本發(fā)明涉及圖像識(shí)別方法和圖像識(shí)別裝置，具體而言，涉及圖像識(shí)別中消除或減少誤檢測(cè)、降低誤檢率的方法、以及使用該方法的圖像識(shí)別裝置。

背景技術(shù)：

近年來(lái)，圖像識(shí)別技術(shù)發(fā)展迅速，其在安全、金融、信息、教育等諸多領(lǐng)域有著廣泛的應(yīng)用前景。圖像識(shí)別一般基于已知的識(shí)別物體特征庫(kù)，利用計(jì)算機(jī)或嵌入式設(shè)備等分析圖像，進(jìn)而利用識(shí)別物體特征庫(kù)中的特征模式來(lái)檢測(cè)出目標(biāo)物體。具體來(lái)說(shuō)，例如利用各種識(shí)別物體的特征模式，讓計(jì)算機(jī)對(duì)目標(biāo)物體進(jìn)行特征模式學(xué)習(xí)，并利用分類算法將目標(biāo)物體檢測(cè)出來(lái)。

技術(shù)實(shí)現(xiàn)要素：

然而在實(shí)際的檢測(cè)中，經(jīng)常會(huì)有誤檢測(cè)的情況。例如圖7所示的情況。

圖7中，左圖為實(shí)際想要檢測(cè)的汽車(chē)的車(chē)頭，而右圖本來(lái)為一個(gè)監(jiān)控系統(tǒng)的視頻中顯示時(shí)間部分的畫(huà)面，卻被誤檢測(cè)為車(chē)頭。該監(jiān)控系統(tǒng)本來(lái)需要監(jiān)控的目標(biāo)是車(chē)頭，但卻將該顯示時(shí)間的畫(huà)面頻繁地誤檢測(cè)為是需要監(jiān)控的目標(biāo)。

之所以產(chǎn)生這樣的誤檢測(cè)，主要是因?yàn)楫?dāng)將圖像進(jìn)行多尺度識(shí)別時(shí)，圖像中的某些局部圖像的特征模式與對(duì)目標(biāo)物體進(jìn)行學(xué)習(xí)后的特征模式非常相似。因此，該局部圖像容易被誤識(shí)別為目標(biāo)物體。一旦該局部圖像反復(fù)出現(xiàn)，就會(huì)反復(fù)地被誤識(shí)別為目標(biāo)物體。例如圖7的例子中顯示時(shí)間的畫(huà)面在監(jiān)控視頻畫(huà)面經(jīng)常出現(xiàn)，于是頻繁被誤認(rèn)為是需要監(jiān)控的目標(biāo)，造成大量無(wú)用的干擾。

本發(fā)明鑒于上述現(xiàn)有技術(shù)中存在的問(wèn)題，目的在于提供一種能夠 在圖像識(shí)別中消除或減少誤檢測(cè)、降低誤檢率的方法、以及使用該方法的圖像識(shí)別裝置。

為了解決上述技術(shù)問(wèn)題，本發(fā)明提供一種圖像識(shí)別方法，用于降低圖像識(shí)別中的誤檢率，其特征在于，包括：圖像取得步驟，取得待識(shí)別圖像；預(yù)識(shí)別步驟，對(duì)上述待識(shí)別圖像進(jìn)行預(yù)識(shí)別，取得被預(yù)識(shí)別為包含目標(biāo)物體的多個(gè)圖像塊；明顯特征過(guò)濾步驟，用上述目標(biāo)物體的明顯特征對(duì)上述被識(shí)別為包含目標(biāo)物體的多個(gè)圖像塊進(jìn)行過(guò)濾，提取出誤識(shí)別可能性大的多個(gè)圖像塊；圖像塊分組步驟，基于圖像塊的位置、大小和像素特征對(duì)上述誤識(shí)別可能性大的多個(gè)圖像塊進(jìn)行分組，將位置、大小和像素特征大致相同的圖像塊歸為一組，得到多個(gè)圖像塊組；圖像塊組選擇步驟，計(jì)算各上述圖像塊組中的圖像塊的個(gè)數(shù)，選擇出圖像塊的個(gè)數(shù)多于規(guī)定閾值的多個(gè)圖像塊組；光流計(jì)算步驟，對(duì)上述圖像塊的個(gè)數(shù)多于規(guī)定閾值的多個(gè)圖像塊組中的每個(gè)圖像塊進(jìn)行光流計(jì)算，提取出沒(méi)有光流變化的多個(gè)圖像塊；背景計(jì)算步驟，將沒(méi)有光流變化的各個(gè)圖像塊與該圖像塊所對(duì)應(yīng)的局部背景作比較，提取出與背景大致相同的圖像塊作為誤識(shí)別圖像塊；和反例學(xué)習(xí)步驟，將所得到的上述誤識(shí)別圖像塊的特征作為圖像識(shí)別的反例進(jìn)行反例學(xué)習(xí)，在之后進(jìn)行的識(shí)別中剔除誤識(shí)別圖像塊，得到包含上述目標(biāo)物體的圖像塊作為識(shí)別結(jié)果。

