训练姿态分类器及物体分类器、物体检测的方法及装置.pdf

本发明公开了一种训练姿态分类器及物体分类器、物体检测的方法及装置，属于图像处理领域。所述物体检测的方法包括：获取输入图像样本；根据所述姿态分类器对所述输入图像样本进行姿态估计处理；根据所述物体分类器对所述处理后的输入图像样本进行物体检测，获取物体的位置信息，其中所述物体为具有关节的物体。本发明可以对不同姿态的物体进行检测，从而提高了物体的检测率。

权利要求书
1.   一种训练姿态分类器的方法，其特征在于，包括：
获取第一训练图像样本集；
获取所述第一训练图像样本集中指定个训练图像样本的实际姿态信息；
根据所述指定个训练图像样本及其实际姿态信息执行递归训练过程，生成姿态分类器。

2.   根据权利要求1所述的方法，其特征在于，所述根据所述指定个训练图像样本及其实际姿态信息执行递归训练过程，生成姿态分类器包括：
构造损失函数，其中所述损失函数的输入为所述指定个训练图像样本及其实际姿态信息，所述损失函数的输出为所述指定个训练图像样本的实际姿态信息和估计姿态信息之间的差异值；
构造映射函数，其中所述映射函数的输入为所述指定个训练图像样本，所述映射函数的输出为所述指定个训练图像样本的估计姿态信息；
根据所述指定个训练图像样本及其实际姿态信息执行递归，获取使所述损失函数的输出值最小时的映射函数作为姿态分类器。

3.   根据权利要求2所述的方法，其特征在于，所述损失函数为实际姿态信息和估计姿态信息的位置差异。

4.   根据权利要求2所述的方法，其特征在于，所述损失函数为实际姿态信息和估计姿态信息的位置差异和方向差异。

5.   一种利用权利要求1‑4任一项方法生成的姿态分类器训练物体分类器的方法，其特征在于，所述物体为具有关节的物体，所述方法包括：
获取第二训练图像样本集；
根据所述姿态分类器对所述第二训练图像样本集中指定个训练图像样本进行姿态估计处理；
对所述姿态估计处理后的训练图像样本执行训练，生成物体分类器。

6.   根据权利要求5所述的方法，其特征在于，所述根据所述姿态分类器对所述第二训练图像样本集中指定个训练图像样本进行姿态估计处理包括：
根据所述姿态分类器对所述第二训练图像样本集中指定个训练图像样本进行姿态估计，得到所述指定个训练图像样本的估计姿态信息；
根据所述指定个训练图像样本的估计姿态信息对每个具有关节的物体构造多个训练物体包围框，对所述多个训练物体包围框进行归一化处理，使不同物体的同一部分的训练物体包围框的大小和方向一致；
所述对所述姿态估计处理后的训练图像样本执行训练包括：
对所述归一化处理后的训练图像样本执行训练。

7.   根据权利要求6所述的方法，其特征在于，所述得到所述指定个训练图像样本的估计姿态信息之后，进一步包括：
显示所述指定个训练图像样本的估计姿态信息。

8.   根据权利要求6所述的方法，其特征在于，所述对所述多个训练物体包围框进行归一化处理之后，进一步包括：
显示所述归一化处理后的多个训练物体包围框。

9.   根据权利要求5‑8任一项所述的方法，其特征在于，所述估计姿态信息具体为训练物体结构特征点的位置信息，所述训练物体结构特征点包括：
头部中心位置点、腰部中心位置点、左脚中心位置点和右脚中心位置点；
所述根据所述指定个训练图像样本的估计姿态信息对每个具有关节的物体构造多个物体包围框，对所述多个物体包围框进行归一化处理包括：
对每个具有关节的物体分别以头部中心位置点和腰部中心位置点所在的直线为中轴线、以腰部中心位置点和左脚中心位置点所在的直线为中轴线，和，以腰部中心位置点和右脚中心位置点所在的直线为中轴线构造3个物体包围框，对所述3个物体包围框进行旋转和缩放处理；其中所述物体结构特征点位于对应的所述物体包围框内。

10.   根据权利要求5‑8任一项所述的方法，其特征在于，所述估计姿态信息具体为训练物体结构特征点的位置信息，所述训练物体结构特征点包括：
头部中心位置点、腰部中心位置点、左膝盖中心位置点、右膝盖中心位置点、左脚中心位置点和右脚中心位置点；
所述根据所述指定个训练图像样本的估计姿态信息对每个具有关节的物体构造多个物体包围框，对所述多个物体包围框进行归一化处理包括：
对每个具有关节的物体分别以头部中心位置点和腰部中心位置点所在的直线为中轴线、以腰部中心位置点和左膝盖中心位置点所在的直线为中轴线、以腰部中心位置点和右膝盖中心位置点所在的直线为中轴线、以腰部中心位置点和左脚中心位置点所在的直线为中轴线，和，以腰部中心位置点和右脚中心位置点所在的直线为中轴线构造5个物体包围框，对所述5个物体包围框进行旋转和缩放处理；其中所述物体结构特征点位于对应的所述物体包围框内。

