CN105447511B - 一种基于Adaboost Haar-Like特征的SVM目标检测方法 - Google Patents

Abstract

本发明提供一种基于Adaboost Haar‑Like特征的SVM目标检测方法，该方法采用Haar‑Like特征，通过Adaboost方法将若干个该类特征组成一个强特征分类器，重复按这种方法选取多个强特征分类器，然后将这些强特征分类器的特征值按照一定的顺序组成特征向量，采用SVM方法对特征向量进行训练和检测。本发明虽然与基于级联结构的Adaboost Haar‑Like特征目标检测算法相比速度有所降低，但准确率有较明显的提升。

Description

一种基于Adaboost Haar-Like特征的SVM目标检测方法

技术领域

本发明涉及图像识别技术领域，具体是一种基于Adaboost Haar-Like特征的SVM目标检测方法。

背景技术

随着视频监控技术的发展，视频监控产品不断朝着高清化、智能化的方向发展。目前，业界研究的智能化的主要内容之一是使计算机自动识别出画面中的目标行为。而识别目标行为的前提是要准确地检测出感兴趣的目标。Paul Viola和Michael Jones于2001年提出了一种基于Adaboost Haar-Like特征，以级联结构进行目标检测的方法（Rapidobject detection using a boosted cascade of simple features, CVPR2001，后面简称经典Adaboost Haar-like方法），并将该方法应用于人脸检测，取得了较好的效果。

该方法通过Adaboost方法选取出具有相对较好区分度的Haar-Like特征组合成强特征，然后将若干个强特征分类器级联起来，在特定区域检测目标时，逐级通过强特征分类器，如果任何一个强特征分类器判定不是感兴趣目标时，就结束此次识别，并判定为非感兴趣目标。只有通过了所有级联强特征分类器的区域才判定为感兴趣目标。由于大部分非目标区域在前几级强特征分类器中就会被判定为非感兴趣目标而提前结束识别，因此这种方法识别速度较快。

但上述方法存在的问题是：由于是级联的结构，因此一旦前面的强特征分类器判断错误，即使后面的所有强特征分类器判断是正确的也没用，最终的判定结果依然是错误的。

发明内容

本发明的目的在于提供一种具有较高准确率的基于Adaboost Haar-Like特征的SVM目标检测方法。

本发明的技术方案为：

一种基于Adaboost Haar-Like特征的SVM目标检测方法，包括以下步骤：

（1）遍历所有正负训练样本，按照经典Adaboost Haar-like方法训练出完整的级联强特征分类器；

（2）再次遍历所有正负训练样本，根据各级强特征分类器的计算参数，计算出每个训练样本对应的各级强特征分类器的特征值；

（3）将所述每个训练样本对应的各级强特征分类器的特征值按照一定的顺序组成特征向量；

（4）将所有正负训练样本的特征向量输入SVM分类器，完成对SVM分类器的训练；

（5）根据所述各级强特征分类器的计算参数，计算出测试样本对应的各级强特征分类器的特征值；

（6）将所述测试样本对应的各级强特征分类器的特征值按照训练时的顺序组成特征向量；

（7）将所述测试样本的特征向量输入训练完成的SVM分类器，通过所述训练完成的SVM分类器判断测试样本是否存在待检测目标。

本发明的有益效果为：

由上述技术方案可知，本发明采用经典Adaboost Haar-like方法的Haar-Like特征，但不采用其级联结构，而是通过SVM（Support Vector Machine支持向量机是近年来广泛应用的有监督分类方法，只要选取的特征区分能力强，一般都能取得较好的分类结果）利用每一级强特征分类器的特征值来综合判断，进行目标检测。本发明适用于人脸检测、车牌检测等目标检测，虽然速度有所降低（原经典Adaboost Haar-like方法有提前结束判断的机制，而本发明需要计算所有强特征分类器的特征值），但准确率有较明显的提升。随着计算机能力的不断提升，在准确率更加重要的应用场景中，本发明具有较好的应用前景。

附图说明

图1是本发明的训练过程流程图；

图2是本发明在图像特定区域进行特定目标检测的过程流程图；

图3是经典Adaboost Haar-like方法检测车牌的结果；图中每一个方框都是一个判定为车牌的区域，可以看出虽然车牌区域出现了多个方框，但背景区域也误检了多个方框；

图4是本发明检测车牌的结果；可以看出，车牌区域出现的方框数量更多、更集中；其它区域的误检也明显减少；这样的结果更有利于后续步骤筛选出真正的车牌区域。

具体实施方式

下面结合附图和具体实施例进一步说明本发明。

本发明属于一种有监督学习的分类方法，因此分为训练和检测两个主要过程。理解本发明实施方式前，应该首先完全理解背景技术中提到的经典Adaboost Haar-like方法，并且完全理解SVM训练和检测过程。

