• 四川郎酒股份有限公司获第十二届人民企业社会责任奖年度环保奖 2019-05-13
  • 银保监会新规剑指大企业多头融资和过度融资 2019-05-12
  • 韩国再提4国联合申办世界杯 中国网友无视:我们自己来 2019-05-11
  • 中国人为什么一定要买房? 2019-05-11
  • 十九大精神进校园:风正扬帆当有为 勇做时代弄潮儿 2019-05-10
  • 粽叶飘香幸福邻里——廊坊市举办“我们的节日·端午”主题活动 2019-05-09
  • 太原设禁鸣路段 设备在测试中 2019-05-09
  • 拜耳医药保健有限公司获第十二届人民企业社会责任奖年度企业奖 2019-05-08
  • “港独”没出路!“梁天琦们”该醒醒了 2019-05-07
  • 陈卫平:中国文化内涵包含三方面 文化复兴表现在其中 2019-05-06
  • 人民日报客户端辟谣:“合成军装照”产品请放心使用 2019-05-05
  • 【十九大·理论新视野】为什么要“建设现代化经济体系”?   2019-05-04
  • 聚焦2017年乌鲁木齐市老城区改造提升工程 2019-05-04
  • 【专家谈】上合组织——构建区域命运共同体的有力实践者 2019-05-03
  • 【华商侃车NO.192】 亲!楼市火爆,别忘了买车位啊! 2019-05-03
    • / 24
    • 下载费用:30 金币  

    狐仙重庆时时彩: 目标检测方法和设备.pdf

    关 键 词:
    目标 检测 方法 设备
      专利查询网所有资源均是用户自行上传分享,仅供网友学习交流,未经上传用户书面授权,请勿作他用。
    摘要
    申请专利号:

    CN201010252378.2

    申请日:

    2010.08.10

    公开号:

    CN102375985A

    公开日:

    2012.03.14

    当前法律状态:

    驳回

    有效性:

    无权

    法律详情: 发明专利申请公布后的驳回IPC(主分类):G06K 9/46申请公布日:20120314|||实质审查的生效IPC(主分类):G06K 9/46申请日:20100810|||公开
    IPC分类号: G06K9/46; G06T7/00; G06T5/00 主分类号: G06K9/46
    申请人: 富士通株式会社
    发明人: 曹琼; 刘汝杰; 于浩
    地址: 日本神奈川县
    优先权:
    专利代理机构: 北京集佳知识产权代理有限公司 11227 代理人: 李春晖;郎晓虹
    PDF完整版下载: PDF下载
    法律状态
    申请(专利)号:

    CN201010252378.2

    授权公告号:

    ||||||

    法律状态公告日:

    2016.05.25|||2012.04.25|||2012.03.14

    法律状态类型:

    发明专利申请公布后的驳回|||实质审查的生效|||公开

    摘要

    提供了目标检测方法和设备。在所述目标检测方法中,可以检测输入图像中沿第一方向的边缘,以得到包括多个第一方向边缘的边缘图像。然后,可以根据所述多个第一方向边缘生成一个或更多个候选目标,其中,所述多个第一方向边缘中的任意两个之间的区域对应于一个候选目标。

    权利要求书

    1: 一种目标检测方法, 包括 : 检测输入图像中沿第一方向的边缘, 以得到包括多个第一方向边缘的边缘图像 ; 及 根据所述多个第一方向边缘生成一个或更多个候选目标, 所述多个第一方向边缘中的 任意两个之间的区域对应于一个候选目标。
    2: 如权利要求 1 所述的方法, 还包括 : 检测所述输入图像中与每个候选目标对应的图像块中的沿第二方向的边缘, 以得到包 括一个或更多个第二方向边缘的边缘图像块, 所述第二方向不同于所述第一方向 ; 根据所述一个或更多个第二方向边缘, 来优化该每个候选目标。
    3: 如权利要求 2 所述的方法, 还包括 : 检测所述边缘图像块中沿第二方向的边缘密集的区域, 并且 其中, 优化该每个候选目标包括 : 利用所述沿第二方向的边缘密集的区域来优化该每 个候选目标。
    4: 如权利要求 3 所述的方法, 其中, 检测所述边缘图像块中沿第二方向的边缘密集的 区域包括 : 利用混合高斯函数对所述边缘图像块进行滤波, 并对经过滤波的边缘图像块进 行二值化和闭操作。
    5: 如权利要求 1-4 中任一项所述的方法, 还包括 : 对所述边缘图像中的第一方向边缘进行优化处理。
    6: 一种目标检测设备, 包括 : 第一边缘检测装置, 用于检测输入图像中沿第一方向的边缘, 以得到包括多个第一方 向边缘的边缘图像 ; 及 候选目标生成装置, 用于根据所述第一边缘检测装置检测到的所述多个第一方向边缘 生成一个或更多个候选目标, 所述多个第一方向边缘中的任意两个之间的区域对应于一个 候选目标。
    7: 如权利要求 6 所述的设备, 还包括 : 第二边缘检测装置, 用于检测所述输入图像中与每个候选目标对应的图像块中的沿第 二方向的边缘, 以得到包括一个或更多个第二方向边缘的边缘图像块, 所述第二方向不同 于所述第一方向 ; 候选目标优化装置, 用于根据所述一个或更多个第二方向边缘, 来优化所述候选目标 生成装置生成的每个候选目标。
    8: 如权利要求 7 所述的设备, 还包括 : 第一滤波器, 用于检测来自所述第二边缘检测装置的所述边缘图像块中的沿第二方向 的边缘密集的区域, 并且 其中, 所述候选目标优化装置被配置用于 : 利用所述沿第二方向的边缘密集的区域来 优化每个候选目标。
    9: 如权利要求 8 所述的设备, 其中, 所述第一滤波器为高斯滤波器, 用于利用混合高斯 函数对所述边缘图像块进行滤波 ; 并且所述目标检测设备还包括 : 二值化处理设备, 用于对经过所述高斯滤波器滤波的边缘图像块进行二值化和闭操 作。
    10: 如权利要求 6-9 中任一项所述的设备, 还包括 : 2 边缘优化装置, 用于对来自所述第一边缘检测装置的所述边缘图像中的第一方向边缘 进行优化处理。

