[发明专利]在图像物体检测过程中确定子部件顺序的方法和装置

说明书

本申请公开了一种在图像物体检测过程中确定子部件顺序的方法和装置，属于图像检测领域。所述方法包括：基于样本集中的正样本，确定每个子部件对应的第一得分概率密度函数，并基于样本集中的负样本，确定每个子部件对应的第二得分概率密度函数；基于子部件顺序中第一位次对应的预设的参考概率，确定第一位次对应的子部件；对于子部件顺序中第一位次之后的每个位次，基于当前位次的前一个位次对应的参考概率和负参考概率、每个子部件对应的第一得分概率密度函数和每个子部件对应的第二得分概率密度函数，确定当前位次对应的参考概率，确定当前位次对应的子部件。采用本申请，可以提高确定的子部件顺序的准确率。

技术领域

本申请涉及图像检测领域，特别涉及一种在图像物体检测过程中确定子部件顺序的方法和装置。

背景技术

DPM(deformable part model，可形变部件模型)是一种基于组件的目标检测算法，该算法普遍用于图像识别领域，如行人检测、车辆检测等方面。例如，在对行人进行检测时，可以将路边的监控摄像头拍摄的图像作为待检测图像，而目标类型为人类，通过DPM算法可以确定待检测图像中是否包括行人，进而确定人流量等数据。

在使用DPM算法对待检测图像进行检测时，在待检测图像中先确定可能存在物体的图像区域，将其确定为根部件，然后在根部件中确定出多个局部特征的图像区域，将每个局部特征的图像区域确定为子部件，如图1所示。确定出各子部件后，按照预设的子部件顺序，根据每个子部件相对于根部件的位移计算子部件的子部件得分，位移越大，代表形变越大，子部件得分越低。然后，将该子部件的子部件得分与对应的预设阈值进行比较，如果该子部件的子部件得分小于对应的预设阈值，说明该子部件是检测类型的物体的局部特征的可能性很小，则可以直接跳出检测，确定待检测物体不是检测类型的物体。如果该子部件的子部件得分不小于对应的预设阈值，说明该子部件是检测类型的物体的局部特征的可能性较大，则可以继续检测下一个子部件。直到计算出所有子部件的子部件得分后，确定上述图像区域中存在目标类型的物体。

在上述确定每个子部件的子部件得分的过程中，子部件顺序可以影响跳出检测的时间，进而影响进行目标检测的效率。目前确定子部件顺序的方法是：预先设置一个初始的参考概率，该参考概率用于指示某个目标样本是正样本的概率，将参考概率输入预先训练的机器学习模型，确定子部件顺序中第一位次的子部件(机器学习模型经过训练后的功能在于能够发现：对于某位次、某参考概率，使用哪个子部件更容易发现负样本)，然后，技术人员基于确定出的子部件，为参考概率估计一个调整系数，基于调整系数对参考概率进行调整，进而基于调整后的参考概率和机器学习模型，确定第二位次的子部件，依次类推确定子部件顺序。

在实现本申请的过程中，发明人发现现有技术至少存在以下问题：

上述在图像物体检测过程中确定子部件顺序时，技术人员需要机遇经验确定调整系数，采用人为设置的方式使得调整系数可能存在较大误差，导致最终确定出的子部件顺序不准确。

发明内容

为了解决现有技术的问题，本申请实施例提供了一种在图像物体检测过程中确定子部件顺序的方法和装置。所述技术方案如下：

第一方面，提供了一种在图像物体检测过程中确定子部件顺序的方法，所述方法包括：

基于样本集中的正样本，确定每个子部件对应的第一得分概率密度函数，并基于所述样本集中的负样本，确定每个子部件对应的第二得分概率密度函数；

基于子部件顺序中第一位次对应的预设的参考概率，确定所述第一位次对应的子部件，其中，所述参考概率用于指示目标样本是正样本的概率，所述目标样本是所述样本集中的任意样本；

对于子部件顺序中第一位次之后的每个位次，基于当前位次的前一个位次对应的参考概率、所述每个子部件对应的第一得分概率密度函数和所述每个子部件对应的第二得分概率密度函数，确定所述当前位次对应的参考概率，基于所述当前位次对应的参考概率，确定所述当前位次对应的子部件。