检测图像中特定物体的方法和检测图像中特定物体的设备

摘要

本发明提供一种检测图像中特定物体的方法，包括：感兴趣区域估计步骤，在输入的待处理图像中，估计包含所述特定物体的区域，作为感兴趣区域；特征确定步骤，确定所述感兴趣区域中物体的特征参数；物体能量确定步骤，根据物体的特征参数确定物体的能量；特定物体判别步骤，将所确定的物体的能量与预定阈值相比较，如果该物体的能量大于等于该预定阈值，则将该物体判别为所述特定物体。本发明还相应地提供一种检测图像中特定物体的设备。

说明书

技术领域

本发明涉及一种检测图像中特定物体的方法和检测图像中特定物体的设 备。

背景技术

随着计算机技术的发展，在图像和视频的模式识别领域也有显著的进展， 对检测图像中特定物体的技术的需求也越来越大，并且取得了一定成就。

在模式识别领域，物体检测的效果依赖于关键特征或者关键特征组合的 选取。近年来，大量的实用特征应用到物体检测领域中。基于单一特征的识 别分类方法一般会取得精度比较低、有很多误检、但是效率较高的识别结果。 以云检测为例，基于单一颜色特征的识别方法可以识别到大部分的云，但是 同时有很多具有与云相似颜色的物体可能被误检成云。

专利文件1(US 7,480,052B1)提出了基于电磁场频谱信息的在卫星云图 中检测云的方法。在卫星云图中的某个区域，通过比较至少三个离散的电磁 场频谱的带宽范围内的反射值，然后比较它们之间的比例值，从而获得云检 测的判定结果。然而，专利文件1仅仅专门针对卫星云图，通过采用电磁场 频谱反射值来确定云检测结果，因而不是一种广义范围的云检测方法，应用 范围有限。

非专利文件1(Classification of satellite cloud imagery based on  multi-feature texture analysis and neural networks，Christodoulou， C.I.；Michaelides，S.C.；Pattichis，C.S.；Kyriakou，K.；Dept.of Comput.Sci.，Univ. of Cyprus，Image Processing，2001，Proceedings，2001 International Conference， vol.1，497-500，基于多特征纹理分析和神经网络的卫星云图中的云分类方 法，塞浦路斯大学)提出一种区分不同云的分类方法。9种不同纹理特征集 合(共包含55个特征)被提取出来，通过神经网络来训练有效的云分类器。 非专利文件1中的纹理特征包含了边界、纹理等等特征，但是这些特征分开、 独立地输入以用于神经网络训练。特征区分性有限，且处理较为复杂。

发明内容

鉴于现有技术中存在的上述问题而做出本发明，本发明提出一种基于能 量模型的检测图像中特定物体的方法和检测图像中特定物体的设备。

根据本发明实施例的一个方面，提出了一种检测图像中特定物体的方法， 包括：感兴趣区域估计步骤，在输入的待处理图像中，估计包含所述特定物 体的区域，作为感兴趣区域；特征确定步骤，确定所述感兴趣区域中物体的 特征参数；物体能量确定步骤，根据物体的特征参数确定物体的能量；特定 物体判别步骤，将所确定的物体的能量与预定阈值相比较，如果该物体的能 量大于等于该预定阈值，则将该物体判别为所述特定物体。。

根据本发明实施例的另一个方面，提出了一种检测图像中特定物体的设 备，包括：感兴趣区域估计装置，在输入的待处理图像中，估计包含所述特 定物体的区域，作为感兴趣区域；特征确定装置，确定所述感兴趣区域中物 体的特征参数；物体能量确定装置，根据物体的特征参数确定物体的能量； 特定物体判别装置，将所确定的物体的能量与预定阈值相比较，如果该物体 的能量大于等于该预定阈值，则将该物体判别为所述特定物体。