    说明书


    目标检测方法和设备

        【技术领域】
         本公开涉及目标检测, 具体而言, 涉及一种检测图像或视频图像中的目标的方法和设备。 背景技术
         图像中的目标检测具有很高的应用价值。例如, 基于视频的车辆检测可以应用于 智能交通中来监视道路的交通情况, 从而及时发现道路中可能存在的各种交通隐患。发明内容
         本公开的一些实施例提供了检测图像或视频中的目标的方法和设备。
         在下文中给出关于本公开的简要概述, 以便提供关于本公开的某些方面的基本理 解。应当理解, 这个概述并不是关于本公开的穷举性概述。它并不是意图确定本公开的关 键或重要部分, 也不是意图限定本公开的范围。 其目的仅仅是以简化的形式给出某些概念, 以此作为稍后论述的更详细描述的前序。 根据本公开的实施方式, 在检测目标时, 可以检测输入图像中沿第一方向的边缘, 以得到包括多个第一方向边缘的边缘图像。然后, 可以根据所述多个第一方向边缘生成一 个或更多个候选目标, 所述多个第一方向边缘中的任意两个之间的区域对应于一个候选目 标。
         附图说明 参照下面结合附图对本公开实施例的说明, 会更加容易地理解本公开的以上和其 它目的、 特点和优点。附图中的部件只是为了示出本公开的原理。在附图中, 相同的或类似 的技术特征或部件将采用相同或类似的附图标记来表示。
         图 1 是示出了根据本公开的一个实施例的目标检测方法的示意性流程图 ;
         图 2 是示出了根据本公开的另一实施例的目标检测方法的示意性流程图 ;
         图 3 是示出了根据本公开的另一实施例的目标检测方法的示意性流程图 ;
         图 4 是示出了根据本公开的另一实施例的目标检测方法的示意性流程图 ;
         图 5 是示出了根据本公开的另一实施例的目标检测方法的示意性流程图 ;
         图 6 是示出了对包括多个第一方向边缘的边缘图像进行边缘优化的方法示例的 示意性流程图 ;
         图 7 是示出了根据本公开的一个具体实施例的目标检测方法的示意性流程图 ;
         图 8 是示出了根据本公开的一个实施例的目标检测设备的示意性框图 ;
         图 9 是示出了根据本公开的另一实施例的目标检测设备的示意性框图 ;
         图 10 是示出了根据本公开的另一实施例的目标检测设备的示意性框图 ;
         图 11 是示出了根据本公开的另一实施例的目标检测设备的示意性框图 ;
         图 12 是示出了根据本公开的另一实施例的目标检测设备的示意性框图 ;
         图 13 是示出了根据本公开的另一实施例的目标检测设备的示意性框图 ;
         图 14(A)-(F) 是示出了利用根据本公开的一个具体实施例的目标检测方法处理 后的图像的示意图 ;
         图 15(A)-(D) 是示出了利用根据本公开的一个具体实施例的目标检测方法处理 后的图像的示意图 ; 以及
         图 16 是示出了可用于实施根据本公开的实施例的计算机的示意性框图。 具体实施方式
         下面参照附图来说明本公开的实施例。 在本公开的一个附图或一种实施方式中描 述的元素和特征可以与一个或更多个其它附图或实施方式中示出的元素和特征相结合。 应 当注意, 为了清楚的目的, 附图和说明中省略了与本公开无关的、 本领域普通技术人员已知 的部件和处理的表示和描述。
         在本公开中, 所谓的图像可以是一幅或一组静止图像, 也可以是图像序列, 如视频 图像。在本公开的一些实施例中, 利用要检测的目标的先验知识来生成目标假设。例如, 在 要检测的目标为车辆的情况下, 可以根据车辆外形的先验知识 ( 如对称性、 阴影、 角点、 垂 直或水平边缘等几何特性、 纹理或车灯位置或形状等信息 ) 来生成车辆位置的假设。
         图 1 是示出了根据本公开的一个实施例的目标检测方法的示意性流程图。在图 1 所示的实施例中, 利用图像中目标的边缘特性来生成目标假设 ( 也称为候选目标 )。
         如图 1 所示, 根据该实施例的目标检测方法可以包括步骤 103 和 113。
         在步骤 103 中, 检测输入图像中沿某个方向的边缘 ( 为了描述方便, 将该方向称为 第一方向, 将沿着第一方向的边缘称为第一方向边缘 ), 得到包括多个第一方向边缘的边缘 图像。 这里所谓的第一方向可以是垂直方向, 或者可以是水平方向, 或者可以是除垂直方向 和水平方向之外的任一方向。 可以根据图像中目标的边缘特性来选择一个方向并检测图像 中该方向的边缘。例如, 在输入图像是道路交通的视频或图片且待检测目标为车辆的情况 下, 图像中的车辆虽然互相遮挡, 但都含有垂直和水平边缘。在这种情况下, 可以将垂直方 向设为所述第一方向。当然也可以将水平方向设置为所述第一方向。
         可以采用任何适当的方法来检测图像中的第一方向边缘。例如, 可以采用第一 方向边缘的检测算子与输入图像作卷积运算, 从而得到包括第一方向边缘的边缘图像。 作 为 示 例, 可以 选择梯 度算子、 索贝尔算子 (SobelOperator)、 普 莱惠 特算 子 (Prewitt Operator) 或拉普拉斯算子 (LaplacianOperator) 等作为所述第一方向边缘的检测算子, 这里不一一列举。
         然后, 在步骤 113 中, 根据检测到的多个第一方向边缘、 基于任意两个第一方向边 缘之间均存在一个目标的假设, 来生成一个或更多个目标假设 ( 或称为候选目标 )?;谎?之, 图像中多个第一方向边缘中的任意两个之间的区域均对应于一个候选目标。
         例如, 在目标为车辆且图像中存在多个车辆的情况下, 这些车辆之间很有可能相 互遮挡, 车辆的对称性等许多特性被破坏。但是对于被遮挡的车辆, 仍然存在部分垂直边 缘或水平边缘, 而这些边缘中就可能包括一辆车的左边界和右边界 ( 和 / 或上边界和下边 界 )。因此, 每个候选目标对应于图像中相应的两个第一方向边缘 ( 如垂直边缘或水平边 缘 ) 之间的区域, 作为一个示例, 该区域可以用一个矩形框 ( 在其他示例中, 可以采用其他形状的几何形状, 如环形等, 这里不一一列举 ) 来表示。如果垂直方向被设置为第一方向, 每个车辆假设 ( 候选目标 ) 的宽度可以是对应的两个垂直方向边缘之间的距离, 而高度可 以根据图像中对应的垂直边缘的高度 ( 水平位置 ) 来确定。 当然, 高度的确定还可以考虑车 辆尺寸 ( 与图像的分辨率、 拍摄角度和距离以及目标自身在图像中的大小、 宽高比等相关 ) 的先验知识, 这里不作详述。以垂直方向作为所述第一方向为例, 可以根据步骤 103 中得到 的边缘图像中的第一方向边缘 ( 在该示例中为垂直边缘 ) 来生成多个目标假设。假设边缘 图像中包含 k 条 (k ≥ 1) 垂直边缘, 且其中的任意两条之间可能有一辆车存在, 那么根据排 列组合知识, 可以生成产生
         种组合 :上式中, “! ” 表示阶乘运算。任意两条垂直边缘之间所对应的图像块均可以作为 种可能的车辆位置假设。作为一个示例, 每个车辆假设的一个车辆假设, 因此, 可以生成
         在垂直方向上的高度可以通过对应的垂直边缘的水平位置来确定。 图 1 所示的实施例基于图像中沿某个方向的边缘中的任意两个之间均存在一个 目标的假设来生成图像中的目标假设 ( 候选目标 )。由于仅利用一个方向的边缘, 因此, 计 算简单, 可以大大提高目标检测的速度。 另外, 由于在任意两个第一方向边缘之间的区域均 对应一个候选目标, 因此, 有利于降低目标的漏检。当然, 这样检测到的候选目标中会存在 很多虚警, 可以在后续处理过程进行进一步的筛选和 / 或优化。
