、Pe2、Pe3、Pe4處的梯度方向角度值依次做差，即Pe4點的梯度方向的角度_Pe3點的梯度方向的角度、Pe3點的梯度方向的角度_Pe2點的梯度方向的角度、Pe2點的梯度方向的角度-Pel點的梯度方向的角度，如此依次計算，直至完成Lel所圍物體的全部Ns個外部邊界點的相鄰點角度差的計算，循環一周，回到Pe4點。然後，將差值歸到預設的角度差值區間段中。每個區間段覆蓋10度，共有36個區間段，統計這些角度差值的分布情況，並統計出這些角度差值所分布的區間段個數ds。例如，假定有25個外部邊界點(Ns = 25)，則有25個角度差值，假設該25個角度差值分布在19個角度區間段中，·則所述外部邊界點梯度的方向度量值ds = 19。統計物體外部邊界點相鄰梯度方向差值可以衡量物體的外部不規則性。通過上述處理所得到的物體外部邊界特徵參數可以包括Ns、msm和ds，這些參數將進入此後的用來建立能量模型的處理過程。可以在上述的提取物體外部邊界特徵參數的過程之前或之後，或者與之同時，提取物體內部邊界特徵參數。關於物體內部邊界特徵參數，可以通過確定感興趣區域中物體邊界，提取其中的物體內部邊界，根據物體內部邊界總長度確定內部邊界點數目，在物體內部邊界上等距離設置內部邊界點數目的內部邊界點，確定內部邊界點梯度的大小度量值和方向度量值，將內部邊界點梯度的大小度量值和方向度量值及內部邊界點數目作為物體內部邊界特徵參數。特徵確定步驟S200將要處理以獲取其中物體內部邊界特徵參數的圖像可以仍然例如如圖4所示，然而，在此應當理解，無論是否經過上述排除步驟的處理，此時已經知道圖4中的感興趣區域的位置等等的信息。圖7示出對圖4所示的圖像提取物體內部邊界特徵參數的示意圖。為了清晰地表示所提取的物體內部邊界，圖7採用ニ值化圖的形式。本領域技術人員通過以下說明可以理解，本發明實施例的特徵確定步驟S200也可以針對圖2所示圖像提取其內部邊界，也可以針對圖4所示圖像提取其外部邊界。採用不同的圖像說明特徵確定步驟S200以體現本發明實施例的普遍適用性。 提取感興趣區域中每個物體的內部紋理特徵,例如,可以通過邊界檢測方法,例如Sobel或者Canny邊界檢測，提取感興趣區域中每個物體的邊界，並由此提取其中每個物體的內部邊界。實際上，關於提取物體外部邊界特徵參數及提取物體內部邊界特徵參數，可以利用一次邊界檢測的結果，每個物體最外側邊界為外部邊界，外部邊界之內的為內部邊界。然後，針對各個物體，將該物體內部所有邊界想像成ー個整體,將ー個物體內部的邊界例如按照由上到下、由左到右的順序全部連接起來，通過提取該擬制的整體內部邊界的特徵，來衡量該物體內部紋理的特性。在圖7中，示出了各個物體的所提取的邊界，包括外部邊界和內部邊界,示意性地標註了其中某個物體的所連接而成的整體內部邊界Li，用以說明本發明實施例的特徵確定步驟S200的實施。本領域技術人員可以理解，圖4中其它物體的內部邊界也能夠並已經提取出。為了簡潔，在圖7中，上述其它物體的內部邊界未賦予標號，然而本領域技術人員可以理解，可以以與下述針對內部邊界Li的處理相同方式的處理來處理其它的內部邊界。下面，以內部邊界Li為例說明其內部紋理特徵的提取。內部邊界Li的長度length可以通過成熟手段獲得，可以根據對大量正樣本圖像進行分析所獲得的經驗函數Nb = f (length)來確定與該長度相適應的內部邊界點數目Nb。