CN105740748A - 基于累积二元组合的Haar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，并提供了一种基于累积二元组合的Haar特征的行人检测方法，包括：S1、基于Gentle Adaboost级联算法对训练样本集进行训练，得到行人级联分类器；S2、获取监控区域的视频流图像作为输入图像；S3、利用行人级联分类器对输入图像进行行人检测；S4、基于EKM算法对检测得到的行人进行跟踪和计数。在现有技术中Haar特征的基础上，利用累积二元组合的Haar特征对行人特征进行描述，提升了算法的精确度，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

基于累积二元组合的Haar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，特别涉及一种基于累积二元组合的Haar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。目前，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。

人数流量的统计信息对于很多行业有着重要的作用，他们可以利用人流量信息协助管理，合理的配置人力、物力从而高效利用有限的资源，或者根据统计的人流信息合理的控制人群密度防止人群的过度拥挤而发生安全事故。例如对于大型体育场馆、展览馆、大型建筑，人数信息可以帮助管理部门评估提供的服务设施是否够用、是否方便、是否建设的合理(例如：座椅、公共卫生设施等)，从而适时配置资源提高建筑设施的利用率。也可将人流信息提供给建筑设计单位为建筑合理设计提供参考信息。此外还可以根据对人流的控制防止人群过度拥挤而发生踩踏事件。在汽车车站、码头等，根据旅客信息合理调度汽车、轮船、人力资源来提高运营效率。在长途公共汽车上可以实时统计旅客人数信息防止各种超载现象。在零售商场，则可根据人流的时间分布规律，人流流动规律给商场的管理者评估商场的选址是否合理提供依据。由此可知进行人数统计信息的研究有很大的使用价值。

发明内容

本发明的目的在于公开一种基于累积二元组合的Haar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累积二元组合的Haar特征的行人检测方法，包括以下步骤：

S1、基于GentleAdaboost级联算法对训练样本集进行训练，得到行人级联分类器；

S2、获取监控区域的视频流图像作为输入图像；

S3、利用行人级联分类器对输入图像进行行人检测；

S4、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具体为：

首先计算正/负样本集中正/负样本的累积二元组合的Haar特征的特征向量，

然后对所述累积二元组合的Haar特征进行训练，以得到行人级联分类器；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“累积二元组合的Haar特征”的计算步骤包括：

S11、以一个基本二值化Haar特征为中心点，连接8个相邻的局部二值化Haar特征，组合成一个类似基本局部二元模式的3*3矩阵；

S12、计算中心点相邻的8个基本二值化Haar特征的特征值；

S13、根据相邻的8个基本二值化Haar特征的特征值计算所述特征中心点的“累积二元组合的Haar特征”的特征值，所述计算公式为：ABH_featurevalue＝(b₇，b₆，.....，b₀)₂；

其中，(b₇，b₆，.....，b₀)₂表示将其中二进制数值转换成为十进制数；b_t为相邻的二值Haar特征值。

作为本发明的进一步改进，所述正/负样本集中的正/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，步骤S4中的所述“EKM算法”具体为：根据前一帧中目标位置的坐标，利用Kalman滤波来预测本帧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

与现有技术相比，本发明的有益效果是：在现有技术中Haar特征的基础上，利用累积二元组合的Haar特征对行人特征进行描述，提升了算法的精确度，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为本发明基于累积二元组合的Haar特征的行人检测方法的流程图；

图2为本发明所采用的八种二值化Haar基本特征的示意图；

图3为本发明基于累积二元组合的Haar特征的特征值的计算过程示意图；

图4为步骤S2中监控区域的视频流图像的工作原理示意图；

图5为步骤S3中利用行人级联分类对输入图像进行行人检测的流程示意图。

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累积二元组合的Haar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.基于GentleAdaboost级联算法对训练样本集进行训练，得到行人级联分类器。

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\或肩部的负样本图集。

具体的，在本实施方式中，先计算正/负样本集中正/负样本的累积二元组合的Haar特征的特征向量。ABH特征(AccumulationofbinaryHaarFeatues，ABH)是一种改进的二值化Haar特征，结合局部二元模式的框架与二值化Haar特征进行结合，具体为：

将Haar特征二值化，二值化Haar特征计算方法如式(1)所示：

$b_j\left(x\right)=\left\{\begin{array}{c}1;{\left(s_1\right)}_j-{\left(s_2\right)}_j>0\\ 0;\mathrm{otherwise}\end{array}\right.---\left(1\right);$

