[发明专利]一种图像检测方法及装置

说明书

技术领域

本发明涉及图像处理技术领域，尤其涉及一种图像检测方法及装置。

背景技术

汽车检测是指自动从采集到的图像或视频中获取汽车的数目，以及每个汽车的位置和大小的技术。

现有技术中，作为模式识别领域内重要的分类器设计方法，自适应增强(Adaboost)算法在包括人脸检测在内的很多应用中取得了很好的应用。Voila等提出了一种基于微结构特征(Haar-like Features)和层次型(Cascade-based)自适应增强(Adaboost)分类器的人脸检测技术，该技术在性能上与基于支持向量机(SVM)和神经网络(Neural Network)的方法相当，但是，在速度上远远高于基于支持向量机和神经网络的方法，基本可以达到实时运行的水平。但是，由于人脸模式的类内距离远远小于汽车模式的类内距离，使得汽车分类问题远远难于人脸模式。所以，虽然该方法可以直接应用到汽车检测上，而且检测速度较快，但是检测效果却无法达到实用的要求。

支持向量机(SVM)作为一种相对Adaboost具有更佳泛化能力的分类器，也取得了很多重要的应用。但是，采用该分类器的检测速度却极慢，无法应用在实时运行的系统中，从而限制了其应用。此外，由于训练SVM分类器的过程繁琐，所以，采用该方法设计汽车分类器复杂度比较高。

综上所述，现有技术中的汽车检测速度慢、效果差。

发明内容

本发明实施例提供了一种用于确定图像中的汽车位置的图像检测方法及装置，用以解决现有技术中存在的汽车检测速度慢、效果差的问题。

本发明实施例提供的图像检测方法包括：

预先通过图像中设定矩形区域内的边缘方向直方图得到弱特征库，并利用该弱特征库设置基于层次型自适应增强分类器和边缘方向直方图的快速汽车分类器；

通过输入图像的边缘方向以及边缘强度，计算所述输入图像上设定矩形区域内的边缘方向直方图；

采用所述快速汽车分类器，根据所述输入图像上所述设定矩形区域内的边缘方向直方图，确定所述输入图像中的汽车位置。

本发明实施例提供的图像跟踪方法包括：

预先通过图像中设定矩形区域内的边缘方向直方图得到弱特征库，并利用该弱特征库设置基于层次型自适应增强分类器和边缘方向直方图的快速汽车分类器；

将输入图像与参考图像相比较，得到所述输入图像的运动区域；

通过所述快速汽车分类器对所述运动区域进行判定，得到所述输入图像中的汽车位置。

本发明实施例提供的图像检测装置包括：

设置单元，用于通过图像中设定矩形区域内的边缘方向直方图得到弱特征库，并利用该弱特征库设置基于层次型自适应增强分类器和边缘方向直方图的快速汽车分类器；

边缘方向直方图单元，用于通过输入图像的边缘方向以及边缘强度，计算所述输入图像上设定矩形区域内的边缘方向直方图；

检测单元，用于采用所述快速汽车分类器，根据所述输入图像上所述设定矩形区域内的边缘方向直方图，确定所述输入图像中的汽车位置。

本发明实施例提供的图像跟踪装置包括：

设置单元，用于通过图像中设定矩形区域内的边缘方向直方图得到弱特征库，并利用该弱特征库设置基于层次型自适应增强分类器和边缘方向直方图的快速汽车分类器；

确定运动区域单元，用于将输入图像与参考图像相比较，得到所述输入图像的运动区域；

判定单元，用于通过所述快速汽车分类器对所述运动区域进行判定，得到所述输入图像中的汽车位置。

本发明实施例预先通过图像中设定矩形区域内的边缘方向直方图得到弱特征库，并利用该弱特征库设置基于层次型自适应增强分类器和边缘方向直方图的快速汽车分类器；通过输入图像的边缘方向以及边缘强度，计算所述输入图像上设定矩形区域内的边缘方向直方图；采用所述快速汽车分类器，根据所述输入图像上所述设定矩形区域内的边缘方向直方图，确定所述输入图像中的汽车位置，从而实现快速、准确地确定汽车位置。

附图说明

图1为本发明实施例提供的用于确定汽车位置的图像检测方法流程示意图；

图2为本发明实施例提供的层次型Adaboost检测器的结构示意图；

图3为本发明实施例提供的无符号边缘方向离散化示意图；

图4为本发明实施例提供的积分图像示意图；

图5为本发明实施例提供的快速求取边缘方向直方图的示意图；