本發(fā)明的圖像識(shí)別方法也可以包括：圖像取得步驟，取得待識(shí)別圖像；預(yù)識(shí)別步驟，對(duì)上述待識(shí)別圖像進(jìn)行預(yù)識(shí)別，取得被預(yù)識(shí)別為包含目標(biāo)物體的多個(gè)圖像塊；明顯特征過(guò)濾步驟，用上述目標(biāo)物體的明顯特征對(duì)上述被識(shí)別為包含目標(biāo)物體的多個(gè)圖像塊進(jìn)行過(guò)濾，提取出誤識(shí)別可能性大的多個(gè)圖像塊；圖像塊分組步驟，基于圖像塊的位置、大小和像素特征對(duì)上述誤識(shí)別可能性大的多個(gè)圖像塊進(jìn)行分組，將位置、大小和像素特征大致相同的圖像塊歸為一組，得到多個(gè)圖像塊組；圖像塊組選擇步驟，計(jì)算各上述圖像塊組中的圖像塊的個(gè)數(shù)，選擇出圖像塊的個(gè)數(shù)多于規(guī)定閾值的多個(gè)圖像塊組；光流計(jì)算步驟，從上述圖像塊的個(gè)數(shù)多于規(guī)定閾值的多個(gè)圖像塊組的每個(gè)圖像塊組中任選一個(gè)圖像塊作為該圖像塊組的代表進(jìn)行光流計(jì)算，提取出沒(méi)有光流變化的多個(gè)圖像塊組；背景計(jì)算步驟，從沒(méi)有光流變化的多個(gè)圖像 塊組的每個(gè)圖像塊組中任選一個(gè)圖像塊作為該圖像塊組的代表與該圖像塊所對(duì)應(yīng)的局部背景作比較，提取出與背景大致相同的圖像塊作為誤識(shí)別圖像塊；和反例學(xué)習(xí)步驟，將所得到的上述誤識(shí)別圖像塊的特征作為圖像識(shí)別的反例進(jìn)行反例學(xué)習(xí)，在之后進(jìn)行的識(shí)別中剔除誤識(shí)別圖像塊，得到包含上述目標(biāo)物體的圖像塊作為識(shí)別結(jié)果。

在上述圖像識(shí)別方法中，上述圖像塊分組步驟包括：位置大小分組步驟，基于圖像塊的位置、大小對(duì)上述誤識(shí)別可能性大的多個(gè)圖像塊進(jìn)行分組，將位置、大小大致相同的圖像塊歸為一組，得到多個(gè)圖像塊組；和像素分組步驟，將上述位置大小分組步驟中分類得到的多個(gè)圖像塊組基于像素特征進(jìn)行進(jìn)一步分組，將像素特征大致相同的圖像塊歸為一組，得到位置、大小和像素特征大致相同的多個(gè)圖像塊組。

在上述圖像識(shí)別方法中，在上述背景計(jì)算步驟與反例學(xué)習(xí)步驟之間還包括用戶確認(rèn)步驟，將上述背景計(jì)算步驟中得到的上述誤識(shí)別圖像塊顯示在圖形用戶界面上由用戶進(jìn)行確認(rèn)，得到用戶確認(rèn)后的誤識(shí)別圖像塊。

在上述圖像識(shí)別方法中，上述明顯特征過(guò)濾步驟中，用下式進(jìn)行過(guò)濾：

E＝ω₀C+Σω_iC_Li

當(dāng)E<T_E時(shí)提取出該圖像塊，式中，E為誤識(shí)別可能評(píng)價(jià)值，C為圖像塊的確信度，C_Li為明顯特征、局部特征的確信度，ω為權(quán)值；T_E為設(shè)定的閾值。上述像素分組步驟中，判斷像素特征大致相同采用如下公式：

if│G_n(i,j)–G_n+1(i,j)│<T0,d(i,j)＝0；

if│G_n(i,j)–G_n+1(i,j)│>T0,d(i,j)＝1；

Σd(i,j)/(H*W)<T1

式中，G_n(i,j)為某個(gè)圖像塊的像素(i,j)的灰度值；G_n+1(i,j)為上述位置大小分組步驟中分出的位置大小大致相同的組中的下一個(gè)圖像塊的像素(i,j)的灰度值；d為對(duì)每一像素是否相近進(jìn)行判斷后的相近評(píng)價(jià)值；T0為灰度不同的閾值。

在上述圖像識(shí)別方法中，上述像素分組步驟中，判斷像素特征大致相同采用如下公式：

if│R_n(i,j)–R_n+1(i,j)│<TR0,dr(i,j)＝0；

if│G_n(i,j)–G_n+1(i,j)│<TG0,dg(i,j)＝0；

if│B_n(i,j)–B_n+1(i,j)│<TB0,db(i,j)＝0

if│R_n(i,j)–R_n+1(i,j)│>TR0,dr(i,j)＝1；

if│G_n(i,j)–G_n+1(i,j)│>TG0,dg(i,j)＝1；

if│B_n(i,j)–B_n+1(i,j)│>TB0,db(i,j)＝1

Σdr(i,j)+Σdg(i,j)+Σdb(i,j)/3*(H*W)<T1

式中，R_n(i,j)、G_n(i,j)、B_n(i,j)為某個(gè)圖像塊的像素(i,j)的紅色分量、藍(lán)色分量、綠色分量，R_n+1(i,j)、G_n+1(i,j)、B_n+1(i,j)為上述位置大小分組步驟中分出的位置大小大致相同的組中的下一個(gè)圖像塊的像素(i,j)的紅色分量、藍(lán)色分量、綠色分量；TR0、TG0、TB0為紅色分量、藍(lán)色分量、綠色分量不同的閾值；dr,dg,db為對(duì)每個(gè)像素的紅色分量、藍(lán)色分量、綠色分量是否相近進(jìn)行判斷后的相近評(píng)價(jià)值；T1為像素大致相同的閾值；H、W為圖像塊的高和寬。

在上述圖像識(shí)別方法中，上述像素分組步驟中，判斷像素特征大致相同采用如下公式：

ΣΣG_n(i,j)G_n+1(i,j)/(SQRT(ΣΣG_n(i,j)²)×SQRT(ΣΣG_n+1(i,j)²))>T2

式中，G_n(i,j)為某個(gè)圖像塊的像素(i,j)的灰度值；G_n+1(i,j)為上述位置大小分組步驟中分出的位置大小大致相同的組中的下一個(gè)圖像塊的像素(i,j)的灰度值；T1、T2為閾值，T1的范圍在0～1之間，T2的范圍在-1～1之間。

在上述圖像識(shí)別方法中，上述光流計(jì)算步驟中，光流的計(jì)算采用如下公式：

$\frac{\&part;I}{\&part;x}{V}_x+\frac{\&part;I}{\&part;y}{V}_y+\frac{\&part;I}{\&part;t}=0$

