CN105046278B - 基于Haar特征的Adaboost检测算法的优化方法 - Google Patents

Abstract

本发明提供了一种基于Haar特征的Adaboost检测算法的优化方法，第一步、利用积分图快速计算Haar特征的特征值；第二步、使用训练好的级联分类器对特征值进行选择，即，使用缩放后的模型作为模板在原始图像上滑动窗口，通过所有级联分类器的子窗口被判定为目标；第三步、所有判定为目标的子窗口作为候选矩形，通过非极大值抑制方法进行融合精简，直到获取最终目标。本发明的优点是：在保证检测的准确率轻微降低的基础上，大大提高了检测速度。优化训练分类器的方法相比，本发明并没有减少Haar特征的类别，使用的是PC上相同的分类器，检测效果更好。

Description

基于Haar特征的Adaboost检测算法的优化方法

技术领域

本发明涉及一种基于Haar特征的Adaboost检测算法的优化方法，是为DSP等嵌入式平台上运行而改进Haar+Adaboost算法。

背景技术

目标检测技术是图像领域中很重要的应用，在智能监控、交通卡口、人脸识别、图像检索中应用很广。除了传统的图像处理方法检测特定目标外，通过机器学习的方法训练特定目标的模型、在图像中滑动模型窗口来检测目标是至今为止非常有效的方法，尤其是针对刚性物体。

在使用机器学习方法来检测特定目标的方法中，SVM(Support Vector Machine)和Adaboost算法是图像目标检测中最常用的方法。其中，Viola和Jones提出的Haar特征+Adaboost方法具有较好的检测效果，尤其是在人脸检测方面。其应用平台从PC机到数码相机、手机、迷你无人飞行器、高清监控摄像机等便携式设备，使用非常广泛。然而，基于Adaboost的人脸检测算法计算复杂度比较高、训练的分类器过于庞大并且检测过程中访存次数很多，不适合在嵌入式平台中运行。

所以，如何在DSP等嵌入式平台上改进Haar+Adaboost算法，使系统能够达到实时、准确的效果，是本发明将要阐述的重点。

发明内容

本发明的目的是克服现有技术的不足，针对DSP等嵌入式平台对基于Haar特征的Adaboost检测算法进行优化。

本方法包括三部分：第一步、利用积分图快速计算Haar特征的特征值；第二步、使用训练好的级联分类器对特征值进行选择，即，使用缩放后的模型作为模板在原始图像上滑动窗口，通过所有级联分类器的子窗口被判定为目标；第三步、所有判定为目标的子窗口作为候选矩形，通过非极大值抑制方法进行融合精简，直到获取最终目标。

具体的，第一步所述特征值为白色矩形像素和减去黑色矩形像素和，计算公式如公式(1)，

其中，所述的feature_j表示第j个特征，W_i为矩形区域内第i矩形r_i的权重值，N为特征feature_j包含的矩形个数，rectsum(r_i)为矩形r_i所围图像的灰度积分，

点(x，y)的积分计算方法为：

其中，i(x’，y’)是原图像，ii(x，y)是积分后的图像。

第二步中根据图像的大小，提前计算出隐藏级联分类器；每次缩放后，模型中需要重新计算的特征包括以下四部分：

1)滑动窗口的大小，计算公式如公式(3)所示：

其中，k表示第k次缩放模型，factor_k为第k次缩放因子，scale为基础缩放尺度，第k+1次缩放因子是第k次缩放因子的scale倍；w表示原始滑动窗口宽度，w^k表示第k次滑动窗口宽度，H表示原始滑动窗口宽度，H_k表示第k次滑动窗口宽度；

2)每个特征中的矩形顶点和权值；矩形顶点的计算如公式(4)所示：

其中，(x，y)表示左上角顶点坐标，(w，h)表示矩形的宽和高；round为四舍五入取整；

3)Haar特征中矩形权值的重新计算；

4)分类器阈值计算；

分类器阈值改变，矫正因子公式：

其中，为模型窗户核面积的平方，∑_{矩形内所有点}piexl²为子窗口内的像素点平方和，mean为子窗口内的像素点均值。

进一步的，公式(4)矩形顶点计算式中，四舍五入取整round在实际计算中是根据图像的宽度计算出矩形四个顶点与初始点的偏移；

其中，普通的Haar特征是在积分图中计算顶点数值坐标，其四个顶点的计算方法如下：

倾斜的Haar特征是在倾斜积分图中计算坐标，其四个顶点的计算方法如下：

其中，箭头“→”表示将二维坐标转为一维坐标的操作，p0、p1、p2、p3表示矩形的四个顶点，sum表示积分图首地址，tilted表示倾斜积分图首地址，imgwidth表示图像宽度。