也就是，Nb的值可以根據待檢測的特定物體的內部邊界長度來決定，並且其中，可以以任意規則，例如最高、最低、最左、或最右，來起始地確定第一個外部邊界點的位置，其餘點或者順時針、或者也可以逆時針地依次布置。合適的Nb值使得能夠儘可能多地提取到物體內部的關鍵特徵。然後，在內部邊界Li上依次等距離地布置該Nb個內部邊界點，在圖7中，示出了內部邊界Li上的內部邊界點，其中，為了說明的目的，示意性地標出了 4個內部邊界點Pil、Pi2、Pi3、Pi4，為了簡潔，該物體的其它內部邊界點未賦予標號，然而，本領域技術人員可以理解，能夠以與下述針對內部邊界點Pil、Pi2、Pi3、Pi4的處理相同方式的處理來處理其它的內部邊界點。然後，可以通過成熟手段計算每ー個內部邊界點的梯度，梯度為矢量，梯度值包括梯度大小值和梯度方向值。圖7中內部邊界點Pil、Pi2、Pi3、Pi4處的箭頭表示該點處梯度的方向。計算內部邊界點梯度的大小的平均值，作為所述內部邊界點梯度的大小度量值。也就是，計算所有Nb個內部邊界點的梯度大小的平均值mbm，作為所述內部邊界點梯度的大小度量值，該梯度的大小度量值mbm可以用來衡量物體內部邊界的漸變程度。可以在計算外部邊界點梯度的大小的平均值之前或之後，或與此同時，計算內部邊界點梯度的相鄰點角度差的分布，作為所述內部邊界點梯度的方向度量值。其中，可以將360度的角度範圍等分為預定數目的角度區間，將相鄰點角度差分布到所述角度區間，把分布有所述相鄰點角度差的所述角度區間的數目作為方向度量值。例如，將物體的所有相鄰兩個內部邊界點的梯度方向角度值做差，以圖7為例，假定按從左上到右下的順序(顯然也可以沿其它方向)對內部邊界點Pil、Pi2、Pi3、Pi4處的梯度方向角度值依次做差，即Pil點的梯度方向的角度_Pi2點的梯度方向的角度、Pi2點的梯度方向的角度-Pi3點的梯度方向的角度、Pi3點的梯度方向的角度-Pi4點的梯度方向的角度，如此依次計算，直至完成Li上的全部Nb個內部邊界點的相鄰點角度差的計算，最後點的梯度方向的角度-起始點的梯度方向的角度，從而循環一周。然後，將差值歸到預設的角度差值區間段中。每個區間段覆蓋10度，共有36個區間段，統計這些角度差值的分布情況，並統計出這些角度差值所分布的區間段個數db。例如，假定有25個內部邊界點(Nb = 25)，則有25個角度差值，假設該25個角度差值分布在4個角度區間段中，則所述內部邊界點梯度的方向度量值db = 4。統計物體內部邊界點相鄰梯度方向差值可以衡量物體的內部紋理的不規則性。通過上述處理所得到的物體內部邊界特徵參數可以包括Nb、mbm和db,這些參數將進入此後的用來建立能量模型的處理過程。然後，在物體能量確定步驟S300，利用之前處理過程中所確定的某個物體的關鍵特徵，即其外部邊界梯度特徵的參數、及其內部邊界紋理特徵的參數，來建立能量模型。本領域技術人員可以理解，儘管在上述說明中，針對不同圖像分別介紹如何確定物體的外部邊界梯度特徵的參數及內部邊界紋理特徵的參數，然而，在建立能量模型的過程中，必然根據同一物體的外部邊界特徵參數和內部邊界特徵參數建立該物體的能量模型。具體地，在所述物體能量確定步驟S300中，可以基於物體外部邊界特徵參數確定物體外部邊界能量,基於物體內部邊界特徵參數確定物體內部邊界能量,將物體外部邊界能量和物體內部邊界能量按預定權重相加，獲得該物體的能量。