目標檢測方法和設備的製作方法

2023-09-16 09:30:15 1

專利名稱：目標檢測方法和設備的製作方法
技術領域：
本公開涉及目標檢測領域，具體地，涉及圖像中的目標檢測方法和設備、目標特徵分布訓練方法和設備以及利用這樣的方法或包括這樣的設備的電子設備。
背景技術：
目標檢測是圖像/視頻自動分析中的核心技術之一。誤檢測是目標檢測應用中普遍存在的問題。在圖像分析中，目標群(即在圖像或視頻中同時可見的較大數目的同種目標)的檢測及密度估計有很高的應用價值。例如，體育視頻中檢測到的人群往往對應於觀眾席，而觀眾席鏡頭往往意味著此前出現了精彩事件；車站、廣場等地點的視頻監控需要對人群的分布和密度進行估計；交通路口視頻監控的擁堵程度分析需要對汽車的分布和密度進行估計。

發明內容
本公開的一些實施例提供了目標檢測方法和設備、目標特徵分布訓練方法和設備以及利用這樣的方法或包括這樣的設備的電子設備。在下文中給出關於本公開的一些方面的簡要概述，以便提供對於本公開的基本理解。應當理解，這個概述並不是對本公開的窮舉性概述。該概述也並非意圖確定本公開的關鍵或重要部分，也不是意圖限定本公開的範圍。其目的僅僅是以簡化的形式給出某些概念，以此作為稍後論述的更詳細描述的前序。根據本公開的一個方面，提供了一種目標檢測的方法。在該方法中，對於在至少一個圖像中檢測到的某個候選目標(為了方便，稱為第一候選目標)，可以根據在所述至少一個圖像中檢測到的、在空間上位於該第一候選目標的位置附近且與該第一候選目標類別相同的多個相鄰候選目標來估計該第一候選目標所屬類別的目標的特徵在該第一候選目標的位置附近的特徵分布；並根據所述特徵分布來判斷該第一候選目標是否為誤檢測。根據本公開的另一方面，提供了一種目標檢測設備。該目標檢測設備可以包括估計裝置和誤檢測判斷裝置。針對在至少一個圖像中檢測到的某個候選目標(為了方便，稱為第一候選目標)，估計裝置可以根據在所述至少一個圖像中檢測到的、在空間上位於該第一候選目標的位置附近且與該候選目標類別相同的多個相鄰候選目標來估計該候選目標所屬類別的目標的特徵在該第一候選目標的位置附近的特徵分布。誤檢測判斷裝置可以根據所述特徵分布來判斷該第一候選目標是否為誤檢測。根據本公開的另一方面，提供了包括上述目標檢測設備的電子設備。根據本公開的另一方面，提供了一種目標特徵分布的訓練方法。在該訓練方法中， 對於在多個圖像樣本中檢測到的類別相同的多個候選目標中的每個候選目標，可以根據在空間上位於每個候選目標的位置附近的、同類別的多個相鄰候選目標來估計所屬類別的目標的特徵在該每個候選目標的位置附近的特徵分布，得到分別與所述多個候選目標的位置對應的多個特徵分布。然後，可以保存所述多個特徵分布，作為特徵分布字典。
根據本公開的另一方面，提供了一種目標特徵分布的訓練設備。該訓練設備包括估計裝置和存儲裝置。該估計裝置針對在多個圖像樣本中檢測到的類別相同的多個候選目標中的每個候選目標，根據在空間上位於每個候選目標的位置附近的、同類別的多個相鄰候選目標來估計所屬類別的目標的特徵在該每個候選目標的位置附近的特徵分布，得到分別與所述多個候選目標的位置對應的多個特徵分布。存儲裝置用於存儲所述多個特徵分布，作為特徵分布字典。根據本公開的另一方面，提供了包括上述目標特徵分布的訓練設備的電子設備。根據本公開的另一方面，提供了一種目標檢測方法。在該目標檢測方法中，對於在圖像中檢測到的某個候選目標(稱為第二候選目標)，根據該第二候選目標在所述圖像中所處的位置來查詢特徵分布字典，獲得該第二候選目標所屬類別的目標的特徵在該位置附近的特徵分布。然後，可以根據所述特徵分布來判斷該第二候選目標是否為誤檢測。所述特徵分布字典包括所屬類別目標的所述特徵在圖像中的多個位置處的多個特徵分布。根據本公開的另一方面，提供了一種目標檢測設備。該目標檢測設備包括分布查詢裝置和誤檢測判斷裝置。針對在圖像中檢測到的某個候選目標(稱為第二候選目標)，分布查詢裝置可以根據該第二候選目標在所述圖像中所處的位置來查詢特徵分布字典，獲得該第二候選目標所屬類別的目標的特徵在該位置附近的特徵分布。所述特徵分布字典包括所屬類別目標的所述特徵在圖像中的多個位置處的多個特徵分布。誤檢測判斷裝置可以根據分布查詢裝置所獲得的特徵分布來判斷該第二候選目標是否為誤檢測。根據本公開的另一方面，提供了包括上述目標檢測設備的電子設備。另外，本公開的實施例還提供了用於實現上述方法的電腦程式。此外，本公開的實施例還提供了至少計算機可讀介質形式的電腦程式產品，其上記錄有用於實現上述方法的電腦程式代碼。


參照下面結合附圖對本公開實施例的說明，會更加容易地理解本公開的以上和其它目的、特點和優點。附圖中的部件只是為了示出本公開的原理。在附圖中，相同的或類似的技術特徵或部件將採用相同或類似的附圖標記來表示。圖1是示出了根據本公開的一個實施例的目標檢測方法的示意性流程圖；圖2是示出了根據所估計的特徵分布來判斷候選目標是否為誤檢測的一個具體方法實施例的示意性流程圖；圖3是示出了根據所估計的特徵分布來判斷候選目標是否為誤檢測的另一具體方法實施例的示意性流程圖；圖4A是示出了根據本公開的另一實施例的目標檢測方法的示意性流程圖；圖4B是示出了利用在特徵上具有相似性的相鄰候選目標來估計目標的特徵模型的一個具體方法實施例的示意性流程圖；圖4C是示出了利用在特徵上具有相似性的相鄰候選目標來估計目標的特徵模型的另一具體方法實施例的示意性流程圖；圖5是示出了圖4B所示的估計目標的特徵模型的方法的一個具體示例的示意圖6是示出了圖4C所示的估計目標的特徵模型的方法的一個具體示例的示意圖；圖7是示出了根據本公開的一個實施例的目標檢測設備的示意性框圖；圖8㈧示出了一幅包括目標群的圖像；圖8 (B)示出了對圖8 (A)所示的圖像進行了目標檢測但沒有採用根據本公開的實施例的方法進行誤檢測排除的目標檢測結果；圖8 (C)示出了根據本公開的一個實施例的目標檢測方法或設備對圖8 (A)所示的圖像進行處理後的目標檢測結果；圖9是示出了根據本公開的一個實施例的目標特徵分布的訓練方法的示意性流程圖；圖10是示出了根據本公開的一個實施例的目標特徵分布的訓練設備的示意性框圖；圖11是示出了根據本公開的一個實施例、利用訓練得到的目標特徵分布進行目標檢測的方法的示意性流程圖；圖12是示出了根據本公開的一個實施例、利用訓練得到的目標特徵分布進行目標檢測的設備的示意性框圖；以及圖13是示出用於實現本公開的計算機的結構的示例性框圖。
