基于Adaboost算法的多尺度行人檢測方法
【專利摘要】一種基于Adaboost算法的多尺度行人檢測方法，其包括如下步驟：訓練分類器：訓練數(shù)據(jù)集的構造，訓練數(shù)據(jù)集由N個樣本組成；計算Haar-like特征；對得到的特征按照最小錯誤率的方法進行訓練分類，每輪都會得到一個弱分類器，用弱分類器組合得到最后強分類器；對行人圖片進行檢測：輸入要檢測的圖片；設定檢測窗口和檢測步長；按不同的尺度放大縮小圖像；按設定的檢測窗口和檢測步長遍歷圖像，加載Adboost算法構造的強分類器進行檢測；判斷窗口中是否包括行人，保存檢測結果；對放大縮小圖像的檢測結果進行合并；檢測結果假陽性去除，用無重去除法和二次分類器驗證法對檢測結果進行驗證，去掉明顯不是行人的區(qū)域。本發(fā)明選用Harr-like特征作為行人檢測的特征向量，是對客觀對象的一種描述，本發(fā)明具有較高檢測率的優(yōu)點。
【專利說明】基于Adaboost算法的多尺度行人檢測方法
【技術領域】
[0002]本發(fā)明屬于圖像處理與模式識別【技術領域】，特別是一種基于Adaboost算法的多尺度行人檢測方法。
【背景技術】
[0003]行人檢測在視頻監(jiān)控、機器人學、虛擬現(xiàn)實技術等領域有廣泛的應用，也是計算機視覺和模式識別領域中的重要研究方向。常用的方法有基于運動特性的方法、基于形狀特征的方法、基于行人模型的方法、立體視覺的方法、神經(jīng)網(wǎng)絡方法、小波和支持向量機的方法等?；谶\動特性的行人檢測就是利用人體運動的周期性特性找到行人，基于運動識別的好處是避免了人的紋理和光線的變化的影響，缺點是只能識別運動的行人，并且要通過分析多幀的運動周期性才能得出判別結果?；谛螤畹淖R別方法是指通過分析目標的灰度、邊緣和紋理信息來對目標進行識別?；谛螤畹膬?yōu)點是可以檢測出靜止的行人，但是容易產(chǎn)生大量“虛警”。可將基于形狀的行人識別方法分為基于模板匹配的方法和基于基于統(tǒng)計學習的方法?；谀０迤ヅ涞姆椒ň褪怯靡恍┹喞蛘吣０鍋肀硎救?，這種方法比較簡單，識別的時候在圖像的各個部位匹配該模型以找到目標，但是由于行人的多態(tài)性很難構造出足夠的模板?；诮y(tǒng)計學習的方法是通過機器學習從一系列訓練數(shù)據(jù)得到一個分類器，然后用該分類器對檢測窗口進行識別。該方法的優(yōu)點是比較魯棒，缺點是需要大量的訓練數(shù)據(jù)，并且受到行人的姿態(tài)與衣服顏色的影響。基于統(tǒng)計模型的方法主要包括兩個步驟:特征提取和分類器的設計，提取的特征一般有目標的灰度、邊緣、紋理、形狀、梯度直方圖等信息，分類器包括神經(jīng)網(wǎng)絡、SVM, Adaboost等。
[0004]本發(fā)明的目的是提供一種采用Adaboost算法構造強分類器，再利用獲得的強分類器對測試圖像進行檢測，獲得較高檢測率的基于Adaboost算法的多尺度行人檢測方法。
[0005]本發(fā)明是這樣實現(xiàn)的，其包括如下步驟:
(1)訓練分類器
①、訓練數(shù)據(jù)集的構造訓練數(shù)據(jù)集由N個樣本組成，其中正樣本為行人樣本，負樣本為非行人樣本(背景)，正負樣本的選取應具有代表性和涵蓋性，統(tǒng)一樣本圖像的大小為64像素*128像素；
②、計算Haar-1ike特征,本文選擇了A、B、C、D、E、F、G這七種矩形特征來描述行人；
③、構造分類器。對由②得到的特征按照最小錯誤率的方法進行訓練分類，每輪都會得到一個弱分類器，用弱分類器組合得到最后強分類器；
(2)對行人圖片進行檢測
①、輸入要檢測的圖片；
②、設定檢測窗口和檢測步長，檢測窗口與樣本的大小相同，為64像素*128像素，檢測步長選取8像素，10像素，12像素；
③、按不同的尺度放大縮小圖像；
④、按設定的檢測窗口和檢測步長遍歷圖像，加載Adaboost算法構造的強分類器進行檢測；
⑤、判斷窗口中是否包含行人，保存檢測結果；
⑥、對放大縮小圖像的檢測結果進行合并；
⑦、檢測結果假陽性去除，用無重去除法和二次分類器驗證法對檢測結果進行驗證，去掉明顯不是行人的區(qū)域。
[0006]本發(fā)明選用Harr-1ike特征作為行人檢測的特征向量。Harr-like特征是對客觀對象的一種描述，其表示形式簡單，且對諸如邊緣、線段和中心這些簡單的圖形結構比較敏感，比單純的像素點數(shù)據(jù)更能表示描述物體的特征，本發(fā)明用7類矩形特征來描述行人的特征，本發(fā)明用Harr-1ike特征(G)來描述行行人肩部和頭部的整體的特征，能夠去除明顯的假陽性結果。