通过阅读结合附图考虑的以下本发明的优选实施例的详细描述，将更好 地理解本发明的以上和其他目标、特征、优点和技术及工业重要性。

附图说明

图1示出按照本发明实施例的检测图像中特定物体的方法的总体流程 图。

图2示出待处理图像的一个示例。

图3示意性地示出对图2所示待处理图像进行感兴趣区域估计处理后所 估计的关于特定物体云的感兴趣区域。

图4示出待处理图像的另一个示例。

图5示意性地示出对图4所示待处理图像进行感兴趣区域估计处理后所 估计的关于特定物体云的感兴趣区域。

图6示出对图2中的感兴趣区域提取物体外部边界特征参数的示意图。

图7示出对图4所示的图像提取物体内部边界特征参数的示意图。

图8示出按照本发明实施例的检测图像中特定物体的设备的总体框图。

图9是示出按照本发明实施例的检测图像中特定物体的系统的总体框 图。

具体实施方式

下面结合附图描述本发明实施例。

图1示出按照本发明实施例的检测图像中特定物体的方法的总体流程 图。如图1所示，检测图像中特定物体的方法可以包括：感兴趣区域估计步 骤S100，可以在输入的待处理图像中，估计包含所述特定物体的区域，作为 感兴趣区域；特征确定步骤S200，可以确定所述感兴趣区域中物体的特征参 数；物体能量确定步骤S300，可以根据物体的特征参数确定物体的能量；以 及特定物体判别步骤S400，可以将所确定的物体的能量与预定阈值相比较， 如果该物体的能量大于等于该预定阈值，则将该物体判别为所述特定物体。

在该感兴趣区域估计步骤S100中，可以将所述待处理图像划分为多个区 域，获取各个区域的色彩特征，利用线性分类器分别判断各个区域是否符合 所述特定物体的色彩特征，将符合所述特定物体的色彩特征的区域组合得到 所述感兴趣区域。

对于待检测的输入图像，或者称为待处理图像，可以在感兴趣区域估计 步骤S100中对其进行初步检测，排除明显不具有要检测的特定的目标物体， 即特定物体的图像，以降低此后处理过程的负担。

初步检测可以基于形状、颜色、尺寸等等中的任何一种特征或多种特征 的组合，通常，基于一种单一特征的初步检测具有非常高的处理速度，能够 大幅度减少待检测图像的数量，但是初步检测具有相对较低的检测率，会有 一定量的实际上并非包含特定物体的图像通过该初步检测，进入此后的处理。

假设在所述特定物体为云的情况下，在该感兴趣区域估计步骤S100中， 可以将输入的待处理图像进行基于单一颜色特征的云的初步检测。云大体上 可以分为白云、乌云、及朝霞晚霞等等类别，可以收集大量的关于各类云的 正样本图像(云图像)和负样本图像(非云图像)，来训练分类器。基于颜色 特征的云的检测可以利用线性分类器，该线性分类器可以通过提取足够多的 正样本图像和负样本图像的RGB颜色特征，进而使用支持向量机(Support  Vector Machine，SVM)训练而得到。

感兴趣区域估计步骤S100对待处理图像的初步判断可以针对各个像素 逐一进行，然而，为了降低处理的复杂度，也可以将图像划分为相等大小的 若干个矩形框，例如，将1024*768的图像分为32*27个矩形框，显然本发明 实施例所能够处理的图像像素数目及划分矩形框的行列数目不限于此。经过 对待处理图像的以像素或矩形框为单位的处理，在假定分类器将某个或某些 上述单位判断为特定物体的情况下，假设特定物体为云，检测目标包括白云、 乌云、朝霞晚霞，则待处理图像中含有云的区域和实际上不含有云但含有与 云相似颜色的物体的区域可以被检测出来。

图2示出待处理图像的一个示例。通过上述感兴趣区域估计步骤S100对 图2所示图像的处理，可以获得其关于特定物体的感兴趣区域。图3示意性 地示出对图2所示待处理图像进行感兴趣区域估计处理后所估计的关于特定 物体云的感兴趣区域，其中，把待处理图像划分为若干行列数目的矩形框， 其中标注交叉线的矩形框估计构成感兴趣区域，其中不含交叉线的矩形框 □确定不涉及该特定物体。

图4示出待处理图像的另一个示例。通过上述感兴趣区域估计步骤S100 对图4所示图像的处理，可以获得其关于特定物体的感兴趣区域。图5示意 性地示出对图4所示待处理图像进行感兴趣区域估计处理后所估计的关于特 定物体云的感兴趣区域，其中，把待处理图像划分为若干行列数目的矩形框， 其中标注交叉线的矩形框估计构成感兴趣区域，其中不含交叉线的矩形框 □确定不涉及该特定物体。

图2中的物体为单一物体云，在云为特定物体的情况下，感兴趣区域估 计步骤S100估计出的感兴趣区域均确实为包含物体云；图4中的物体有多种， 诸如楼房、汽车、云等等，尽管云仍然为特定物体，然而感兴趣区域估计步 骤S100估计出的感兴趣区域可能把其它物体也估计为关于云的感兴趣区域， 尽管从最后的结果看存在误判，但是在此步骤均保留下来。

