[發明專利]基于結構型Haar和Adaboost的目標檢測方法

在審

• 申請號: 201611033728.X
• 申請日: 2016-11-23
• 公開（公告）號: CN106971193A
• 公開（公告）日: 2017-07-21
• 發明（設計）人: 劉磊;鄧裕彬;劉乾坤;李業飛;張壯
• 申請（專利權）人: 南京理工大學
• 主分類號: G06K9/62
• 分類號: G06K9/62;G06K9/46
• 代理公司: 南京理工大學專利中心32203
• 代理人: 薛云燕

技術領域

本發明涉及目標檢測技術領域，特別是一種基于結構型Haar和Adaboost的目標檢 測方法。

背景技術

智能視頻監控是計算機視覺的重要領域，有著廣泛的應用場景，尤其是那些對安全 要求比較敏感的場合，如銀行、商店、飛機場、地鐵站、停車場等；另外，還有工業生 產現場的監控以及交通系統的監控等。智能視頻監控可以通過對目標的持續跟蹤，進而 進行軌跡分析、行為識別和理解，做出是否發生異常事件的判斷，從而采取必要的措施 并且發出報警信號，同時記錄有關信息。

目前，比較成熟的目標檢測算法可以分為以下三類：

(1)幀差法等簡單的目標檢測算法。幀間差分法的主要思想就是利用視頻圖像序 列中連續兩幀或三頓的差異來檢測發生運動的區域。幀間差分法的特點是動態性強，能 夠適應動態背景下的運動目標檢測。但是，這類算法檢測出的目標輪廓非常不理想，在 目標內部會留有許多空洞，在目標運動較快時目標的輪廓會被擴大，在目標運動較慢時 甚至有可能無法得到目標的邊界。

(2)基于光流的目標檢測算法。基于光流的目標檢測算法是利用光流方程計算出 每個像素點的運動狀態矢量，從而發現運動的像素點，并且能夠對這些像素點進行跟蹤。 在攝像機運動、背景變化時，光流法也能檢測出運動目標，并且它能同時完成運動目標 檢測和跟蹤，但是該方法的計算復雜度高，在沒有專用硬件支持的情況下很難做到實時 檢測，同時光流場的計算非常容易受到噪聲、光照變化和背景擾動的影響。采用光流場 計算的方法也很難將運動目標的輪廓完整地提取出來。

(3)基于背景差分法的目標檢測算法，如多幀平均法，IIR濾波法，高斯建模法等 都是側重于背景差分法中背景的建立或背景的更新機制。在這類目標檢測算法中，首先 根據一定的原理建立背景模型，然后利用輸入一幀圖像和背景模型比較，不同的則是運 動目標，得到運動目標像素，反之則是背景像素，得到檢測結果。此類算法的缺點是由 于通常需要緩沖若干幀來學習背景，因此往往需要消耗大量的內存，這使其使用范圍受 到了限制。此外，對于大范圍的背景擾動，此類算法的檢測效果也不理想。

目前，Adaboost算法是一種自適應boosting方法，它在海量的特征庫中進行學習并 且選出少量的具有高效性的特征來組成各級的弱的分類器，之后根據弱分類器訓練強的 分類器，最后將多個強分類器按照一定的規則組合成為一個級聯的分類器。但是在 Adaboost訓練過程中，每個迭代都會對那些分類錯誤的樣本進行加權，當這個樣本多次 被分類錯誤，那么就會使權重過大，分類器的精確度下降。

發明內容

本發明的目的在于提供一種基于結構型Haar特征和Adaboost算法的目標檢測方法， 從而實現對視頻中指定目標的精確、高效檢測。

實現本發明目的的技術解決方案為：一種基于結構型Haar和Adaboost的目標檢測 方法，所述方法包括以下步驟：

步驟1，準備正例樣本和反例樣本，進行訓練樣本的創建，得到正樣本向量描述文 件和負樣本向量描述文件；

步驟2，構造五種基本的類Haar特征，然后構造以車輛為實例的結構型Haar特征， 分別計算結構型Haar特征的特征值；

步驟3，分別進行弱分類器和強分類器的訓練；

步驟4，將多個強分類器按照規則組合成為一個級聯的分類器；

步驟5，根據所得到的級聯分類器進行目標檢測。

本發明與現有技術相比，其顯著優點為：(1)利用了自適應閾值的優化方法去實現 特征的選取，可以選出對訓練器最有意義的特征值，將弱分類器的總個數減少，提高了 Adaboost訓練的速度；(2)對改進后的Adaboost算法得出的特征庫進行分析，找到最 高效的分類特征，根據這些特征提出了基于先驗特征的結構型Haar特征的Adaboost算 法，使用了快速搜索算法，大大的減少了計算量，從而大大加快了搜索的速度，使得檢 測圖像的實時性得到了有效的保證；(3)使用了結構型Haar特征進行樣本的訓練，使 得檢測的結果精度得到很大的提升，同時降低了誤檢率。

下面結合附圖對本發明作進一步詳細描述。

附圖說明

圖1是本發明基于結構型Haar特征和Adaboost算法的目標檢測方法的流程圖。

圖2是本發明正樣本生成info.txt文件示意圖。

圖3是本發明生成正樣本向量描述文件示意圖。