一种基于累加感知机的人体上半身检测方法
【专利摘要】本发明提供一种基于累加感知机的人体上半身检测方法，将传统的感知机算法级联，利用滑动窗口在各级感知机分类结果的累加值，以一种由粗到精的方式逐级推进，完成精确的人体上半身分类和定位，从而构成了独特的累加感知机算法。通过Gabor滤波提取出Gabor特征图，该特征模拟人眼细胞对视觉信号的响应，较好地捕捉到输入图像的整体以及局部特性；接着采用滑窗检测方法，遍历待测图像，在每个滑动窗口中，采用累加感知机进行分类；由于累加感知机在每个滑窗位置彼此相互独立，所以算法可进行并行优化。
【专利说明】一种基于累加感知机的人体上半身检测方法
【技术领域】
[0001]本发明涉及图像处理技术，特别涉及图像特征提取和目标检测技术。
【背景技术】
[0002]人体检测技术是智能视频监控【技术领域】的关键组成部分，该技术通过监控摄像头传来的视频流数据，分析出当前监控场景中的人体目标所处的位置。人体检测方法的准确性，将直接影响监控系统后级的入侵者及异常行为识别算法的性能。在实际应用中，人体目标的具有多种姿态，人的服饰与环境的光线也比较复杂，这对人体检测方法精确性及鲁棒性提出了较高要求。详见文献:Moeslund T B, Granum E.A survey of computervis1n-based human mot1n capture[J].Computer Vis1n and Image Understanding, 2001,81(3):231-268.
[0003]当前，主流的人体检测方法主要分为三类:
[0004]1、基于背景建模的方法:对于室内场景的智能监控而言，摄像头通常是固定的，且人体往往是主要的运动目标，基于背景建模的方法通过一段时长的监控视频流，计算出当前场景的背景模型。通过该背景模型，就能将运动的目标进行定位。该方法计算速度很快，适合在硬件平台上实现，但是由于没有专门地对人体目标进行判定，所以常有将其它运动目标(例如动物)当作人体的误检的情况发生，详见文献:Piccardi M.Backgroundsubtract1n techniques: a review [C]//Systems, man and cybernetics, IEEEinternat1nal conference on.1EEE, 2004, 4:3099-3104.
[0005]2、基于统计学习的方法:此类方法通过一个基于统计学习的分类器，对视频图像中的各个尺度的各个位置进行分类判定，这类方法可以做到较为准确的人体检测，但是算法性能依赖于输入分类器的图像特征的选择，以及分类器的训练与设计。只有好的图像特征与高性能的分类器相结合，才能产生好的效果，详见文献:V1la, Paul, and MichaelJones.Rapid object detect1n using a boosted cascade of simple features[C]//Computer Vis1n and Pattern Recognit1n, IEEE Computer Society Conferenceon.1EEE, 2001, Vol.1:511-518.
[0006]3、基于立体视觉匹配的方法:如果监控系统中含有多台摄像机，可以采用基于立体视觉的方法，通过将多摄像机的画面融合起来进行重构，计算出人体在场景中的三维位置信息。这种方法较为新颖，通过图像的匹配与综合，获取到多有用的信息，缺点是计算速度过慢，不适宜在对性能要求较高的场景下使用，详见文献:Bertozzi M, BinelliE,Broggi A,et al.Stereo vis1n-based approaches for pedestrian detect1n[C]//Computer Vis1n and Pattern Recognit1n-fforkshops, IEEE Computer SocietyConference on.1EEE, 2005:16-16.
