光栅扫 描顺序在图像上通过的移动窗口。
[0030] 需要注意，实施方式仅直接使用成本体积来确定特征。没有执行现有技术中的深 度图估计。
[0031] 特征向量的各个维度对应于子图像600中的两个（例如，矩形）区域、601和 /?2 602的图成本视差值之间的数值比较结果。将子图像表示为J，特征向量的第k维度表 示为fk(J)。fk(J)的值为
[0032]
J V1 !
[0033] 其中表示子图像的区域R1k中具有最小（min)累积成本的视差值。即，
[0034]
[0035] 需要注意，确定区域中最小成本视差值相对简单，因为如本领域已知的，可有效地 利用积分图像技术来获得累积成本。利用下述机器学习过程来学习区域的位置和大小。
[0036] 物体检测和定位
[0037] 与子图像关联的K维特征向量被传递给集成分类器以用于确定检测得分。集成分 类器包括T个决策树分类器。各个决策树分类器以K维特征的少量维度作为输入，并且将 子图像分类为正（包含物体）或负（不包含物体）。从分类器获得的子图像J的检测得分 s由下式给出
[0038]
[0039] 其中St是决策树分类器，Θ t是对应权重。如果得分大于预设阈值，则系统宣布 在子图像中检测到。
[0040] 如图7所示，分类器可被训练，以在物体占据子图像701的较大部分时给出较高得 分，在物体仅占据子图像702的较小部分时给出较低得分，这是因为与较小的物体相比，较 大的物体提供物体在图像内位于何处的更好估计。
[0041] 特征选择和分类器学习过程
[0042] 使用离散AdaBoost过程以用于选择区域
[0043]
[0044] 并且用于学习决策树分类器权重
[0045] 丨巧丨 Vi = 1，2".·，Tf (5)λ
[0046] 收集用于学习任务的一组数据，所述一组数据包括一组立体训练图像。包含物体 的子图像被标记为正实例，而其它被标记为负实例。使正和负子图像对准以使得它们的中 心重合。子图像还被缩放为具有相同的高度。经对准和缩放的子图像被表示为
[0047] = (6)
[0048] 其中J1表示第i子图像，1馮标签，V是子图像的总数。
[0049] 采样一组N个区域作为特征池{民，i = 1，2, ...，N}，其具有不同的位置和大小并 且被经对准的子图像覆盖。随机将两个区域组对并且比较它们的最小成本的视差值。这被 执行K次以构造 K维特征向量。
[0050] 使用离散AdaBoost过程来学习 T个决策树分类器及其权重。所述过程开始于将一 致的权重指派给训练样本。然后基于当前训练样本权重学习决策树。不正确分类的样本的 权重被增加，以使得权重在下一轮决策树分类器学习期间具有更多影响。基于加权错误率 将权重指派给决策树分类器。此处理被重复T次以构造 T个决策树分类器的集成分类器。 下面描述该过程的伪代码。
[0051] 输入：特征向量和类标签D = {(fCLhlli = 1，2，···，ν}
[0052] 输出：集成分类器
[0053] 开始于一致的权重
[0054] ^ v , i==K2, .... V
[0055] 对于 t = I, 2, · · ·，T
[0056] 1.利用权重Wi学习决策树分类器δ t (J) e {-1，1};
[0057] 2.确定错误率 ε = Σ A I ( δ Jji)乒 Ii);
[0058] 3.确定决策树分类器权重6 = I叩ι
[0059] 4.对于 i = 1，2, · · ·，V，设定 Wi^ w ;exp( Θ 11 ( δ Jji)乒 Ii);并且 W,-
[0060] 5.将样本权重正规化。
[0061] 步骤2和4中使用的函数δ t表示指示函数，其在括号内的陈述为真的情况下返 回一，否则返回零。
【主权项】
1. 一种在从场景获取的成对的立体图像中检测物体的方法，其中各个立体图像包括像 素，该方法包括以下步骤： 从所述成对的立体图像生成成本体积，其中，所述成本体积包括在成对的立体图像之 间针对各个像素的视差值范围的匹配成本； 根据所述成本体积中的子图像，利用所述子图像内部的区域内具有最小累积成本的视 差值的特征函数确定特征向量；以及 将分类器应用于所述特征向量以检测所述子图像是否包括物体， 其中，上述步骤在处理器中执行。2. 根据权利要求1所述的方法，该方法还包括： 在所述立体图像内定位所述物体。3. 根据权利要求1所述的方法，其中，从成对的训练立体图像学习所述分类器。4. 根据权利要求1所述的方法，该方法还包括： 调整所述成对的立体图像。5. 根据权利要求1所述的方法，该方法还包括： 平滑所述成对的立体图像。6. 根据权利要求1所述的方法，其中，所述生成还包括： 利用欧几里德范数来使所述成对的立体图像中的像素的颜色和梯度匹配。7. 根据权利要求1所述的方法，其中，所述特征函数为其中J表示所述子图像，k表示所述特征向量的维度，min表示返回最小值的函数， 表示所述子图像中的矩形区域M中具有最小累积成本的视胃值。8. 根据权利要求7所述的方法，其中其中C(X，y,d)表示所述成本体积。9. 根据权利要求1所述的方法，其中，所述分类器是包括T个决策树分类器的集成分类 器。10. 根据权利要求9所述的方法，其中，所述分类器针对子图像J提供检测得分S，所述 检测得分为其中St是决策树分类器，0t是对应权重。
【专利摘要】在成对的立体图像中检测物体的方法。一种在从场景获取的成对的立体图像中检测物体的方法，其首先从所述成对的立体图像生成成本体积，其中，所述成本体积包括在成对的立体图像之间针对立体图形的各个像素的视差值范围的匹配成本。根据所述成本体积中的子图像，利用所述子图像内部的区域内具有最小累积成本的视差值的特征函数确定特征向量。然后，将分类器应用于所述特征向量以检测所述子图像是否包括物体。
【IPC分类】G06T7/00
【公开号】CN105096307
【申请号】CN201510232293
【发明人】刘洺堉, O·图兹尔
【申请人】三菱电机株式会社
【公开日】2015年11月25日
【申请日】2015年5月8日
【公告号】US9195904, US20150324659