基于hog特征人體感知分類器的訓(xùn)練方法
【專利摘要】本發(fā)明涉及基于HOG特征的人體感知分類器,目的是為了提供一種快速準(zhǔn)確基于HOG特征的人體感知分類器的訓(xùn)練方法。本發(fā)明采用的技術(shù)方案是：使用基于方向梯度直方圖特征的人體檢測(cè)算法HOG特征進(jìn)行人體圖像的優(yōu)化計(jì)算，實(shí)現(xiàn)快速物體的檢測(cè)，在HOG特征訓(xùn)練分類器的過程中，有針對(duì)性的對(duì)人體肩膀以上部分作為正樣本的取樣，并通過弱分類器足夠數(shù)量的級(jí)聯(lián)層次的增加逐漸訓(xùn)練得出更好的分類能力，并使用級(jí)聯(lián)分類器對(duì)多個(gè)檢測(cè)結(jié)果進(jìn)行分析，總結(jié)得出每個(gè)級(jí)別最具時(shí)間運(yùn)行效率的一級(jí)分類器，進(jìn)而通過針對(duì)XML分類器的組合得到最終的行人檢測(cè)分類器。本發(fā)明適用于計(jì)算機(jī)視覺領(lǐng)域。
【專利說明】基于HOG特征人體感知分類器的訓(xùn)練方法

【技術(shù)領(lǐng)域】
[0001] 本發(fā)明涉及人體感知技術(shù)，特別涉及基于H0G特征的人體感知分類器。

【背景技術(shù)】
[0002] 對(duì)象檢測(cè)與識(shí)別是計(jì)算機(jī)視覺中一個(gè)重要的研究領(lǐng)域，它是指計(jì)算機(jī)按照人的思 維能夠進(jìn)行人類對(duì)特定對(duì)象的檢測(cè)及識(shí)別活動(dòng)。其應(yīng)用極其廣泛，快速而準(zhǔn)確的對(duì)象檢測(cè) 與識(shí)別技術(shù)是現(xiàn)代信息處理技術(shù)中的重要組成部分。由于信息量近年來急劇地增長(zhǎng)，我們 也迫切的需要有合適的對(duì)象檢測(cè)以及識(shí)別技術(shù)能夠讓人們從大量的信息中尋找出自己所 需要的信息。圖像檢索及文字檢索都屬于這一類別。此外，對(duì)象檢測(cè)與識(shí)別技術(shù)還廣泛的 用于公安以及交通監(jiān)管等系統(tǒng)，人臉的檢測(cè)與識(shí)別能夠使計(jì)算機(jī)做到在實(shí)時(shí)的情況下快速 的檢測(cè)出場(chǎng)景中的人臉并對(duì)其實(shí)施跟蹤。人臉的識(shí)別系統(tǒng)可以用于公安、邊防以及數(shù)據(jù)庫(kù) 的快速查找等諸多領(lǐng)域。而人體的檢測(cè)與識(shí)別則可以用于各種需要的安全控制場(chǎng)合進(jìn)行實(shí) 時(shí)的監(jiān)控需要。此外，車輛的檢測(cè)與識(shí)別能夠在箭筒監(jiān)管部門發(fā)揮重要的作用，對(duì)車牌的檢 測(cè)以及識(shí)別是智能交通管理系統(tǒng)中的重要組成部分。而文字的檢測(cè)與識(shí)別系統(tǒng)則是新聞等 重要咨詢系統(tǒng)中進(jìn)行信息檢索的基本條件。綜上，檢測(cè)與識(shí)別技術(shù)是計(jì)算機(jī)視覺的重要組 成部分。
[0003] H0G特征使用比較廣泛，在當(dāng)前的計(jì)算機(jī)視覺應(yīng)用中，H0G特征主要作為行人檢 測(cè)，由于計(jì)算速度快，但檢測(cè)準(zhǔn)確度等方面卻存在缺陷。而且不同行人的體型姿勢(shì)，衣著光 照等方面都有著極大的變化，加上復(fù)雜的背景等存在技術(shù)難點(diǎn)。在家電系統(tǒng)等嵌入式平臺(tái) 受存儲(chǔ)空間資源限制的條件下，也不可能使用類似PC機(jī)等CPU資源。所以有必要研究針對(duì) 人體感知方面處理數(shù)據(jù)快速的算法，增加程序的適應(yīng)性，進(jìn)而對(duì)應(yīng)用程序提出了更高的要 求。
[0004] 在計(jì)算機(jī)視覺行業(yè)內(nèi)，越來越多的針對(duì)某一種物體的檢測(cè)而專門設(shè)計(jì)分類器。在 為提升處理速度和準(zhǔn)確度方面，H0G特征和cascade的組合更是相得益彰。


