[發(fā)明專利]基于Adaboost算法的多尺度行人檢測(cè)方法

在審

• 申請(qǐng)?zhí)枺?/td>: 201410197138.5
• 申請(qǐng)日: 2014-05-12
• 公開（公告）號(hào): CN104036284A
• 公開（公告）日: 2014-09-10
• 發(fā)明（設(shè)計(jì)）人: 郭薇;張國(guó)棟;肖婭
• 申請(qǐng)（專利權(quán)）人: 沈陽(yáng)航空航天大學(xué)
• 主分類號(hào): G06K9/62
• 分類號(hào): G06K9/62
• 代理公司: 沈陽(yáng)火炬專利事務(wù)所(普通合伙) 21228
• 代理人: 李福義

技術(shù)領(lǐng)域

本發(fā)明屬于圖像處理與模式識(shí)別技術(shù)領(lǐng)域，特別是一種基于Adaboost算法的多尺度行人檢測(cè)方法。

背景技術(shù)

行人檢測(cè)在視頻監(jiān)控、機(jī)器人學(xué)、虛擬現(xiàn)實(shí)技術(shù)等領(lǐng)域有廣泛的應(yīng)用，也是計(jì)算機(jī)視覺和模式識(shí)別領(lǐng)域中的重要研究方向。常用的方法有基于運(yùn)動(dòng)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(luò)方法、小波和支持向量機(jī)的方法等。基于運(yùn)動(dòng)特性的行人檢測(cè)就是利用人體運(yùn)動(dòng)的周期性特性找到行人，基于運(yùn)動(dòng)識(shí)別的好處是避免了人的紋理和光線的變化的影響，缺點(diǎn)是只能識(shí)別運(yùn)動(dòng)的行人，并且要通過(guò)分析多幀的運(yùn)動(dòng)周期性才能得出判別結(jié)果。基于形狀的識(shí)別方法是指通過(guò)分析目標(biāo)的灰度、邊緣和紋理信息來(lái)對(duì)目標(biāo)進(jìn)行識(shí)別。基于形狀的優(yōu)點(diǎn)是可以檢測(cè)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(shí)別方法分為基于模板匹配的方法和基于基于統(tǒng)計(jì)學(xué)習(xí)的方法。基于模板匹配的方法就是用一些輪廓或者模板來(lái)表示人，這種方法比較簡(jiǎn)單，識(shí)別的時(shí)候在圖像的各個(gè)部位匹配該模型以找到目標(biāo)，但是由于行人的多態(tài)性很難構(gòu)造出足夠的模板。基于統(tǒng)計(jì)學(xué)習(xí)的方法是通過(guò)機(jī)器學(xué)習(xí)從一系列訓(xùn)練數(shù)據(jù)得到一個(gè)分類器，然后用該分類器對(duì)檢測(cè)窗口進(jìn)行識(shí)別。該方法的優(yōu)點(diǎn)是比較魯棒，缺點(diǎn)是需要大量的訓(xùn)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(jì)模型的方法主要包括兩個(gè)步驟：特征提取和分類器的設(shè)計(jì)，提取的特征一般有目標(biāo)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(luò)、SVM，Adaboost等。

本發(fā)明的目的是提供一種采用Adaboost算法構(gòu)造強(qiáng)分類器，再利用獲得的強(qiáng)分類器對(duì)測(cè)試圖像進(jìn)行檢測(cè)，獲得較高檢測(cè)率的基于Adaboost算法的多尺度行人檢測(cè)方法。

本發(fā)明是這樣實(shí)現(xiàn)的，其包括如下步驟：

（1）訓(xùn)練分類器

①、????訓(xùn)練數(shù)據(jù)集的構(gòu)造訓(xùn)練數(shù)據(jù)集由N個(gè)樣本組成，其中正樣本為行人樣本，負(fù)樣本為非行人樣本（背景），正負(fù)樣本的選取應(yīng)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(jì)算Haar-like特征，本文選擇了A、B、C、D、E、F、G這七種矩形特征來(lái)描述行人；

③、????構(gòu)造分類器。對(duì)由②得到的特征按照最小錯(cuò)誤率的方法進(jìn)行訓(xùn)練分類，每輪都會(huì)得到一個(gè)弱分類器，用弱分類器組合得到最后強(qiáng)分類器；

（2）對(duì)行人圖片進(jìn)行檢測(cè)

①、????輸入要檢測(cè)的圖片；

②、????設(shè)定檢測(cè)窗口和檢測(cè)步長(zhǎng)，檢測(cè)窗口與樣本的大小相同，為64像素*128像素，檢測(cè)步長(zhǎng)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(shè)定的檢測(cè)窗口和檢測(cè)步長(zhǎng)遍歷圖像，加載Adaboost算法構(gòu)造的強(qiáng)分類器進(jìn)行檢測(cè)；

⑤、????判斷窗口中是否包含行人，保存檢測(cè)結(jié)果；

⑥、????對(duì)放大縮小圖像的檢測(cè)結(jié)果進(jìn)行合并；

⑦、????檢測(cè)結(jié)果假陽(yáng)性去除，用無(wú)重去除法和二次分類器驗(yàn)證法對(duì)檢測(cè)結(jié)果進(jìn)行驗(yàn)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(cè)的特征向量。Harr-like特征是對(duì)客觀對(duì)象的一種描述，其表示形式簡(jiǎn)單，且對(duì)諸如邊緣、線段和中心這些簡(jiǎn)單的圖形結(jié)構(gòu)比較敏感，比單純的像素點(diǎn)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(lái)描述行人的特征，本發(fā)明用Harr-like特征（G）來(lái)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(yáng)性結(jié)果。

附圖說(shuō)明

以下結(jié)合附圖對(duì)本發(fā)明做進(jìn)一步的描述：

圖1是基于Adaboost算法的多尺度行人檢測(cè)方法的檢測(cè)流程圖，

圖2是表示的正樣本圖，

圖3是表示的負(fù)樣本圖，

圖4是Harr-like特征示意圖，

圖5是矩形特征值計(jì)算示意圖，

圖6是多尺度行人檢測(cè)流程圖，

具體實(shí)施方式