         图 2 示出了根据另一实施例的目标检测方法。与图 1 所示的实施例相似, 图2的 实施例中也可以采用图 1 所示的步骤 103 和 113 来检测图像中的第一方向边缘并生成候选 目标。不同之处在于, 根据图 2 所示的实施例的方法还采用另一方向 ( 称为第二方向 ) 的 边缘对所生成的每个候选目标进行优化。
         如图 2 所示, 目标检测方法还可以包括步骤 215 和 221。
         具体地, 在步骤 215 中, 对于输入图像中与每个候选目标对应的图像块, 检测该图 像块中沿第二方向的边缘, 得到包括一个或更多个第二方向边缘的边缘图像块。 这里, 第二 方向是不同于第一方向的方向。 例如, 如果第一方向为垂直方向, 则根据图像中目标边缘的 先验知识, 可以将水平方向作为第二方向, 也可以将其他方向作为第二方向 ; 如果第一方向 为水平方向, 则可以将垂直方向作为第二方向, 也可以将其他方向作为第二方向。 可以采用 任何适当的方法来检测图像中的第二方向边缘。例如, 可以采用第二方向边缘的检测算子 与视频图像作卷积运算, 从而得到包括第二方向边缘的边缘图像。 作为示例, 可以选择梯度 算子、 索贝尔算子 (SobelOperator)、 普莱惠特算子 (Prewitt Operator) 或拉普拉斯算子 (Laplacianoperator) 等作为所述第二方向边缘的检测算子, 这里不一一列举。
         然后, 在步骤 221 中, 根据检测到的、 针对每个候选目标的一个或更多个第二方向 边缘来优化该候选目标。 例如, 假设第一方向被设置为垂直方向, 在待检测的目标为车辆且 输入图像为车辆的前或后向图像的情况下, 图像中的车头或车尾部分存在包含丰富的水平 ( 第二方向 ) 梯度信息的结构。 每个车辆的上部有光滑的前挡风窗或后窗, 而每个车辆下方 是路面, 这些区域之间的区域均包含大量的水平方向的边缘。根据对车辆目标的这些先验 知识, 可以利用这些水平边缘的位置等信息来优化基于垂直边缘生成的各个候选目标, 例 如可以优化这些候选目标在第一方向上的高度 ( 即垂直高度 )。图 3 示出了根据另一实施例的目标检测方法。与图 2 所示的实施例相似, 图3的 实施例也采用图像中的第二方向边缘对基于第一方向边缘生成的每个候选目标进行优化。 具体地, 在采用图 1 所示的步骤 103 和 113 来检测图像中的第一方向边缘并生成候选目标 之后, 图 3 所示的方法还可以包括步骤 315、 317 和 321。
         在步骤 315 中, 对于输入图像中与每个候选目标对应的图像块, 检测该图像块中 沿第二方向的边缘, 得到与该候选目标对应的、 包括一个或更多个第二方向边缘的边缘图 像块。该步骤与图 2 所示的步骤 215 相似, 这里不再重复。
         在步骤 317 中, 对步骤 315 中得到的与每个候选目标对应的边缘图像块进一步进 行处理, 以检测得到该边缘图像块中沿第二方向的边缘密集的区域??梢圆捎枚酝枷裰醒?第二方向的边缘密集的区域具有较强反应、 而对其他区域反应较弱的滤波器来对边缘图像 块进行滤波, 从而得到该边缘图像块中的沿第二方向的边缘密集的区域。
         作为一个示例, 可以采用利用混合高斯函数设计的自适应滤波器对所述边缘图像 块进行滤波?;旌细咚购梢员硎疚率街械?f(y) :
         上式中, g(y ; μ i, δi) 表示均值为 μi、 方差为 δi 的高斯函数, k 表示高斯函数个 数, wi 为高斯函数的线性系数。 可以适当地选择或调整这些参数, 使得该滤波器对图像中的 第二方向边缘密集的区域具有较强反应, 而对其他区域反应较弱。
         例如, 假设垂直方向被设置为第一方向, 在待检测的目标为车辆且输入图像为车 辆的前或后向图像的情况下, 图像中的水平边缘密集的区域可以包括车头或车尾部分, 如 前挡风窗或后窗与下方的路面之间的区域等, 所采用的滤波器对于这些区域反应较强。而 对水平边缘不密集的其他区域, 该滤波器的反应较弱, 例如, 对水平边缘不密集的区域进行 滤波的输出结果可以表现得杂乱无序。 利用检测得到的这些区域并根据对车辆目标的先验 知识, 可以有效地确定目标的上下边界, 从而优化基于垂直边缘生成的各个候选目标, 如优 化候选目标在第一方向上的高度 ( 即垂直方向上的高度 )。
         图 4 示出了根据另一实施例的目标检测方法。与图 3 所示的实施例相似, 图4的 实施例也采用图像中的第二方向边缘对基于第一方向边缘生成的每个候选目标进行优化。 具体地, 在采用图 1 所示的步骤 103 和 113 来检测图像中的第一方向边缘并生成候选目标 之后, 图 4 所示的方法还可以包括步骤 415、 417、 419 和 421。
         步骤 415 和 417 分别与图 3 所示的步骤 315 和 317 相似, 这里不再重复。
         在步骤 419 中, 在通过对与每个候选目标对应的、 包括多个第二方向边缘图像块 进行检测而得到沿第二方向的边缘密集的区域之后, 还可以对经过检测的图像块进行二值 化和闭操作。
         作为一个具体示例, 可以采用如下公式来进行二值化操作 :
         上式中, B 表示进行二值化处理前的图像, B(i, j) 表示该图像中在位置 (i, j) 上 的像素值。TB 表示对图像 B 进行二值化处理后得到的图像, TB(i, j) 表示该图像中在位置 (i, j) 上的像素值。i, j 为整数, 表示图像中的二维坐标。th_v 表示进行二值化的阈值, 如
         果图像 B 中位置 (i, j) 上像素的值 B(i, j) 大于或等于该阈值, 则图像 TB 中对应位置上的 像素的值 TB(i, j) 为 1, 否则为 0。该阈值可以根据实际应用场景来确定和调整, 这里作限 定。
         作为一个具体示例, 可以采用如下公式来进行闭操作 :
         OB = TB·SE (4)
         上式中, OB 表示对图像 TB 进行闭操作后得到的图像, SE 表示用于进行闭运算的结 构算子 ( 或称为结构元素 )。 结构算子 SE 可以根据实际应用场景来选择, 例如, 可以根据目 标在图像中的第二方向边缘的大小和 / 或所检测到的第二方向的边缘密集的区域的大小 等等来确定, 这里不作详述和限定。
         然后, 在步骤 421 中, 利用该沿第二方向的边缘密集的区域来优化每个候选目标, 如优化每个候选目标沿所述第一方向的高度。该步骤与图 3 所示的步骤 321 相似, 这里也 不再详述。
         利用上述的二值化和闭操作, 可以加强图像块中的沿第二方向的边缘密集的区 域, 使得对候选目标的优化更准确。
         图 5 示出了根据本公开的另一实施例的目标检测方法。图 5 所示的实施例可以与 图 1 所示的实施例相似。不同之处在于, 在图 5 所示的方法中, 还可以对检测得到的第一方 向的边缘进行优化, 从而去除其中的噪声, 使得生成的候选目标更为准确。 具体地, 如图 5 所示, 目标检测方法可以包括步骤 503、 505 和 513。
         在步骤 503 中, 检测输入图像中沿第一方向的边缘, 得到包括多个第一方向边缘 的边缘图像。该步骤与上文中描述的步骤 103 相似, 这里不再重复。
         步骤 503 中产生的边缘图像可能存在很多噪声, 比如过短、 倾斜的线段等。在步骤 505 中, 可以对步骤 503 中得到的边缘图像中的第一方向边缘进行优化处理, 从而去除其中 的噪声。
         图 6 示出了对边缘图像中的第一方向边缘进行优化处理的示例方法。如图 6 所 示, 步骤 505 的优化处理可以包括步骤 505-1, 在该步骤 505-1 中, 可以采用形态学滤波器对 所述边缘图像进行形态学滤波。作为一个具体示例, 在该步骤 505-1 中, 可以利用沿第一方 向的结构元素, 对所述边缘图像进行闭开滤波操作, 以滤除噪声, 并得到能用于区分目标的 边界的第一方向边缘。更为具体地, 可以采用灰度形态闭 - 开滤波的方法对灰度边缘图像 进行处理, 例如首先对边缘图像进行闭操作, 再进行开操作。设第一方向的结构元素用 SE 表示, 包括第一方向边缘的边缘图像用 Ei 来表示, 则可以按照以下方式对该边缘图像进行 闭 - 开滤波 :
