获取物体检测器的方法及装置制造方法
【专利摘要】本发明公开了一种获取物体检测器的方法及装置，属于检测【技术领域】。方法包括：根据SVM对图像训练样本训练，得到第一根分类器，根据第一根分类器获取各个物体部件对应的第一部件分类器；将第一根分类器及各个第一部件分类器进行模型变换，得到变换后的根分类器及变换后的部件分类器；根据隐变量SVM对变换后的根分类器及变换后的部件分类器训练，得到第二根分类器及第二部件分类器，将第一根分类器、第二根分类器、第一部件分类器及第二部件分类器作为获取到的物体检测器。本发明通过对获取到的第一根分类器及第一部件分类器进行模型变换，可增加分类器的种类，扩展物体检测器的搜索空间，可有效地匹配姿态和视角多变的物体，进而提高物体检测精度。
【专利说明】获取物体检测器的方法及装置
【技术领域】
[0001]本发明涉及检测【技术领域】，特别涉及一种获取物体检测器的方法及装置。
【背景技术】
[0002]随着电子信息技术的进步和网络化普及，人们在日常生活中越来越普遍地使用各种各样的图像采集设备，从而可以快捷地获取大量的图像和视频数据。通过快速而智能地分析这些数据，可以对图像中的物体进行检测。目前，物体检测的方式中普遍采用物体检测器对图像中的物体进行检测，而物体检测器又是对大量物体图像进行训练得到的，因此，物体检测器的性能将直接影响物体检测的性能。
[0003]现有技术中获取物体检测器的方式有多种，在由P.Felzenszwalb发表的一篇名为 “Object Detection with Discriminatively Trained Part Based Modes” 的论文中提到了一种人体检测器的获取方法。该方法首先采用SVM (Support Vector Machine,支持向量机)对人体图像训练样本进行训练，得到一个适用于人体全身的根分类器(rootfilter)，之后按照人体部件(如头部、上肢、下肢和躯干等)在根分类器的基础上获取与人体各个部件相对应的部件分类器(part filter)，最后采用latent SVM (隐变量SVM)对得到的根分类器及各个部件分类器进行训练，得到训练后的根分类器及部件分类器，并将训练后的根分类器及部件分类器作为获取到的物体检测器。
[0004]在实现本发明的过程中，发明人发现现有技术至少存在以下问题:
[0005]上述根分类器及部件分类器在进行匹配或检测的过程中，由于仅仅使用了部件的平移来获取最佳匹配，不能有效地匹配姿态和视角多变的物体，因而采用上述根分类器及部件分类器构成的物体检测器对动态物体进行检测时，其检测精度不高。
【发明内容】
[0006]为了解决现有技术的问题，本发明实施例提供了一种获取物体检测器的方法及装置。所述技术方案如下:
[0007]—方面，提供了一种获取物体检测器的方法，所述方法包括:
[0008]采用支持向量机SVM对预先获取的图像训练样本进行训练，得到第一根分类器，并根据所述第一根分类器获取各个物体部件对应的第一部件分类器；
[0009]将所述第一根分类器及每个第一部件分类器分别进行模型变换，得到变换后的根分类器及各个物体部件对应的变换后的部件分类器，所述变换至少包括比例变换、旋转变换及错切变换中的一种；
[0010]采用隐变量SVM对变换后的根分类器及各个物体部件对应的变换后的部件分类器进行训练，得到第二根分类器及各个物体部件对应的第二部件分类器，并将所述第一根分类器、第二根分类器、第一部件分类器及第二部件分类器作为获取到的物体检测器。
[0011]进一步地，所述将所述第一根分类器、第二根分类器、第一部件分类器及第二部件分类器作为获取到的物体检测器之后，还包括:[0012]获取待检测物体图像；
[0013]提取所述待检测物体图像的特征，得到所述待检测物体图像的第一特征图，并对所述第一特征图进行插值处理，得到第二特征图；
[0014]采用所述物体检测器中的第一根分类器及第二根分类器分别对所述第一特征图进行检测，得到所述第一根分类器的检测结果及所述第二根分类器的检测结果；
