CN105426928A - 一种基于Haar特征和EOH特征的行人检测方法 - Google Patents

Abstract

本发明属于视频图像处理技术领域，并提供了一种基于Haar特征和EOH特征的行人检测方法，包括：S1、计算训练样本集中的正/负样本的Haar特征和EOH特征的特征向量；S2、通过改进的Gentle？Adaboost算法对训练样本集中的正/负样本进行训练，得到行人分类器；S3、获取监控区域的视频流图像作为输入图像；S4、利用行人分类器对输入图像进行行人检测；S5、基于EKM算法对检测得到的行人进行跟踪和计数。在本发明中，通过将Haar特征与EOH特征一起作为特征向量对行人特征进行描述，提升了行人检测的精确度，并有效地提高了对公共区域内对行人进行人数统计的效率与准确度。

Description

一种基于Haar特征和EOH特征的行人检测方法

技术领域

本发明属于计算机视频图像处理技术领域，特别涉及一种基于Haar特征和EOH特征的行人检测方法，用于对公共区域中的行人数量进行精确统计。

背景技术

随着计算机技术和图像处理技术的发展，基于视频的智能监控系统得到了广泛的应用。在保障社会公共安全和交通安全方面、保护人民生命财产安全方面、在工业控制领域保障安全生产和产品检测方面以及有关商业领域方面都发挥着巨大的作用。

智能视频监控系统的应用主要在安全防控领域和非安全防控领域。公共场所人群监控、道路交通安全监控、工业生产安全监控等都属于安全防控领域的应用。非安全领域有：商业领域、工业产品检测、公共交通系统等。

在现有技术中，对公共区域的行人检测通常需要正样本集中的正样本及负样本集中的负样本进行训练以得到行人分类器；并通过该行人分类器对实时采集到的图像中行人区域判断是否为行人区域并进行人数计数，从而实现对行人的检测。

目前，传统的GentleAdaboost算法通过调整每轮训练中被错分的样本权值来实现最优行人分类器的选择，对于错分的正负样本，其调整比例是相同的，因此无法解决正负样本数量间的非均衡问题。因此，有必要对现有技术中对公共区域的行人检测的方法予以改进，以解决上述技术瑕疵。

发明内容

本发明的目的在于公开一种基于多特征的行人检测方法，用以提高对公共区域内对行人进行人数统计的效率与准确度。

为实现上述发明目的，本发明提供了一种基于Haar特征和EOH特征的行人检测方法，包括以下步骤：

S1、计算训练样本集中的正/负样本的Haar特征和EOH特征的特征向量；

S2、通过改进的GentleAdaboost算法对训练样本集中的正/负样本进行训练，得到行人分类器；

S3、获取监控区域的视频流图像作为输入图像；

S4、利用行人分类器对输入图像进行行人检测；

S5、基于EKM算法对检测得到的行人进行跟踪和计数。

作为本发明的进一步改进，所述步骤S1中的训练样本集由包含若干正样本的正样本集与包含若干负样本的负样本集所组成；其中，

所述正样本集中的正样本包含行人头部和\或肩部；所述负样本集中的负样本不包含行人头部和\或肩部。

作为本发明的进一步改进，所述步骤S1中对训练样本集中的正/负样本进行Haar特征的计算具体为：将若干Haar基本特征线性组合，以形成的若干Haar特征。

作为本发明的进一步改进，所述步骤S1中的“EOH特征的特征向量”是通过在训练样本集中的任意一个正样本或负样本进行像素点的梯度值计算所形成的梯度图像的基础之上，通过对所述梯度图像进行HOG特征提取所得到的边缘图像直方图特征。

作为本发明的进一步改进，所述训练样本集中的正/负样本为30×30～100×100像素的256阶灰度图像。

作为本发明的进一步改进，所述步骤S2中“改进的GentleAdaboost算法”具体为：在传统GentleAdaboost算法的基础上，引入正/负样本误分类代价敏感机制。