11.   一种利用权利要求1‑4任一项方法生成的姿态分类器及权利要求5‑10任一项方法生成的物体分类器进行物体检测的方法，其特征在于，所述物体为具有关节的物体，所述方法包括：
获取输入图像样本；
根据所述姿态分类器对所述输入图像样本进行姿态估计处理；
根据所述物体分类器对所述处理后的输入图像样本进行物体检测，获取物体的位置信息。

12.   根据权利要求11所述的方法，其特征在于，所述根据所述姿态分类器对所述输入图像样本进行姿态估计处理包括：
根据所述姿态分类器对所述输入图像样本进行姿态估计，得到所述输入图像样本的估计姿态信息；
根据所述输入图像样本的估计姿态信息对每个具有关节的物体构造多个物体包围框，对所述多个物体包围框进行归一化处理，使不同物体的同一部分的物体包围框的大小和方向一致；
相应的，所述根据所述物体分类器对所述处理后的输入图像样本进行物体检测包括：
根据所述物体分类器对所述归一化处理后的输入图像样本进行物体检测。

13.   根据权利要求12所述的方法，其特征在于，所述得到所述输入图像样本的估计姿态信息之后，进一步包括：
将所述输入图像样本的估计姿态信息进行显示。

14.   根据权利要求12所述的方法，其特征在于，所述对所述多个物体包围框进行归一化处理之后，进一步包括：
将所述归一化处理后的多个物体包围框进行显示。

15.   根据权利要求12‑14任一项所述的方法，其特征在于，所述估计姿态信息具体为物体结构特征点的位置信息，所述物体结构特征点包括：
头部中心位置点、腰部中心位置点、左脚中心位置点和右脚中心位置点；
所述根据所述输入图像样本的估计姿态信息对每个具有关节的物体构造多个物体包围框，对所述多个物体包围框进行归一化处理包括：
对每个具有关节的物体分别以头部中心位置点和腰部中心位置点所在的直线为中轴线、以腰部中心位置点和左脚中心位置点所在的直线为中轴线，和，以腰部中心位置点和右脚中心位置点所在的直线为中轴线构造3个物体包围框，对所述3个物体包围框进行旋转和缩放处理；其中所述物体结构特征点位于对应的所述物体包围框内。

16.   根据权利要求12‑14任一项所述的方法，其特征在于，所述估计姿态信息具体为物体结构特征点的位置信息，所述物体结构特征点包括：
头部中心位置点、腰部中心位置点、左膝盖中心位置点、右膝盖中心位置点、左脚中心位置点和右脚中心位置点；
所述根据所述输入图像样本的估计姿态信息对每个具有关节的物体构造多个物体包围框，对所述多个物体包围框进行归一化处理包括：
对每个具有关节的物体分别以头部中心位置点和腰部中心位置点所在的直线为中轴线、以腰部中心位置点和左膝盖中心位置点所在的直线为中轴线、以腰部中心位置点和右膝盖中心位置点所在的直线为中轴线、以腰部中心位置点和左脚中心位置点所在的直线为中轴线，和，以腰部中心位置点和右脚中心位置点所在的直线为中轴线构造5个物体包围框，对所述5个物体包围框进行旋转和缩放处理；其中所述物体结构特征点位于对应的所述物体包围框内。

17.   一种训练姿态分类器的装置，其特征在于，包括：
第一获取模块，用于获取第一训练图像样本集；
第二获取模块，用于获取所述第一训练图像样本集中指定个训练图像样本的实际姿态信息；
第一训练生成模块，用于根据所述指定个训练图像样本及其实际姿态信息执行递归训练过程，生成姿态分类器。

18.   根据权利要求17所述的装置，其特征在于，所述第一训练生成模块包括：
第一构造单元，用于构造损失函数，其中所述损失函数的输入为所述指定个训练图像样本及其实际姿态信息，所述损失函数的输出为所述指定个训练图像样本的实际姿态信息和估计姿态信息之间的差异值；
第二构造单元，用于构造映射函数，其中所述映射函数的输入为所述指定个训练图像样本，所述映射函数的输出为所述指定个训练图像样本的估计姿态信息；
姿态分类器获取单元，用于根据所述指定个训练图像样本及其实际姿态信息执行递归，获取使所述损失函数的输出值最小时的映射函数作为姿态分类器。

19.   根据权利要求18所述的装置，其特征在于，所述损失函数为实际姿态信息和估计姿态信息的位置差异。

20.   根据权利要求18所述的装置，其特征在于，所述损失函数为实际姿态信息和估计姿态信息的位置差异和方向差异。

21.   一种利用权利要求17‑20任一项装置生成的姿态分类器训练物体分类器的装置，其特征在于，所述物体为具有关节的物体，所述装置包括：
第三获取模块，用于获取第二训练图像样本集；
第一姿态估计模块，用于根据所述姿态分类器对所述第二训练图像样本集中指定个训练图像样本进行姿态估计处理；
第二训练生成模块，用于对所述姿态估计处理后的训练图像样本执行训练，生成物体分类器。

