通过预设的SVM(Support Vector Machine，支持向量机)分类器确定该HOG特征的SVM分类器概率。
[0048]本发明实施例中，可以预先根据电子眼正负样本训练SVM分类器，即分别提取预设数量的电子眼正样本和预设数量的电子眼负样本的HOG特征，并将正负样本的HOG特征，以及正负样本的样本标签(可以预先赋予，如正样本的样本标签为1，负样本的样本标签为0)都输入到SVM中进行训练，以得到SVM分类器，进而，可以通过该SVM分类器可以得到第一目标窗口图像的SVM分类器概率。
[0049]S104、对第一目标窗口图像中SVM分类器概率大于第二阈值的第二目标窗口图像进行聚类，以得到电子眼区域集合，该电子眼区域集合包括一个或多个电子眼区域。
[0050]本发明实施例中，确定第一目标窗口图像的SVM分类器概率之后，可以将其中SVM分类器概率大于第二阈值的窗口图像(第二目标窗口图像)确定为电子眼候选区域(即该第二目标窗口图像对应的区域中包括电子眼)，并对第二目标窗口图像进行聚类，以将第二目标窗口图像中包括同一个电子眼的窗口图像聚类为一个电子眼区域，进而，可以得到包括一个或多个电子眼区域的电子眼区域集合。
[0051]可见，在图1所描述的方法流程中，通过在全景图上以预设尺寸的窗口进行滑窗，确定窗口图像的CNN分类器概率，并确定CNN分类器概率大于第一阈值的窗口图像的HOG特征的SVM分类器概率，进而，对SVM分类器概率大于第二阈值的窗口图像进行聚类，以得到电子眼区域集合，从而，实现了电子眼的自动检测，提高了电子眼检测的效率。
[0052]请参阅图2，图2为本发明实施例公开的另一种检测电子眼的方法的流程示意图。如图2所示，该检测电子眼的方法可以包括以下步骤:
[0053]S201、将全景图中的ROI区域图像转换为HSV图像，并根据该HSV图像的HSV属性确定ROI区域图像中的非电子眼区域。
[0054]本发明实施例中，可以通过位置信息来确定全景图中的ROI区域，例如，考虑到电子眼一般出现在道路边上，因此，可以根据全景图中的道路信息，将包含道路的区域确定为ROI区域，进而，将该ROI区域图像转换为HSV(Hue, Saturat1n, Value，色调、饱和度、亮度)图像，并根据该HSV图像的HSV属性(即色调、饱和度以及亮度)确定该ROI区域图像中的非电子眼区域，如绿色树叶疑似区域。
[0055]例如，可以将HSV图像中H值(色调)处于特定区间，如￠0° , 180° )，S值(饱和度)大于预设饱和度阈值，如0.6，V值(亮度)大于预设亮度阈值，如200，的区域确定为绿色树叶疑似区域。
[0056]S202、在全景图上以预设大小的窗口进行滑窗，以得到对应的窗口图像。
[0057]本发明实施例中，步骤S202的具体实现可以参见上述步骤SlOl中的相关描述，在此不再赘述。
[0058]S203、根据非电子眼区域与窗口图像的位置关系，确定满足预设条件的第三目标窗口图像。
[0059]本发明实施例中，确定全景图中的非电子眼区域(以下以绿色树叶疑似区域为例进行描述)，并通过滑窗得到对应的窗口图像之后，可以根据绿色树叶疑似区域与窗口图像的位置关系，确定窗口图像是否满足预设条件，例如，窗口图像中绿色树叶疑似区域所占比例低于阈值，窗口图像中绿色树叶疑似区域处于非中心区域(可以根据窗口图像的坐标，以及窗口图像中绿色树叶疑似区域的坐标确定)等。
[0060]S204、确定第三目标窗口图像的CNN分类器。
[0061]本发明实施例中，考虑到窗口图像中绿色树叶疑似区域所占比例高于阈值，或/和，窗口图像中绿色树叶疑似区域处于中心区域时，该窗口图像中一般不会包括电子眼，因此，在确定电子眼疑似区域时，可以不考虑不满足预设条件的窗口图像。
[0062]相应地，在本发明实施例中，根据绿色树叶疑似区域与窗口图像的位置关系，确定满足预设条件的第三目标窗口图像之后，可以计算该第三目标窗口图像的CNN分类器概率，其中，确定窗口图像的CNN分类器概率的具体实现可以参见上述步骤S102中的相关描述，本发明实施例不再赘述。
[0063]S205、确定第三目标窗口图像中CNN分类器概率大于第一阈值的第一目标窗口图像的HOG特征，并对该HOG特征进行PCA降维后，确定降维后的HOG特征的SVM分类器概率。
[0064]本发明实施例中，对于上述第三目标窗口图像中CNN分类器概率大于第一阈值的窗口图像(第一目标窗口图像)，可以提取该第一目标窗口图像的HOG特征。