式中I為亮度，V_x為x軸上的速度，V_y為y軸上的速度。

為了解決上述技術(shù)問(wèn)題，本發(fā)明提供一種圖像識(shí)別裝置，其特征在于，包括：圖像取得單元，其取得待識(shí)別圖像；預(yù)識(shí)別單元，其對(duì)上述待識(shí)別圖像進(jìn)行預(yù)識(shí)別，取得被預(yù)識(shí)別為包含目標(biāo)物體的多個(gè)圖像塊；明顯特征過(guò)濾單元，其用明顯特征對(duì)上述被預(yù)識(shí)別為包含目標(biāo)物體的多個(gè)圖像塊進(jìn)行過(guò)濾，提取出誤識(shí)別可能性大的多個(gè)圖像塊；圖像塊分組單元，其基于圖像塊的位置、大小和像素特征對(duì)上述誤識(shí) 別可能性大的多個(gè)圖像塊進(jìn)行分組，將位置、大小和像素特征大致相同的圖像塊歸為一組，得到多個(gè)圖像塊組；圖像塊組選擇單元，其計(jì)算各上述圖像塊組中的圖像塊的個(gè)數(shù)，選擇出圖像塊的個(gè)數(shù)多于規(guī)定閾值的多個(gè)圖像塊組；光流計(jì)算單元，其對(duì)上述圖像塊的個(gè)數(shù)多于規(guī)定閾值的多個(gè)圖像塊組中的每個(gè)圖像塊進(jìn)行光流計(jì)算，提取出沒(méi)有光流變化的多個(gè)圖像塊；背景計(jì)算單元，其將沒(méi)有光流變化的各個(gè)圖像塊與該圖像塊所對(duì)應(yīng)的局部背景作比較，提取出與背景大致相同的圖像塊作為誤識(shí)別圖像塊；和反例學(xué)習(xí)單元，其將所得到的上述誤識(shí)別圖像塊的特征作為圖像識(shí)別的反例進(jìn)行反例學(xué)習(xí)，在之后進(jìn)行的正式識(shí)別中剔除誤識(shí)別圖像塊，得到包含上述目標(biāo)物體的圖像塊作為識(shí)別結(jié)果。

本發(fā)明的圖像識(shí)別裝置也可以包括：圖像取得單元，其取得待識(shí)別圖像；預(yù)識(shí)別單元，其對(duì)上述待識(shí)別圖像進(jìn)行預(yù)識(shí)別，取得被預(yù)識(shí)別為包含目標(biāo)物體的多個(gè)圖像塊；明顯特征過(guò)濾單元，其用明顯特征對(duì)上述被預(yù)識(shí)別為包含目標(biāo)物體的多個(gè)圖像塊進(jìn)行過(guò)濾，提取出誤識(shí)別可能性大的多個(gè)圖像塊；圖像塊分組單元，其基于圖像塊的位置、大小和像素特征對(duì)上述誤識(shí)別可能性大的多個(gè)圖像塊進(jìn)行分組，將位置、大小和像素特征大致相同的圖像塊歸為一組，得到多個(gè)圖像塊組；圖像塊組選擇單元，其計(jì)算各上述圖像塊組中的圖像塊的個(gè)數(shù)，選擇出圖像塊的個(gè)數(shù)多于規(guī)定閾值的多個(gè)圖像塊組；光流計(jì)算單元，其從上述圖像塊的個(gè)數(shù)多于規(guī)定閾值的多個(gè)圖像塊組的每個(gè)圖像塊組中任選一個(gè)圖像塊作為該圖像塊組的代表進(jìn)行光流計(jì)算，提取出沒(méi)有光流變化的多個(gè)圖像塊組；背景計(jì)算單元，其從沒(méi)有光流變化的多個(gè)圖像塊組的每個(gè)圖像塊組中任選一個(gè)圖像塊作為該圖像塊組的代表與該圖像塊所對(duì)應(yīng)的局部背景作比較，提取出與背景大致相同的圖像塊作為誤識(shí)別圖像塊；和反例學(xué)習(xí)單元，其將所得到的上述誤識(shí)別圖像塊的特征作為圖像識(shí)別的反例進(jìn)行反例學(xué)習(xí)，在之后進(jìn)行的正式識(shí)別中剔除誤識(shí)別圖像塊，得到包含上述目標(biāo)物體的圖像塊作為識(shí)別結(jié)果。

在圖像識(shí)別裝置中，上述圖像塊分組單元包括：位置大小分組單元，其基于圖像塊的位置、大小對(duì)上述誤識(shí)別可能性大的多個(gè)圖像塊進(jìn)行分組，將位置、大小大致相同的圖像塊歸為一組，得到多個(gè)圖像 塊組；和像素分組單元，其將由上述位置大小分組單元分類得到的多個(gè)圖像塊組基于像素進(jìn)行進(jìn)一步分組，將像素特征大致相同的圖像塊歸為一組，得到位置、大小和像素特征大致相同的多個(gè)圖像塊組。

在圖像識(shí)別裝置中，還包括用戶確認(rèn)單元，將由上述背景計(jì)算單元得到的上述誤識(shí)別圖像塊顯示在圖形用戶界面上由用戶進(jìn)行確認(rèn)，得到用戶確認(rèn)后的誤識(shí)別圖像塊。

在圖像識(shí)別裝置中，上述明顯特征過(guò)濾單元用下式進(jìn)行過(guò)濾：

E＝ω₀C+Σω_iC_Li

當(dāng)E<T_E時(shí)提取出該圖像塊，式中，E為誤識(shí)別可能評(píng)價(jià)值，C為圖像塊的確信度，C_Li為明顯特征、局部特征的確信度，ω為權(quán)值；T_E為設(shè)定的閾值。