具體實施例方式下面參照附圖來說明本公開的實施例。在本公開的一個附圖或一種實施方式中描述的元素和特徵可以與一個或更多個其它附圖或實施方式中示出的元素和特徵相結合。應當注意，為了清楚的目的，附圖和說明中省略了與本公開無關的、本領域普通技術人員已知的部件和處理的表示和描述。本公開中所謂的「圖像」可以表示一幅或一組靜止圖像，也可以表示一個圖像序列，如視頻圖像。在包含大量目標(目標群)的圖像中，各目標往往都很小，目標之間相互遮擋，而且不同目標經常處於不同的視角和姿態。在視頻圖像(例如對某些公共場所或交通流量的監控視頻)中，在不同圖像幀中出現的目標如果進行時域上的累積，往往也會形成這樣的目標群。在這種情況下進行目標檢測是比較困難的。本公開的發明人意識到，在包括目標群的圖像或視頻中，同類目標隨著其在圖像中的位置的變化其某些特徵(如尺寸、亮度等) 也是平滑變化的，即在空間上距離較近的同類目標的特徵差別較小。換言之，在物理空間上位置相近或相鄰的多個同類目標的某些特徵往往存在很大程度上的相似性。如果能很好地利用這種相似性，那麼將可以明顯提高目標檢測的準確率，並且在視頻分析中還可以提高目標檢測的速度。例如，在包括人群的圖像中，圖像中某個區域中的人臉或人頭的大小通常是相似的，但由於拍攝位置與目標之間的距離不同，不同區域之間人臉或人頭的大小又是變化的。又如，在某些包括陰影的圖像中，處於陰影中的目標與不在陰影區域中的目標的亮度有很大的差異，但是均處於陰影或非陰影區域中的相鄰目標的亮度之間具有相似性。圖1是示出了根據本公開的一個實施例的目標檢測方法的示意性流程圖。在該實施例中，在對圖像(如一幅圖像或視頻)進行了目標檢測之後，利用在空間中位置相鄰的多個同類目標在某些特徵(例如尺寸或亮度)上呈現出相似性這一特點對目標檢測的檢測結果(在本說明書中，目標檢測的檢測結果也被稱為「候選目標」)進行誤檢測排除。具體地，如圖1所示，該方法可以包括步驟103和109。在步驟103中，對於在至少一個圖像中檢測到的某個候選目標(為了敘述方便，稱為第一候選目標)，根據在所述至少一個圖像中檢測到的、在空間上位於該第一候選目標的位置附近、且與該第一候選目標類別相同的多個相鄰候選目標來估計所屬類別的目標的某個特徵(如尺寸或亮度)的特徵分布。多個相鄰候選目標是指在一個或更多個圖像中檢測到的與第一候選目標的距離較近 (如在預定距離範圍內)的多個同類候選目標。也就是說，位於第一候選目標的位置附近是指在空間上與第一候選目標的距離較近的位置，即在某一包含第一候選目標的較小空間範圍內的位置。這些相鄰候選目標可以是在同一圖像中檢測到的，也可以是在多幅圖像(如視頻圖像)的對應位置上檢測到的。由於在空間上距離較近，這些相鄰候選目標在所述特徵(如尺寸或亮度)上與第一候選目標呈現出相似性。換言之，用於估計所述特徵分布的相鄰候選目標的特徵具有相似性。可以根據實際應用場景(如圖像的拍攝角度、圖像拍攝位置與待檢測的候選目標之間的距離、圖像的解析度、目標的特徵大小等)來確定或選擇所述相鄰候選目標，這裡不作限定。在步驟109中，可以根據所估計的特徵分布以及檢測到的第一候選目標的所述特徵來判斷第一候選目標是否屬於誤檢測。如果候選目標的所述特徵不符合所估計的該候選目標的附近區域的特徵分布特性，則可以確定其為誤檢測，否則， 可以確定其不是誤檢測。所採用的特徵可以是在圖像中位置相鄰的目標呈現出相似性的任何特徵，如目標的尺寸、亮度等，這裡不一一列舉。作為一個示例，所述特徵可以是目標的尺寸，可以根據位於第一候選目標的位置附近的、多個同類別的相鄰候選目標的尺寸來估計該類別的目標在第一候選目標的位置附近的尺寸分布，作為上述特徵分布。可以判斷候選目標的尺寸是否與所屬類別的目標在該候選目標附近的尺寸分布特性一致，如果是，則可以確定該候選目標為誤檢測。否則，可以初步判斷該候選目標不是誤檢測。利用上述方法對在圖像中檢測到的各個候選目標進行判斷，可以有效排除誤檢測，從而提高目標檢測的正確率。另外，圖1所示的方法計算簡便。在將這種方法應用於視頻分析的情況下，還可以提高目標檢測的速度。在利用目標的尺寸的情況下，計算過程將更為簡單，可以進一步提高目標檢測的速度和準確度。作為一個示例，「位於第一候選目標的位置附近」可以是指一個或更多個圖像中與第一候選目標的位置之間的空間距離最近，換言之，多個相鄰候選目標可以包括在圖像中檢測到的、在空間上距離第一候選目標的位置最近且與該第一候選目標類別相同的多個候選目標。即，可以根據與第一候選目標之間的距離來選擇距離第一候選目標的最近的多個同類候選目標作為所述相鄰候選目標，以所確定或選擇的多個相鄰候選目標的特徵具有相似性為宜。例如，在包括目標群的單個圖像的情況下，可以選擇同類候選目標中距離第一候選目標最近的多個，作為所述相鄰候選目標。在視頻圖像中的情況下，可以選擇出現在不同圖像幀中、但在空間位置上距離第一候選目標最近的多個同類候選目標，作為所述相鄰候選目標。可以根據實際應用場景(如圖像的拍攝角度、圖像拍攝位置與待檢測的候選目標之間的距離、圖像的解析度、目標的特徵等)來確定這些相鄰候選目標的個數，以所確定或選擇的多個相鄰候選目標的特徵具有相似性為宜，這裡不作限定。
作為另一示例，「位於第一候選目標的位置附近」可以是指一個或更多個圖像中包括第一候選目標的位置的某個閉合區域，換言之，多個相鄰候選目標可以包括在圖像中包括第一候選目標的位置的某個閉合區域中檢測到的、與第一候選目標類別相同的多個候選目標。例如，在檢測視頻圖像中的目標的情況下，所謂的多個相鄰候選目標可以包括在不同圖像幀中在空間上與所述閉合區域對應的位置上檢測到的同類候選目標。所述閉合區域的大小可以根據實際應用場景來確定，以閉合區域內的同類目標的特徵具有相似性為宜。另外，所述閉合區域的大小可以是固定的，也可以是變化的，這裡也不作限定。作為一個示例，可以根據圖像或視頻的拍攝位置與待檢測的候選目標(第一候選目標)之間的距離來確定用於估計所屬類別的目標在該第一候選目標的位置附近的特徵分布的多個同類別的相鄰候選目標。作為具體示例，可以利用測距裝置來估測拍攝位置與待檢測的候選目標之間的距離，並根據該距離來調整用於確定在特徵分布的估計中使用的相鄰候選目標的策略，例如，可以根據該距離來調整所選擇的相鄰候選目標的個數，或者可以根據該距離調整所選擇的閉合區域的大小。例如，當拍攝位置距離待檢測的目標比較遠時，圖像中呈現的候選目標的特徵可能不明顯(如尺寸會比較小)，為了提高誤檢測排除的準確度，可以增加用於特徵分布的估計的相鄰候選目標的個數(或者使上文所述的閉合區域中包括的同類候選目標的數量比較多)。而當拍攝位置距離待檢測的目標比較近時，由於透視角度的問題，第一候選目標周圍在特徵上呈現出相似性的其他相鄰候選目標的個數可能會減少，因此，可以減少用於特徵分布的估計的相鄰候選目標的個數(或者使上文所述的閉合區域中包括的同類候選目標的數量比較小)，以便保證誤檢測排除的準確度，並提高誤檢測排除的效率。圖4A示出了根據本公開的另一實施例的目標檢測方法，其中，利用彼此相鄰的同類候選目標的特徵的相似性，通過統計相鄰候選目標的特徵來估計所屬類別的目標在包括這些相鄰候選目標的區域中的特徵模型。如圖4A所示，該方法可以包括步驟403和409。在步驟403中，對於在至少一個圖像中檢測到的某個候選目標(也稱為第一候選目標)，統計在所述至少一個圖像中檢測到的、在空間上與第一候選目標的位置相鄰且同類別的多個相鄰候選目標的特徵(如尺寸或亮度等)，以估計第一候選目標所屬類別的目標的特徵在該第一候選目標的位置附近的特徵模型(如尺寸模型或亮度模型)。作為一個示例，所估計的特徵模型可以包括該類目標的特徵的上限和/或下限。