基于Adaboost算法的多尺度行人检测方法
【专利摘要】一种基于Adaboost算法的多尺度行人检测方法，其包括如下步骤：训练分类器：训练数据集的构造，训练数据集由N个样本组成；计算Haar-like特征；对得到的特征按照最小错误率的方法进行训练分类，每轮都会得到一个弱分类器，用弱分类器组合得到最后强分类器；对行人图片进行检测：输入要检测的图片；设定检测窗口和检测步长；按不同的尺度放大缩小图像；按设定的检测窗口和检测步长遍历图像，加载Adboost算法构造的强分类器进行检测；判断窗口中是否包括行人，保存检测结果；对放大缩小图像的检测结果进行合并；检测结果假阳性去除，用无重去除法和二次分类器验证法对检测结果进行验证，去掉明显不是行人的区域。本发明选用Harr-like特征作为行人检测的特征向量，是对客观对象的一种描述，本发明具有较高检测率的优点。
【专利说明】基于Adaboost算法的多尺度行人检测方法
【技术领域】
[0002]本发明属于图像处理与模式识别【技术领域】，特别是一种基于Adaboost算法的多尺度行人检测方法。
【背景技术】
[0003]行人检测在视频监控、机器人学、虚拟现实技术等领域有广泛的应用，也是计算机视觉和模式识别领域中的重要研究方向。常用的方法有基于运动特性的方法、基于形状特征的方法、基于行人模型的方法、立体视觉的方法、神经网络方法、小波和支持向量机的方法等。基于运动特性的行人检测就是利用人体运动的周期性特性找到行人，基于运动识别的好处是避免了人的纹理和光线的变化的影响，缺点是只能识别运动的行人，并且要通过分析多帧的运动周期性才能得出判别结果。基于形状的识别方法是指通过分析目标的灰度、边缘和纹理信息来对目标进行识别。基于形状的优点是可以检测出静止的行人，但是容易产生大量“虚警”。可将基于形状的行人识别方法分为基于模板匹配的方法和基于基于统计学习的方法。基于模板匹配的方法就是用一些轮廓或者模板来表示人，这种方法比较简单，识别的时候在图像的各个部位匹配该模型以找到目标，但是由于行人的多态性很难构造出足够的模板。基于统计学习的方法是通过机器学习从一系列训练数据得到一个分类器，然后用该分类器对检测窗口进行识别。该方法的优点是比较鲁棒，缺点是需要大量的训练数据，并且受到行人的姿态与衣服颜色的影响。基于统计模型的方法主要包括两个步骤:特征提取和分类器的设计，提取的特征一般有目标的灰度、边缘、纹理、形状、梯度直方图等信息，分类器包括神经网络、SVM, Adaboost等。
[0004]本发明的目的是提供一种采用Adaboost算法构造强分类器，再利用获得的强分类器对测试图像进行检测，获得较高检测率的基于Adaboost算法的多尺度行人检测方法。
[0005]本发明是这样实现的，其包括如下步骤:
(1)训练分类器
①、训练数据集的构造训练数据集由N个样本组成，其中正样本为行人样本，负样本为非行人样本(背景)，正负样本的选取应具有代表性和涵盖性，统一样本图像的大小为64像素*128像素；
②、计算Haar-1ike特征,本文选择了A、B、C、D、E、F、G这七种矩形特征来描述行人；
③、构造分类器。对由②得到的特征按照最小错误率的方法进行训练分类，每轮都会得到一个弱分类器，用弱分类器组合得到最后强分类器；
(2)对行人图片进行检测
①、输入要检测的图片；
②、设定检测窗口和检测步长，检测窗口与样本的大小相同，为64像素*128像素，检测步长选取8像素，10像素，12像素；
③、按不同的尺度放大缩小图像；
④、按设定的检测窗口和检测步长遍历图像，加载Adaboost算法构造的强分类器进行检测；
⑤、判断窗口中是否包含行人，保存检测结果；
⑥、对放大缩小图像的检测结果进行合并；
⑦、检测结果假阳性去除，用无重去除法和二次分类器验证法对检测结果进行验证，去掉明显不是行人的区域。
[0006]本发明选用Harr-1ike特征作为行人检测的特征向量。Harr-like特征是对客观对象的一种描述，其表示形式简单，且对诸如边缘、线段和中心这些简单的图形结构比较敏感，比单纯的像素点数据更能表示描述物体的特征，本发明用7类矩形特征来描述行人的特征，本发明用Harr-1ike特征(G)来描述行行人肩部和头部的整体的特征，能够去除明显的假阳性结果。