作为本发明的进一步改进，所述步骤S3具体为：通过摄像机获取监控区域的视频流图像作为输入图像，所述监控区域位于摄像机的正下方。

作为本发明的进一步改进，所述步骤S4具体为：使用30×30～100×100的矩形窗口对步骤S3所获取的输入图像进行扫描，计算落在矩形窗口内待检测图像的Haar特征和EOH特征的特征向量，并将所述待检测图像的Haar特征和EOH特征的特征向量的检测结果输入至行人分类器中，将行人分类器输出为正的待检测图像标记为行人区域。

作为本发明的进一步改进，步骤S5中的所述“EKM算法”具体为：根据前一帧图像中目标位置的坐标，利用Kalman滤波来预测本帧图像中目标可能的坐标点，然后再利用meanshift算法以估计到的坐标点为起始点进行迭代运算。

与现有技术相比，本发明的有益效果是：在本发明中，通过将Haar特征与EOH特征一起作为特征向量对行人特征进行描述，提升了行人检测的精确度，并有效地提高了对公共区域内对行人进行人数统计的效率与准确度。

附图说明

图1为本发明一种基于Haar特征和EOH特征的行人检测方法的流程图；

图2为本发明步骤S1中所采用的五种Haar基本特征的示意图；

图3a为Sobel算子计算x方向的梯度值的示意图；

图3b为Sobel算子计算y方向的梯度值的示意图；

图4为本发明所示的输入图像作卷积和运算的示意图；

图5为步骤S3中监控区域的视频流图像的工作原理示意图。

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所示的本发明一种基于Haar特征和EOH特征的行人检测方法的具体实施方式。

在本实施方式中，首先执行步骤S1、计算训练样本集中的正/负样本的Haar特征和EOH特征的特征向量。

步骤S1中的训练样本集由包含若干正样本的正样本集与包含若干负样本的负样本集所组成。由于行人在行走时头部与肩部的变化较小，基于易于检测方面的考虑，可将训练样本集定义为：只包含行头部和\或肩部的正样本集、不包含行人头部和\或肩部的负样本集。

在本实施方式中，采用如图2所示的五种Haar基本特征，可将该五种Haar基本特征线性组合成为若干Haar特征。

所述步骤S1中的“EOH特征的特征向量”是通过在训练样本集中的任意一个正样本或负样本进行像素点的梯度值计算所形成的梯度图像的基础之上，通过对所述梯度图像进行HOG特征提取所得到的边缘图像直方图特征。

EOH特征(EdgeOrientationHistogramsFeatures，EOH)是在梯度图像上进行HOG特征，该EOH特征的特征向量的计算过程具体如下所述。

结合图3a、图3b与图4所示，对输入图像在某个像素点的像素值设为f(x，y)。

对于该像素点的梯度值计算公式如下述公式(1)所示：

$M(x,y)=\sqrt{S_x^2+S_y^2}---\left(1\right);$

其中，M(x，y)为像素点(x，y)处所求的梯度值，S_x、S_y为利用sobel算子分别计算像素点(x，y)沿x、y方向上的梯度值。

其中图3a为Sobel算子计算该像素点(x，y)沿x方向的梯度值的示意图；图3b为Sobel算子计算该像素点(x，y)沿y方向的梯度值的示意图。

S_x、S_y分别表示sobel算子与如图4所示的图像邻域的灰度级做卷积运算。图4中的Z₁(i＝1，2，....，9)表示该像素点(x，y)八邻域周围的像素点的灰度值，梯度值S_x及S_y计算公式如下述公式(2)、公式(3)所示：

$S_x=\left[\begin{array}{ccc}1& 2& 1\\ 0& 0& 0\\ -1& -2& -1\end{array}\right]=\begin{array}{c}\left[\begin{array}{ccc}{Z}_1& Z_2& Z_3\\ Z_4& (x,y)& Z_6\\ Z_7& Z_8& Z_9\end{array}\right]---\left(2\right);\end{array}$