在圖像識(shí)別裝置中，上述像素分組單元判斷像素特征大致相同采用如下公式：

if│G_n(i,j)–G_n+1(i,j)│<T0,d(i,j)＝0；

if│G_n(i,j)–G_n+1(i,j)│>T0,d(i,j)＝1；

Σd(i,j)/(H*W)<T1

式中，G_n(i,j)為某個(gè)圖像塊的像素(i,j)的灰度值；G_n+1(i,j)為上述位置大小分組步驟中分出的位置大小大致相同的組中的下一個(gè)圖像塊的像素(i,j)的灰度值；d為對(duì)每一像素是否相近進(jìn)行判斷后的相近評(píng)價(jià)值；T0為灰度不同的閾值。

在圖像識(shí)別裝置中，上述像素分組單元判斷像素特征大致相同采用如下公式：

if│R_n(i,j)–R_n+1(i,j)│<TR0,dr(i,j)＝0；

if│G_n(i,j)–G_n+1(i,j)│<TG0,dg(i,j)＝0；

if│B_n(i,j)–B_n+1(i,j)│<TB0,db(i,j)＝0

if│R_n(i,j)–R_n+1(i,j)│>TR0,dr(i,j)＝1；

if│G_n(i,j)–G_n+1(i,j)│>TG0,dg(i,j)＝1；

if│B_n(i,j)–B_n+1(i,j)│>TB0,db(i,j)＝1

Σdr(i,j)+Σdg(i,j)+Σdb(i,j)/3*(H*W)<T1

式中，R_n(i,j)、G_n(i,j)、B_n(i,j)為某個(gè)圖像塊的像素(i,j)的紅色分量、藍(lán)色分量、綠色分量，R_n+1(i,j)、G_n+1(i,j)、B_n+1(i,j)為上述位置大小分組步驟中分出的位置大小大致相同的組中的下一個(gè)圖像塊的像素(i,j) 的紅色分量、藍(lán)色分量、綠色分量；TR0、TG0、TB0為紅色分量、藍(lán)色分量、綠色分量不同的閾值；dr,dg,db為對(duì)每個(gè)像素的紅色分量、藍(lán)色分量、綠色分量是否相近進(jìn)行判斷后的相近評(píng)價(jià)值；T1為像素大致相同的閾值；H、W為圖像塊的高和寬。

在圖像識(shí)別裝置中，上述像素分組單元判斷像素特征大致相同采用如下公式：

ΣΣG_n(i,j)G_n+1(i,j)/(SQRT(ΣΣG_n(i,j)²)×SQRT(ΣΣG_n+1(i,j)²))>T2

式中，G_n(i,j)為某個(gè)圖像塊的像素(i,j)的灰度值；G_n+1(i,j)為上述位置大小分組步驟中分出的位置大小大致相同的組中的下一個(gè)圖像塊的像素(i,j)的灰度值；T1、T2為閾值，T1的范圍在0～1之間，T2的范圍在-1～1之間。

在圖像識(shí)別裝置中，上述光流計(jì)算單元計(jì)算光流采用如下公式：

$\frac{\&part;I}{\&part;x}{V}_x+\frac{\&part;I}{\&part;y}{V}_y+\frac{\&part;I}{\&part;t}=0$

式中I為亮度，V_x為x軸上的速度，V_y為y軸上的速度。

(發(fā)明效果)

根據(jù)本發(fā)明，能夠在現(xiàn)有的圖像識(shí)別中提取誤檢測(cè)的圖像塊進(jìn)行反例學(xué)習(xí)，從而消除或減少同類型的誤檢測(cè)，能夠提供一種能夠在圖像識(shí)別中消除或減少誤檢測(cè)、降低誤檢率的方法、以及使用該方法的圖像識(shí)別裝置。

附圖說(shuō)明

圖1是本發(fā)明的實(shí)施方式1的功能框圖。

圖2是本發(fā)明的實(shí)施方式1的流程圖。

圖3是本發(fā)明的實(shí)施方式2的功能框圖。

圖4是本發(fā)明的實(shí)施方式2的流程圖。

圖5是本發(fā)明的實(shí)施方式3的功能框圖。

圖6是本發(fā)明的實(shí)施方式3的流程圖。

圖7是用于例示誤檢測(cè)的圖。

具體實(shí)施方式

下面參照附圖對(duì)本發(fā)明的實(shí)施方式和實(shí)施例進(jìn)行具體說(shuō)明，圖中相同的標(biāo)號(hào)表示相同的元件或功能模塊。本發(fā)明不受下述具體的實(shí)施方式和實(shí)施例限制。

<實(shí)施方式1>

首先對(duì)本發(fā)明的實(shí)施方式1進(jìn)行詳細(xì)說(shuō)明。

圖1是本發(fā)明的實(shí)施方式1的功能框圖。

圖1中，11為圖像取得單元，用于取得待識(shí)別圖像。此處所說(shuō)的圖像，包括靜態(tài)圖像和視頻等動(dòng)態(tài)圖像。

12為預(yù)識(shí)別單元，將由圖像取得單元11取得的待識(shí)別圖像用多尺度滑動(dòng)窗口掃描進(jìn)行預(yù)識(shí)別，取得被預(yù)識(shí)別為目標(biāo)物體的多個(gè)圖像塊。預(yù)識(shí)別能夠用現(xiàn)有的圖像識(shí)別裝置進(jìn)行。

13為明顯特征過(guò)濾單元，用圖像塊的明顯特征對(duì)被預(yù)識(shí)別為目標(biāo)物體的多個(gè)圖像塊進(jìn)行過(guò)濾，排除明顯不可能為誤識(shí)別的圖像塊，提取出誤識(shí)別可能性大的多個(gè)圖像塊。

14為圖像塊分組單元，基于位置、大小和像素特征對(duì)誤識(shí)別可能性大的多個(gè)圖像塊進(jìn)行分組，將位置、大小和像素大致相同的圖像塊歸為一組，得到多個(gè)圖像塊組。圖像塊分組單元14可以包括位置大小分組單元15和像素分組單元16。

位置大小分組單元15基于圖像塊的位置、大小對(duì)誤識(shí)別可能性大的多個(gè)圖像塊進(jìn)行分組，將位置、大小大致相同的圖像塊歸為一組，得到多個(gè)圖像塊組。本說(shuō)明書(shū)中的大致相同定義為量化差別不超過(guò)一定閾值。