作為另一示例，所估計的特徵模型可以包括該類目標的特徵的均值和/或方差。作為另一示例，所估計的特徵模型可以包括該類目標的特徵的對數的均值和/或方差。作為另一示例，所估計的特徵模型可以包括該類目標的特徵的均值和/或離差絕對值的均值。作為另一示例，所估計的特徵模型可以包括該類目標的特徵的對數的均值和/或離差絕對值的均值。在步驟409中，判斷第一候選目標的所述特徵是否符合所估計的特徵模型，若是， 則判斷其不是誤檢測，若否，則判斷其是誤檢測。可選地，圖4A所示的方法還可以包括步驟405 (圖4A中虛線表示的方框)。在步驟405中，可以根據每個相鄰候選目標的置信度對所估計的特徵(如尺寸或亮度)或特徵模型(如尺寸模型或亮度模型)加權。這樣，可以使得到的特徵模型更準確地反映該類目標在第一候選目標的位置附近的區域內的特徵分布，從而使後續的誤檢測判斷更為準確，並進一步提高目標檢測的正確率。作為一個示例，可以計算多個相鄰候選目標的特徵(如尺寸或亮度)的平均值，並將該平均值作為上文中所描述的特徵分布或特徵模型。這種計算方法比較簡便，可以提高處理的效率。作為另一示例，還可以計算多個相鄰候選目標的特徵的加權平均值，作為所述特徵分布。例如，可以根據每個相鄰候選目標的置信度對其特徵進行加權，然後求這些加權值的平均值，並將該加權平均值作為該類目標的特徵分布。與多個相鄰候選目標的特徵的平均相比，採用置信度加權的平均值能夠更為準確地反映所屬類別的目標的特徵分布。作為另一示例，可以將多個相鄰候選目標的特徵(如尺寸或亮度)的中值。這種計算方法也比較簡便，可以提高處理的效率。步驟103/403可以採用這樣的方法來估計所述特徵分布或特徵模型，這裡不再贅述。圖4B和圖4C分別示出了利用在特徵上具有相似性的相鄰候選目標來估計目標的特徵模型的其他具體實施例。如圖4B所示，根據相鄰候選目標來估計目標的特徵模型的方法可以包括步驟 403-BU403-B2和403-B3。具體地，在步驟403-B1中，利用每個相鄰候選目標的所述特徵來建立所屬類別的目標的所述特徵在該每個相鄰候選目標的位置附近的分布概率模型，這樣可以得到多個分布概率模型，每個分布概率模型對應於多個相鄰候選目標中的一個。然後， 在步驟403-B2中，在所述多個分布概率模型中搜索分布概率較大的區段。在步驟403-B3 中，利用該區段來估計所屬類別的目標在第一候選目標的位置附近的特徵模型。圖5示出了圖4B所示方法的一個具體示例。在圖5的示例中，以圖8(A)所示的人群圖像為例，示出圖像中多個相鄰目標(人臉或人頭)的尺寸特徵的高斯分布的概率密度直方圖。如圖5所示，假設在圖像中包括第一候選目標的區域中目標尺寸的分布如下In(Size) Ν(μ，σ )(1)其中，In(Size)表示目標尺寸值Size的對數，Ν(μ，σ)表示期望值為μ、標準差為ο的高斯分布。可以假設標準差是一個常數。可以利用各個相鄰候選目標的尺寸值， 在直方圖中累積不同的尺寸值的概率密度。每個檢測結果(即每個相鄰候選目標)對應於一個以其尺寸為均值的高斯分布函數。可選地，還可以採用每個檢測結果的置信度為該高斯分布函數加權。可以通過窗口掃描(在圖5的示例中，窗口的寬度為4ο，應理解該窗口的寬度可以根據實際應用情況來調整，而不限於該具體示例)來搜索覆蓋最大概率值的區段。利用該區段來計算該類目標的特徵模型，具體地，可以利用該區段來計算該類目標在第一候選目標附近的尺寸均值。與上述實施例/示例中計算所有相鄰候選目標的特徵(如尺寸)的平均值或加權平均值或中值的方法相比，參考圖4Β或圖5所描述的方法所得到的特徵模型能夠更加準確地反映目標的特徵，因而能夠提高後續的誤檢測判斷準確率。圖8㈧示出了一幅包括目標群(人群)的圖像，圖8(B)示出了以人頭或人臉為目標的目標檢測結果，而圖8(C)示出了利用參考圖5所描述的方法、利用相鄰目標的尺寸之間的相似性對圖8(B)的目標檢測結果進行誤檢測排除後的結果，其中的方框表示檢測到的目標(人頭或人臉)，可以看出，通過利用相鄰候選目標的尺寸信息進行誤檢測判斷， 有效排除了圖8(B)中的一些誤檢測(如尺寸偏大和偏小的框)，從而提高了目標檢測的準確率。
如圖4C所示，根據候選目標的同類相鄰候選目標來估計目標的特徵在該候選目標的位置附近的特徵模型的方法可以包括步驟403-Cl、403-C2和403-C3。在該示例中，按照將所屬類別的目標的所述特徵(如尺寸)分別呈現為多個相鄰候選目標的檢測特徵值的似然概率之和最大化的準則，來估計目標的特徵在該候選目標的位置附近的特徵模型。具體地，在步驟403-C1中，提出該類目標在該候選目標(第一候選目標)的位置附近的特徵分布假設。可以選取多個假設值，從而建立所屬類別的目標的所述特徵在第一候選目標的位置附近的多個特徵分布假設。作為一個具體示例，可以採用高斯分布模型、以所述假設值為均值(可以選擇一個常數作為方差)來建立所述特徵分布假設。當然也可以採用其他概率分布模型，這裡不一一列舉。從理論上說，所述假設值的取值範圍可以是無限的。在實際應用中，可以根據目標的所述特徵在圖像中的檢測值的範圍來選取所述假設值，也可以根據檢測到的候選目標的所述特徵的值而在一定範圍內選取假設值，這裡不作詳述。在步驟 403-C2中，計算多個相鄰候選目標的特徵值(即所述特徵的檢測值)在每個特徵分布假設下的似然概率之和。應理解，可以採用任何適當的方法來計算似然概率，這裡不作詳述。另外，可選地，可以利用每個相鄰候選目標的置信度將其似然概率加權。在步驟403-C3中，選擇與最大的似然概率之和對應的特徵分布假設，來估計所屬類別的目標的特徵在第一候選目標的位置附近的特徵模型。圖6示出了圖4C所示方法的一個具體示例。在圖6所示的示例中，以目標的尺寸為例。首先，根據多個相鄰候選目標的尺寸值，統計各個尺寸值所對應的相鄰候選目標的個數。利用所屬類別的目標的尺寸的假設值來估計尺寸分布的假設模型，例如，圖6中的高斯模型(即以尺寸的假設值為均值的高斯分布模型)。在該假設模型之下，計算各個尺寸值的似然概率之和。可以選取多個假設值，並分別計算各個尺寸值在每個分布假設之下的似然概率之和。然後，利用與最大的似然概率之和對應的分布假設來估計該類目標在第一候選目標的位置附近的尺寸模型。所述多個假設值可以是在該類目標的實際尺寸值的鄰域的多個值，這裡不作限定。另外，可以理解，可以採用任何適當的方法來計算似然概率，這裡也不作詳述。與上述實施例/示例中計算所有相鄰候選目標的特徵(如尺寸)的平均值或加權平均值或中值的方法相比，參考圖4C或圖6所描述的方法所得到的特徵模型能夠更加準確地反映目標的特徵，因而能夠提高後續的誤檢測判斷準確率。圖2和圖3是分別示出了根據所估計的特徵分布來判斷候選目標是否為誤檢測的方法示例的示意性流程圖。如圖2所示，在估計了所屬類別的目標在第一候選目標的位置附近的特徵分布之後(如圖1或4A的步驟103或403之後)，在步驟109-A1中，根據在空間上位於每個相鄰候選目標附近的多個同類候選目標來估計所屬類別的目標的特徵在每個相鄰候選目標的位置附近的特徵分布。