CN101561867B - 一种基于高斯形状特征的人体检测方法 - Google Patents

Abstract

一种基于高斯形状特征的人体检测方法，属于计算机视觉与模式识别领域，解决现有检测方法检测率和检测速度较低的问题。本发明包括：1.提取特征步骤，提取各训练样本每个矩形区域的高斯形状特征；2.构建级联检测器步骤，对当前训练样本进行学习，构成级联检测器；3.检测人体步骤：使用级联检测器对待检测图像扫描检测，确定图像中人体位置以及大小。本发明赖以构建的高斯形状特征对光照、背景等变化具有较强的鲁棒特性，同时特征维数低；高斯形状特征的构建加入了区域的均值，对人体和背景的区分能力得到增强；因而构建的级联检测器可以大大提高人体检测率，可应用于智能监控、辅助驾驶以及人机交互系统。

Description

一种基于高斯形状特征的人体检测方法

技术领域

本发明属于计算机视觉与模式识别领域，具体涉及一种基于高斯形状特征的人体检测方法。

背景技术

图像识别中人体检测问题是对象检测领域最困难的问题之一，人体检测的关键是要设计合适的图像特征来区别人体和背景，以及设计合适的学习方法进行分类。目前，Haar特征在人脸检测中得到了成功应用，很多研究者将它应用到人体检测上来，如Oren等利用重叠的Haar特征训练支持向量机(Support Vector Machine，SVM)进行人体检测，见M.Oren，C.Papageorgiou，P.Sinha，E.Osuna，and T.Poggio.Pedestriandetection using wavelet templates.IEEE Conference on Computer Vision andPattern Recognition，1997；Viola等将Haar特征扩展以描述连续帧的变化信息，见P.Viola，M.J.Jones，and D.Snow.Detecting pedestrians usingpatterns of motion and appearance.International Journal of Computer Vision，63(2)：247-266，November 2007，这种方法的检测速度为4帧每秒左右，在摄像机静止且光照缓慢变化的情况下比较简单和有效，但是该方法不适合于运动摄像机的场合，由于摄像机运动，连续几帧的背景发生了变化，该方法的误报率非常高。另外人的衣着的变化，颜色、纹理等特征都会随着变化，因此，人的身体轮廓形状是检测人体的关键特征。近几年研究者们致力于设计能够更加有效地从图像中提取人体轮廓形状的特征，并基于这些特征设计人体检测算法，如Bo Wu等提出的Edgelet特征，通过对局部的图像底层梯度值进行变换得到局部的轮廓特征，利用Adaboost算法从大量的局部特征中选择一部分最有效的特征构成分类器，进行人体检测，见B.Wu and R.Nevatia.Detection and tracking ofmultiple，partially occluded humans by Bayesian combination of edgeletbased part detectors.International Journal of Computer Vision，75(2)：247-266.2007；Ying Wu等提出了一种基于马尔科夫随机场(Random Markov Field)的人体检测算法，利用随机场来描述人体的轮廓特征，见Y.Wu，T.Yu.Afield model for human detection and tracking.IEEE Transaction on PatternAnalysis and Machine Intelligence，28(5)：753-765，2006；Dalal和Triggs于2005年提出基于方向梯度直方图(Histogram of Oriented Gradients，HOG)特征和支持向量机的人体检测算法具有里程碑意义，见N.Dalal and B.Triggs.Histograms of oriented gradients for human detection.IEEEConference on Computer Vision and Pattern Recognition，2006，该方法使用直方图来描述局部的图像梯度方向的分布，从而得到图像局部的边缘走向，许多这样的局部特征组合在一起就描述了人体轮廓的形状特征。该方法与以前的算法相比，检测率有非常大的提高，但检测速度较慢，不能达到实时检测。Cascade结构在人脸检测中被实验证明是一种能够有效提高检测速度的工具。其主要原理是利用对象问题中的不对称性(扫描一张图片可以得到10000个左右的检测窗口，但是其中只有少量几个窗口是人)，通过在初期利用少量的特征将大量的检测窗口排除，降低在检测时总的分类比较次数，从而提高检测速度。Tuzel等设计出协方差特征，并在训练人体检测器时对特征进行映射，检测率比Dalal和Triggs的方法好，但速度较慢，见O.Tuzel，F.Porikli and P.Meer.Human detection viaclassification on Riemannian manifolds.IEEE Conference on ComputerVision and Pattern Recognition，2007。

