本發(fā)明涉及計算機視覺和機器學習技術(shù)領(lǐng)域，特別是涉及一種移動終端及其目標檢測方法及裝置。

相關(guān)術(shù)語解釋

Histogram of Oriented Gradient——HOG——梯度方向直方圖；

Support Vector Machine——SVM——支持向量機；

Convolutional Neural Network——CNN——卷積神經(jīng)網(wǎng)絡(luò)；

Deformable Part-based Model——DPM——基于部件的變形模型；

Cascade——級聯(lián)；

Image Pyramids——圖像金字塔；

Feature Pyramids——特征金字塔；

Haar——哈爾。

背景技術(shù)：

當前，包括智能手機、平板電腦在內(nèi)的許多產(chǎn)品，都會帶有目標檢測的功能，例如人手檢測、人臉檢測、行人檢測等。

以人手檢測為例，人手檢測的主要目的，是在圖像和視頻中檢測出人手的目標實例，可應(yīng)用于手勢識別、人機交互等。

目標檢測與識別是計算機視覺領(lǐng)域一個極具挑戰(zhàn)性的課題，目標檢測是目標識別的前提，可以直接影響識別成功率的大小。作為手勢識別的初始化步驟，人手檢測也不例外。

現(xiàn)有技術(shù)中存在多種目標識別和檢測的方法，按照模型來區(qū)分的話，主流的方案有：

1)自提升級聯(lián)模型(AdaBoost Cascaded Model)，主要和哈爾特征一起 應(yīng)用于人臉檢測(Face Detection)領(lǐng)域。該方案使用簡單的哈爾特征學習許多簡單的弱分類器(Weak Classifier)，在訓(xùn)練階段不斷調(diào)整被錯誤分類樣本的權(quán)重，最后通過加權(quán)平均來獲得最終分類器。在實際檢測時采用級聯(lián)結(jié)構(gòu)，每一層濾掉大部分非人臉候選，同時讓大部分人臉候選通過，從而加速檢測。

2)支持向量機(Support Vector Machine，SVM)，主要和梯度方向直方圖(Histogram of Oriented Gradient，HOG)特征一起應(yīng)用于行人檢測(Pedestrian Detection)領(lǐng)域。該方案計算稠密的梯度方向特征，使用簡單的線性SVM對高維的HOG描述子進行分類就能取得很好的效果。

3)卷積神經(jīng)網(wǎng)絡(luò)(Convolutional Neural Network，CNN)是近年大熱的方法，適用于泛化目標(Generalized Object)的檢測與識別。對輸入圖像進行多層的卷積、池化操作，再通過Softmax分類器進行分類即完成檢測過程。盡管實現(xiàn)的過程近似于“黑盒”，但結(jié)果卻超過了其他方法。

4)基于部件的變形模型(Deformable Part-based Model，DPM)，主要和梯度方向直方圖(HOG)特征一起應(yīng)用于泛化目標的檢測與識別，尤其適合對非剛性目標的檢測和識別。該方法的核心要素，是將部件相對位置和整體位置視為隱變量，使用隱形SVM(Latent-SVM)完成半監(jiān)督學習。該方法也可以實現(xiàn)級聯(lián)檢測，在不影響檢測質(zhì)量的前提下，可以實現(xiàn)一個數(shù)量級的速度提升。這是目前最好的目標檢測方法之一。

發(fā)明人發(fā)現(xiàn)，上述現(xiàn)有技術(shù)的方案存在一定的缺陷，具體如下：

關(guān)于上述方案1)，哈爾特征與自提升級聯(lián)模型目前主要在人臉檢測上取得了成功，從現(xiàn)有公開的論文、專利來看，在其他類別的目標檢測中未必表現(xiàn)最好，有一定的局限性。主要原因是哈爾特征適用于紋理信息豐富的目標，卻未必適用于邊緣輪廓信息豐富的目標，如行人。

關(guān)于上述方案2)，HOG特征和SVM分類器實現(xiàn)的行人檢測器效果較好，但對變形或是側(cè)面視角的行人目標的處理是它的弊端。究其原因，是因為沒有針對變形和多視角的處理機制。

關(guān)于上述方案3)，CNN模型和Softmax分類器實現(xiàn)的泛化目標檢測器，在現(xiàn)有的標準數(shù)據(jù)集如：Visual Object Classes Challenge、ImageNet上的檢測 結(jié)果好于其他方法，同時也低于人類視覺系統(tǒng)的檢測水平。但這類方法的操作近似“黑盒”，針對特定目標的檢測、調(diào)參也需要耗費極大的人力。從目前的趨勢來看，這類方法還需要進一步完善和改進。

關(guān)于上述方案4)，基于DPM模型和HOG特征的檢測器，雖然適用于變形和多視角的目標。但計算復(fù)雜度高、計算量大的問題影響了它的實際應(yīng)用。尤其是對于以智能手機為代表移動終端而言，由于智能手機的運算能力遠不如大型計算機，因此，該方案由于其計算復(fù)雜度高、計算量大的問題目前還無法在智能手機等移動終端上應(yīng)用。

具體地，基于DPM模型和HOG特征的目標檢測方法，在進行檢測時，可以采用級聯(lián)檢測的方式。

在介紹級聯(lián)檢測前，先簡單說明經(jīng)典檢測方案的算法流程。經(jīng)典檢測方案是遍歷所有的組件和尺度，如式8對根濾波器與特征進行模板匹配運算。再如式9對所有部件濾波器與特征進行的模板匹配運算，并使用距離變換(Distance Transform)的方法減去對應(yīng)的變形代價(Deformation Cost)。最后所有的變形部件響應(yīng)圖(Deformed Part Score)會累加到根響應(yīng)圖(Root Score)上。完成累加后，會在最終的根響應(yīng)圖上進行如式10的閾值操作和非極值抑制操作，從而給出檢測結(jié)果。

式8：RS_cs＝TM(R_c,F_s)

式9：RS_cs←RS_cs+DT_1≤q≤Q(TM(P_cq,F_s),D_cq)

其中，R_c代表組件c的根濾波器(Root Filter)，F(xiàn)_s代表尺度s的特征圖像，RS_cs是R_c和F_s進行模板匹配生成的根響應(yīng)圖(Root Score)。P_cq代表組件c的第q個部件濾波器(Part Filter)，D_cq代表組件c第q個部件的變性參數(shù)。TM代表模板匹配(Template Matching)操作，DT代表距離變換(Distance Transform)操作。

式10：Pos＝NMS(RS>T)(10)

其中，RS代表最終的根響應(yīng)圖，T代表閾值，NMS代表非極值抑制(Non Maximum Suppression)，Pos是輸出的檢測結(jié)果。

由于經(jīng)典檢測方案需要遍歷整個特征金字塔，并計算所有的部件響應(yīng)值 (Part Score)和對應(yīng)的變形代價(Deformation Cost)。這種策略的計算復(fù)雜度很高，影響了DPM方法的實際應(yīng)用。