         MEi = (Ei·SE)οSE (5)
         上式中, “·” 表示闭操作, “ο” 表示开操作, MEi 表示经形态学滤波后的图像。所 述结构元素 SE 的大小可以根据图像中待检测目标的大小来确定, 例如可以根据目标在图 像中的第一方向边缘的大小来选择, 这里不作详述和限定。
         步骤 505-1 的形态学滤波能够去掉小的噪声。例如在垂直方向被设置为第一方向 而水平方向被设置为第二方向的情况下, 可以对处于同一水平坐标上垂直边缘 ( 表现为垂 直线段 ) 进行连接, 获得具有一定长度的主要的垂直边缘, 而滤除小的噪声。
         作为另一示例, 步骤 505 还可以包括图 6 所示的步骤 505-2。在该步骤 505-2 中,
         可以对经过形态学滤波的边缘图像进行平滑滤波??梢圆捎萌魏问实钡姆椒ń衅交?波, 如采用中值滤波器, 这里不一一列举。通过平滑滤波, 便于寻找边缘图像中的候选目标 沿第一方向的边界, 即寻找稠密的第一方向边缘所表示的位置或者高亮度的第一方向边缘 的位置, 从而使得生成的候选目标更准确。
         作为另一示例, 步骤 505 还可以包括图 6 所示的步骤 505-3。在该步骤 505-3 中, 可以对经过形态学滤波和 / 或平滑滤波的边缘图像进行边缘增强??梢圆捎萌魏问实钡姆?法进行边缘增强, 如可以采用二值化处理, 这里不一一列举。
         在经过步骤 505 的处理之后, 在步骤 513 中, 根据检测到的多个第一方向边缘、 基 于任意两个第一方向边缘之间均存在一个目标的假设, 来生成一个或更多个候选目标。图 像中多个第一方向边缘中的任意两个之间的区域均对应于一个候选目标?;谎灾?, 每个候 选目标对应于图像中相应的两个第一方向边缘之间的区域。该步骤与上文描述的步骤 113 相似, 这里不再重复。由于经过了步骤 505 对第一方向边缘的优化, 因此, 能够减少所生成 的候选目标中的虚警。
         图 7 示出了根据本公开的一个具体实施例的目标检测方法。
         如图 7 所示, 根据该具体实施例的目标检测方法可以包括前景检测步骤 701。 即首 先在步骤 701 中对所述输入图像进行前景检测, 以得到一个或更多个目标连通域, 然后再 针对输入图像中与连通域对应的区域进行后续的边缘检测和候选目标生成。
         以待检测的目标为车辆、 垂直方向为第一方向、 水平方向为第二方向为例。首先, 对包含车辆的图像进行前景检测, 然后, 将检测得到每个连通域的位置对应到原图像中。 图 14(A) 是示出了包含车辆的图像中、 与某个连通域对应的灰度图像的示意图。
         然后, 在步骤 703 中, 对图像中对应于一个或更多个连通域的区域进行检测, 检测 其中的第一方向边缘 ( 如垂直边缘 ), 得到包括多个垂直边缘的边缘图像。例如, 可以采用 Sobel 算子计算垂直边缘。图 14(B) 示出了采用 Sobel 算子对图 14(A) 中所示的图像进行 处理后的边缘图像。
         可选地, 可以对包括第一方向边缘的边缘图像进行优化。 例如, 可以进行形态学滤 波操作。作为一个具体示例, 可以选择长度为 10 的竖直线作为形态结构元素 SE, 即:
         利用该结构元素对图 14(B) 所示的灰度边缘图像进行闭操作, 然后进行开操作。 可以得到图 14(C) 所示的图像。应理解, 上述具体示例中的长度为 10 的结构元素仅仅是一 个示例, 根据本公开的实施例中的结构元素不局限于该示例。
         可选地, 还可以利用以下模板 mask 对图像进行平滑运算 :
         图 14(D) 示出了利用公式 (7) 的模板对图 14(C) 进行平滑运算后得到的图像。 可选地, 还可以对图像进行边缘增强。例如可以对图 14(D) 所示的图像进行二值化操作。 在本示例, 进行二值化的灰度阈值可以设置为 35, 图 14(E) 示出了对图 14(D) 所示 的图像进行二值化操作后得到的二值边缘图像。
         然后, 在步骤 713 中, 基于任意两个第一方向边缘均存在一个目标的假设, 生成候 选目标。例如, 根据图 14(E) 所示的边缘图像中的垂直边缘, 可以进行车辆可能位置的假 设, 从而生成一个或更多个车辆假设。具体地, 将图 14(E) 的图像中的垂直边缘在竖直方向 上进行投影, 保留其中线段宽度大于给定阈值 5 的 9 条垂直边缘, 共产生 对垂直位 置假设, 并且根据该假设的左右边界所对应的车辆二值图中的连通域, 以包含它的最小矩 形框作为假设车辆位置, 图 14(F) 中用白色矩形框表示所生成的候选目标 ( 车辆假设 )。
         然后, 在步骤 715 中, 检测输入图像中与每个候选目标对应的图像块中的沿第二 方向的边缘。例如, 图 15(A) 示出了与图 14(F) 中的某个车辆假设的矩形框对应的灰度图 像块。图 15(B) 示出了采用 Sobel 算子对图 15(A) 的图像块进行边缘检测后得到的水平梯 度图像。
         可选地, 还可以对包括第二方向边缘的边缘图像进行优化。例如, 假设图 15(A) 中车辆的高度与宽度比为 1 ∶ 1.5, 并且假设车头 ( 尾 )、 前 ( 后 ) 窗和车底阴影比例为 1 ∶ 1 ∶ 1??梢圆捎没旌细咚购酝枷窨榻新瞬?。作为一个示例, 可以采用公式 (2) 所示的滤波器, 其中的参数可以如下选取 :
         w1 = 4, w2 = 12, w3 = 12
         其中 n、 m 分别表示车辆的宽度和高度。
         利用该混合高斯函数, 与图 15(B) 所示的水平梯度图像进行卷积运算, 得到如图 15(C) 所示的经过滤波的图像。
         可选地, 还可以对经过滤波的图像块进行二值化和闭操作, 以产生车头 ( 尾 ) 区 域。图 15(D) 示出了对图 15(C) 的图像进行二值化和闭操作后得到的车头区域图像, 其中 最大的车头连通域可以用矩形框表示。
         然后, 在步骤 721 中, 利用得到的沿第二方向的边缘密集的区域 ( 如图 15(D) 所示 的车头区域 ) 对步骤 713 中生成的候选目标进行优化, 从而得到优化的车辆假设。
         在这些车辆位置的假设中, 除了真实的车辆位置外, 还存在有很多虚警??裳〉?, 可以采用分类器 ( 例如车辆分类器 ) 对这些候选目标进行进一步的验证。
         例如, 可以首先采用图 7 所示的步骤 731、 732 和 733 来训练目标分类器, 以区分 目标和非目标两类模式。首先选择用来训练的样本, 例如, 在目标为车辆的情况下, 这些样 本可以包括车辆和非车辆两类, 其中, 车辆样本通过人工标注获得, 使其尽可能地包含车辆 的形态变化。非车辆样本是随机产生的, 并且与车辆样本的重合率低于一定阈值。然后, 在 步骤 732 中计算这些样本的特征值。例如, 可以选择能够用于目标识别的有效特征, 计算 所有目标样本和非目标样本的特征值。例如, 可以采用 HOG( 有向梯度直方图, Histogram of Oriented Gradients) 特征, HOG 特征是基于方向梯度直方图的局部形态特征。又如, 还可以采用 Haar 小波等特征, 关于这些特征的详细描述, 可以参考下列文献 : “Histograms ofOriented Gradients for Human Detection” (N.Dalal 和 B.Triggs 所著, Proceedingsof the IEEE international conference on computer vision andpattern recognition, 卷 1, 1-8, 2005 年 )。这里不作详细描述。然后在步骤 733 中, 用上述特征作为输入来训练 目标分类器。 可以采用支持向量机 (SVM)、 神经网络或近邻法等分类器或其他任何适当的分 类器, 这里不一一列举。
