CN104036284A - 基于Adaboost算法的多尺度行人检测方法 - Google Patents

Abstract

一种基于Adaboost算法的多尺度行人检测方法，其包括如下步骤：训练分类器：训练数据集的构造，训练数据集由N个样本组成；计算Haar-like特征；对得到的特征按照最小错误率的方法进行训练分类，每轮都会得到一个弱分类器，用弱分类器组合得到最后强分类器；对行人图片进行检测：输入要检测的图片；设定检测窗口和检测步长；按不同的尺度放大缩小图像；按设定的检测窗口和检测步长遍历图像，加载Adboost算法构造的强分类器进行检测；判断窗口中是否包括行人，保存检测结果；对放大缩小图像的检测结果进行合并；检测结果假阳性去除，用无重去除法和二次分类器验证法对检测结果进行验证，去掉明显不是行人的区域。本发明选用Harr-like特征作为行人检测的特征向量，是对客观对象的一种描述，本发明具有较高检测率的优点。

Description

基于Adaboost算法的多尺度行人检测方法

技术领域

本发明属于图像处理与模式识别技术领域，特别是一种基于Adaboost算法的多尺度行人检测方法。

背景技术

行人检测在视频监控、机器人学、虚拟现实技术等领域有广泛的应用，也是计算机视觉和模式识别领域中的重要研究方向。常用的方法有基于运动特性的方法、基于形状特征的方法、基于行人模型的方法、立体视觉的方法、神经网络方法、小波和支持向量机的方法等。基于运动特性的行人检测就是利用人体运动的周期性特性找到行人，基于运动识别的好处是避免了人的纹理和光线的变化的影响，缺点是只能识别运动的行人，并且要通过分析多帧的运动周期性才能得出判别结果。基于形状的识别方法是指通过分析目标的灰度、边缘和纹理信息来对目标进行识别。基于形状的优点是可以检测出静止的行人，但是容易产生大量“虚警”。可将基于形状的行人识别方法分为基于模板匹配的方法和基于基于统计学习的方法。基于模板匹配的方法就是用一些轮廓或者模板来表示人，这种方法比较简单，识别的时候在图像的各个部位匹配该模型以找到目标，但是由于行人的多态性很难构造出足够的模板。基于统计学习的方法是通过机器学习从一系列训练数据得到一个分类器，然后用该分类器对检测窗口进行识别。该方法的优点是比较鲁棒，缺点是需要大量的训练数据，并且受到行人的姿态与衣服颜色的影响。基于统计模型的方法主要包括两个步骤：特征提取和分类器的设计，提取的特征一般有目标的灰度、边缘、纹理、形状、梯度直方图等信息，分类器包括神经网络、SVM，Adaboost等。

本发明的目的是提供一种采用Adaboost算法构造强分类器，再利用获得的强分类器对测试图像进行检测，获得较高检测率的基于Adaboost算法的多尺度行人检测方法。

本发明是这样实现的，其包括如下步骤：

（1）训练分类器

①、 训练数据集的构造训练数据集由N个样本组成，其中正样本为行人样本，负样本为非行人样本（背景），正负样本的选取应具有代表性和涵盖性，统一样本图像的大小为64像素*128像素；

②、 计算Haar-like特征，本文选择了A、B、C、D、E、F、G这七种矩形特征来描述行人；

③、 构造分类器。对由②得到的特征按照最小错误率的方法进行训练分类，每轮都会得到一个弱分类器，用弱分类器组合得到最后强分类器；

（2）对行人图片进行检测

①、 输入要检测的图片；

②、 设定检测窗口和检测步长，检测窗口与样本的大小相同，为64像素*128像素，检测步长选取8像素，10像素，12像素；

③、 按不同的尺度放大缩小图像；

④、 按设定的检测窗口和检测步长遍历图像，加载Adaboost算法构造的强分类器进行检测；

⑤、 判断窗口中是否包含行人，保存检测结果；

⑥、 对放大缩小图像的检测结果进行合并；

⑦、 检测结果假阳性去除，用无重去除法和二次分类器验证法对检测结果进行验证，去掉明显不是行人的区域。

本发明选用Harr-like特征作为行人检测的特征向量。Harr-like特征是对客观对象的一种描述，其表示形式简单，且对诸如边缘、线段和中心这些简单的图形结构比较敏感，比单纯的像素点数据更能表示描述物体的特征，本发明用7类矩形特征来描述行人的特征，本发明用Harr-like特征（G）来描述行行人肩部和头部的整体的特征，能够去除明显的假阳性结果。