級聯(lián)檢測模型是在經(jīng)典檢測模型的基礎(chǔ)上，訓(xùn)練出一組閾值用于檢測階段的快速計算。首先是確定級聯(lián)次序，即級聯(lián)檢測時累加部件濾波器響應(yīng)值的順序。計算訓(xùn)練樣本中所有部件濾波器的響應(yīng)值，再依據(jù)信息熵理論，先選出方差大的部件濾波器，直至選出所有部件濾波器。

確定級聯(lián)順序后，依次累加根濾波器的響應(yīng)值和各個部件濾波器的響應(yīng)值。同時根據(jù)概率近似正確(Probably Approximately Correct，PAC)原則計算出閾值(假設(shè)修剪的閾值和變形修剪的閾值)。如式11、式12所示：

式11：

式12：

其中，q∈{1,2,...,Q}是級聯(lián)檢測的階段索引值，Ω是訓(xùn)練樣本集，R是根響應(yīng)圖像，P是部件響應(yīng)圖像，D是變形代價圖像，Th是假設(shè)修剪(Hypothesis Pruning)的閾值，Td是變形修剪(Deformation Pruning)的閾值。

級聯(lián)檢測中，依據(jù)事先確定的級聯(lián)順序，依次累加所述根濾波器的樣本的響應(yīng)值和各個所述部件濾波器的樣本的響應(yīng)值，得到關(guān)于目標位置的候選窗口；在所述依次累加所述根濾波器的樣本的響應(yīng)值和各個所述部件濾波器的樣本的響應(yīng)值的過程中，依據(jù)所述假設(shè)修剪的閾值和變形修剪的閾值對累加后的響應(yīng)值進行假設(shè)修剪和變形修剪。

上述方案盡管已經(jīng)通過級聯(lián)檢測的方式降低了處理過程中所涉及的計算復(fù)雜度和計算量，但對于智能手機等移動終端的計算能力而言，仍然過大。

技術(shù)實現(xiàn)要素：

本發(fā)明解決的技術(shù)問題是：對于基于DPM模型和HOG特征的目標檢測方法，如何使得其處理過程中所涉及的計算復(fù)雜度和計算量能夠在智能手機等移動終端所允許的范圍之內(nèi)。

為了解決上述技術(shù)問題，本發(fā)明實施例提供一種目標檢測方法，包括：

訓(xùn)練目標的根濾波器和多個部件濾波器，得到關(guān)于目標的根濾波器的樣 本和各個部件濾波器的樣本；

采用基于部件的變形模型和級聯(lián)檢測的方式進行搜索，確定目標位置；

所述采用基于部件的變形模型和級聯(lián)檢測的方式進行搜索包括：

計算訓(xùn)練的所述根濾波器的樣本的響應(yīng)值，計算訓(xùn)練的各個所述部件濾波器的樣本的響應(yīng)值；

確定級聯(lián)順序；

計算出假設(shè)修剪的閾值、變形修剪的閾值、近似正樣本修剪的閾值和近似負樣本修剪的閾值；

依據(jù)所述級聯(lián)順序，依次累加所述根濾波器的樣本的響應(yīng)值和各個所述部件濾波器的樣本的響應(yīng)值，得到關(guān)于目標位置的候選窗口；在所述依次累加所述根濾波器的樣本的響應(yīng)值和各個所述部件濾波器的樣本的響應(yīng)值的過程中，依據(jù)所述近似正樣本修剪的閾值和近似負樣本修剪的閾值對累加后的響應(yīng)值進行近似正樣本修剪和近似負樣本修剪；

依據(jù)所述關(guān)于目標位置的候選窗口，確定目標位置。

可選的，所述計算出假設(shè)修剪的閾值、變形修剪的閾值、近似正樣本修剪的閾值和近似負樣本修剪的閾值包括：

采用以下公式計算出假設(shè)修剪的閾值：

其中，q∈{1,2,...,Q}為級聯(lián)檢測的階段索引值，Ω為訓(xùn)練樣本集，R為根響應(yīng)圖像，P為部件響應(yīng)圖像，D為變形代價圖像。

可選的，所述計算出假設(shè)修剪的閾值、變形修剪的閾值、近似正樣本修剪的閾值和近似負樣本修剪的閾值包括：

采用以下公式計算出變形修剪的閾值：

其中，q∈{1,2,...,Q}為級聯(lián)檢測的階段索引值，Ω為訓(xùn)練樣本集，R為根響應(yīng)圖像，P為部件響應(yīng)圖像，D為變形代價圖像。

可選的，所述計算出假設(shè)修剪的閾值、變形修剪的閾值、近似正樣本修剪的閾值和近似負樣本修剪的閾值包括：

采用以下公式計算出近似正樣本修剪的閾值：

其中，q∈{1,2,...,Q}為級聯(lián)檢測的階段索引值，Ω為訓(xùn)練樣本集，p為當前像素點，p′為鄰域內(nèi)任一像素點，N(p)為當前像素點的鄰域，S為響應(yīng)圖像。

可選的，所述計算出假設(shè)修剪的閾值、變形修剪的閾值、近似正樣本修剪的閾值和近似負樣本修剪的閾值包括：

采用以下公式計算出近似負樣本修剪的閾值：

其中，q∈{1,2,...,Q}為級聯(lián)檢測的階段索引值，Ω為訓(xùn)練樣本集，p為當前像素點，p′為鄰域內(nèi)任一像素點，N(p)為當前像素點的鄰域，S為響應(yīng)圖像。

可選的，所述確定級聯(lián)順序為：使用貪婪算法確定級聯(lián)順序。

可選的，所述計算出假設(shè)修剪的閾值、變形修剪的閾值、近似正樣本修剪的閾值和近似負樣本修剪的閾值為：根據(jù)概率近似正確原則計算出假設(shè)修剪的閾值、變形修剪的閾值、近似正樣本修剪的閾值和近似負樣本修剪的閾值。

可選的，所述依據(jù)所述級聯(lián)順序，依次累加所述根濾波器的樣本的響應(yīng)值和所述部件濾波器的樣本的響應(yīng)值，得到關(guān)于目標位置的候選窗口包括：

步驟a)在所述根濾波器的樣本的響應(yīng)值的基礎(chǔ)上，依據(jù)所述級聯(lián)順序，依次累加各個部件濾波器的樣本的響應(yīng)值；

步驟b)在累加部件濾波器的樣本的響應(yīng)值之后，依據(jù)所述假設(shè)修剪的閾 值、變形修剪的閾值、近似正樣本修剪的閾值和近似負樣本修剪的閾值對累加后的響應(yīng)值進行假設(shè)修剪、變形修剪、近似正樣本修剪和近似負樣本修剪；

重復(fù)上述步驟a)至b)，直至累加完各個部件濾波器的樣本的響應(yīng)值，得到關(guān)于目標位置的候選窗口。

可選的，所述依據(jù)所述近似正樣本修剪的閾值和近似負樣本修剪的閾值對累加后的響應(yīng)值進行近似正樣本修剪和近似負樣本修剪包括：

采用以下公式進行近似正樣本修剪：

其中，p為當前像素點，N(p)為當前像素點的鄰域，p′為鄰域內(nèi)任一像素點，S(p)為當前像素點的響應(yīng)值，Tp_q為第q個近似正樣本修剪的閾值，prune代表修剪操作。

