一種基于Haar特征和EOH特征的行人檢測方法
【技術(shù)領(lǐng)域】
[0001] 本發(fā)明屬于計算機(jī)視頻圖像處理技術(shù)領(lǐng)域，特別涉及一種基于Haar特征和Ε0Η特 征的行人檢測方法，用于對公共區(qū)域中的行人數(shù)量進(jìn)行精確統(tǒng)計。
【背景技術(shù)】
[0002] 隨著計算機(jī)技術(shù)和圖像處理技術(shù)的發(fā)展，基于視頻的智能監(jiān)控系統(tǒng)得到了廣泛的 應(yīng)用。在保障社會公共安全和交通安全方面、保護(hù)人民生命財產(chǎn)安全方面、在工業(yè)控制領(lǐng)域 保障安全生產(chǎn)和產(chǎn)品檢測方面以及有關(guān)商業(yè)領(lǐng)域方面都發(fā)揮著巨大的作用。
[0003] 智能視頻監(jiān)控系統(tǒng)的應(yīng)用主要在安全防控領(lǐng)域和非安全防控領(lǐng)域。公共場所人群 監(jiān)控、道路交通安全監(jiān)控、工業(yè)生產(chǎn)安全監(jiān)控等都屬于安全防控領(lǐng)域的應(yīng)用。非安全領(lǐng)域 有：商業(yè)領(lǐng)域、工業(yè)產(chǎn)品檢測、公共交通系統(tǒng)等。
[0004] 在現(xiàn)有技術(shù)中，對公共區(qū)域的行人檢測通常需要正樣本集中的正樣本及負(fù)樣本集 中的負(fù)樣本進(jìn)行訓(xùn)練以得到行人分類器；并通過該行人分類器對實時采集到的圖像中行人 區(qū)域判斷是否為行人區(qū)域并進(jìn)行人數(shù)計數(shù)，從而實現(xiàn)對行人的檢測。
[0005]目前，傳統(tǒng)的GentleAdaboost算法通過調(diào)整每輪訓(xùn)練中被錯分的樣本權(quán)值來實 現(xiàn)最優(yōu)行人分類器的選擇，對于錯分的正負(fù)樣本，其調(diào)整比例是相同的，因此無法解決正負(fù) 樣本數(shù)量間的非均衡問題。因此，有必要對現(xiàn)有技術(shù)中對公共區(qū)域的行人檢測的方法予以 改進(jìn)，以解決上述技術(shù)瑕疵。
【發(fā)明內(nèi)容】
[0006] 本發(fā)明的目的在于公開一種基于多特征的行人檢測方法，用以提高對公共區(qū)域內(nèi) 對行人進(jìn)行人數(shù)統(tǒng)計的效率與準(zhǔn)確度。
[0007] 為實現(xiàn)上述發(fā)明目的，本發(fā)明提供了一種基于Haar特征和Ε0Η特征的行人檢測方 法，包括以下步驟：
[0008]S1、計算訓(xùn)練樣本集中的正/負(fù)樣本的Haar特征和Ε0Η特征的特征向量；
[0009] S2、通過改進(jìn)的GentleAdaboost算法對訓(xùn)練樣本集中的正/負(fù)樣本進(jìn)行訓(xùn)練，得 到行人分類器；
[0010] S3、獲取監(jiān)控區(qū)域的視頻流圖像作為輸入圖像；
[0011]S4、利用行人分類器對輸入圖像進(jìn)行行人檢測；
[0012]S5、基于EKM算法對檢測得到的行人進(jìn)行跟蹤和計數(shù)。
[0013] 作為本發(fā)明的進(jìn)一步改進(jìn)，所述步驟S1中的訓(xùn)練樣本集由包含若干正樣本的正 樣本集與包含若干負(fù)樣本的負(fù)樣本集所組成；其中，
[0014] 所述正樣本集中的正樣本包含行人頭部和\或肩部；所述負(fù)樣本集中的負(fù)樣本不 包含行人頭部和\或肩部。
