[发明专利]一种目标检测方法和目标检测系统

说明书

本发明公开了一种检测方法，主要包括获取所述图像的灰度图像；对所述灰度图像进行多尺度缩放，计算对应的24通道特征，并通过组合分类器模板进行滑动窗口检测，以检测出预定目标在所述灰度图像中的位置信息；对所述灰度图像进行处理以使所述图像中显示出所有所述预定目标的位置。同时提供了一种目标检测系统，包括依次设置的图像采样模块、特征提取模块、滑动窗口检测模块和结果输出模块。通过对缩放后的图像计算24通道特征，以极小的计算代价提高了人工特征的表达能力，提高了计算速度；通过组合分类器模板逐模板滑动窗口检测，在减小了内存的同时无精度损失。解决了现有方法计算代价大、内存占用多和检测准确度低的问题。

技术领域

本发明涉及机器视觉技术领域，特别涉及一种目标检测方法和目标检测系统。

背景技术

图像的目标检测算法是人工智能领域的一个重要分支，也是近年来研究的热点。神经网络的复兴更是使目标检测任务的精度节节攀升，但多数实际应用方案无法承受高昂的计算代价和存储代价。

近年来视频监控逐渐渗透到我们生活的方方面面，在小区、办公场所、街道上部署了大量的监控摄像头。在巨大的行业需求的刺激下，智能视频监控技术越来越成熟，但在算力和存储受限的条件下，目标检测功能的部署仍然困难重重。虽然携带神经网络加速器的芯片逐渐进入市场，但由于技术尚不成熟、大公司垄断等原因使得高精度目标检测方案成本居高不下。

一种“人工特征+分类器”的目标检测框架在轻量化部署上有着明显的优势。但现有的方法在面对幅面较大的目标检测任务时仍然十分吃力，这主要是因为该框架是通过图像多次缩放解决多尺度问题，而在每个尺度上都需要复杂的特征计算和分类器计算。

为了减少计算和存储代价，一种基于运动检测的目标检测方案被提出，但此方案舍弃了对静止物体以及多尺度目标的检测。在摄像机镜头运动、场景光线突变时便会失效。在传统检测方法的设计中聚合通道特征(Aggregate Channel Feature，ACF)算法不仅计算速度上表现优异，检测精度在传统方法中也名列前茅，但此方案在特征计算过程中仍存在较多复杂的运算，单一的Adaboost分类器也难以应对非刚性及遮挡目标的检测，现有方法仍难达到快速、准确地运行。

因此，现有检测方法存在计算代价大、内存占用多以及检测准确度底的问题。

发明内容

本发明的目的在于提供一种检测方法和系统，以解决现有目标检测方法计算代价大、内存占用多以及检测准确度低的问题。

为解决上述技术问题，本发明提供一种目标检测方法，用于检测图像中预定目标的位置，所述目标检测方法包括：通过获取所述图像的灰度通道数据以得到所述图像的灰度图像；对所述灰度图像进行多尺度缩放，并计算各缩放尺度下所述灰度图像的24通道特征，以及利用组合分类器对计算得到的各所述24通道特征进行滑动窗口检测，以检测出各缩放尺度下至少一所述预定目标在所述灰度图像中的位置信息；对进行尺度缩放所得到的所有所述灰度图像中的所述位置信息进行尺度还原，并将所有所述位置信息进行框融合，以使所述图像中显示出所有所述预定目标的位置。

可选的，在所述的目标检测方法中，在所述计算各缩放尺度下所述灰度图像的24通道特征之前，所述目标检测方法还包括对所述灰度图像进行高斯平滑滤波。

可选的，在所述的目标检测方法中，计算各缩放尺度下所述灰度图像的24通道特征的方法包括：计算各缩放尺度下所述灰度图像的8通道特征，并利用所述8通道特征计算对应的16通道一阶特征，将所述8通道特征和对应的所述16通道一阶特征相结合，以得到各缩放尺度下所述灰度图像的24通道特征；

所述16通道一阶特征的计算公式为：

FTR_DFV1_H(x,y,d)＝clip(FTR(x+1,y,d)-FTR(x-1,y,d)+127,0,255)；