         可选地, 图 7 所示的目标检测方法可以包括利用分类器对候选目标进行验证的步 骤 723。例如, 在目标为车辆的情况下, 可以利用训练得到的车辆分类器对车辆假设进行验 证。计算图像中各个目标假设所对应的区域的特征值, 并将计算的特征值输入到目标分类 器中。然后根据分类器的验证结果, 去除其中的虚警。对于所保留的目标假设, 还可以根据 这些目标假设之间的相似性, 将对应于一个目标的一个或更多个目标假设合并在一起, 得 到真实的目标位置, 完成对目标的检测。
         根据本公开的一些实施例, 还提供了对图像中的目标进行检测的设备。
         图 8 示出了根据一个实施例的目标检测设备的示意性框图。与图 1 所示的方法实 施例相似, 图 8 的目标检测设备 800 利用输入图像中目标的边缘特性来生成目标假设 ( 也 称为候选目标 )。
         如图 8 所示, 根据该实施例的目标检测设备 800 可以包括第一边缘检测装置 801 和候选目标生成装置 802。 第一方向边缘检测装置 801 可以检测输入图像中沿某个方向的边缘 ( 为了描述方 便, 将该方向称为第一方向, 将沿着第一方向的边缘称为第一方向边缘 ), 得到包括多个第 一方向边缘的边缘图像。 与上述方法实施例相似, 第一方向可以是垂直方向, 或者可以是水 平方向, 或者可以是除垂直方向和水平方向之外的任一方向??梢愿萃枷裰心勘甑谋咴?特性来选择一个方向并检测图像中沿该方向的边缘。与上述方法实施例 / 示例相似, 第一 方向边缘检测装置 801 可以采用任何适当的方法来检测图像中的第一方向边缘, 这里不再 重复。
         候选目标生成装置 802 根据第一方向边缘检测装置 801 检测到的多个第一方向边 缘、 基于任意两个第一方向边缘之间均存在一个目标的假设, 来生成一个或更多个目标假 设。图像中多个第一方向边缘中的任意两个之间的区域均对应于一个候选目标。候选目标 生成装置 802 可以采用参考图 1 所示的步骤 113 所描述的方法来生成候选目标, 这里不在 重复。
         图 8 所示的目标检测设备仅利用一个方向的边缘来生成候选目标, 计算简单, 可 以大大提高目标检测的速度。另外, 由于在任意两个第一方向边缘之间的区域均对应一个 候选目标, 因此, 有利于减少目标的漏检。
         图 9 示出了根据另一实施例的目标检测设备 900。与图 8 所示的实施例相似, 图9 的设备 900 中也包括第一方向边缘检测装置 ( 用 901 表示 ) 和候选目标生成装置 ( 用 902 表示 )。不同之处在于, 图 9 所示的设备 900 还采用另一方向 ( 称为第二方向 ) 的边缘对所 生成的每个候选目标进行优化。如图 9 所示, 该设备 900 还可以包括第二方向边缘检测装 置 903 和候选目标优化装置 904。
         第一方向边缘检测装置 901 和候选目标生成装置 902 分别与图 8 所示的第一方向 边缘检测装置 801 和候选目标生成装置 802 功能相似, 这里不再重复。 对于输入图像中与候 选目标生成装置 802 所生成的每个候选目标对应的图像块, 第二方向边缘检测装置 903 检
         测该图像块中沿第二方向的边缘, 得到包括一个或更多个第二方向边缘的边缘图像块。第 二方向是不同于第一方向的方向。与上述方法实施例 / 示例相似, 第二方向边缘检测装置 903 可以采用任何适当的方法来检测图像中的第二方向边缘, 这里不再重复。
         候选目标优化装置 904 根据第二方向边缘检测装置 903 检测到的、 针对每个候选 目标的一个或更多个第二方向边缘来优化该候选目标。例如, 假设垂直方向被设置为第一 方向, 在待检测的目标为车辆且输入图像为车辆的前或后向图像的情况下, 图像中的车头 或车尾部分存在包含丰富的水平 ( 第二方向 ) 梯度信息的结构, 并且每个目标的上部有光 滑的前挡风窗或后窗, 而每个目标下方是路面, 这些区域之间的区域均包含大量的水平方 向的边缘。根据对车辆目标的这些先验知识, 可以利用这些水平边缘的位置等信息来优化 基于垂直边缘生成的各个候选目标, 例如可以优化这些候选目标在第一方向上的高度 ( 即 垂直高度 )。
         作为具体实施例, 候选目标优化装置 904 可以采用上文中参考图 3 或图 4 所描述 的方法来优化候选目标。图 10 示出了根据具体实施例的目标检测设备 1000。与图 9 所示 的实施例相似, 图 10 的设备 1000 中也包括第一方向边缘检测装置 ( 用 1001 表示 )、 候选目 标生成装置 ( 用 1002 表示 )、 第二方向边缘检测装置 ( 用 1003 表示 ) 和候选目标优化装置 ( 用 1004 表示 )。不同之处在于, 图 10 所示的设备 1000 还可以包括第一滤波器 1005。 第一方向边缘检测装置 1001 表示、 候选目标生成装置 1002、 第二方向边缘检测装 置 1003 和候选目标优化装置 1004 分别与图 9 所示的装置 901、 902、 903 和 904 功能相似, 这里不再重复。
         第一滤波器 1005 用于对第二方向边缘检测装置 1003 输出的与每个候选目标对 应的边缘图像块进一步进行处理, 以检测得到该边缘图像块中沿第二方向的边缘密集的区 域。第一滤波器 1005 为对图像中沿第二方向的边缘密集的区域具有较强反应、 而对其他区 域反应较弱的滤波器。作为一个示例, 第一滤波器 1005 可以是利用混合高斯函数 ( 如公式 (2) 所示的混合高斯函数 ) 设计的自适应滤波器??梢陨衔闹械姆椒ㄊ凳├?/ 示例来设置 混合高斯函数的参数, 这里不再重复。
         候选目标优化装置 1004 可以利用第一滤波器 1005 检测到的沿第二方向的边缘密 集的区域来优化每个候选目标, 如可以优化候选目标在第一方向上的高度。
         作为一个示例, 设备 1000 还可以包括二值化处理装置 1006。在第一滤波器 1005 检测得到沿第二方向的边缘密集的区域之后, 二值化处理装置 1006 可以对经过检测的图 像块进行二值化和闭操作 ( 例如可以采用上文中公式 (2) 和 (3) 所示的方法来进行二值化 和闭操作, 这里不再重复 )。利用二值化和闭操作, 可以加强图像块中的沿第二方向的边缘 密集的区域, 使得候选目标优化装置 1004 对候选目标的优化更准确。
         图 11 示出了根据本公开的另一实施例的目标检测设备 1100。与图 8 所示的实施 例相似, 图 11 所示的设备 1100 可以包括第一方向边缘检测装置 ( 用 1101 表示 ) 和候选目 标生成装置 ( 用 1102 表示 )。不同之处在于, 在图 11 所示的设备 1100 还可以对检测得到 的第一方向的边缘进行优化, 从而去除其中的噪声, 使得生成的候选目标更为准确。具体 地, 设备 1100 还可以包括边缘优化装置 1107。
         第一方向边缘检测装置 1101 和候选目标生成装置 1102 分别与图 8 所示的第一 方向边缘检测装置 801 和候选目标生成装置 802 功能相似, 这里不再重复。第一方向边缘
         检测装置 1101 输出的边缘图像可能存在很多噪声, 比如过短、 倾斜的线段等。边缘优化装 置 1107 可以对第一方向边缘检测装置 1101 输出的边缘图像中的第一方向边缘进行优化处 理, 从而去除其中的噪声。
