[发明专利]一种基于Adaboost Haar-Like特征的SVM目标检测方法

说明书

本发明提供一种基于Adaboost Haar‑Like特征的SVM目标检测方法，该方法采用Haar‑Like特征，通过Adaboost方法将若干个该类特征组成一个强特征分类器，重复按这种方法选取多个强特征分类器，然后将这些强特征分类器的特征值按照一定的顺序组成特征向量，采用SVM方法对特征向量进行训练和检测。本发明虽然与基于级联结构的Adaboost Haar‑Like特征目标检测算法相比速度有所降低，但准确率有较明显的提升。

技术领域

本发明涉及图像识别技术领域，具体是一种基于Adaboost Haar-Like特征的SVM目标检测方法。

背景技术

随着视频监控技术的发展，视频监控产品不断朝着高清化、智能化的方向发展。目前，业界研究的智能化的主要内容之一是使计算机自动识别出画面中的目标行为。而识别目标行为的前提是要准确地检测出感兴趣的目标。Paul Viola和Michael Jones于2001年提出了一种基于Adaboost Haar-Like特征，以级联结构进行目标检测的方法（Rapidobject detection using a boosted cascade of simple features, CVPR2001，后面简称经典Adaboost Haar-like方法），并将该方法应用于人脸检测，取得了较好的效果。

该方法通过Adaboost方法选取出具有相对较好区分度的Haar-Like特征组合成强特征，然后将若干个强特征分类器级联起来，在特定区域检测目标时，逐级通过强特征分类器，如果任何一个强特征分类器判定不是感兴趣目标时，就结束此次识别，并判定为非感兴趣目标。只有通过了所有级联强特征分类器的区域才判定为感兴趣目标。由于大部分非目标区域在前几级强特征分类器中就会被判定为非感兴趣目标而提前结束识别，因此这种方法识别速度较快。

但上述方法存在的问题是：由于是级联的结构，因此一旦前面的强特征分类器判断错误，即使后面的所有强特征分类器判断是正确的也没用，最终的判定结果依然是错误的。

发明内容

本发明的目的在于提供一种具有较高准确率的基于Adaboost Haar-Like特征的SVM目标检测方法。

本发明的技术方案为：

一种基于Adaboost Haar-Like特征的SVM目标检测方法，包括以下步骤：

（1）遍历所有正负训练样本，按照经典Adaboost Haar-like方法训练出完整的级联强特征分类器；

（2）再次遍历所有正负训练样本，根据各级强特征分类器的计算参数，计算出每个训练样本对应的各级强特征分类器的特征值；

（3）将所述每个训练样本对应的各级强特征分类器的特征值按照一定的顺序组成特征向量；

（4）将所有正负训练样本的特征向量输入SVM分类器，完成对SVM分类器的训练；

（5）根据所述各级强特征分类器的计算参数，计算出测试样本对应的各级强特征分类器的特征值；

（6）将所述测试样本对应的各级强特征分类器的特征值按照训练时的顺序组成特征向量；

（7）将所述测试样本的特征向量输入训练完成的SVM分类器，通过所述训练完成的SVM分类器判断测试样本是否存在待检测目标。

本发明的有益效果为：