发明内容

本发明提供一种基于高斯形状特征的人体检测方法，解决现有人体检测方法检测率和检测速度远未令人满意的问题。

本文所述训练样本集，由包括人体图像的正样本训练集和不包括人体图像的负样本训练集两类组成；正、负样本训练集各包括若干训练样本，每个训练样本为人为规定标准尺寸的图像。

原始图像集由若干不含人体的图像组成，每幅图像尺寸大于上述训练样本的标准尺寸；从原始图像集中抽取图像时，每幅抽取的图像尺寸为与训练样本相同的标准尺寸。

本发明的一种基于高斯形状特征的人体检测方法，包括：

一、提取特征步骤，包括以下子步骤：

1.1.对训练样本集中每个训练样本I，计算每个像素点(x，y)的特征向量φ(I，x，y)：

$\mathrm{\φ}(I,x,y)={\left[\mathrm{xy}\right|I_x\left|\right|I_y\left|\sqrt{I_x^2+I_y^2}\right|I_{\mathrm{xx}}\left|\right|I_{\mathrm{yy}}\left|\arctan \frac{\left|I_x\right|}{\left|I_y\right|}\right]}^T$

其中，x、y为像素点的坐标值，I_x为对训练样本I进行[-1 0 1]滤波后像素点(x，y)处的值，I_y为对训练样本I进行[-1 0 1]^T滤波后像素点(x，y)处的值，I_xx为对训练样本I进行[-1 2 -1]滤波后像素点(x，y)处的值，I_yy为对训练样本I进行[-1 2 -1]^T滤波后像素点(x，y)处的值；

1.2.从第一个训练样本中抽取至少50个矩形区域，它们的位置和大小都是随机的；随后的训练样本中抽取矩形区域的数量、位置和大小均与第一个训练样本相同；

1.3.提取各训练样本每个矩形区域的高斯形状特征；

二、构建级联检测器步骤，包括以下子步骤：

2.1.对当前训练样本进行学习，得到一个节点分类器；

2.2.将子步骤2.1得到的节点分类器添加为当前级联检测器的最后一级；

2.3.对当前训练样本作Bootstrap处理：使用当前级联检测器，剔除负样本训练集中被正确分类的样本，再从原始图像集中抽取与被剔除数量相等的、且被当前级联检测器错误分类的图片，加入当前负样本训练集；判断原始图像集中图像数量是否为0且当前负样本训练集中样本数量小于初始数量，是则转步骤三；否则进行子步骤2.4；

2.4.提取高斯形状特征：按照步骤一，提取当前训练样本的高斯形状特征，然后转子步骤2.1；

三、检测人体步骤：从待检测图像中扫描检测出人体，包括以下子步骤：

3.1.将待检测图像进行多次不同比例缩放操作得到若干幅尺寸大小不同的缩放图像；

3.2.对子步骤3.1所得到的每幅缩放图像，按定步长抽取与训练样本尺寸相同的图片，使用构建的级联检测器对其分类，如果抽取的图片被分类为人体图片，则计算该人体图片在未经缩放的待检测图像中的对应位置和大小信息并保存，否则继续按定步长从缩放图像中抽取图片并分类，直至该幅缩放图像被抽取完毕；

3.3.根据子步骤3.2记录下的每幅缩放图像所有人体图片在待检测图像中的位置和大小信息，确定待检测图像中最终的人体位置以及大小。

所述的人体检测方法，其特征在于：

所述提取特征步骤中，提取各训练样本每个矩形区域的高斯形状特 征的子步骤1.3包括如下过程：

1.3.1.计算特征向量均值μ：计算矩形区域的所有像素点的特征向量均值μ，

$\mathrm{\μ}=\frac{1}{N}\underset{i=1}{\overset{N}{\mathrm{\Σ}}}{\mathrm{\φ}}_i;$

式中，N为矩形区域内像素点的个数，φ_i为矩形区域内第i个像素点的特征向量；

1.3.2.计算特征向量协方差矩阵∑：计算矩形区域的所有像素点的特征向量协方差矩阵∑，

$\mathrm{\Σ}=\frac{1}{N-1}\underset{i=1}{\overset{N}{\mathrm{\Σ}}}({\mathrm{\φ}}_i-\mathrm{\μ}){({\mathrm{\φ}}_i-\mathrm{\μ})}^T;$