$S_y=\left[\begin{array}{ccc}1& 0& -1\\ 2& 0& -2\\ 1& 0& -1\end{array}\right]=\begin{array}{c}\left[\begin{array}{ccc}{Z}_1& Z_2& Z_3\\ Z_4& (x,y)& Z_6\\ Z_7& Z_8& Z_9\end{array}\right]---\left(3\right);\end{array}$

即，输入图像在像素点(x，y)处沿x、y方向上的梯度值的计算公式分别为下述公式(4)、公式(5)所示：

S_x＝(Z₁+2Z₂+Z₃)-(Z₇+2Z₈+Z₉)(4)；

S_y＝(Z₁+2Z₄+Z₇)-(Z₃+2Z₆+Z₉)(5)。

Sobel算子是图像处理中的算子之一，主要用作边缘检测，是一种离散性差分算子，用来运算图像亮度函数的梯度近似值。

在本实施方式中，该Sobel算子包含两组3×3的矩阵，分别为用于求像素点沿x、y方向上的梯度值，将之与如图4所示的输入图像中的每个像素点的邻域灰度级作卷积和运算，然后选取合适的阀值K以便去除噪声。

具体的，该卷积和运算的计算公式如下述公式(6)所示：

$f(x,y)=\left\{\begin{array}{c}0,M(x,y)<K\\ M(x,y),M(x,y)\&GreaterEqual;K\end{array}\right.---\left(6\right);$

其中，在本实施方式中，该阈值K取值为70。

然后在梯度图像f(x，y)上进行HOG特征提取，得到EOH特征的特征向量。

然后，执行步骤S2、通过改进的GentleAdaboost算法对训练样本集中的正/负样本进行训练，得到行人分类器。

传统的GentleAdaboost算法通过调整每轮训练中被错分的样本权值来实现最优分类器的选择，对于错分的正负样本，其调整比例是相同的，因此无法解决正负样本数量间的非均衡问题。

在本实施方式中，通过引入正负样本误分类代价敏感机制，解决了传统GentleAdaboost算法无法解决正负样本数量间的非均衡问题，其具体实现过程为：

首先设置非均衡的代价损失函数值的计算公式为下述公式(7)所示：

${\mathrm{Loss}}_{\mathrm{asym}}(x_i,y_i)=\left\{\begin{array}{c}{C}_1,y_i=1\&cap;H\left(x_i\right)=-1\\ C_2,y_i=-1\&cap;H\left(x_i\right)=1\\ 0,\mathrm{otherwise}\end{array}\right.---\left(7\right);$

其中，C₁为正样本错分代价损失函数值，C₂为负样本错分代价损失函数值，H(x_i)＝sign(∑f_j(x))为强分类器的分类结果，C₁，C₂∈[0，1]且C₁＞C₂。

设正样本被错误分类的数量为N_FN，负样本被错误分类的数量为N_FP，则分类器的分类错误率的计算公式为下述公式(8)所示：

${\mathrm{\&epsiv;}}_{\mathrm{asym}}(C_1,C_2)=C_1{N}_{\mathrm{FN}}+C_2{N}_{\mathrm{FP}}=\underset{i}{\mathrm{\&Sigma;}}\mathrm{ALoss}\left(i\right)---\left(8\right);$

采用指数形式表示正负样本误分损失函数的上限值的计算公式为下述公式(9)所示：

$\mathrm{ALoss}\left(F\left(x\right)\right)=\left\{\begin{array}{c}{e}^{-C_1{y}_{i}F\left(x_i\right)},y_i=1\\ e^{-C_2{y}_{i}F\left(x_i\right)},y_i=-1\end{array}\right.---\left(9\right);$