感兴趣区域估计步骤S100所检测到的可能包含特定物体的区域可以称 为感兴趣区域(ROI)，感兴趣区域估计步骤S100对待处理图像所估计出的 感兴趣区域的位置可以记录，作为该待处理图像的图像数据的附加数据，此 后的处理可以针对所检测到的感兴趣区域进行，从而减轻后续处理的压力。

针对感兴趣区域估计步骤S100所估计的感兴趣区域，可以进入特征确定 步骤S200来进行处理，然而，可选地，也可以通过排除步骤再排除一些不太 可能是目标的特定物体的感兴趣区域，进一步降低此后处理的负担。

排除步骤例如可以是，根据感兴趣区域在所述待处理图像中的位置，排 除不符合所述特定物体的位置特征的感兴趣区域。排除步骤可以采用的排除 依据不限于感兴趣区域的位置，而是也可以采用近邻特征、或其它特征来进 行特征校验，从而可以进一步去除掉很多误检结果。

假定作为最终要检测的目标的特定物体为云，诸如白云、乌云、朝霞晚 霞，排除步骤可以通过一些重要的辅助特征的校验来去除误检结果。例如， 位置特征可以是一个简单而有效的特征，在排除步骤采用位置特征的情况下， 如果感兴趣区域位于图像中的上半部分，那么其中的物体才有可能是云，如 果出现在下半部分，那么其中的物体将不太可能是云。再例如，在排除步骤 采用近邻特征的情况下，如果感兴趣区域中有物体被蓝色、灰色区域包围， 该蓝色区域可能是蓝天，该灰色区域可能是阴天，那么该物体有可能是云， 这样的感兴趣区域可以保留；而如果感兴趣区域中的物体均没有被蓝色、灰 色区域包围的，则该物体不大可能是云，有可能例如是板、车或者建筑物外 墙等等，这样的感兴趣区域可以排除。

感兴趣区域估计步骤S100所估计的感兴趣区域、或者是经过排除步骤而 未被排除的感兴趣区域，进入特征确定步骤S200及其后的处理。

在所述特征确定步骤S200中，确定所述感兴趣区域中物体的特征参数， 所述特征参数可以包括物体外部边界特征参数和物体内部边界特征参数。

关于物体外部边界特征参数，可以通过确定感兴趣区域中物体边界，提 取其中的物体外部边界，根据该物体所占面积确定外部边界点数目，在物体 外部边界上等距离设置外部边界点数目的外部边界点，确定外部边界点梯度 的大小度量值和方向度量值，将外部边界点梯度的大小度量值和方向度量值 及外部边界点数目作为物体外部边界特征参数。

特征确定步骤S200将要处理以获取其中物体外部边界特征参数的图像 可以仍然例如如图2所示，然而，在此应当理解，无论是否经过上述排除步 骤的处理，此时已经知道图2中的感兴趣区域的位置等等的信息。

图6示出对图2中的感兴趣区域提取物体外部边界特征参数的示意图。

首先，可以通过边界检测方法，例如Sobel或者Canny边界检测，提取 感兴趣区域中每个物体的边界，选取其中最外围边界为外部边界。在图6中， 示出了各个物体的所提取的外部边界，示意性地标注了其中三个物体的外部 边界Le1、Le2、Le3，用以说明本发明实施例的特征确定步骤S200的实施。 本领域技术人员可以理解，图2中其它物体的外部边界也能够并已经提取出。 为了简洁，在图6中，上述其它物体的外部边界未赋予标号，然而本领域技 术人员可以理解，可以以与下述针对外部边界Le1的处理相同方式的处理来 处理其它的外部边界。下面，以外部边界Le1为例说明其所围物体的外部边 界特征的提取。

外部边界Le1所围的物体所占的面积area可以通过成熟手段获得，可以 根据对大量正样本图像进行分析所获得的经验函数Ns＝f(area)来确定与该 面积相适应的外部边界点数目Ns。也就是，Ns的值可以根据待检测的特定 物体的尺寸来决定，并且其中，可以以任意规则，例如最高、最低、最左、 或最右，来起始地确定第一个外部边界点的位置，其余点或者顺时针、或者 也可以逆时针地依次布置。合适的Ns值使得能够尽可能多地提取到物体外部 的关键特征。

然后，在外部边界Le1上依次等距离地布置该Ns个外部边界点，在图6 中，示出了外部边界Le1上的外部边界点，其中，为了说明的目的，示意性 地标出了4个外部边界点Pe1、Pe2、Pe3、Pe4，为了简洁，该物体的其它外 部边界点未赋予标号，然而，本领域技术人员可以理解，能够以与下述针对 外部边界点Pe1、Pe2、Pe3、Pe4的处理相同方式的处理来处理其它的外部边 界点。