具體地，針對某ー個物體，可以通過以下公式(I)建立其能量模型Eobject = Esurface+k Ebody(I)其中是該物體的總能量，Esurface是物體的外部邊界能量，Ebody是物體的內部邊界能量；k是外部與內部能量之間的權重參數，可以是通過機器學習的方法利用大量的樣本訓練而獲得的優化值。在作為要檢測的目標的特定物體為雲的情況下，Eobject可以表示為EdUd。並且在此情況下，k是通過大量關於雲的樣本圖像進行訓練而得的結果。在作為要檢測的目標的特定物體為其它特定物體的情況下，則通過大量關於該其它特定物體的樣本圖像進行訓練而獲得k值。
具體地，可以根據所述外部邊界點梯度的方向度量值與外部邊界點數目的比值及所述外部邊界點梯度的大小度量值，確定所述物體外部邊界能量。例如，物體外部邊界能量E—可以通過以下公式⑵計算得到Esurface = ads/Ns+a-fflSffl(2)其中，Ns為該物體外部邊界點個數，msm為該Ns個外部邊界點梯度的大小度量值，ds為該Ns個外部邊界點梯度的方向度量值，a可以為大於I的任意值，例如，a可以為數學常數e，也可以是1. 5、2、100等等的其它恆量值。具體地，可以根據所述內部邊界點梯度的方向度量值與內部邊界點數目的比值及所述內部邊界點梯度的大小度量值，確定所述物體內部邊界能量。例如，物體外部邊界能量Ebtjdy可以通過以下公式(3)計算得到Ebody = adb/Nb+a_mbm(3)其中，Nb為該物體內部邊界點個數，mbm為該Nb個內部邊界點梯度的大小度量值，db為該Nb個內部邊界點梯度的方向度量值，a的含義其取值與上述公式(2)中相同。從而，可以通過以下公式⑷來計算該物體的總能量Etjw6rttjEobject = ads/Ns+a-msm+k (adb/Nb+a^mbm)(4)其中各量含義與前文中的描述相同。通過公式(4)可以發現，當被檢測的該物體具有模糊、緩慢漸變、而且不規則的外部邊界，同時具有模糊平坦而且不規則的內部紋理或者僅有少量內部紋理時，該被檢測物體的總能量值會趨向於變大。而在其它ー些情況下，例如當被檢測物體具有清晰或者規則的外部邊界，同時具有清晰或者規則的內部紋理時，該被檢測物體的總能量值會趨向於變小。以云為例，雲的外部是模糊不規則的，內部紋理是模糊不規則的或者內部紋理是少量的，因此，當被檢測物體是雲的時候，會生成一個較高的總能量值。因此，公式(4)所建立的能量模型可以衡量物體外部特徵，例如外部邊界的漸變程度和邊界不規則性，並同時衡量物體內部特徵，例如紋理的清晰度和分布情況。在物體能量確定步驟S300計算得到被檢測物體的總能量之後，通過特定物體判別步驟S400判別該物體是否為作為目標的特定物體。其中，可以根據機器學習的方法，通過訓練大量的關於該特定物體的樣本，並根據與上文描述具有相同參數設置的上述公式，例如與上述檢測過程相同的a值、k值等等，建立其能量模型，根據樣本的能量值獲得相應的優化值，作為用來判定該特定物體的預定閾值。如果該被檢測的物體的能量大於等於該預定閾值，則將該物體判別為所述特定物體；顯然也可以是如果該被檢測的物體的能量大於該預定閾值，則將該物體判別為所述特定物體；否則，將該物體判別為不是所述特定物體。檢測全部感興趣區域中物體之後，獲得最終處理結果。