可選的，所述依據(jù)所述近似正樣本修剪的閾值和近似負樣本修剪的閾值對累加后的響應(yīng)值進行近似正樣本修剪和近似負樣本修剪包括：

采用以下公式進行近似負樣本修剪：

其中，p為當前像素點，N(p)為當前像素點的鄰域，p′為鄰域內(nèi)任一像素點，S(p)為當前像素點的響應(yīng)值，Tn_q為第q個近似負樣本修剪的閾值，prune代表修剪操作。

可選的，所述訓(xùn)練目標的根濾波器和多個部件濾波器，得到關(guān)于目標的根濾波器的樣本和各個部件濾波器的樣本包括：對于根濾波器/每一個部件濾波器，

使用標準的支持向量機訓(xùn)練出初始根濾波器/部件濾波器；

使用隱變量支持向量機對所述初始根濾波器/部件濾波器繼續(xù)訓(xùn)練，迭代若干次后得到根濾波器/部件濾波器的樣本。

可選的，所述使用隱變量支持向量機對所述初始根濾波器/部件濾波器繼續(xù)訓(xùn)練包括：使用隱變量支持向量機對所述初始根濾波器/部件濾波器進行重 選正樣本、數(shù)據(jù)挖掘和隨機梯度下降法優(yōu)化。

可選的，在所述得到關(guān)于目標位置的候選窗口之后，在所述確定目標位置之前，還包括：

對所述候選窗口進行非極值抑制操作。

為了解決上述技術(shù)問題，本發(fā)明實施例還提供一種目標檢測裝置，包括：樣本訓(xùn)練單元和目標搜索單元；其中：

樣本訓(xùn)練單元，適于訓(xùn)練目標的根濾波器和多個部件濾波器，得到關(guān)于目標的根濾波器的樣本和各個部件濾波器的樣本；

目標搜索單元，適于采用基于部件的變形模型和級聯(lián)檢測的方式進行搜索，確定目標位置；

所述目標搜索單元包括：響應(yīng)值計算子單元、級聯(lián)順序確定子單元、閾值計算子單元、響應(yīng)值累加子單元和目標位置確定子單元；其中：

響應(yīng)值計算子單元，適于計算訓(xùn)練的所述根濾波器的樣本的響應(yīng)值，計算訓(xùn)練的各個所述部件濾波器的樣本的響應(yīng)值；

級聯(lián)順序確定子單元，適于確定級聯(lián)順序；

閾值計算子單元，適于計算出假設(shè)修剪的閾值、變形修剪的閾值、近似正樣本修剪的閾值和近似負樣本修剪的閾值；

響應(yīng)值累加子單元，適于依據(jù)所述級聯(lián)順序，依次累加所述根濾波器的樣本的響應(yīng)值和各個所述部件濾波器的樣本的響應(yīng)值，得到關(guān)于目標位置的候選窗口；在所述依次累加所述根濾波器的樣本的響應(yīng)值和各個所述部件濾波器的樣本的響應(yīng)值的過程中，依據(jù)所述近似正樣本修剪的閾值和近似負樣本修剪的閾值對累加后的響應(yīng)值進行近似正樣本修剪和近似負樣本修剪；

目標位置確定子單元，適于依據(jù)所述關(guān)于目標位置的候選窗口，確定目標位置。

可選的，所述閾值計算子單元計算出假設(shè)修剪的閾值、變形修剪的閾值、近似正樣本修剪的閾值和近似負樣本修剪的閾值包括：

采用以下公式計算出假設(shè)修剪的閾值：

其中，q∈{1,2,...,Q}為級聯(lián)檢測的階段索引值，Ω為訓(xùn)練樣本集，R為根響應(yīng)圖像，P為部件響應(yīng)圖像，D為變形代價圖像。

可選的，所述閾值計算子單元計算出假設(shè)修剪的閾值、變形修剪的閾值、近似正樣本修剪的閾值和近似負樣本修剪的閾值包括：

采用以下公式計算出變形修剪的閾值：

其中，q∈{1,2,...,Q}為級聯(lián)檢測的階段索引值，Ω為訓(xùn)練樣本集，R為根響應(yīng)圖像，P為部件響應(yīng)圖像，D為變形代價圖像。

可選的，所述閾值計算子單元計算出假設(shè)修剪的閾值、變形修剪的閾值、近似正樣本修剪的閾值和近似負樣本修剪的閾值包括：

采用以下公式計算出近似正樣本修剪的閾值：

其中，q∈{1,2,...,Q}為級聯(lián)檢測的階段索引值，Ω為訓(xùn)練樣本集，p為當前像素點，p′為鄰域內(nèi)任一像素點，N(p)為當前像素點的鄰域，S為響應(yīng)圖像。

可選的，所述閾值計算子單元計算出假設(shè)修剪的閾值、變形修剪的閾值、近似正樣本修剪的閾值和近似負樣本修剪的閾值包括：

采用以下公式計算出近似負樣本修剪的閾值：

其中，q∈{1,2,...,Q}為級聯(lián)檢測的階段索引值，Ω為訓(xùn)練樣本集，p為當前像素點，p′為鄰域內(nèi)任一像素點，N(p)為當前像素點的鄰域，S為響應(yīng)圖像。

可選的，所述級聯(lián)順序確定子單元確定級聯(lián)順序為：使用貪婪算法確定 級聯(lián)順序。

可選的，所述閾值計算子單元計算出假設(shè)修剪的閾值、變形修剪的閾值、近似正樣本修剪的閾值和近似負樣本修剪的閾值為：根據(jù)概率近似正確原則計算出假設(shè)修剪的閾值、變形修剪的閾值、近似正樣本修剪的閾值和近似負樣本修剪的閾值。

可選的，所述響應(yīng)值累加子單元依據(jù)所述級聯(lián)順序，依次累加所述根濾波器的樣本的響應(yīng)值和所述部件濾波器的樣本的響應(yīng)值，得到關(guān)于目標位置的候選窗口包括：

步驟a)在所述根濾波器的樣本的響應(yīng)值的基礎(chǔ)上，依據(jù)所述級聯(lián)順序，依次累加各個部件濾波器的樣本的響應(yīng)值；

步驟b)在累加部件濾波器的樣本的響應(yīng)值之后，依據(jù)所述假設(shè)修剪的閾值、變形修剪的閾值、近似正樣本修剪的閾值和近似負樣本修剪的閾值對累加后的響應(yīng)值進行假設(shè)修剪、變形修剪、近似正樣本修剪和近似負樣本修剪；

重復(fù)上述步驟a)至b)，直至累加完各個部件濾波器的樣本的響應(yīng)值，得到關(guān)于目標位置的候選窗口。

可選的，所述響應(yīng)值累加子單元依據(jù)所述近似正樣本修剪的閾值和近似負樣本修剪的閾值對累加后的響應(yīng)值進行近似正樣本修剪和近似負樣本修剪包括：