然后，可以通过成熟手段计算每一个外部边界点的梯度，梯度为矢量， 梯度值包括梯度大小值和梯度方向值。图6中外部边界点Pe1、Pe2、Pe3、 Pe4处的箭头表示该点处梯度的方向。

计算外部边界点梯度的大小的平均值，作为所述外部边界点梯度的大小 度量值。也就是，计算所有Ns个外部边界点的梯度大小的平均值msm，作 为所述外部边界点梯度的大小度量值，该梯度的大小度量值msm可以用来衡 量物体外部边界的渐变程度。

可以在计算外部边界点梯度的大小的平均值之前或之后，或与此同时， 计算外部边界点梯度的相邻点角度差的分布，作为所述外部边界点梯度的方 向度量值。其中，可以将360度的角度范围等分为预定数目的角度区间，将 相邻点角度差分布到所述角度区间，把分布有所述相邻点角度差的所述角度 区间的数目作为方向度量值。

例如，将物体的所有相邻两个外部边界点的梯度方向角度值做差，以图 6为例，假定沿逆时针方向(显然也可以顺时针方向)对外部边界点Pe1、Pe2、 Pe3、Pe4处的梯度方向角度值依次做差，即Pe4点的梯度方向的角度-Pe3点 的梯度方向的角度、Pe3点的梯度方向的角度-Pe2点的梯度方向的角度、Pe2 点的梯度方向的角度-Pe1点的梯度方向的角度，如此依次计算，直至完成Le1 所围物体的全部Ns个外部边界点的相邻点角度差的计算，循环一周，回到 Pe4点。

然后，将差值归到预设的角度差值区间段中。每个区间段覆盖10度，共 有36个区间段，统计这些角度差值的分布情况，并统计出这些角度差值所分 布的区间段个数ds。例如，假定有25个外部边界点(Ns＝25)，则有25个角 度差值，假设该25个角度差值分布在19个角度区间段中，则所述外部边界 点梯度的方向度量值ds＝19。

统计物体外部边界点相邻梯度方向差值可以衡量物体的外部不规则性。 通过上述处理所得到的物体外部边界特征参数可以包括Ns、msm和ds，这些 参数将进入此后的用来建立能量模型的处理过程。

可以在上述的提取物体外部边界特征参数的过程之前或之后，或者与之 同时，提取物体内部边界特征参数。

关于物体内部边界特征参数，可以通过确定感兴趣区域中物体边界，提 取其中的物体内部边界，根据物体内部边界总长度确定内部边界点数目，在 物体内部边界上等距离设置内部边界点数目的内部边界点，确定内部边界点 梯度的大小度量值和方向度量值，将内部边界点梯度的大小度量值和方向度 量值及内部边界点数目作为物体内部边界特征参数。

特征确定步骤S200将要处理以获取其中物体内部边界特征参数的图像 可以仍然例如如图4所示，然而，在此应当理解，无论是否经过上述排除步 骤的处理，此时已经知道图4中的感兴趣区域的位置等等的信息。

图7示出对图4所示的图像提取物体内部边界特征参数的示意图。为了 清晰地表示所提取的物体内部边界，图7采用二值化图的形式。本领域技术 人员通过以下说明可以理解，本发明实施例的特征确定步骤S200也可以针对 图2所示图像提取其内部边界，也可以针对图4所示图像提取其外部边界。 采用不同的图像说明特征确定步骤S200以体现本发明实施例的普遍适用性。

提取感兴趣区域中每个物体的内部纹理特征，例如，可以通过边界检测 方法，例如Sobel或者Canny边界检测，提取感兴趣区域中每个物体的边界， 并由此提取其中每个物体的内部边界。实际上，关于提取物体外部边界特征 参数及提取物体内部边界特征参数，可以利用一次边界检测的结果，每个物 体最外侧边界为外部边界，外部边界之内的为内部边界。然后，针对各个物 体，将该物体内部所有边界想象成一个整体，将一个物体内部的边界例如按 照由上到下、由左到右的顺序全部连接起来，通过提取该拟制的整体内部边 界的特征，来衡量该物体内部纹理的特性。在图7中，示出了各个物体的所 提取的边界，包括外部边界和内部边界，示意性地标注了其中某个物体的所 连接而成的整体内部边界Li，用以说明本发明实施例的特征确定步骤S200 的实施。

