[发明专利]一种通过特征模板构建特征池的物体检测方法和系统

说明书

技术领域

本发明涉及图像分析技术领域，特别是一种通过特征模板构建特征池的物体检测方法及其应用该方法的系统。

背景技术

目标检测技术是图像领域中很重要的应用，在智能监控、交通卡口、人脸识别、图像检索中应用很广。除了传统的图像处理方法检测特定目标外，通过机器学习的方法训练特定目标的模型、在图像中滑动模型窗口来检测目标是至今为止非常有效的方法，尤其是针对刚性物体。

在使用机器学习方法来检测特定目标的方法中，SVM(Support Vector Machine)和Adaboost算法是图像目标检测中最常用的方法。其中，Viola和Jones提出的Haar特征+Adaboost方法具有较好的检测效果，尤其是在人脸检测方面。然而，haar特征识别方法主要适用于像人脸这种有明显的、稳定结构的haar特征的物体，而对于行人检测、车辆追踪检测等运动物体检测上效果不佳。

发明内容

本发明为解决上述问题，提供了一种通过特征模板构建特征池的物体检测方法和系统，其通过利用不同特征模板对不同性质图像进行提取图像特征和构建特征池，能够得到图像的更多特征，以充分挖掘图像的有用信息和可区分不同物体目标的特征，以便从所述特征池中挑选得到最佳的物体检测特征，提高检测效率和准确率。

为实现上述目的，本发明采用的技术方案为：

一种通过特征模板构建特征池的物体检测方法，其包括以下步骤：

(10)对原始图像进行处理，得到灰度图、梯度幅值图、梯度直方图；

(20)设置一种以上不同网格的特征模板，并将所述特征模板分别在所述灰度图、梯度幅值图、梯度直方图上进行移动，获取图像特征的特征池；

(30)采用adaboost算法对所述特征池中的图像特征进行训练得到最佳的物体检测特征；

(40)根据所述最佳的物体检测特征进行物体检测。

优选的，所述的步骤(10)中，所述梯度直方图进一步从0至360度范围平均划分为9个区间，每个区间为40度，得到9个梯度直方图。

优选的，所述的步骤(20)中，所述特征模板包括12种，根据每种特征模板的白色单元格和黑色单元格的布局得到12种图像特征值的算法，通过将12种特征模板分别在所述灰度图、梯度幅值图、梯度直方图中按预设步长进行移动，提取大量的图像特征，并计算各个图像特征对应的特征值。

优选的，所述图像特征值为所述白色单元格内的像素值之和减去所述黑色单元格内的像素值之和。

优选的，所述的步骤(30)中，是指将所述特征池中的各个图像特征的特征值与物体所在背景的特征值进行比对，并将与物体所在背景的特征值区别最大的图像特征作为最佳的物体检测特征。

优选的，所述的步骤(40)中，是指利用所述最佳的物体检测特征进行构建物体检测分类器，通过该物体检测分类器进行物体检测。

相应的，本发明还提供一种通过特征模板构建特征池的物体检测系统，其包括：

图像预处理模块，用于对原始图像进行处理，得到灰度图、梯度幅值图、梯度直方图；

特征池构建模块，其通过设置一种以上不同网格的特征模板，并将所述特征模板分别在所述灰度图、梯度幅值图、梯度直方图上进行移动，获取图像特征的特征池；

特征训练模块，其采用adaboost算法对所述特征池中的图像特征进行训练得到最佳的物体检测特征；

物体检测模块，其根据所述最佳的物体检测特征进行物体检测。

优选的，所述的特征池构建模块中，所述特征模板包括12种，根据每种特征模板的白色单元格和黑色单元格的布局得到12种图像特征值的算法，通过将12种特征模板分别在所述灰度图、梯度幅值图、梯度直方图中按预设步长进行移动，提取大量的图像特征，并计算各个图像特征对应的特征值。

优选的，所述的特征训练模块中，是指将所述特征池中的各个图像特征的特征值与物体所在背景的特征值进行比对，并将与物体所在背景的特征值区别最大的图像特征作为最佳的物体检测特征。

优选的，所述的物体检测模块中，是指利用所述最佳的物体检测特征进行构建物体检测分类器，通过该物体检测分类器进行物体检测。

本发明的有益效果是：

本发明通过利用不同特征模板对不同性质图像进行提取图像特征和构建特征池，能够得到图像的更多特征，以充分挖掘图像的有用信息和可区分不同物体目标的特征，以便从所述特征池中挑选得到最佳的物体检测特征，提高检测效率和准确率。

附图说明