[发明专利]一种基于改进Haar特征的低分辩率数据人头识别算法

说明书

技术领域

本发明属于计算机视觉领域，特别涉及一种基于改进Haar特征的低分辩率数据人头识别算法，及该方法在智能安防中的应用。

技术背景

随着社会的不断发展，人数统计有着越来越重要的意义，其应用范围也越来越广泛。例如，特殊场景下人数统计，关键区域内人数统计，公交上下人数统计等。这些区域的人数对公共安全防范，市场决策和交通配置等都有着非常重要的价值。传统的人数统计方法是人工计数或人工电子设备触发计数，不仅浪费人力物力而且效率不高。智能视频监控系统能够识别不同的运动物体，并能以最快和最佳的方式提供有用信息，使得其在人数统计方面的应用成为可能。在实现人数统计算法时，其核心便是人头识别。

由于常见的方法在低分辨率环境下对人头的识别率非常低，业界亟待一种能够实现智能视频监控中对低分辨率图像下的人头进行识别的方法。

发明内容

本发明的目的是针对现有视频监视系统，存在无法自动识别人头的情况下，提出一种基于改进Haar特征的低分辩率数据人头识别算法。

为了实现发明目的，采用的技术方案如下：

算法的流程图如图1所示。

该流程首先是提取大量的检测环境下的人头数据样本，然后对原有的Haar特征与算法进行改进，利用改进的Haar算法对提取的人头数据样本进行机器学习，从而利用Haar特征中的中心环绕特征有效得学习，从而识别出人头。

这个算法基于的条件是摄像头处于垂直状态，提取大量的检测环境下的人头数据样本然后对原有的Haar特征与算法进行改进，利用改进的Haar算法对提取的人头数据样本进行机器学习，进而通过利用学习得到的人头分类器进行人头的识别。用该算法具体过程可描述如下：

◆提取检测环境下的大量人头数据样本：

◆对原有的Haar特征与算法进行改进；

◆利用改进的Haar算法对提取的人头数据样本进行机器学习；

◆利用学习得到的人头分类器进行人头的识别；

该算法有效的解决了其它算法在低分辨率下识别率低的问题，通过机器学习可有效的学习人头的中心环绕特征，进行利用学习到的特征来对视频图像下的人头来进行识别与检测，可在不同场所，不同环境下进行人流量统计。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单的介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。

图1是本发明的体系结构示意图；

图2是本发明的计算函数示意图。

具体实施方式

如图2所示，为该算法的计算函数示意图。

本发明函数基于最新的OpenCV库。OpenCV是“Open Source Computer Vision Library”的简写，是Intel开源计算机视觉库。它由一系列C函数和少量的C++类构成，是可实现图像处理和计算机视觉方面的很多通用算法，可用来处理计算机视觉领域中常见的问题，其中主要涉及到以下几个方面的内容：

(1)HeadData Acquisition-人数数据的采集；

(2)ImprovedHaarFeature-改进Haar特征；

(3)Machine Learning-机器学习；

(4)HeadDetection-人头识别；

在本发明中，通过函数cvHaarFeature可用来对Haar特征进行计算，提取；

通过函数cvCreateIntHaarFeatures可用来对Haar特征算法进行改进：

通过函数cvCreateTrainingSamples可用来对人头数据进行采样；

通过函数CvHaarTrainingData可用来对采集的人头数据进行训练；

通过函数cvCreateTreeCascadeClassifier对提取的特征进行分类。