采用以下公式進行近似正樣本修剪：

其中，p為當前像素點，N(p)為當前像素點的鄰域，p′為鄰域內(nèi)任一像素點，S(p)為當前像素點的響應(yīng)值，Tp_q為第q個近似正樣本修剪的閾值，prune代表修剪操作。

可選的，所述響應(yīng)值累加子單元依據(jù)所述近似正樣本修剪的閾值和近似負樣本修剪的閾值對累加后的響應(yīng)值進行近似正樣本修剪和近似負樣本修剪包括：

采用以下公式進行近似負樣本修剪：

其中，p為當前像素點，N(p)為當前像素點的鄰域，p′為鄰域內(nèi)任一像素點，S(p)為當前像素點的響應(yīng)值，Tn_q為第q個近似負樣本修剪的閾值，prune代表修剪操作。

可選的，所述樣本訓(xùn)練單元訓(xùn)練目標的根濾波器和多個部件濾波器，得到關(guān)于目標的根濾波器的樣本和各個部件濾波器的樣本包括：對于根濾波器/每一個部件濾波器，

使用標準的支持向量機訓(xùn)練出初始根濾波器/部件濾波器；

使用隱變量支持向量機對所述初始根濾波器/部件濾波器繼續(xù)訓(xùn)練，迭代若干次后得到根濾波器/部件濾波器的樣本。

可選的，所述目標搜索單元還包括：

非極值抑制子單元，適于在所述得到關(guān)于目標位置的候選窗口之后，在所述確定目標位置之前，對所述候選窗口進行非極值抑制操作。

為了解決上述技術(shù)問題，本發(fā)明實施例還提供一種移動終端，包括上述目標檢測裝置。

可選的，所述移動終端為智能手機或平板電腦。

與現(xiàn)有技術(shù)相比，本發(fā)明的技術(shù)方案具有以下有益效果：

在現(xiàn)有技術(shù)中基于DPM模型和HOG特征的目標檢測方法的基礎(chǔ)上進行了改進，在采用基于部件的變形模型和級聯(lián)檢測的方式進行搜索的過程中，預(yù)先計算出近似正樣本修剪的閾值和近似負樣本修剪的閾值，依據(jù)所述近似正樣本修剪的閾值和近似負樣本修剪的閾值對累加后的響應(yīng)值進行近似正樣本修剪和近似負樣本修剪，從而減小了后續(xù)迭代過程中的運算量，使得基于DPM模型和HOG特征的目標檢測方法所涉及的計算復(fù)雜度和計算量能夠在智能手機等移動終端所允許的范圍之內(nèi)。

進一步地，根據(jù)概率近似正確原則計算出假設(shè)修剪的閾值、變形修剪的閾值、近似正樣本修剪的閾值和近似負樣本修剪的閾值，從而提高閾值計算的精度和效率。

進一步地，在訓(xùn)練目標的根濾波器/部件濾波器的過程中，在使用標準的支持向量機訓(xùn)練出初始根濾波器/部件濾波器的基礎(chǔ)上，進一步使用隱變量支持向量機對所述初始根濾波器/部件濾波器采用重選正樣本、數(shù)據(jù)挖掘和隨機梯度下降法優(yōu)化的方式繼續(xù)訓(xùn)練，迭代若干次后得到根濾波器/部件濾波器的樣本，從而提高根濾波器/部件濾波器樣本的精度，以便于降低后續(xù)目標搜索過程中的計算復(fù)雜度和計算量。

附圖說明

圖1為本發(fā)明實施例中目標檢測方法流程圖；

圖2為本發(fā)明實施例中基于部件的變形模型和級聯(lián)檢測的方式進行搜索方法流程圖；

圖3為本發(fā)明實施例中累加根濾波器/部件濾波器的樣本的響應(yīng)值方法流程圖；

圖4為本發(fā)明實施例中目標檢測裝置結(jié)構(gòu)框圖；

圖5為本發(fā)明實施例中另一種目標檢測方法流程圖；

圖6為本發(fā)明實施例中提取HOG特征方法流程圖。

具體實施方式

根據(jù)背景技術(shù)部分的分析可知，基于DPM模型和HOG特征的目標檢測方法(即方案4))在使用級聯(lián)檢測技術(shù)時，可以在不影響檢測質(zhì)量的前提下，實現(xiàn)一個數(shù)量級的檢測速度提升，是目前最好的目標檢測方法之一。

但該方案計算復(fù)雜度高、計算量大的問題影響了它的實際應(yīng)用。尤其是對于以智能手機為代表移動終端而言，由于智能手機的運算能力遠不如大型計算機，因此，該方案由于其計算復(fù)雜度高、計算量大的問題目前還無法在智能手機等移動終端上應(yīng)用。

發(fā)明人針對該方案計算復(fù)雜度高、計算量大的缺陷進行了改進。在采用基于部件的變形模型和級聯(lián)檢測的方式進行搜索的過程中，預(yù)先計算出近似正樣本修剪的閾值和近似負樣本修剪的閾值，依據(jù)所述近似正樣本修剪的閾值和近似負樣本修剪的閾值對累加后的響應(yīng)值進行近似正樣本修剪和近似負 樣本修剪。

發(fā)明人經(jīng)研究后提出：在依次累加所述根濾波器的樣本的響應(yīng)值和各個所述部件濾波器的樣本的響應(yīng)值的過程中，可以進行近似正樣本修剪(當前像素點的鄰域中，存在響應(yīng)值高出當前點足夠多的像素點時，將修剪當前像素點)，這是因為，這部分像素即使不修剪，在后處理的非極值抑制中也會將其排除；還可以進行近似負樣本修剪(當前像素點的響應(yīng)值足夠低時，將修剪當前像素點的鄰域)，這是因為，在當前像素點的響應(yīng)值很低的情況下，它的鄰域內(nèi)像素點的響應(yīng)值通常也比較低，這部分像素即使不修剪，通常也會在對后續(xù)級聯(lián)的修剪中被修剪。本發(fā)明將后續(xù)必然被修剪、或者是極有可能被修剪的像素點提前修剪，可以減少對這部分后續(xù)必然被修剪、或者是極有可能被修剪的像素點的無意義的計算，因而降低了計算復(fù)雜度和計算量，使得基于DPM模型和HOG特征的目標檢測方法所涉及的計算復(fù)雜度和計算量能夠在智能手機等移動終端所允許的范圍之內(nèi)。

為使本領(lǐng)域技術(shù)人員更好地理解和實現(xiàn)本發(fā)明，以下參照附圖，通過具體實施例進行詳細說明。

實施例一

如下所述，本發(fā)明實施例提供一種目標檢測方法。

本實施例中的目標檢測方法，在現(xiàn)有技術(shù)中基于DPM模型和HOG特征的目標檢測方法的基礎(chǔ)上進行了改進，大大減小了其實現(xiàn)過程中所涉及的計算復(fù)雜度和計算量，使得其處理過程中所涉及的計算復(fù)雜度和計算量能夠在智能手機等移動終端所允許的范圍之內(nèi)。