一种基于Adaboost Haar-Like特征的SVM目标检测方法，包括训练步骤和检测步骤。

如图1所示，训练步骤具体包括以下步骤：

步骤S101、开始训练过程；在这之前，类似于所有有监督学习的分类方法，要收集并标注感兴趣目标的正负样本。

步骤S102、遍历所有正负训练样本，按照经典Adaboost Haar-like方法训练出完整的级联强特征分类器；截至这一步骤，与经典Adaboost Haar-like方法完全一样，具体细节不再赘述，可参考相关文献；以下步骤是本发明的不同之处。

步骤S103、再次遍历所有正负训练样本，根据选取的强特征分类器的计算参数，对每一个训练样本，计算每一级强特征分类器的特征值。

步骤S104、对每一个训练样本，将上述特征值依次组成特征向量；这里与经典Adaboost Haar-like方法的不同在于：每一级强特征分类器的判决门限不再有用，本发明只是将强特征分类器运算出的特征值保留下来，并且按照一定的顺序组成特征向量供后续步骤使用。

步骤S105、采用所有正负训练样本的特征向量，按照SVM分类器的通用训练方法训练出SVM分类器。

步骤S106、将上述每一级强特征分类器的计算参数、强特征分类器特征值的顺序、SVM分类器的计算参数保存成训练文件，以便目标分类时使用。

步骤S107、结束训练过程。

在一幅图像中检测特定目标的过程一般都包含两个过程：（1）选定特定检测区域；（2）针对特定检测区域进行检测。过程（1）的方法不是本发明保护的范围，一般可行的方法是：将原图按照一定的比例多次缩放，在特定的缩放尺度上，在水平方向和竖直方向上按照一定的步长依次滑动检测窗口，每次滑动的检测窗口区域就是特定检测区域。本发明针对过程（2）提出的方法如图2所示，检测步骤具体包括以下步骤：

步骤S201、开始当前特定检测区域的检测；

步骤S202、按照经典Adaboost Haar-like方法训练出的计算参数求出每一级强特征分类器的特征值；

步骤S203、将上述特征值按照训练时的顺序组成特征向量；

步骤S204、将上述特征向量送入训练所得的SVM分类器；

步骤S205、通过SVM分类器判断当前特定检测区域是否为正样本，如果是，则执行步骤S206，如果否，则执行步骤S207；

步骤S206、判定为正样本，即当前特定检测区域存在待检测目标；

步骤S207、判定为负样本，即当前特定检测区域不存在待检测目标；

步骤S208、结束当前特定检测区域的检测。

为了使检测结果更加直观，每个特定检测区域判定为待检测目标时，就将该特定检测区域标注一个方框，最终将所有尺度的方框都归一化到原始尺寸并合并到一起显示出来。在测试图像进行车牌检测时，采用经典Adaboost Haar-like方法的检测结果如图3所示，采用本发明的检测结果如图4所示，对比可以看出，本发明检测的更加准确。

综上所述，本发明采用Haar-Like特征，通过Adaboost方法将若干个该类特征组成一个强特征分类器，重复按这种方法选取多个强特征分类器，然后将这些强特征分类器的特征值按照一定的顺序组成特征向量，采用SVM方法对特征向量进行训练和检测。本发明虽然与基于级联结构的Adaboost Haar-Like特征目标检测算法相比速度有所降低，但准确率有较明显的提升。

以上所述实施方式仅仅是对本发明的优选实施方式进行描述，并非对本发明的范围进行限定，在不脱离本发明设计精神的前提下，本领域普通技术人员对本发明的技术方案作出的各种变形和改进，均应落入本发明的权利要求书确定的保护范围内。

Claims (1)

1.一种基于Adaboost Haar-Like特征的SVM目标检测方法，其特征在于，包括以下步骤：

（1）遍历所有正负训练样本，按照经典Adaboost Haar-like方法训练出完整的级联强特征分类器；

（2）再次遍历所有正负训练样本，根据各级强特征分类器的计算参数，计算出每个训练样本对应的各级强特征分类器的特征值；

（3）将所述每个训练样本对应的各级强特征分类器的特征值按照一定的顺序组成特征向量；

（4）将所有正负训练样本的特征向量输入SVM分类器，完成对SVM分类器的训练；

（5）根据所述各级强特征分类器的计算参数，计算出测试样本对应的各级强特征分类器的特征值；

（6）将所述测试样本对应的各级强特征分类器的特征值按照训练时的顺序组成特征向量；

（7）将所述测试样本的特征向量输入训练完成的SVM分类器，通过所述训练完成的SVM分类器判断测试样本是否存在待检测目标。