CN104091178A - 基于hog特征人体感知分类器的训练方法 - Google Patents
基于hog特征人体感知分类器的训练方法 Download PDFInfo
- Publication number
- CN104091178A CN104091178A CN201410308775.5A CN201410308775A CN104091178A CN 104091178 A CN104091178 A CN 104091178A CN 201410308775 A CN201410308775 A CN 201410308775A CN 104091178 A CN104091178 A CN 104091178A
- Authority
- CN
- China
- Prior art keywords
- sample
- training
- sorter
- human body
- hog feature
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Landscapes
- Image Analysis (AREA)
Abstract
本发明涉及基于HOG特征的人体感知分类器,目的是为了提供一种快速准确基于HOG特征的人体感知分类器的训练方法。本发明采用的技术方案是:使用基于方向梯度直方图特征的人体检测算法HOG特征进行人体图像的优化计算,实现快速物体的检测,在HOG特征训练分类器的过程中,有针对性的对人体肩膀以上部分作为正样本的取样,并通过弱分类器足够数量的级联层次的增加逐渐训练得出更好的分类能力,并使用级联分类器对多个检测结果进行分析,总结得出每个级别最具时间运行效率的一级分类器,进而通过针对XML分类器的组合得到最终的行人检测分类器。本发明适用于计算机视觉领域。
Description
技术领域
本发明涉及人体感知技术,特别涉及基于HOG特征的人体感知分类器。
背景技术
对象检测与识别是计算机视觉中一个重要的研究领域,它是指计算机按照人的思维能够进行人类对特定对象的检测及识别活动。其应用极其广泛,快速而准确的对象检测与识别技术是现代信息处理技术中的重要组成部分。由于信息量近年来急剧地增长,我们也迫切的需要有合适的对象检测以及识别技术能够让人们从大量的信息中寻找出自己所需要的信息。图像检索及文字检索都属于这一类别。此外,对象检测与识别技术还广泛的用于公安以及交通监管等系统,人脸的检测与识别能够使计算机做到在实时的情况下快速的检测出场景中的人脸并对其实施跟踪。人脸的识别系统可以用于公安、边防以及数据库的快速查找等诸多领域。而人体的检测与识别则可以用于各种需要的安全控制场合进行实时的监控需要。此外,车辆的检测与识别能够在箭筒监管部门发挥重要的作用,对车牌的检测以及识别是智能交通管理系统中的重要组成部分。而文字的检测与识别系统则是新闻等重要咨询系统中进行信息检索的基本条件。综上,检测与识别技术是计算机视觉的重要组成部分。
HOG特征使用比较广泛,在当前的计算机视觉应用中,HOG特征主要作为行人检测,由于计算速度快,但检测准确度等方面却存在缺陷。而且不同行人的体型姿势,衣着光照等方面都有着极大的变化,加上复杂的背景等存在技术难点。在家电系统等嵌入式平台受存储空间资源限制的条件下,也不可能使用类似PC机等CPU资源。所以有必要研究针对人体感知方面处理数据快速的算法,增加程序的适应性,进而对应用程序提出了更高的要求。
在计算机视觉行业内,越来越多的针对某一种物体的检测而专门设计分类器。在为提升处理速度和准确度方面,HOG特征和cascade的组合更是相得益彰。
发明内容
本发明的目的是为了提供一种快速准确基于HOG特征人体感知分类器的学习训练方法。
为达到上述目的,本发明提供一种基于HOG特征人体感知分类器的训练方法,包括如下步骤:
A.创建训练样本集并对训练样本集中的样本进行HOG特征提取,设定分类器需要达到的强度值,所述训练样本集包括正样本集及负样本集,所述正样本集中的正样本为被检测的目标对象,所述负样本集中的负样本从不包含任何被检测的目标对象信息的源负样本中抽样得到;
B.从正样本训练窗口和负样本的初始训练窗口中得到一个基本分类器,所述正样本训练窗口为检测目标居中的图像,所述负样本的初始化训练窗口从一系列不包含目标对象的图像中随机产生;
C.使用基本分类器对源负样本进行扫描,得到错误样本,所述错误样本为源负样本检测出目标对象的样本,将错误样本添加到负样本集中,同正样本集一起对基本分类器进行训练,;
D.重复步骤C,得到分层次的弱分类器,将不同层次的弱分类器进行级连得到强分类器,强分类器达到设定的分类器需要达到的强度值时结束训练。
优选地,所述正样本的尺寸大小为48*48像素。
较佳地,所述正样本及负样本的数量均在12000个以上。
较佳地,步骤D中,重复步骤C的次数至少为50次。
具体地,所述正样本只包括人体肩膀以上部位的图像,每一个正样本只包含一个目标对象。
本发明的有益效果是:通过上述的方法,可以在不占用大量内存空间的情况下,实现人体检测分类器的训练,可以促进基于HOG特征在人体图像检测技术在智能家电中的应用,提高了家电的智能性,提升了用户体验。
具体实施方式
本发明所要解决的技术问题主要针对可视对象检测问题,依赖计算机视觉的角度出发构建一个针对行人的检测分类器。分类器的构建是使用梯度直方图(Histogram of OrientedGradient:HOG),在该分类器的设计主要针对人体上半身图像和更加贴近自然实景的行人图像数据采集过程。