在步驟109-A2中，計算每個候選目標(即第一候選目標及其多個相鄰候選目標中的每個)的所述特徵與其對應的特徵分布的偏差。例如，在所估計的特徵分布包括所屬類別的目標的所述特徵的均值的情況下，可以計算每個候選目標的所述特徵與該均值的差。又如，在所估計的特徵分布包括所屬類別的目標的所述特徵的上限或下限的情況下，可以計算每個候選目標的所述特徵與該上限或下限的差，其中較大的值可以作為所述偏差。這裡不一一列舉。在步驟109-A3中，可以根據計算得到的多個偏差值將第一候選目標及其多個相鄰候選目標中與值較大的偏差對應的一個或更多個候選目標作為誤檢測。作為一個示例，與較大的偏差對應的一個或更多個候選目標可以包括第一候選目標與多個相鄰候選目標中與所估計的對應的特徵分布之間的偏差超過一閾值的一個或更多個。 如果所有的候選目標的偏差都不超過所述閾值，則可以確定其均非誤檢測。利用圖2所示的方法，可以對在圖像或視頻中某個區域中檢測到的多個同類候選目標一併進行誤檢測排除，從而可以進一步提高處理的效率。與圖2所示的示例不同，在圖3所示的實施例中，根據某個設定的偏差閾值來判斷候選目標是否誤檢測。如圖3所示，在估計了所屬類別的目標在第一候選目標的位置附近的特徵分布之後(如圖1或4A的步驟103或403之後)，在步驟109-B1中，計算第一候選目標的特徵與所估計的特徵分布之間的偏差。在步驟109-B2中，判斷該偏差是否大於某個閾值，若是，則確定第一候選目標為誤檢測，否則，則判斷其不是誤檢測。應理解，上述實施例/示例中的閾值可以根據實際應用場景(如圖像解析度、目標特徵等)來確定，這裡不作限定。作為一個示例，可以重複執行上述實施例/示例中的方法，以對目標檢測結果進行多次誤檢測排除，從而使得目標檢測更加準確。根據本公開的一些實施例，還提供了利用上述目標檢測方法的目標檢測設備。圖7示出了根據本公開的一個實施例的目標檢測設備700。目標檢測設備700採用圖1所示的方法進行誤檢測排除，如圖7所示，設備700可以包括估計裝置702和誤檢測判斷裝置704。估計裝置702可以根據前期目標檢測處理或設備的目標檢測結果來估計圖像中某個特定區域(如包括某個檢測結果的區域)中某一類候選目標的特徵分布。具體地，對於在圖像中檢測到的某個候選目標(稱為第一候選目標)，估計裝置702可以根據在空間上位於該第一候選目標的位置附近且與第一候選目標類別相同的多個相鄰候選目標來估計所屬類別的目標的特徵在第一候選目標的位置附近的特徵分布。誤檢測判斷裝置704可以檢測到的根據第一候選目標的所述特徵與估計裝置702 估計的特徵分布來確定該第一候選目標是否屬於誤檢測。如果檢測到的候選目標的特徵不符合所估計的特徵分布的特性，則估計裝置702將其確定為誤檢測，否則，估計裝置702判斷其不是誤檢測。與圖1所述的方法實施例相似，上述設備利用圖像中同類別的相鄰目標之間在某些特性(如尺寸)上具有相似性這一特點，根據相鄰候選目標的特徵來估計某類目標的特徵分布，並將該特徵分布作為判斷某個候選目標是否為誤檢測的依據，從而可以有效排除目標檢測中的誤檢測，提高目標檢測的正確率。與上述方法實施例/示例相似，這裡所謂的多個相鄰候選目標可以包括在圖像中檢測到的、在空間上距離第一候選目標的位置最近且與該第一候選目標類別相同的多個候選目標，或者可以包括在圖像中包括第一候選目標的位置的某個閉合區域中檢測到的、與第一候選目標類別相同的多個候選目標。所確定或選擇的多個相鄰候選目標應在特徵上具有相似性。這裡不作重複。作為一個示例，設備700還可以包括選擇裝置(未示出)。該選擇裝置可以根據圖像或視頻的拍攝位置與待檢測的候選目標(第一候選目標)之間的距離來確定或選擇用於估計所屬類別的目標在該第一候選目標的位置附近的特徵分布的多個同類別的相鄰候選目標。作為具體示例，如果拍攝位置是變化的，選擇裝置還可以測量拍攝位置與待檢測的候選目標之間的距離，並根據該距離來調整用於確定在特徵分布的估計中使用的相鄰候選目標的策略，例如，選擇裝置可以根據該距離來調整所選擇的相鄰候選目標的個數，或者可以根據該距離調整所選擇的閉合區域的大小，以便保證誤檢測排除的準確度，並提高誤檢測排除的效率。這裡不再重複。與上述方法實施例/示例相似，設備700採用的特徵可以是在圖像中位置相鄰的目標呈現出相似性的任何特徵，如目標的尺寸、亮度等，這裡不再重複。作為一個具體實施例，估計裝置702可以採用圖4A的步驟403所示的方法，利用彼此相鄰的同類候選目標的特徵的相似性，通過統計相鄰候選目標的特徵來估計所屬類別的目標在包括這些相鄰候選目標的區域中的特徵模型。例如，估計裝置702所估計的特徵模型可以包括該類目標的特徵的上限和/或下限。作為另一示例，所估計的特徵模型可以包括該類目標的特徵的均值和/或方差。作為另一示例，所估計的特徵模型可以包括該類目標的特徵的對數的均值和/或方差。作為另一示例，所估計的特徵模型可以包括該類目標的特徵的均值和/或離差絕對值的均值。作為另一示例，所估計的特徵模型可以包括該類目標的特徵的對數的均值和/或離差絕對值的均值。可選地，估計裝置702還可以根據每個相鄰候選目標的置信度對所估計的特徵(如尺寸或亮度)或特徵模型(如尺寸模型或亮度模型)加權。這樣，可以使得到的特徵模型更準確地反映該類目標在第一候選目標的位置附近的區域內的特徵分布，從而使後續的誤檢測判斷更為準確，並進一步提高目標檢測的正確率。作為具體示例，估計裝置702可以採用參考圖4B-4C、圖5-6所描述的方法來估計特徵模型。這裡不再重複。作為其他示例，估計裝置可以計算多個相鄰候選目標的特徵(如尺寸或亮度)的平均值、或加權平均值或中值(與上文參考方法示例/實施例作描述的相似，這裡不再贅述)O作為具體實施例，誤檢測判斷裝置704可以採用參考圖2或3所描述的方法進行誤檢測判斷。例如，估計裝置702還可以利用在空間上位於每個相鄰候選目標的位置附近的多個同類候選目標來估計所屬類別的目標的特徵在每個相鄰候選目標的位置附近的特徵分布，而誤檢測判斷裝置704可以計算第一候選目標及與其多個相鄰候選目標中的每一個的特徵(如尺寸)與相應的特徵分布(如尺寸分布)的偏差；並將其中偏差較大的一個或更多個作為誤檢測。這樣，可以對在圖像或視頻中某個區域中檢測到的多個候選目標一併進行誤檢測排除，從而可以進一步提高處理的效率。又如，誤檢測判斷裝置704還可以計算某個候選目標(如第一候選目標)的特徵(如尺寸)與對應的特徵分布(如尺寸分布) 的偏差，並判斷該偏差是否大於某個閾值，若是，則判斷該候選目標為誤檢測。應理解，上述閾值可以根據實際應用場景(如圖像解析度、目標大小等)來確定，這裡不作限定。作為一個示例，設備700可以對目標檢測結果進行多次誤檢測排除，從而使得目標檢測更加準確。根據本公開的實施例，還提供了包括上述目標檢測設備的電子設備，例如，用於 (實時或非實時的)目標檢測的電子設備或其他具有圖像處理功能的電子設備，如電腦、照相機、攝像機、電子監控設備等。