本领域技术人员可以理解，图4中其它物体的内部边界也能够并已经提 取出。为了简洁，在图7中，上述其它物体的内部边界未赋予标号，然而本 领域技术人员可以理解，可以以与下述针对内部边界Li的处理相同方式的处 理来处理其它的内部边界。下面，以内部边界Li为例说明其内部纹理特征的 提取。

内部边界Li的长度length可以通过成熟手段获得，可以根据对大量正样 本图像进行分析所获得的经验函数Nb＝f(length)来确定与该长度相适应的 内部边界点数目Nb。也就是，Nb的值可以根据待检测的特定物体的内部边 界长度来决定，并且其中，可以以任意规则，例如最高、最低、最左、或最 右，来起始地确定第一个外部边界点的位置，其余点或者顺时针、或者也可 以逆时针地依次布置。合适的Nb值使得能够尽可能多地提取到物体内部的 关键特征。

然后，在内部边界Li上依次等距离地布置该Nb个内部边界点，在图7 中，示出了内部边界Li上的内部边界点，其中，为了说明的目的，示意性地 标出了4个内部边界点Pi1、Pi2、Pi3、Pi4，为了简洁，该物体的其它内部边 界点未赋予标号，然而，本领域技术人员可以理解，能够以与下述针对内部 边界点Pi1、Pi2、Pi3、Pi4的处理相同方式的处理来处理其它的内部边界点。

然后，可以通过成熟手段计算每一个内部边界点的梯度，梯度为矢量， 梯度值包括梯度大小值和梯度方向值。图7中内部边界点Pi1、Pi2、Pi3、Pi4 处的箭头表示该点处梯度的方向。

计算内部边界点梯度的大小的平均值，作为所述内部边界点梯度的大小 度量值。也就是，计算所有Nb个内部边界点的梯度大小的平均值mbm，作 为所述内部边界点梯度的大小度量值，该梯度的大小度量值mbm可以用来衡 量物体内部边界的渐变程度。

可以在计算外部边界点梯度的大小的平均值之前或之后，或与此同时， 计算内部边界点梯度的相邻点角度差的分布，作为所述内部边界点梯度的方 向度量值。其中，可以将360度的角度范围等分为预定数目的角度区间，将 相邻点角度差分布到所述角度区间，把分布有所述相邻点角度差的所述角度 区间的数目作为方向度量值。

例如，将物体的所有相邻两个内部边界点的梯度方向角度值做差，以图 7为例，假定按从左上到右下的顺序(显然也可以沿其它方向)对内部边界 点Pi1、Pi2、Pi3、Pi4处的梯度方向角度值依次做差，即Pi1点的梯度方向的 角度-Pi2点的梯度方向的角度、Pi2点的梯度方向的角度-Pi3点的梯度方向的 角度、Pi3点的梯度方向的角度-Pi4点的梯度方向的角度，如此依次计算，直 至完成Li上的全部Nb个内部边界点的相邻点角度差的计算，最后点的梯度 方向的角度-起始点的梯度方向的角度，从而循环一周。

然后，将差值归到预设的角度差值区间段中。每个区间段覆盖10度，共 有36个区间段，统计这些角度差值的分布情况，并统计出这些角度差值所分 布的区间段个数db。例如，假定有25个内部边界点(Nb＝25)，则有25个角 度差值，假设该25个角度差值分布在4个角度区间段中，则所述内部边界点 梯度的方向度量值db＝4。

统计物体内部边界点相邻梯度方向差值可以衡量物体的内部纹理的不规 则性。通过上述处理所得到的物体内部边界特征参数可以包括Nb、mbm和 db，这些参数将进入此后的用来建立能量模型的处理过程。

然后，在物体能量确定步骤S300，利用之前处理过程中所确定的某个物 体的关键特征，即其外部边界梯度特征的参数、及其内部边界纹理特征的参 数，来建立能量模型。本领域技术人员可以理解，尽管在上述说明中，针对 不同图像分别介绍如何确定物体的外部边界梯度特征的参数及内部边界纹理 特征的参数，然而，在建立能量模型的过程中，必然根据同一物体的外部边 界特征参数和内部边界特征参数建立该物体的能量模型。

具体地，在所述物体能量确定步骤S300中，可以基于物体外部边界特征 参数确定物体外部边界能量，基于物体内部边界特征参数确定物体内部边界 能量，将物体外部边界能量和物体内部边界能量按预定权重相加，获得该物 体的能量。

具体地，针对某一个物体，可以通过以下公式(1)建立其能量模型：

E_object＝E_surface+k·E_body               (1)