本发明采用的技术方案是:使用基于方向梯度直方图特征的人体检测算法HOG特征进行人体图像的优化计算,实现快速物体的检测,在HOG特征训练分类器的过程中,有针对性的对人体肩膀以上部分作为正样本的取样,并通过弱分类器足够数量的级联层次的增加逐渐训练得出更好的分类能力,并使用级联分类器对多个检测结果进行分析,总结得出每个级别最具时间运行效率的一级分类器,进而通过针对XML分类器的组合得到最终的行人检测分类器。分类器的具体训练方法包括如下的步骤:首先,创建训练样本集并对训练样本集中的样本进行HOG特征提取,设定分类器需要达到的强度值,所述训练样本集中的样本包括正样本集及负样本集,所述正样本集中的正样本为被检测的目标对象,所述负样本集中的负样本从不包含任何被检测的目标对象信息的源负样本中抽样得到;其次,从正样本训练窗口和负样本的初始训练窗口中得到一个基本分类器,所述正样本训练窗口为检测目标居中的图像,所述负样本的初始化训练窗口从一系列不包含目标对象的图像中随机产生;然后,使用基本分类器对源负样本进行扫描,得到错误样本并将错误样本添加到负样本集中,同正样本集一起对基本分类器进行训练,所述错误样本为源负样本检测出目标对象的样本,重复对基本分类器进行以上训练得到分层次的弱分类器,将不同层次的弱分类器进行级联得到强分类器,强分类器达到设定的分类器需要达到的强度值时结束训练。
在训练一个分类器的时候首先是创建一个训练样本集,训练样本集包括正样本及负样本,训练的正样本是被检测的目标对象,而负样本是正样本的相对,是完全不含有任何目标对象的图像,最好的情况是负样本越接近实际检测场景的背景内容越好。分类器就是在这样的样本集合中通过数学建模对数据集特征训练得到的。在本发明所涉及的实际训练过程中,每个正样本只含有一个目标对象,而且正样本实际的尺寸是归一化的,大小为48×48的像素大小。
具有这种特征的48×48像素大小的矩形功能的基础是投射图像到训练的算法中,以及这种投射功能构成的功能集合,这里和上面提到的检测图像都有很大的关系,训练样本可以在兼容传统的分类器中进行检测,而且可以更加灵活,生成的分类器仅仅是一个XML文件。其次,可以对已经训练的每一级分类器文件做一个筛选,组合和拼接成为一个性能更加优秀的分类器文件。有针对性的选择合适的计算方法,使计算的耗时更少,计算特征更加灵活,通过固定文件的选取,确定使用具体的分类器级数。
获取和实现不同的级别的分类器级联的方法,使用级联AdaBoost分类器的训练,将一组弱性能的分类器组合起来形成一个强性能的分类器,在计算机视觉领域,这种方法被用来构建一个筛选的级联结构。在级联结构中的每一层都是选择出一个能够最大限度做分类或者筛选功能的特征,进而在最终的检测器性能上能得到最大限度的提高。在实际处理过程中,这种AdaBoost分类器级联方法运用到了图像的方向梯度直方图特征上,通过运用积分数组和级联分类,得到了具有良好的检测精度的分类器。在训练级联分离器的前几个层次时使用的特征数目往往比较大,而后续的特征数目随分类器的级数逐级减弱。
为了加快检测的速度,使用级联cascade分类器。也可以训练并添加如SVM等现有的分类器类库,在每个分类器至少包含一个一定数量的弱分类器数量的阈值,实际的分类效果用以指明在交叉验证过程中的分类性能,使用具有优化的cascade级联分类器的设计,级联方式增加训练的时间并提供最佳的检测效果。为增加准确性和实用性,使用HOG特征进行基础的编码,对整个图像进行HOG特征的扫描,形成了一个检测窗口的描述,对每个块单独进行特征化的描述,使得图像用于HOG特征描述的梯度只变得相对规范。在不同尺寸和长宽比的检测块上能够提高检测效果,或者对检测的效果有不同程度的影响。
在训练过程中,对正负样本的选择均在12000个数量以上。训练的级数超过50级,在时间允许和计算检测速度合适的情况下做也可以做更多的取舍和经过测试,并有针对性的组合弱分类器。
Claims (6)
1.基于HOG特征人体感知分类器的训练方法,其特征在于,包括如下步骤:
A.创建训练样本集并对训练样本集中的样本进行HOG特征提取,设定分类器需要达到的强度值,所述训练样本集包括正样本集及负样本集,所述正样本集中的正样本为被检测的目标对象,所述负样本集中的负样本从不包含任何被检测的目标对象信息的源负样本中抽样得到;
B.从正样本训练窗口和负样本的初始训练窗口中得到一个基本分类器,所述正样本训练窗口为检测目标居中的图像,所述负样本的初始化训练窗口从一系列不包含目标对象的图像中随机产生;
C.使用基本分类器对源负样本进行扫描,得到错误样本,所述错误样本为源负样本检测出目标对象的样本,将错误样本添加到负样本集中,同正样本集一起对基本分类器进行训练;
D.重复步骤C,得到分层次的弱分类器,将不同层次的弱分类器进行级连得到强分类器,强分类器达到设定的分类器需要达到的强度值时结束训练。
2.如权利要求1所述的基于HOG特征人体感知分类器的训练方法,其特征在于,所述正样本的尺寸大小为48*48像素。
3.如权利要求1所述的基于HOG特征人体感知分类器的训练方法,其特征在于,所述正样本及负样本的数量均在12000个以上。
4.如权利要求1所述的基于HOG特征人体感知分类器的训练方法,其特征在于,步骤D中,重复步骤C的次数至少为50次。
5.如权利要求1所述的基于HOG特征人体感知分类器的训练方法,其特征在于,所述正样本只包括人体肩膀以上部位的图像。