根據本公開的實施例，還提供了利用圖像中位置相鄰的同類目標在特徵上的相似性來訓練目標特徵分布的方法。圖9示出了根據一個實施例的目標特徵分布的訓練方法的示意圖。如圖9所示，該訓練方法可以包括步驟903和907。在步驟903中，對於在多個圖像樣本中檢測到的類別相同的多個候選目標中的每個候選目標，根據在空間上位於每個候選目標的位置附近的、同類別的多個相鄰候選目標來估計所屬類別的目標的特徵在該每個候選目標的位置附近的特徵分布，得到分別與所述多個候選目標的位置對應的多個特徵分布。換言之，每個特徵分布與多個候選目標中的一個候選目標的位置相對應。在步驟907 中，保存所述多個特徵分布，作為特徵分布字典。與上述實施例/示例相似，所採用的特徵可以是同類目標在每個區域中呈現相似性的任何特徵，如目標的尺寸、亮度等，這裡不再重複。作為一個具體實施例，步驟903可以採用上文參考圖4的步驟403所描述的方法來估計所述特徵分布或模型。例如，可以通過統計位於每個候選目標的位置附近的多個同類候選目標的所述特徵來估計所屬類別的目標在該候選目標的位置附近的特徵模型。作為一個示例，所估計的特徵模型可以包括該類目標的特徵的上限和/或下限。作為另一示例， 所估計的特徵模型可以包括該類目標的特徵的均值和/或方差。作為另一示例，所估計的特徵模型可以包括該類目標的特徵的對數的均值和/或方差。作為另一示例，所估計的特徵模型可以包括該類目標的特徵的均值和/或離差絕對值的均值。作為另一示例，所估計的特徵模型可以包括該類目標的特徵的對數的均值和/或離差絕對值的均值。作為具體示例，可以採用上文參考圖4B、5或4C、6所描述的方法來估計所屬類別的目標在每個候選目標的位置附近的特徵模型。作為其他示例，在步驟903中，還可以參考上文中的方法示例來計算位於每個候選目標的位置附近的多個同類候選目標的所述特徵的平均值或加權平均值或中值，作為所述特徵分布或模型。這裡不再重複這些具體的估計或計算方法。上述訓練方法中利用了包括目標群的圖像中位置相鄰的同類目標在某些特徵 (如尺寸或亮度等)上呈現相似性這樣的特點。針對某類目標，建立該類目標在圖像樣本中檢測到的多個候選目標的位置附近的區域中的特徵分布(如尺寸分布或亮度分布)，從而為後續的目標檢測提供有效的檢測依據。在進行目標檢測時，可以利用這些不同位置處的特徵分布或模型進行誤檢測排除，從而提高目標檢測的準確度，在圖像中包括大量目標的情況下，能夠有效提高處理的速度。作為一個示例，圖9所示的方法還可以包括步驟905，在該步驟905中，利用位於每個候選目標的位置附近的同類候選目標的置信度對特徵分布或模型進行加權(例如，可以利用置信度對每個同類候選目標的所述特徵進行加權或對根據每個同類候選目標的特徵估計的特徵分布或模型加權)，從而使得所估計的特徵分布或模型更加準確。作為一個示例，多個候選目標可以是在多個圖像樣本中累積得到的，而某個候選目標(也稱為第一候選目標)的相鄰候選目標可以包括在一個或更多個圖像樣本中檢測到的、在空間上距離該候選目標的位置最近且與該候選目標類別相同的多個候選目標。以所確定或選擇的多個相鄰候選目標的特徵具有相似性為宜。例如，在包括目標群的單個圖像的情況下，多個相鄰候選目標可以包括在圖像樣本中距離第一候選目標最近的多個候選目標。在視頻圖像中的情況下，多個相鄰候選目標可以是出現在不同圖像幀中、但在空間位置上距離第一候選目標近的候選目標。可以根據實際應用場景(如圖像的拍攝角度、圖像拍攝位置與待檢測的候選目標之間的距離、圖像的解析度、目標的特徵等)來確定這些相鄰候選目標的個數，這裡不作限定。作為另一示例，某個候選目標(也稱為第一候選目標)的多個相鄰候選目標可以包括在圖像樣本中包括第一候選目標的位置的某個閉合區域中檢測到的、與第一候選目標類別相同的多個候選目標。例如，在檢測視頻圖像中的目標的情況下，所謂的多個相鄰候選目標可以包括在不同圖像幀中在空間上與所述閉合區域對應的位置上檢測到的同類候選目標。所述閉合區域的大小可以根據實際應用場景來確定，以閉合區域內的同類目標的特徵具有相似性為宜。另外，所述閉合區域的大小可以是固定的，也可以是變化的，這裡也不作限定。作為一個具體示例，可以將圖像樣本在空間上劃分為多個區域，然後根據在至少一個圖像樣本中與每個區域的對應的位置上檢測到的、同類別的多個候選目標來估計所屬類別的目標的特徵在每個區域上的特徵分布。這樣，可以得到該類目標的特徵在圖像的多個區域上的多個特徵分布，作為特徵分布字典。根據本公開的實施例，還提供了利用圖像中相鄰同類目標在特徵上的相似性來訓練目標特徵分布的設備。圖10示出了根據一個實施例的目標特徵分布的訓練設備的示意圖。如圖10所示， 訓練設備1000可以包括估計裝置1002和存儲裝置1004。估計裝置1002可以針對在多個圖像樣本中檢測到的類別相同的多個候選目標中的每個候選目標，根據在空間上位於每個候選目標的位置附近的、同類別的多個相鄰候選目標來估計所屬類別的目標的特徵在該每個候選目標的位置附近的特徵分布，得到分別與所述多個候選目標的位置對應的多個特徵分布。存儲裝置1004可以保存所述多個特徵分布，作為特徵分布字典，以便在後續的目標檢測中使用。估計裝置1002可以採用上文參考圖4的步驟403所描述的方法來估計某類目標在每個候選目標的位置附近的特徵分布或模型。例如，可以通過統計位於每個候選目標的位置附近的多個同類候選目標的所述特徵來估計所屬類別的目標在該候選目標的位置附近的特徵模型。作為一個示例，所估計的特徵模型可以包括該類目標的特徵的上限和/或下限。作為另一示例，所估計的特徵模型可以包括該類目標的特徵的均值和/或方差。作為另一示例，所估計的特徵模型可以包括該類目標的特徵的對數的均值和/或方差。作為另一示例，所估計的特徵模型可以包括該類目標的特徵的均值和/或離差絕對值的均值。作為另一示例，所估計的特徵模型可以包括該類目標的特徵的對數的均值和/或離差絕對值的均值。作為具體示例，估計裝置1002可以採用上文參考圖4B、5或4C、6所描述的方法來估計所屬類別的目標在每個候選目標的位置附近的特徵模型。作為其他示例，估計裝置 1002可以參考上文中的方法示例來計算位於每個候選目標的位置附近的多個同類候選目標的所述特徵(如尺寸或亮度等)的平均值或加權平均值或中值，作為所述特徵分布或模型。這裡不再重複這些具體的估計或計算方法。作為一個示例，估計裝置1002可以利用位於每個候選目標的位置附近的多個同類候選目標的置信度對相應的特徵分布或模型進行加權，從而使得所估計的特徵分布或模型更加準確。與上文的方法示例相似，估計裝置1002所採用的多個候選目標可以是在多個圖像樣本中累積得到的，而某個候選目標(也稱為第一候選目標)的相鄰候選目標可以包括在一個或更多個圖像樣本中檢測到的、在空間上距離該候選目標的位置最近且與該候選目標類別相同的多個候選目標。這裡不再重複。與上文的方法示例相似，某個候選目標(也稱為第一候選目標)的多個相鄰候選目標可以包括在圖像樣本中包括第一候選目標的位置的某個閉合區域中檢測到的、與第一候選目標類別相同的多個候選目標。作為一個具體示例，估計裝置1002可以在空間上將圖像樣本劃分成多個區域。區域的大小可以根據實際應用情況來確定，以一個區域內的同類候選目標在特徵(如尺寸、亮度等)上呈現相似性為宜。