【專利附圖】

【附圖說明】
[0007]以下結合附圖對本發(fā)明做進一步的描述:
圖1是基于Adaboost算法的多尺度行人檢測方法的檢測流程圖，
圖2是表不的正樣本圖，
圖3是表示的負樣本圖，
圖4是Harr-1ike特征示意圖，
圖5是矩形特征值計算示意圖，
圖6是多尺度行人檢測流程圖，
【具體實施方式】
[0008]如圖1一6所示，該基于Adaboost算法的多尺度行人檢測方法的步驟如下:(I)訓練分類器①訓練數(shù)據(jù)集由797個樣本組成，其中正樣本為行人，負樣本為非行人(背景)，正負樣本的選取應具有代表性和涵蓋性，本發(fā)明統(tǒng)一樣本圖像的大小為64像素*128像素；②計算Haar-1ike特征,本文選擇了 A、B、C、D、E、F、G這七種矩形特征來描述行人；③構造分類器，對由②得到的特征按照最小錯誤率的方法進行訓練分類，每輪都會得到一個弱分類器，訓練400輪，用弱分類器組合得到最后強分類器；(2)對行人圖片進行檢測①輸入要檢測的圖片；②設定檢測窗口和檢測步長，檢測窗口與樣本的大小相同為64像素*128像素，檢測步長選取8像素，10像素，12像素按不同的尺度放大縮小圖像按設定的檢測窗口和檢測步長遍歷圖像，加載Adaboost算法構造的強分類器進行檢測判斷窗口中是否包括行人，保存檢測結果；⑥對放大縮小圖像的檢測結果進行合并；⑦檢測結果假陽性去除。用無重去除法和二次分類器驗證法對檢測結果進行驗證，去掉明顯不是行人的區(qū)域。
[0009]Harr-like 特征
本發(fā)明選用Harr-1ike特征作為行人檢測的特征向量,如圖4所示。Harr-1ike特征(又叫矩形特征)是對客觀對象的一種描述。其表示形式簡單，且對諸如邊緣、線段和中心這些簡單的圖形結構比較敏感，比單純的像素點數(shù)據(jù)更能表示描述物體的特征。
[0010]用如下8類矩形特征來描述人的特征:A、B類特征描述人體的各部分邊緣特征，C類矩形特征用來描述頭部、整體軀干特征和腿部特征等。E、F在結構上呈非對稱性，主要描述肩部等特征。由于大部分Harr-like特征都比較簡單，而行人檢測的背景又相對復雜，A、B等邊緣特征一般無法區(qū)分背景中的樹木以及與人相似的事物，為了與人相似物體對檢測結果的影響，本文提出一種Harr-1ike特征(G)來描述行行人肩部和頭部的整體的特征，去除假陽性結果。
[0011]Harr-1ike特征數(shù)量的計算
選取不同的特征對應不同的特征數(shù)量，矩形特征數(shù)量的計算公式如(I)所示:
【權利要求】
1.一種基于Adaboost算法的多尺度行人檢測方法，其包括如下步驟: ⑴訓練分類器 ①、訓練數(shù)據(jù)集的構造，訓練數(shù)據(jù)集由N個樣本組成，其中正樣本為行人，負樣本為非行人(背景)； ②、計算Haar-1ike特征，選擇了A、B、C、D、E、F、G這七種矩形特征來描述行人； ③、構造分類器，對由②得到的特征按照最小錯誤率的方法進行訓練分類，每輪都會得到一個弱分類器，用弱分類器組合得到最后強分類器； ⑵、對行人圖片進行檢測 ①、輸入要檢測的圖片； ②、設定檢測窗口和檢測步長，檢測窗口與樣本的大小相同為64像素*128像素，檢測步長選取8像素，10像素，12像素； ③、按不同的尺度放大縮小圖像； ④、按設定的檢測窗口和檢測步長遍歷圖像，加載Adboost算法構造的強分類器進行檢測； ⑤、判斷窗口中是否包括行人，保存檢測結果； ⑥、對放大縮小圖像的檢測結果進行合并； ⑦、檢測結果假陽性去除。用無重去除法和二次分類器驗證法對檢測結果進行驗證，去掉明顯不是行人的區(qū)域。
2.根椐權利要求1所述的一種基于Adaboost算法的多尺度行人檢測方法，其特征是訓練數(shù)據(jù)集由797個樣本組成。
3.根椐權利要求1所述的一種基于Adaboost算法的多尺度行人檢測方法，其特征是特征按照最小錯誤率的方法進行訓練分類，每輪都會得到一個弱分類器，用弱分類器計算得到最后強分類器。
4.根椐權利要求1所述的一種基于Adaboost算法的多尺度行人檢測方法，其特征是本發(fā)明統(tǒng)一樣本圖像的大小為64像素* 128像素。
【文檔編號】G06K9/62GK104036284SQ201410197138
【公開日】2014年9月10日 申請日期:2014年5月12日 優(yōu)先權日:2014年5月12日
【發(fā)明者】郭薇, 張國棟, 肖婭 申請人:沈陽航空航天大學