專利名稱：基于AdaBoost框架和頭部顏色的實時人體檢測方法
技術(shù)領(lǐng)域：
本發(fā)明涉及的是一種人體檢測方法，具體涉及一種基于AdaBoost框架和頭部顏色特征的實時人體檢測方法。
背景技術(shù)：
人體檢測在監(jiān)控系統(tǒng)、駕駛員輔助系統(tǒng)以及災(zāi)難現(xiàn)場搜救等領(lǐng)域中有著廣泛的應(yīng)用?；靵y背景下的人體檢測是一項極具挑戰(zhàn)性的任務(wù)。很多研究者致力于人體檢測，并取得了一些成果。較成功的檢測方法為HOG (Histograms of Oriented Gradients，方向梯度直方圖)結(jié)合支持向量機(jī)(SVM)的方法，但這種方法檢測速度慢。Begard研究了不同類型的AdaBoost算法實現(xiàn)行人檢測(J. Begard, N. Allezard, P.Sayd.Real-time human detection in urban scenes Local descriptors and classifiers selection with adaboost—like algorithms. In Proceeding of CVPR Workshops, 2008.)，采用的是H0G-M特征，Begard采用的是HOG特征中的Cell作為提取特征的單元(而原HOG特征是將4個Cell合在一起的Block作為特征)，特征維數(shù)只是原特征的四分之一。由于特征數(shù)較少，而且采用的是AdaBoost-Boosting分類方法，因此檢測速度快，但是檢測效果稍差。徐堃結(jié)合fisher判別分析對選出的弱分類方法進(jìn)行訓(xùn)練(徐堃，徐佩霞.一種基于改進(jìn)Adaboost的人體檢測算法.電子技術(shù)(上海)，2009 (11) :69-71.)，學(xué)習(xí)得到一個新的線性判別方程，最大化不同類別數(shù)據(jù)之問的可分離性。

發(fā)明內(nèi)容
本發(fā)明的目的在于提供一種能提高檢測的準(zhǔn)確性的基于AdaBoost框架和頭部顏色的實時人體檢測方法。本發(fā)明的目的是這樣實現(xiàn)的包括訓(xùn)練及檢測兩個步驟；訓(xùn)練階段的步驟如下(1)根據(jù)模板提取多尺度HOG特征；(2)采用AdaBoost-Boosting方法訓(xùn)練人體檢測模型；(3)提取頭部顏色直方圖特征；(4)采用AdaBoost方法訓(xùn)練頭部判別模型；檢測步驟如下(5)基于滑動窗口方法的人體檢測；(6)對于每個檢測窗口，先提取HOG特征，根據(jù)人體檢測模型判別是否是人體；(7)對于判別為人體的窗口，提取頭部直方圖特征，判斷是否包含頭部；包含頭部的窗口確定為包含人體的窗口，在圖像中相應(yīng)位置畫出矩形。本發(fā)明與已有技術(shù)的不同之處是采用的特征單元是原HOG特征的Block，而且是多尺度的Block，并結(jié)合了特征模板，提高了檢測效果。此外，本發(fā)明增加了頭部特征判別以提高檢測率，降低假報警率。本發(fā)明在INRIA數(shù)據(jù)庫上的實驗結(jié)果證明了該方法的有效性，同時檢測時間也達(dá)到了實時性。


圖Icell特征計算流程；圖2(a)_(b)梯度平均圖像與特征模板，其中圖2(a)梯度平均圖像、圖2(b)特征模板；圖3AdaBoost分類方法的結(jié)構(gòu)；圖4層類器結(jié)；圖5基于組特征的AdaBoost算法；圖6組特征分類方法訓(xùn)練算法；圖7檢測流程圖；圖8H0G特征檢測算法；圖9頭部檢測算法；圖10頭部顏色的bin數(shù)與假報警率關(guān)系；圖11本發(fā)明方法的檢測性能。