至此，可以以本領域任意的成熟手段來在圖像中標識出判別為目標特定物體的物體，並以本領域任意的成熟手段輸出。本發明還可以實施為ー種檢測圖像中特定物體的設備，可以用來實施前述檢測圖像中特定物體的方法。圖8示出按照本發明實施例的檢測圖像中特定物體的設備的總體框圖。如圖8所示，該檢測圖像中特定物體的設備包括感興趣區域估計裝置100，可以用來實施前述感興趣區域估計步驟S100，以在輸入的待處理圖像中，估計包含所述特定物體的區域，作為感興趣區域；特徵確定裝置200，可以用來實施前述特徵確定步驟S200，以確定所述感興趣區域中物體的特徵參數；物體能量確定裝置300，可以用來實施前述物體能量確定步驟S300，以根據物體的特徵參數確定物體的能量；特定物體判別裝置400，可以用來實施前述特定物體判別步驟S400，以將所確定的物體的能量與預定閾值相比較，如果該物體的能量大於等於該預定閾值，則將該物體判別為所述特定物體。其中，所述特徵確定裝置200所確定的所述特徵參數可以包括物體外部邊界特徵參數和物體內部邊界特徵參數。其中，所述物體能量確定裝置300可以基於物體外部邊界特徵參數確定物體外部邊界能量，基於物體內部邊界特徵參數確定物體內部邊界能量，將物體外部邊界能量和物體內部邊界能量按預定權重相加，獲得該物體的能量。其中，所述感興趣區域估計裝置100可以將所述待處理圖像劃分為多個區域，獲取各個區域的色彩特徵，利用線性分類器分別判斷各個區域是否符合所述特定物體的色彩特徵，將符合所述特定物體的色彩特徵的區域組合得到所述感興趣區域。按照本發明實施例的檢測圖像中特定物體的設備還可以包括排除裝置，可以用來實施前述排除步驟，以根據感興趣區域在所述待處理圖像中的位置，排除不符合所述特定物體的位置特徵的感興趣區域。在按照本發明實施例的檢測圖像中特定物體的設備中，可以通過確定感興趣區域中物體邊界，提取其中的物體外部邊界，根據該物體所佔面積確定外部邊界點數目，在物體外部邊界上等距離設置外部邊界點數目的外部邊界點，確定外部邊界點梯度的大小度量值和方向度量值，將外部邊界點梯度的大小度量值和方向度量值及外部邊界點數目作為物體外部邊界特徵參數。在按照本發明實施例的檢測圖像中特定物體的設備中，可以通過確定感興趣區域中物體邊界,提取其中的物體內部邊界,根據物體內部邊界總長度確定內部邊界點數目，在物體內部邊界上等距離設置內部邊界點數目的內部邊界點，確定內部邊界點梯度的大小度量值和方向度量值，將內部邊界點梯度的大小度量值和方向度量值及內部邊界點數目作為物體內部邊界特徵參數。在按照本發明實施例的檢測圖像中特定物體的設備中，可以計算外部邊界點梯度的大小的平均值，作為所述外部邊界點梯度的大小度量值；計算外部邊界點梯度的相鄰點角度差的分布，作為所述外部邊界點梯度的方向度量值；根據所述外部邊界點梯度的方向度量值與外部邊界點數目的比值及所述外部邊界點梯度的大小度量值，確定所述物體外部邊界能量。在按照本發明實施例的檢測圖像中特定物體的設備中，可以計算內部邊界點梯度的大小的平均值，作為所述內部邊界點梯度的大小度量值；計算內部邊界點梯度的相鄰點角度差的分布，作為所述內部邊界點梯度的方向度量值；根據所述內部邊界點梯度的方向度量值與內部邊界點數目的比值及所述內部邊界點梯度的大小度量值，確定所述物體內部邊界能量。