1.3.3.构建高斯形状特征S：组合该矩形区域的特征向量协方差矩阵∑和特征向量均值μ，得到该矩形区域的高斯形状特征S：

$S=\left[\begin{array}{cc}R& \mathrm{\μ}\\ 0& 1\end{array}\right],$

其中，R满足关系式∑＝RR^T，并且R为下三角矩阵。

所述的人体检测方法，其特征在于：

所述构建级联检测器步骤中，对当前训练样本进行学习，得到一个节点分类器的子步骤2.1包括如下过程：

2.1.1.对于所有训练样本每一个矩形区域，构造集合{(S₁，y₁)，...，(S_i，y_i)，...，(S_N，y_N)}，其中S_i为第i个训练样本对应于该矩形区域的高斯形状特征，y_i取1表示第i个训练样本为含人体的正样本，否则y_i取0；

2.1.2.将每一个训练样本权重w_i、可能为正样本的概率P(S_i)、分类函数值F(S_i)初始化：

w_i＝1/N，p(S_i)＝1/2，F(S_i)＝0，i＝1～N；

2.1.3.计算每一个训练样本权重w_i，对权重w_i归一化，然后计算集合{S₁，...，S_i，...S_N}的带权均值μ：

w_i＝p(S_i)(1-p(S_i))，i＝1～N；

$w_i\←\frac{w_i}{\underset{i=1}{\overset{N}{\mathrm{\Σ}}}{w}_i};$

$\mathrm{\μ}=\arg {\min }_{l\∈L}{\mathrm{\Σ}}_{i=1}^N{w}_i{d}^2(S_i,l);$

符号

表示从L中找到一个l使得

的值最小，其中L为高斯特征S_i所处的李群空间，

d(S_i，l)为S_i与l之间的距离；；l为L中的任意一个元素；

2.1.4.将μ和S_i的距离d(μ，S_i)映射到向量空间，得到向量vS_i：

vS_i＝vec(d(μ，S_i))，i＝1～N，

符号vec(d(μ，S_i))表示将矩阵d(μ，S_i)的所有非0元素依次序排列成为向量；

2.1.5.基于权重w_i，通过带权最小二乘法拟合出vs_i→z_i的系数向量g：

g＝(Vs^TWVs)^-1Vs^TWZ，

其中，Vs＝[vs₁…vs_i…vs_N]^T，

Z＝[z₁…z_i…z_N]^T，

其中

i＝1～N，得到该矩形区域对应的弱分类器f(X)：

$f\left(X\right)=\left\{\begin{array}{cc}1& g\·\mathrm{vec}\left(d(\mathrm{\μ},X)\right)>0\\ 0& g\·\mathrm{vec}\left(d(\mathrm{\μ},X)\right)\≤0\end{array}\right.,$

其中X为待分类的高斯形状特征，1表示正样本，0表示负样本；

2.1.6.计算每个弱分类器对应的二项式似然对数R：

$R=-\underset{i=1}{\overset{N}{\mathrm{\Σ}}}[y_i\log \left(P^{\′}\left(S_i\right)\right)+(1-y_i)\log (1-P^{\′}\left(S_i\right))]$

其中， $P^{\′}\left(S_i\right)=\frac{e^{F^{\′}\left(S_i\right)}}{e^{F^{\′}\left(S_i\right)}+e^{-F^{\′}\left(S_i\right)}},$

$F^{\′}\left(S_i\right)=F\left(S_i\right)+\frac{1}{2}f\left(S_i\right),$

2.1.7.选择分类能力最强的弱分类器：

根据过程2.1.6得到所有矩形区域对应的弱分类器对应的二项式似然对数之后，从中选择二项式似然对数最小的弱分类器f_m(X)为分类能力最强的弱分类器，并保存其对应的矩形区域和带权均值μ_m，其中m表示已经选择的能力最强的弱分类器的总个数；

2.1.8.更新分类函数值F(S_i)、可能为正样本的概率P(S_i)：

$F\left(S_i\right)\←F\left(S_i\right)+\frac{1}{2}{f}_m\left(S_i\right),$

$P\left(S_i\right)\←\frac{e^{F\left(S_i\right)}}{e^{F\left(S_i\right)}+e^{-F\left(S_i\right)}},i=1~N;$