其中E_object是该物体的总能量，E_surface是物体的外部边界能量，E_body是 物体的内部边界能量；k是外部与内部能量之间的权重参数，可以是通过机 器学习的方法利用大量的样本训练而获得的优化值。

在作为要检测的目标的特定物体为云的情况下，E_object可以表示为 E_cloud。并且在此情况下，k是通过大量关于云的样本图像进行训练而得的结 果。在作为要检测的目标的特定物体为其它特定物体的情况下，则通过大量 关于该其它特定物体的样本图像进行训练而获得k值。

具体地，可以根据所述外部边界点梯度的方向度量值与外部边界点数目 的比值及所述外部边界点梯度的大小度量值，确定所述物体外部边界能量。 例如，物体外部边界能量E_surface可以通过以下公式(2)计算得到

E_surface＝a^ds/Ns+a^-msm           (2)

其中，Ns为该物体外部边界点个数，msm为该Ns个外部边界点梯度的 大小度量值，ds为该Ns个外部边界点梯度的方向度量值，a可以为大于1的 任意值，例如，a可以为数学常数e，也可以是1.5、2、100等等的其它恒量 值。

具体地，可以根据所述内部边界点梯度的方向度量值与内部边界点数目 的比值及所述内部边界点梯度的大小度量值，确定所述物体内部边界能量。

例如，物体外部边界能量E_body可以通过以下公式(3)计算得到

E_body＝a^db/Nb+a^-mbm              (3)

其中，Nb为该物体内部边界点个数，mbm为该Nb个内部边界点梯度的 大小度量值，db为该Nb个内部边界点梯度的方向度量值，a的含义其取值与 上述公式(2)中相同。

从而，可以通过以下公式(4)来计算该物体的总能量E_object。

E_object＝a^ds/Ns+a^-msm+k·(a^db/Nb+a^-mbm)       (4)

其中各量含义与前文中的描述相同。

通过公式(4)可以发现，当被检测的该物体具有模糊、缓慢渐变、而且 不规则的外部边界，同时具有模糊平坦而且不规则的内部纹理或者仅有少量 内部纹理时，该被检测物体的总能量值会趋向于变大。而在其它一些情况下， 例如当被检测物体具有清晰或者规则的外部边界，同时具有清晰或者规则的 内部纹理时，该被检测物体的总能量值会趋向于变小。以云为例，云的外部 是模糊不规则的，内部纹理是模糊不规则的或者内部纹理是少量的，因此， 当被检测物体是云的时候，会生成一个较高的总能量值。因此，公式(4)所 建立的能量模型可以衡量物体外部特征，例如外部边界的渐变程度和边界不 规则性，并同时衡量物体内部特征，例如纹理的清晰度和分布情况。

在物体能量确定步骤S300计算得到被检测物体的总能量之后，通过特定 物体判别步骤S400判别该物体是否为作为目标的特定物体。其中，可以根据 机器学习的方法，通过训练大量的关于该特定物体的样本，并根据与上文描 述具有相同参数设置的上述公式，例如与上述检测过程相同的a值、k值等等， 建立其能量模型，根据样本的能量值获得相应的优化值，作为用来判定该特 定物体的预定阈值。如果该被检测的物体的能量大于等于该预定阈值，则将 该物体判别为所述特定物体；显然也可以是如果该被检测的物体的能量大于 该预定阈值，则将该物体判别为所述特定物体；否则，将该物体判别为不是 所述特定物体。检测全部感兴趣区域中物体之后，获得最终处理结果。

至此，可以以本领域任意的成熟手段来在图像中标识出判别为目标特定 物体的物体，并以本领域任意的成熟手段输出。

本发明还可以实施为一种检测图像中特定物体的设备，可以用来实施前 述检测图像中特定物体的方法。图8示出按照本发明实施例的检测图像中特 定物体的设备的总体框图。如图8所示，该检测图像中特定物体的设备包括： 感兴趣区域估计装置100，可以用来实施前述感兴趣区域估计步骤S100，以 在输入的待处理图像中，估计包含所述特定物体的区域，作为感兴趣区域； 特征确定装置200，可以用来实施前述特征确定步骤S200，以确定所述感兴 趣区域中物体的特征参数；物体能量确定装置300，可以用来实施前述物体 能量确定步骤S300，以根据物体的特征参数确定物体的能量；特定物体判别 装置400，可以用来实施前述特定物体判别步骤S400，以将所确定的物体的 能量与预定阈值相比较，如果该物体的能量大于等于该预定阈值，则将该物 体判别为所述特定物体。

