對象檢測方法和對象檢測裝置的制造方法
【技術領域】
[0001] 本發明涉及圖像處理技術領域，具體而言，涉及對象檢測方法和對象檢測裝置。
【背景技術】
[0002] 隨著智能交通系統（ITS)的快速發展，基于視覺的運動車輛檢測算法成為計算機 視覺研究的一項基礎技術。智能交通系統的應用有很多，例如自動事件檢測（AID)，車輛流 量統計，車輛信息采集，車輛跟蹤，而運動車輛檢測是關鍵。
[0003] 目前有兩種車輛檢測法，包括基于運動目標的方法和基于分類的方法。基于運動 目標的方法能夠根據運動目標信息檢測運動車輛，但靜止的車輛有可能被忽略，例如背景 差分法、光流法和幀差法。基于分類的方法能夠檢測出運動車輛和靜止車輛。該方法利用 一幀圖像中的特征信息來檢測車輛并分類。該特征是檢測的基礎信息，且方向梯度直方圖 特征（H0G)是較常見的用于分類的特征提取方法。然而，該方向梯度直方圖特征較復雜且 特征序列較長，導致不適合用于對資源限制較多的圖像處理設備中的某些應用中。
【發明內容】
[0004] 有鑒于此，本發明提出了一種新的對象檢測技術，以至少解決在檢測過程中，方向 梯度直方圖特征較復雜占用較多資源的問題。
[0005] 有鑒于此，根據本發明的一個方面，提供了一種對象檢測方法，包括：
[0006] 將當前幀圖像分解成多個子圖像，每個子圖像包括多個子塊；計算每一子塊的方 向梯度直方圖特征，所述方向梯度直方圖特征包含與各角度對應的梯度序列；對所述梯度 序列進行數值變換，生成簡化方向梯度直方圖特征；根據每一子圖像的所有子塊的簡化方 向梯度直方圖特征得到每一子圖像塊的簡化方向梯度直方圖特征；采用分類器對每一所述 子圖像塊的簡化方向梯度直方圖特征進行檢測，以確定對象。
[0007] 根據本發明的另一方面，還提供了一種對象檢測裝置，包括：分解單元，將當前幀 圖像分解成多個子圖像，每個子圖像包括多個子塊；特征計算單元，計算每一子塊的方向梯 度直方圖特征，所述方向梯度直方圖特征包含與各角度對應的梯度序列；簡化處理單元，所 述梯度序列進行數值變換，生成簡化方向梯度直方圖特征；特征融合單元，根據每一子圖像 的所有子塊的簡化方向梯度直方圖特征得到每一子圖像塊的簡化方向梯度直方圖特征；檢 測單元，采用分類器對每一所述子圖像塊的簡化方向梯度直方圖特征進行檢測，以確定對 象。
[0008] 根據本發明的再一個方面，還提供了一種電子設備，該電子設備包括如上所述的 對象檢測裝置。
[0009] 根據本發明的又一個方面，還提供了一種存儲有機器可讀取的指令代碼的程序產 品，上述程序產品在執行時能夠使上述機器執行如上所述的對象檢測方法。
[0010] 此外，根據本發明的其他方面，還提供了 一種計算機可讀存儲介質，其上存儲有如 上所述的程序產品。
[0011] 上述根據本發明實施例的對象檢測裝置、對象檢測方法以及電子設備，對方向梯 度直方圖特征進行了簡化，能夠至少實現以下有益效果之一：減少了方向梯度直方圖特征 的數據量，減小了存儲空間；降低了對噪聲的敏感度。
[0012] 通過以下結合附圖對本發明的最佳實施例的詳細說明，本發明的這些以及其他優 點將更加明顯。
【附圖說明】
[0013] 本發明可以通過參考下文中結合附圖所給出的描述而得到更好的理解，其中在所 有附圖中使用了相同或相似的附圖標記來表示相同或者相似的部件。所述附圖連同下面的 詳細說明一起包含在本說明書中并且形成本說明書的一部分，而且用來進一步舉例說明本 發明的優選實施例和解釋本發明的原理和優點。在附圖中：
[0014] 圖1示出了根據本發明的一個實施例的對象檢測方法的示意圖；
[0015] 圖2示出了根據本發明的另一實施例的對象檢測方法的流程示意圖；
[0016] 圖3示出了根據本發明的實施例的對獲取的圖像進行尺寸調整的示意圖；
[0017] 圖4示出了根據本發明的實施例的方向梯度直方圖的示意圖；
[0018] 圖5示出了根據本發明的實施例的子圖像、子塊以及元胞定義的示意圖；
[0019] 圖6示出了根據本發明的實施例的各角度范圍對應絕對梯度示意圖；
[0020] 圖7示出了根據本發明的實施例的子圖像重疊示意圖；
[0021] 圖8示出了根據本發明的實施例的對象檢測裝置的框圖。
【具體實施方式】