【专利附图】
【附图说明】
[0007]以下结合附图对本发明做进一步的描述:
图1是基于Adaboost算法的多尺度行人检测方法的检测流程图，
图2是表不的正样本图，
图3是表示的负样本图，
图4是Harr-1ike特征示意图，
图5是矩形特征值计算示意图，
图6是多尺度行人检测流程图，
【具体实施方式】
[0008]如图1一6所示，该基于Adaboost算法的多尺度行人检测方法的步骤如下:(I)训练分类器①训练数据集由797个样本组成，其中正样本为行人，负样本为非行人(背景)，正负样本的选取应具有代表性和涵盖性，本发明统一样本图像的大小为64像素*128像素；②计算Haar-1ike特征,本文选择了 A、B、C、D、E、F、G这七种矩形特征来描述行人；③构造分类器，对由②得到的特征按照最小错误率的方法进行训练分类，每轮都会得到一个弱分类器，训练400轮，用弱分类器组合得到最后强分类器；(2)对行人图片进行检测①输入要检测的图片；②设定检测窗口和检测步长，检测窗口与样本的大小相同为64像素*128像素，检测步长选取8像素，10像素，12像素按不同的尺度放大缩小图像按设定的检测窗口和检测步长遍历图像，加载Adaboost算法构造的强分类器进行检测判断窗口中是否包括行人，保存检测结果；⑥对放大缩小图像的检测结果进行合并；⑦检测结果假阳性去除。用无重去除法和二次分类器验证法对检测结果进行验证，去掉明显不是行人的区域。
[0009]Harr-like 特征
本发明选用Harr-1ike特征作为行人检测的特征向量,如图4所示。Harr-1ike特征(又叫矩形特征)是对客观对象的一种描述。其表示形式简单，且对诸如边缘、线段和中心这些简单的图形结构比较敏感，比单纯的像素点数据更能表示描述物体的特征。
[0010]用如下8类矩形特征来描述人的特征:A、B类特征描述人体的各部分边缘特征，C类矩形特征用来描述头部、整体躯干特征和腿部特征等。E、F在结构上呈非对称性，主要描述肩部等特征。由于大部分Harr-like特征都比较简单，而行人检测的背景又相对复杂，A、B等边缘特征一般无法区分背景中的树木以及与人相似的事物，为了与人相似物体对检测结果的影响，本文提出一种Harr-1ike特征(G)来描述行行人肩部和头部的整体的特征，去除假阳性结果。
[0011]Harr-1ike特征数量的计算
选取不同的特征对应不同的特征数量，矩形特征数量的计算公式如(I)所示:
【权利要求】
1.一种基于Adaboost算法的多尺度行人检测方法，其包括如下步骤: ⑴训练分类器 ①、训练数据集的构造，训练数据集由N个样本组成，其中正样本为行人，负样本为非行人(背景)； ②、计算Haar-1ike特征，选择了A、B、C、D、E、F、G这七种矩形特征来描述行人； ③、构造分类器，对由②得到的特征按照最小错误率的方法进行训练分类，每轮都会得到一个弱分类器，用弱分类器组合得到最后强分类器； ⑵、对行人图片进行检测 ①、输入要检测的图片； ②、设定检测窗口和检测步长，检测窗口与样本的大小相同为64像素*128像素，检测步长选取8像素，10像素，12像素； ③、按不同的尺度放大缩小图像； ④、按设定的检测窗口和检测步长遍历图像，加载Adboost算法构造的强分类器进行检测； ⑤、判断窗口中是否包括行人，保存检测结果； ⑥、对放大缩小图像的检测结果进行合并； ⑦、检测结果假阳性去除。用无重去除法和二次分类器验证法对检测结果进行验证，去掉明显不是行人的区域。
2.根椐权利要求1所述的一种基于Adaboost算法的多尺度行人检测方法，其特征是训练数据集由797个样本组成。
3.根椐权利要求1所述的一种基于Adaboost算法的多尺度行人检测方法，其特征是特征按照最小错误率的方法进行训练分类，每轮都会得到一个弱分类器，用弱分类器计算得到最后强分类器。
4.根椐权利要求1所述的一种基于Adaboost算法的多尺度行人检测方法，其特征是本发明统一样本图像的大小为64像素* 128像素。
【文档编号】G06K9/62GK104036284SQ201410197138
【公开日】2014年9月10日 申请日期:2014年5月12日 优先权日:2014年5月12日
【发明者】郭薇, 张国栋, 肖娅 申请人:沈阳航空航天大学