         图 12 示出了根据具体实施例的边缘优化装置 1107 的示意性结构。如图 12 所示, 边缘优化装置 1005 可以包括形态学滤波器 1107-1。形态学滤波器 1107-1 可以对检测装 置 1101 输出的边缘图像进行形态学滤波。作为具体示例, 形态学滤波器 1107-1 可以采用 上文中参考方法实施例 / 示例所描述的方法进行形态学滤波, 如可以采用公式 (5) 的方法。 这里不再重复。通过形态学滤波器 1107-1, 能够去掉边缘图像中的小的噪声。例如在垂直 方向被设置为第一方向而水平方向被设置为第二方向的情况下, 可以对处于同一水平坐标 上垂直边缘 ( 表现为垂直线段 ) 进行连接, 获得具有一定长度的主要的垂直边缘, 而滤除小 的噪声。
         作为一个示例, 边缘优化装置 1005 还可以包括平滑滤波器 1107-2, 用于对经过 形态学滤波的边缘图像进行平滑滤波。平滑滤波器 1107-2 可以采用任何适当的方法进行 平滑滤波。如, 平滑滤波器 1107-2 可以是中值滤波器, 这里不一一列举。通过平滑滤波器 1107-2, 便于寻找边缘图像中的候选目标沿第一方向的边界, 即寻找稠密的第一方向边缘 所表示的位置或者高亮度的第一方向边缘的位置, 从而使得生成的候选目标更准确。
         作为另一示例, 边缘优化装置 1005 还可以包括边缘增强装置 1107-3, 用于对经过 形态学滤波和 / 或平滑滤波的边缘图像进行边缘增强。边缘增强装置 1107-3 可以采用任 何适当的方法进行边缘增强, 如可以采用二值化处理, 这里不一一列举。
         候选目标生成装置 1102 可以利用经过优化装置 1107 的边缘优化处理之后的边缘 图像中的第一方向边缘来生成候选目标, 这里不再重复。由于经过了对第一方向边缘的优 化, 因此, 能够减少候选目标生成装置 1102 所生成的候选目标中的虚警。
         图 13 示出了根据本公开的一个具体实施例的目标检测设备 1300。
         如图 13 所示, 目标检测方法 1300 可以包括第一方向边缘检测装置 1301 和候选目 标生成装置 1302。第一方向边缘检测装置 1301 和候选目标生成装置 1302 可以具有与前 述实施例中的装置 801/901/1001/1101 和装置 802/902/1002/1102 相似的功能, 这里不再 重复。目标检测方法 1300 还可以包括第二边缘检测装置 1303 和候选目标优化装置 1304。 第二边缘检测装置 1303 和候选目标优化装置 1304 的功能可以与装置 903/1003 和装置 904/1004 相似, 这里也不再重复。目标检测方法 1300 还可以包括边缘优化装置 1307, 该装 置 1307 可以与图 11 或 12 所示的装置 1107 功能相似, 这里也不再重复。
         另外, 设备 1300 还可以包括前景检测装置 1308。前景检测装置 1308 可以对输入 图像进行前景检测, 以得到一个或更多个目标连通域。第一边缘检测装置 1301 可以针对输 入图像中与前景检测装置 1308 检测得到的连通域对应的区域进行边缘检测, 这里不再重 复。
         可选地, 设备 1300 还可以包括验证装置 1310 用于对所生成的候选目标进行验证, 以去除其中的虚警。 验证装置 1310 可以是目标分类器。 例如, 可以采用图 7 所示的步骤 731、 732 和 733 来训练得到该目标分类器, 这里不再重复。验证装置 1310 可以计算图像中各个 候选目标所对应的区域的特征值, 利用这些特征值对候选目标进行验证, 去除其中的虚警。 对于所保留的候选目标, 验证装置 1310 还可以根据这些候选目标之间的相似性, 将对应于一个目标的一个或更多个候选目标合并在一起, 得到真实的目标位置, 完成对目标的检测。
         应理解, 上述实施例和示例是示例性的, 而不是穷举性的, 本公开不应被视为局限 于任何具体的实施例或示例。
         在上述实施例和示例中, 采用了 “第一” 、 “第二” 等表述 ( 例如第一方向、 第二方向 等 )。本领域的普通技术人员应理解, 上述表述只是为了对术语作文字上的区分, 而并非表 示其顺序或任何其他限定。
         根据本公开的实施例的目标检测方法或设备可以应用于各种应用场景。例如, 根 据本公开的实施例的目标检测方法或设备可以应用于交通监视, 对交通视频中的车辆进行 检测。给定一段交通视频, 根据本公开的实施例的目标检测方法或设备可以自动检测视频 中道路上出现的车辆, 并给出该车辆在图像中的位置参数。根据本公开的实施例的目标检 测方法或设备还可以配置于其他视频监控电子设备, 例如停车场监控设备等 ; 还可以应用 于具有图像处理功能的电子设备, 如电脑、 具有拍照或摄像功能的电子设备等, 这里不一一 列举??梢约觳獾哪勘暌膊幌抻谏厦媪芯俚某盗?。
         在本公开的实施例中, 输入图像可以是各种格式 ( 如 AVI、 MPEG 等 ) 的视频或者各 种格式的图片, 这里不一一列举。 在监视道路交通的情况下, 输入的图像或视频可以是通过 安装在道路两侧或道路上方的摄像设备 ( 可以在道路两侧架设 T 型架, 或在道路上方架设 龙门架安装并固定摄像机 ) 获得的??梢圆杉拥缆妨讲嗟那?( 后 ) 向视频和道路上方俯 视车辆的视频或图片, 其中前 ( 后 ) 向和俯视车辆为待检测的目标??梢酝ü髡阆窕?的俯角, 左右偏角和镜头, 使得视频中的检测范围为一或两个车道 ; 调整摄像机的光圈和快 门获取适当对比度和亮度的图像, 从而使得提高检测的效果。
         在拍摄的视频或图片中, 往往包含除目标之外的其它信息, 例如, 交通视频中会包 括用以记录视频图像的颜色通道数量、 测量每秒显示的图像帧数的帧率、 用以表示图像中 像素个数的分辨率等。根据本公开的实施例的目标检测设备或方法不依赖于这些信息, 因 此具有通用性
         作为一个示例, 上述方法的各个步骤以及上述目标检测设备的各个组成??楹?/ 或装置可以通过软件、 固件、 硬件或其组合的方式进行配置, 在此不再赘述。
         如上所述, 上述方法或设备中处理步骤或??榭梢酝ü砑词迪?。从存储介质 或网络向具有专用硬件结构的计算机 ( 例如图 16 所示的通用计算机 1600) 安装构成该软 件的程序, 该计算机在安装有各种程序时, 能够执行各种功能等。
         在图 16 中, 中央处理单元 (CPU)1601 根据只读存储器 (ROM)1602 中存储的程序或 从存储部分 1608 加载到随机存取存储器 (RAM)1603 的程序执行各种处理。 在 RAM 1603 中, 也根据需要存储当 CPU 1601 执行各种处理等等时所需的数据。CPU 1601、 ROM 1602 和 RAM 1603 经由总线 1604 彼此连接。输入 / 输出接口 1605 也连接到总线 1604。
         下述部件连接到输入 / 输出接口 1605 : 输入部分 1606( 包括键盘、 鼠标等等 )、 输 出部分 1607( 包括显示器, 比如阴极射线管 (CRT)、 液晶显示器 (LCD) 等, 和扬声器等 )、 存 储部分 1608( 包括硬盘等 )、 通信部分 1609( 包括网络接口卡比如 LAN 卡、 调制解调器等 )。 通信部分 1609 经由网络比如因特网执行通信处理。根据需要, 驱动器 1610 也可连接到输 入 / 输出接口 1605。 可拆卸介质 1611 比如磁盘、 光盘、 磁光盘、 半导体存储器等等根据需要 被安装在驱动器 1610 上, 使得从中读出的计算机程序根据需要被安装到存储部分 1608 中。在通过软件实现上述系列处理的情况下, 从网络比如因特网或存储介质比如可拆 卸介质 1611 安装构成软件的程序。