2.1.9.判断是否继续选择弱分类器：

判断是否P_Rp-P_Rn＞T，是则分类器训练已达到要求，不再继续选择弱分类器，转过程2.1.10；否则转过程2.1.3，继续选择新弱分类器；

P_Rp为正样本训练集中各样本对应的第R_p大的P(S_i)值，R_p＝TP×N_p，TP为分类器要求达到的正样本检测率，N_p表示正样本训练集中的样本总数；P_Rn为负样本训练集中各样本对应的第R_n大的P(S_i)值，R_n＝FP×N_n，FP为分类器要求达到的负样本误检率，N_n表示负样本训练集的样本总数；

T＝0.01～0.5，为人为设置的阈值，T值小，则训练量小，但选择的弱分类器数量少；T值大，则训练量大，选择的弱分类器数量多；

2.1.10.组合前述过程选择的弱分类器，得到级联检测器的一个节点分类器C(Win)：

$C\left(\mathrm{Win}\right)=\left\{\begin{array}{cc}1& {\mathrm{\Σ}}_{m-1}^M{f}_m\left(X_m\right)>0\\ 0& {\mathrm{\Σ}}_{m-1}^M{f}_m\left(X_m\right)\≤0\end{array}\right.;$

其中，Win表示一标准尺寸待分类图片，f_m(X_m)为节点分类器中第m个弱分类器，X_m表示待分类图片Win在第m个弱分类器对应的矩形区域上的高斯形状特征，M为组成节点分类器的弱分类器的个数，1表示正样本，0表示负样本。

所述的人体检测方法，其特征在于：

对当前训练样本进行学习，得到一个节点分类器的子步骤2.1中，通过下述迭代式求解过程2.1.3的μ值：

$\mathrm{\Δ\μ}=\exp \left({\mathrm{\Σ}}_{i=1}^N{w}_{i}d(\mathrm{\μ},S_i)\right),$

μ_t+1＝μ_tΔμ，

d(μ，S_i)＝log(μ^-1S_i)，

μ_i初始值为从集合{S₁，...，S_i，...S_N}中随机选择的一个高斯特征，

若满足|log(Δμ)|＜ε，ε取10^-11～10^-9，则停止迭代，最后得到的μ_t就是待求的μ值。

本发明对当前训练样本进行学习训练，得到一个节点分类器的子步骤中，2.1.3、2.1.4、2.1.5等过程涉及到d的计算，即高斯形状特征的距离度量。由于高斯形状特征为矩阵表示，而非向量表示，这样一来高斯形状特征间的距离度量不能简单的使用向量间的距离度量方法来度量，因此高斯形状特征的距离度量问题便成了一个迫切需要解决的问题。同样是矩阵表示的协方差特征，有人根据它的正定对称性，将协方差特征间距离的度量转化为黎曼流形(Riemannian Manifolds)下的对应点间距离的度量，并基于此对经典的Logitboost机器学习方法予以改进，以对协方差特征进行学习训练。本发明中，解决高斯形状特征间距离度量问题的思路和协方差特征间距离度量是相同的，但高斯形状特征并不具有对称正定性，所以黎曼流形空间不适合它，但由高斯形状特征的定义式不难证明所有的高斯形状特征实际上构成了一个李群空间，这样一来高斯形状特征距离度量问题就完全可以借助成熟的李群理论来解决。因此给定两高斯形状特征S₁和S₂，S₁和S₂的距离d(S₁，S₂)的计算式如下：

d(S₁，S₂)＝log(S₁ ^-1S₂)。

本发明通过构建级联检测器步骤，最终得到用于检测图像中人体的级联检测器，该级联检测器的每级是一个由机器学习方法训练得到的节点分类器，只有当待检测窗口(从待检测图像的若干缩放图像中抽取出的标准尺寸大小的图片)被所有节点分类器分类为人体，才被真正视为人体，若在期间任一级上被分类为非人体，则将直接视为非人体，可见这样的级联结构在对待检测窗口进行分类时是十分有效率的。该级联检测器中，最初的几级节点分类器较为简单，通常一级仅由几个弱分类器组成，而越靠后的级，组成节点分类器的弱分类器数目会越多，节点分类器会越复杂，分类性能也会越强。在对待检测图像扫描检测时，会出现大量的不含人体的检测窗口，这些窗口的大部分可以用级联检测器靠前的简单的节点分类器将其排除，只是少量的比较难检测的窗口才会动用级联分类器中靠后的复杂的节点分类器，这样一来，整个图像的扫描检测过程所需要的时间就得到降低。因此这样的级联方式可以在不影响检测率的同时，极大的减少检测时间，加快人体检测速度。