附图说明

以下结合附图对本发明做进一步的描述：

图1是基于Adaboost算法的多尺度行人检测方法的检测流程图，

图2是表示的正样本图，

图3是表示的负样本图，

图4是Harr-like特征示意图，

图5是矩形特征值计算示意图，

图6是多尺度行人检测流程图，

具体实施方式

如图1—6所示，该基于Adaboost算法的多尺度行人检测方法的步骤如下：（1）训练分类器①训练数据集由797个样本组成，其中正样本为行人，负样本为非行人（背景），正负样本的选取应具有代表性和涵盖性，本发明统一样本图像的大小为64像素*128像素；②计算Haar-like特征，本文选择了A、B、C、D、E、F、G这七种矩形特征来描述行人；③构造分类器，对由②得到的特征按照最小错误率的方法进行训练分类，每轮都会得到一个弱分类器，训练400轮，用弱分类器组合得到最后强分类器；（2）对行人图片进行检测①输入要检测的图片；②设定检测窗口和检测步长，检测窗口与样本的大小相同为64像素*128像素，检测步长选取8像素，10像素，12像素；③按不同的尺度放大缩小图像；④按设定的检测窗口和检测步长遍历图像，加载Adaboost算法构造的强分类器进行检测；⑤判断窗口中是否包括行人，保存检测结果；⑥对放大缩小图像的检测结果进行合并；⑦检测结果假阳性去除。用无重去除法和二次分类器验证法对检测结果进行验证，去掉明显不是行人的区域。

Harr-like特征

本发明选用Harr-like特征作为行人检测的特征向量，如图4所示。Harr-like特征（又叫矩形特征）是对客观对象的一种描述。其表示形式简单，且对诸如边缘、线段和中心这些简单的图形结构比较敏感，比单纯的像素点数据更能表示描述物体的特征。

用如下8类矩形特征来描述人的特征：A 、B类特征描述人体的各部分边缘特征，C类矩形特征用来描述头部、整体躯干特征和腿部特征等。E、F在结构上呈非对称性，主要描述肩部等特征。由于大部分Harr-like特征都比较简单，而行人检测的背景又相对复杂，A、B等边缘特征一般无法区分背景中的树木以及与人相似的事物，为了与人相似物体对检测结果的影响，本文提出一种Harr-like特征（G）来描述行行人肩部和头部的整体的特征，去除假阳性结果。

Harr-like特征数量的计算

选取不同的特征对应不同的特征数量，矩形特征数量的计算公式如（1）所示：

（1）

其中 ， , 和 为样本的宽和高，本专利中 ， ， 和 分别为选取矩形特征的宽和高。

Haar-like特征值的计算

由于训练样本数量多且矩形特征数量庞大，每次计算Haar-like特征值都要对矩形内的所有像素进行统计求和，这会增加计算复杂度，而且降低计算速度。针对上述问题，本文使用积分图的概念。积分图是一种新的图像表示方法，它计算Haar-like特征值时，只与此Haar-like特征的端点的积分值有关。积分图的定义为：对于一幅原始图像I，其在 坐标处的积分图 是该像素左边和上边的全部像素的和。如公式（2）所示：

（2）

矩形特征的特征值计算其实就求是两个不同的矩形区域像素和之差。以D特征为例，说明特征值的计算过程，如图5所示

假设矩形特征的宽为w，高为h，则D特征的宽高比为 。设1点的位置为 ，则点2、点3、点4、点5、点6、点7、点8、点9的位置分别如下： ， ， _， ， ， ， 。