6.如权利要求1所述的基于HOG特征人体感知分类器的训练方法,其特征在于,每一个正样本只包含一个目标对象。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410308775.5A CN104091178A (zh) | 2014-07-01 | 2014-07-01 | 基于hog特征人体感知分类器的训练方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410308775.5A CN104091178A (zh) | 2014-07-01 | 2014-07-01 | 基于hog特征人体感知分类器的训练方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN104091178A true CN104091178A (zh) | 2014-10-08 |
Family
ID=51638893
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201410308775.5A Pending CN104091178A (zh) | 2014-07-01 | 2014-07-01 | 基于hog特征人体感知分类器的训练方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN104091178A (zh) |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105718905A (zh) * | 2016-01-25 | 2016-06-29 | 大连楼兰科技股份有限公司 | 基于行人特征与车载摄像头的盲人检测与识别方法与系统 |
CN105718907A (zh) * | 2016-01-25 | 2016-06-29 | 大连楼兰科技股份有限公司 | 基于导盲犬特征与车载摄像头的盲人检测识别方法与系统 |
CN105718904A (zh) * | 2016-01-25 | 2016-06-29 | 大连楼兰科技股份有限公司 | 基于组合特征与车载摄像头的盲人检测与识别方法与系统 |
CN107003834A (zh) * | 2014-12-15 | 2017-08-01 | 北京市商汤科技开发有限公司 | 行人检测设备和方法 |
CN107331118A (zh) * | 2017-07-05 | 2017-11-07 | 浙江宇视科技有限公司 | 跌倒检测方法及装置 |
CN110046601A (zh) * | 2019-04-24 | 2019-07-23 | 南京邮电大学 | 针对十字路口场景的行人检测方法 |
CN110363812A (zh) * | 2019-07-10 | 2019-10-22 | 国网四川省电力公司电力科学研究院 | 一种图像识别方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101655914A (zh) * | 2008-08-18 | 2010-02-24 | 索尼(中国)有限公司 | 训练装置、训练方法及检测方法 |
WO2010138988A1 (en) * | 2009-06-03 | 2010-12-09 | National Ict Australia Limited | Detection of objects represented in images |
CN101930549A (zh) * | 2010-08-20 | 2010-12-29 | 西安电子科技大学 | 基于第二代曲线波变换的静态人体检测方法 |
US20120250983A1 (en) * | 2011-03-30 | 2012-10-04 | Sony Corporation | Object detecting apparatus and method |
-
2014
- 2014-07-01 CN CN201410308775.5A patent/CN104091178A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101655914A (zh) * | 2008-08-18 | 2010-02-24 | 索尼(中国)有限公司 | 训练装置、训练方法及检测方法 |
WO2010138988A1 (en) * | 2009-06-03 | 2010-12-09 | National Ict Australia Limited | Detection of objects represented in images |
CN101930549A (zh) * | 2010-08-20 | 2010-12-29 | 西安电子科技大学 | 基于第二代曲线波变换的静态人体检测方法 |
US20120250983A1 (en) * | 2011-03-30 | 2012-10-04 | Sony Corporation | Object detecting apparatus and method |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107003834A (zh) * | 2014-12-15 | 2017-08-01 | 北京市商汤科技开发有限公司 | 行人检测设备和方法 |
CN107003834B (zh) * | 2014-12-15 | 2018-07-06 | 北京市商汤科技开发有限公司 | 行人检测设备和方法 |