具體實施例方式下面舉例對本發(fā)明做更詳細(xì)的描述1訓(xùn)練——HOG特征提取1. 1特征提取流程特征提取流程如下。(1)制作特征模板(具體方法見1. 3節(jié))，并保存；(2)載入特征模板，并按特征模板生成特征映射表(具體方法見1. 3節(jié))；(3)按特征映射表提取特征；對于每個訓(xùn)練樣本圖像，特征提取分以下步驟完成。(1)將圖像縮放為MX 1 大?。?2)用[-1 0 1]的掩模計算其梯度幅值圖像和方向角圖像；(3)將圖像分別劃分為基本單元為2、4和8的cell ；計算多尺度cell特征；(4)形成特征向量(見1.3節(jié))。1.2多尺度cell特征的計算HOG特征采用64XU8像素的訓(xùn)練樣本圖像及檢測窗口，將該窗口劃分成以若干個cell，對每個cell按圖1計算出9維特征。然后再將每相鄰的4個cell (田字形結(jié)構(gòu)的 4個cell)劃分為1組(block)，將每個block中的4個cell的梯度直方圖的數(shù)據(jù)串聯(lián)起來每個Block便是一個36維的向量。最后將所有的block依次串聯(lián)起來，便形成了對每個訓(xùn)練圖像的。本發(fā)明采用多尺度HOG特征，采用的cell尺度包括為2、4和8，相應(yīng)的block大小即為4、8和16。不同大小的cell都具有9維特征，構(gòu)成的block也都有36維特征，在 64X128的圖像上一共有2280個block。cell特征的計算如錯誤！未找到引用源。所示。1. 3制作特征模板的方法(1)特征模板的生成采用AdaBoost分類方法訓(xùn)練模型時，訓(xùn)練實例的選擇會影響訓(xùn)練效果，本發(fā)明采用INRIA數(shù)據(jù)集中的訓(xùn)練正例，大部分正例的背景較簡單，因此分類方法在選擇特征時經(jīng)常會選擇到背景部分，遇到背景復(fù)雜的檢測窗口則檢測效果不好。HOG特征為形狀特征，為強(qiáng)制分類方法選擇人體邊緣部分的塊進(jìn)行判斷，我們根據(jù)訓(xùn)練實例的梯度圖像制作了特征選取模板。特征模板制作的方法如下。第一步計算每個訓(xùn)練實例的梯度圖像，然后計算所有訓(xùn)練實例梯度圖像的平均值，得到平均梯度圖像。第二步，在平均圖像畫出8X8的網(wǎng)格，選擇計算特征所用到的塊。梯度圖像和特征模板如圖1所示。錯誤！未找到引用源。標(biāo)記的cell所在的block都被選作模板中的 block (除第2行和第15行以外)，一共58個16 X 16的block。4X4和2X2的cell可以根據(jù)8X8的cell計算出來，一共1218個block。把所有block按生成順序給出特征號，把特征號對應(yīng)的block尺度和左上角坐標(biāo)存入特征映射表。選擇特征模板后，分類方法特征的選擇都在人體邊緣附近，提高了分類方法的分類效果。(2)模板特征的計算A.從特征映射表取出每個block的信息；B. 1.2節(jié)中block和cell的關(guān)系轉(zhuǎn)換為4個cell的信息，按圖1計算每個cell 的特征向量；C.按計算順序形成36維向量。2 訓(xùn)練----AdaBoost-Boosting 分類方法AdaBoost分類方法是一種由弱分類方法組合構(gòu)成強(qiáng)分類方法算法，該分類方法的突出優(yōu)點是可以根據(jù)訓(xùn)練樣本篩選特征，并且檢測速度快，因而得到了廣泛的應(yīng)用，本發(fā)明采用AdaBoost分類方法實現(xiàn)人體檢測。AdaBoost分類方法中弱分類方法一般是一維閾值分類方法，但本發(fā)明采用HOG特征，一個Block的特征為36維。采用SVM作為弱分類方法則使訓(xùn)練時間太長，模型較大，而且不容易調(diào)整樣本權(quán)值。所以本發(fā)明采用Boosting分類方法作為弱分類方法(本發(fā)明稱為組分類方法)，對應(yīng)HOG特征一個Block的36維向量。 Boosting分類方法下的每一維特征采用閾值分類方法。(1)將正例、反例和補(bǔ)充反例圖像按第1節(jié)方法計算好特征；(2)輸入到分類算法中，具體方法見2. 2節(jié)；(3)保存人體檢測模型；2.1分類方法結(jié)構(gòu)AdaBoost分類方法采用基于層的否絕機(jī)制，每層是一個強(qiáng)分類方法。如錯誤！未找到引用源。所示，其中CnC2,...為層分類方法。其分類性能由高到低排列，只有當(dāng)前層判斷為正例的樣本才能進(jìn)入到下一層。本發(fā)明中，每一層的強(qiáng)分類方法由若干組分類方法
