專利名稱：一種基于曲線擬合的行人檢測方法
技術(shù)領(lǐng)域：
本發(fā)明屬于計算機視覺技術(shù)領(lǐng)域，特別涉及一種基于曲線擬合的行人檢測方法。
背景技術(shù)：
真實場景中的行人檢測技術(shù)在計算機視覺應(yīng)用技術(shù)中占有重要地位，例如，視頻監(jiān)控和客流統(tǒng)計系統(tǒng)；同時，提高行人檢測的魯棒性也是其他智能視頻分析技術(shù)得以提升的先決條件之一。行人檢測技術(shù)廣泛應(yīng)用于博物館、飛機場、停車場、車站、商場、銀行等敏感地點的智能監(jiān)控外，在智能車輛、行人流量統(tǒng)計、智能交通控制等方面也有極其重要的研究價值。但是由于行人本身及其周圍環(huán)境所固有的特點，要做到實時、準(zhǔn)確的檢測仍然面臨著很多技術(shù)難點，主要體現(xiàn)在以下兩個方面:1、行人的非剛性；2、圖像的攝像角度、光照以及周圍環(huán)境等因素。隨著電子技術(shù)的發(fā)展，基于圖像或視頻的行人檢測技術(shù)已逐漸取代了傳統(tǒng)的紅夕卜、雷達(dá)等行人檢測方式；并且基于圖像或視頻的行人檢測技術(shù)具備更高的可靠性、方面性和低成本使得其越來越受到大家的廣泛關(guān)注。傳統(tǒng)的行人檢測方法大體分為兩類:一類是基于模版匹配的方法；一類是利用霍夫投票的方法。但是現(xiàn)有技術(shù)中基于圖像或視頻的行人檢測技術(shù)在行人圖像與非行人圖像鑒別上仍然存在一定的誤差與區(qū)別能力不高的技術(shù)缺陷。有鑒于此，有必要對現(xiàn)有技術(shù)中的行人檢測技術(shù)予以改進，以解決上述問題。

發(fā)明內(nèi)容
本發(fā)明的目的在于提供一種可有效提高公共區(qū)域中行人檢測效率的一種基于曲線擬合行人檢測方法。為實現(xiàn)上述發(fā)明目的，本發(fā)明公開了一種基于曲線擬合的行人檢測方法，包括以下步驟:S1、輸入訓(xùn)練樣本集；S2、對訓(xùn)練樣本集進行曲線擬合，得到經(jīng)曲線擬合后的強分類器；S3、基于Adaboost算法對訓(xùn)練樣本集進行訓(xùn)練，得到級聯(lián)分類器；S4、輸入待檢測圖像，通過曲線擬合后得到的強分類器對待檢測圖像進行第一級檢測，得到候選行人區(qū)域；S5、利用級聯(lián)分類器對候選行人區(qū)域進行第二級檢測，得到行人區(qū)域。作為本發(fā)明的進一步改進，所述步驟SI中的訓(xùn)練樣本集包括:包含行人圖像的正樣本集、不包含行人圖像的負(fù)樣本集，正樣本集中的所有正樣本與負(fù)樣本集中的所有負(fù)樣本均為64X 128像素的灰度圖像。作為本發(fā)明的進一步改進，所述正樣本集中的正樣本數(shù)量與負(fù)樣本集中的負(fù)樣本
數(shù)量相等。
作為本發(fā)明的進一步改進，所述步驟S2中的曲線擬合具體為:將Haar基本特征線性組合成若干個Haar對比特征，然后分別計算每一個Haar對比特征在正樣本集及負(fù)樣本集中的特征值分布，并將正樣本集與負(fù)樣本集的特征值分布情況分別用曲線進行擬合。作為本發(fā)明的進一步改進，所述步驟S2中還包括:根據(jù)所有Haar對比特征在正樣本集及負(fù)樣本集中的特征值分布情況，尋找可區(qū)分正樣本集與負(fù)樣本集的Haar區(qū)別特征、Haar區(qū)別特征所對應(yīng)的閥值th、并計算被閥值th正確判斷為正樣本集的正樣本概率及被閥值th誤判為正樣本集的負(fù)樣本概率。作為本發(fā)明的進一步改進，所述步驟S2中還包括:將每個Haar區(qū)別特征、Haar區(qū)別特征所對應(yīng)的閥值th、被閥值th正確判斷為正樣本集的正樣本概率及被閥值th誤判為正樣本集的負(fù)樣本概率生成一個經(jīng)曲線擬合后的弱分類器，并提取若干經(jīng)曲線擬合后的弱分類器。作為本發(fā)明的進一步改進，所述步驟S2中提取若干經(jīng)曲線擬合后的弱分類器之后還包括:判斷Haar對比特征是否循環(huán)完畢，若是，則并將得到的若干經(jīng)曲線擬合后的弱分類器組成為一個經(jīng)曲線擬合后的強分類器；若否,則繼續(xù)計算下一個Haar對比特征分別在正樣本集與負(fù)樣本集中的特征值分布情況。作為本發(fā)明的進一步改進，所述步驟S4中輸入待檢測圖像具體為:將輸入的待檢測圖像轉(zhuǎn)化為灰度圖像，然后將該灰度圖像進行若干次縮小，并將縮小后的灰度圖像轉(zhuǎn)化為積分圖，所述灰度圖像進行縮小時，該灰度圖像的高度H、寬度W每次均縮小1.5%。作為本發(fā)明的進一步改進，所述灰度圖像被縮小的次數(shù)Scale =
權(quán)利要求
