[发明专利]基于AdaBoost框架和头部颜色的实时人体检测方法

说明书

技术领域

本发明涉及的是一种人体检测方法，具体涉及一种基于AdaBoost框架和头部颜色特征的实时人体检测方法。

背景技术

人体检测在监控系统、驾驶员辅助系统以及灾难现场搜救等领域中有着广泛的应用。混乱背景下的人体检测是一项极具挑战性的任务。很多研究者致力于人体检测，并取得了一些成果。较成功的检测方法为HOG(Histograms of Oriented Gradients，方向梯度直方图)结合支持向量机(SVM)的方法，但这种方法检测速度慢。

Begard研究了不同类型的AdaBoost算法实现行人检测(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HOG-M特征，Begard采用的是HOG特征中的Cell作为提取特征的单元(而原HOG特征是将4个Cell合在一起的Block作为特征)，特征维数只是原特征的四分之一。由于特征数较少，而且采用的是AdaBoost-Boosting分类方法，因此检测速度快，但是检测效果稍差。

徐堃结合fisher判别分析对选出的弱分类方法进行训练(徐堃，徐佩霞.一种基于改进Adaboost的人体检测算法.电子技术(上海)，2009(11)：69-71.)，学习得到一个新的线性判别方程，最大化不同类别数据之问的可分离性。

发明内容

本发明的目的在于提供一种能提高检测的准确性的基于AdaBoost框架和头部颜色的实时人体检测方法。

本发明的目的是这样实现的：

包括训练及检测两个步骤；

训练阶段的步骤如下：

(1)根据模板提取多尺度HOG特征；

(2)采用AdaBoost-Boosting方法训练人体检测模型；

(3)提取头部颜色直方图特征；

(4)采用AdaBoost方法训练头部判别模型；

检测步骤如下：

(5)基于滑动窗口方法的人体检测；

(6)对于每个检测窗口，先提取HOG特征，根据人体检测模型判别是否是人体；

(7)对于判别为人体的窗口，提取头部直方图特征，判断是否包含头部；包含头部的窗口确定为包含人体的窗口，在图像中相应位置画出矩形。

本发明与已有技术的不同之处是采用的特征单元是原HOG特征的Block，而且是多尺度的Block，并结合了特征模板，提高了检测效果。此外，本发明增加了头部特征判别以提高检测率，降低假报警率。

本发明在INRIA数据库上的实验结果证明了该方法的有效性，同时检测时间也达到了实时性。

附图说明

图1cell特征计算流程；

图2(a)-(b)梯度平均图像与特征模板，其中图2(a)梯度平均图像、图2(b)特征模板；

图3AdaBoost分类方法的结构；

图4层类器结；

图5基于组特征的AdaBoost算法；

图6组特征分类方法训练算法；

图7检测流程图；

图8HOG特征检测算法；

图9头部检测算法；

图10头部颜色的bin数与假报警率关系；

图11本发明方法的检测性能。

具体实施方式

下面举例对本发明做更详细的描述：

1训练----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(具体方法见1.3节)，并保存；

(2)载入特征模板，并按特征模板生成特征映射表(具体方法见1.3节)；

(3)按特征映射表提取特征；

对于每个训练样本图像，特征提取分以下步骤完成。

(1)将图像缩放为64×128大小；

(2)用[-1 0 1]的掩模计算其梯度幅值图像和方向角图像；

(3)将图像分别划分为基本单元为2、4和8的cell；计算多尺度cell特征；

(4)形成特征向量(见1.3节)。

1.2多尺度cell特征的计算