[0015]采用所述物体检测器中的第一部件分类器及第二部件分类器分别对所述第二特征图进行检测，得到所述第一部件分类器的检测结果及所述第二部件分类器的检测结果，并根据预设参数对所述第一部件分类器的检测结果及所述第二部件分类器的检测结果分别进行距离变换，得到所述第一部件分类器的变换结果及所述第二部件分类器的变换结果;
[0016]根据所述第一根分类器的检测结果、所述第二根分类器的检测结果、所述第一部件分类器的变换结果及所述第二部件分类器的变换结果获取采用所述物体检测器对所述待检测物体图像进行物体检测的检测结果。
[0017]较佳地，所述预设参数为所述隐变量SVM所使用的隐变量；
[0018]所述根据预设参数对所述第一部件分类器的检测结果及所述第二部件分类器的检测结果分别进行距离变换，得到所述第一部件分类器的变换结果及所述第二部件分类器的变换结果，包括:
[0019]根据所述隐变量SVM所使用的隐变量对所述第一部件分类器的检测结果及所述第二部件分类器的检测结果分别进行距离变换，得到所述第一部件分类器的第一变换结果及所述第二部件分类器的第一变换结果；
[0020]所述根据所述第一根分类器的检测结果、所述第二根分类器的检测结果、所述第一部件分类器的变换结果及所述第二部件分类器的变换结果获取采用所述物体检测器对所述待检测物体图像进行物体检测的检测结果，包括:
[0021]合并所述第一根分类器的检测结果、所述第二根分类器的检测结果、所述第一部件分类器的第一变换结果及所述第二部件分类器的第一变换结果，并将合并结果作为采用所述物体检测器对所述待检测物体图像进行物体检测的检测结果。
[0022]较佳地，所述预设参数为所述第一根分类器进行模型变换时的变换参数及所述第二根分类器进行模型变换时的变换参数；
[0023]所述根据预设参数对所述第一部件分类器的检测结果及所述第二部件分类器的检测结果分别进行距离变换，得到所述第一部件分类器的变换结果及所述第二部件分类器的变换结果，包括:
[0024]根据所述第一根分类器进行模型变换时的变换参数对所述第一部件分类器的检测结果及所述第二部件分类器的检测结果分别进行距离变换，得到所述第一部件分类器的第二变换结果及所述第二部件分类器的第二变换结果，并根据所述第二根分类器进行模型变换时的变换参数对所述第一部件分类器的检测结果及所述第二部件分类器的检测结果分别进行距离变换，得到所述第一部件分类器的第三变换结果及所述第二部件分类器的第三变换结果；
[0025]所述根据所述第一根分类器的检测结果、所述第二根分类器的检测结果、所述第一部件分类器的变换结果及所述第二部件分类器的变换结果获取采用所述物体检测器对所述待检测物体图像进行物体检测的检测结果，包括:
[0026]合并所述第一根分类器的检测结果、所述第一部件分类器的第二变换结果及所述第二部件分类器的第二变换结果，得到第一合并结果；
[0027]合并所述第二根分类器的检测结果、所述第一部件分类器的第三变换结果及所述第二部件分类器的第三变换结果，得到第二合并结果；
[0028]在所述第一合并结果和所述第二合并结果中选择满足第一阈值的合并结果作为采用所述物体检测器对所述待检测物体图像进行物体检测的检测结果。
[0029]进一步地，所述合并所述第一根分类器的检测结果、所述第一部件分类器的第二变换结果及所述第二部件分类器的第二变换结果，得到第一合并结果，包括:
[0030]在所述第一部件分类器的第二变换结果及所述第二部件分类器的第二变换结果中选择满足第二阈值的变换结果，并将选择出的变换结果与所述第一根分类器的检测结果进行合并，得到第一合并结果；
[0031]合并所述第二根分类器的检测结果、所述第一部件分类器的第三变换结果及所述第二部件分类器的第三变换结果，得到第二合并结果，包括:
[0032]在所述第一部件分类器的第三变换结果及所述第二部件分类器的第三变换结果中选择满足第三阈值的变换结果，并将选择出的变换结果与所述第二根分类器的检测结果进行合并，得到第二合并结果。
[0033]另一方面，还提供了一种获取物体检测器的装置，所述装置包括:
[0034]第一训练模块，用于采用支持向量机SVM对预先获取的图像训练样本进行训练，得到第一根分类器；