1.一種基于曲線擬合的行人檢測方法，其特征在于，包括以下步驟: 51、輸入訓(xùn)練樣本集； 52、對訓(xùn)練樣本集進行曲線擬合，得到經(jīng)曲線擬合后的強分類器； 53、基于Adaboost算法對訓(xùn)練樣本集進行訓(xùn)練，得到級聯(lián)分類器； 54、輸入待檢測圖像，通過曲線擬合后得到的強分類器對待檢測圖像進行第一級檢測，得到候選行人區(qū)域； 55、利用級聯(lián)分類器對候選行人區(qū)域進行第二級檢測，得到行人區(qū)域。
2.根據(jù)權(quán)利要求1所述的基于曲線擬合的行人檢測方法，其特征在于，所述步驟SI中的訓(xùn)練樣本集包括:包含行人圖像的正樣本集、不包含行人圖像的負(fù)樣本集，正樣本集中的所有正樣本與負(fù)樣本集中的所有負(fù)樣本均為64X 128像素的灰度圖像。
3.根據(jù)權(quán)利要求2所述 的基于曲線擬合的行人檢測方法，其特征在于，所述正樣本集中的正樣本數(shù)量與負(fù)樣本集中的負(fù)樣本數(shù)量相等。
4.根據(jù)權(quán)利要求1所述的基于曲線擬合的行人檢測方法，其特征在于，所述步驟S2中的曲線擬合具體為:將Haar基本特征線性組合成若干個Haar對比特征，然后分別計算每一個Haar對比特征在正樣本集及負(fù)樣本集中的特征值分布，并將正樣本集與負(fù)樣本集的特征值分布情況分別用曲線進行擬合。
5.根據(jù)權(quán)利要求1或4所述的基于曲線擬合的行人檢測方法，其特征在于，所述步驟S2中還包括:根據(jù)所有Haar對比特征在正樣本集及負(fù)樣本集中的特征值分布情況，尋找可區(qū)分正樣本集與負(fù)樣本集的Haar區(qū)別特征、Haar區(qū)別特征所對應(yīng)的閥值th、并計算被閥值th正確判斷為正樣本集的正樣本概率及被閥值th誤判為正樣本集的負(fù)樣本概率。
6.根據(jù)權(quán)利要求1或5所述的基于曲線擬合的行人檢測方法，其特征在于，所述步驟S2中還包括:將每個Haar區(qū)別特征、Haar區(qū)別特征所對應(yīng)的閥值th、被閥值th正確判斷為正樣本集的正樣本概率及被閥值th誤判為正樣本集的負(fù)樣本概率生成一個經(jīng)曲線擬合后的弱分類器，并提取若干經(jīng)曲線擬合后的弱分類器。
7.根據(jù)權(quán)利要求6所述的基于曲線擬合的行人檢測方法，其特征在于，所述步驟S2中提取若干經(jīng)曲線擬合后的弱分類器之后還包括:判斷Haar對比特征是否循環(huán)完畢， 若是，則并將得到的若干經(jīng)曲線擬合后的弱分類器組成為一個經(jīng)曲線擬合后的強分類器； 若否，則繼續(xù)計算下一個Haar對比特征分別在正樣本集與負(fù)樣本集中的特征值分布情況。
8.根據(jù)權(quán)利要求1所述的基于曲線擬合的行人檢測方法，其特征在于，所述步驟S4中輸入待檢測圖像具體為:將輸入的待檢測圖像轉(zhuǎn)化為灰度圖像，然后將該灰度圖像進行若干次縮小，并將縮小后的灰度圖像轉(zhuǎn)化為積分圖，所述灰度圖像進行縮小時，該灰度圖像的高度H、寬度W每次均縮小1.5%。
9.根據(jù)權(quán)利要求8所述的基于曲線擬合的行人檢測方法，其特征在于，所述灰度圖像被縮小的次數(shù)Scale = [1gli5^Jogli5 ， 其中:[Aj代表向下取整；W為灰度圖像的長度；H為灰度圖像的高度。
10.根據(jù)權(quán)利要求1或8所述的基于曲線擬合的行人檢測方法，其特征在于，所述步驟S4中通過曲線擬合后得到的強分類器對待檢測圖像進行第一級檢測具體為:以64 X 128像素大小的圖像塊作為檢測窗口，在水平和垂直方向上以6個像素點為步長，對積分圖作行、列的滑動掃描。 ·
全文摘要
本發(fā)明公開了一種基于曲線擬合的行人檢測方法，包括以下步驟S1、輸入訓(xùn)練樣本集；S2、對訓(xùn)練樣本集進行曲線擬合，得到經(jīng)曲線擬合后的強分類器；S3、基于Adaboost算法對訓(xùn)練樣本集進行訓(xùn)練，得到級聯(lián)分類器；S4、輸入待檢測圖像，通過曲線擬合后得到的強分類器對待檢測圖像進行第一級檢測，得到候選行人區(qū)域；S5、利用級聯(lián)分類器對候選行人區(qū)域進行第二級檢測，得到行人區(qū)域。在本發(fā)明中，通過對訓(xùn)練樣本集進行曲線擬合，得到一個能夠快速過濾負(fù)樣本的強分類器，以得到候選行人區(qū)域；然后利用級聯(lián)分類器對候選行人區(qū)域進行二次檢測，得到行人區(qū)域。從而提高了對公共區(qū)域中復(fù)雜環(huán)境下的行人檢測效率。
文檔編號G06K9/62GK103198323SQ20131007641
公開日2013年7月10日 申請日期2013年3月12日 優(yōu)先權(quán)日2013年3月12日
發(fā)明者呂楠, 彭艷艷, 楊京雨, 瞿研 申請人:無錫慧眼電子科技有限公司