本发明的优点是：

1)本发明在保证检测的准确率轻微降低的基础上，大大提高了检测速度。

2)与优化训练分类器的方法相比，本发明并没有减少Haar特征的类别，使用的是PC上相同的分类器，检测效果更好。

附图说明

图1是Haar特征图。

图2是级联分类器的组成。

图3是隐藏级联分类器的组成。

具体实施方式

下面结合附图和实施例对本发明作进一步说明。

本方法包含3部分：第一步是利用积分图快速计算Haar特征的特征值；第二步：使用训练好的级联分类器对特征值进行选择，即使用缩放后的模型作为模板在原始图像上滑动窗口，通过所有级联分类器的子窗口被判定为目标；第三步所有判定为目标的子窗口作为候选矩形，通过非极大值抑制方法进行融合精简，直到获取最终目标。

(1)利用积分图计算Haar特征的特征值。

Haar-like特征，即常说的Haar特征，是计算机视觉领域一种常用的特征描述算子。它最早是由Papageorigiou等人用于人脸描述。目前常用的Haar-like特征可以分为三类：线性特征、边缘特征、点特征(中心特征)、对角线特征。如图1所示。

在计算机中，haar特征作为一个弱分类器使用的特征，为了描述出图1中所有Haar特征，在存储器中结构如下：

结构中包含了是否倾斜的信息和2个或3个带权值的矩形信息。其中，第一个矩形描述的是整个矩形区域，权值为-1，第二个矩形描述的是黑色区域的矩形，权值为整体面积/黑色矩形面积。唯一例外的是，haar_x2_y2包含2个黑色矩形，因此需要3个矩形来描述，其他特征都是2个矩形描述。特征值为白色矩形像素和减去黑色矩形像素和，计算公式如公式(1)所示。

其中，所述的feature_i为第j个特征，w_i为矩形区域内第i矩形r_i的权重值，N为特征feature_j包含的矩形个数，recsum(r_i)为矩形r_i所围图像的灰度积分。

点(x，y)的积分计算方法ii(x，y)为：

其中，所述的i(x’，y’)是原图像，ii(x，y)是积分后的图像。

(2)使用训练好的级联分类器对特征值进行筛选。

级联强分类器是由多层强分类器组合而成，强分类器又由多个弱分类器再组合而成，弱分类器则是从Haar特征中选取最具代表性的矩形特征中筛选出来的。弱分类器之间地位是相当的，不存在先后，因此可对弱分类器进行重新排序，包含2个矩形的在前，3个矩形的在后，最终达到for循环中去掉if条件的目标。这样就减少了算法运行的时间复杂度。

使用缩放后的模型作为模板在原图像上滑动窗口，通过所有级联强分类器的子窗口判定为目标，在中间过程中放弃的则不是目标。级联分类器结构如图2所示。

在迭代过程中，继续缩放模型，将模型放大。此处，本发明将模型的缩放次数确定为6，因为实验验证选择该次数，能够在保证检出率降低不多的前提下，减少耗时性。然后再根据放大后的尺寸，重新计算隐藏级联分类器，如图3所示，其中虚线框部分为需要重新计算的部分，包括：窗口核面积的倒数double inv_window_area，缩放后模型的大小CvSizereal_window_size，阈值float*threshold，矩形4个顶点在图像中的偏移int*p0，*p1，*p2，*p3，矩形权值float weight。

根据图像的大小，提前计算出隐藏级联分类器，这是本发明最重要的优化方法。每次缩放后，模型中需要重新计算的特征主要分为以下四部分：

1)搜索框的大小。搜索框大小的计算公式如公式(3)所示：

其中，k表示第k次缩放模型，factor_k为第k次缩放因子，scale为基础缩放尺度(一般取1.2)，第k+1次缩放因子是第k次缩放因子的scale倍；w表示原始滑动窗口宽度，w^k表示第k次滑动窗口宽度，H表示原始滑动窗口宽度，H_k表示第k次滑动窗口宽度。

2)每个特征中的矩形顶点和权值。矩形顶点的计算如公式(4)所示：

其中，(x，y)表示左上角顶点坐标，(w，h)表示矩形的宽和高。其中，所述的矩形顶点计算式中，round为四舍五入取整。实际计算中，是根据图像的宽度计算出矩形四个顶点与初始点的偏移。