【发明内容】
[0007]本发明所要解决的技术问题是，提供一种将传统的感知机算法级联用以人体上半身检测的方法。
[0008]本发明为解决上述技术问题所采用的技术方案是，一种基于累加感知机的人体上半身检测方法，包括以下步骤:
[0009]训练步骤:
[0010]步骤I)构造训练样本集；训练样本中的正样本为人体上半身图片，负样本为各种视频场景中不包含人体的区域，正样本数量小于负样本数量；
[0011]步骤2)累加感知机训练；确定感知机数量N，利用口袋Pocket算法按顺序训练N个感知机及它们对应的累加阈值，具体包括以下步骤:
[0012]2-1)输入训练用的正负样本；将训练样本中的正、负样本作为第I级感知机的正、负样本的输入，之后，将第i级感知机错误分类的正、负样本作为第i+ι级感知机的正、负样本的输入= 1,2...N-1 ；
[0013]2-2)每个感知机都采用Pocket算法进行训练，N级感知机训练完成后得到第i级感知机对应的感知机参数Wi, i = 1，2...N ;
[0014]2-3)计算累加阈值T1:初始化Ttl = O,计算第i级的正样本距离该级感知机分类超平面的平均距离
【权利要求】
1.一种基于累加感知机的人体上半身检测方法，其特征在于，包括以下步骤: 训练步骤: 步骤I)构造训练样本集；训练样本中的正样本为人体上半身图片，负样本为各种视频场景中不包含人体的区域，正样本数量小于负样本数量； 步骤2)累加感知机训练；确定感知机数量N，利用口袋Pocket算法按顺序训练N个感知机及它们对应的累加阈值，具体包括以下步骤: 2-1)输入训练用的正负样本；将训练样本中的正、负样本作为第I级感知机的正、负样本的输入，之后，将第i级感知机错误分类的正、负样本作为第i+Ι级感知机的正、负样本的输入；i = 1,2...N-1 ； 2-2)每个感知机都采用Pocket算法进行训练，N级感知机训练完成后得到第i级感知机对应的感知机参数Wi, i = 1，2...N ; 2-3)计算累加阈值T1:初始化Ttl = 0，计算第i级的正样本距离该级感知机分类超平面的平均距离忑=+Σ心，i = 1，2...N，Npi表示第i级感知机的正样本总数，其中
"H*，r X -j-d?i = 0iH nH ；，并更新P T Y其中，α为可调的参数，0〈α彡1，(.)τ表示转置， K-1lTi=Uadi,W0i^bi为感知机参数Wi的连个元素，Xn表示第η个正样本特征向量，η = I, 2, 3…Npi ； 检测步骤: 步骤3)获取当前场景的视频图像，提取图像的伽柏Gabor特征，得到Gabor特征图； 步骤4)在Gabor特征图上进行滑窗检测: 4-1)提取当前扫描窗口中的Gabor特征图的子图块中的像素值，按顺序将像素值放入子图块对应的特征向量X中，待扫描窗口遍历所有Gabor特征图后，得到所有子图块对应的特征向量X ; 4-2)将Gabor特征图的所有子图块对应的特征向量输入累加感知机，累加感知机中第i级感知机对应一个累加寄存器的值，累加寄存器的值初始为A0 = O ;从第一级感知机开始，计算当前输入的特征向量X距离到各级感知机分类超平面的距离式=，更新Ai = Αη+Φ，i = 1，2...N ;当第i级感知机对应累加寄存器的值Ai小于当前级的累加阈值Ti,则不再进行下一级感知机的处理，表明该窗口不可能存在人体上半身目标，否则，继续下一级感知机的处理，当经过N级感知机的处理后每一级结果都为存在目标，则表示当前扫描窗口中包含人体上半身目标； 4-3)改变扫描窗口尺寸，返回步骤4-1)，直至预设所有尺寸的扫描窗口遍历完毕Gabor特征图后进入步骤5)； 步骤5)包含人体上半身目标的所有扫描窗口按照最终的累加寄存器的值AnW大到小排序，两两比较扫描窗口，若两个扫描窗口的相对重叠面积超过50%，则保留最终的累加寄存器的值An较大的扫描窗口，删除最终的累加寄存器的值An较小的扫描窗口，最终保留的扫描窗口所在图像位置即为人体上半身目标检测结果。
2.如权利要求1所述一种基于累加感知机的人体上半身检测方法，其特征在于，步骤I)中，将正样本、负样本各复制一份并进行左右翻转后，将翻转后的正样本、负样本放入训练样本集。
3.如权利要求1所述一种基于累加感知机的人体上半身检测方法，其特征在于，感知机数量N = 300。
4.如权利要求1所述一种基于累加感知机的人体上半身检测方法，其特征在于，感知机采用Pocket算法进行训练的迭代过程中计算错误率时，对于I个错误分类的正样本，统计错误次数为k，k为大于I的正整数，对于错误分类的负样本，统计错误次数为I。
5.如权利要求4所述一种基于累加感知机的人体上半身检测方法，其特征在于，错误次数k = 2。
6.如权利要求1所述一种基于累加感知机的人体上半身检测方法，其特征在于，可调参数 ct = 0.5。
7.如权利要求1所述一种基于累加感知机的人体上半身检测方法，其特征在于，步骤3)中得到Gabor特征图的具体方法为: 构造出一个不同径向频率和角度的3X3的Gabor滤波器组，其中径向频率F ={4，5，6}，角度
，将视频图像与Gabor滤波器g(x, y)进行卷积得到9幅Gabor特征图；
g(x, y)表示Gabor滤波器在x, y处的值，参数σ表示Gabor滤波器的标准差。
【文档编号】G06K9/62GK104200202SQ201410437132
【公开日】2014年12月10日 申请日期:2014年8月30日 优先权日:2014年8月30日
【发明者】解梅, 何磊, 蔡家柱, 张碧武 申请人:电子科技大学