         本领域的技术人员应当理解, 这种存储介质不局限于图 16 所示的其中存储有程 序、 与设备相分离地分发以向用户提供程序的可拆卸介质 1611??刹鹦督橹?1611 的例子 包含磁盘 ( 包含软盘 ( 注册商标 ))、 光盘 ( 包含光盘只读存储器 (CD-ROM) 和数字通用盘 (DVD))、 磁光盘 ( 包含迷你盘 (MD)( 注册商标 )) 和半导体存储器?;蛘?, 存储介质可以是 ROM 1602、 存储部分 1608 中包含的硬盘等等, 其中存有程序, 并且与包含它们的设备一起 被分发给用户。
         本公开还提出一种存储有机器可读取的指令代码的程序产品。 所述指令代码由机 器读取并执行时, 可执行上述根据本公开实施例的方法。
         相应地, 用于承载上述存储有机器可读取的指令代码的程序产品的存储介质也包 括在本公开的公开中。所述存储介质包括但不限于软盘、 光盘、 磁光盘、 存储卡、 存储棒等 等。
         在上面对本公开具体实施例的描述中, 针对一种实施方式描述和 / 或示出的特征 可以用相同或类似的方式在一个或更多个其它实施方式中使用, 与其它实施方式中的特征 相组合, 或替代其它实施方式中的特征。 应该强调, 术语 “包括 / 包含” 在本文使用时指特征、 要素、 步骤或组件的存在, 但 并不排除一个或更多个其它特征、 要素、 步骤或组件的存在或附加。
         此外, 本公开的方法不限于按照说明书中描述的时间顺序来执行, 也可以按照其 他的时间顺序地、 并行地或独立地执行。 因此, 本说明书中描述的方法的执行顺序不对本公 开的技术范围构成限制。
         通过以上的描述可以看出, 根据本公开的实施例, 提供了如下的方案 :
         附记 1. 一种目标检测方法, 包括 :
         检测输入图像中沿第一方向的边缘, 以得到包括多个第一方向边缘的边缘图像 ; 及
         根据所述多个第一方向边缘生成一个或更多个候选目标, 所述多个第一方向边缘 中的任意两个之间的区域对应于一个候选目标。
         附记 2. 如附记 1 所述的方法, 还包括 :
         检测所述输入图像中与每个候选目标对应的图像块中的沿第二方向的边缘, 以得 到包括一个或更多个第二方向边缘的边缘图像块, 所述第二方向不同于所述第一方向 ;
         根据所述一个或更多个第二方向边缘, 来优化该每个候选目标。
         附记 3. 如附记 2 所述的方法, 还包括 :
         检测所述边缘图像块中沿第二方向的边缘密集的区域, 并且
         其中, 优化该每个候选目标包括 : 利用所述沿第二方向的边缘密集的区域来优化 该每个候选目标。
         附记 4. 如附记 3 所述的方法, 其中, 检测所述边缘图像块中沿第二方向的边缘密 集的区域包括 : 利用混合高斯函数对所述边缘图像块进行滤波, 并对经过滤波的边缘图像 块进行二值化和闭操作。
         附记 5. 如附记 1-4 中任一项所述的方法, 还包括 :
         对所述边缘图像中的第一方向边缘进行优化处理。
         附记 6. 如附记 5 所述的方法, 其中, 对所述边缘图像中的第一方向边缘进行优化 处理包括 :
         对所述边缘图像进行形态学滤波。
         附记 7. 如附记 6 所述的方法, 其中, 对所述边缘图像进行形态学滤波包括 : 利用沿 所述第一方向的结构元素, 对所述边缘图像进行闭开滤波操作, 其中所述结构元素的大小 是根据待检测目标的大小来确定的。
         附记 8. 如附记 6 所述的方法, 其中, 对所述边缘图像中的第一方向边缘进行优化 处理还包括 :
         对经过形态学滤波的边缘图像进行平滑滤波。
         附记 9. 如附记 6 所述的方法, 其中, 对所述边缘图像中的第一方向边缘进行优化 处理还包括 :
         对经过形态学滤波的边缘图像进行边缘增强。
         附记 10. 如附记 1-4 中任一项所述的方法, 还包括 :
         对所述输入图像进行前景检测, 以得到一个或更多个目标连通域, 并且 其中, 检测所述输入图像中的沿第一方向的边缘包括 : 检测所述输入图像中与所 述一个或更多个目标连通域对应的区域中的沿第一方向的边缘。
         附记 11. 如附记 1-4 中任一项所述的方法, 其中, 所述第一方向为垂直方向和水平 方向中的一个。
         附记 12. 如附记 2-4 中任一项所述的方法, 其中, 所述第二方向是垂直方向和水平 方向中的不同于所述第一方向的一个。
         附记 13. 一种目标检测设备, 包括 :
         第一边缘检测装置, 用于检测输入图像中沿第一方向的边缘, 以得到包括多个第 一方向边缘的边缘图像 ; 及
         候选目标生成装置, 用于根据所述第一边缘检测装置检测到的所述多个第一方向 边缘生成一个或更多个候选目标, 所述多个第一方向边缘中的任意两个之间的区域对应于 一个候选目标。
         附记 14. 如附记 13 所述的设备, 还包括 :
         第二边缘检测装置, 用于检测所述输入图像中与每个候选目标对应的图像块中的 沿第二方向的边缘, 以得到包括一个或更多个第二方向边缘的边缘图像块, 所述第二方向 不同于所述第一方向 ;
         候选目标优化装置, 用于根据所述一个或更多个第二方向边缘, 来优化所述候选 目标生成装置生成的每个候选目标。
         附记 15. 如附记 14 所述的设备, 还包括 :
         第一滤波器, 用于检测来自所述第二边缘检测装置的所述边缘图像块中的沿第二 方向的边缘密集的区域, 并且
         其中, 所述候选目标优化装置被配置用于 : 利用所述沿第二方向的边缘密集的区 域来优化每个候选目标。
         附记 16. 如附记 15 所述的设备, 其中, 所述第一滤波器为高斯滤波器, 用于利用混
         合高斯函数对所述边缘图像块进行滤波 ; 并且所述目标检测设备还包括 :
         二值化处理设备, 用于对经过所述高斯滤波器滤波的边缘图像块进行二值化和闭 操作。
         附记 17. 如附记 13-16 中任一项所述的设备, 还包括 :
         边缘优化装置, 用于对来自所述第一边缘检测装置的所述边缘图像中的第一方向 边缘进行优化处理。
         附记 18. 如附记 17 所述的设备, 其中, 所述边缘优化装置包括 :
         形态学滤波器, 用于对来自所述第一边缘检测装置的所述边缘图像进行形态学滤 波。
         附记 19. 如附记 18 所述的设备, 其中, 所述形态学滤波器被配置用于 : 利用沿所述 第一方向的结构元素, 对所述边缘图像进行闭开滤波操作, 其中所述结构元素的大小是根 据待检测目标的大小来确定的。
         附记 20. 如附记 18 所述的设备, 其中, 所述边缘优化装置还包括 :
         平滑滤波器, 用于对经过形态学滤波器滤波的边缘图像进行平滑滤波。
         附记 21. 如附记 18 所述的设备, 其中, 所述边缘优化装置还包括 :
         边缘增强装置, 用于对经过形态学滤波器滤波的边缘图像进行边缘增强。
         附记 22. 如附记 13-16 中任一项所述的设备, 还包括 :
         前景检测装置, 用于对所述输入图像进行前景检测, 以得到一个或更多个目标连 通域, 并将所述目标连通域输出给所述第一边缘检测装置。
         尽管上面已经通过对本公开的具体实施例的描述对本公开进行了披露, 但是, 应 该理解, 上述的所有实施例和示例均是示例性的, 而非限制性的。 本领域的技术人员可在所 附权利要求的精神和范围内设计对本公开的各种修改、 改进或者等同物。 这些修改、 改进或 者等同物也应当被认为包括在本公开的?;し段?。

