一种目标分类器自适应更新方法及装置的制造方法
【技术领域】
[0001 ]本申请涉及图像处理技术领域，尤其涉及一种目标分类器自适应更新方法及装 置。
【背景技术】
[0002] DPM(Deformable Parts Model，可形变部件模型）是目前较为流行的目标检测算 法，该算法是一种基于部件的目标检测方法，对目标的形变具有很强的鲁棒性。但是，该算 法的场景适应性差，对于未参与目标分类器训练的新场景，其目标检出率较低。
【发明内容】
[0003] 有鉴于此，本申请提供一种目标分类器自适应更新方法及装置。
[0004] 具体地，本申请是通过如下技术方案实现的：
[0005] 本申请提供一种目标分类器自适应更新方法，该方法包括：
[0006] 利用目标分类器对待检测图像进行目标检测；
[0007]记录检测过程中综合得分大于得分阈值时各部件模型的位置坐标；
[0008] 通过建立各部件模型位置坐标的高斯模型，获取各部件模型的位置坐标标准差；
[0009] 根据部件模型的位置坐标标准差更新对应部件模型的锚点坐标，以实现目标分类 器的自适应更新。
[0010] 本申请还提供一种目标分类器自适应更新装置，该装置包括：
[0011] 检测单元，用于利用目标分类器对待检测图像进行目标检测；
[0012] 记录单元，用于记录检测过程中综合得分大于得分阈值时各部件模型的位置坐 标；
[0013] 获取单元，用于通过建立各部件模型位置坐标的高斯模型，获取各部件模型的位 置坐标标准差；
[0014] 更新单元，用于根据部件模型的位置坐标标准差更新对应部件模型的锚点坐标， 以实现目标分类器的自适应更新。
[0015] 由以上描述可以看出，本申请在目标检测过程中，通过对记录的部件模型历史位 置坐标建立高斯模型，确定当前场景是否发生部件模型偏移。在确定部件模型偏移后，计算 部件模型的偏移量更新锚点坐标，从而完成针对当前场景的目标分类器更新，提高新场景 下的目标检出率。
【附图说明】
[0016] 图1是本申请一示例性实施例示出的一种目标分类器自适应更新方法流程图；
[0017] 图2是本申请一示例性实施例示出的一种目标分类器自适应更新装置所在设备的 基础硬件结构示意图；
[0018] 图3是本申请一示例性实施例示出的一种目标分类器自适应更新装置的结构示意 图。
【具体实施方式】
[0019] 这里将详细地对示例性实施例进行说明，其示例表示在附图中。下面的描述涉及 附图时，除非另有表示，不同附图中的相同数字表示相同或相似的要素。以下示例性实施例 中所描述的实施方式并不代表与本申请相一致的所有实施方式。相反，它们仅是与如所附 权利要求书中所详述的、本申请的一些方面相一致的装置和方法的例子。
[0020] 在本申请使用的术语是仅仅出于描述特定实施例的目的，而非旨在限制本申请。 在本申请和所附权利要求书中所使用的单数形式的"一种"、"所述"和"该"也旨在包括多数 形式，除非上下文清楚地表示其他含义。还应当理解，本文中使用的术语"和/或"是指并包 含一个或多个相关联的列出项目的任何或所有可能组合。
[0021] 应当理解，尽管在本申请可能采用术语第一、第二、第三等来描述各种信息，但这 些信息不应限于这些术语。这些术语仅用来将同一类型的信息彼此区分开。例如，在不脱离 本申请范围的情况下，第一信息也可以被称为第二信息，类似地，第二信息也可以被称为第 一信息。取决于语境，如在此所使用的词语"如果"可以被解释成为"在……时"或"当…… 时"或"响应于确定"。
[0022] DPM是目前较为流行的目标检测算法，该算法是一种基于部件的目标检测方法，对 目标的形变具有很强的鲁棒性。但是，该算法的场景适应性较差，对未涵盖在训练样本中的 场景的目标检出率不高。例如，在实际场景中，当相机架设角度发生变化时，造成场景中目 标偏移。采用现有目标分类器检测该场景中的目标时，若部件模型的位置坐标与锚点坐标 偏移较大，将最终导致得分变小，影响目标检出率。
[0023] 针对上述问题，本申请提出一种目标分类器自适应更新方法，该方法通过记录目 标检测过程中部件模型的历史位置坐标，建立基于历史位置坐标的高斯模型，并根据该高 斯模型的参数更新部件模型锚点坐标，进而完成目标分类器的更新，以适应新场景下的目 标检测，提尚新场景下的目标检出率。
[0024] 参见图1，为本申请目标分类器自适应更新方法的一个实施例流程图，该实施例对 目标分类器自适应更新过程进行描述。