22.   根据权利要求21所述的装置，其特征在于，所述第一姿态估计模块包括：
第一姿态估计单元，用于根据所述姿态分类器对所述第二训练图像样本集中指定个训练图像样本进行姿态估计，得到所述指定个训练图像样本的估计姿态信息；
第一构造处理单元，用于根据所述指定个训练图像样本的估计姿态信息对每个具有关节的物体构造多个训练物体包围框，对所述多个训练物体包围框进行归一化处理，使不同物体的同一部分的训练物体包围框的大小和方向一致；
所述第二训练生成模块包括：
训练单元，用于对所述归一化处理后的训练图像样本执行训练。

23.   根据权利要求22所述的装置，其特征在于，进一步包括：
第一图形用户界面，用于在所述得到所述指定个训练图像样本的估计姿态信息之后，显示所述指定个训练图像样本的估计姿态信息。

24.   根据权利要求22所述的装置，其特征在于，进一步包括：
第二图像用户界面，用于在所述对所述多个训练物体包围框进行归一化处理之后，显示所述归一化处理后的多个训练物体包围框。

25.   根据权利要求22‑24任一项所述的装置，其特征在于，所述估计姿态信息具体为训练物体结构特征点的位置信息，所述训练物体结构特征点包括：
头部中心位置点、腰部中心位置点、左脚中心位置点和右脚中心位置点；
所述第一构造处理单元包括：
第一构造子单元，用于对每个具有关节的物体分别以头部中心位置点和腰部中心位置点所在的直线为中轴线、以腰部中心位置点和左脚中心位置点所在的直线为中轴线，和，以腰部中心位置点和右脚中心位置点所在的直线为中轴线构造3个物体包围框，对所述3个物体包围框进行旋转和缩放处理；其中所述物体结构特征点位于对应的所述物体包围框内。

26.   根据权利要求22‑24任一项所述的装置，其特征在于，所述估计姿态信息具体为训练物体结构特征点的位置信息，所述训练物体结构特征点包括：
头部中心位置点、腰部中心位置点、左膝盖中心位置点、右膝盖中心位置点、左脚中心位置点和右脚中心位置点；
所述第一构造处理单元包括：
第二构造子单元，用于对每个具有关节的物体分别以头部中心位置点和腰部中心位置点所在的直线为中轴线、以腰部中心位置点和左膝盖中心位置点所在的直线为中轴线、以腰部中心位置点和右膝盖中心位置点所在的直线为中轴线、以腰部中心位置点和左脚中心位置点所在的直线为中轴线，和，以腰部中心位置点和右脚中心位置点所在的直线为中轴线构造5个物体包围框，对所述5个物体包围框进行旋转和缩放处理；其中所述物体结构特征点位于对应的所述物体包围框内。

27.   一种利用权利要求17‑20任一项装置生成的姿态分类器及权利要求21‑26任一项装置生成的物体分类器进行物体检测的装置，其特征在于，所述物体为具有关节的物体，所述装置包括：
第四获取模块，用于获取输入图像样本；
第二姿态估计模块，用于根据所述姿态分类器对所述输入图像样本进行姿态估计处理；
检测模块，用于根据所述物体分类器对所述处理后的输入图像样本进行物体检测，获取物体的位置信息。

28.   根据权利要求27所述的装置，其特征在于，所述第二姿态估计模块包括：
第二姿态估计单元，用于根据所述姿态分类器对所述输入图像样本进行姿态估计，得到所述输入图像样本的估计姿态信息；
第二构造处理单元，用于根据所述输入图像样本的估计姿态信息对每个具有关节的物体构造多个物体包围框，对所述多个物体包围框进行归一化处理，使不同物体的同一部分的训练物体包围框的大小和方向一致；
所述检测模块包括：
检测单元，用于根据所述物体分类器对所述归一化处理后的输入图像样本进行物体检测。

29.   根据权利要求28所述的装置，其特征在于，进一步包括：
第三图形用户界面，用于在所述得到所述输入图像样本的估计姿态信息之后，将所述输入图像样本的估计姿态信息进行显示。

30.   根据权利要求28所述的装置，其特征在于，进一步包括：
第四图形用户界面，用于在所述对所述多个物体包围框进行归一化处理之后，将所述归一化处理后的多个物体包围框进行显示。

31.   根据权利要求28‑30任一项所述的装置，其特征在于，所述估计姿态信息具体为物体结构特征点的位置信息，所述物体结构特征点包括：
头部中心位置点、腰部中心位置点、左脚中心位置点和右脚中心位置点；
所述第二构造处理单元包括：
第三构造子单元，用于对每个具有关节的物体分别以头部中心位置点和腰部中心位置点所在的直线为中轴线、以腰部中心位置点和左脚中心位置点所在的直线为中轴线，和，以腰部中心位置点和右脚中心位置点所在的直线为中轴线构造3个物体包围框，对所述3个物体包围框进行旋转和缩放处理；其中所述物体结构特征点位于对应的所述物体包围框内。

