一種目標分類器自適應更新方法及裝置的制造方法
【技術領域】
[0001 ]本申請涉及圖像處理技術領域，尤其涉及一種目標分類器自適應更新方法及裝 置。
【背景技術】
[0002] DPM(Deformable Parts Model，可形變部件模型）是目前較為流行的目標檢測算 法，該算法是一種基于部件的目標檢測方法，對目標的形變具有很強的魯棒性。但是，該算 法的場景適應性差，對于未參與目標分類器訓練的新場景，其目標檢出率較低。

【發明內容】

[0003] 有鑒于此，本申請提供一種目標分類器自適應更新方法及裝置。
[0004] 具體地，本申請是通過如下技術方案實現的：
[0005] 本申請提供一種目標分類器自適應更新方法，該方法包括：
[0006] 利用目標分類器對待檢測圖像進行目標檢測；
[0007]記錄檢測過程中綜合得分大于得分閾值時各部件模型的位置坐標；
[0008] 通過建立各部件模型位置坐標的高斯模型，獲取各部件模型的位置坐標標準差；
[0009] 根據部件模型的位置坐標標準差更新對應部件模型的錨點坐標，以實現目標分類 器的自適應更新。
[0010] 本申請還提供一種目標分類器自適應更新裝置，該裝置包括：
[0011] 檢測單元，用于利用目標分類器對待檢測圖像進行目標檢測；
[0012] 記錄單元，用于記錄檢測過程中綜合得分大于得分閾值時各部件模型的位置坐 標；
[0013] 獲取單元，用于通過建立各部件模型位置坐標的高斯模型，獲取各部件模型的位 置坐標標準差；
[0014] 更新單元，用于根據部件模型的位置坐標標準差更新對應部件模型的錨點坐標， 以實現目標分類器的自適應更新。
[0015] 由以上描述可以看出，本申請在目標檢測過程中，通過對記錄的部件模型歷史位 置坐標建立高斯模型，確定當前場景是否發生部件模型偏移。在確定部件模型偏移后，計算 部件模型的偏移量更新錨點坐標，從而完成針對當前場景的目標分類器更新，提高新場景 下的目標檢出率。
【附圖說明】
[0016] 圖1是本申請一示例性實施例示出的一種目標分類器自適應更新方法流程圖；
[0017] 圖2是本申請一示例性實施例示出的一種目標分類器自適應更新裝置所在設備的 基礎硬件結構示意圖；
[0018] 圖3是本申請一示例性實施例示出的一種目標分類器自適應更新裝置的結構示意 圖。
【具體實施方式】
[0019] 這里將詳細地對示例性實施例進行說明，其示例表示在附圖中。下面的描述涉及 附圖時，除非另有表示，不同附圖中的相同數字表示相同或相似的要素。以下示例性實施例 中所描述的實施方式并不代表與本申請相一致的所有實施方式。相反，它們僅是與如所附 權利要求書中所詳述的、本申請的一些方面相一致的裝置和方法的例子。
[0020] 在本申請使用的術語是僅僅出于描述特定實施例的目的，而非旨在限制本申請。 在本申請和所附權利要求書中所使用的單數形式的"一種"、"所述"和"該"也旨在包括多數 形式，除非上下文清楚地表示其他含義。還應當理解，本文中使用的術語"和/或"是指并包 含一個或多個相關聯的列出項目的任何或所有可能組合。
[0021] 應當理解，盡管在本申請可能采用術語第一、第二、第三等來描述各種信息，但這 些信息不應限于這些術語。這些術語僅用來將同一類型的信息彼此區分開。例如，在不脫離 本申請范圍的情況下，第一信息也可以被稱為第二信息，類似地，第二信息也可以被稱為第 一信息。取決于語境，如在此所使用的詞語"如果"可以被解釋成為"在……時"或"當…… 時"或"響應于確定"。
[0022] DPM是目前較為流行的目標檢測算法，該算法是一種基于部件的目標檢測方法，對 目標的形變具有很強的魯棒性。但是，該算法的場景適應性較差，對未涵蓋在訓練樣本中的 場景的目標檢出率不高。例如，在實際場景中，當相機架設角度發生變化時，造成場景中目 標偏移。采用現有目標分類器檢測該場景中的目標時，若部件模型的位置坐標與錨點坐標 偏移較大，將最終導致得分變小，影響目標檢出率。
[0023] 針對上述問題，本申請提出一種目標分類器自適應更新方法，該方法通過記錄目 標檢測過程中部件模型的歷史位置坐標，建立基于歷史位置坐標的高斯模型，并根據該高 斯模型的參數更新部件模型錨點坐標，進而完成目標分類器的更新，以適應新場景下的目 標檢測，提尚新場景下的目標檢出率。
[0024] 參見圖1，為本申請目標分類器自適應更新方法的一個實施例流程圖，該實施例對 目標分類器自適應更新過程進行描述。