其中，所述的普通的Haar特征是在积分图中计算顶点数值坐标，倾斜的Haar特征是在倾斜积分图中计算坐标，二者四个顶点的计算方法也不同，分别为以下计算式：

其中，箭头→表示将二维坐标转为一维坐标的操作，p0、p1、p2、p3表示矩形的四个顶点，sum表示积分图首地址，tilted表示倾斜积分图首地址，imgwidth表示图像宽度。

3)Haar特征中矩形权值的计算。

根据公式1可推出，取整计算改变了原Haar特征中白色矩形与黑色矩形区域面积的比例，因此每个Haar特征中的矩形权值需要重新计算。以图1中的haar_x2特征为例，原矩形中权值计算如公式(7)：

-w0*Area(r0)＝w1*Area(r1) (7)

其中，r0是整个矩形，r1代表黑色矩形。缩放后，r0，r1都改变为r0’和r1’，w1不变，w0由于两区域面积比例的改变，变为小数。

w0＝-Area(r1′)*w1/Area(r0’) (8)

在具体计算时，矩形权值是小数，可左移改成整数，提高计算速度。

4)分类器阈值计算。

分类器阈值改变，矫正因子公式：

其中，所述的为模型窗户核面积的平方；其中，所述的∑_{矩形内所有点}piexl²为子窗口内的像素点平方和，mean为子窗口内的像素点均值。

阈值比较是基于大小的比较，无所谓小数或整数，本发明在具体计算时将其左移改为整数，提高了计算速度。

(3)获取最终目标。

所有判定为目标的子窗口作为候选矩形，通过非极大值抑制方法进行融合精简，获取最终目标。

Claims (2)

1.基于Haar特征的Adaboost检测算法的优化方法，其特征是：

第一步、利用积分图快速计算Haar特征的特征值；

第二步、使用训练好的级联分类器对特征值进行选择，即，使用缩放后的模型作为模板在原始图像上滑动窗口，通过所有级联分类器的子窗口被判定为目标；

第三步、所有判定为目标的子窗口作为候选矩形，通过非极大值抑制方法进行融合精简，直到获取最终目标；

其中，第一步所述特征值为白色矩形像素和减去黑色矩形像素和，计算公式如公式(1)，

其中，所述的feature_j表示第j个特征，w_i为矩形区域内第i矩形r_i的权重值，N为特征feature_j包含的矩形个数，rectsum(r_i)为矩形r_i所围图像的灰度积分，

点(x,y)的积分计算方法为：

其中，i(x’,y’)是原图像，ii(x,y)是积分后的图像；

其中，第二步中根据图像的大小，在级联分类器的基础上提前计算出隐藏级联分类器；每次缩放后，隐藏级联分类器的模型中需要重新计算的特征包括以下四部分：

1)滑动窗口的大小，计算公式如公式(3)所示：

其中，k表示第k次缩放模型，factor_k为第k次缩放因子，scale为基础缩放尺度，第k+1次缩放因子是第k次缩放因子的scale倍；w表示原始滑动窗口宽度，w_k 表示第k次滑动窗口宽度，H表示原始滑动窗口高度，H_k表示第k次滑动窗口高度；

2)每个特征中的矩形顶点和权值；矩形顶点的计算如公式(4)所示：

其中，(x，y)表示左上角顶点坐标，(w，h)表示矩形的宽和高；round为四舍五入取整；

3)Haar特征中矩形权值的重新计算；

4)分类器阈值计算；

分类器阈值改变，矫正因子公式：

其中，为模型窗户核面积的平方，∑_{矩形内所有点}piexl²为子窗口内的像素点平方和，mean为子窗口内的像素点均值。

2.如权利要求1所述基于Haar特征的Adaboost检测算法的优化方法，其特征是，公式(4)矩形顶点计算式中，四舍五入取整round在实际计算中是根据图像的宽度计算出矩形四个顶点与初始点的偏移；

其中，普通的Haar特征是在积分图中计算顶点数值坐标，其四个顶点的计算方法如下：

倾斜的Haar特征是在倾斜积分图中计算坐标，其四个顶点的计算方法如下：

其中，箭头“→”表示将二维坐标转为一维坐标的操作，p0、p1、p2、p3表示矩形的四个顶点，sum表示积分图首地址，tilted表示倾斜积分图首地址，imgwidth表示图像宽度。