本發(fā)明所提供的方案適用于泛化目標的檢測，例如在人手檢測、人臉檢測、行人檢測等領(lǐng)域均可適用。尤其適合對非剛性目標的檢測。

參照圖1所示的目標檢測方法流程圖：

基于DPM模型和HOG特征的目標檢測方法包括：

S101，訓(xùn)練目標的根濾波器和多個部件濾波器，得到關(guān)于目標的根濾波器的樣本和各個部件濾波器的樣本。

基于DPM模型和HOG特征的目標檢測方法需要先訓(xùn)練目標的根濾波器和多個部件濾波器，從而在后續(xù)的目標檢測過程中，可以利用對這些根濾波器和部件濾波器響應(yīng)值的累加值，來確定目標(在另一場景中的)位置。

在具體實施中，所述訓(xùn)練目標的根濾波器和多個部件濾波器，得到關(guān)于目標的根濾波器的樣本和各個部件濾波器的樣本可以包括：對于根濾波器/每一個部件濾波器，分別執(zhí)行以下步驟：

使用標準的支持向量機訓(xùn)練出初始根濾波器/部件濾波器；

使用隱變量支持向量機對所述初始根濾波器/部件濾波器繼續(xù)訓(xùn)練，迭代若干次后得到根濾波器/部件濾波器的樣本。

其中，所述使用隱變量支持向量機對所述初始根濾波器/部件濾波器繼續(xù)訓(xùn)練具體可以包括：使用隱變量支持向量機對所述初始根濾波器/部件濾波器進行重選正樣本、數(shù)據(jù)挖掘和隨機梯度下降法優(yōu)化。

通過以上對技術(shù)方案的描述可以看出：本實施例中，在訓(xùn)練目標的根濾波器/部件濾波器的過程中，在使用標準的支持向量機訓(xùn)練出初始根濾波器/部件濾波器的基礎(chǔ)上，進一步使用隱變量支持向量機對所述初始根濾波器/部件濾波器采用重選正樣本、數(shù)據(jù)挖掘和隨機梯度下降法優(yōu)化的方式繼續(xù)訓(xùn)練，迭代若干次后得到根濾波器/部件濾波器的樣本，從而提高根濾波器/部件濾波器樣本的精度，以便于降低后續(xù)目標搜索過程中的計算復(fù)雜度和計算量。

S102，采用基于部件的變形模型和級聯(lián)檢測的方式進行搜索，確定目標位置。

其中，如圖2所示，所述采用基于部件的變形模型和級聯(lián)檢測的方式進行搜索(即步驟S102)包括：

S201，計算訓(xùn)練的所述根濾波器的樣本的響應(yīng)值，計算訓(xùn)練的各個所述部件濾波器的樣本的響應(yīng)值。

計算得出的根濾波器的樣本的響應(yīng)值和各個所述部件濾波器的樣本的響應(yīng)值，會用于后續(xù)的步驟S202和步驟S204。

S202，確定級聯(lián)順序。

級聯(lián)順序，即級聯(lián)檢測過程中以何種順序來依次累加根濾波器的樣本的響應(yīng)值和各個所述部件濾波器的樣本的響應(yīng)值。相對于經(jīng)典檢測方案而言(經(jīng)典檢測不涉及級聯(lián)順序)，可以提高后續(xù)的計算效率。

在具體實施中，可以使用貪婪算法來確定級聯(lián)順序。

S203，計算出假設(shè)修剪的閾值、變形修剪的閾值、近似正樣本修剪的閾值和近似負樣本修剪的閾值。

與現(xiàn)有技術(shù)的不同之處在于，現(xiàn)有技術(shù)在后續(xù)依次累加所述根濾波器的樣本的響應(yīng)值和各個所述部件濾波器的樣本的響應(yīng)值的過程中，通常只進行假設(shè)修剪和變形修剪，而不會進行近似正樣本修剪和近似負樣本修剪，因此，在此步驟中只需要計算假設(shè)修剪的閾值和變形修剪的閾值，而不會計算近似正樣本修剪的閾值和近似負樣本修剪的閾值。而本實施例在后續(xù)依次累加所述根濾波器的樣本的響應(yīng)值和各個所述部件濾波器的樣本的響應(yīng)值的過程中(即步驟S204)，需要進行假設(shè)修剪、變形修剪、近似正樣本修剪和近似負樣本修剪，因此，在此步驟中計算出假設(shè)修剪的閾值、變形修剪的閾值、近似正樣本修剪的閾值和近似負樣本修剪的閾值。

在具體實施中，所述計算出假設(shè)修剪的閾值、變形修剪的閾值、近似正樣本修剪的閾值和近似負樣本修剪的閾值可以包括：

采用以下公式計算出假設(shè)修剪的閾值：

其中，q∈{1,2,...,Q}為級聯(lián)檢測的階段索引值，Ω為訓(xùn)練樣本集，R為根響應(yīng)圖像，P為部件響應(yīng)圖像，D為變形代價圖像；

采用以下公式計算出變形修剪的閾值：

其中，q∈{1,2,...,Q}為級聯(lián)檢測的階段索引值，Ω為訓(xùn)練樣本集，R為根響應(yīng)圖像，P為部件響應(yīng)圖像，D為變形代價圖像；

采用以下公式計算出近似正樣本修剪的閾值：

其中，q∈{1,2,...,Q}為級聯(lián)檢測的階段索引值，Ω為訓(xùn)練樣本集，p為當前像素點，p′為鄰域內(nèi)任一像素點，N(p)為當前像素點的鄰域，S為響應(yīng)圖像；

采用以下公式計算出近似負樣本修剪的閾值：

其中，q∈{1,2,...,Q}為級聯(lián)檢測的階段索引值，Ω為訓(xùn)練樣本集，p為當前像素點，p′為鄰域內(nèi)任一像素點，N(p)為當前像素點的鄰域，S為響應(yīng)圖像。

以上公式采用概率近似正確(Probably Approximately Correct，PAC)原則來計算出假設(shè)修剪的閾值、變形修剪的閾值、近似正樣本修剪的閾值和近似負樣本修剪的閾值。可以理解的是，在其他實施例中，也可以采用其他方式得出上述閾值。

通過以上對技術(shù)方案的描述可以看出：本實施例中，根據(jù)概率近似正確原則計算出假設(shè)修剪的閾值、變形修剪的閾值、近似正樣本修剪的閾值和近似負樣本修剪的閾值，從而提高閾值計算的精度和效率。

S204，依據(jù)所述級聯(lián)順序，依次累加所述根濾波器的樣本的響應(yīng)值和各個所述部件濾波器的樣本的響應(yīng)值，得到關(guān)于目標位置的候選窗口。

與現(xiàn)有技術(shù)的不同之處在于，如前所述，現(xiàn)有技術(shù)在依次累加所述根濾波器的樣本的響應(yīng)值和各個所述部件濾波器的樣本的響應(yīng)值的過程中，通常只進行假設(shè)修剪和變形修剪，而不會進行近似正樣本修剪和近似負樣本修剪。而本實施例在依次累加所述根濾波器的樣本的響應(yīng)值和各個所述部件濾波器的樣本的響應(yīng)值的過程中，依據(jù)所述近似正樣本修剪的閾值和近似負樣本修剪的閾值對累加后的響應(yīng)值進行近似正樣本修剪和近似負樣本修剪。