【發(fā)明內(nèi)容】

[0005] 本發(fā)明的目的是為了提供一種快速準(zhǔn)確基于H0G特征人體感知分類器的學(xué)習(xí)訓(xùn) 練方法。
[0006] 為達(dá)到上述目的，本發(fā)明提供一種基于H0G特征人體感知分類器的訓(xùn)練方法，包 括如下步驟：
[0007] A.創(chuàng)建訓(xùn)練樣本集并對(duì)訓(xùn)練樣本集中的樣本進(jìn)行H0G特征提取，設(shè)定分類器需要 達(dá)到的強(qiáng)度值，所述訓(xùn)練樣本集包括正樣本集及負(fù)樣本集，所述正樣本集中的正樣本為被 檢測(cè)的目標(biāo)對(duì)象，所述負(fù)樣本集中的負(fù)樣本從不包含任何被檢測(cè)的目標(biāo)對(duì)象信息的源負(fù)樣 本中抽樣得到；
[0008] B.從正樣本訓(xùn)練窗口和負(fù)樣本的初始訓(xùn)練窗口中得到一個(gè)基本分類器，所述正樣 本訓(xùn)練窗口為檢測(cè)目標(biāo)居中的圖像，所述負(fù)樣本的初始化訓(xùn)練窗口從一系列不包含目標(biāo)對(duì) 象的圖像中隨機(jī)產(chǎn)生；
[0009] C.使用基本分類器對(duì)源負(fù)樣本進(jìn)行掃描，得到錯(cuò)誤樣本，所述錯(cuò)誤樣本為源負(fù)樣 本檢測(cè)出目標(biāo)對(duì)象的樣本，將錯(cuò)誤樣本添加到負(fù)樣本集中，同正樣本集一起對(duì)基本分類器 進(jìn)行訓(xùn)練，；
[0010] D.重復(fù)步驟C，得到分層次的弱分類器，將不同層次的弱分類器進(jìn)行級(jí)連得到強(qiáng) 分類器，強(qiáng)分類器達(dá)到設(shè)定的分類器需要達(dá)到的強(qiáng)度值時(shí)結(jié)束訓(xùn)練。
[0011] 優(yōu)選地，所述正樣本的尺寸大小為48*48像素。
[0012] 較佳地，所述正樣本及負(fù)樣本的數(shù)量均在12000個(gè)以上。
[0013] 較佳地，步驟D中，重復(fù)步驟C的次數(shù)至少為50次。
[0014] 具體地，所述正樣本只包括人體肩膀以上部位的圖像，每一個(gè)正樣本只包含一個(gè) 目標(biāo)對(duì)象。
[0015] 本發(fā)明的有益效果是：通過上述的方法，可以在不占用大量?jī)?nèi)存空間的情況下，實(shí) 現(xiàn)人體檢測(cè)分類器的訓(xùn)練，可以促進(jìn)基于H0G特征在人體圖像檢測(cè)技術(shù)在智能家電中的應(yīng) 用，提高了家電的智能性，提升了用戶體驗(yàn)。