本发明中，基于协方差特征构建的高斯形状特征，对光照、背景等变化具有较强的鲁棒特性，同时也具有特征维数低的优点；高斯形状特征的构建加入了区域的均值特征，使得高斯形状特征对人体和背景的区分能力得到增强；因而基于高斯形状特征构建级联检测器可以大大提高人体检测率。

附图说明

图1为本发明的流程框图；

图2是本发明构建级联检测器步骤中子步骤2.1的流程框图；

图3是本发明的级联检测器结构示意图；

图4是用本发明的实施例构建得到的级联检测器检测图像中的人体的效果图；

图5是本发明的实施例构建得到的级联检测器的检测性能曲线图。

具体实施方式

下面结合图1、图2和实施例对本发明详细说明。

本实施例是在法国的INRIA人体数据集(见http://lear.inrialpes.fr/data)上实施的，INRIA人体数据集包括有2416张图像的含人体的正样本训练集、1218张图像的不含人体的原始图像训练集、1126张图像的含人体的正样本测试集以及453张图像的不含人体的原始图像测试集。

对INRIA人体数据集中正样本训练集的2416张图像做裁剪得到2416张70×134像素的图像作为正样本训练集，而从原始图像训练集的1218张图像中抽取出70×134像素的2416张图像作为负样本训练集。

本实施例的具体实施步骤如下：

步骤一、提取特征，包括如下子步骤：

1.1.对正负训练样本集中的每个训练样本，计算每个像素点的特征向量；

1.2.从每个训练样本70×134像素的矩形区域内，大小和位置都随机地抽取200个矩形区域，各训练样本抽取的矩形区域位置和大小均与第一个训练样本相同；

1.3.对每个训练样本提取对应于200个矩形区域的高斯形状特征；

步骤二、构建级联检测器，包括如下子步骤：

2.1.训练节点分类器；对于所有训练样本各自抽取出的200个矩形区域中的每个矩形区域，依据过程2.1.1～2.1.6得到200个矩形区域所对应的弱分类器，然后依据过程2.1.7在这200个弱分类器中选择分类能力最强的弱分类器；

在本实施例中，每选择一个分类能力最强的弱分类器后，按照过程2.1.8更新完可能为正样本的概率P之后，按照过程2.1.9判断是否继续选择弱分类器：本实施例中，指定每个节点分类器的正样本检测率TP要达到0.997，负样本的误检率FP接近0.65，又可知N_p＝N_n＝2416，则过程2.1.9中的R_p和R_n分别为R_p＝0.997×2416，R_p＝0.65×2416；找出所有正训练样本对应的第R_p大的P(S_i)值P_Rp，找出所有负训练样本对应的第R_n大的样本的P(S_i)值P_Rn，并且设定T＝0.02，那么当P_Rp-P_Rn＞0.02时，则当前选择的弱分类器数量已达到要求，按照过程2.1.10组合得到一个节点分类器；否则，依据子步骤2.1继续选择新的弱分类器；

2.2.将子步骤2.1得到的节点分类器加入到当前级联检测器的最后一级；

2.3.对当前训练样本作Bootstrap处理：使用当前级联检测器，剔除负样本训练集中被正确分类的样本，然后再从INRIA人体数据集中不含人体的原始图像训练集中抽取出与被剔除数量相等的且被当前级联检测器错误分类的70×134尺寸的图片加入到当前负样本训练集中。在本实施例中，每次从不含人体的用于训练的原始图像集中抽取被当前级联人体检测器错误分类的负样本时，都是从中随机选择一张图片经密集缩放扫描抽取完毕后删除。判断INRIA人体数据集的原始图像训练集中的图像数量是否为0且当前负样本训练集中样本数量小于初始数量2416，是则转步骤三；否则进行子步骤2.4；

2.4.按照步骤一，提取当前训练样本的高斯形状特征，然后转子步骤2.1；

步骤三、检测图像中的人体，包括如下子步骤：

3.1.将待检测的图像进行多次不同比例缩放操作得到若干幅尺寸大小不同的缩放图像。本实施例中，将待检测图像分别作1.2和1.44倍的放大和缩小，总共得到原图像在内的5幅缩放图像。