32.   根据权利要求28‑30任一项所述的装置，其特征在于，所述估计姿态信息具体为物体结构特征点的位置信息，所述物体结构特征点包括：
头部中心位置点、腰部中心位置点、左膝盖中心位置点、右膝盖中心位置点、左脚中心位置点和右脚中心位置点；
所述第二构造处理单元包括：
第四构造子单元，用于对每个具有关节的物体分别以头部中心位置点和腰部中心位置点所在的直线为中轴线、以腰部中心位置点和左膝盖中心位置点所在的直线为中轴线、以腰部中心位置点和右膝盖中心位置点所在的直线为中轴线、以腰部中心位置点和左脚中心位置点所在的直线为中轴线，和，以腰部中心位置点和右脚中心位置点所在的直线为中轴线构造5个物体包围框，对所述5个物体包围框进行旋转和缩放处理；其中所述物体结构特征点位于对应的所述物体包围框内。

说明书训练姿态分类器及物体分类器、物体检测的方法及装置
技术领域
本发明涉及图像处理领域，特别涉及一种训练姿态分类器及物体分类器、物体检测的方法及装置。
背景技术
随着电子信息技术的进步和网络化的普及，人们在日常生活中越来越普遍地通过各种各样的图像采集设备，例如监控摄像机、数码摄像机、网络摄像机、数码相机、手机相机以及物联网中的视频传感器等来获取大量的图像和视频数据。面对如此大量的图像和视频数据，如何快速而智能地分析这些数据成为人们的迫切需求。
人体检测技术就是智能地分析这些数据的一个技术途径，如图1所示，对于一幅输入图像而言，人体检测的过程就是在图像中检测人体的存在，并且定位出人体的位置，将所述人体的位置作为检测结果输出。
现有的人体检测方法主要分为三类：
第一类是基于局部特征抽取的方法，该类方法在训练图片的子区域上计算特征，并且将不同子区域的特征按照某种方式排列组合起来作为人体的特征，根据这些人体的特征训练分类器。在检测的过程中，检测并计算输入图片的相应的子区域的特征，分类器对该计算出来的特征进行分类，实现人体的检测。
第二类是基于兴趣点的方法，该类方法首先在训练图片集上计算兴趣点，然后将以该点为中心的一定大小的块抽取出来，所有被抽取的块进行聚类操作生成词典。在检测的过程中，计算输入图像中相同的兴趣点，并且抽取块，然后在词典中查找相似的块，最后根据词典中的块投票决定输入图像中人体的位置，实现人体检测。
第三类是基于模板匹配的方法，该类方法要预先准备人体轮廓的模板。在检测的过程中，计算输入图像的边缘分布图像，在该边缘分布图像中搜索与人体轮廓最相似的区域，实现人体检测。
在实现本发明的过程中，发明人发现现有技术至少存在以下问题：虽然上述三类人体检测方法可以在一定程度上实现人体的检测，但是上述三类人体检测方法一般都是假设人体处于直立行走的状态，忽略了人体作为柔性物体的姿态变化，因此当人体的姿态变化时，现有的人体检测方法很难将人体和背景区域区分，从而降低了人体的检测率。
发明内容
为了提高物体的检测率，本发明实施例提供了一种训练姿态分类器及物体分类器、物体检测的方法及装置。所述技术方案如下：
一方面，本发明实施例提供了一种训练姿态分类器的方法，包括：
获取第一训练图像样本集；
获取所述第一训练图像样本集中指定个训练图像样本的实际姿态信息；
根据所述指定个训练图像样本及其实际姿态信息执行递归训练过程，生成姿态分类器。
在一种实施方式中，所述根据所述指定个训练图像样本及其实际姿态信息执行递归训练过程，生成姿态分类器包括：
构造损失函数，其中所述损失函数的输入为所述指定个训练图像样本及其实际姿态信息，所述损失函数的输出为所述指定个训练图像样本的实际姿态信息和估计姿态信息之间的差异值；
构造映射函数，其中所述映射函数的输入为所述指定个训练图像样本，所述映射函数的输出为所述指定个训练图像样本的估计姿态信息；
根据所述指定个训练图像样本及其实际姿态信息执行递归，获取使所述损失函数的输出值最小时的映射函数作为姿态分类器。
其中，优选的，所述损失函数为实际姿态信息和估计姿态信息的位置差异。
其中，优选的，所述损失函数为实际姿态信息和估计姿态信息的位置差异和方向差异。
另一方面，本发明实施例提供了一种利用上述方法生成的姿态分类器训练物体分类器的方法，所述物体为具有关节的物体，所述方法包括：
获取第二训练图像样本集；
根据所述姿态分类器对所述第二训练图像样本集中指定个训练图像样本进行姿态估计处理；
对所述姿态估计处理后的训练图像样本执行训练，生成物体分类器。
在一种实施方式中，所述根据所述姿态分类器对所述第二训练图像样本集中指定个训练图像样本进行姿态估计处理包括：