[0035]第一获取模块，用于根据所述第一训练模块训练得到的第一根分类器获取各个物体部件对应的第一部件分类器；
[0036]模型变换模块，用于将所述第一训练模块训练得到的第一根分类器及所述第一获取模块获取到的各个物体部件对应的第一部件分类器分别进行模型变换，得到变换后的根分类器及各个物体部件对应的变换后的部件分类器，所述变换至少包括比例变换、旋转变换及错切变换中的一种；
[0037]第二训练模块，用于根据隐变量SVM对所述模型变换模块变换后的根分类器及各个物体部件对应的变换后的部件分类器进行训练，得到第二根分类器及各个物体部件对应的第二部件分类器，并将所述第一根分类器、第二根分类器、第一部件分类器及第二部件分类器作为获取到的物体检测器。
[0038]进一步地，所述装置，还包括:
[0039]第二获取模块，用于获取待检测物体图像；
[0040]提取模块，用于提取所述第二获取模块获取到的待检测物体图像的特征，得到所述待检测物体图像的第一特征图；
[0041]处理模块，用于对所述提取模块提取的第一特征图进行插值处理，得到第二特征图；
[0042]第一检测模块，用于采用所述物体检测器中的第一根分类器及第二根分类器分别对所述提取模块提取的第一特征图进行检测，得到所述第一根分类器的检测结果及所述第二根分类器的检测结果；[0043]第二检测模块，用于采用所述物体检测器中的第一部件分类器及第二部件分类器分别对所述处理模块处理得到的第二特征图进行检测，得到所述第一部件分类器的检测结果及所述第二部件分类器的检测结果；
[0044]转换模块，用于根据预设参数对所述第二检测模块得到的第一部件分类器的检测结果及所述第二部件分类器的检测结果分别进行距离变换，得到所述第一部件分类器的变换结果及所述第二部件分类器的变换结果；
[0045]第三获取模块，用于根据所述第一检测模块得到的第一根分类器的检测结果、所述第二根分类器的检测结果、所述转换模块得到的第一部件分类器的变换结果及所述第二部件分类器的变换结果获取采用所述物体检测器对所述待检测物体图像进行物体检测的检测结果。
[0046]较佳地，所述预设参数为所述隐变量SVM所使用的隐变量；
[0047]所述转换模块，用于根据所述隐变量SVM所使用的隐变量对所述第一部件分类器的检测结果及所述第二部件分类器的检测结果分别进行距离变换，得到所述第一部件分类器的第一变换结果及所述第二部件分类器的第一变换结果；
[0048]所述第三获取模块，包括:
[0049]第一合并单元，用于合并所述第一根分类器的检测结果、所述第二根分类器的检测结果、所述第一部件分类器的第一变换结果及所述第二部件分类器的第一变换结果；
[0050]第一获取单元，用于将所述第一合并单元得到的合并结果作为采用所述物体检测器对所述待检测物体图像进行物体检测的检测结果。
[0051]较佳地，所述预设参数为所述第一根分类器进行模型变换时的变换参数及所述第二根分类器进行模型变换时的变换参数；
[0052]所述转换模块，用于根据所述第一根分类器进行模型变换时的变换参数对所述第一部件分类器的检测结果及所述第二部件分类器的检测结果分别进行距离变换，得到所述第一部件分类器的第二变换结果及所述第二部件分类器的第二变换结果，并根据所述第二根分类器进行模型变换时的变换参数对所述第一部件分类器的检测结果及所述第二部件分类器的检测结果分别进行距离变换，得到所述第一部件分类器的第三变换结果及所述第二部件分类器的第三变换结果；
[0053]所述第三获取模块，包括:
[0054]第二合并单元，用于合并所述第一根分类器的检测结果、所述第一部件分类器的第二变换结果及所述第二部件分类器的第二变换结果，得到第一合并结果；
[0055]第三合并单元，用于合并所述第二根分类器的检测结果、所述第一部件分类器的第三变换结果及所述第二部件分类器的第三变换结果，得到第二合并结果；
[0056]第二获取单元，用于在所述第二合并单元得到的第一合并结果和所述第三合并单元得到的第二合并结果中选择满足第一阈值的合并结果作为采用所述物体检测器对所述待检测物体图像进行物体检测的检测结果。
