CN103198323B - 一种基于曲线拟合的行人检测方法 - Google Patents

Abstract

本发明公开了一种基于曲线拟合的行人检测方法，包括以下步骤：S1、输入训练样本集；S2、对训练样本集进行曲线拟合，得到经曲线拟合后的强分类器；S3、基于Adaboost算法对训练样本集进行训练，得到级联分类器；S4、输入待检测图像，通过曲线拟合后得到的强分类器对待检测图像进行第一级检测，得到候选行人区域；S5、利用级联分类器对候选行人区域进行第二级检测，得到行人区域。在本发明中，通过对训练样本集进行曲线拟合，得到一个能够快速过滤负样本的强分类器，以得到候选行人区域；然后利用级联分类器对候选行人区域进行二次检测，得到行人区域。从而提高了对公共区域中复杂环境下的行人检测效率。

Description

一种基于曲线拟合的行人检测方法

技术领域

本发明属于计算机视觉技术领域，特别涉及一种基于曲线拟合的行人检测方法。

背景技术

真实场景中的行人检测技术在计算机视觉应用技术中占有重要地位，例如，视频监控和客流统计系统；同时，提高行人检测的鲁棒性也是其他智能视频分析技术得以提升的先决条件之一。

行人检测技术广泛应用于博物馆、飞机场、停车场、车站、商场、银行等敏感地点的智能监控外，在智能车辆、行人流量统计、智能交通控制等方面也有极其重要的研究价值。但是由于行人本身及其周围环境所固有的特点，要做到实时、准确的检测仍然面临着很多技术难点，主要体现在以下两个方面：1、行人的非刚性；2、图像的摄像角度、光照以及周围环境等因素。

随着电子技术的发展，基于图像或视频的行人检测技术已逐渐取代了传统的红外、雷达等行人检测方式；并且基于图像或视频的行人检测技术具备更高的可靠性、方面性和低成本使得其越来越受到大家的广泛关注。

传统的行人检测方法大体分为两类：一类是基于模版匹配的方法；一类是利用霍夫投票的方法。但是现有技术中基于图像或视频的行人检测技术在行人图像与非行人图像鉴别上仍然存在一定的误差与区别能力不高的技术缺陷。

有鉴于此，有必要对现有技术中的行人检测技术予以改进，以解决上述问题。

发明内容

本发明的目的在于提供一种可有效提高公共区域中行人检测效率的一种基于曲线拟合行人检测方法。

为实现上述发明目的，本发明公开了一种基于曲线拟合的行人检测方法，包括以下步骤：

S1、输入训练样本集；

S2、对训练样本集进行曲线拟合，得到经曲线拟合后的强分类器；

S3、基于Adaboost算法对训练样本集进行训练，得到级联分类器；

S4、输入待检测图像，通过曲线拟合后得到的强分类器对待检测图像进行第一级检测，得到候选行人区域；

S5、利用级联分类器对候选行人区域进行第二级检测，得到行人区域。

作为本发明的进一步改进，所述步骤S1中的训练样本集包括：包含行人图像的正样本集、不包含行人图像的负样本集，正样本集中的所有正样本与负样本集中的所有负样本均为64×128像素的灰度图像。

作为本发明的进一步改进，所述正样本集中的正样本数量与负样本集中的负样本数量相等。

作为本发明的进一步改进，所述步骤S2中的曲线拟合具体为：将Haar基本特征线性组合成若干个Haar对比特征，然后分别计算每一个Haar对比特征在正样本集及负样本集中的特征值分布，并将正样本集与负样本集的特征值分布情况分别用曲线进行拟合。

作为本发明的进一步改进，所述步骤S2中还包括：根据所有Haar对比特征在正样本集及负样本集中的特征值分布情况，寻找可区分正样本集与负样本集的Haar区别特征、Haar区别特征所对应的阀值th、并计算被阀值th正确判断为正样本集的正样本概率及被阀值th误判为正样本集的负样本概率。

作为本发明的进一步改进，所述步骤S2中还包括：将每个Haar区别特征、Haar区别特征所对应的阀值th、被阀值th正确判断为正样本集的正样本概率及被阀值th误判为正样本集的负样本概率生成一个经曲线拟合后的弱分类器，并提取若干经曲线拟合后的弱分类器。