根据所述姿态分类器对所述第二训练图像样本集中指定个训练图像样本进行姿态估计，得到所述指定个训练图像样本的估计姿态信息；
根据所述指定个训练图像样本的估计姿态信息对每个具有关节的物体构造多个训练物体包围框，对所述多个训练物体包围框进行归一化处理，使不同物体的同一部分的训练物体包围框的大小和方向一致；
所述对所述姿态估计处理后的训练图像样本执行训练包括：
对所述归一化处理后的训练图像样本执行训练。
在另一实施方式中，所述得到所述指定个训练图像样本的估计姿态信息之后，进一步包括：
显示所述指定个训练图像样本的估计姿态信息。
再一种实施方式中，所述对所述多个训练物体包围框进行归一化处理之后，进一步包括：
显示所述归一化处理后的多个训练物体包围框。
再一种实施方式中，所述估计姿态信息具体为训练物体结构特征点的位置信息，所述训练物体结构特征点包括：
头部中心位置点、腰部中心位置点、左脚中心位置点和右脚中心位置点；
所述根据所述指定个训练图像样本的估计姿态信息对每个具有关节的物体构造多个物体包围框，对所述多个物体包围框进行归一化处理包括：
对每个具有关节的物体分别以头部中心位置点和腰部中心位置点所在的直线为中轴线、以腰部中心位置点和左脚中心位置点所在的直线为中轴线，和，以腰部中心位置点和右脚中心位置点所在的直线为中轴线构造3个物体包围框，对所述3个物体包围框进行旋转和缩放处理；其中所述物体结构特征点位于对应的所述物体包围框内。
再一种实施方式中，所述估计姿态信息具体为训练物体结构特征点的位置信息，所述训练物体结构特征点包括：
头部中心位置点、腰部中心位置点、左膝盖中心位置点、右膝盖中心位置点、左脚中心位置点和右脚中心位置点；
所述根据所述指定个训练图像样本的估计姿态信息对每个具有关节的物体构造多个物体包围框，对所述多个物体包围框进行归一化处理包括：
对每个具有关节的物体分别以头部中心位置点和腰部中心位置点所在的直线为中轴线、以腰部中心位置点和左膝盖中心位置点所在的直线为中轴线、以腰部中心位置点和右膝盖中心位置点所在的直线为中轴线、以腰部中心位置点和左脚中心位置点所在的直线为中轴线，和，以腰部中心位置点和右脚中心位置点所在的直线为中轴线构造5个物体包围框，对所述5个物体包围框进行旋转和缩放处理；其中所述物体结构特征点位于对应的所述物体包围框内。
另一方面，本发明实施例提供了一种利用上述方法生成的姿态分类器及上述方法生成的物体分类器进行物体检测的方法，所述物体为具有关节的物体，所述方法包括：
获取输入图像样本；
根据所述姿态分类器对所述输入图像样本进行姿态估计处理；
根据所述物体分类器对所述处理后的输入图像样本进行物体检测，获取物体的位置信息。
在一种实施方式中，所述根据所述姿态分类器对所述输入图像样本进行姿态估计处理包括：
根据所述姿态分类器对所述输入图像样本进行姿态估计，得到所述输入图像样本的估计姿态信息；
根据所述输入图像样本的估计姿态信息对每个具有关节的物体构造多个物体包围框，对所述多个物体包围框进行归一化处理，使不同物体的同一部分的训练物体包围框的大小和方向一致；
相应的，所述根据所述物体分类器对所述处理后的输入图像样本进行物体检测包括：
根据所述物体分类器对所述归一化处理后的输入图像样本进行物体检测。
在另一实施方式中，所述得到所述输入图像样本的估计姿态信息之后，进一步包括：
将所述输入图像样本的估计姿态信息进行显示。
再一种实施方式中，所述对所述多个物体包围框进行归一化处理之后，进一步包括：
将所述归一化处理后的多个物体包围框进行显示。
再一种实施方式中，所述估计姿态信息具体为物体结构特征点的位置信息，所述物体结构特征点包括：
头部中心位置点、腰部中心位置点、左脚中心位置点和右脚中心位置点；
所述根据所述输入图像样本的估计姿态信息对每个具有关节的物体构造多个物体包围框，对所述多个物体包围框进行归一化处理包括：
对每个具有关节的物体分别以头部中心位置点和腰部中心位置点所在的直线为中轴线、以腰部中心位置点和左脚中心位置点所在的直线为中轴线，和，以腰部中心位置点和右脚中心位置点所在的直线为中轴线构造3个物体包围框，对所述3个物体包围框进行旋转和缩放处理；其中所述物体结构特征点位于对应的所述物体包围框内。
再一种实施方式中，所述估计姿态信息具体为物体结构特征点的位置信息，所述物体结构特征点包括：
头部中心位置点、腰部中心位置点、左膝盖中心位置点、右膝盖中心位置点、左脚中心位置点和右脚中心位置点；
所述根据所述输入图像样本的估计姿态信息对每个具有关节的物体构造多个物体包围框，对所述多个物体包围框进行归一化处理包括：
