目标识别方法和目标识别装置的制造方法
【技术领域】
[0001] 本发明涉及数字图像处理领域，更具体地，本发明涉及一种目标识别方法和目标 识别装置。
【背景技术】
[0002] 近年来，目标识别逐渐成为计算机视觉的活跃研究领域，这是因为它为计算机提 供了核心的处理能力，以自动感知目标的类别、维护一个跟踪过程、以及在跟踪丢失之后进 行自动恢复等，从而为高层级的应用提供服务，例如人体活动(行为）分析等。
[0003] 尽管目前对目标识别存在活跃的研究，但是仍然存在一些公知的问题有待克服。 例如，由于真实场景中的目标识别对局部特征的要求较高，所以这就要求这些特征不能够 受到附近物体的干扰和遮挡等因素的影响等。具体地，用于目标识别的特征通常会容易受 如下因素的影响：光照变化、视角改变、遮挡和形变等。
[0004] 虽然人们已经意识到了上述问题，但是许多现有的研究仍然要么专注于过于特定 的应用场景，要么专注于过于宽泛的算法研究。例如，一方面，虽然人们在诸如人脸识别、 手势识别、步态识别等具体应用上对于影响特征的上述因素有着大量的研究，但是，这些具 体应用往往需要一些依据应用场景而定的先验知识(例如，在人脸识别应用中，需要已知鼻 子、眼睛等器官在人脸中的相对位置等)，这可能会损害这些方法的通用性和推广能力。另 一方面，虽然也存在一些研究偏向于通用的机器学习算法，但是其主要关注高维数据和分 类器之间的复杂组合和重构，而在一定程度上忽略了上述挑战（即，识别算法对于光照变 化、视角改变、遮挡、形变等因素十分敏感)。综上所述，与图像处理相关的目标识别算法的 性能仍然不够理想，这无疑也进一步影响了需要基于目标识别结果来执行的后续过程(例 如，跟踪恢复等）的准确性。
[0005] 例如，目前，在以目标识别（即，目标类别的判定）和跟踪恢复为最终目的的技术方 案之中，特征点检测和匹配方案是有代表性的一种。该方案主要包括：使用特征点检测算法 (例如，尺度不变特征转换（SIFT)算法）来检测已知类别的样本图像区域中的特征点和未知 类别的目标图像区域中的特征点，并且通过特征点匹配来对目标图像区域进行识别。
[0006] 然而，该技术方案存在以下问题：由于特征点是通过检测算法来检出的，所以特征 点的数量往往很少。由此，如果只有很少的特征点被检测到，则对于目标图像区域(也可以 称为拍摄目标）的表达将会受到限制，从而导致匹配结果的置信度也会相应地变低。
【发明内容】
[0007] 为了解决上述技术问题，根据本发明的一个方面，提供了一种目标识别方法，所述 方法用于根据已知类别的至少一个样本图像区域来识别未知类别的目标图像区域，所述方 法包括：通过预定的采样方式来对所述目标图像区域进行采样，以获得多个目标采样点； 计算所述目标采样点的稳定性权重，所述稳定性权重用于表达所述目标采样点在特征空间 中的稳定程度；根据具有稳定性权重的目标采样点来获得所述目标图像区域的加权特征描 述；以及根据所述目标图像区域的加权特征描述和所述样本图像区域的加权特征描述模型 来对所述目标图像区域进行识别，其中所述样本图像区域的加权特征描述模型是根据具有 稳定性权重的样本采样点来获得的。
[0008] 此外，根据本发明的另一方面，提供了一种目标识别装置，所述装置用于根据已知 类别的至少一个样本图像区域来识别未知类别的目标图像区域，所述装置包括：目标采样 单元，用于通过预定的采样方式来对所述目标图像区域进行采样，以获得多个目标采样点； 权重计算单元，用于计算所述目标采样点的稳定性权重，所述稳定性权重用于表达所述目 标采样点在特征空间中的稳定程度；描述获得单元，用于根据具有稳定性权重的目标采样 点来获得所述目标图像区域的加权特征描述；以及目标识别单元，用于根据所述目标图像 区域的加权特征描述和所述样本图像区域的加权特征描述模型来对所述目标图像区域进 行识别，其中所述样本图像区域的加权特征描述模型是根据具有稳定性权重的样本采样点 来获得的。