    关于本文
    本文标题:目标检测方法和设备.pdf
    链接地址://www.4mum.com.cn/p-5817538.html
    关于我们 - 网站声明 - 网站地图 - 资源地图 - 友情链接 - 网站客服 - 联系我们

    [email protected] 2017-2018 www.4mum.com.cn网站版权所有
    经营许可证编号:粤ICP备17046363号-1 
     


    收起
    展开
  • 四川郎酒股份有限公司获第十二届人民企业社会责任奖年度环保奖 2019-05-13
  • 银保监会新规剑指大企业多头融资和过度融资 2019-05-12
  • 韩国再提4国联合申办世界杯 中国网友无视:我们自己来 2019-05-11
  • 中国人为什么一定要买房? 2019-05-11
  • 十九大精神进校园:风正扬帆当有为 勇做时代弄潮儿 2019-05-10
  • 粽叶飘香幸福邻里——廊坊市举办“我们的节日·端午”主题活动 2019-05-09
  • 太原设禁鸣路段 设备在测试中 2019-05-09
  • 拜耳医药保健有限公司获第十二届人民企业社会责任奖年度企业奖 2019-05-08
  • “港独”没出路!“梁天琦们”该醒醒了 2019-05-07
  • 陈卫平:中国文化内涵包含三方面 文化复兴表现在其中 2019-05-06
  • 人民日报客户端辟谣:“合成军装照”产品请放心使用 2019-05-05
  • 【十九大·理论新视野】为什么要“建设现代化经济体系”?   2019-05-04
  • 聚焦2017年乌鲁木齐市老城区改造提升工程 2019-05-04
  • 【专家谈】上合组织——构建区域命运共同体的有力实践者 2019-05-03
  • 【华商侃车NO.192】 亲!楼市火爆,别忘了买车位啊! 2019-05-03
  • 辽源大嘴棋牌大厅下载 彩票网上投注软件 四川金7乐软件下载 中国体彩江苏十一选五 pk10第十球杀号法 大富豪棋牌游戏平台 海南环岛赛指标统计 股票涨跌幅计算公为绿色 体彩幸运赛车走势图带线 广东11选5开奘结果 快3投注技巧和规律单双 竞彩网首页 pk10五码一期人工计划 丰禾棋牌网站 2013年福彩中奖号 新疆十一选五开奖号