[0065]本发明实施例中，为了降低第一目标窗口图像的HOG特征的SVM分类的复杂度以及HOG特征中非主成分的干扰，提高处理效率和准确性，在计算第一目标窗口图像的HOG特征的SVM分类器概率之前，可以先对第一目标窗口图像的HOG特征的进行PCA (PrincipalComponent Analysis，主成分分析)降维，然后，确定降维后的HOG特征的SVM分类器概率，其中，确定窗口图像的HOG特征的SVM分类器概率的具体实现可以参见上述步骤S103中的相关描述，在此不再赘述。
[0066]S206、对第一目标窗口图像中SVM分类器概率大于第二阈值的第二目标窗口图像进行聚类，并确定聚类后各窗口图像的CNN概率和SVM概率。
[0067]本发明实施例中，对于第一目标窗口图像中SVM分类器概率大于第二阈值窗口图像(第二目标窗口图像)，可以对该第二目标窗口图像进行聚类，以将第二目标窗口图像中包括同一个电子眼的窗口图像聚类为一个窗口图像(聚类后窗口图像)，之后，可以确定各聚类后窗口图像的CNN分类器概率和SVM分类器概率。
[0068]其中，在本发明实施例中，确定各聚类后窗口图像的CNN分类器概率和SVM分类器概率的具体实现方式可以包括但不限于以下方式:
[0069]方式一、通过预设的CNN分类器和SVM分类器中，分别确定聚类后窗口图像的CNN分类器概率和SVM分类器概率；
[0070]方式二、对于各聚类后窗口图像，根据用于聚类得到该聚类后窗口图像的第二目标窗口图像的CNN分类器概率和SVM分类器概率，通过特定算法确定该聚类后窗口图像的CNN分类器概率和SVM分类器概率。
[0071]S207、将聚类后各窗口图像中CNN概率和SVM概率满足预设条件的窗口图像确定为电子眼区域，以得到电子眼区域集合。
[0072]本发明实施例中，确定聚类后各窗口图像的CNN概率和SVM概率之后，可以将该聚类后窗口图像中满足预设条件的窗口图像确定为电子眼区域，以得到电子眼区域集合。
[0073]其中，在本发明实施例中，该预设条件可以包括但不限于CNN分类器概率和SVM分类器概率分别大于相应阈值(可以根据具体场景设置)，或者，CNN分类器概率和SVM分类器概率的加权平均值大于相应阈值等。
[0074]例如，当聚类后窗口图像的CNN分类器概率和SVM概率满足以下公式时，确定该聚类后窗口图像的CNN分类器概率和SVM概率满足预设条件:
[0075]a*Pc+b*Ps > Pt
[0076]其中，a+b = 1，且a>0，b > O ;Pc为聚类后窗口图像的CNN分类器概率，Ps为聚类后窗口图像的SVM分类器概率；Pt为预设阈值。
[0077]可见，在图2所描述的方法流程中，通过确定全景图中的非电子眼区域，并根据非电子眼区域与窗口图像的位置关系对窗口图像进行筛选，降低了电子眼检测的复杂度；此夕卜，通过确定聚类后各窗口图像的CNN分类器概率和SVM分类器概率，并将满足预设条件的聚类后窗口图像确定为电子眼区域，提高了电子眼检测的准确度。
[0078]请参阅图3，图3为本发明实施例公开的另一种检测电子眼的方法的流程示意图。如图3所示，该检测电子眼的方法可以包括以下步骤:
[0079]S301、将全景图中的ROI区域图像转换为HSV图像，并根据该HSV图像的HSV属性确定ROI区域图像中的非电子眼区域。
[0080]S302、在全景图上以预设大小的窗口进行滑窗，以得到对应的窗口图像。
[0081]S303、根据非电子眼区域与窗口图像的位置关系，确定满足预设条件的第三目标窗口图像。
[0082]S304、确定第三目标窗口图像的CNN分类器。
[0083]S305、确定第三目标窗口图像中CNN分类器概率大于第一阈值的第一目标窗口图像的HOG特征，并对该HOG特征进行PCA降维后，确定降维后的HOG特征的SVM分类器概率。
[0084]本发明实施例中，步骤S301?步骤S305的具体实现可以参见上述步骤S201?步骤S205中的相关描述，在此不再赘述。
[0085]S306、将第一目标窗口图像中SVM分类器概率大于第三阈值的第四目标窗口图像加入第一候选集合，将第一目标窗口图像中SVM分类器概率小于或等于第三阈值，且大于第二阈值的第五目标窗口图像加入第二候选集合。
[0086]本发明实施例中，确定第一目标窗口图像的SVM分类器概率之后，可以将第一目标窗口图像中SVM分类器概率大于第三阈值的窗口图像(第四目标窗口图像)加入到第一候选集合，并将第一目标窗口图像中SVM分类器概率小于或等于第三阈值，且大于第二阈值的窗口图像(第五目标窗口图像)加入到第二候选集合，而第一目标窗口图像中SVM分类器概率小于第二阈值的窗口图像则直接舍弃；其中，第三阈值大于第二阈值。
[0087]S307、对第一候选集合中各第四目标窗口图像进行聚类，以得到对应的第一电子眼候选区域集合，以及对第二候选集合中各第五目标窗口图像进行聚类，并将同一类的窗口图像