[0009] 本发明的实施例提供了一种基于加权特征点的目标识别方法，其具备通过足够的 特征点来充分表达对象的能力，同时能够更加关注其中重要的点，从而通过一种能够用于 处理带有权重的特征点的识别算法来使得基于加权特征点的识别过程成为可能。此外，由 于在本发明的实施例中还可以使用双目相机来捕捉视差信息，所以可以充分地使用3D空 间信息。因此，与现有技术相比，本发明的实施例将会有较高的识别精度，并且对于由于真 实场景中的各种因素(例如，光照和遮挡等）而导致的特征点的各种劣化也更加鲁棒。
[0010] 本发明的其它特征和优点将在随后的说明书中阐述，并且，部分地从说明书中变 得显而易见，或者通过实施本发明而了解。本发明的目的和其他优点可通过在说明书、权利 要求书以及附图中所特别指出的结构来实现和获得。
【附图说明】
[0011] 附图用来提供对本发明的进一步理解，并且构成说明书的一部分，与本发明的实 施例一起用于解释本发明，并不构成对本发明的限制。在附图中：
[0012] 图1图示了根据本发明实施例的目标识别方法的总体流程图。
[0013] 图2A图示了根据现有技术的在样本图像区域中获取特征点的示意图。
[0014] 图2B图示了根据现有技术的在目标图像区域中获取特征点的示意图。
[0015] 图3A图示了根据现有技术的在目标图像区域中获取特征点的示意图。
[0016] 图3B图示了根据本发明实施例的在目标图像区域中获取特征点的示意图。
[0017] 图4A图示了根据本发明第一实施例的计算目标采样点的尺度稳定性权重的步骤 的具体流程图。
[0018] 图4B图示了根据本发明第二实施例的计算目标采样点的空间稳定性权重的步骤 的具体流程图。
[0019] 图4C图示了根据本发明第三实施例的计算目标采样点的组合稳定性权重的步骤 的具体流程图。
[0020] 图5图示了根据本发明第一实施例的对目标采样点执行尺度不变特征描述和尺 度稳定性测量的原理示意图。
[0021] 图6图示了根据本发明第二实施例的对目标采样点执行空间稳定性测量的原理 示意图。
[0022] 图7A图示了立体相机设置的示意图。
[0023] 图7B图示了在水平投影图中计算目标采样点高度的示意图。
[0024] 图8图示了根据本发明实施例的获取样本图像区域的加权特征描述模型的步骤 的具体流程示例。
[0025] 图9图示了根据本发明实施例的对样本采样点执行尺度不变特征描述的原理示 意图。
[0026] 图IOA图示了根据现有技术的K均值聚类的原理示意图。
[0027] 图IOB图示了根据本发明实施例的加权K均值聚类的原理示意图。
[0028] 图11图示了根据本发明实施例的特征空间中最小距离投票的原理示意图。
[0029] 图12图示了根据本发明实施例的获得目标图像区域的加权特征描述的步骤的具 体流程示例。
[0030] 图13图示了根据本发明实施例的对目标图像区域进行识别的步骤的原理示意 图。
[0031] 图14A图示了将根据现有技术的特征点检测和匹配方法应用于跟踪恢复过程时 的跟踪效果示意图。
[0032] 图14B图示了将根据本发明实施例的目标识别方法应用于跟踪恢复过程时的跟 踪效果不意图。
[0033] 图15图示了根据本发明实施例的目标识别装置的功能配置框图。
[0034] 图16图示了根据本发明实施例的用于识别目标的系统的功能结构图。
[0035] 图17图示了根据本发明实施例的用于识别目标的硬件系统的总体硬件框图。
【具体实施方式】
[0036] 将参照附图详细描述根据本发明的各个实施例。这里，需要注意的是，在附图中， 将相同的附图标记赋予基本上具有相同或类似结构和功能的组成部分，并且将省略关于它 们的重复描述。
[0037] 下面，将简要地描述本申请的主要思想。