所以，D的特征值等于白色区域的像素和减去黑色区域的像素和，即：

（3）

由此可见，矩形特征的特征值计算只与其积分图有关，特征值的计算所耗费的时间都是常量，而且都只是简单的加减运算。

基于AdaBoost算法的强分类器构造

AdaBoost算法解决了早期Boosting 算法在实际应用中的缺陷，它不必事先知道有关弱学习的先验知识，但是其效率却可以和原来的Boosting 算法一样。事实证明，只要每个弱分类器的分类能力比随机猜测要好，当弱分类器个数趋于无穷时，强分类器的错误率将趋于零。AdaBoost算法根据不断调整样本权重来选择最优检测性能，起初样本的权重相同，在此样本分布下预先构造一个弱分类器。对于该弱分类器错分的样本，样本的权重不变；对于正确分类的样本，则降低其权重。这样可以使后来的弱分类器集中对付难分类的样本。依次类推，经过T轮循环，得到T个弱分类器，最后把这T个弱分类器组合构成强分类器。

应用于行人检测时，首先构造对行人与背景（非行人）区分性好的Haar特征，然后用AdaBoost对这些特征进行分类，对应的弱分类器组合生成的强分类器具有最优的分类性能。算法的具体描述如下所示：

（a）给定弱学习算法Weaklearn和训练集：{ , ,…, }。其中， 是输入的训练样本向量，且 ∈X，X是训练样本集； 是分类类别表示， ∈{0，1}，其中，1表示行人，0表示非行人。

（b）指定循环的次数T，T将决定最后强分类器中的弱分类器的数目。

（c）正负训练样本权重初始化

（4）

其中，m、n分别为正负样本的个数。

（d）对于每一次循环

u 标准化权重系数

（5）

u 根据错误率来选择最佳弱分类器

（6）

u 选择具有最小的错误率 的弱分类器 加入到强分类器中。

u 更新权重 。如果样本被正确分类，则 ；否则， 。其中， 。

（e）T论训练完毕，最后得到强分类器为：

（7）

其中 ， ， 为每轮训练得到的弱分类器的错误率。该强分类器相当于让所有弱分类器投票，再对投票结果按照弱分类器的错误率加权求和，将投票加权求和的结果与平均投票结果比较得出最终的结果。

基于多尺度的行人检测

在检测图像中不同的行人大小会有差异，因此需要放大缩小图片使待检测行人处于检测窗口内。在实际的应用场景中，由于摄像头是静止的，所拍摄的图像中的行人具有一定的规律性，因此我们可以按照合理的放缩倍数对图片进项放大缩小，然后，再用Adaboost算法构造的强分类器来检测放缩图片中的行人。最后，对检测结果进行合并及优化。

图像放缩

多尺度行人检测需要根据行人在图片中的大小来放大缩小图片，将放大（或缩小）图像中的检测结果变换到原图像中时，需利用公式（8）计算放大缩小图像中检测到的矩形区域的四个顶点在原图像中的位置 。一般而言， 没有正好落在原图像的一个像素点上，因此采用四舍五入的方法确定顶点位置。

（8）

图6为多尺度行人检测的流程图。对行人进行检测，首先确定检测窗口的大小和移动的步长。检测窗口的大小与训练样本相同，为64像素*128像素的矩形区域。如果检测窗口移动步长过大，可能会错过真实的行人区域；如果检测窗口移动步长过小，各窗口图像灰度相似，会检测到过多相近的行人区域。通过实验，本文使用的移动步长为8像素，10像素，12像素。然后，在测试图像中，按照步长，从左到右，从上到下移动检测窗口，使得检测窗口在整幅图像中遍历。对于遍历过程中的任意检测窗口，计算前述的Harr-like特征，再用根据Adaboost算法构造的强分类器对该检测窗口进行分类。如果强分类器判断该检测窗口为行人，则保存其位置；如果判断为非行人，则继续遍历过程。

检测结果的合并

由于检测步长的影响，同一个行人可能被检测出多次。因此，需要对同张图像中检测到的具有重合区域的行人进行合并。同时，由于放大或缩小产生多张图像，还需对不同图像中具有重合区域的检测行人进行合并。根据检测图片的特点，我们可以知道，距离拍摄地点较近的地方，行人较大，距离拍摄地点远的地方，行人在图片中成像较小。虽然真实场景中变化太多，但在具体的环境中，行人所占整个图片的比例是相对固定的。因此我们对图像放大缩小一定的倍率进行检测，然后将放大多张放大缩小图像中的检测结果变换到原图像中，使用比较值法，或者检测强度法合并具有重合区域的窗口。当然，原图像中检测到的行人也选用这两种方法进行合并。最后，采用重叠面积法对合并后的行人进行再次合并。