每個區域對應於多個圖像樣本中的相應位置。與上述實施例/示例相似，每個區域的大小可以根據圖像的拍攝位置與每個區域之間的距離的遠近來確定。然後，對於所述多個區域中的每個區域，估計裝置1002根據在每個圖像樣本中與該區域對應的位置上檢測到的、類別相同的多個候選目標來估計這些候選目標所屬類別的目標的特徵在該區域中的特徵分布。根據本公開的實施例，還提供了包括上述目標特徵分布的訓練設備的電子設備， 例如，用於目標檢測的電子設備或其他具有圖像處理功能的電子設備，如電腦、照相機、攝像機、電子監控設備等。上述訓練方法或訓練設備可以利用多個訓練樣本圖像來訓練得到圖像中不同區域中的不同的特徵分布，用於後續的實時或非實時的目標檢測。根據本公開的實施例，還提供了利用訓練得到的、某類目標在圖像的不同區域中的特徵分布對該類目標進行檢測的方法。圖11示出了根據一個實施例的利用不同圖像區域中的不同特徵分布進行目標檢測的方法。如圖11所示，該方法可以包括步驟1107和1109。在步驟1107中，對於圖像中檢測到的某個候選目標(為了敘述方便，稱為第二候選目標)，根據該第二候選目標在圖像中所處的位置來查詢特徵分布字典，從而獲得該第二候選目標所屬類別的目標的特徵在該位置附近的特徵分布。這裡所述的特徵分布字典可以是採用參考圖9所描述的方法訓練得到的特徵分布字典。特徵分布字典可以包括所屬類別的目標的特徵在圖像的多個位置或區域的多個特徵分布。可以選擇與第二候選目標的位置最近處所對應的特徵分布，作為該候選目標的位置附近的特徵分布。與上述實施例/示例相似，所採用的特徵可以是在同類目標每個區域中呈現相似性的任何特徵，如目標的尺寸、 亮度等，這裡不再重複。所估計的特徵分布可以是根據位於所述第二候選目標的位置的附近且類別相同的多個相鄰候選目標的特徵來估計的所屬類別的目標在所述第二候選目標的位置附近的特徵模型(如尺寸模型)。作為一個示例，所估計的特徵模型可以包括該類目標的特徵的上限和/或下限。作為另一示例，所估計的特徵模型可以包括該類目標的特徵的均值和/或方差。作為另一示例，所估計的特徵模型可以包括該類目標的特徵的對數的均值和/或方差。作為另一示例，所估計的特徵模型可以包括該類目標的特徵的均值和/ 或離差絕對值的均值。作為另一示例，所估計的特徵模型可以包括該類目標的特徵的對數的均值和/或離差絕對值的均值。在步驟1109中，根據該第二候選目標的位置附近的特徵分布來判斷該第二候選目標是否為誤檢測。如果第二候選目標的所述特徵(如尺寸)符合該區域中的特徵分布(如尺寸分布)的特性，則可以確定其不是誤檢測，否則，則將其作為誤檢測排除掉。作為具體的示例，可以採用圖2或3所示的方法來判斷第二候選目標是否為誤檢測，例如，可以計算第二候選目標的所述特徵與其所處區域所對應的特徵分布之間的偏差， 並判斷該偏差是否大於某個閾值，若是，則確定所述第二候選目標為誤檢測。與前述實施例 /示例中相似，所述閾值可以根據實際應用場景來確定，這裡不作詳述。這種方法利用同類目標在圖像的不同空間位置或區域中的不同的特徵分布來進行誤檢測的排除，可以大大提高目標檢測的效率和準確度。在圖像中出現大量目標的情況下，可以大大提高目標檢測的速度。根據本公開的實施例，還提供了利用訓練得到的、某類目標在圖像的不同區域中的特徵分布對該類目標進行檢測的設備。圖12示出了根據一個實施例的利用不同圖像區域中的不同特徵分布進行目標檢測的設備。如圖12所示，目標檢測設備1200可以包括分布查詢裝置1202和誤檢測判斷裝置 1204。對於圖像中檢測到的某個候選目標(為了敘述方便，稱為第二候選目標)，分布查詢裝置1202可以根據該第二候選目標在圖像中所處的位置來查詢特徵分布字典，從而獲得該第二候選目標所屬類別的目標的特徵在其位置附近的特徵分布。圖像的特徵分布字典可以是採用例如圖9所示的方法或圖10所示的設備通過對多個訓練樣本圖像進行訓練而得到的，這裡不再贅述。與上述實施例/示例相似，所採用的特徵可以是在同類目標每個區域中呈現相似性的任何特徵，如目標的尺寸、亮度等，這裡不再重複。所估計的特徵分布可以是根據位於所述第二候選目標的位置的附近且類別相同的多個相鄰候選目標的特徵來估計的所屬類別的目標在所述第二候選目標的位置附近的特徵模型(如尺寸模型)。作為一個示例，所估計的特徵模型可以包括該類目標的特徵的上限和/或下限。作為另一示例， 所估計的特徵模型可以包括該類目標的特徵的均值和/或方差。作為另一示例，所估計的特徵模型可以包括該類目標的特徵的對數的均值和/或方差。作為另一示例，所估計的特徵模型可以包括該類目標的特徵的均值和/或離差絕對值的均值。作為另一示例，所估計的特徵模型可以包括該類目標的特徵的對數的均值和/或離差絕對值的均值。誤檢測判斷裝置1204可以根據分布查詢裝置1202獲得的該第二候選目標所處位置附近的特徵分布來判斷該第二候選目標是否為誤檢測。如果第二候選目標的所述特徵 (如尺寸)符合該區域中的特徵分布(如尺寸分布)的特性，則可以確定其不是誤檢測，否則，則將其作為誤檢測排除掉。作為具體的示例，誤檢測判斷裝置1204可以採用圖2或3 所示的方法來判斷第二候選目標是否為誤檢測，例如，誤檢測判斷裝置1204可以計算第二候選目標的所述特徵與其所處區域所對應的特徵分布之間的偏差，並判斷該偏差是否大於某個閾值，若是，則確定所述第二候選目標為誤檢測。與前述實施例/示例中相似，所述閾值可以根據實際應用場景來確定，這裡不作詳述。這種目標檢測設備利用同類目標在圖像的不同空間區域中的不同的特徵分布來進行誤檢測的排除，可以大大提高目標檢測的效率和準確度。在圖像中出現大量目標的情況下，能夠大大提高目標檢測的速度。本公開的實施例/示例可以應用於對各種類型的圖像的目標檢測處理。例如，所述圖像可以是可見光圖像，也可以是非可見光圖像(如雷達圖像)，還可以是多光譜圖像的組合。另外，所述圖像還可以包括單個圖像，也可以包括圖像序列，如視頻圖像。所述圖像可以採用任何使得的尺寸和格式，本公開對此不作限制。本公開的實施例中，所述目標可以是人臉、人的頭部或者汽車等。本公開可以應用於單類目標的檢測，也可以應用於多類目標的檢測。另外，在本公開的實施例中，目標用矩形區域表示的情況下，目標的尺寸可以用其面積來表示，或者還可以用其寬度、高度、寬高比中的一個或更多個來表示。在同類目標的寬高比固定的情況下，目標的尺寸可以用該矩形區域的寬度或者高度之一來表示。在目標用圓形區域的情況下，目標的尺寸可以用其面積或者其半徑或直徑等來表示。當然，目標還可以用其他形狀的區域來表示，這裡不一一列舉。根據本公開實施例的上述方法、設備可以應用於對車站、廣場、體育場等場所中人群的分布和密度的估計，還可以應用於對道路交通擁堵程度的分析以及道路上車輛分布和密度的估計。可以將根據本公開的目標檢測設備或方法配置於用於(實時或非實時的)目標檢測的各種電子設備中。當然，根據本公開的目標檢測設備或方法還可以應用於其他具有圖像處理功能的電子設備，如電腦、照相機、攝像機等等，這裡不一一列舉。