其中，所述特征确定装置200所确定的所述特征参数可以包括物体外部 边界特征参数和物体内部边界特征参数。

其中，所述物体能量确定装置300可以基于物体外部边界特征参数确定 物体外部边界能量，基于物体内部边界特征参数确定物体内部边界能量，将 物体外部边界能量和物体内部边界能量按预定权重相加，获得该物体的能量。

其中，所述感兴趣区域估计装置100可以将所述待处理图像划分为多个 区域，获取各个区域的色彩特征，利用线性分类器分别判断各个区域是否符 合所述特定物体的色彩特征，将符合所述特定物体的色彩特征的区域组合得 到所述感兴趣区域。

按照本发明实施例的检测图像中特定物体的设备还可以包括排除装置， 可以用来实施前述排除步骤，以根据感兴趣区域在所述待处理图像中的位置， 排除不符合所述特定物体的位置特征的感兴趣区域。

在按照本发明实施例的检测图像中特定物体的设备中，可以通过确定感 兴趣区域中物体边界，提取其中的物体外部边界，根据该物体所占面积确定 外部边界点数目，在物体外部边界上等距离设置外部边界点数目的外部边界 点，确定外部边界点梯度的大小度量值和方向度量值，将外部边界点梯度的 大小度量值和方向度量值及外部边界点数目作为物体外部边界特征参数。

在按照本发明实施例的检测图像中特定物体的设备中，可以通过确定感 兴趣区域中物体边界，提取其中的物体内部边界，根据物体内部边界总长度 确定内部边界点数目，在物体内部边界上等距离设置内部边界点数目的内部 边界点，确定内部边界点梯度的大小度量值和方向度量值，将内部边界点梯 度的大小度量值和方向度量值及内部边界点数目作为物体内部边界特征参 数。

在按照本发明实施例的检测图像中特定物体的设备中，可以计算外部边 界点梯度的大小的平均值，作为所述外部边界点梯度的大小度量值；计算外 部边界点梯度的相邻点角度差的分布，作为所述外部边界点梯度的方向度量 值；根据所述外部边界点梯度的方向度量值与外部边界点数目的比值及所述 外部边界点梯度的大小度量值，确定所述物体外部边界能量。

在按照本发明实施例的检测图像中特定物体的设备中，可以计算内部边 界点梯度的大小的平均值，作为所述内部边界点梯度的大小度量值；计算内 部边界点梯度的相邻点角度差的分布，作为所述内部边界点梯度的方向度量 值；根据所述内部边界点梯度的方向度量值与内部边界点数目的比值及所述 内部边界点梯度的大小度量值，确定所述物体内部边界能量。

在按照本发明实施例的检测图像中特定物体的设备中，可以将360度的 角度范围等分为预定数目的角度区间，将相邻点角度差分布到所述角度区间， 把分布有所述相邻点角度差的所述角度区间的数目作为方向度量值。

本发明还可以通过一种检测图像中特定物体的系统来实施。图9是示出 按照本发明实施例的检测图像中特定物体的系统1000的总体框图，如图9所 示，检测图像中特定物体的系统1000可以包括：输入设备1100，用于从外 部输入将要检测处理的图像，例如可以包括键盘、鼠标器、扫描仪、以及通 信网络及其所连接的远程输入设备等等；处理设备1200，用于实施上述的按 照本发明实施例的检测图像中特定物体的方法，或者实施为上述的按照本发 明实施例的检测图像中特定物体的设备，例如可以包括计算机的中央处理器 或其它的具有处理能力的芯片如DSP等等；输出设备1300，用于向外部输出 实施上述特定物体检测过程所得的结果，例如可以包括显示器、打印机、以 及通信网络及其所连接的远程输出设备等等；以及存储设备1400，用于以易 失或非易失的方式存储上述特定物体检测处理过程所涉及的图像、所得的结 果、命令、中间数据等等，例如可以包括随机存取存储器(RAM)、只读存 储器(ROM)、硬盘、或半导体存储器等等的各种易失或非易失性存储器。

本说明书上文中提到的物体的外部边界梯度特征和内部纹理特征(例如 内部边界梯度特征)只是应用于物体检测领域的多种特征中的两种重要特征， 本发明的实施不限于此，许多其它的特征也可以用来建立能量模型。能量模 型中的内部和外部能量是两个子能量，然而，也可以建立具有三个或者更多 关键特征的物体检测的能量模型，将该能量模型扩展到含有三个或者更多个 子能量，在此情况下，在公式(1)中添加相应的能量元素。

