[發(fā)明專利]一種融合HOG人體目標(biāo)檢測和SVM分類器的安全帽識別方法

在審

• 申請?zhí)枺?/td>: 201410336493.6
• 申請日: 2014-07-15
• 公開（公告）號: CN104063722A
• 公開（公告）日: 2014-09-24
• 發(fā)明（設(shè)計）人: 于康雄;范宇;湯曉青;鄭和平;鄒見效;于力
• 申請（專利權(quán)）人: 國家電網(wǎng)公司;國網(wǎng)四川省電力公司技能培訓(xùn)中心
• 主分類號: G06K9/66
• 分類號: G06K9/66
• 代理公司: 成都信博專利代理有限責(zé)任公司 51200
• 代理人: 鄧金濤

1.一種融合HOG人體目標(biāo)檢測和SVM分類器的安全帽識別方法，其特征在于：包括以下步驟：

步驟一，獲取HOG正負(fù)樣本特征和SVM分類函數(shù)、高斯核函數(shù)的參數(shù)值；

步驟二，提取監(jiān)視框：

在作業(yè)人員進(jìn)入施工現(xiàn)場的必經(jīng)通道處設(shè)置攝像頭，設(shè)置與工作人員體形相適應(yīng)的監(jiān)視框；

步驟三，運(yùn)動目標(biāo)檢測：

在監(jiān)視框范圍內(nèi)選取前幾幀無目標(biāo)圖像的像素值作為背景單高斯分布的初始均值向量u₀和協(xié)方差矩陣其中I是單位矩陣,是t時刻方差,初始值一般賦予一個較大的值，如

抓取待檢測圖像，將獲取的待檢測圖像的像素值和背景單高斯分布進(jìn)行匹配檢驗(yàn)，當(dāng)像素值與背景單高斯分布均值的距離小于其標(biāo)準(zhǔn)差的δ倍時，則該像素點(diǎn)判決為背景點(diǎn)，并取值為0，否則為前景點(diǎn)，取值為1，得到運(yùn)動目標(biāo)的二值圖像；

對被判斷為背景的像素點(diǎn)，更新該像素點(diǎn)的均值向量u_t和協(xié)方差矩陣運(yùn)用形態(tài)學(xué)濾波的方法對得到的二值圖像進(jìn)行后續(xù)處理，除去干擾點(diǎn)，形成較為完整的目標(biāo)圖像；

步驟四，HOG特征匹配：

提取待測目標(biāo)圖像的HOG特征，將待測目標(biāo)圖像的HOG特征和已獲取HOG正負(fù)樣本特征進(jìn)行匹配,若待測目標(biāo)圖像判斷為負(fù)樣本，認(rèn)為待測目標(biāo)圖像中沒有人體目標(biāo)，重新獲取新的圖像，返回步驟二，若待測目標(biāo)圖像判斷為正樣本,則認(rèn)為圖像中有人體目標(biāo)，進(jìn)一步判斷是否佩戴安全帽；

步驟五，判斷是否佩戴安全帽：

截取上一步中目標(biāo)人體的頭部圖像，提取該圖像的顏色特征向量x，代入最優(yōu)分類函數(shù)f(x)計算得到一個函數(shù)值，若該值大于0，則判斷為佩戴了安全帽，若該值小于0，則判斷為未佩戴安全帽，給出報警提示。

2.根據(jù)權(quán)利要求1所述的一種融合HOG人體目標(biāo)檢測和SVM分類器的安全帽識別方法，其特征在于：所述步驟一中，HOG正負(fù)樣本特征的獲取方法是：

①，先獲取有完整的人體目標(biāo)的正樣本圖像和非人體目標(biāo)的負(fù)樣本圖像各m張；

②，計算m張正樣本圖像和m張負(fù)樣本圖像中每個像素點(diǎn)(x,y)的梯度幅值G(x,y)和梯度方向α(x,y)，形成圖像矩陣；

③，圖像矩陣分為小的細(xì)胞單元，每個細(xì)胞單元為6*6像素,每3*3個細(xì)胞單元構(gòu)成一個塊，將0°～180°的角度平均分成9個通道；

④，對細(xì)胞單位中的每個像素點(diǎn)的梯度幅值和方向統(tǒng)計出梯度方向直方圖；

⑤，梯度方向直方圖的橫坐標(biāo)選取9個方向通道，梯度方向直方圖的縱坐標(biāo)為屬于9個方向通道中一個通道的像素的梯度大小的累加和，最終得到一組由各個通道像素梯度累加和構(gòu)成的向量；