[0025] 步骤101，利用目标分类器对待检测图像进行目标检测。
[0026]本申请实施例首先采用现有DPM算法训练一个初始目标分类器，利用训练的目标 分类器对待检测图像进行目标检测。具体为，构建待检测图像的尺度金字塔，通过滑动窗口 对尺度金字塔的各个尺度进行检测，得到目标分类器在检测窗口处的综合得分。
[0027]综合得分公式如下：
[0028]
公式（1)
[0029] 其中，fWQ(%,yQ)为根模型在1〇层的得分；DU()_x(2(x 0,y0) + Vi)为第i个部件 模型在1『λ层的得分;b为偏移系数;η为部件模型个数;SC〇re(XQ，yQ，l Q)为目标分类器在1〇 层以(XQ，y〇)为锚点的检测窗口的综合得分。
[0030] 由于Ιο-λ层的特征分辨率是1Q层特征分辨率的2倍，因此，1〇层根模型锚点坐标 (X〇，y Q)映射到lo-λ层为2(XQ，yQ);Vl为部件模型锚点坐标(部件模型未发生形变时的标准坐 标)在lo-λ层相对于根模型锚点坐标的偏移，即部件模型锚点的相对坐标；（2(XQ，yQ)+ Vl)为 部件模型锚点的绝对坐标。
[0031 ]部件模型的得分公式可具体表示为：
[0032]
[0033] 其中，（x，y)为部件模型在1层的锚点坐标；（dx，dy)为部件模型相对于锚点坐标的 偏移量;Ri, 1 (x+dx，y+dy)为部件模型在（x+dx，y+dy)处的彳y_分；dj X (pd (dx, dy)为偏移 ((^，(^)所损失的得分，即形变花费，屮(：|(€^,(1；7) = ((^(；丨；7,(^2,(^2),6为偏移损失系 数，是目标分类器训练时需要学习的参数。目标分类器初始化时，(^二⑶…""^即偏移损 失为偏移量相对于锚点坐标的欧式距离。
[0034] 步骤102,记录检测过程中综合得分大于得分阈值时各部件模型的位置坐标。
[0035] 将步骤101计算的综合得分与训练得到的得分阈值进行比较，当综合得分大于得 分阈值时，认为当前检测位置存在目标，记录此时各部件模型的位置坐标。该部件模型的位 置坐标可表示为：
[0036]
[0037] Pi(x，y)为记录的第i个部件模型的位置坐标，该位置坐标为第i个部件模型在各 空间位置得分的最大值所对应的坐标。
[0038] 为了避免对同一批目标执行后续高斯建模，本申请实施例预设了记录间隔时长 (例如，1个小时），每隔记录间隔时长记录一次部件模型位置坐标。
[0039] 步骤103,通过建立各部件模型位置坐标的高斯模型，获取各部件模型的位置坐标 标准差。
[0040] 对每一个部件模型均执行如下建模操作：
[0041] 获取预设的位置坐标数量阈值。本申请实施例预先设定了建立高斯模型所需部件 模型位置坐标的数量，例如，预设位置坐标数量阈值为1 〇〇〇〇个。
[0042] 判断已记录的当前部件模型的位置坐标数量是否大于或等于预设的位置坐标数 量阈值，当已记录的位置坐标数量大于或等于预设的位置坐标数量阈值时，建立当前部件 模型的高斯模型，对应高斯模型公式如下：
[0043]
[0044] 其中，（x，y)为部件模型位置坐标;μι为X坐标均值;μ2为y坐标均值;σ^χ坐标的标 准差;〇2为y坐标的标准差。
[0045] 本申请实施例根据目标检测结果不断更新部件模型的位置坐标，建立最新的高斯 模型，从而获取当前反映部件模型位置坐标离散程度的位置坐标标准差(0^02)。
[0046] 步骤104,根据部件模型的位置坐标标准差更新对应部件模型的锚点坐标，以实现 目标分类器的自适应更新。
[0047] 对每一个部件模型均执行如下锚点坐标更新操作：
[0048] 判断当前部件模型的位置坐标标准差(〇1，〇2)是否小于预设的标准差阈值。本申请 实施例通过部件模型的位置坐标标准差反映该部件模型在最近检测过程中的离散程度。
[0049] 当位置坐标标准差小于预设的标准差阈值时，即〇1和〇2均较小时，说明当前部件模 型位置坐标的离散程度较小，位置坐标的偏移具有同一方向性，因此，认为该部件模型确实 发生了偏移，需要更新部件模型锚点坐标，以适应新场景下的目标检测。
[0050] 部件模型锚点坐标计算公式如下：
[0051]
[0052] 其中，Pi(x，y)为记录的第i个部件模型的位置坐标;Μ为记录的第i个部件模型位 置坐标中满足以1;〇1〈1^ 1+1^〇1和以2;〇2〈7^2+1^〇2的位置坐标个数$1为第；[个部件模型1坐 标均值;μ 2为第i个部件模型y坐标均值;σ:为第i个部件模型X坐标的