通過以上對技術(shù)方案的描述可以看出：本實施例中，在現(xiàn)有技術(shù)中基于 DPM模型和HOG特征的目標檢測方法的基礎(chǔ)上進行了改進，在采用基于部件的變形模型和級聯(lián)檢測的方式進行搜索的過程中，預(yù)先計算出近似正樣本修剪的閾值和近似負樣本修剪的閾值，依據(jù)所述近似正樣本修剪的閾值和近似負樣本修剪的閾值對累加后的響應(yīng)值進行近似正樣本修剪和近似負樣本修剪，從而減小了后續(xù)迭代過程中的運算量，使得基于DPM模型和HOG特征的目標檢測方法所涉及的計算復(fù)雜度和計算量能夠在智能手機等移動終端所允許的范圍之內(nèi)。

可以理解的是，本實施例在進行近似正樣本修剪和近似負樣本修剪的基礎(chǔ)上，也可以進行假設(shè)修剪和變形修剪。

在具體實施中，所述依據(jù)所述級聯(lián)順序，依次累加所述根濾波器的樣本的響應(yīng)值和所述部件濾波器的樣本的響應(yīng)值，得到關(guān)于目標位置的候選窗口可以包括：

步驟a)在所述根濾波器的樣本的響應(yīng)值的基礎(chǔ)上，依據(jù)所述級聯(lián)順序，依次累加各個部件濾波器的樣本的響應(yīng)值；

步驟b)在累加部件濾波器的樣本的響應(yīng)值之后，依據(jù)所述假設(shè)修剪的閾值、變形修剪的閾值、近似正樣本修剪的閾值和近似負樣本修剪的閾值對累加后的響應(yīng)值進行假設(shè)修剪、變形修剪、近似正樣本修剪和近似負樣本修剪；

重復(fù)上述步驟a)至b)，直至累加完各個部件濾波器的樣本的響應(yīng)值，得到關(guān)于目標位置的候選窗口。

其中，所述依據(jù)所述近似正樣本修剪的閾值和近似負樣本修剪的閾值對累加后的響應(yīng)值進行近似正樣本修剪和近似負樣本修剪可以包括：

采用以下公式進行近似正樣本修剪：

其中，p為當前像素點，N(p)為當前像素點的鄰域，p′為鄰域內(nèi)任一像素點，S(p)為當前像素點的響應(yīng)值，Tp_q為第q個近似正樣本修剪的閾值，prune代表修剪操作；

采用以下公式進行近似負樣本修剪：

其中，p為當前像素點，N(p)為當前像素點的鄰域，p′為鄰域內(nèi)任一像素點，S(p)為當前像素點的響應(yīng)值，Tn_q為第q個近似負樣本修剪的閾值，prune代表修剪操作。

具體地，可以如圖3所示，每一個部件濾波器的累加對應(yīng)于一個循環(huán)，在每一個循環(huán)中，依次進行近似負樣本修剪、假設(shè)修剪、近似正樣本修剪、累加部件濾波器的樣本的響應(yīng)值、變形修剪。不斷迭代，直至累加完各個部件濾波器的樣本的響應(yīng)值，得到關(guān)于目標位置的候選窗口。

S205，依據(jù)所述關(guān)于目標位置的候選窗口，確定目標位置。

經(jīng)過級聯(lián)檢測(即步驟S201至步驟S204)后，通常會留下少量的候選窗口(Candidate Window)。

如果采用單目標方案(即檢測目標在場景中的位置，且目標只存在于場景中的至多一個位置)，則后續(xù)選取響應(yīng)值最大的候選窗口，作為目標位置。

如果采用多目標方案(即檢測目標在場景中的位置，目標可以存在于場景中的多個位置)，則可以在所述得到關(guān)于目標位置的候選窗口之后，在所述確定目標位置之前，對所述候選窗口進行非極值抑制操作，以在非極值抑制操作中未被排除的候選窗口，作為目標位置。

實施例二

如下所述，本發(fā)明實施例提供一種目標檢測裝置。

參照圖4所示的目標檢測裝置結(jié)構(gòu)框圖。

所述目標檢測裝置包括：樣本訓(xùn)練單元401和目標搜索單元402；其中各單元的主要功能如下：

樣本訓(xùn)練單元401，適于訓(xùn)練目標的根濾波器和多個部件濾波器，得到關(guān)于目標的根濾波器的樣本和各個部件濾波器的樣本；

目標搜索單元402，適于采用基于部件的變形模型和級聯(lián)檢測的方式進行搜索，確定目標位置；

所述目標搜索單元402包括：響應(yīng)值計算子單元4021、級聯(lián)順序確定子單元4022、閾值計算子單元4023、響應(yīng)值累加子單元4024和目標位置確定子單元4025；其中：

響應(yīng)值計算子單元4021，適于計算訓(xùn)練的所述根濾波器的樣本的響應(yīng)值，計算訓(xùn)練的各個所述部件濾波器的樣本的響應(yīng)值；

級聯(lián)順序確定子單元4022，適于確定級聯(lián)順序；

閾值計算子單元4023，適于計算出假設(shè)修剪的閾值、變形修剪的閾值、近似正樣本修剪的閾值和近似負樣本修剪的閾值；

響應(yīng)值累加子單元4024，適于依據(jù)所述級聯(lián)順序，依次累加所述根濾波器的樣本的響應(yīng)值和各個所述部件濾波器的樣本的響應(yīng)值，得到關(guān)于目標位置的候選窗口；在所述依次累加所述根濾波器的樣本的響應(yīng)值和各個所述部件濾波器的樣本的響應(yīng)值的過程中，依據(jù)所述近似正樣本修剪的閾值和近似負樣本修剪的閾值對累加后的響應(yīng)值進行近似正樣本修剪和近似負樣本修剪；

目標位置確定子單元4025，適于依據(jù)所述關(guān)于目標位置的候選窗口，確定目標位置。

通過以上對技術(shù)方案的描述可以看出：本實施例中，在現(xiàn)有技術(shù)中基于DPM模型和HOG特征的目標檢測方法的基礎(chǔ)上進行了改進，在采用基于部件的變形模型和級聯(lián)檢測的方式進行搜索的過程中，預(yù)先計算出近似正樣本修剪的閾值和近似負樣本修剪的閾值，依據(jù)所述近似正樣本修剪的閾值和近似負樣本修剪的閾值對累加后的響應(yīng)值進行近似正樣本修剪和近似負樣本修剪，從而減小了后續(xù)迭代過程中的運算量，使得基于DPM模型和HOG特征的目標檢測方法所涉及的計算復(fù)雜度和計算量能夠在智能手機等移動終端所允許的范圍之內(nèi)。

在具體實施中，所述閾值計算子單元計算出假設(shè)修剪的閾值、變形修剪的閾值、近似正樣本修剪的閾值和近似負樣本修剪的閾值可以包括：

采用以下公式計算出假設(shè)修剪的閾值：

其中，q∈{1,2,...,Q}為級聯(lián)檢測的階段索引值，Ω為訓(xùn)練樣本集，R為根響應(yīng)圖像，P為部件響應(yīng)圖像，D為變形代價圖像；