應理解，上述實施例和示例是示例性的，而不是窮舉性的，本公開不應被視為局限於任何具體的實施例或示例。另外，在上述實施例和示例中，採用了「第一」、「第二」(如第一候選目標、第二候選目標等)等表述。本領域的普通技術人員應理解，上述表述只是為了對這些表述作文字上的區分，而並非表示其順序或任何其他限定。作為一個示例，上述方法的各個步驟以及上述設備的各個組成模塊和/或單元可以實施為軟體、固件、硬體或其組合。作為一個示例，在通過軟體或固件實現的情況下，可以從存儲介質或網絡向具有專用硬體結構的計算機(例如圖13所示的通用計算機1300)安裝構成用於實施上述方法的軟體的程序，該計算機在安裝有各種程序時，能夠執行各種功能等。在圖13中，中央處理單元(CPU) 1301根據只讀存儲器(ROM) 1302中存儲的程序或從存儲部分1308加載到隨機存取存儲器(RAM) 1303的程序執行各種處理。在RAM 1303中， 也根據需要存儲當CPU 1301執行各種處理等等時所需的數據。CPU 130UR0M 1302和RAM 1303經由總線1304彼此鏈路。輸入/輸出接口 1305也鏈路到總線1304。下述部件鏈路到輸入/輸出接口 1305 輸入部分1306(包括鍵盤、滑鼠等等)、輸出部分1307(包括顯示器，比如陰極射線管(CRT)、液晶顯示器(LCD)等，和揚聲器等)、存儲部分1308 (包括硬碟等)、通信部分1309 (包括網絡接口卡比如LAN卡、數據機等)。 通信部分1309經由網絡比如網際網路執行通信處理。根據需要，驅動器1310也可鏈路到輸入/輸出接口 1305。可拆卸介質1311比如磁碟、光碟、磁光碟、半導體存儲器等等根據需要被安裝在驅動器1310上，使得從中讀出的電腦程式根據需要被安裝到存儲部分1308中。在通過軟體實現上述系列處理的情況下，從網絡比如網際網路或存儲介質比如可拆卸介質1311安裝構成軟體的程序。本領域的技術人員應當理解，這種存儲介質不局限於圖13所示的其中存儲有程序、與設備相分離地分發以向用戶提供程序的可拆卸介質1311。可拆卸介質1311的例子包含磁碟(包含軟盤(註冊商標))、光碟(包含光碟只讀存儲器(⑶-ROM)和數字通用盤 (DVD))、磁光碟(包含迷你盤(MD)(註冊商標))和半導體存儲器。或者，存儲介質可以是15/15 頁
ROM 1302、存儲部分1308中包含的硬碟等等，其中存有程序，並且與包含它們的設備一起被分發給用戶。本公開還提出一種存儲有機器可讀取的指令代碼的程序產品。所述指令代碼由機器讀取並執行時，可執行上述根據本公開實施例的方法。相應地，用於承載上述存儲有機器可讀取的指令代碼的程序產品的存儲介質也包括在本公開的公開中。所述存儲介質包括但不限於軟盤、光碟、磁光碟、存儲卡、存儲棒等寸。在上面對本公開具體實施例的描述中，針對一種實施方式描述和/或示出的特徵可以用相同或類似的方式在一個或更多個其它實施方式中使用，與其它實施方式中的特徵相組合，或替代其它實施方式中的特徵。應該強調，術語「包括/包含」在本文使用時指特徵、要素、步驟或組件的存在，但並不排除一個或更多個其它特徵、要素、步驟或組件的存在或附加。此外，本公開的方法不限於按照說明書中描述的時間順序來執行，也可以按照其他的時間順序地、並行地或獨立地執行。因此，本說明書中描述的方法的執行順序不對本公開的技術範圍構成限制。儘管上面已經通過對本公開的具體實施例的描述對本公開進行了披露，但是，應該理解，上述的所有實施例和示例均是示例性的，而非限制性的。本領域的技術人員可在所附權利要求的精神和範圍內設計對本公開的各種修改、改進或者等同物。這些修改、改進或者等同物也應當被認為包括在本公開的保護範圍內。
權利要求
1.一種目標檢測方法，包括對於在至少一個圖像中檢測到的某個候選目標，該候選目標稱為第一候選目標，根據在所述至少一個圖像中檢測到的、在空間上位於該第一候選目標的位置附近且與該第一候選目標類別相同的多個相鄰候選目標來估計該第一候選目標所屬類別的目標的特徵在該第一候選目標的位置附近的特徵分布；以及根據所述特徵分布來判斷該第一候選目標是否為誤檢測。
2.如權利要求1所述的方法，其中，所述特徵為目標的尺寸，所述特徵分布為根據檢測到的所述多個相鄰候選目標的尺寸來估計的所屬類別的目標在所述第一候選目標的位置附近的尺寸分布。
3.如權利要求1所述的方法，其中，所述多個相鄰候選目標為在所述至少一個圖像中檢測到的在空間上距離該第一候選目標的位置最近且與所述第一候選目標類別相同的多個候選目標。
4.如權利要求1所述的方法，其中，所述多個相鄰候選目標為在所述至少一個圖像中與所述第一候選目標的位置對應的閉合區域中檢測到的、與所述第一候選目標類別相同的多個候選目標。
5.如權利要求1所述的方法，其中，估計所述特徵分布包括通過統計所述多個相鄰候選目標的所述特徵來估計所屬類別的目標在所述第一候選目標的位置附近的特徵模型，所述特徵模型包括下列各項中的至少一個該類目標的所述特徵的上限和下限、該類目標的所述特徵的均值和方差、該類目標的所述特徵的均值和離差絕對值的均值、該類目標的所述特徵的對數的均值和方差、該類目標的所述特徵的對數的均值和離差絕對值的均值。
6.如權利要求5所述的方法，其中，估計所屬類別的目標在所述第一候選目標的位置附近的特徵模型包括對於每個相鄰候選目標，利用該每個相鄰候選目標的所述特徵來估計所屬類別的目標的所述特徵在該每個相鄰候選目標的位置的分布概率模型，得到分別與所述多個相鄰候選目標中的每一個對應的多個分布概率模型；在包含所述多個分布概率模型的特徵模型空間中搜索分布概率較大的區段；以及利用該區段來估計所述特徵模型。
7.如權利要求5所述的方法，其中，估計所屬類別的目標在所述第一候選目標的位置附近的特徵模型包括提出所屬類別的目標在所述第一候選目標的位置附近的多個特徵分布假設； 計算所述多個相鄰候選目標的特徵值在每個特徵分布假設下的似然概率之和；以及根據與最大的似然概率之和對應的特徵分布假設來估計所述特徵模型。
8.如權利要求1所述的方法，其中，估計所述特徵分布包括計算所述多個相鄰候選目標的所述特徵的平均值、中值和以相應候選目標的置信度為權重的加權平均值中的一個。
9.如權利要求1所述的方法，其中，判斷該第一候選目標是否為誤檢測包括 根據在空間上位於每個相鄰候選目標的位置附近的多個同類候選目標來估計所屬類別的目標的所述特徵在每個相鄰候選目標附近的特徵分布；計算該第一候選目標及所述多個相鄰候選目標中的每個候選目標的所述特徵與對應的特徵分布之間的偏差；以及將該第一候選目標及所述多個相鄰候選目標中的一個或多個與較大的偏差對應的候選目標作為誤檢測。
10.如權利要求1所述的方法，其中，判斷該第一候選目標是否為誤檢測包括計算該第一候選目標的所述特徵與所述特徵分布之間的偏差，並判斷該偏差是否大於某個閾值， 若是，則確定該候選目標為誤檢測。
11.如權利要求5所述的方法，還包括根據所述多個相鄰候選目標的置信度對所述特徵或所述特徵模型加權。
12.如權利要求1所述的方法，其中，多次執行估計所述特徵分布以及根據所述特徵分布來判斷所述第一候選目標是否為誤檢測的步驟。
