CN107085729B - 一种基于贝叶斯推断的人员检测结果修正方法 - Google Patents
一种基于贝叶斯推断的人员检测结果修正方法 Download PDFInfo
- Publication number
- CN107085729B CN107085729B CN201710145115.3A CN201710145115A CN107085729B CN 107085729 B CN107085729 B CN 107085729B CN 201710145115 A CN201710145115 A CN 201710145115A CN 107085729 B CN107085729 B CN 107085729B
- Authority
- CN
- China
- Prior art keywords
- classifier
- detection
- result
- correction
- bayesian
- 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.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
- G06F18/24155—Bayesian classification
Abstract
本发明属于图像分析技术领域,公开了一种基于贝叶斯推断的人员检测结果修正方法,通过引入贝叶斯分类器来判断人员检测分类器是否分类正确;收集一定的由检测分类器得到的有人的图片,人工标签分类为检测分类器分类正确和分类错误,提取时间、位置、大小这三个特征,计算每个类别的概率以及每个类别条件下各个特征属性划分的概率,训练得到贝叶斯修正分类器;将检测分类器得到有人的图片输入到修正分类器进行分类,判断检测分类器的结果是否正确。本发明不对原有算法进行修改,而是在其基础上添加基于贝叶斯推断的修正模块。本发明通过引入贝叶斯分类器来判断检测分类器分类的结果是否正确,从而优化识别结果,显著地降低了原分类器误报率。
Description
技术领域
本发明属于图像分析技术领域,尤其涉及一种基于贝叶斯推断的人员检测结果修正方法。
背景技术
人员检测是基于图像数据进行目标检测的一个重要应用,它在视频监控、智能交通、高级人机接口等多个领域具有广泛的应用前景。由于行人所处环境的复杂性,使得高可靠性的人员检测仍然面临诸多挑战。因此进行人员检测相关问题的研究具有重要的理论意义。行人检测本质上是一个分类问题,目前人员检测主要采用外观特征和统计学习相结合的思路训练行人检测器,其中以HOG(梯度方向直方图Histogram of Oriented Gradient)特征+SVM(支持向量机,Support Vector Machine)的方式最为流行。提取大量图片的HOG特征,通过SVM进行训练,得到人员检测的分类器,然后使用检测分类器对图片进行识别,判断其中是否有人出现。但是,将行人作为正样本训练分类器存在以下难点:1)行人的姿态、服装色彩各不相同,在特征空间中的模式不紧凑;2)分类器的性能直接受训练样本的影响,而真实场景纷繁复杂,离线训练时有限的负样本无法涵盖所有场景。所以现有技术在处理不同姿势、背景变换、光照强弱变化等方面显得不够灵活,使得检测结果会受到很大影响,误报率可观。
综上所述,现有技术存在的问题是:由于人体的身材和衣着上的差异性,人体的动作的多样性,背景的复杂性,以及光照强弱带来的变化,使得检测结果会受到很大影响,导致目前的人员检测方法存在误报率可观的问题。
发明内容
针对现有技术存在的问题,本发明提供了一种基于贝叶斯推断的人员检测结果修正方法。
本发明是这样实现的,一种基于贝叶斯推断的人员检测结果修正方法,所述基于贝叶斯推断的人员检测结果修正方法通过引入贝叶斯分类器来判断检测分类器分类的结果是否正确;收集一定的由检测分类器得到的有人的图片,人工标签分类为检测分类器分类正确和分类错误,提取时间、位置、大小这三个特征,计算每个类别的概率以及每个类别条件下各个特征属性划分的概率,训练得到贝叶斯修正分类器;将检测分类器得到有人的图片输入到修正分类器进行分类,判断检测分类器的结果是否正确。
进一步,所述基于贝叶斯推断的人员检测结果修正方法具体包括以下步骤:
步骤一,针对场景准备样本集合,包括正样本集合和负样本集合。正样本为单个多姿态多尺度不同衣着的人截图,负样本是相应场景中所包含的各种背景以及经常出现的非人的物品截图;
步骤二,计算所有正样本和负样本中图片的HOG特征,通过SVM算法对图片进行分类,得到检测分类器,并初始化各项参数;
步骤三,截取摄像头视频流的单帧图片,计算该图片的HOG特征,并将其作为输入传入检测分类器进行运算,得到结果;如果判定没有人,则继续识别下一帧图片;否则,转到步骤四;
步骤四,收集由步骤三检测分类器得出的有人的图片,对收集的图片进行特征提取和人工标签分类,时间、人员位置、人员大小这三个特征分别用t、d、s表示,C为标签类别;检测修正分类器是否完成训练,未完成转到步骤五,否则,转到步骤六;
步骤五,将步骤四收集到的图片作为训练集输入,利用贝叶斯学习算法,计算训练样本中每个类别的概率以及每个类别条件下各个特征属性划分的概率,即计算P(C=0)、P(C=1)和P(t|C=0)、P(d|C=0)、P(s|C=0),P(t|C=1)、P(d|C=1)、P(s|C=1),训练得到修正分类器,用来判断检测分类器的分类结果是否准确;
步骤六,使用修正分类器对检测分类器得出的有人的结果进行修正,x={t,d,s}为一个待分类项,t、d、s为x的三个特征属性。