平均值法

对于检测到的两个行人，如果有重合区域，则将它们四个顶点的位置分别取均值作为新的顶点，合成一个新的检测结果。

比较值法

比较值法用的衡量参数是 ，也就是弱分类器的加权投票结果。根据强分类器公式（7）可以得出只有满足 时，强分类器才判断为行人。所以对于同样都满足 的有重叠区域的行人，我们选择加权投票票数（ ）多的为合并结果，如果加权和相同，则按平均值法进行合并。

检测强度法

检测强度法根据行人区域被检测到次数的多少确定重合区域的检测结果。首先，先将检测到的行人的检测强度初始化为1。如果它与其它任意一个检测到得行人重合区域大于行人面积的一半，就将其检测强度增加1。然后，去除检测强度小于3的行人。最后，对检测到得有重合区域的行人，选取检测强度大的作为最终合并结果。

重叠面积法

重叠面积法用于合并具有重合区域的原图像行人和放大或缩小的行人。其根据行人区域重叠面积的大小确定检测结果。对于具有重合区域的两个行人，如果重合区域面积大于行人的3/4，那么它们可能为同一个行人，因大部分行人可以在原图像中检测到，选择原图像行人作为检测结果；如果重合区域面积小于行人的3/4，则按平均值法合并构成新的检测结果。

检测结果的优化

由于噪声，光照等因素的影响，会检测到一些明显不是行人的区域。根据本实验信息，提出如下检测结果的优化方法。

无重去除法

对于原图像检测到的行人和放大或缩小图像检测到的行人如果有重合区域就按照如上重叠面积法进行合并，如果没有重合区域，则判定此区域不是行人。此方法可以去掉一部分的假阳性检测结果。

二次分类器验证法

用多个特征构造分类器，有时会导致选到的弱分类比较集中于某类特征，而忽略了另外一些特征，但此特征对于正样本，负样本也具有较好的分类效果。因此对于检测出的行人区域，我们重新加载分类器进行验证，本文选取Haar-like特征G，提取特征，重新训练，构造分类器，用这个分类器验证检测结果的正确性，如果验证为行人，则最终判断为行人，如果验证为非行人，则最终判断为背景。

Claims (4)

1.一种基于Adaboost算法的多尺度行人检测方法，其包括如下步骤：

⑴训练分类器

①、训练数据集的构造，训练数据集由N个样本组成，其中正样本为行人，负样本为非行人(背景)；

②、计算Haar-like特征，选择了A、B、C、D、E、F、G这七种矩形特征来描述行人；

③、构造分类器，对由②得到的特征按照最小错误率的方法进行训练分类，每轮都会得到一个弱分类器，用弱分类器组合得到最后强分类器；

⑵、对行人图片进行检测

①、输入要检测的图片；

②、设定检测窗口和检测步长，检测窗口与样本的大小相同为64像素*128像素，检测步长选取8像素，10像素，12像素；

③、按不同的尺度放大缩小图像；

④、按设定的检测窗口和检测步长遍历图像，加载Adboost算法构造的强分类器进行检测；

⑤、判断窗口中是否包括行人，保存检测结果；

⑥、对放大缩小图像的检测结果进行合并；

⑦、检测结果假阳性去除。用无重去除法和二次分类器验证法对检测结果进行验证，去掉明显不是行人的区域。

2.根椐权利要求1所述的一种基于Adaboost算法的多尺度行人检测方法，其特征是训练数据集由797个样本组成。

3.根椐权利要求1所述的一种基于Adaboost算法的多尺度行人检测方法， 其特征是特征按照最小错误率的方法进行训练分类，每轮都会得到一个弱分类器，用弱分类器计算得到最后强分类器。

4.根椐权利要求1所述的一种基于Adaboost算法的多尺度行人检测方法，其特征是本发明统一样本图像的大小为64像素＊128像素。