[0057]进一步地，所述第二合并单元，用于在所述第一部件分类器的第二变换结果及所述第二部件分类器的第二变换结果中选择满足第二阈值的变换结果，并将选择出的变换结果与所述第一根分类器的检测结果进行合并，得到第一合并结果；
[0058]所述第三合并单元，用于在所述第一部件分类器的第三变换结果及所述第二部件分类器的第三变换结果中选择满足第三阈值的变换结果，并将选择出的变换结果与所述第二根分类器的检测结果进行合并，得到第二合并结果。
[0059]本发明实施例提供的技术方案带来的有益效果是:
[0060]通过对获取到的第一根分类器及第一部件分类器进行模型变换，可增加分类器的种类，扩展获取到的物体检测器的搜索空间，使获取到的物体检测器不仅可以针对静态物体进行检测，还可有效地匹配姿态和视角多变的物体，对于处于动态变化的物体也能够实现检测，进而提闻物体检测精度。
【专利附图】
【附图说明】
[0061]为了更清楚地说明本发明实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
[0062]图1是本发明实施例一提供的一种获取物体检测器的方法流程图；
[0063]图2是本发明实施例二提供的一种获取物体检测器的方法流程图；
[0064]图3是本发明实施例二提供的一种物体检测器示意图；
[0065]图4是本发明实施例二提供的另一种物体检测器示意图；
[0066]图5是本发明实施例二提供的一种物体检测过程示意图；
[0067]图6是本发明实施例二提供的另一种物体检测过程示意图；
[0068]图7是本发明实施例三提供的一种获取物体检测器的装置结构示意图；
[0069]图8是本发明实施例三提供的另一种获取物体检测器的装置结构示意图；
[0070]图9是本发明实施例三提供的一种第三获取模块的结构示意图；
[0071]图10是本发明实施例三提供的另一种第三获取模块的结构示意图。
【具体实施方式】
[0072]为使本发明的目的、技术方案和优点更加清楚，下面将结合附图对本发明实施方式作进一步地详细描述。
[0073]实施例一
[0074]本实施例提供了一种获取物体检测器的方法，参见图1，本实施例提供的方法流程具体如下:
[0075]101:采用SVM对预先获取的图像训练样本进行训练，得到第一根分类器，并根据第一根分类器获取各个物体部件对应的第一部件分类器；
[0076]102:将第一根分类器及各个物体部件对应的第一部件分类器分别进行模型变换，得到变换后的根分类器及各个物体部件对应的变换后的部件分类器，变换至少包括比例变换、旋转变换及错切变换中的一种；
[0077]103:采用隐变量SVM对变换后的根分类器及各个物体部件对应的变换后的部件分类器进行训练，得到第二根分类器及各个物体部件对应的第二部件分类器，并将第一根分类器、第二根分类器、第一部件分类器及第二部件分类器作为获取到的物体检测器。
[0078]本实施例提供的方法，通过对获取到的第一根分类器及第一部件分类器进行模型变换，可增加分类器的种类，扩展获取到的物体检测器的搜索空间，使获取到的物体检测器不仅可以针对静态物体进行检测，还可有效地匹配姿态和视角多变的物体，对于处于动态变化的物体也能够实现检测，进而提高物体检测精度。
[0079]为了更加清楚地阐述上述实施例提供的方法，结合上述实施例的内容，以如下实施例二为例，对本实施例提供的方法进行详细说明，详见如下实施例二:
[0080]实施例二
[0081]结合上述实施例一的内容，本实施例提供了一种获取物体检测器的方法。其中，物体检测器包括但不限于人体检测器、车辆检测器、或其他类型的物体检测等等，本实施例不对物体检测器的具体类型进行限定。为了便于说明，本实施例以获取人体检测器为例，对获取物体检测器的方式进行详细地举例描述。参见图2，本实施例提供的方法流程具体如下:
[0082]201:采用SVM对预先获取的图像训练样本进行训练，得到第一根分类器，并根据第一根分类器获取各个物体部件对应的第一部件分类器；