在按照本發明實施例的檢測圖像中特定物體的設備中，可以將360度的角度範圍等分為預定數目的角度區間，將相鄰點角度差分布到所述角度區間，把分布有所述相鄰點角度差的所述角度區間的數目作為方向度量值。本發明還可以通過一種檢測圖像中特定物體的系統來實施。圖9是示出按照本發明實施例的檢測圖像中特定物體的系統1000的總體框圖，如圖9所示，檢測圖像中特定物體的系統1000可以包括輸入設備1100，用於從外部輸入將要檢測處理的圖像，例如可以包括鍵盤、滑鼠器、掃描儀、以及通信網絡及其所連接的遠程輸入設備等等；處理設備1200，用於實施上述的按照本發明實施例的檢測圖像中特定物體的方法，或者實施為上述的按照本發明實施例的檢測圖像中特定物體的設備，例如可以包括計算機的中央處理器或其它的具有處理能力的晶片如DSP等等；輸出設備1300，用於向外部輸出實施上述特定物體檢測過程所得的結果，例如可以包括顯示器、印表機、以及通信網絡及其所連接的遠程輸出設備等等；以及存儲設備1400，用於以易失或非易失的方式存儲上述特定物體檢測處理過程所涉及的圖像、所得的結果、命令、中間數據等等，例如可以包括隨機存取存儲器(RAM)、只讀存儲器(ROM)、硬碟、或半導體存儲器等等的各種易失或非易失性存儲器。本說明書上文中提到的物體的外部邊界梯度特徵和內部紋理特徵(例如內部邊界梯度特徵)只是應用於物體檢測領域的多種特徵中的兩種重要特徵，本發明的實施不限於此，許多其它的特徵也可以用來建立能量模型。能量模型中的內部和外部能量是兩個子能量，然而，也可以建立具有三個或者更多關鍵特徵的物體檢測的能量模型，將該能量模型擴展到含有三個或者更多個子能量，在此情況下，在公式(I)中添加相應的能量元素。本發明實施例的檢測圖像中特定物體的方法及檢測圖像中特定物體的設備可以以云為特定物體，可以對白雲、烏雲、朝霞晚霞等等進行相關的雲檢測，顯然還可以應用於檢測具有模糊且不規則輪廓和模糊內部紋理特徵的ー類物體。例如,本發明實施例的檢測圖像中特定物體的方法及檢測圖像中特定物體的設備可以以雲檢測相同的配置來應用於諸如ー些毛絨玩具的檢測。本領域技術人員可以認識到，對於任意的特定物體，可以應用本發明實施例的檢測圖像中特定物體的方法及檢測圖像中特定物體的設備。基於該特定物體的樣本圖像進行訓練，通過建立與該特定物體相應的能量模型並確定相應的預定閾值，可以實現圖像中該特定物體的檢測。因此，本發明實施例可以應用於一般的物體檢測。通過按照本發明實施例的基於能量模型的檢測圖像中特定物體的方法和檢測圖像中特定物體的設備，能夠實現減少誤檢率，去除利用現有技術手段會誤檢的其它物體。本發明實施例所採用的能量模型通過將多個關鍵特徵結合在一起，將它們分配以不同的權重，通過一定的數學運算建立到能量模型中，從而能夠利用所生成的能量值來表徵具有特定物體的特徵性的數值。通過這樣的能量模型，本發明實施例所實現的識別手段能夠有效地結合關鍵特徵並且獲得更好的識別準確率。與前述專利文件I相比，本發明實施例的檢測圖像中特定物體的方法和檢測圖像中特定物體的設備通過提取圖像自身特徵，例如外部邊界梯度特徵和內部紋理特徵，來建立能量模型，從而有效檢測圖像中的雲，具有更加廣泛的應用範圍，而不僅僅是衛星雲圖。與前述非專利文件I相比，本發明實施例的檢測圖像中特定物體的方法和檢測圖像中特定物體的設備除初步檢測和特徵校驗之外，兩個或者多個關鍵特徵(例如外部邊界梯度和內部紋理特徵)可以建立到能量模型中，配以權重來實現有機結合，從而獲得更好的特徵區分性，並以簡化的算法降低處理負擔。