采用以下公式計算出變形修剪的閾值：

其中，q∈{1,2,...,Q}為級聯(lián)檢測的階段索引值，Ω為訓(xùn)練樣本集，R為根響應(yīng)圖像，P為部件響應(yīng)圖像，D為變形代價圖像；

采用以下公式計算出近似正樣本修剪的閾值：

其中，q∈{1,2,...,Q}為級聯(lián)檢測的階段索引值，Ω為訓(xùn)練樣本集，p為當前像素點，p′為鄰域內(nèi)任一像素點，N(p)為當前像素點的鄰域，S為響應(yīng)圖像；

采用以下公式計算出近似負樣本修剪的閾值：

其中，q∈{1,2,...,Q}為級聯(lián)檢測的階段索引值，Ω為訓(xùn)練樣本集，p為當前像素點，p′為鄰域內(nèi)任一像素點，N(p)為當前像素點的鄰域，S為響應(yīng)圖像。

通過以上對技術(shù)方案的描述可以看出：本實施例中，根據(jù)概率近似正確原則計算出假設(shè)修剪的閾值、變形修剪的閾值、近似正樣本修剪的閾值和近似負樣本修剪的閾值，從而提高閾值計算的精度和效率。

在具體實施中，所述級聯(lián)順序確定子單元確定級聯(lián)順序可以是：使用貪婪算法確定級聯(lián)順序。

在具體實施中，所述閾值計算子單元計算出假設(shè)修剪的閾值、變形修剪的閾值、近似正樣本修剪的閾值和近似負樣本修剪的閾值可以是：根據(jù)概率近似正確原則計算出假設(shè)修剪的閾值、變形修剪的閾值、近似正樣本修剪的閾值和近似負樣本修剪的閾值。

在具體實施中，所述響應(yīng)值累加子單元依據(jù)所述級聯(lián)順序，依次累加所述根濾波器的樣本的響應(yīng)值和所述部件濾波器的樣本的響應(yīng)值，得到關(guān)于目標位置的候選窗口可以包括：

步驟a)在所述根濾波器的樣本的響應(yīng)值的基礎(chǔ)上，依據(jù)所述級聯(lián)順序，依次累加各個部件濾波器的樣本的響應(yīng)值；

步驟b)在累加部件濾波器的樣本的響應(yīng)值之后，依據(jù)所述假設(shè)修剪的閾值、變形修剪的閾值、近似正樣本修剪的閾值和近似負樣本修剪的閾值對累加后的響應(yīng)值進行假設(shè)修剪、變形修剪、近似正樣本修剪和近似負樣本修剪；

重復(fù)上述步驟a)至b)，直至累加完各個部件濾波器的樣本的響應(yīng)值，得到關(guān)于目標位置的候選窗口。

在具體實施中，所述響應(yīng)值累加子單元依據(jù)所述近似正樣本修剪的閾值和近似負樣本修剪的閾值對累加后的響應(yīng)值進行近似正樣本修剪和近似負樣本修剪包括：

采用以下公式進行近似正樣本修剪：

其中，p為當前像素點，N(p)為當前像素點的鄰域，p′為鄰域內(nèi)任一像素點，S(p)為當前像素點的響應(yīng)值，Tp_q為第q個近似正樣本修剪的閾值，prune代表修剪操作；

采用以下公式進行近似負樣本修剪：

其中，p為當前像素點，N(p)為當前像素點的鄰域，p′為鄰域內(nèi)任一像素點，S(p)為當前像素點的響應(yīng)值，Tn_q為第q個近似負樣本修剪的閾值，prune代表修剪操作。

在具體實施中，所述樣本訓(xùn)練單元訓(xùn)練目標的根濾波器和多個部件濾波器，得到關(guān)于目標的根濾波器的樣本和各個部件濾波器的樣本可以包括：對于根濾波器/每一個部件濾波器，

使用標準的支持向量機訓(xùn)練出初始根濾波器/部件濾波器；

使用隱變量支持向量機對所述初始根濾波器/部件濾波器繼續(xù)訓(xùn)練，迭代若干次后得到根濾波器/部件濾波器的樣本。

在具體實施中，所述使用隱變量支持向量機對所述初始根濾波器/部件濾波器繼續(xù)訓(xùn)練可以包括：使用隱變量支持向量機對所述初始根濾波器/部件濾波器進行重選正樣本、數(shù)據(jù)挖掘和隨機梯度下降法優(yōu)化。

通過以上對技術(shù)方案的描述可以看出：本實施例中，在訓(xùn)練目標的根濾波器/部件濾波器的過程中，在使用標準的支持向量機訓(xùn)練出初始根濾波器/部件濾波器的基礎(chǔ)上，進一步使用隱變量支持向量機對所述初始根濾波器/部件濾波器采用重選正樣本、數(shù)據(jù)挖掘和隨機梯度下降法優(yōu)化的方式繼續(xù)訓(xùn)練，迭代若干次后得到根濾波器/部件濾波器的樣本，從而提高根濾波器/部件濾波器樣本的精度，以便于降低后續(xù)目標搜索過程中的計算復(fù)雜度和計算量。

在具體實施中，所述目標搜索單元還可以包括：

非極值抑制子單元，適于在所述得到關(guān)于目標位置的候選窗口之后，在所述確定目標位置之前，對所述候選窗口進行非極值抑制操作。

實施例三

如下所述，本發(fā)明實施例提供一種移動終端。

與現(xiàn)有技術(shù)的不同之處在于，所述移動終端包括如本發(fā)明實施例中所提供的目標檢測裝置。該移動終端在現(xiàn)有技術(shù)中基于DPM模型和HOG特征的目標檢測方法的基礎(chǔ)上進行了改進，在采用基于部件的變形模型和級聯(lián)檢測的方式進行搜索的過程中，預(yù)先計算出近似正樣本修剪的閾值和近似負樣本修剪的閾值，依據(jù)所述近似正樣本修剪的閾值和近似負樣本修剪的閾值對累加后的響應(yīng)值進行近似正樣本修剪和近似負樣本修剪，從而減小了后續(xù)迭代過程中的運算量，使得基于DPM模型和HOG特征的目標檢測方法所涉及的計算復(fù)雜度和計算量能夠在智能手機等移動終端所允許的范圍之內(nèi)。

在具體實施中，所述移動終端可以是智能手機或平板電腦。

實施例四

如下所述，本發(fā)明實施例提供一種目標檢測方法。

參照圖5所示的目標檢測方法流程圖：

基于DPM模型和HOG特征的目標檢測方法包括：

S501，構(gòu)造圖像金字塔。

為了實現(xiàn)對多尺度人手目標的檢測，需要構(gòu)造圖像金字塔，并計算相應(yīng)的特征金字塔。

構(gòu)造圖像金字塔需要進行降采樣，本實施例中采用兩種方式：雙三次插值(Bicubic Interpolation)和雙線性插值。對于相差一個尺度的降采樣，采用更快捷的雙線性插值。同一層(Octave)尺度下的降采樣，采用雙三次插值。這種區(qū)分性降采樣策略可以在保證圖像質(zhì)量的前提下，盡可能的降低計算復(fù)雜度。