[0015] 作為本發(fā)明的進(jìn)一步改進(jìn)，所述步驟S1中對訓(xùn)練樣本集中的正/負(fù)樣本進(jìn)行Haar 特征的計算具體為：將若干Haar基本特征線性組合，以形成的若干Haar特征。
[0016] 作為本發(fā)明的進(jìn)一步改進(jìn)，所述步驟S1中的"Ε0Η特征的特征向量"是通過在訓(xùn)練 樣本集中的任意一個正樣本或負(fù)樣本進(jìn)行像素點的梯度值計算所形成的梯度圖像的基礎(chǔ) 之上，通過對所述梯度圖像進(jìn)行H0G特征提取所得到的邊緣圖像直方圖特征。
[0017] 作為本發(fā)明的進(jìn)一步改進(jìn)，所述訓(xùn)練樣本集中的正/負(fù)樣本為30X30~100X100 像素的256階灰度圖像。
[0018] 作為本發(fā)明的進(jìn)一步改進(jìn)，所述步驟S2中"改進(jìn)的GentleAdaboost算法"具體 為：在傳統(tǒng)GentleAdaboost算法的基礎(chǔ)上，引入正/負(fù)樣本誤分類代價敏感機(jī)制。
[0019] 作為本發(fā)明的進(jìn)一步改進(jìn)，所述步驟S3具體為：通過攝像機(jī)獲取監(jiān)控區(qū)域的視頻 流圖像作為輸入圖像，所述監(jiān)控區(qū)域位于攝像機(jī)的正下方。
[0020] 作為本發(fā)明的進(jìn)一步改進(jìn)，所述步驟S4具體為：使用30X30~100X100的矩形 窗口對步驟S3所獲取的輸入圖像進(jìn)行掃描，計算落在矩形窗口內(nèi)待檢測圖像的Haar特征 和Ε0Η特征的特征向量，并將所述待檢測圖像的Haar特征和Ε0Η特征的特征向量的檢測結(jié) 果輸入至行人分類器中，將行人分類器輸出為正的待檢測圖像標(biāo)記為行人區(qū)域。
[0021] 作為本發(fā)明的進(jìn)一步改進(jìn)，步驟S5中的所述"EKM算法"具體為：根據(jù)前一幀圖 像中目標(biāo)位置的坐標(biāo)，利用Kalman濾波來預(yù)測本幀圖像中目標(biāo)可能的坐標(biāo)點，然后再利用 meanshift算法以估計到的坐標(biāo)點為起始點進(jìn)行迭代運算。
[0022] 與現(xiàn)有技術(shù)相比，本發(fā)明的有益效果是：在本發(fā)明中，通過將Haar特征與Ε0Η特征 一起作為特征向量對行人特征進(jìn)行描述，提升了行人檢測的精確度，并有效地提高了對公 共區(qū)域內(nèi)對行人進(jìn)行人數(shù)統(tǒng)計的效率與準(zhǔn)確度。
【附圖說明】
[0023] 圖1為本發(fā)明一種基于Haar特征和Ε0Η特征的行人檢測方法的流程圖；
[0024] 圖2為本發(fā)明步驟S1中所采用的五種Haar基本特征的示意圖；
[0025] 圖3a為Sobel算子計算X方向的梯度值的示意圖；
[0026] 圖3b為Sobel算子計算y方向的梯度值的示意圖；
[0027] 圖4為本發(fā)明所示的輸入圖像作卷積和運算的示意圖；
[0028] 圖5為步驟S3中監(jiān)控區(qū)域的視頻流圖像的工作原理示意圖。
【具體實施方式】
[0029] 下面結(jié)合附圖所示的各實施方式對本發(fā)明進(jìn)行詳細(xì)說明，但應(yīng)當(dāng)說明的是，這些 實施方式并非對本發(fā)明的限制，本領(lǐng)域普通技術(shù)人員根據(jù)這些實施方式所作的功能、方法、 或者結(jié)構(gòu)上的等效變換或替代，均屬于本發(fā)明的保護(hù)范圍之內(nèi)。
[0030] 參圖1所示的本發(fā)明一種基于Haar特征和Ε0Η特征的行人檢測方法的具體實施 方式。