作为本发明的进一步改进，所述步骤S2中提取若干经曲线拟合后的弱分类器之后还包括：判断Haar对比特征是否循环完毕，

若是，则并将得到的若干经曲线拟合后的弱分类器组成为一个经曲线拟合后的强分类器；

若否，则继续计算下一个Haar对比特征分别在正样本集与负样本集中的特征值分布情况。

作为本发明的进一步改进，所述步骤S4中输入待检测图像具体为：将输入的待检测图像转化为灰度图像，然后将该灰度图像进行若干次缩小，并将缩小后的灰度图像转化为积分图，所述灰度图像进行缩小时，该灰度图像的高度H、宽度W每次均缩小1.5％。

作为本发明的进一步改进，所述灰度图像被缩小的次数

其中：代表向下取整；W为灰度图像的长度；H为灰度图像的高度。

作为本发明的进一步改进，所述步骤S4中通过曲线拟合后得到的强分类器对待检测图像进行第一级检测具体为：以64×128像素大小的图像块作为检测窗口，在水平和垂直方向上以6个像素点为步长，对积分图作行、列的滑动扫描。

与现有技术相比，本发明的有益效果是：在本发明中，通过对训练样本集进行曲线拟合，得到一个能够快速过滤负样本的强分类器，以得到候选行人区域；然后利用级联分类器对候选行人区域进行二次检测，得到行人区域。从而提高了对公共区域中复杂环境下的行人检测效率。

附图说明

图1为本发明一种基于曲线拟合的行人检测方法的流程示意图；

图2为本发明的步骤S2中对训练样本集进行曲线拟合，得到经曲线拟合后的强分类器的流程示意图；

图3为本发明所采用的五种Haar基本特征的示意图；

图4为本发明步骤S2中第i个Haar对比特征在正样本集中的特征分布图；

图5A为本发明步骤S2中所示的Haar对比特征A在正样本集、负样本集中的分布示意图；

图5B为本发明步骤S2中所示的Haar对比特征B在正样本集、负样本集中的分布示意图；

图5C为图2中可有效地区别正样本集与负样本集的阀值th的提取过程的示意图；

图6为本发明步骤S4中通过曲线拟合后得到的强分类器对检测图像进行第一级检测的流程图；

图7为本发明步骤S5中利用级联分类器对候选行人区域进行第二级检测得到行人区域的示意图。

具体实施方式

下面结合附图所示的各实施方式对本发明进行详细说明，但应当说明的是，这些实施方式并非对本发明的限制，本领域普通技术人员根据这些实施方式所作的功能、方法、或者结构上的等效变换或替代，均属于本发明的保护范围之内。

参图1至图7所示的本发明一种基于曲线拟合的行人检测的一种具体实施方式。一种基于曲线拟合的行人检测方法，该方法包括以下步骤：

S1、输入训练样本集。

参图2所示，在本实施方式中，训练样本集包括两类训练样本，一类为包含行人图像的正样本集201；另一类为不包含行人图像的负样本集301。具体的，该正样本集201与负样本集301既可以通过摄像机等装置实时获取，也可以通过互联网或局域网获取。

需要说明的是，在本实施方式中，正样本集201被人工定义为包含行人图像的多个正样本的集合，负样本集301被人工定义为不包含行人图像的多个负样本的集合。显而易见，我们还可将某种需要检测的包含特定图像的图像样本作为正样本集201，同时将不包含需要检测的特定图像的图像样本作为负样本集301。例如，为了检测公共场合的某一区域中狗的活动轨迹。在此情况下，训练样本集包括两类训练样本，一类为包含狗图像的正样本集201；另一类为不包含狗图像的负样本集301。