本發明實施例的基於能量模型的檢測圖像中特定物體的方法和檢測圖像中特定物體的設備通過提出能量模型，優化組合兩個或者多個物體的關鍵特徵，分別針對特徵建立內部和外部能量，然後通過權重參數k優化組合兩種特徵，以達到最優分類效果。本發明實施例的基於能量模型的檢測圖像中特定物體的方法和檢測圖像中特定物體的設備提出優化檢測結構首先進行基於單ー特徵的初步檢測，然後對重要的輔助特徵進行特徵校驗，然後建立能量模型進行特定目標物體的最終檢測，從而實現優化檢測效率和性能。在檢測的特定目標物體為雲的情況下，本發明實施例的基於能量模型的檢測圖像中特定物體的方法和檢測圖像中特定物體的設備採用雲的外部邊界梯度特性和內部紋理特性作為重要特徵，來進行雲的檢測。此外，本發明實施例的基於能量模型的檢測圖像中特定物體的方法和檢測圖像中特定物體的設備提出近鄰方向差值統計方法，以衡量邊界或者紋理的不規則性。顯然，以上例示的具體公式、參數、硬體、數值均為示例，本領域技術人員可以在本發明的精神的範圍內，根據本說明書的教導來得到其他替代公式、參數、硬體、數值來實現本發明。以上通過圖像識別模型中的雲檢測模型作為例子來詳細描述了本發明的實施例的具體細節，但是，本領域技術人員可以理解，本發明可應用的識別模型不限於此，而是可以應用於雲檢測模型以外的其他模型的檢測及識別。在說明書中說明的一系列操作能夠通過硬體、軟體、或者硬體與軟體的組合來執行。當由軟體執行該一系列操作時，可以把其中的電腦程式安裝到內置於專用硬體的計算機中的存儲器中，使得計算機執行該電腦程式。或者，可以把電腦程式安裝到能夠執行各種類型的處理的通用計算機中，使得計算機執行該電腦程式。例如，可以把電腦程式預先存儲到作為記錄介質的硬碟或者R0M(只讀存儲器)中。或者，可以臨時或者永久地存儲(記錄)電腦程式到可移動記錄介質中，諸如軟盤、⑶-ROM (光碟只讀存儲器)、MO (磁光)盤、DVD (數字多功能盤)、磁碟、或半導體存儲器。可以把這樣的可移動記錄介質作為封裝軟體提供。本發明已經參考具體實施例進行了詳細說明。然而，很明顯，在不背離本發明的精神的情況下，本領域技術人員能夠對實施例執行更改和替換。換句話說，本發明用說明的形式公開，而不是被限制地解釋。要判斷本發明的要_，應該考慮所附的權利要求。
權利要求
1.一種檢測圖像中特定物體的方法，包括 感興趣區域估計步驟，在輸入的待處理圖像中，估計包含所述特定物體的區域，作為感興趣區域； 特徵確定步驟，確定所述感興趣區域中物體的特徵參數； 物體能量確定步驟，根據物體的特徵參數確定物體的能量； 特定物體判別步驟，將所確定的物體的能量與預定閾值相比較，如果該物體的能量大於等於該預定閾值，則將該物體判別為所述特定物體。
2.按照權利要求1所述的檢測圖像中特定物體的方法，其中， 在所述特徵確定步驟中，所述特徵參數包括物體外部邊界特徵參數和物體內部邊界特徵參數；以及 在所述物體能量確定步驟中，基於物體外部邊界特徵參數確定物體外部邊界能量，基於物體內部邊界特徵參數確定物體內部邊界能量，將物體外部邊界能量和物體內部邊界能量按預定權重相加，獲得該物體的能量。