像素分組單元16將由位置大小分組單元分類得到的多個(gè)圖像塊組基于像素特征進(jìn)行進(jìn)一步分組，將像素特征大致相同的圖像塊歸為一組，得到位置、大小和像素特征大致相同的多個(gè)圖像塊組。

20為圖像塊組選擇單元，計(jì)算各圖像塊組中的圖像塊的個(gè)數(shù)，選擇出圖像塊的個(gè)數(shù)多于規(guī)定閾值的多個(gè)圖像塊組。這個(gè)閾值用戶是可以修改的，默認(rèn)值例如為5。

17為光流計(jì)算單元，對(duì)圖像塊的個(gè)數(shù)多于規(guī)定閾值的多個(gè)圖像塊組中的每個(gè)圖像塊進(jìn)行光流計(jì)算，提取出沒(méi)有光流變化的多個(gè)圖像塊組。

18為背景計(jì)算單元，將沒(méi)有光流變化的各個(gè)圖像塊與該圖像塊所對(duì)應(yīng)的局部背景作比較，搜索得到與背景大致相同的圖像塊作為誤識(shí)別圖像塊。

19為反例學(xué)習(xí)單元，將所得到的誤識(shí)別圖像塊的特征作為圖像識(shí)別的反例進(jìn)行反例學(xué)習(xí)，在之后進(jìn)行的正式識(shí)別中剔除誤識(shí)別圖像塊，得到包含目標(biāo)物體的圖像塊作為識(shí)別結(jié)果。

下面對(duì)實(shí)施方式1的具體流程進(jìn)行說(shuō)明。

實(shí)施方式1的流程步驟如圖2所示。

首先，在圖像取得步驟21中，由圖像取得單元11取得待識(shí)別圖像。此處所說(shuō)的圖像，包括靜態(tài)圖像和視頻等動(dòng)態(tài)圖像。接著在預(yù)識(shí)別步驟22中，將由圖像取得單元11取得的待識(shí)別圖像劃分為多個(gè)圖像塊并進(jìn)行預(yù)識(shí)別，取得被預(yù)識(shí)別為目標(biāo)物體的多個(gè)圖像塊。圖像塊的劃分基于一定的規(guī)則，一般要使得到的各圖像塊中均包含能夠表征所述待識(shí)別圖像中的待識(shí)別目標(biāo)的特征的像素點(diǎn)。圖像塊通常為矩形，該矩形為能夠框住待識(shí)別目標(biāo)的最小矩形。當(dāng)然矩形只是一例，不一定必須為矩形，只要能夠框住帶識(shí)別目標(biāo)，可以為任意形狀。圖像取得和預(yù)識(shí)別能夠用現(xiàn)有的裝置和方法來(lái)進(jìn)行。

接著，在明顯特征過(guò)濾步驟23中，用明顯特征對(duì)被預(yù)識(shí)別為目標(biāo)物體的多個(gè)圖像塊進(jìn)行過(guò)濾，排除明顯不可能為誤識(shí)別的圖像塊，提取出誤識(shí)別可能性大的多個(gè)圖像塊。明顯特征為待識(shí)別物體所具有的明顯的特征，例如包括人臉的顏色、紋理、人臉的局部特征，車(chē)的紋理、輪廓、局部特征等。在過(guò)濾的時(shí)候，進(jìn)行誤識(shí)別判斷的閾值優(yōu)選設(shè)置得比較寬泛以避免誤過(guò)濾，盡量把具有誤識(shí)別可能的圖像塊提取出來(lái)。經(jīng)過(guò)明顯特征過(guò)濾步驟23過(guò)濾后提取出的具有誤識(shí)別可能的圖像塊的集合，是誤識(shí)別可能性比較大的集合。

在明顯特征過(guò)濾步驟23中，例如可以采用如下算法進(jìn)行計(jì)算從而提取出誤識(shí)別可能性大的圖像塊。

E＝ω₀C+Σω_iC_Li

當(dāng)E<T_E時(shí)提取出該圖像塊，式中，E為誤識(shí)別可能評(píng)價(jià)值，C為圖像塊的確信度，C_Li為明顯特征、局部特征各項(xiàng)的確信度，ω為權(quán)值，T_E為設(shè)定的閾值。在這里確信度為PAC算法的錯(cuò)誤分類概率相反值或者 為神經(jīng)網(wǎng)絡(luò)實(shí)際算出的接近目標(biāo)標(biāo)簽的值等。

接著在圖像塊分組步驟24中，基于圖像塊的位置、大小和像素特征對(duì)誤識(shí)別可能性大的多個(gè)圖像塊進(jìn)行分組，將位置、大小和像素特征大致相同的圖像塊歸為一組，得到多個(gè)圖像塊組。圖像塊分組步驟24例如可以分為位置大小分組步驟25和像素分組步驟26來(lái)進(jìn)行。

在位置大小分組步驟25中，基于圖像塊的位置、大小對(duì)誤識(shí)別可能性大的多個(gè)圖像塊進(jìn)行分組，將位置、大小大致相同的圖像塊歸為一組，得到多個(gè)圖像塊組。本說(shuō)明書(shū)中的大致相同定義為量化差別不超過(guò)一定閾值。其中，先搜索位置、尺寸大致相同的圖像塊。此處所說(shuō)的圖像塊的位置、尺寸大致相同，是指定義一定的閾值，只要圖像塊的位置、大小尺寸在閾值的范圍內(nèi)，就判斷為位置、尺寸大致相同。例如(例子中的數(shù)字為舉例的數(shù)字)，對(duì)從一個(gè)攝像頭采集的待識(shí)別物體記錄進(jìn)行預(yù)識(shí)別之后的圖像塊的集合中，存在500個(gè)位置為(10,30,50,60)的圖像塊，本例中，圖像塊為矩形。其中10,30為圖像塊的左上角的橫坐標(biāo)、縱坐標(biāo)。50,60為圖像塊的右下角的橫坐標(biāo)、縱坐標(biāo)。這500個(gè)圖像塊的矩形的坐標(biāo)可以略有差異，只要不超過(guò)規(guī)定的閾值，就認(rèn)為它們是大小尺寸基本上相同的圖像塊。當(dāng)然，這只是一例，對(duì)從該攝像頭采集的待識(shí)別物體記錄進(jìn)行預(yù)識(shí)別之后的圖像塊的集合中還可能存在其他位置、尺寸大致相同的圖像塊。