13.一種目標檢測設備，包括估計裝置，用於針對在至少一個圖像中檢測到的某個候選目標，根據在所述至少一個圖像中檢測到的、在空間上位於該候選目標的位置附近且與該候選目標類別相同的多個相鄰候選目標來估計該候選目標所屬類別的目標的特徵在該候選目標的位置附近的特徵分布，該候選目標稱為第一候選目標；以及誤檢測判斷裝置，用於根據所述特徵分布來判斷該第一候選目標是否為誤檢測。
14.如權利要求13所述的設備，其中，所述特徵為目標的尺寸，所述特徵分布為所述估計裝置根據檢測到的所述多個相鄰候選目標的尺寸來估計的所屬類別的目標在所述第一候選目標的位置附近的尺寸分布。
15.如權利要求13所述的設備，其中，所述多個相鄰候選目標為在所述至少一個圖像中檢測到的在空間上距離該第一候選目標的位置最近且與所述第一候選目標類別相同的多個候選目標。
16.如權利要求13所述的設備，其中，所述多個相鄰候選目標為在所述至少一個圖像中與所述第一候選目標的位置對應的閉合區域中檢測到的、與所述第一候選目標類別相同的多個候選目標。
17.如權利要求13所述的設備，其中，所述估計裝置被配置用於通過統計所述多個相鄰候選目標的所述特徵來估計所屬類別的目標在所述第一候選目標的位置附近的特徵模型，所述特徵模型包括下列各項中的至少一個該類目標的所述特徵的上限和下限、該類目標的所述特徵的均值和方差、該類目標的所述特徵的均值和離差絕對值的均值、該類目標的所述特徵的對數的均值和方差、該類目標的所述特徵的對數的均值和離差絕對值的均值。
18.如權利要求13所述的設備，其中，所述估計裝置還被配置用於根據在空間上位於每個相鄰候選目標的位置附近的多個同類候選目標來估計所屬類別的目標的所述特徵在每個相鄰候選目標附近的特徵分布，並且其中，所述誤檢測判斷裝置被配置用於計算該第一候選目標及所述多個相鄰候選目標中的每一個的所述特徵與對應的特徵分布之間的偏差；以及將該第一候選目標及所述多個相鄰候選目標中的一個或多個與較大的偏差對應的候選目標作為誤檢測。
19.如權利要求13所述的設備，其中，所述誤檢測判斷裝置被配置用於計算該第一候選目標的所述特徵與所述特徵分布之間的偏差，並判斷該偏差是否大於某個閾值，若是，則確定該候選目標為誤檢測。
20.如權利要求17所述的設備，其中，所述估計裝置還被配置用於根據所述多個相鄰候選目標的置信度對所述特徵或所述特徵模型加權。
21.一種目標特徵分布的訓練方法，包括對於在多個圖像樣本中檢測到的類別相同的多個候選目標中的每個候選目標，根據在空間上位於每個候選目標的位置附近的、同類別的多個相鄰候選目標來估計所屬類別的目標的特徵在該每個候選目標的位置附近的特徵分布，得到分別與所述多個候選目標的位置對應的多個特徵分布；以及保存所述多個特徵分布，作為特徵分布字典。
22.如權利要求21所述的方法，其中，所述特徵為目標的尺寸，所述特徵分布為尺寸分布。
23.如權利要求21所述的方法，其中，每個候選目標的所述多個相鄰候選目標為在所述多個圖像樣本中檢測到的在空間上距離該每個候選目標的位置最近且與該每個候選目標類別相同的多個候選目標。
24.如權利要求21所述的方法，其中，每個候選目標的所述多個相鄰候選目標為在所述多個圖像樣本中與該每個候選目標的位置對應的閉合區域中檢測到的、與該每個候選目標類別相同的多個候選目標。
25.如權利要求21所述的方法，其中，估計所屬類別的目標的特徵在每個候選目標的位置附近的特徵分布包括通過統計所在空間上位於每個候選目標的位置附近的多個同類候選目標的所述特徵來估計所屬類別的目標在該每個候選目標的位置附近的特徵模型，所述特徵模型包括下列各項中的至少一個該類目標的所述特徵的上限和下限、該類目標的所述特徵的均值和方差、該類目標的所述特徵的均值和離差絕對值的均值、該類目標的所述特徵的對數的均值和方差、該類目標的所述特徵的對數的均值和離差絕對值的均值。
26.一種目標特徵分布的訓練設備，包括估計裝置，用於根據在空間上位於在多個圖像樣本中檢測到的類別相同的多個候選目標中的每個候選目標的位置附近的、同類別的多個相鄰候選目標來估計所屬類別的目標的特徵在該每個候選目標的位置附近的特徵分布，得到分別與所述多個候選目標的位置對應的多個特徵分布；以及存儲裝置，用於保存所述多個特徵分布，作為特徵分布字典。
27.如權利要求沈所述的設備，其中，所述特徵為目標的尺寸，所述估計裝置被配置用於根據位於每個候選目標的位置附近的、同類別的多個相鄰候選目標的尺寸來估計所屬類別的目標的特徵在該每個候選目標的位置附近的尺寸分布。
28.如權利要求沈所述的設備，其中，所述估計裝置被配置用於通過以下來估計所屬類別的目標在每個候選目標的位置附近的所述特徵分布通過統計每個候選目標的多個相鄰候選目標的所述特徵來估計所屬類別的目標在每個候選目標的位置附近的特徵模型，所述特徵模型包括下列各項中的至少一個該類目標的所述特徵的上限和下限、該類目標的所述特徵的均值和方差、該類目標的所述特徵的均值和離差絕對值的均值、該類目標的所述特徵的對數的均值和方差、該類目標的所述特徵的對數的均值和離差絕對值的均值。
29.一種目標檢測方法，包括對於在圖像中檢測到的某個候選目標，該候選目標稱為第二候選目標，根據該第二候選目標在所述圖像中所處的位置來查詢特徵分布字典，獲得該第二候選目標所屬類別的目標的特徵在該位置附近的特徵分布，所述特徵分布字典包括所屬類別的目標的所述特徵在圖像中的多個位置處的多個特徵分布；以及根據所述特徵分布來判斷該第二候選目標是否為誤檢測。
30.如權利要求四所述的方法，其中，判斷所述第二候選目標是否為誤檢測包括計算所述第二候選目標的所述特徵與所屬類別的目標在第二候選目標的位置附近的特徵分布之間的偏差，並判斷該偏差是否大於某個閾值，若是，則確定所述第二候選目標為誤檢測。
31.一種目標檢測設備，包括分布查詢裝置，用於針對在圖像中檢測到的某個候選目標，該候選目標稱為第二候選目標，根據該第二候選目標在所述圖像中所處的位置來查詢特徵分布字典，獲得該第二候選目標所屬類別的目標的特徵在該位置附近的特徵分布，所述特徵分布字典包括所屬類別的目標的所述特徵在圖像中的多個位置處的多個特徵分布；以及誤檢測判斷裝置，用於根據所述特徵分布來判斷該第二候選目標是否為誤檢測。
全文摘要
本公開提供了目標檢測方法和設備。在一種目標檢測方法中，對於在至少一個圖像中檢測到的某個候選目標(為了敘述方便，稱為第一候選目標)，可以根據在所述至少一個圖像中檢測到的、在空間上位於該第一候選目標的位置附近且與該第一候選目標類別相同的多個相鄰候選目標來估計該第一候選目標所屬類別的目標的特徵在該第一候選目標的位置附近的特徵分布；然後可以根據所估計的特徵分布來判斷第一候選目標是否為誤檢測。還提供了目標特徵分布的訓練方法和設備以及包括上述設備的電子設備。
文檔編號G06K9/64GK102375993SQ20101026432
公開日2012年3月14日 申請日期2010年8月23日 優先權日2010年8月23日
發明者韓博 申請人:索尼公司