S502，計算出圖像金字塔所對應(yīng)的基于HOG的特征金字塔；

在完成圖像金字塔后，需要計算出對應(yīng)的特征金字塔。所述計算出圖像金字塔所對應(yīng)的基于HOG的特征金字塔包括：提取HOG特征。

如圖6所示，本實施例通過如下步驟提取HOG特征：

S601，計算梯度圖像。

在計算梯度圖像的過程中，為了減小計算量，可以將輸入圖像轉(zhuǎn)換為灰度格式，再使用一維中心模板P＝[-1,0,1]和它的轉(zhuǎn)置P^T分別對灰度格式的輸入圖像進行濾波，分別計算出x,y方向的梯度圖像，即G_x，G_y。再如式1計算出梯度幅值圖像G_M：

式1：

通常將梯度方向劃分為M個方向，如式2計算出梯度方向編碼圖像G_O。

式2：

其中，[]表示取整函數(shù)，mod表示取模函數(shù)，G_O是{1,2,...,M}范圍內(nèi)的整數(shù)。

在所述計算梯度圖像之后，還包括：將梯度方向劃分為M個方向，采用 式2計算出梯度方向編碼圖像G_O；

式2：

其中，[]表示取整函數(shù)，mod表示取模函數(shù)，G_O是{1,2,...,M}范圍內(nèi)的整數(shù)。

S602，進行直方圖統(tǒng)計。

在計算出梯度圖像之后，進行直方圖統(tǒng)計。

對大小為w*h的梯度圖像，可以以大小為k*k的元胞為單元進行統(tǒng)計。通?？梢圆捎秒p線性插值(Bilinear Interpolation)，即梯度圖像中任一像素會同時被納入周圍四個相鄰的元胞進行統(tǒng)計。針對每一編碼方向m，可以統(tǒng)計出維數(shù)為的二維直方圖H(x,y,m)，其中，整體得直方圖維數(shù)是表示向下取整。

S603，進行歸一化和截斷。

在進行直方圖統(tǒng)計之后，進行歸一化和截斷。

本實施例中，所述進行歸一化和截斷包括：

預(yù)先建立第一查找表，所述第一查找表將多個數(shù)值與它們各自的開方倒數(shù)對應(yīng)保存；

累積每一方向直方圖的二階范數(shù)，獲得梯度能量圖像；

依據(jù)所述梯度能量圖像和所述第一查找表，計算出HOG特征。

其中，所述建立第一查找表具體可以包括：

形成的函數(shù)曲線；

基于所述函數(shù)曲線，采用分段擬合的方法獲得多個數(shù)值與它們各自的開方倒數(shù)；

將多個數(shù)值與它們各自的開方倒數(shù)對應(yīng)保存，形成第一查找表。

所述依據(jù)所述梯度能量圖像和所述第一查找表，計算出HOG特征具體可以包括：

采用式8獲得歸一化圖像的平方

式8：

其中，

依據(jù)所述第一查找表，獲得歸一化圖像的平方對應(yīng)的開方倒數(shù)

依據(jù)采用式5和式6計算出F₁(x,y,m)和F₂(x,y,(δ,γ))；

式5：

式6：

其中，T₁、T₂為對應(yīng)的截斷閾值；

依據(jù)F₁(x,y,m)和F₂(x,y,(δ,γ))，計算出HOG特征F＝[F₁,F₂]。

經(jīng)過上述步驟S601至S603，完成了對HOG特征的提取。

通過以上對技術(shù)方案的描述可以看出：本實施例中，在現(xiàn)有技術(shù)中基于DPM模型和HOG特征的目標檢測方法的基礎(chǔ)上進行了改進，預(yù)先建立第一查找表，所述第一查找表將多個數(shù)值與它們各自的開方倒數(shù)對應(yīng)保存，在進行歸一化和截斷的過程中，依據(jù)梯度能量圖像和預(yù)先建立的所述第一查找表，計算出HOG特征，從而避免了歸一化處理過程中大量的除法運算和開方運算，使得基于DPM模型和HOG特征的目標檢測方法所涉及的計算復(fù)雜度和計算量能夠在智能手機等移動終端所允許的范圍之內(nèi)。

若圖像尺寸較大，為保證檢測質(zhì)量，每層(Octave)需計算更多的級數(shù)(Level)。如果每一級都計算HOG特征，則計算復(fù)雜度會很高。

實踐表明，對于尺度相近的圖像，它們的HOG特征呈現(xiàn)近似指數(shù)函數(shù)的關(guān)系。

本實施例只計算少量尺度的HOG特征，其他相鄰尺度的HOG特征可以 通過如式7的近似計算得到。

式7：F_S≈R(F,S)·S^-λ

其中，F(xiàn)表示已知特征，F(xiàn)_S表示所要求解的近似特征，S表示相對尺度，λ表示指數(shù)函數(shù)的系數(shù)，R函數(shù)表示以相對尺度S對已知特征F進行重采樣。

通過以上對技術(shù)方案的描述可以看出：本實施例中，在計算圖像金字塔所對應(yīng)的基于HOG的特征金字塔的過程中，只計算少量尺度的HOG特征，在此基礎(chǔ)上通過近似計算得到其他相鄰尺度的HOG特征，從而在對檢測質(zhì)量影響不大的前提下，進一步降低基于DPM模型和HOG特征的目標檢測方法所涉及的計算復(fù)雜度和計算量。

S503，采用基于部件的變形模型和級聯(lián)檢測的方式對特征金字塔進行搜索，確定目標位置。

至此，實現(xiàn)了基于DPM模型和HOG特征的目標檢測。本實施例在現(xiàn)有技術(shù)中基于DPM模型和HOG特征的目標檢測方法的基礎(chǔ)上進行了改進，在進行歸一化處理的過程中(步驟S603)，避免了大量的除法運算和開方運算，在計算圖像金字塔所對應(yīng)的基于HOG的特征金字塔的過程中(步驟S502)，避免了計算大量尺度的HOG特征，在對檢測質(zhì)量影響不大的前提下大大減小了計算復(fù)雜度和計算量，使得基于DPM模型和HOG特征的目標檢測方法其處理過程中所涉及的計算復(fù)雜度和計算量能夠在智能手機等移動終端所允許的范圍之內(nèi)，便于該目標檢測方法在移動終端上的應(yīng)用。

本領(lǐng)域普通技術(shù)人員可以理解，上述實施例的各種方法中，全部或部分步驟是可以通過程序指示相關(guān)的硬件來完成的，該程序可以存儲于一計算機可讀存儲介質(zhì)中，存儲介質(zhì)可以包括：ROM、RAM、磁盤或光盤等。

雖然本發(fā)明披露如上，但本發(fā)明并非限定于此。任何本領(lǐng)域技術(shù)人員，在不脫離本發(fā)明的精神和范圍內(nèi)，均可作各種更動與修改，因此本發(fā)明的保護范圍應(yīng)當以權(quán)利要求所限定的范圍為準。