基於級聯多層檢測器的快速目標檢測方法與流程

2023-07-09 17:17:06 1

本發明涉及智能視頻監控領域，尤其是一種基於級聯多層檢測器的快速目標檢測方法。

背景技術：

目標檢測是計算機視覺中重要的一個研究方向，是進一步分析目標的基礎，在此基礎上，可以對目標跟蹤、行為分析等等。隨著我國經濟的發展，城市化水平進一步提高，智慧城市已經成為城市現代化發展的重要方向。視頻監控系統作為智慧城市的重要組成部分，也正朝著智能化和網絡化方向發展。在智能視頻監控中，對於目標（如車輛，行人等）進行快速的檢測和定位，達到實時性，是後續智能監控的基礎和前提。因此，如何快速的檢測和定位目標，已成為國內外相關領域的研究熱點。

目前，目標檢測主流的方案是，提取目標特徵，用檢測器對包含目標的區域進行檢測。用於目標特徵提取的算子主要有Haar算子、LBP算子、HOG算子，結合adaboost檢測器進行檢測。

進行目標檢測時，常用方案是生成金字塔圖像，然後遍歷整個金字塔圖像，可以精確的檢測和定位目標。但是會生成大量的候選框，需要對每個候選框進行判斷，嚴重地降低效率，增加了檢測時間。如果可以降低候選框的數量，就可以縮短時間。因此如何在不損失精度的前提下，合理的減少候選框，成為了研究的重點。

技術實現要素：

為解決上述問題，本發明提供一種基於級聯多層檢測器的快速目標檢測方法。

本發明解決其技術問題所採用的技術方案是：一種基於級聯多層檢測器的快速目標檢測方法，其特徵在於，包括步驟：

S101,生成大量可能包含目標區域的候選框；

S102,進入粗檢測階段，選擇目標的簡單特徵進行檢測，排除非目標區域；

S103,將目標進行分塊，選擇目標部件特徵進行進一步檢測篩選；

S104,進入精檢測階段，選擇目標區域的精細特徵對餘下目標區域進行檢測；

S105，精確定位目標區域；

S106，將粗檢測階段檢測器、目標部件檢測器、精檢測階段檢測器級聯起來組成級聯檢測器。

進一步地，所述S102進入粗檢測階段選擇目標的簡單特徵進行檢測排除非目標區域包括：

A.進行第一階段檢測器訓練，收集樣本後，對樣本集合選擇簡單的灰度級特徵，產生大量的特徵，形成特徵池；

B.對特徵池裡面的特徵進行隨機選擇，訓練生成n棵隨機樹，每個隨機樹深度為d,每個隨機樹中葉節點的得分值記為s,隨機隨機樹閾值為t，記錄隨機選擇的特徵；

C.用隨機森林去檢測樣本集合，到達每個隨機數的葉節點時，取裡面的得分值，組合成特徵向量，這些特徵向量就是自我學習得到的特徵；

D.根據學習到的特徵，再選用adaboost（SVM）訓練出目標檢測模型。

進一步地，所述S103將目標進行分塊選擇目標部件特徵進行進一步檢測篩選包括：

A.在樣本集合中，將目標分為幾個部件，提取每個部件的灰度級特徵，對部件用級聯檢測器進行訓練，弱檢測器選擇決策樹，訓練出每個部件的閾值和通過整個目標的閾值；

B.經過第一階段聚類之後得到的候選區域，對其進行分塊，用決策樹檢測每個部分，得到每個部件的閾值，將每個部件閾值相加，將大於目標閾值的候選區域保留，然後將部件按照順序組成目標區域。

進一步地，所述S105精確定位目標區域包括：

A.選擇複雜的特徵對目標提取特徵；

B.訓練檢測器，精確定位出目標區域；

C.對剩下的區域進行檢測，提取區域的精細特徵，用檢測器進行精確定位。

本發明採用隨機森林學習到的特徵來訓練adaboost檢測器。將目標分成幾個部件，訓練出每個部件的閾值，由部件閾值之和來判斷是否是目標。另外，本發明中的基於多階檢測器級聯的檢測器框架，各階可以採用相同特徵或者不同特徵來訓練檢測器，先粗檢測目標，再用部件過濾，最後用精細檢測器定位的級聯結構框架。

附圖說明

圖1為本發明基於級聯多層檢測器的快速目標檢測方法的步驟流程圖。

具體實施方式

本專利公開了一種快速目標檢測方案，主要分為三個部分，首先對目標進行粗檢測，除去大量的非目標候選框，再用目標部件檢測器過濾掉部分非目標區域，最後用精細特徵對剩下的區域定位出目標區域，將這三個過程級聯起來，就構成了快速目標檢測的級聯檢測器。