其中，F(x)为一累加模型，其表达式为

则改进后的GentleAdaboost算法模型一轮损失函数最小值的计算公式为下述公式(10)所示：

$L_{\mathrm{asym}}\left(F\left(x\right)\right)=E[I(y=1)e^{-y{C}_{1}F\left(x\right)}+I(y=-1)e^{-y{C}_{2}F\left(x\right)}]---\left(10\right);$

其中，I(·)为指标函数。

公式(9)中的F(x)可根据累加模型计算得到，即每一轮最优的弱分类器累加之和。则新一轮的损失函数计算时F(x)值需要在上一轮的基础上累加一个当前最优弱分类器f(x)的计算公式如下述公式(11)所示：

$\begin{array}{c}{J}_{\mathrm{asym}}(F\left(x\right)+f\left(x\right))=E(I(y=1)e^{-y{C}_{1}F\left(x\right)}{e}^{-C_{1}f\left(x\right)}+I(y=-1)e^{-y{C}_{2}F\left(x\right)}{e}^{C_{2}f\left(x\right)}]\\ {=E}_w[I(y=1)e^{-C_{1}f\left(x\right)}+I(y=-1)e^{C_{2}f\left(x\right)}]=P_w(y=1|x)e^{-C_{1}f\left(x\right)}+P_w(y=-1|x)e^{C_{2}f\left(x\right)}\end{array}---\left(11\right);$

其中，E_w[·]为加权期望值，其计算公式为下述公式(12)所示：

$E_w\left[g(x,y)\right]=\frac{E\left[w(x,y)g(x,y)\right]}{E\left[w(x,y)\right]}---\left(12\right);$

当前最优弱分类器f(x)的选取使用与GentleAdaboost算法类似的Newton修正算法可表示下述公式(13)所示：

$f\left(x\right)=\frac{C_1{P}_w(y=1|x)-C_2{P}_w(y=-1|x)}{{C_1}^2{P}_w(y=1|x)+{C_2}^2{P}_w(y=-1|x)}---\left(13\right);$

其中，P_w(y＝1|x)和P_w(y＝-1|x)分别表示正负样本的权重累计分布，每轮迭代的权重变换公式为下述公式(14)所示：

$w_i^{(m+1)}=w_i^{\left(m\right)}{e}^{-C_1{y}_{i}f\left(x\right)}---\left(14\right);$

至此，本实施例中所述GentleAdaboost算法修正完毕。

其中，该正样本集中的正样本是包含行人头部和\或肩部的样本(即正样本)；该负样本集中的负样本是不包含行人头部和\或肩部的样本(即负样本)。具体的，该正/负样本集中正/负样本为30×30～100×100像素的256阶灰度图像。基于计算机对图像进行处理速度和效率的综合考虑，在本实施方式中，可将正/负样本集中的正/负样本优选为30×30像素的256阶灰度图像。

具体的，在本实施方式中，在初始化行人分类器中的正样本集中的正样本的个数为4000，负样本集中的负样本的个数为6000。

然后执行步骤S3、获取监控区域的视频流图像作为输入图像。

参图5所示，在本实施方式中，摄像机10垂直拍摄并可适用于室外环境和室内环境中。在本实施方式中，该步骤S3具体为：通过摄像机10获取监控区域30的视频流图像作为输入图像，所述监控区域30位于摄像机10的正下方。

具体的，摄像机10设置在出入口20的正上方，行人可沿着箭头201的方向上在出入口20中来回走动。摄像机10所获取的监控区域30可完全覆盖出入口20的全部区域。该出入口20可设置在需要对行人人数进行统计的商场、车库、银行等需要重点监控场所的大门口或者走廊中。

需要说明的是，本发明在摄像机10垂直地正对着监控区域30时的效果最佳，当然可也将摄像机10倾斜地对着需要进行行人人数计数统计的公共区域，以通过摄像机10覆盖整个监控区域30。