对每个具有关节的物体分别以头部中心位置点和腰部中心位置点所在的直线为中轴线、以腰部中心位置点和左膝盖中心位置点所在的直线为中轴线、以腰部中心位置点和右膝盖中心位置点所在的直线为中轴线、以腰部中心位置点和左脚中心位置点所在的直线为中轴线，和，以腰部中心位置点和右脚中心位置点所在的直线为中轴线构造5个物体包围框，对所述5个物体包围框进行旋转和缩放处理；其中所述物体结构特征点位于对应的所述物体包围框内。
另一方面，本发明实施例提供了一种训练姿态分类器的装置，包括：
第一获取模块，用于获取第一训练图像样本集；
第二获取模块，用于获取所述第一训练图像样本集中指定个训练图像样本的实际姿态信息；
第一训练生成模块，用于根据所述指定个训练图像样本及其实际姿态信息执行递归训练过程，生成姿态分类器。
在一种实施方式中，所述第一训练生成模块包括：
第一构造单元，用于构造损失函数，其中所述损失函数的输入为所述指定个训练图像样本及其实际姿态信息，所述损失函数的输出为所述指定个训练图像样本的实际姿态信息和估计姿态信息之间的差异值；
第二构造单元，用于构造映射函数，其中所述映射函数的输入为所述指定个训练图像样本，所述映射函数的输出为所述指定个训练图像样本的估计姿态信息；
姿态分类器获取单元，用于根据所述指定个训练图像样本及其实际姿态信息执行递归，获取使所述损失函数的输出值最小时的映射函数作为姿态分类器。
其中，优选的，所述损失函数为实际姿态信息和估计姿态信息的位置差异。
其中，优选的，所述损失函数为实际姿态信息和估计姿态信息的位置差异和方向差异。
另一方面，本发明实施例提供了一种利用上述装置生成的姿态分类器训练物体分类器的装置，所述物体为具有关节的物体，所述装置包括：
第三获取模块，用于获取第二训练图像样本集；
第一姿态估计模块，用于根据所述姿态分类器对所述第二训练图像样本集中指定个训练图像样本进行姿态估计处理；
第二训练生成模块，用于对所述姿态估计处理后的训练图像样本执行训练，生成物体分类器。
在一种实施方式中，所述第一姿态估计模块包括：
第一姿态估计单元，用于根据所述姿态分类器对所述第二训练图像样本集中指定个训练图像样本进行姿态估计，得到所述指定个训练图像样本的估计姿态信息；
第一构造处理单元，用于根据所述指定个训练图像样本的估计姿态信息对每个具有关节的物体构造多个训练物体包围框，对所述多个训练物体包围框进行归一化处理，使不同物体的同一部分的训练物体包围框的大小和方向一致；
所述第二训练生成模块包括：
训练单元，用于对所述归一化处理后的训练图像样本执行训练。
在另一种实施方式中，所述装置进一步包括：
第一图形用户界面，用于在所述得到所述指定个训练图像样本的估计姿态信息之后，显示所述指定个训练图像样本的估计姿态信息。
再一种实施方式中，所述装置进一步包括：
第二图像用户界面，用于在所述对所述多个训练物体包围框进行归一化处理之后，显示所述归一化处理后的多个训练物体包围框。
再一种实施方式中，所述估计姿态信息具体为训练物体结构特征点的位置信息，所述训练物体结构特征点包括：
头部中心位置点、腰部中心位置点、左脚中心位置点和右脚中心位置点；
所述第一构造处理单元包括：
第一构造子单元，用于对每个具有关节的物体分别以头部中心位置点和腰部中心位置点所在的直线为中轴线、以腰部中心位置点和左脚中心位置点所在的直线为中轴线，和，以腰部中心位置点和右脚中心位置点所在的直线为中轴线构造3个物体包围框，对所述3个物体包围框进行旋转和缩放处理；其中所述物体结构特征点位于对应的所述物体包围框内。
再一种实施方式中，所述估计姿态信息具体为训练物体结构特征点的位置信息，所述训练物体结构特征点包括：
头部中心位置点、腰部中心位置点、左膝盖中心位置点、右膝盖中心位置点、左脚中心位置点和右脚中心位置点；
所述第一构造处理单元包括：
第二构造子单元，用于对每个具有关节的物体分别以头部中心位置点和腰部中心位置点所在的直线为中轴线、以腰部中心位置点和左膝盖中心位置点所在的直线为中轴线、以腰部中心位置点和右膝盖中心位置点所在的直线为中轴线、以腰部中心位置点和左脚中心位置点所在的直线为中轴线，和，以腰部中心位置点和右脚中心位置点所在的直线为中轴线构造5个物体包围框，对所述5个物体包围框进行旋转和缩放处理；其中所述物体结构特征点位于对应的所述物体包围框内。
另一方面，本发明实施例提供了一种利用上述装置生成的姿态分类器及上述装置生成的物体分类器进行物体检测的装置，所述物体为具有关节的物体，所述装置包括：