[0038] 为了解决现有技术中的技术问题，即针对只有少量的特征点可被检测到的情形， 在本申请中提出了一种新型的目标识别方法，其能够按照预定的采样方式来直接增加特征 点的数目。这样，由于特征点的数量增加，所以对于目标图像区域的表达变得更加丰富，从 而在一定程度上提高了匹配结果的置信度。
[0039] 然而，本发明人通过进一步的研究发现，通过直接增加被采样的位置来增加特征 点的上述方法仍然存在一定的副作用，即由于这些采样点是被采样的、而不是使用关键点 检测算法被检查出的，所以某些采样点的质量(这里，质量是指该采样点在特征空间中的稳 定性）很难有保证，也就是说，这些特征点容易受到诸如光照变化、视角改变、遮挡和形变等 现实因素的影响而导致它们在特征空间中的稳定性各不相同，从而最终导致仍然无法获得 满意的识别结果。
[0040] 为此，在本申请中进一步提出，可以确定每个特征点在特征空间中的稳定性，并且 使用权重的概念来不均等地处理这些稳定性不同的特征点，以反映这些特征点的稳定性差 异，使得稳定性强的特征点对于识别过程具有更大的影响，而稳定性差的特征点对于识别 过程具有更小的影响，以最大可能地保证识别过程的正确性。
[0041] 换言之，在本申请中，为了刻画这些特征点在稳定性上的差异，可以对每个特征点 引入权重概念，该权重随着该特征点在特征空间中的稳定性(或称为可靠性）而变化。相应 地，在本申请中还提出了一种算法，其能够有区别地处理带有权重的特征点，以便将具有较 高质量（即，在特征空间中具有较高稳定性）的特征点（而非具有较低质量的特征点）更多 地应用于真实场景中的目标识别过程中，从而使得基于加权特征点的目标识别过程成为可 能。
[0042] 在下文中，将参考图1到图13来描述根据本发明实施例的用于根据已知类别的样 本图像区域来识别未知类别的目标图像区域的目标识别方法的总体流程示例。
[0043] 图1图示了根据本发明实施例的目标识别方法的总体流程图。
[0044] 如图1所示，该目标识别方法可以包括：
[0045] 在步骤SllO中，通过预定的采样方式来对目标图像区域进行采样。
[0046] 首先，当用户希望使用计算设备来实现对于目标图像区域的识别操作时，可以获 得感兴趣的图像或图像序列，作为输入数据。在该感兴趣的图像或图像序列中可以包括未 知类别的目标图像区域。替换地，该感兴趣的图像或图像序列也可以本身就是未知类别的 目标图像区域。
[0047] 例如，该感兴趣的图像或图像序列可以是从图像捕捉装置(例如，摄像机）处接收 的由灰度图像和对应的深度图像(或称为视差图像或视差图）组成的图像对的序列。具体 地，该视差图可以是基于双目测距原理、利用确定的摄像机所采集的。
[0048] 显然的是，任何现有的获取视差图的方法均可以用于本发明。例如，该视差图可以 是由专门的视差摄像机直接拍摄而成的。替换地，也可以通过双目相机、多目相机、立体相 机拍摄灰度图，并然后根据所述灰度图来计算得到对应的视差图。具体地，例如，在检测的 对象(或称为目标）是道路上的对象如车辆或行人的情况下，可以通过车载双目相机来拍得 左图像和右图像，其中以左图像(或右图像）作为这里的灰度图，并且基于左图像和右图像 来计算得到这里的视差图。
[0049] 这里，在一个实施例中，可以例如通过位于本地的照相机来实现灰度图和视差图 的获取。或者在另一个实施例中，也可以利用例如有线网络或者无线网络来从位于远程的 照相机获得灰度图和对应的视差图。另外，有关图像拍摄装置(例如，照相机)不是必需安装 在车辆上，而是，例如，也可以根据需要而安装在路边建筑物上，或者适于拍摄待检测对象 的其他位置等。
[0050] 需要说明的是，这里的视差图并不限于必需由多个相机才能得到，而是也可以由 一个相机基于时域得到。例如，可以由一个相机在一个时刻拍摄得到一幅图像作为左图像， 然后在下一时刻，将该相机稍稍移动位置后拍摄得到另一幅图像作为右图像，基于如此得 到的左图像和右图像也可以计算得