[0083]其中，预先获取的图像训练样本可以为通过拍照设备或摄像设备等采集得到的图像。以获取人体检测器为例，该预先获取的图像训练样本可以为包括人体的图像，也可以为不包括人体的图像，本实施例将包括人体的图像称为正样本，不包括人体的图像称为负样本。为了使训练出的分类器性能更加优越，预先获取的图像训练样本的数量越多越好，但本实施例不对该步骤中预先获取的图像训练样本的个数进行限定。
[0084]另外，SVM是一种基于分类边界的方法，其原理是将低维空间中的点映射到高维空间中，使它们成为线性可分的，再使用线性划分的原理来判断分类边界。由于采用SVM训练的方式在分类的应用上已经十分成熟，本实施例同样不对采用SVM对预先获取的图像训练样本进行训练的方式进行限定。具体训练时，对是否线性可分的情况进行分析，对于线性不可分的情况，通过使用非线性映射算法将低维输入空间线性不可分的样本转化为高维特征空间使其线性可分，从而使得高维特征空间采用线性算法对样本的非线性特征进行线性分析成为可能。
[0085]对于预先获取的图像训练样本，采用SVM对其进行训练，得到的结果作为第一根分类器。该第一根分类器可以是针对人体全身的分类器，如图3中的(I)所示。
[0086]进一步地，由于人体全身的分类器可以反映人体各个部件的信息，因而通过对第一根分类器进行插值处理，可以得到分辨率更高的分类器，并按照人体的各个部件，可将经过插值处理的分类器进行拆分，并对拆分后的结果做进一步的插值处理，得到各个物体部件对应的第一部件分类器。例如，在得到如图3 (I)所示的第一根分类器之后，通过对其进行插值处理，得到如图3 (2)所示的处理结果，再通过对其做进一步的插值处理之后，可得到如图3 (3)所示的针对人体各个部件的第一部件分类器。如图3 (3)所示，该第一部件分类器包括头部对应的第一部件分类器1，上肢对应的第一部件分类器2，下肢对应的第一部件分类器3等等，各个部件对应各自的第一部件分类器，本实施例不对划分的第一部件分类器的个数进行限定。
[0087]202:将第一根分类器及各个物体部件对应的第一部件分类器分别进行模型变换，得到变换后的根分类器及各个物体部件对应的变换后的部件分类器，变换至少包括比例变换、旋转变换及错切变换中的一种；
[0088]其中，变换的种类包括但不限于比例变换、旋转变换及错切变换中的一种。比例变换包括放大变换或缩小变换，本实施例不对放大或缩小的比例进行限定；旋转变换可以为任意角度的旋转变换，本实施例同样不对旋转的角度进行限定；错切变换是使图形产生一个扭变，包括但不限于X方向和I方向的错切变换。
[0089]其中，图像沿X方向的错切矩阵如下面的公式(I)所示:
【权利要求】
1.一种获取物体检测器的方法，其特征在于，所述方法包括: 采用支持向量机SVM对预先获取的图像训练样本进行训练，得到第一根分类器，并根据所述第一根分类器获取各个物体部件对应的第一部件分类器； 将所述第一根分类器及各个物体部件对应的第一部件分类器分别进行模型变换，得到变换后的根分类器及各个物体部件对应的变换后的部件分类器，所述变换至少包括比例变换、旋转变换及错切变换中的一种； 采用隐变量SVM对变换后的根分类器及各个物体部件对应的变换后的部件分类器进行训练，得到第二根分类器及各个物体部件对应的第二部件分类器，并将所述第一根分类器、第二根分类器、第一部件分类器及第二部件分类器作为获取到的物体检测器。
2.根据权利要求1所述的方法，其特征在于，所述将所述第一根分类器、第二根分类器、第一部件分类器及第二部件分类器作为获取到的物体检测器之后，还包括: 获取待检测物体图像； 提取所述待检测物体图像的特征，得到所述待检测物体图像的第一特征图，并对所述第一特征图进行插值处理，得到第二特征图； 采用所述物体检测器中 的第一根分类器及第二根分类器分别对所述第一特征图进行检测，得到所述第一根分类器的检测结果及所述第二根分类器的检测结果； 采用所述物体检测器中的第一部件分类器及第二部件分类器分别对所述第二特征图进行检测，得到所述第一部件分类器的检测结果及所述第二部件分类器的检测结果，并根据预设参数对所述第一部件分类器的检测结果及所述第二部件分类器的检测结果分别进行距离变换，得到所述第一部件分类器的变换结果及所述第二部件分类器的变换结果；根据所述第一根分类器的检测结果、所述第二根分类器的检测结果、所述第一部件分类器的变换结果及所述第二部件分类器的变换结果获取采用所述物体检测器对所述待检测物体图像进行物体检测的检测结果。