然后，對(duì)搜索出的位置、尺寸大致相同的圖像塊進(jìn)行分組。也就是說(shuō)，同組的圖像塊，位置、尺寸大致相同；不同組的圖像塊，大致的位置、尺寸不同。

接著在像素分組步驟26，將位置大小分組步驟中分類得到的多個(gè)圖像塊組基于像素進(jìn)行進(jìn)一步分組，將像素特征大致相同的圖像塊歸為一組，得到位置、大小和像素特征大致相同的多個(gè)圖像塊組。其中，先在位置大小分組步驟25中劃分的組中，搜索像素特征大致相同的圖像塊。然后，對(duì)搜索出的像素大致相同的圖像塊進(jìn)行分組。也就是說(shuō)，同組的圖像塊，像素特征大致相同；不同組的圖像塊，像素特征大致不同。

判斷像素特征大致相同例如可以采用如下公式：

if│G_n(i,j)–G_n+1(i,j)│<T0,d(i,j)＝0；

if│G_n(i,j)–G_n+1(i,j)│>T0,d(i,j)＝1；

Σd(i,j)/(H*W)<T1

在式中，G_n(i,j)為某個(gè)圖像塊的像素(i,j)的灰度值；G_n+1(i,j)為位置大小分組步驟25中分出的位置大小大致相同的組中的下一個(gè)圖像塊的像素(i,j)的灰度值；d為對(duì)每一像素是否相近進(jìn)行判斷后的相近評(píng)價(jià)值；T0為灰度不同的閾值；T1為像素大致相同的閾值；H、W為圖像塊的高和寬。此處，作為相近評(píng)價(jià)值d的設(shè)置，可以讓用戶進(jìn)行選擇。作為預(yù)設(shè)的默認(rèn)值，可以選擇最大值的黃金分割比來(lái)作為默認(rèn)值。

此外，還可以采用如下方式來(lái)搜索像素特征大致相同的項(xiàng)目。

if│R_n(i,j)–R_n+1(i,j)│<TR0,dr(i,j)＝0；

if│G_n(i,j)–G_n+1(i,j)│<TG0,dg(i,j)＝0；

if│B_n(i,j)–B_n+1(i,j)│<TB0,db(i,j)＝0

if│R_n(i,j)–R_n+1(i,j)│>TR0,dr(i,j)＝1；

if│G_n(i,j)–G_n+1(i,j)│>TG0,dg(i,j)＝1；

if│B_n(i,j)–B_n+1(i,j)│>TB0,db(i,j)＝1

Σdr(i,j)+Σdg(i,j)+Σdb(i,j)/3*(H*W)<T1

式中，R_n(i,j)、G_n(i,j)、B_n(i,j)為某個(gè)圖像塊的像素(i,j)的紅色分量、藍(lán)色分量、綠色分量；R_n+1(i,j)、G_n+1(i,j)、B_n+1(i,j)為位置大小分組步驟25中分出的位置大小大致相同的組中的下一個(gè)圖像塊的像素(i,j)的紅色分量、藍(lán)色分量、綠色分量；TR0、TG0、TB0為紅色分量、藍(lán)色分量、綠色分量不同的閾值；dr,dg,db為對(duì)每一像素的紅色分量、藍(lán)色分量、綠色分量是否相近進(jìn)行判斷后的相近評(píng)價(jià)值；T1為像素大致相同的閾值；H、W為圖像塊的高和寬。

另外，還可以采用以下相似性算法公式來(lái)判斷像素相似性。

ΣΣG_n(i,j)G_n+1(i,j)/(SQRT(ΣΣG_n(i,j)²)×SQRT(ΣΣG_n+1(i,j)²))>T2

式中G_n(i,j)為某個(gè)圖像塊的像素(i,j)的灰度值，G_n+1(i,j)為位置大小分組步驟25中分出的位置大小大致相同的組中的下一個(gè)圖像塊的像素(i,j)的灰度值。T1、T2為閾值。T1的范圍在0～1之間，T2的范圍在-1～1之間。

經(jīng)過(guò)位置大小分組步驟25和像素分組步驟26，圖像塊被分為位置、大小和像素大致相同的各個(gè)組。由此，具有重復(fù)性的圖像塊被合并。

接著在圖像塊組選擇步驟30中，計(jì)算各圖像塊組中的圖像塊的個(gè)數(shù)，選擇出圖像塊的個(gè)數(shù)多于規(guī)定閾值的多個(gè)圖像塊組。這個(gè)閾值用戶是可以修改的，默認(rèn)值例如為5。這是因?yàn)閳D像塊的個(gè)數(shù)低于閾值的圖像塊組基本上不可能存在誤檢測(cè)的可能性，不是我們需要進(jìn)行處理的對(duì)象。

接著在光流計(jì)算步驟27中，對(duì)圖像塊組選擇步驟30中得到的多個(gè)圖像塊組中的每個(gè)圖像塊進(jìn)行光流計(jì)算，從中搜索得到?jīng)]有光流變化的多個(gè)圖像塊。搜索沒(méi)有光流的圖像塊，也就是說(shuō)搜索沒(méi)有動(dòng)作的各項(xiàng)。光流的計(jì)算采用如下方程式進(jìn)行運(yùn)算。

$\frac{\&part;I}{\&part;x}{V}_x+\frac{\&part;I}{\&part;y}{V}_y+\frac{\&part;I}{\&part;t}=0$