作为优选的实施方式，为方便对训练样本集中的正样本集201与负样本集301的训练，可预先计算正样本集201与负样本集301的积分图。

更具体的，参与曲线拟合的训练样本集中的训练样本的数量为6000，因此，训练样本集所含的正样本及负样本的数量均为3000。

在本实施方式中，所述正样本集201中的所有正样本与负样本集301中的所有负样本均为64×128像素的灰度图像。

S2、对训练样本集进行曲线拟合，得到经曲线拟合后的强分类器。

参图2所示，图2为本发明的步骤S2中对训练样本集进行曲线拟合，得到经曲线拟合后的强分类器的流程示意图。在本实施方式中，采用如图3所示的五种Haar基本特征：

3a：左右相邻的黑色矩形区域的像素和减去白色矩形区域的像素和；

3b：上下相邻的黑色矩形区域的像素和减去白色矩形区域的像素和；

3c：一个黑色矩形区域像素和的两倍减去与其左右相邻的白色矩形区域的像素和；

3d：一个黑色矩形区域像素和的两倍减去与其上下相邻的白色矩形区域的像素和；

3e：两个对角相连的黑色矩形区域的像素和减去与其相邻两个对角相连的白色矩形区域的像素和。

在本实施方式中，可将该五种Haar基本特征线性组合成若干个Haar对比特征。

在步骤202中，计算第i个Haar对比特征分别在正样本集201与负样本集301中的特征值分布情况。

结合图4所示，将步骤202中计算第i个Haar对比特征仅在正样本集201中的特征值分布，并将计算得到的所有特征值划分为62个区间。其中，特征值＜-3000作为一个区间，特征值＞3000作为一个区间，特征值＝[-3000，3000]被平均分为60个区间。

在步骤203中，当计算第i个Haar对比特征在正样本集201与负样本集301中的特征值分布情况之后，判断是否可以找到区分正样本集201中的所有正样本与负样本集301中的所有负样本的阀值th。

若是，则提取弱分类器；

若否，则返回执行步骤202以计算第i+1个Haar对比特征在正样本集201与负样本集301中的特征值分布情况；

直至找出所有能够区分正样本集201中的所有正样本与负样本集301中所有的负样本的阀值th。

在图4中，行坐标轴代表特征值区间，纵坐标轴代表落在相应区间内的特征值的个数，曲线3L为第i个Haar对比特征仅在正样本集201内的特征值分布情况。

参图5A所示，曲线41_P为Haar对比特征A在正样本集201内的特征值分布情况，曲线41_nP为Haar对比特征A在负样本集301内的特征值分布情况。在图5A中，该Haar对比特征A对正样本集201中的所有正样本，以及负样本集301中所有负样本的特征值在整个特征值区间内的分布情况几乎一样。这说明该Haar对比特征A对正样本集201和负样本集301几乎没有判断能力，这意味着该Haar对比特征A对行人与非行人几乎没有判断能力。

参图5B所示，曲线5L1为Haar对比特征B在正样本集201内的特征值分布情况，曲线5L2为Haar对比特征B在负样本集301内的特征值分布情况。在图5B中，Haar对比特征B在正样本集201内的大部分特征值落在了直线52_L的左侧，而Haar对比特征B在负样本集301内的大部分特征值落在了直线52_L的右侧。这说明该Haar对比特征B在某个概率范围内能够区正样本集201和负样本集301。而对训练样本集进行曲线拟合的训练过程旨在寻找若干诸如Haar对比特征B这样能够有效地区别正样本集201和负样本集301的Haar区别特征。

参图5C所示，曲线5L1为Haar对比特征B在正样本集201内的特征值布情况，曲线5L2为Haar对比特征B在负样本集301内的特征值分布情况，曲线5L1与曲线5L2的交点作为区分正样本集201与负样本集301的交界处，5P为直线52_L与行坐标轴相交处所对应的特征值区间的特征值。

则该Haar对比特征B，也即：够有效地区别正样本集201和负样本集301的Haar区别特征所对应的阀值th＝(5P-31)×100。

如果能找到阀值th，则说明可通过该阀值th有效地区别正样本集201与负样本集301。优选的，该阀值th分别对正样本集201和负样本集301的误判率小于或者等于20％。

在图5C中，右斜线区域5L3为被阀值th正确判断为正样本集201的区域，左斜线区域5L4为被阀值th正确判断为负样本集301的区域；竖线区域5L5为被阀值th误判为正样本集201的区域；横线区域5L6为被阀值th误判为负样本集301的区域。

此时，被阀值th正确判断为正样本集201的正样本概率F_w＝sum(5L3)/sum(5L1)。

其中：sum(5L3)代表落在被阀值th正确判断为正样本集201的区域内的正样本集201中的正样本数量；sum(5L1)代表训练样本集中的正样本集201中所有正样本数量。具体的，sum(5L1)＝3000。

此时，被阀值th误判为正样本集201的负样本概率nF_w＝sum(5L5)/sum(5L2)。

其中：sum(5L5)代表落在被阀值th误判为正样本集201的区域内的负样本集301的负样本数量；sum(5L2)代表训练样本集中的负样本集201中所有负样本的数量。具体的，sum(5L2)＝3000。