公式(1)中，(s₁)_j和(s₂)_j分别表示矩形特征中黑色区域和白色区域内像素点的亮度之和。与传统的Haar特征相比，改进后的单个二值化Haar特征只具备标志信息因而具有良好的光照不变性，不会因为外部光照的变化而引起特征值的改变。

参图2所示，为本发明所采用的八种二值化Haar基本特征的示意图，由于二值化Haar特征过于弱小，直接用于行人检测会导致系统的鲁棒性不强而不能完成行人检测。本发明将局部二元模式的思想引入二值化Haar特征组合规律中，进一步增强特征的鲁棒性，这种特征被称为ABH特征(AccumulationofbinaryHaarFeatues，ABH)，该ABH特征计算步骤如下：

S11、以一个基本二值化Haar特征为中心点，连接8个相邻的局部二值化Haar特征，组合成一个类似基本局部二元模式的3*3矩阵；

S12、计算中心点相邻的8个基本二值化Haar特征的特征值；

S13、根据相邻的8个基本二值化Haar特征的特征值计算所述特征中心点的“累积二元组合的Haar特征”的特征值，所述计算公式如式(2)所示：

ABH_featurevalue＝(b₇，b₆，.....，b₀)₂(2)；

其中，(b₇，b₆，.....，b₀)₂表示将其中二进制数值转换成为十进制数；b_t为相邻的二值化Haar特征值。

参图3所示，ABH特征可以用一个四元函数表示，即L(x，y，w，h)。其中(x，y)表示ABH特征中最左上点的坐标值。(w，h)表示二值Haar特征中矩形的长和宽。ABH特征值得取值范围为[0，255]。每个值代表一种具体的ABH特征形式。

然后基于GentleAdaboost级联算法对所述ABH特征向量进行训练，以得到行人级联分类器。

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力的综合考虑，在本实施方式这种，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S2：获取监控区域的视频流图像作为输入图像。

参图4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。在本实施方式中，该步骤S2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S3.利用行人级联分类器对输入图像进行行人检测；

参5所示，在本实施方式中，由1到n层次的检测单元构成级联结构，输入待检测区域从第一层检测单元1开始，逐步判断待检测区域是否是行人区域。如果在某个层次的检测单元中被判断为“非”，则将该待检测图像归为“非行人区域”一类；如果经过所有层次的检测单元1～n都判断是行人区域后，则输出行人区域。从1到n层次的检测单元均是利用GentleAdaboost级联算法训练得到。

最后执行步骤S4.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，其具体为：根据前一帧中目标位置的坐标，利用Kalman滤波来预测本帧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目标位置更接引本帧的目标位置，所以在运用meanshift算法对其迭代求解本帧目标位置的时候，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 (6)

1.基于累积二元组合的Haar特征的行人检测方法，其特征在于，包括以下步骤：

S1、基于GentleAdaboost级联算法对训练样本集进行训练，得到行人级联分类器；

S2、获取监控区域的视频流图像作为输入图像；

S3、利用行人级联分类器对输入图像进行行人检测；

S4、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具体为：

首先计算正/负样本集中正/负样本的累积二元组合的Haar特征的特征向量，

然后对所述累积二元组合的Haar特征进行训练，以得到行人级联分类器；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2所述的行人检测方法，其特征在于，所述“累积二元组合的Haar特征”的计算步骤包括：

S11、以一个基本二值化Haar特征为中心点，连接8个相邻的局部二值化Haar特征，组合成一个类似基本局部二元模式的3*3矩阵；

S12、计算中心点相邻的8个基本二值化Haar特征的特征值；

S13、根据相邻的8个基本二值化Haar特征的特征值计算所述特征中心点的“累积二元组合的Haar特征”的特征值，所述计算公式为：ABH_featurevalue＝(b₇，b₆，.....，b₀)₂；

其中，(b₇，b₆，.....，b₀)₂表示将其中二进制数值转换成为十进制数；b_t为相邻的二值Haar特征值。

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

5.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。

6.根据权利要求1所述的行人检测方法，其特征在于，步骤S4中的所述“EKM算法”具体为：根据前一帧中目标位置的坐标，利用Kalman滤波来预测本帧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。