[0031] 在本實施方式中，首先執(zhí)行步驟S1、計算訓(xùn)練樣本集中的正/負(fù)樣本的Haar特征 和Ε0Η特征的特征向量。
[0032] 步驟S1中的訓(xùn)練樣本集由包含若干正樣本的正樣本集與包含若干負(fù)樣本的負(fù)樣 本集所組成。由于行人在行走時頭部與肩部的變化較小，基于易于檢測方面的考慮，可將訓(xùn) 練樣本集定義為：只包含行頭部和\或肩部的正樣本集、不包含行人頭部和\或肩部的負(fù)樣 本集。
[0033] 在本實施方式中，采用如圖2所示的五種Haar基本特征，可將該五種Haar基本特 征線性組合成為若干Haar特征。
[0034] 所述步驟S1中的"Ε0Η特征的特征向量"是通過在訓(xùn)練樣本集中的任意一個正樣 本或負(fù)樣本進(jìn)行像素點的梯度值計算所形成的梯度圖像的基礎(chǔ)之上，通過對所述梯度圖像 進(jìn)行H0G特征提取所得到的邊緣圖像直方圖特征。
[0035]Ε0Η特征（EdgeOrientationHistogramsFeatures，Ε0Η)是在梯度圖像上進(jìn)行 HOG特征，該Ε0Η特征的特征向量的計算過程具體如下所述。
[0036] 結(jié)合圖3a、圖3b與圖4所示，對輸入圖像在某個像素點的像素值設(shè)為f(x，y)。
[0037] 對于該像素點的梯度值計算公式如下述公式（1)所示：
[0038]
[0039] 其中，M(x，y)為像素點（x，y)處所求的梯度值，Sx、Sy為利用sobel算子分別計算 像素點（x，y)沿x、y方向上的梯度值。
[0040] 其中圖3a為Sobel算子計算該像素點（X，y)沿X方向的梯度值的示意圖；圖3b 為Sobel算子計算該像素點（X，y)沿y方向的梯度值的示意圖。
[0041]Sx、Sy*別表示sobel算子與如圖4所示的圖像鄰域的灰度級做卷積運算。圖4中 KZji= 1，2, ....，9)表示該像素點（X，y)八鄰域周圍的像素點的灰度值，梯度值\及 Sy計算公式如下述公式（2)、公式（3)所示：
[0042
[0043 L 」L· ， 。 ，」 ⑶；
[0044]S卩，輸入圖像在像素點（x，y)處沿x、y方向上的梯度值的計算公式分別為下述公 式（4)、公式（5)所示：
[0045] Sx =(2^222+2^ -(Z7+2Z8+Z9) (4)；
[0046] Sy = (Zj+224+Ζγ) - (Z3+2Z6+Z9) (5)。
[0047]Sobel算子是圖像處理中的算子之一，主要用作邊緣檢測，是一種離散性差分算 子，用來運算圖像亮度函數(shù)的梯度近似值。
[0048] 在本實施方式中，該Sobel算子包含兩組3X3的矩陣，分別為用于求像素點沿X、 y方向上的梯度值，將之與如圖4所示的輸入圖像中的每個像素點的鄰域灰度級作卷積和 運算，然后選取合適的閥值K以便去除噪聲。
[0049] 具體的，該卷積和運算的計算公式如下述公式（6)所示：
[0050]
[0051] 其中，在本實施方式中，該閾值K取值為70。
[0052] 然后在梯度圖像f(x，y)上進(jìn)行HOG特征提取，得到Ε0Η特征的特征向量。
[0053] 然后，執(zhí)行步驟S2、通過改進(jìn)的GentleAdaboost算法對訓(xùn)練樣本集中的正/負(fù)樣 本進(jìn)行訓(xùn)練，得到行人分類器。
[0054] 傳統(tǒng)的GentleAdaboost算法通過調(diào)整每輪訓(xùn)練中被錯分的樣本權(quán)值來實現(xiàn)最優(yōu) 分類器的選擇，對于錯分的正負(fù)樣本，其調(diào)整比例是相同的，因此無法解決正負(fù)樣本數(shù)量間 的非均衡問題。