参图2中的步骤204，提取弱分类器。具体的，通过步骤204可提取一个弱分类器。

在本实施方式中，可将每个Haar区别特征、Haar区别特征所对应的阀值th，计算被该阀值th正确判断为正样本集201的正样本概率F_w及被阀值th误判为正样本集201的负样本概率nF_w，生成一个经曲线拟合后的弱分类器。

具体的，对选定的Haar区别特征，即图5B或图5C中为Haar对比特征B，分别计算对小于阀值th的特征值是正样本概率F_w还是负样本概率nF_w。

参图5C所示，图5C中的正样本集201的大部分图像区域5L3落在了阀值th的左侧，负样本集301的大部分图像区域5L4落在了阀值th的右侧，同时令方向指示符D＝1来代表这种情况。

而对于正样本集201的大部分图像区域5L3落在了阀值th的右侧，负样本集301的大部分图像区域5L4落在阀值th的左侧时，则与上述情况刚好相反，则方向指示符D＝-1。

经过曲线拟合所得到的弱分类器由被检测图像x，特征值f，阀值th，方向指示符D，正样本概率F_w和负样本概率nF_w组成：

弱分类器的输出为：被检测图像x的特征f被判断为正样本集的概率为h_Pw(x)，被检测图像x的特征f被判断为负样本集的概率为h_nPw(x)。

然后执行步骤205：判断Haar对比特征是否循环完毕；若是，则将若干弱分类器组成一个强分类器；若否，则返回执行步骤202，以计算第i+1个Haar对比特征在正样本集201与负样本集301中的特征值分布情况；直至找出所有阀值th。

其中，该曲线拟合的强分类器的输出为：

其中，T为共获得的曲线拟合的弱分类器的个数；C(x)＝1表示被检测图像x被判断为正样本；C(x)＝0则表示被检测图像x为负样本。具体的，T＝44。

S3、基于Adaboost算法对训练样本集进行训练，得到级联分类器。Adaboost算法是一种迭代算法，其为一个弱分类算法提升过程，在此过程中通过不断的训练，可以提高对数据的分类能力。

S4、输入待检测图像，通过曲线拟合后得到的强分类器对待检测图像进行第一级检测，得到候选行人区域。参图6所示，图6为本发明步骤S4中通过曲线拟合后得到的强分类器对检测图像进行第一级检测的流程图。

在本实施方式中，对同一幅待检测图像，由于行人距离摄像头的远近不同所拍摄得到的行人大小也不同，为了能对不同大小的行人进行检测，对被待检测图像进行多尺度检测。

具体的，步骤S4中输入待检测图像具体为：将输入的待检测图像转化为灰度图像，然后将该灰度图像经若干次缩小，并将缩小后的灰度图像转化为积分图。具体的，灰度图像每次缩小时，该灰度图像的宽W和高H均缩小1.5％，以作为新的检测图像。

具体的，该灰度图像被缩小的次数其中代表向下取整；W为灰度图像的长度；H为灰度图像的高度。

在检测图像过程中，以64×128像素大小的图像块作为检测窗口，在水平和垂直方向上以6个像素为步长，对积分图作行、列的滑动扫描。通过经曲线拟合得到的强分类器检测扫描结果。若输出C(x)＝1时，检测窗口被标记为候选行人区域。更具体的，在本实施方式中，可将一幅积分图划分为多个子积分区域，通过曲线拟合对各子积分区域是否为行人区域进行检测，输出候选行人区域。

S5、利用级联分类器对候选行人区域进行第二级检测，得到行人区域。

将通过曲线拟合后得到的强分类器所检测得到的候选行人区域输入到级联分类器中，将输出为正的候选行人区域标记为行人检测窗口。

具体的，参图7所示，在本实施方式中，由1到n个层次的检测单元构成级联结构，输入的候选行人区域从第一层检测单元开始，逐步判断候选行人区域中是否包含行人区域。如果在某个层次的检测单元中被判断为非，则该候选行人区域归为非行人一类；如果经过所有层次的检测单元都判断是行人区域后，则输出行人区域。从1到n个层次的检测单元均是利用Adaboost算法训练得到，用于去除候选行人区域中的非行人区域。最后合并两个或多个重叠面积超过80％有行人出现的检测窗口。

本发明通过训练样本集进行曲线拟合，得到一个能够快速过滤负样本的分类器，以得到候选行人区域；然后再利用级联分类器对候选行人区域进行二次检测，得到行人区域。因此能够有效的提高行人检测效率。