3.2.对子步骤3.1所得到的每幅缩放图像，按定步长抽取与训练样本尺寸相同的图片，使用构建的级联检测器对其分类，如果抽取的图片被分类为人体图片，则计算该人体图片在未经缩放的待检测图像中的对应位置和大小信息并保存，否则继续按定步长从缩放图像中抽取图片并分类，直至该幅缩放图像被抽取完毕；本实施例中，抽取图片的横向和纵向步长都为8像素；

3.3.根据子步骤3.2记录下的每幅缩放图像所有人体图片在待检测图像中的位置和大小信息，确定待检测图像中最终的人体位置以及大小。

图3所示为本发明构建的级联检测器，该级联检测器由第一节点分类器～第K节点分类器级联组成，使用它进行人体检测时，只有当待检测窗口(从待检测图像的若干缩放图像中抽取出的标准尺寸大小的图片)被所有节点分类器分类为人体，才被真正视为人体，若在任一级节点分类器上被分类为非人体，则将直接视为非人体。该级联检测器中，最初的几级节点分类器较为简单，通常一级仅由几个弱分类器组成，而越靠后的级，组成节点分类器的弱分类器数目会越多，节点分类器会越复杂，分类性能也会越强。

图4是使用本实施例构建的级联检测器检测给定图像中的人体的效果图，其中白色矩形框表示检测出来的人体。

在本实施例中，为了更科学更直观的描述构建的级联检测器的检测性能，我们将选取INRIA人体数据集中用于测试的1126张人体图片作为正样本测试集，再从原始图像测试集的453张不含人体的图片中密集缩放扫描抽取出3000000张左右的图片作为负样本测试集，然后使用构建的级联检测器对测试样本进行分类，以得到该级联检测器的检测性能曲线。图5所示的是本实施例构建的级联检测器的检测性能曲线图。其中，横轴表示误检率(false positive per window)，它的含义是每检测若干个非人体窗口，被错误当成为人体的窗口所占的比例，比如坐标10^-3表示每检测1000个非人体窗口，只有一个被当成了人体；纵轴表示漏检率(missrate)，它的含义是检测若干个人体窗口时，被错误当成非人体的窗口所占的比例。误检率和漏检率是评价一个检测算法的检测能力的重要指标，误检率和漏检率越低，检测算法的检测能力越强。从图5中可以看出，本发明的实施例构建的级联检测器在误检率达到10^-4的同时把漏检率维持在较低的2.8％左右，检测能力比较强。

Claims (4)

1.一种基于高斯形状特征的人体检测方法，包括：

一、提取特征步骤，包括以下子步骤：

1.1.对训练样本集中每个训练样本I，计算每个像素点(x，y)的特征向量φ(I，x，y)：

$\mathrm{\φ}(I,x,y)={\left[\mathrm{xy}\right|I_x\left|\right|I_y\left|\sqrt{I_x^2+I_y^2}\right|I_{\mathrm{xx}}\left|\right|I_{\mathrm{yy}}\left|\arctan \frac{\left|I_x\right|}{\left|I_y\right|}\right]}^T$

其中，x、y为像素点的坐标值，I_x为对训练样本I进行[-1 0 1]滤波后像素点(x，y)处的值，I_y为对训练样本I进行[-1 0 1]^T滤波后像素点(x，y)处的值，I_xx为对训练样本I进行[-1 2 -1]滤波后像素点(x，y)处的值，I_yy为对训练样本I进行[-1 2 -1]^T滤波后像素点(x，y)处的值；

1.2.从第一个训练样本中抽取至少50个矩形区域，它们的位置和大小都是随机的；随后的训练样本中抽取矩形区域的数量、位置和大小均与第一个训练样本相同；

1.3.提取各训练样本每个矩形区域的高斯形状特征；

二、构建级联检测器步骤，包括以下子步骤：

2.1.对当前训练样本进行学习，得到一个节点分类器；

2.2.将子步骤2.1得到的节点分类器添加为当前级联检测器的最后一级；

2.3.对当前训练样本作Bootstrap处理：使用当前级联检测器，剔除负样本训练集中被正确分类的样本，再从原始图像集中抽取与被剔除数量相等的、且被当前级联检测器错误分类的图片，加入当前负样本训练集；判断原始图像集中图像数量是否为0且当前负样本训练集中样本数量小于初始数量，是则转步骤三；否则进行子步骤2.4；