CN105718905A (zh) * | 2016-01-25 | 2016-06-29 | 大连楼兰科技股份有限公司 | 基于行人特征与车载摄像头的盲人检测与识别方法与系统 |
CN105718907A (zh) * | 2016-01-25 | 2016-06-29 | 大连楼兰科技股份有限公司 | 基于导盲犬特征与车载摄像头的盲人检测识别方法与系统 |
CN105718904A (zh) * | 2016-01-25 | 2016-06-29 | 大连楼兰科技股份有限公司 | 基于组合特征与车载摄像头的盲人检测与识别方法与系统 |
CN107331118A (zh) * | 2017-07-05 | 2017-11-07 | 浙江宇视科技有限公司 | 跌倒检测方法及装置 |
CN107331118B (zh) * | 2017-07-05 | 2020-11-17 | 浙江宇视科技有限公司 | 跌倒检测方法及装置 |
CN110046601A (zh) * | 2019-04-24 | 2019-07-23 | 南京邮电大学 | 针对十字路口场景的行人检测方法 |
CN110363812A (zh) * | 2019-07-10 | 2019-10-22 | 国网四川省电力公司电力科学研究院 | 一种图像识别方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104091178A (zh) | 基于hog特征人体感知分类器的训练方法 | |
Yuan et al. | Robust traffic sign recognition based on color global and local oriented edge magnitude patterns | |
CN107833213B (zh) | 一种基于伪真值自适应法的弱监督物体检测方法 | |
CN105404886B (zh) | 特征模型生成方法和特征模型生成装置 | |
WO2016107103A1 (zh) | 图像主体区域的识别方法及装置 | |
CN103198303B (zh) | 一种基于人脸图像的性别识别方法 | |
CN106156777B (zh) | 文本图片检测方法及装置 | |
CN105512683A (zh) | 基于卷积神经网络的目标定位方法及装置 | |
CN104090658A (zh) | 基于hog特征的人体图像检测方法 | |
CN102332094B (zh) | 半监督在线学习人脸检测方法 | |
CN103400156A (zh) | 基于cfar和稀疏表示的高分辨sar图像舰船检测方法 | |
CN105574063A (zh) | 基于视觉显著性的图像检索方法 | |
CN105760858A (zh) | 一种基于类Haar中间层滤波特征的行人检测方法及装置 | |
KR101386513B1 (ko) | 공간적 피라미드 기반의 가중 비오에프 히스토그램 및 랜덤 포레스트를 이용한 사람 행동 인식 방법 | |
Kuang et al. | Real-Time Detection and Recognition of Road Traffic Signs using MSER and Random Forests. | |
CN108073940B (zh) | 一种非结构化环境中的3d目标实例物体检测的方法 | |
CN102609715A (zh) | 一种结合多个兴趣点检测子的物体类识别方法 | |
CN100412884C (zh) | 基于局部描述子的人脸快速检测方法 | |
Wang et al. | Instantly telling what happens in a video sequence using simple features | |
CN106548195A (zh) | 一种基于改进型hog‑ulbp特征算子的目标检测方法 | |
Jeong et al. | Homogeneity patch search method for voting-based efficient vehicle color classification using front-of-vehicle image | |
Shuang | A novel face detection algorithm based on PCA and Adaboost | |
Crudge et al. | Landmark recognition using machine learning | |
Choi et al. | Determining the existence of objects in an image and its application to image thumbnailing | |
Mustafah et al. | Out-of-plane rotated object detection using patch feature based classifier |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20141008 |
|
RJ01 | Rejection of invention patent application after publication |