上文所列出的一系列的详细说明仅仅是针对本发明的可行性实施方式的具体说明，它们并非用以限制本发明的保护范围，凡未脱离本发明技艺精神所作的等效实施方式或变更均应包含在本发明的保护范围之内。

对于本领域技术人员而言，显然本发明不限于上述示范性实施例的细节，而且在不背离本发明的精神或基本特征的情况下，能够以其他的具体形式实现本发明。因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本发明的范围由所附权利要求而不是上述说明限定，因此旨在将落在权利要求的等同要件的含义和范围内的所有变化囊括在本发明内。不应将权利要求中的任何附图标记视为限制所涉及的权利要求。

此外，应当理解，虽然本说明书按照实施方式加以描述，但并非每个实施方式仅包含一个独立的技术方案，说明书的这种叙述方式仅仅是为清楚起见，本领域技术人员应当将说明书作为一个整体，各实施例中的技术方案也可以经适当组合，形成本领域技术人员可以理解的其他实施方式。

Claims (8)

1.一种基于曲线拟合的行人检测方法，其特征在于，包括以下步骤：

S1、输入训练样本集；

S2、对训练样本集进行曲线拟合，得到经曲线拟合后的强分类器；

S3、基于Adaboost算法对训练样本集进行训练，得到级联分类器；

S4、输入待检测图像，通过曲线拟合后得到的强分类器对待检测图像进行第一级检测，得到候选行人区域；

S5、利用级联分类器对候选行人区域进行第二级检测，得到行人区域；

所述步骤S2还包括：根据所有Haar对比特征在正样本集及负样本集中的特征值分布情况，寻找可区分正样本集与负样本集的Haar区别特征、Haar区别特征所对应的阀值th、并计算被阀值th正确判断为正样本集的正样本概率及被阀值th误判为正样本集的负样本概率；

所述步骤S4中输入待检测图像具体为：将输入的待检测图像转化为灰度图像，然后将该灰度图像进行若干次缩小，并将缩小后的灰度图像转化为积分图，所述灰度图像进行缩小时，该灰度图像的高度H、宽度W每次均缩小1.5％。

2.根据权利要求1所述的基于曲线拟合的行人检测方法，其特征在于，所述步骤S1中的训练样本集包括：包含行人图像的正样本集、不包含行人图像的负样本集，正样本集中的所有正样本与负样本集中的所有负样本均为64×128像素的灰度图像。

3.根据权利要求2所述的基于曲线拟合的行人检测方法，其特征在于，所述正样本集中的正样本数量与负样本集中的负样本数量相等。

4.根据权利要求1所述的基于曲线拟合的行人检测方法，其特征在于，所述步骤S2中的曲线拟合具体为：将Haar基本特征线性组合成若干个Haar对比特征，然后分别计算每一个Haar对比特征在正样本集及负样本集中的特征值分布，并将正样本集与负样本集的特征值分布情况分别用曲线进行拟合。

5.根据权利要求1或4所述的基于曲线拟合的行人检测方法，其特征在于，所述步骤S2中还包括：将每个Haar区别特征、Haar区别特征所对应的阀值th、被阀值th正确判断为正样本集的正样本概率及被阀值th误判为正样本集的负样本概率生成一个经曲线拟合后的弱分类器，并提取若干经曲线拟合后的弱分类器。

6.根据权利要求5所述的基于曲线拟合的行人检测方法，其特征在于，所述步骤S2中提取若干经曲线拟合后的弱分类器之后还包括：判断Haar对比特征是否循环完毕，

若是，则并将得到的若干经曲线拟合后的弱分类器组成为一个经曲线拟合后的强分类器；

若否，则继续计算下一个Haar对比特征分别在正样本集与负样本集中的特征值分布情况。

7.根据权利要求1所述的基于曲线拟合的行人检测方法，其特征在于，所述灰度图像被缩小的次数

其中：代表向下取整；W为灰度图像的长度；H为灰度图像的高度。

8.根据权利要求1所述的基于曲线拟合的行人检测方法，其特征在于，所述步骤S4中通过曲线拟合后得到的强分类器对待检测图像进行第一级检测具体为：以64×128像素大小的图像块作为检测窗口，在水平和垂直方向上以6个像素点为步长，对积分图作行、列的滑动扫描。