【具體實(shí)施方式】
[0016] 本發(fā)明所要解決的技術(shù)問題主要針對(duì)可視對(duì)象檢測(cè)問題，依賴計(jì)算機(jī)視覺的角度 出發(fā)構(gòu)建一個(gè)針對(duì)行人的檢測(cè)分類器。分類器的構(gòu)建是使用梯度直方圖（Histogram of Oriented Gradient :H0G)，在該分類器的設(shè)計(jì)主要針對(duì)人體上半身圖像和更加貼近自然實(shí) 景的行人圖像數(shù)據(jù)采集過程。
[0017] 本發(fā)明采用的技術(shù)方案是：使用基于方向梯度直方圖特征的人體檢測(cè)算法H0G特 征進(jìn)行人體圖像的優(yōu)化計(jì)算，實(shí)現(xiàn)快速物體的檢測(cè)，在H0G特征訓(xùn)練分類器的過程中，有針 對(duì)性的對(duì)人體肩膀以上部分作為正樣本的取樣，并通過弱分類器足夠數(shù)量的級(jí)聯(lián)層次的增 加逐漸訓(xùn)練得出更好的分類能力，并使用級(jí)聯(lián)分類器對(duì)多個(gè)檢測(cè)結(jié)果進(jìn)行分析，總結(jié)得出 每個(gè)級(jí)別最具時(shí)間運(yùn)行效率的一級(jí)分類器，進(jìn)而通過針對(duì)XML分類器的組合得到最終的行 人檢測(cè)分類器。分類器的具體訓(xùn)練方法包括如下的步驟：首先，創(chuàng)建訓(xùn)練樣本集并對(duì)訓(xùn)練樣 本集中的樣本進(jìn)行H0G特征提取，設(shè)定分類器需要達(dá)到的強(qiáng)度值，所述訓(xùn)練樣本集中的樣 本包括正樣本集及負(fù)樣本集，所述正樣本集中的正樣本為被檢測(cè)的目標(biāo)對(duì)象，所述負(fù)樣本 集中的負(fù)樣本從不包含任何被檢測(cè)的目標(biāo)對(duì)象信息的源負(fù)樣本中抽樣得到；其次，從正樣 本訓(xùn)練窗口和負(fù)樣本的初始訓(xùn)練窗口中得到一個(gè)基本分類器，所述正樣本訓(xùn)練窗口為檢測(cè) 目標(biāo)居中的圖像，所述負(fù)樣本的初始化訓(xùn)練窗口從一系列不包含目標(biāo)對(duì)象的圖像中隨機(jī)產(chǎn) 生；然后，使用基本分類器對(duì)源負(fù)樣本進(jìn)行掃描，得到錯(cuò)誤樣本并將錯(cuò)誤樣本添加到負(fù)樣本 集中，同正樣本集一起對(duì)基本分類器進(jìn)行訓(xùn)練，所述錯(cuò)誤樣本為源負(fù)樣本檢測(cè)出目標(biāo)對(duì)象 的樣本，重復(fù)對(duì)基本分類器進(jìn)行以上訓(xùn)練得到分層次的弱分類器，將不同層次的弱分類器 進(jìn)行級(jí)聯(lián)得到強(qiáng)分類器，強(qiáng)分類器達(dá)到設(shè)定的分類器需要達(dá)到的強(qiáng)度值時(shí)結(jié)束訓(xùn)練。
[0018] 在訓(xùn)練一個(gè)分類器的時(shí)候首先是創(chuàng)建一個(gè)訓(xùn)練樣本集，訓(xùn)練樣本集包括正樣本及 負(fù)樣本，訓(xùn)練的正樣本是被檢測(cè)的目標(biāo)對(duì)象，而負(fù)樣本是正樣本的相對(duì)，是完全不含有任何 目標(biāo)對(duì)象的圖像，最好的情況是負(fù)樣本越接近實(shí)際檢測(cè)場(chǎng)景的背景內(nèi)容越好。分類器就是 在這樣的樣本集合中通過數(shù)學(xué)建模對(duì)數(shù)據(jù)集特征訓(xùn)練得到的。在本發(fā)明所涉及的實(shí)際訓(xùn)
【權(quán)利要求】
1. 基于HOG特征人體感知分類器的訓(xùn)練方法，其特征在于，包括如下步驟： A. 創(chuàng)建訓(xùn)練樣本集并對(duì)訓(xùn)練樣本集中的樣本進(jìn)行HOG特征提取，設(shè)定分類器需要達(dá)到 的強(qiáng)度值，所述訓(xùn)練樣本集包括正樣本集及負(fù)樣本集，所述正樣本集中的正樣本為被檢測(cè) 的目標(biāo)對(duì)象，所述負(fù)樣本集中的負(fù)樣本從不包含任何被檢測(cè)的目標(biāo)對(duì)象信息的源負(fù)樣本中 抽樣得到； B. 從正樣本訓(xùn)練窗口和負(fù)樣本的初始訓(xùn)練窗口中得到一個(gè)基本分類器，所述正樣本訓(xùn) 練窗口為檢測(cè)目標(biāo)居中的圖像，所述負(fù)樣本的初始化訓(xùn)練窗口從一系列不包含目標(biāo)對(duì)象的 圖像中隨機(jī)產(chǎn)生； C. 使用基本分類器對(duì)源負(fù)樣本進(jìn)行掃描，得到錯(cuò)誤樣本，所述錯(cuò)誤樣本為源負(fù)樣本檢 測(cè)出目標(biāo)對(duì)象的樣本，將錯(cuò)誤樣本添加到負(fù)樣本集中，同正樣本集一起對(duì)基本分類器進(jìn)行 訓(xùn)練； D. 重復(fù)步驟C，得到分層次的弱分類器，將不同層次的弱分類器進(jìn)行級(jí)連得到強(qiáng)分類 器，強(qiáng)分類器達(dá)到設(shè)定的分類器需要達(dá)到的強(qiáng)度值時(shí)結(jié)束訓(xùn)練。
2. 如權(quán)利要求1所述的基于HOG特征人體感知分類器的訓(xùn)練方法，其特征在于，所述正 樣本的尺寸大小為48*48像素。
3. 如權(quán)利要求1所述的基于HOG特征人體感知分類器的訓(xùn)練方法，其特征在于，所述正 樣本及負(fù)樣本的數(shù)量均在12000個(gè)以上。
4. 如權(quán)利要求1所述的基于HOG特征人體感知分類器的訓(xùn)練方法，其特征在于，步驟D 中，重復(fù)步驟C的次數(shù)至少為50次。
5. 如權(quán)利要求1所述的基于HOG特征人體感知分類器的訓(xùn)練方法，其特征在于，所述正 樣本只包括人體肩膀以上部位的圖像。
6. 如權(quán)利要求1所述的基于HOG特征人體感知分類器的訓(xùn)練方法，其特征在于，每一個(gè) 正樣本只包含一個(gè)目標(biāo)對(duì)象。
【文檔編號(hào)】G06K9/00GK104091178SQ201410308775
【公開日】2014年10月8日 申請(qǐng)日期:2014年7月1日 優(yōu)先權(quán)日:2014年7月1日
【發(fā)明者】游萌 申請(qǐng)人:四川長(zhǎng)虹電器股份有限公司