[0025] 步驟101，利用目標分類器對待檢測圖像進行目標檢測。
[0026]本申請實施例首先采用現有DPM算法訓練一個初始目標分類器，利用訓練的目標 分類器對待檢測圖像進行目標檢測。具體為，構建待檢測圖像的尺度金字塔，通過滑動窗口 對尺度金字塔的各個尺度進行檢測，得到目標分類器在檢測窗口處的綜合得分。
[0027]綜合得分公式如下：
[0028]
公式（1)
[0029] 其中，fWQ(%,yQ)為根模型在1〇層的得分；DU()_x(2(x 0,y0) + Vi)為第i個部件 模型在1『λ層的得分;b為偏移系數;η為部件模型個數;SC〇re(XQ，yQ，l Q)為目標分類器在1〇 層以(XQ，y〇)為錨點的檢測窗口的綜合得分。
[0030] 由于Ιο-λ層的特征分辨率是1Q層特征分辨率的2倍，因此，1〇層根模型錨點坐標 (X〇，y Q)映射到lo-λ層為2(XQ，yQ);Vl為部件模型錨點坐標(部件模型未發生形變時的標準坐 標)在lo-λ層相對于根模型錨點坐標的偏移，即部件模型錨點的相對坐標；（2(XQ，yQ)+ Vl)為 部件模型錨點的絕對坐標。
[0031 ]部件模型的得分公式可具體表示為：
[0032]
[0033] 其中，（x，y)為部件模型在1層的錨點坐標；（dx，dy)為部件模型相對于錨點坐標的 偏移量;Ri, 1 (x+dx，y+dy)為部件模型在（x+dx，y+dy)處的彳y_分；dj X (pd (dx, dy)為偏移 ((^，(^)所損失的得分，即形變花費，屮(：|(€^,(1；7) = ((^(；丨；7,(^2,(^2),6為偏移損失系 數，是目標分類器訓練時需要學習的參數。目標分類器初始化時，(^二⑶…""^即偏移損 失為偏移量相對于錨點坐標的歐式距離。
[0034] 步驟102,記錄檢測過程中綜合得分大于得分閾值時各部件模型的位置坐標。
[0035] 將步驟101計算的綜合得分與訓練得到的得分閾值進行比較，當綜合得分大于得 分閾值時，認為當前檢測位置存在目標，記錄此時各部件模型的位置坐標。該部件模型的位 置坐標可表示為：
[0036]
[0037] Pi(x，y)為記錄的第i個部件模型的位置坐標，該位置坐標為第i個部件模型在各 空間位置得分的最大值所對應的坐標。
[0038] 為了避免對同一批目標執行后續高斯建模，本申請實施例預設了記錄間隔時長 (例如，1個小時），每隔記錄間隔時長記錄一次部件模型位置坐標。
[0039] 步驟103,通過建立各部件模型位置坐標的高斯模型，獲取各部件模型的位置坐標 標準差。
[0040] 對每一個部件模型均執行如下建模操作：
[0041] 獲取預設的位置坐標數量閾值。本申請實施例預先設定了建立高斯模型所需部件 模型位置坐標的數量，例如，預設位置坐標數量閾值為1 〇〇〇〇個。
[0042] 判斷已記錄的當前部件模型的位置坐標數量是否大于或等于預設的位置坐標數 量閾值，當已記錄的位置坐標數量大于或等于預設的位置坐標數量閾值時，建立當前部件 模型的高斯模型，對應高斯模型公式如下：
[0043]
[0044] 其中，（x，y)為部件模型位置坐標;μι為X坐標均值;μ2為y坐標均值;σ^χ坐標的標 準差;〇2為y坐標的標準差。
[0045] 本申請實施例根據目標檢測結果不斷更新部件模型的位置坐標，建立最新的高斯 模型，從而獲取當前反映部件模型位置坐標離散程度的位置坐標標準差(0^02)。
[0046] 步驟104,根據部件模型的位置坐標標準差更新對應部件模型的錨點坐標，以實現 目標分類器的自適應更新。
[0047] 對每一個部件模型均執行如下錨點坐標更新操作：
[0048] 判斷當前部件模型的位置坐標標準差(〇1，〇2)是否小于預設的標準差閾值。本申請 實施例通過部件模型的位置坐標標準差反映該部件模型在最近檢測過程中的離散程度。
[0049] 當位置坐標標準差小于預設的標準差閾值時，即〇1和〇2均較小時，說明當前部件模 型位置坐標的離散程度較小，位置坐標的偏移具有同一方向性，因此，認為該部件模型確實 發生了偏移，需要更新部件模型錨點坐標，以適應新場景下的目標檢測。
[0050] 部件模型錨點坐標計算公式如下：
[0051]
[0052] 其中，Pi(x，y)為記錄的第i個部件模型的位置坐標;Μ為記錄的第i個部件模型位 置坐標中滿足以1;〇1〈1^ 1+1^〇1和以2;〇2〈7^2+1^〇2的位置坐標個數$1為第；[個部件模型1坐 標均值;μ 2為第i個部件模型y坐標均值;σ:為第i個部件模型X坐標的