3.根据权利要求2所述的方法，其特征在于，所述预设参数为所述隐变量SVM所使用的隐变量； 所述根据预设参数对所述第一部件分类器的检测结果及所述第二部件分类器的检测结果分别进行距离变换，得到所述第一部件分类器的变换结果及所述第二部件分类器的变换结果，包括: 根据所述隐变量SVM所使用的隐变量对所述第一部件分类器的检测结果及所述第二部件分类器的检测结果分别进行距离变换，得到所述第一部件分类器的第一变换结果及所述第二部件分类器的第一变换结果； 所述根据所述第一根分类器的检测结果、所述第二根分类器的检测结果、所述第一部件分类器的变换结果及所述第二部件分类器的变换结果获取采用所述物体检测器对所述待检测物体图像进行物体检测的检测结果，包括: 合并所述第一根分类器的检测结果、所述第二根分类器的检测结果、所述第一部件分类器的第一变换结果及所述第二部件分类器的第一变换结果，并将合并结果作为采用所述物体检测器对所述待检测物体图像进行物体检测的检测结果。
4.根据权利要求2所述的方法，其特征在于，所述预设参数为所述第一根分类器进行模型变换时的变换参数及所述第二根分类器进行模型变换时的变换参数；所述根据预设参数对所述第一部件分类器的检测结果及所述第二部件分类器的检测结果分别进行距离变换，得到所述第一部件分类器的变换结果及所述第二部件分类器的变换结果，包括: 根据所述第一根分类器进行模型变换时的变换参数对所述第一部件分类器的检测结果及所述第二部件分类器的检测结果分别进行距离变换，得到所述第一部件分类器的第二变换结果及所述第二部件分类器的第二变换结果，并根据所述第二根分类器进行模型变换时的变换参数对所述第一部件分类器的检测结果及所述第二部件分类器的检测结果分别进行距离变换，得到所述第一部件分类器的第三变换结果及所述第二部件分类器的第三变换结果； 所述根据所述第一根分类器的检测结果、所述第二根分类器的检测结果、所述第一部件分类器的变换结果及所述第二部件分类器的变换结果获取采用所述物体检测器对所述待检测物体图像进行物体检测的检测结果，包括: 合并所述第一根分类器的检测结果、所述第一部件分类器的第二变换结果及所述第二部件分类器的第二变换结果，得到第一合并结果； 合并所述第二根分类器的检测结果、所述第一部件分类器的第三变换结果及所述第二部件分类器的第三变换结果，得到第二合并结果； 在所述第一合并结果和所述第二合并结果中选择满足第一阈值的合并结果作为采用所述物体检测器对所述待检测物体图像进行物体检测的检测结果。
5.根据权利要求4所述的方法，其特征在于，所述合并所述第一根分类器的检测结果、所述第一部件分类器的第二变换结果及所述第二部件分类器的第二变换结果，得到第一合并结果，包括: 在所述第一部件分类器的第二变换结果及所述第二部件分类器的第二变换结果中选择满足第二阈值的变换结果，并将选择出的变换结果与所述第一根分类器的检测结果进行合并，得到第一合并结果； 合并所述第二根分类器的检测结果、所述第一部件分类器的第三变换结果及所述第二部件分类器的第三变换结果，得到第二合并结果，包括: 在所述第一部件分类器的第三变换结果及所述第二部件分类器的第三变换结果中选择满足第三阈值的变换结果，并将选择出的变换结果与所述第二根分类器的检测结果进行合并，得到第二合并结果。
6.一种获取物体检测器的装置，其特征在于，所述装置包括: 第一训练模块，用于采用支持向量机SVM对预先获取的图像训练样本进行训练，得到第一根分类器； 第一获取模块，用于根据所述第一训练模块训练得到的第一根分类器获取各个物体部件对应的第一部件分类器； 模型变换模块，用于将所述第一训练模块训练得到的第一根分类器及所述第一获取模块获取到的各个物体部件对应的第一部件分类器分别进行模型变换，得到变换后的根分类器及各个物体部件对应的变换后的部件分类器，所述变换至少包括比例变换、旋转变换及错切变换中的一种； 第二训练模块，用于采用隐变量SVM对所述模型变换模块变换后的根分类器及各个物体部件对应的变换后的部件分类器进行训练，得到第二根分类器及各个物体部件对应的第二部件分类器，并将所述第一根分类器、第二根分类器、第一部件分类器及第二部件分类器作为获取到的物体检测器。
