[發明專利]基于快速Adaboost訓練算法的自動扶梯乘客檢測方法

有效

• 申請號: 201711267192.2
• 申請日: 2017-12-05
• 公開（公告）號: CN108182381B
• 公開（公告）日: 2020-12-22
• 發明（設計）人: 田聯房;余陸斌;杜啟亮;朱斌
• 申請（專利權）人: 華南理工大學
• 主分類號: G06K9/00
• 分類號: G06K9/00;G06K9/46;G06K9/62
• 代理公司: 廣州市華學知識產權代理有限公司 44245
• 代理人: 馮炳輝

本發明公開了一種基于快速Adaboost訓練算法的自動扶梯乘客檢測方法，包括步驟：1)視頻圖像采集；2)生成正樣本和負樣本；3)提取正、負樣本中的HOG特征；4)利用快速Adaboost算法訓練分類器；5)利用得到的分類器進行乘客檢測；6)利用camshift算法跟蹤人體。通過本發明方法可以有效提高Adaboost分類器的訓練速度，大大減少了在需要使用多分類器和需要多次訓練分類器場合下的時間開銷。

技術領域

本發明涉及圖像模式識別、機器學習及電梯生產的技術領域，尤其是指一種基于快速Adaboost訓練算法的自動扶梯乘客檢測方法。

背景技術

隨著經濟的增長，自動扶梯的使用已經越來越頻繁，而隨之而來的自動扶梯上的安全事故也越來越多。自動扶梯上安全事故的發生大多是因為當自動扶梯上乘客的狀態或者行為出現異常情況時，自動扶梯不能及時地反應與應對，而是機械地維持同一種工作模式，從而造成異常情況的放大及惡化。而在每個自動扶梯旁都設置應急工作人員監控自動扶梯及乘客的狀態是不可能的。因此，需要利用視頻監控系統對自動扶梯上的乘客進行檢測并跟蹤。現有的主流視覺檢測算法以利用機器學習算法為主，雖然具有較高的準確性，但存在分類器訓練過慢的問題。

在利用Adaboost算法進行扶梯上乘客檢測時，分類器的訓練時間就成了算法開發中主要的時間開銷。當訓練樣本和特征較多時，Adaboost的訓練時間會變得很長，若需要多次訓練，時間開銷將會變得難以接受。大小為64*128的圖片，HOG特征總共有3780個特征，當正樣本個數達到2000個左右時，在CPU主頻為1GHz的PC上的訓練時間為3到4天。若需要針對不同使用場景訓練分類器時，這幾乎是不可實現的。因此，通過對訓練樣本的采樣達到減少分類器訓練時間是有必要的。

發明內容

本發明的目的在于克服現有技術的不足，提出了一種基于快速Adaboost訓練算法的自動扶梯乘客檢測方法，可以快速訓練Adaboost分類器進行自動扶梯的乘客檢測。

為實現上述目的，本發明所提供的技術方案為：基于快速Adaboost訓練算法的自動扶梯乘客檢測方法，通過采集視頻樣本，提取HOG特征，快速訓練得到分類器，利用分類器進行自動扶梯上乘客檢測；其包括以下步驟：

1)視頻圖像采集；

2)生成正樣本和負樣本；

3)提取正、負樣本中的HOG特征；

4)利用快速Adaboost算法訓練分類器；

5)利用得到的分類器進行乘客檢測；

6)利用camshift算法跟蹤人體。

在步驟1)中，采用攝像頭進行圖像采集，攝像頭安裝在自動扶梯運動方向的斜上方，其視角要求覆蓋整個自動扶梯載客區，并且保證自動扶梯上的乘客于視頻中間。

在步驟2)中，獲得原始視頻后截取正、負樣本，包括以下步驟：

2.1)獲取正樣本

將采集到的視頻逐幀保存成圖像序列，得到原始圖像的總數為N_origin；在得到的圖片中逐幀截取包含完整人體的矩形圖像，得到正樣本圖像的總數為N_pos；將所有的矩形圖像歸一化為長為a像素，高為b像素的標準矩形圖像；給所有正樣本圖像編號，并附上與編號對應的樣本標簽即完成了正樣本的生成；

2.2)獲取負樣本

將采集到的視頻逐幀保存成圖像序列，剔除其中包含的人體圖像；根據長與高比例為a:b在剩下的圖像中截取樣本圖像，得到負樣本圖像的總數為N_neg；給所有負樣本圖像編號，并附上與編號對應的樣本標簽即完成了負樣本的生成。

在步驟3)中，提取正、負樣本中HOG特征，包括以下步驟：