3.按照權利要求1所述的檢測圖像中特定物體的方法，其中， 在所述感興趣區域估計步驟中，將所述待處理圖像劃分為多個區域，獲取各個區域的色彩特徵，利用線性分類器分別判斷各個區域是否符合所述特定物體的色彩特徵，將符合所述特定物體的色彩特徵的區域組合得到所述感興趣區域。
4.按照權利要求1所述的檢測圖像中特定物體的方法，還包括 排除步驟，根據感興趣區域在所述待處理圖像中的位置，排除不符合所述特定物體的位置特徵的感興趣區域。
5.按照權利要求2所述的檢測圖像中特定物體的方法，其中，通過確定感興趣區域中物體邊界，提取其中的物體外部邊界，根據該物體所佔面積確定外部邊界點數目，在物體外部邊界上等距離設置外部邊界點數目的外部邊界點，確定外部邊界點梯度的大小度量值和方向度量值，將外部邊界點梯度的大小度量值和方向度量值及外部邊界點數目作為物體外部邊界特徵參數。
6.按照權利要求2所述的檢測圖像中特定物體的方法，其中，通過確定感興趣區域中物體邊界,提取其中的物體內部邊界,根據物體內部邊界總長度確定內部邊界點數目，在物體內部邊界上等距離設置內部邊界點數目的內部邊界點，確定內部邊界點梯度的大小度量值和方向度量值，將內部邊界點梯度的大小度量值和方向度量值及內部邊界點數目作為物體內部邊界特徵參數。
7.按照權利要求5所述的檢測圖像中特定物體的方法，其中， 計算外部邊界點梯度的大小的平均值，作為所述外部邊界點梯度的大小度量值；計算外部邊界點梯度的相鄰點角度差的分布，作為所述外部邊界點梯度的方向度量值；根據所述外部邊界點梯度的方向度量值與外部邊界點數目的比值及所述外部邊界點梯度的大小度量值，確定所述物體外部邊界能量。
8.按照權利要求6所述的檢測圖像中特定物體的方法，其中， 計算內部邊界點梯度的大小的平均值，作為所述內部邊界點梯度的大小度量值；計算內部邊界點梯度的相鄰點角度差的分布，作為所述內部邊界點梯度的方向度量值；根據所述內部邊界點梯度的方向度量值與內部邊界點數目的比值及所述內部邊界點梯度的大小度量值，確定所述物體內部邊界能量。
9.按照權利要求7或8所述的檢測圖像中特定物體的方法，其中， 將360度的角度範圍等分為預定數目的角度區間，將相鄰點角度差分布到所述角度區間，把分布有所述相鄰點角度差的所述角度區間的數目作為方向度量值。
10.一種檢測圖像中特定物體的設備，包括 感興趣區域估計裝置，在輸入的待處理圖像中，估計包含所述特定物體的區域，作為感興趣區域； 特徵確定裝置，確定所述感興趣區域中物體的特徵參數； 物體能量確定裝置，根據物體的特徵參數確定物體的能量； 特定物體判別裝置，將所確定的物體的能量與預定閾值相比較，如果該物體的能量大於等於該預定閾值，則將該物體判別為所述特定物體。
全文摘要
本發明提供一種檢測圖像中特定物體的方法，包括感興趣區域估計步驟，在輸入的待處理圖像中，估計包含所述特定物體的區域，作為感興趣區域；特徵確定步驟，確定所述感興趣區域中物體的特徵參數；物體能量確定步驟，根據物體的特徵參數確定物體的能量；特定物體判別步驟，將所確定的物體的能量與預定閾值相比較，如果該物體的能量大於等於該預定閾值，則將該物體判別為所述特定物體。本發明還相應地提供一種檢測圖像中特定物體的設備。
文檔編號G06K9/00GK103049735SQ20111031076
公開日2013年4月17日 申請日期2011年10月14日 優先權日2011年10月14日
發明者劉殿超, 師忠超, 鍾誠, 劉童, 王剛 申請人:株式會社理光