7.根据权利要求6所述的装置，其特征在于，所述装置，还包括: 第二获取模块，用于获取待检测物体图像； 提取模块，用于提取所述第二获取模块获取到的待检测物体图像的特征，得到所述待检测物体图像的第一特征图； 处理模块，用于对所述提取模块提取的第一特征图进行插值处理，得到第二特征图；第一检测模块，用于采用所述物体检测器中的第一根分类器及第二根分类器分别对所述提取模块提取的第一特征图进行检测，得到所述第一根分类器的检测结果及所述第二根分类器的检测结果； 第二检测模块，用于采用所述物体检测器中的第一部件分类器及第二部件分类器分别对所述处理模块处理得到的第二特征图进行检测，得到所述第一部件分类器的检测结果及所述第二部件分类器的检测结果； 转换模块，用于根据预设参数对所述第二检测模块得到的第一部件分类器的检测结果及所述第二部件分类器的检测结果分别进行距离变换，得到所述第一部件分类器的变换结果及所述第二部件分类器的变换结果； 第三获取模块，用于根据所述第一检测模块得到的第一根分类器的检测结果、所述第二根分类器的检测结果、所述转换模块得到的第一部件分类器的变换结果及所述第二部件分类器的变换结果获取采用所述物体检测器对所述待检测物体图像进行物体检测的检测结果。
8.根据权利要求7所述的装置，其特征在于，所述预设参数为所述隐变量SVM所使用的隐变量； 所述转换模块，用于根据所述隐变量SVM所使用的隐变量对所述第一部件分类器的检测结果及所述第二部件分类器的检测结果分别进行距离变换，得到所述第一部件分类器的第一变换结果及所述第二部件分类器的第一变换结果； 所述第三获取模块，包括: 第一合并单元，用于合并所述第一根分类器的检测结果、所述第二根分类器的检测结果、所述第一部件分类器的第一变换结果及所述第二部件分类器的第一变换结果； 第一获取单元，用于将所述第一合并单元得到的合并结果作为采用所述物体检测器对所述待检测物体图像进行物体检测的检测结果。
9.根据权利要求7所述的装置，其特征在于，所述预设参数为所述第一根分类器进行模型变换时的变换参数及所述第二根分类器进行模型变换时的变换参数； 所述转换模块，用于根据所述第一根分类器进行模型变换时的变换参数对所述第一部件分类器的检测结果及所述第二部件分类器的检测结果分别进行距离变换，得到所述第一部件分类器的第二变换结果及所述第二部件分类器的第二变换结果，并根据所述第二根分类器进行模型变换时的变换参数对所述第一部件分类器的检测结果及所述第二部件分类器的检测结果分别进行距离变换，得到所述第一部件分类器的第三变换结果及所述第二部件分类器的第三变换结果；所述第三获取模块，包括: 第二合并单元，用于合并所述第一根分类器的检测结果、所述第一部件分类器的第二变换结果及所述第二部件分类器的第二变换结果，得到第一合并结果； 第三合并单元，用于合并所述第二根分类器的检测结果、所述第一部件分类器的第三变换结果及所述第二部件分类器的第三变换结果，得到第二合并结果； 第二获取单元，用于在所述第二合并单元得到的第一合并结果和所述第三合并单元得到的第二合并结果中选择满足第一阈值的合并结果作为采用所述物体检测器对所述待检测物体图像进行物体检测的检测结果。
10.根据权利要求9所述的装置，其特征在于，所述第二合并单元，用于在所述第一部件分类器的第二变换结果及所述第二部件分类器的第二变换结果中选择满足第二阈值的变换结果，并将选择出的变换结果与所述第一根分类器的检测结果进行合并，得到第一合并结果； 所述第三合并单元，用于在所述第一部件分类器的第三变换结果及所述第二部件分类器的第三变换结果中选择满足第三阈值的变换结果，并将选择出的变换结果与所述第二根分类器的检测结果进行合并，得到第二合并结果。
【文档编号】G06K9/62GK103942558SQ201310024111
【公开日】2014年7月23日 申请日期:2013年1月22日 优先权日:2013年1月22日
【发明者】王峰 申请人:日电（中国）有限公司