本发明实施例的检测图像中特定物体的方法及检测图像中特定物体的设 备可以以云为特定物体，可以对白云、乌云、朝霞晚霞等等进行相关的云检 测，显然还可以应用于检测具有模糊且不规则轮廓和模糊内部纹理特征的一 类物体。例如，本发明实施例的检测图像中特定物体的方法及检测图像中特 定物体的设备可以以云检测相同的配置来应用于诸如一些毛绒玩具的检测。

本领域技术人员可以认识到，对于任意的特定物体，可以应用本发明实 施例的检测图像中特定物体的方法及检测图像中特定物体的设备。基于该特 定物体的样本图像进行训练，通过建立与该特定物体相应的能量模型并确定 相应的预定阈值，可以实现图像中该特定物体的检测。因此，本发明实施例 可以应用于一般的物体检测。

通过按照本发明实施例的基于能量模型的检测图像中特定物体的方法和 检测图像中特定物体的设备，能够实现减少误检率，去除利用现有技术手段 会误检的其它物体。本发明实施例所采用的能量模型通过将多个关键特征结 合在一起，将它们分配以不同的权重，通过一定的数学运算建立到能量模型 中，从而能够利用所生成的能量值来表征具有特定物体的特征性的数值。通 过这样的能量模型，本发明实施例所实现的识别手段能够有效地结合关键特 征并且获得更好的识别准确率。

与前述专利文件1相比，本发明实施例的检测图像中特定物体的方法和 检测图像中特定物体的设备通过提取图像自身特征，例如外部边界梯度特征 和内部纹理特征，来建立能量模型，从而有效检测图像中的云，具有更加广 泛的应用范围，而不仅仅是卫星云图。

与前述非专利文件1相比，本发明实施例的检测图像中特定物体的方法 和检测图像中特定物体的设备除初步检测和特征校验之外，两个或者多个关 键特征(例如外部边界梯度和内部纹理特征)可以建立到能量模型中，配以 权重来实现有机结合，从而获得更好的特征区分性，并以简化的算法降低处 理负担。

本发明实施例的基于能量模型的检测图像中特定物体的方法和检测图像 中特定物体的设备通过提出能量模型，优化组合两个或者多个物体的关键特 征，分别针对特征建立内部和外部能量，然后通过权重参数k优化组合两种 特征，以达到最优分类效果。

本发明实施例的基于能量模型的检测图像中特定物体的方法和检测图像 中特定物体的设备提出优化检测结构：首先进行基于单一特征的初步检测， 然后对重要的辅助特征进行特征校验，然后建立能量模型进行特定目标物体 的最终检测，从而实现优化检测效率和性能。

在检测的特定目标物体为云的情况下，本发明实施例的基于能量模型的 检测图像中特定物体的方法和检测图像中特定物体的设备采用云的外部边界 梯度特性和内部纹理特性作为重要特征，来进行云的检测。

此外，本发明实施例的基于能量模型的检测图像中特定物体的方法和检 测图像中特定物体的设备提出近邻方向差值统计方法，以衡量边界或者纹理 的不规则性。

显然，以上例示的具体公式、参数、硬件、数值均为示例，本领域技术 人员可以在本发明的精神的范围内，根据本说明书的教导来得到其他替代公 式、参数、硬件、数值来实现本发明。以上通过图像识别模型中的云检测模 型作为例子来详细描述了本发明的实施例的具体细节，但是，本领域技术人 员可以理解，本发明可应用的识别模型不限于此，而是可以应用于云检测模 型以外的其他模型的检测及识别。

在说明书中说明的一系列操作能够通过硬件、软件、或者硬件与软件的 组合来执行。当由软件执行该一系列操作时，可以把其中的计算机程序安装 到内置于专用硬件的计算机中的存储器中，使得计算机执行该计算机程序。 或者，可以把计算机程序安装到能够执行各种类型的处理的通用计算机中， 使得计算机执行该计算机程序。

例如，可以把计算机程序预先存储到作为记录介质的硬盘或者ROM(只 读存储器)中。或者，可以临时或者永久地存储(记录)计算机程序到可移 动记录介质中，诸如软盘、CD-ROM(光盘只读存储器)、MO(磁光)盘、 DVD(数字多功能盘)、磁盘、或半导体存储器。可以把这样的可移动记录介 质作为封装软件提供。

本发明已经参考具体实施例进行了详细说明。然而，很明显，在不背离 本发明的精神的情况下，本领域技术人员能够对实施例执行更改和替换。换 句话说，本发明用说明的形式公开，而不是被限制地解释。要判断本发明的 要旨，应该考虑所附的权利要求。