下面結合附圖對本發明的具體實施方式作進一步詳細的說明。

S101,首先生成大量可能包含目標區域的候選框。

根據各種目標特徵採集大量信息之後，產生多個可能包含目標區域的候選框。

S102,進入粗檢測階段，選擇簡單特徵進行檢測。

在粗檢測階段，為了快速的排除大量非目標候選框，選擇簡單特徵進行檢測。

第一階段進行檢測器訓練時，對樣本集合選擇簡單的灰度級特徵，如灰度差分特徵，類Harr特徵，梯度幅值特徵等，產生大量的特徵，形成特徵池，這些特徵時間複雜度低，適合快速計算，對特徵池裡面的特徵進行隨機選擇，訓練生成n棵隨機樹，每個隨機樹深度為d，每個隨機樹中葉節點的得分值記為s，隨機樹閾值為t，記錄隨機選擇的特徵；然後再用隨機森林去檢測樣本集合，到達每個隨機數的葉節點時，取裡面的得分值，組合成特徵向量，這些特徵向量就是自我學習得到的特徵，根據學習到的特徵，再選用adaboost（SVM）訓練出目標檢測模型。

第一階段檢測器裡的隨機森林和adaboost（SVM）可以迭代級聯，不過為了達到快速檢測，要求迭代次數不能太高。

用第一階段檢測器檢測一幀圖像時，先生成多層金字塔圖像，對每一層金字塔圖像，按照一定的步長進行遍歷，產生大量的候選框圖像；對這些候選框圖像提取灰度級特徵，用訓練好的隨機森林檢測，選擇包含目標圖像的候選框。因為灰度級特徵時間複雜度低，隨機森林檢測速度快，這樣可以快速的排除大量的沒有目標的候選框圖像；對選出來的候選框圖像，在用隨機森林產生自我學習特徵，用訓練好的adaboost（SVM）進行檢測，保留符合的候選框圖像。

在第一階段得到的候選框圖像，進行組合聚類，產生一部分候選區域。

S103,將目標進行分塊，選擇目標部件特徵進行進一步檢測篩選。在粗檢測與細定位之間再加一層檢測器，就是目標部件檢測器，用它再篩選一些包含目標的區域。

將目標進行分塊，如行人分為三個部件，頭、上肢、下肢，車輛分為上下左右四個部件。

在樣本集合中，將目標分為幾個部件，為了加速運算，仍然提取每個部件的灰度級特徵，對部件用級聯檢測器進行訓練，弱檢測器選擇決策樹，訓練出每個部件的閾值和通過整個目標的閾值。

經過第一階段聚類之後得到的候選區域，對其進行分塊，用決策樹檢測每個部分，得到每個部件的閾值，將每個部件閾值相加，將大於目標閾值的候選區域保留，然後將部件按照順序組成目標區域。

S104,使用精細特徵訓練出來的檢測器對餘下區域進行檢測。

S105，精確定位目標區域。

最後用精細特徵訓練出來的檢測器，對餘下區域進行檢測，精確定位目標區域。

a、為了精確定位目標區域，可以選擇複雜的特徵對目標提取特徵，特徵可為HOG、SIFT等。

b、訓練檢測器，精確定位出目標區域，檢測器可以為adaboost。

c、再對剩下的區域進行檢測，提取區域的精細特徵，用檢測器進行精確定位，因為上面兩個階段已經排除了大量的非目標區域，即使用複雜的特徵提取，也可以快速的檢測出目標，並且精度非常高。

S106，將粗檢測階段、目標部件檢測器、精細檢測器級聯起來組成級聯檢測器。

將這三個階段的檢測器，粗檢測階段檢測器，目標部件檢測器，精檢測階段檢測器級聯起來，組成級聯檢測器，可以快速又高精度的檢測出目標區域。

本發明採用：

1、用隨機森林學習到的特徵來訓練adaboost檢測器。

2、將目標分成幾個部件，訓練出每個部件的閾值，由部件閾值之和來判斷是否是目標。

3、基於多階檢測器級聯的檢測器框架，各階可以採用相同特徵或者不同特徵來訓練檢測器；先粗檢測目標，再用目標部件檢測器過濾，最後用精細檢測器定位的級聯結構框架。

在不損失精度的前提下，降低需檢測的候選框數量，縮短了檢測時間，大大提高了檢測效率。