在本实施方式中，该监控区域30为矩形；当然也可以为正方形或圆形或者其他形状。摄像机10位于监控区域30的中心点301的正上方，此时该监控区域30位于摄像机10的正下方。

然后执行步骤S4、利用行人分类器对输入图像进行行人检测。

以30×30～100×100(单位：像素)的矩形窗口对输入图像进行扫描，计算落在矩形窗口内的待检测图像的Haar特征和EOH特征的特征向量，并将所述待检测图像的Haar特征和EOH特征的特征向量的检测结果输入到行人分类器中，将输出为正的待检测图像标记为行人区域。

最后执行步骤S5、基于EKM算法对检测得到的行人进行跟踪和计数。

EKM算法采用Kalman滤波和meanshift算法相结合的方法。

具体为：根据前一帧图像中目标位置的坐标，利用Kalman滤波来预测本帧图像中目标可能的坐标点，之后再利用meanshift算法以估计到的坐标点为起始点进行迭代运算。

由于Kalman滤波估计到的目标坐标点相比上一帧图像中的目标位置更接引本帧图像中的目标位置，所以在运用meanshift算法对其迭代求解本帧图像的目标位置的时候，可以有效的减少迭代计算的次数，缩短整体的目标识别时间。最后进行计数，得到行人的个数。

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 (9)

1.一种基于Haar特征和EOH特征的行人检测方法，其特征在于，包括以下步骤：

S1、计算训练样本集中的正/负样本的Haar特征和EOH特征的特征向量；

S2、通过改进的GentleAdaboost算法对训练样本集中的正/负样本进行训练，得到行人分类器；

S3、获取监控区域的视频流图像作为输入图像；

S4、利用行人分类器对输入图像进行行人检测；

S5、基于EKM算法对检测得到的行人进行跟踪和计数。

2.根据权利要求1所述的行人检测方法，其特征在于，所述步骤S1中的训练样本集由包含若干正样本的正样本集与包含若干负样本的负样本集所组成；其中，

所述正样本集中的正样本包含行人头部和\或肩部；所述负样本集中的负样本不包含行人头部和\或肩部。

3.根据权利要求1所述的行人检测方法，其特征在于，所述步骤S1中对训练样本集中的正/负样本进行Haar特征的计算具体为：将若干Haar基本特征线性组合，以形成的若干Haar特征。

4.根据权利要求1所述的行人检测方法，其特征在于，所述步骤S1中的“EOH特征的特征向量”是通过在训练样本集中的任意一个正样本或负样本进行像素点的梯度值计算所形成的梯度图像的基础之上，通过对所述梯度图像进行HOG特征提取所得到的边缘图像直方图特征。

5.根据权利要求1或2所述的行人检测方法，其特征在于，所述训练样本集中的正/负样本为30×30～100×100像素的256阶灰度图像。

6.根据权利要求1所述的行人检测方法，其特征在于，所述步骤S2中“改进的GentleAdaboost算法”具体为：在传统GentleAdaboost算法的基础上，引入正/负样本误分类代价敏感机制。

7.根据权利要求1所述的行人检测方法，其特征在于，所述步骤S3具体为：通过摄像机获取监控区域的视频流图像作为输入图像，所述监控区域位于摄像机的正下方。

8.根据权利要求1所述的行人检测方法，其特征在于，所述步骤S4具体为：使用30×30～100×100的矩形窗口对步骤S3所获取的输入图像进行扫描，计算落在矩形窗口内待检测图像的Haar特征和EOH特征的特征向量，并将所述待检测图像的Haar特征和EOH特征的特征向量的检测结果输入至行人分类器中，将行人分类器输出为正的待检测图像标记为行人区域。

9.根据权利要求1所述的行人检测方法，其特征在于，步骤S5中的所述“EKM算法”具体为：根据前一帧图像中目标位置的坐标，利用Kalman滤波来预测本帧图像中目标可能的坐标点，然后再利用meanshift算法以估计到的坐标点为起始点进行迭代运算。