[0022] 為了能夠更清楚地理解本發明的上述目的、特征和優點，下面結合附圖和具體實 施方式對本發明進行進一步的詳細描述。需要說明的是，在不沖突的情況下，本申請的實施 例及實施例中的特征可以相互組合。
[0023] 在下面的描述中闡述了很多具體細節以便于充分理解本發明，但是，本發明還可 以采用其他不同于在此描述的其他方式來實施，因此，本發明并不限于下面公開的具體實 施例的限制。
[0024] 圖1示出了根據本發明的一個實施例的對象檢測方法的示意圖。
[0025] 如圖1所示，根據本發明的實施例的對象檢測方法可以包括以下步驟：
[0026] 步驟102,將當前幀圖像分解成多個子圖像，每個子圖像包括多個子塊；
[0027] 步驟104,計算每一子塊的方向梯度直方圖特征，方向梯度直方圖特征包含與各角 度對應的梯度序列；
[0028] 步驟106,對梯度序列進行數值變換，生成簡化方向梯度直方圖特征；
[0029] 步驟108,根據每一子圖像的所有子塊的簡化方向梯度直方圖特征得到每一子圖 像塊的簡化方向梯度直方圖特征；
[0030] 步驟110,采用分類器對每一子圖像塊的簡化方向梯度直方圖特征進行檢測，以確 定對象。
[0031] 在步驟106中，對梯度序列進行數值變換，生成簡化方向梯度直方圖特征的具體 過程包括將梯度序列的數值類型從浮點型變換為整數型，并對整數型的梯度序列的維數進 行壓縮。
[0032] 從浮點型變換為整數型的方式有很多，其中較優選的方式是：對方向梯度直方圖 特征中的梯度序列進行排序，根據排列順序將梯度序列中的每個梯度值替換成相應的序 號。除此之外，還可以將梯度序列值乘以相同的倍數。
[0033] 對梯度序列的維數進行壓縮的方法為假設梯度序列包括N個數值，每個數值為其 相應的序號，N為被劃分的角度范圍個數，則將N個數值合并成Μ個數值，使梯度序列包括 Μ個數值，其中，1 <Μ<Ν。例如假設梯度序列包括10個數，兩兩合并在一起，那么梯度序 列就包括5個數，這就是維數壓縮的含義。
[0034] 經過上述變換處理之后，方向梯度直方圖特征被簡化，所包含數據量變小，從而減 小了存儲空間，并且由于方向梯度直方圖特征被簡化后，導致細節信息被縮小，因此在進行 對象檢測時，對圖像噪聲的敏感度變小，進而提高檢測速度。
[0035] 接下來結合圖2進一步詳細說明根據本發明的另一實施例的對象檢測方法。
[0036] 如圖2所示，步驟202,首先根據正負樣本進行初始離線分類訓練，以得到分類器。
[0037] 步驟204,獲取簡化的H0G特征并根據該簡化的H0G特征進行對象檢測。可以檢測 出當前幀中的所有子圖像中的對象（例如車輛）。
[0038] 步驟206,對檢測結果進行合并處理，以去除重復的檢測結果。
[0039] 在下文中結合附圖3至附圖6進一步說明上述步驟204的其中一個實施過程。
[0040] 1)對捕獲的圖像（CF圖像）進行尺寸調整，將其尺寸縮小。例如，如果CF圖像的 尺寸為MXN，則調整后的高度為MXz，寬度為NXz，其中，0彡z彡0。CF圖像與CF圖像的 尺寸調整前后對比圖分別參見圖3A和圖3B。
[0041] 2)在調整了CF圖像的尺寸之后，進行特征的預提取。
[0042] 按照如下方法計算經過尺寸調整后的前景輪廓圖像的絕對梯度圖和角度圖：
[0043] 分別根據公式一和公式二計算垂直梯度值和水平梯度值。
[0044]公式一：
[0045]gradv(x,y) =pixel(x,y+1)-pixel(x,y-1)
[0046]公式二：
[0047]gradh (x,y) =pixel(x+1,y)-pixel(x~l,y)
[0048] 其中，gradv(x,y)和gradh(x,y)分別是像素（x,y)的垂直梯度值和水平梯度值。
[0049] 根據公式三計算絕對梯度圖以及根據公式四計算角度劃分圖，圖4示出了計算出 的一個絕對梯度示意圖。
[0050] 公式三：
[0051]
[0052]
[0053]
[0054] 其中，grad(X，y)是像素（X，y)的梯度值，angle(X，y)是像素（X，y)的角度劃分 值，&1^61(1，5〇￡[1，13;[111'111111]，13;[111'1111]1為角度劃分閾值，在本實施例中1