第四获取模块，用于获取输入图像样本；
第二姿态估计模块，用于根据所述姿态分类器对所述输入图像样本进行姿态估计处理；
检测模块，用于根据所述物体分类器对所述处理后的输入图像样本进行物体检测，获取物体的位置信息。
在一种实施方式中，所述第二姿态估计模块包括：
第二姿态估计单元，用于根据所述姿态分类器对所述输入图像样本进行姿态估计，得到所述输入图像样本的估计姿态信息；
第二构造处理单元，用于根据所述输入图像样本的估计姿态信息对每个具有关节的物体构造多个物体包围框，对所述多个物体包围框进行归一化处理，使不同物体的同一部分的训练物体包围框的大小和方向一致；
所述检测模块包括：
检测单元，用于根据所述物体分类器对所述归一化处理后的输入图像样本进行物体检测。
在另一实施方式中，所述装置进一步包括：
第三图形用户界面，用于在所述得到所述输入图像样本的估计姿态信息之后，将所述输入图像样本的估计姿态信息进行显示。
再一种实施方式中，所述装置进一步包括：
第四图形用户界面，用于在所述对所述多个物体包围框进行归一化处理之后，将所述归一化处理后的多个物体包围框进行显示。
再一种实施方式中，所述估计姿态信息具体为物体结构特征点的位置信息，所述物体结构特征点包括：
头部中心位置点、腰部中心位置点、左脚中心位置点和右脚中心位置点；
所述第二构造处理单元包括：
第三构造子单元，用于对每个具有关节的物体分别以头部中心位置点和腰部中心位置点所在的直线为中轴线、以腰部中心位置点和左脚中心位置点所在的直线为中轴线，和，以腰部中心位置点和右脚中心位置点所在的直线为中轴线构造3个物体包围框，对所述3个物体包围框进行旋转和缩放处理；其中所述物体结构特征点位于对应的所述物体包围框内。
再一种实施方式中，所述估计姿态信息具体为物体结构特征点的位置信息，所述物体结构特征点包括：
头部中心位置点、腰部中心位置点、左膝盖中心位置点、右膝盖中心位置点、左脚中心位置点和右脚中心位置点；
所述第二构造处理单元包括：
第四构造子单元，用于对每个具有关节的物体分别以头部中心位置点和腰部中心位置点所在的直线为中轴线、以腰部中心位置点和左膝盖中心位置点所在的直线为中轴线、以腰部中心位置点和右膝盖中心位置点所在的直线为中轴线、以腰部中心位置点和左脚中心位置点所在的直线为中轴线，和，以腰部中心位置点和右脚中心位置点所在的直线为中轴线构造5个物体包围框，对所述5个物体包围框进行旋转和缩放处理；其中所述物体结构特征点位于对应的所述物体包围框内。
本发明实施例提供的技术方案带来的有益效果是：采用递归方法对第一训练图像样本集中指定个训练图像样本进行训练，生成姿态分类器，然后根据所述姿态分类器在物体分类器的训练过程和物体检测过程中进行姿态估计，再构造物体包围框并进行归一化处理，从而消除了姿态对物体特征计算的影响，使同一类别的物体即使在不同的姿态下也能得到一致的特征向量，可以对不同姿态的具有关节的物体进行检测，从而提高了物体的检测率。
此外，采用递归方法生成的姿态分类器分别输出至训练物体分类器的过程和物体检测过程用于姿态估计，相对于传统的姿态估计的方法而言，降低了计算复杂度。
优选的，构造的损失函数考虑了方向上的差异，更有利于不同姿态物体的检测，提高了物体的检测率。
附图说明
为了更清楚地说明本发明实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1是本发明实施例提供的一种训练姿态分类器的方法实施例的流程图；
图2是本发明实施例提供的另一种训练姿态分类器的方法实施例的流程图；
图3是本发明实施例提供的训练图像样本特征提取示意图；
图4是本发明实施例提供的估计位置示意图；
图5是本发明实施例提供的一种训练物体分类器的方法实施例的流程图；
图6是本发明实施例提供的另一种训练物体分类器的方法实施例的流程图；
图7是本发明实施例提供的4个特征点的物体包围框示意图；
图8是本发明实施例提供的6个特征点的物体包围框示意图；
图9是本发明实施例提供的一种物体检测的方法实施例的流程图；
图10是本发明实施例提供的另一种物体检测的方法实施例的流程图；
图11为本发明实施例提供的本发明实施例和现有技术的ROC曲线示意图；
图12为本发明实施例提供的一种训练姿态分类器的装置实施例的结构示意图；
图13为本发明实施例提供的另一种训练姿态分类器的装置实施例的结构示意图；
图14为本发明实施例提供的一种训练物体分类器的装置实施例的结构示意图；
图15为本发明实施例提供的另一种训练物体分类器的装置实施例的结构示意图；