式中I為亮度，V_x為x軸上的速度，V_y為y軸上的速度。利用光的變化，計(jì)算出待識(shí)別物體的速度。

接著，在背景計(jì)算步驟28中，將沒(méi)有光流變化的各個(gè)圖像塊與該圖像塊所對(duì)應(yīng)的局部背景作比較，搜索得到與背景大致相同的圖像塊作為誤識(shí)別圖像塊。在這里大致相同為上面的像素相似性公式來(lái)進(jìn)行計(jì)算判斷，當(dāng)像素的相似性在某閾值范圍內(nèi)時(shí)就認(rèn)為大致相同。在背景運(yùn)算是可以采取差分法進(jìn)行背景的運(yùn)算，也可以采用混合高斯模型來(lái)進(jìn)行背景的運(yùn)算。例如對(duì)于檢測(cè)目標(biāo)為汽車(chē)的誤識(shí)別檢測(cè)系統(tǒng)，進(jìn)行背景計(jì)算的幀圖像選擇最長(zhǎng)時(shí)間，這樣是為了剔除把停滯車(chē)輛也作為誤檢測(cè)的情況。同樣也可以在明顯特征過(guò)濾步驟23中通過(guò)局部特征的模式識(shí)別、顏色紋理模式識(shí)別等的方式，剔除把停滯車(chē)輛也作為誤檢測(cè)的情況。

經(jīng)過(guò)以上運(yùn)算，得到了誤識(shí)別圖像塊。

接著在反例學(xué)習(xí)步驟29中，將所得到的誤識(shí)別圖像塊的特征作為圖像識(shí)別的反例進(jìn)行反例學(xué)習(xí)，在之后進(jìn)行的識(shí)別中剔除誤識(shí)別圖像塊，得到包含目標(biāo)物體的圖像塊作為識(shí)別結(jié)果。學(xué)習(xí)的方法可以采用SVM、深度學(xué)習(xí)的方式，學(xué)習(xí)出作為反例的誤識(shí)別模型。在學(xué)習(xí)中將采用誤識(shí)別的輪廓、紋理、顏色等作為特征進(jìn)行模型學(xué)習(xí)。然后用學(xué)習(xí)出的模型，作為反例進(jìn)行模式識(shí)別，防止出現(xiàn)再次誤識(shí)別。

<實(shí)施方式2>

接著對(duì)本發(fā)明的實(shí)施方式2進(jìn)行詳細(xì)說(shuō)明。對(duì)實(shí)施方式2與實(shí)施方式1相同的部件標(biāo)注相同標(biāo)號(hào)并省略說(shuō)明。

圖3是本發(fā)明的實(shí)施方式2的功能框圖。如圖3所示，本實(shí)施方式2與實(shí)施方式1相比，不同點(diǎn)在于，用光流計(jì)算單元17’替代光流計(jì)算單元17，用背景計(jì)算單元18’替代背景計(jì)算單元18。

其中，光流計(jì)算單元17’從圖像塊的個(gè)數(shù)多于規(guī)定閾值的多個(gè)圖像塊組的每個(gè)圖像塊組中任選一個(gè)圖像塊作為該圖像塊組的代表進(jìn)行光流計(jì)算，提取出沒(méi)有光流變化的多個(gè)圖像塊組。

背景計(jì)算單元18’從沒(méi)有光流變化的多個(gè)圖像塊組的每個(gè)圖像塊組中任選一個(gè)圖像塊作為該圖像塊組的代表與該圖像塊所對(duì)應(yīng)的局部背景作比較，提取出與背景大致相同的圖像塊作為誤識(shí)別圖像塊。

實(shí)施方式2的流程步驟如圖4所示。

如圖4所示，本實(shí)施方式2的流程與實(shí)施方式1大致相同，不同點(diǎn)在于，用光流計(jì)算步驟27’替代光流計(jì)算步驟27，用背景計(jì)算步驟28’替代背景計(jì)算步驟28。

其中，光流計(jì)算步驟27’中，從圖像塊的個(gè)數(shù)多于規(guī)定閾值的多個(gè)圖像塊組的每個(gè)圖像塊組中任選一個(gè)圖像塊作為該圖像塊組的代表進(jìn)行光流計(jì)算，提取出沒(méi)有光流變化的多個(gè)圖像塊組。

背景計(jì)算步驟28’中，從沒(méi)有光流變化的多個(gè)圖像塊組的每個(gè)圖像塊組中任選一個(gè)圖像塊作為該圖像塊組的代表與該圖像塊所對(duì)應(yīng)的局部背景作比較，提取出與背景大致相同的圖像塊作為誤識(shí)別圖像塊。

在本實(shí)施方式2中，光流計(jì)算步驟和背景計(jì)算步驟中不對(duì)圖像塊組中的所有圖像塊進(jìn)行計(jì)算，而是選取一個(gè)作為代表來(lái)進(jìn)行計(jì)算。這是因?yàn)?，?jīng)過(guò)圖像塊分組步驟24得到的圖像塊組中的每個(gè)圖像塊，其位置、大小和像素特征是大致相同的，所以可以任取一個(gè)作為代表來(lái)進(jìn)行計(jì)算，由此能夠大幅減少計(jì)算量。

但是需要注意的是，如果只選一個(gè)進(jìn)行計(jì)算，在某些情況下、例如圖像塊分組步驟24中的閾值設(shè)置過(guò)寬的情況下有可能發(fā)生漏檢。即如果圖像塊分組步驟24中的閾值設(shè)置過(guò)寬，則圖像塊分組步驟24中得到的圖像塊組中的各個(gè)圖像塊有可能并不滿足實(shí)際要求的大致相同的標(biāo)準(zhǔn)。在這種情況下，也可以選擇多個(gè)圖像塊作為代表，在最極端 的情況下選擇所有圖像塊進(jìn)行計(jì)算，則實(shí)際上與實(shí)施方式1相同。