2.4.提取高斯形状特征：按照步骤一，提取当前训练样本的高斯形状特征，然后转子步骤2.1；

三、检测人体步骤：从待检测图像中扫描检测出人体，包括以下子步骤：

3.1.将待检测图像进行多次不同比例缩放操作得到若干幅尺寸大小不同的缩放图像；

3.2.对子步骤3.1所得到的每幅缩放图像，按定步长抽取与训练样本尺寸相同的图片，使用构建的级联检测器对其分类，如果抽取的图片被分类为人体图片，则计算该人体图片在未经缩放的待检测图像中的对应位置和大小信息并保存，否则继续按定步长从缩放图像中抽取图片并分类，直至该幅缩放图像被抽取完毕；

3.3.根据子步骤3.2记录下的每幅缩放图像所有人体图片在待检测图像中的位置和大小信息，确定待检测图像中最终的人体位置以及大小。

2.如权利要求1所述的人体检测方法，其特征在于：

所述提取特征步骤中，提取各训练样本每个矩形区域的高斯形状特征的子步骤1.3包括如下过程：

1.3.1.计算特征向量均值μ：计算矩形区域的所有像素点的特征向量均值μ，

$\mathrm{\μ}=\frac{1}{N}\underset{i=1}{\overset{N}{\mathrm{\Σ}}}{\mathrm{\φ}}_i;$

式中，N为矩形区域内像素点的个数，φ_i为矩形区域内第i个像素点的特征向量；

1.3.2.计算特征向量协方差矩阵∑：计算矩形区域的所有像素点的特征向量协方差矩阵∑，

$\mathrm{\Σ}=\frac{1}{N-1}\underset{i=1}{\overset{N}{\mathrm{\Σ}}}({\mathrm{\φ}}_i-\mathrm{\μ}){({\mathrm{\φ}}_i-\mathrm{\μ})}^T;$

1.3.3.构建高斯形状特征S：组合该矩形区域的特征向量协方差矩阵∑和特征向量均值μ，得到该矩形区域的高斯形状特征S：

$S=\left[\begin{array}{cc}R& \mathrm{\μ}\\ 0& 1\end{array}\right],$

其中，R满足关系式∑＝RR^T，并且R为下三角矩阵。

3.如权利要求2所述的人体检测方法，其特征在于：

所述构建级联检测器步骤中，对当前训练样本进行学习，得到一个节点分类器的子步骤2.1包括如下过程：

2.1.1.对于所有训练样本每一个矩形区域，构造集合{(S₁，y₁)，...，(S_i，y_i)，...，(S_N，y_N)}，其中S_i为第i个训练样本对应于该矩形区域的高斯形状特征，y_i取1表示第i个训练样本为含人体的正样本，否则yi取0；

2.1.2.将每一个训练样本权重w_i、可能为正样本的概率P(S_i)、分类函数值F(S_i)初始化：

w_i＝1/N，p(S_i)＝1/2，F(S_i)＝0，i＝1～N；

2.1.3.计算每一个训练样本权重w_i，对权重w_i归一化，然后计算集合{S₁，...，S_i，...S_N}的带权均值μ：

w_i＝p(S_i)(1-p(S_i))，i＝1～N；

$w_i\←\frac{w_i}{\underset{i=1}{\overset{N}{\mathrm{\Σ}}}{w}_i};$

$\mathrm{\μ}=\arg {\min }_{l\∈L}{\mathrm{\Σ}}_{i=1}^N{w}_i{d}^2(S_i,l);$

符号

表示从L中找到一个l使得的值最小，其中L为高斯特征S_i所处的李群空间，d(S_i，l)为S_i与l之间的距离；

l为L中的任意一个元素；

2.1.4.将μ和S_i的距离d(μ，S_i)映射到向量空间，得到向量vS_i：

vs_i＝vec(d(μ，S_i))，i＝1～N，

符号vec(d(μ，S_i))表示将矩阵d(μ，S_i)的所有非0元素依次序排列成为向量；

2.1.5.基于权重w_i，通过带权最小二乘法拟合出vs_i→z_i的系数向量g：

g＝(Vs^TWVs)^-1Vs^TWZ，

其中，Vs＝[vs₁…vs_i…vs_N]^T，

Z＝[z₁…z_i…z_N]^T，

其中

i＝1～N，得到该矩形区域对应的弱分类器f(X)：

$f\left(X\right)=\left\{\begin{array}{cc}1& g\·\mathrm{vec}\left(d(\mathrm{\μ},X)\right)>0\\ 0& g\·\mathrm{vec}\left(d(\mathrm{\μ},X)\right)\≤0\end{array}\right.,$