图16是本发明实施例提供的一种物体检测的装置实施例的结构示意图；
图17是本发明实施例提供的另一种物体检测的装置实施例的结构示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚，下面将结合附图对本发明实施方式作进一步地详细描述。
参考图1，图1是本发明实施例提供的一种训练姿态分类器的方法实施例的流程图；所述训练姿态分类器的方法包括：
S101：获取第一训练图像样本集。
S102：获取所述第一训练图像样本集中指定个训练图像样本的实际姿态信息。
S103：根据所述指定个训练图像样本及其实际姿态信息执行递归训练过程，生成姿态分类器。
本实施例中，获取第一训练图像样本集和所述第一训练图像样本集中指定个训练图像样本的实际姿态信息，根据所述指定个训练图像样本及其实际姿态信息执行递归训练过程，生成姿态分类器，使得该姿态分类器可以对不同姿态的物体进行检测，从而提高了物体的检测率。
本发明实施例中的物体具体为具有关节的物体，包括人体、机器人、猴子或狗等物体，但是并不局限于此，本实施例中具体以人体为例进行详细描述，参考图2，图2是本发明实施例提供的另一种训练姿态分类器的方法实施例的流程图；
所述训练姿态分类器的方法包括：
S201：获取第一训练图像样本集。
在训练姿态分类器的过程中，需要将多张图像样本作为训练图像样本执行训练过程，具体地，所述多张图像样本可以是一张张的图片，该图片中可以包含具有关节的物体，例如人体，也可以不包含人体。本发明实施例中，可以将多张训练图像样本以第一训练图像样本集的形式进行存储。
所述第一训练图像样本集中的所有训练图像样本可以是由图像采集设备在同一场景下获取的图像样本，也可以是由图像采集设备在不同场景下获取的图像样本，优选的，本发明实施例中需要多选择一些具有不同姿态人体的图像样本作为训练图像样本存储于所述第一训练图像样本集中，这样可以提高生成的姿态分类器的精确度。
S202：获取所述第一训练图像样本集中指定个训练图像样本的实际姿态信息。
本发明实施例中涉及的实际姿态信息是指人体各部分的位置信息，例如头部的位置信息、腰部的位置信息等；该人体各部分的位置信息可以表示人体各部分的具体位置。所述指定个训练图像样本可以是所述第一训练图像样本集中全部训练图像样本，也可以是所述第一训练图像样本集中部分训练图像样本，优选的，所述指定个训练图像样本为所述第一训练图像样本集中全部训练图像样本，这样可以提高生成的姿态分类器的精确度。
本步骤中，需要对所述指定个训练图像样本中的人体进行手工标注，得到所述指定个训练图像样本中人体的实际姿态信息。
具体地，所述人体各部分可以通过人体结构特征点的形式进行表示，该人体结构特征点是指能够反映人体结构的点，可以是一个点或多个点；优选的，所述人体结构特征点可以为4个特征点或6个特征点。当所述人体结构特征点为4个特征点时，所述人体结构特征点包括：头部中心位置点、腰部中心位置点、左脚中心位置点和右脚中心位置点；当所述人体结构特征点为6个特征点时，所述人体结构特征点包括：头部中心位置点、腰部中心位置点、左膝盖中心位置点、右膝盖中心位置点、左脚中心位置点和右脚中心位置点。但是人体结构特征点并不局限于为4个特征点或6个特征点，在此不再赘述。
S203：构造损失函数，所述损失函数的输入为所述指定个训练图像样本及其实际姿态信息，所述损失函数的输出为所述指定个训练图像样本的实际姿态信息和估计姿态信息之间的差异值。
本发明实施例中，损失函数的输入包括所述指定个训练图像样本，具体为所述指定个训练图像样本的特征向量。参考图3，图3是本发明实施例提供的训练图像样本的特征向量提取示意图；假设训练图像样本为I，其特征向量为X，通过对训练图像样本I进行特征提取，得到特征向量X。其中训练图像样本的特征向量X可以描述了物体的模式信息，例如图像的颜色、灰度、纹理、梯度、形状等信息；在视频中所述训练图像样本的特征向量X还可以描述物体的运行信息。
优选的，所述训练图像样本的特征向量可以为HOG特征。其中HOG特征是一种在计算机视觉和图像处理中用来进行物体检测的特征描述子，HOG特征的提取方法使用了图像本身的梯度方向特征，是在一个网格密集的大小统一的方格单元上计算，最后将不同网格的特征串联起来作为训练图像样本的特征，而且为了提高精确度使用了重叠的局部对比度归一化的方法。HOG特征的提取方法与现有技术类似，在此不再赘述，可参见现有技术的相关描述。
所述损失函数可以有多种形式，例如，所述损失函数为实际姿态信息和估计姿态信息的位置差异，包括：