⑥，以向量對應(yīng)的像素所在的小塊為單位，對向量進(jìn)行歸一化處理；將經(jīng)過歸一化處理后所有的向量連接起來，形成HOG正負(fù)樣本特征；

SVM分類函數(shù)是通過SVM分類器訓(xùn)練得到，獲取的方法是：

①，分別選取n幀佩戴安全帽和n幀未佩戴安全帽的工作人員頭部矩形圖像；得到上述2n幀圖片中像素點(diǎn)的色調(diào)H分量的統(tǒng)計直方圖；將實(shí)際得到的色調(diào)H值范圍均勻劃分成100個小塊，統(tǒng)計圖像中像素點(diǎn)的色調(diào)H值落入各個小塊內(nèi)的像素個數(shù)，得到對應(yīng)的2n個1*100的特征向量，形成一個100*2n的矩陣，提取向量維數(shù)龐大的顏色特征；

②，將上述矩陣按列歸一化，即矩陣中每一個單獨(dú)的數(shù)除以該列最大的數(shù)，得到每個數(shù)取值范圍都在0到1之間的矩陣；取矩陣的某一行向量，它由n個正樣本的色調(diào)H值和n個負(fù)樣本的色調(diào)H值構(gòu)成，假設(shè)這正樣本的平均數(shù)和負(fù)樣本的平均數(shù)之間無顯著差異；通過正樣特征向量x₁和負(fù)樣本x₂，以及正樣本的平均數(shù)和負(fù)樣本的平均數(shù)構(gòu)造出統(tǒng)計量T，該統(tǒng)計量T是用來判斷正樣本的平均數(shù)和負(fù)樣本的平均數(shù)有無顯著差異的；根據(jù)自由度n₁+n₂-2和顯著水平α，再經(jīng)過查詢T界值表，得到理論值；比較計算得到的統(tǒng)計量T值和理論值，如果計算得到的統(tǒng)計量T值小于理論值，則正樣本和負(fù)樣本差異不顯著，剔除該行向量；如果計算得到的統(tǒng)計量T值大于理論值，則兩樣本差異顯著，保留該行向量，記錄行號；更換另一行向量，重復(fù)差異檢驗(yàn)步驟，如此循環(huán)直到構(gòu)成每個行向量的正樣本和負(fù)樣本都進(jìn)行過一次差異是否顯著的檢驗(yàn)，最后所有保留下來的行向量構(gòu)成一個d*2n的特征矩陣(d≤100)，該矩陣的每一列x_i是d維空間中的向量；

③，根據(jù)已知類別的樣本集s＝{(x_i,y_i)|i＝1,...,2n}求取最優(yōu)SVM分類函數(shù)來解決未知樣本的分類問題，其中x_i∈R^d是經(jīng)過降維后的d維空間中的向量，y_i＝{+1,-1}為x_i對應(yīng)的類別標(biāo)號，由于該樣本集s線性不可分，故使用高斯核函數(shù)將其映射到高維使其線性可分，即將SVM分類函數(shù)中的x_ix用K(x_i,x)代替，其中高斯核函數(shù)的參數(shù)通過下述高斯核函數(shù)的參數(shù)值的獲取方法獲得，根據(jù)Karush-Kuhn-Tucker條件，引入拉格朗日函數(shù)求解得到關(guān)于色調(diào)H值的最優(yōu)SVM分類函數(shù)f(x)；

高斯核函數(shù)的參數(shù)值的獲取方法是：

①，首先給定一組需要遍歷的值，取為其中某一值將上述已知分類的2n個樣本特征向量均勻分成k份，編號為1-k，任取1份作為測試數(shù)據(jù)，其它k-1份作為訓(xùn)練數(shù)據(jù)，代入已經(jīng)求取得到的SVM分類函數(shù)，得到該測試數(shù)據(jù)的類別，判斷其是否分類正確；

②，共進(jìn)行k次交叉驗(yàn)證，其中部分樣本分類正確，部分樣本分類錯誤，將分類正確的次數(shù)除以k,可得到該下的分類錯誤率，改變的值，重復(fù)交叉驗(yàn)證過程，當(dāng)遍歷完所有給定的值，將分類錯誤率最小的作為最終的高斯核函數(shù)的參數(shù)