5構(gòu)成，組分類方法由若干單特征的閾值分類方法構(gòu)成。其結(jié)構(gòu)如錯誤！未找到引用源。所示ο2. 2分類算法AdaBoost算法通過調(diào)整樣本權(quán)值使不同弱分類方法側(cè)重于不同的樣本，這樣使多個分類性能不強(qiáng)的弱分類方法，組合成一個強(qiáng)分類方法。本發(fā)明的閾值分類方法通過這種方式構(gòu)成組分類方法，同樣，組分類方法也通過這種方式構(gòu)成層分類方法。層分類方法通過否絕的方式淘汰反例樣本。2. 2. 1層分類方法訓(xùn)練算法對于給定正例樣本和反例樣本(XijY1)，……，(Xn, Yn)，其中Yi = 1，O分別表示正
例樣本禾口反例樣本。{xin，x il2， ......‘ Xilp' ......，Xiql，Xiq2， ......，Xiqpl，每個樣本包括
q組特征，每組特征具有某種相同屬性。每組特征包括P維特征，所以每個樣本的特征維數(shù)為pXq。假設(shè)正例樣本和反例樣本數(shù)分別為m和n-m。分類方法訓(xùn)練算法如圖5所示。權(quán)值初始化公式如式(1)所示。
權(quán)利要求
1.一種基于AdaBoost框架和頭部顏色的實時人體檢測方法，包括訓(xùn)練及檢測兩個步驟；其特征是訓(xùn)練階段的步驟如下(1)根據(jù)模板提取多尺度HOG特征；(2)采用AdaBoost-Boosting方法訓(xùn)練人體檢測模型；(3)提取頭部顏色直方圖特征；(4)采用AdaBoost方法訓(xùn)練頭部判別模型； 檢測步驟如下(5)基于滑動窗口方法的人體檢測；(6)對于每個檢測窗口，先提取HOG特征，根據(jù)人體檢測模型判別是否是人體；(7)對于判別為人體的窗口，提取頭部直方圖特征，判斷是否包含頭部；包含頭部的窗口確定為包含人體的窗口，在圖像中相應(yīng)位置畫出矩形。
2.根據(jù)權(quán)利要求1所述的基于AdaBoost框架和頭部顏色的實時人體檢測方法，其特征是所述根據(jù)模板提取多尺度HOG特征中，特征提取流程為(1)制作特征模板，并保存；(2)載入特征模板，并按特征模板生成特征映射表；(3)按特征映射表提取特征；對于每個訓(xùn)練樣本圖像，特征提取分以下步驟(1)將圖像縮放為64X128大??；(2)用[-1O 1]的掩模計算其梯度幅值圖像和方向角圖像；(3)將圖像分別劃分為基本單元為2、4和8的cell；計算多尺度cell特征；(4)形成特征向量。
全文摘要
本發(fā)明提供的是一種基于AdaBoost框架和頭部顏色的實時人體檢測方法，包括訓(xùn)練及檢測兩個步驟；(1)根據(jù)模板提取多尺度HOG特征；(2)采用AdaBoost-Boosting方法訓(xùn)練人體檢測模型；(3)提取頭部顏色直方圖特征；(4)采用AdaBoost方法訓(xùn)練頭部判別模型；(5)基于滑動窗口方法的人體檢測；(6)對于每個檢測窗口，先提取HOG特征，根據(jù)人體檢測模型判別是否是人體；(7)對于判別為人體的窗口，提取頭部直方圖特征，判斷是否包含頭部；包含頭部的窗口確定為包含人體的窗口，在圖像中相應(yīng)位置畫出矩形。本發(fā)明采用的特征單元是原HOG特征的Block，而且是多尺度的Block，并結(jié)合了特征模板，提高了檢測效果；增加了頭部特征判別以提高檢測率。
文檔編號G06K9/00GK102163281SQ20111010489
公開日2011年8月24日 申請日期2011年4月26日 優(yōu)先權(quán)日2011年4月26日
發(fā)明者李智慧, 李香, 邵春艷 申請人:哈爾濱工程大學(xué)