其中X为待分类的高斯形状特征，1表示正样本，0表示负样本；

2.1.6.计算每个弱分类器对应的二项式似然对数R：

$R=-\underset{i=1}{\overset{N}{\mathrm{\Σ}}}[y_i\log \left(P^{\′}\left(S_i\right)\right)+(1-y_i)\log (1-P^{\′}\left(S_i\right))]$

其中， $P^{\′}\left(S_i\right)=\frac{e^{F^{\′}\left(S_i\right)}}{e^{F^{\′}\left(S_i\right)}+e^{-F^{\′}\left(S_i\right)}},$

$F^{\′}\left(S_i\right)=F\left(S_i\right)+\frac{1}{2}f\left(S_i\right),$

2.1.7.选择分类能力最强的弱分类器：

根据过程2.1.6得到所有矩形区域对应的弱分类器对应的二项式似然对数之后，从中选择二项式似然对数最小的弱分类器f_m(X)为分类能力最强的弱分类器，并保存其对应的矩形区域和带权均值μ_m，其中m表示已经选择的能力最强的弱分类器的总个数；

2.1.8.更新分类函数值F(S_i)、可能为正样本的概率P(S_i)：

$F\left(S_i\right)\←F\left(S_i\right)+\frac{1}{2}{f}_m\left(S_i\right),$

$P\left(S_i\right)\←\frac{e^{F\left(S_i\right)}}{e^{F\left(S_i\right)}+e^{-F\left(S_i\right)}},i=1~N;$

2.1.9.判断是否继续选择弱分类器：

判断是否P_Rp-P_Rn＞T，是则分类器训练已达到要求，不再继续选择弱分类器，转过程2.1.10；否则转过程2.1.3，继续选择新弱分类器；

P_Rp为正样本训练集中各样本对应的第R_p大的P(S_i)值，R_p＝TP×N_p，TP为分类器要求达到的正样本检测率，N_p表示正样本训练集中的样本总数；P_Rn为负样本训练集中各样本对应的第R_n大的P(S_i)值，R_n＝FP×N_n，FP为分类器要求达到的负样本误检率，N_n表示负样本训练集的样本总数；

T＝0.01～0.5，为人为设置的阈值，T值小，则训练量小，但选择的弱分类器数量少；T值大，则训练量大，选择的弱分类器数量多；

2.1.10.组合前述过程选择的弱分类器，得到级联检测器的一个节点分类器C(Win)：

$C\left(\mathrm{Win}\right)=\left\{\begin{array}{cc}1& {\mathrm{\Σ}}_{m-1}^M{f}_m\left(X_m\right)>0\\ 0& {\mathrm{\Σ}}_{m-1}^M{f}_m\left(X_m\right)\≤0\end{array}\right.;$

其中，Win表示一标准尺寸待分类图片，f_m(X_m)为节点分类器中第m个弱分类器，X_m表示待分类图片Win在第m个弱分类器对应的矩形区域上的高斯形状特征，M为组成节点分类器的弱分类器的个数，1表示正样本，0表示负样本。

4.如权利要求3所述的人体检测方法，其特征在于：

对当前训练样本进行学习，得到一个节点分类器的子步骤2.1中，通过下述迭代式求解过程2.1.3的μ值：

$\mathrm{\Δ\μ}=\exp \left({\mathrm{\Σ}}_{i=1}^N{w}_{i}d(\mathrm{\μ},S_i)\right),$

μ_t+1＝μ_tΔμ，

d(μ，S_i)＝log(μ^-1S_i)，

μ_t初始值为从集合{S₁，...，S_i，...S_N}中随机选择的一个高斯特征，

若满足|log(Δμ)|＜ε，ε取10^-11～10^-9，则停止迭代，最后得到的μ_t就是待求的μ值。

Images