<實(shí)施方式3>

接著對(duì)本發(fā)明的實(shí)施方式3進(jìn)行詳細(xì)說(shuō)明。對(duì)實(shí)施方式3與實(shí)施方式1相同的部件標(biāo)注相同標(biāo)號(hào)并省略說(shuō)明。

圖5是本發(fā)明的實(shí)施方式3的功能框圖。如圖5所示，本實(shí)施方式3與實(shí)施方式1相比，追加了用戶確認(rèn)單元50，將由背景計(jì)算單元18得到的誤識(shí)別圖像塊顯示在圖形用戶界面(GUI)上由用戶進(jìn)行確認(rèn)，得到用戶確認(rèn)后的誤識(shí)別圖像塊。

實(shí)施方式3的流程步驟如圖6所示。

如圖6所示，本實(shí)施方式3的流程與實(shí)施方式1大致相同，不同點(diǎn)在于，在背景計(jì)算步驟28與反例學(xué)習(xí)步驟29之間追加了用戶確認(rèn)步驟60，將背景計(jì)算步驟28中得到的誤識(shí)別圖像塊顯示在圖形用戶界面(GUI)上由用戶進(jìn)行確認(rèn)，得到用戶確認(rèn)后的誤識(shí)別圖像塊。眾所周知，人眼在圖像識(shí)別上有著先天的優(yōu)勢(shì)，經(jīng)過(guò)人工確認(rèn)的誤識(shí)別圖像塊能夠取得更好的準(zhǔn)確性。本實(shí)施方式3是在實(shí)施方式1的基礎(chǔ)上追加了用戶確認(rèn)步驟，當(dāng)然也可以在實(shí)施方式2的基礎(chǔ)上追加用戶確認(rèn)步驟，能夠獲得與本實(shí)施方式3相同的技術(shù)效果。

以上所述僅是本發(fā)明的優(yōu)選的實(shí)施方式，應(yīng)當(dāng)指出，對(duì)于本領(lǐng)域的技術(shù)人員來(lái)說(shuō)，在不脫離本發(fā)明原理和基礎(chǔ)的前提下，還可以做出若干改進(jìn)、潤(rùn)飾、更換步驟組合等，這些改進(jìn)、潤(rùn)飾、更換步驟組合等也應(yīng)該是本發(fā)明的保護(hù)范圍。

本領(lǐng)域技術(shù)人員應(yīng)明白，本發(fā)明能夠提供為方法、系統(tǒng)、或計(jì)算機(jī)程序產(chǎn)品。本發(fā)明能夠完全由硬件實(shí)現(xiàn)、完全由軟件實(shí)現(xiàn)、或結(jié)合軟件和硬件來(lái)實(shí)現(xiàn)。而且，本發(fā)明能夠采用在一個(gè)或多個(gè)包含有計(jì)算機(jī)可用程序代碼的計(jì)算機(jī)可用存儲(chǔ)介質(zhì)(包括但不限于磁盤(pán)存儲(chǔ)器、CD-ROM、光學(xué)存儲(chǔ)器等)上實(shí)施的計(jì)算機(jī)程序產(chǎn)品的形式。

本發(fā)明是根據(jù)本發(fā)明具體實(shí)施方式的方法、系統(tǒng)、或計(jì)算機(jī)程序產(chǎn)品的流程圖和/或方框圖來(lái)描述的。應(yīng)理解能夠由計(jì)算機(jī)程序指令實(shí)現(xiàn)流程圖和/或方框圖中的每一流程和/或方框、以及流程圖和/或方框圖中的流程和/或方框的結(jié)合。能夠?qū)⑦@些計(jì)算機(jī)程序指令提供給通用計(jì)算機(jī)、專用計(jì)算機(jī)、嵌入式處理機(jī)或其他可編程數(shù)據(jù)處理設(shè)備的處理 器以實(shí)現(xiàn)一個(gè)通過(guò)計(jì)算機(jī)或其他可編程數(shù)據(jù)處理設(shè)備的處理器執(zhí)行的指令產(chǎn)生用于實(shí)現(xiàn)在流程圖一個(gè)流程或多個(gè)流程和/或方框圖一個(gè)方框或多個(gè)方框中指定的功能的裝置。

這些計(jì)算機(jī)程序指令也能夠存儲(chǔ)在能引導(dǎo)計(jì)算機(jī)或其他可編程數(shù)據(jù)處理設(shè)備以特定方式工作的計(jì)算機(jī)可讀存儲(chǔ)器中，使得存儲(chǔ)在該計(jì)算機(jī)可讀存儲(chǔ)器中的指令產(chǎn)生包括指令裝置的制造品，該指令裝置實(shí)現(xiàn)在流程圖一個(gè)流程或多個(gè)流程和/或方框圖一個(gè)方框或多個(gè)方框中指定的功能。

這些計(jì)算機(jī)程序指令也能夠裝載到計(jì)算機(jī)或其他可編程數(shù)據(jù)處理設(shè)備上，使得在計(jì)算機(jī)或其他可編程設(shè)備上執(zhí)行一系列操作步驟以產(chǎn)生計(jì)算機(jī)實(shí)現(xiàn)的處理，從而在計(jì)算機(jī)或其他可編程設(shè)備上執(zhí)行的指令提供用于實(shí)現(xiàn)在流程圖一個(gè)流程或多個(gè)流程和/或方框圖一個(gè)方框或多個(gè)方框中指定的功能的步驟。

工業(yè)上的可利用性

本發(fā)明的圖像識(shí)別方法和圖像識(shí)別裝置，將取得的待識(shí)別圖像劃分為多個(gè)圖像塊并進(jìn)行預(yù)識(shí)別后，基于位置、大小和像素特征對(duì)誤識(shí)別可能性大的多個(gè)圖像塊進(jìn)行分組并進(jìn)一步進(jìn)行光流計(jì)算和背景計(jì)算，由此得到誤識(shí)別圖像塊用于反例學(xué)習(xí)，從而消除或減少同類型的誤檢測(cè)，在圖像識(shí)別領(lǐng)域是極為有用的。