进一步,所述步骤四中:
(1)使用时间、人员位置、人员大小这三个特征对收集到的图片进行划分;时间特征用t表示,将一天分为24个时间段,则t∈{1,2,…24};位置特征用d表示,表示检测分类器识别到人的位置相对于整个场景的位置,将整个图片等分为九个区域,则d∈{1,2,…9};入侵人员大小特征用s表示,代表整个图片中入侵人员所占比例,即截取的入侵人员面积/整个图片面积,s∈(0,1),将(0,1)连续的区间划分为5个区间,则s∈{a|0<a<0.2,0.2<a<0.4,0.4<a<0.6,0.6<a<0.8,0.8<a<1};
(2)对收集到的图片打标签,人工判断检测分类器得出的有人的结果是否正确;正确,打上标签0;错误,打上标签1;标签类别集合用C表示,则C={0,1}。
进一步,所述步骤六中:
(2)由全概率公式,分别计算:
P(x|C=0)P(C=0)=P(t|C=0)P(d|C=0)P(s|C=0)P(C=0) (1)
和P(x|C=1)P(C=1)=P(t|C=1)P(d|C=1)P(s|C=1)P(C=1) (2);
取(1)和(2)较大的值为分类结果,如果(1)大于(2),则表明检测分类器的分类结果正确,图片里有人员入侵;反之则表明检测分类器的分类结果错误,图片里没有人员入侵。
本发明的另一目的在于提供一种所述基于贝叶斯推断的人员检测结果修正方法的基于贝叶斯推断的人员检测结果修正系统,所述基于贝叶斯推断的人员检测结果修正系统包括:
训练模块:通过计算样本集的HOG特征,再通过SVM方法训练得到人员检测分类器;
识别模块:通过人员检测分类器对图片进行分类判断,判断是否有人员侵入;
修正模块:该模块基于贝叶斯定理,根据条件概率理论和全概率理论,用于修正检测分类器的分类结果。
本发明的另一目的在于提供一种应用所述基于贝叶斯推断的人员检测结果修正方法的视频监控系统。
本发明的另一目的在于提供一种应用所述基于贝叶斯推断的人员检测结果修正方法的智能交通系统。
本发明的另一目的在于提供一种应用所述基于贝叶斯推断的人员检测结果修正方法的高级人机接口系统。
本发明的优点及积极效果为:通过引入贝叶斯分类器来判断检测分类器分类的结果是否正确,从而优化识别结果,降低原分类器误报率。本发明不对原有算法进行修改,而是在其基础上添加基于贝叶斯推断的修正模块。收集一定量的图片,分别用HOG+SVM检测分类器和检测分类器加入贝叶斯修正分类器来进行人员检测,经过实验得到,原HOG+SVM方法的误报率为19.35%,加入贝叶斯修正分类器后,误报率为7.47%,可见,加入贝叶斯修正分类器后显著地减小了原检测分类器的误报率,使检测效果更加准确。
附图说明
图1是本发明实施例提供的基于贝叶斯推断的人员检测结果修正方法流程图。
图2是本发明实施例提供的具体实施例的实现流程图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
下面结合附图对本发明的应用原理作详细的描述。
如图1所示,本发明实施例提供的基于贝叶斯推断的人员检测结果修正方法包括以下步骤:
S101:针对场景准备样本集合,包括正样本集合和负样本集合,正样本为单个多姿态多尺度不同衣着的人截图,负样本是相应场景中所包含的各种背景以及经常出现的非人的物品截图;
S102:计算所有正样本和负样本中图片的HOG特征,通过SVM算法对图片进行分类,得到检测分类器,并初始化各项参数;
S103:截取摄像头视频流的单帧图片,计算该图片的HOG特征,并将其作为输入传入检测分类器进行运算,得到结果;如果判定没有人,则继续识别下一帧图片;否则,转到步骤S104;
S104:收集一定数量(如10000张)的由步骤S103检测分类器得出的有人的图片,对收集的图片进行特征提取和人工标签分类;检测修正分类器是否完成训练,未完成转到S105,否则,转到S106;
S105:将步骤S104收集到的图片作为训练集输入,利用贝叶斯学习算法,计算训练样本中每个类别的概率以及每个类别条件下各个特征属性划分的概率,训练得到修正分类器;
S106:使用修正分类器对检测分类器得出的有人的结果进行修正。
下面结合附图对本发明的应用原理作进一步的描述。
本发明实施例提供的基于贝叶斯推断的人员检测结果修正方法具体包括以下步骤:
步骤一:针对场景准备样本集合,包括正样本集合和负样本集合。正样本为单个多姿态多尺度不同衣着的人截图,负样本是相应场景中所包含的各种背景以及经常出现的非人的物品截图。
步骤二:计算所有正样本和负样本中图片的HOG特征,通过SVM算法对图片进行分类,得到检测分类器,并初始化各项参数。
步骤三:截取摄像头视频流的单帧图片,计算该图片的HOG特征,并将其作为输入传入检测分类器进行运算,得到结果。如果判定没有人,则继续识别下一帧图片;否则,转到步骤四。
步骤四:收集一定数量(如10000张)的由步骤三检测分类器得出的有人的图片,对收集的图片进行特征提取和人工标签分类;检测修正分类器是否完成训练,未完成转到步骤五,否则,转到步骤六。
(1)使用时间、人员位置、人员大小这三个特征对收集到的图片进行划分。
Ⅰ.不同的光照会对检测分类器的准确度产生影响,而光照条件大部分情况下会随时间周期性变化,所以提取时间特征。时间特征用t表示,将一天分为24个时间段,则t∈{1,2,…24}。如00:15可表示为t=1,表示在第一个时间段。
Ⅱ.在场景中经常会有一些非人的物体被检测分类器误报为人,而且这些物体在通常在一段时间内位置固定,造成检测分类器在该位置的识别结果准确度较低,所以提取入侵人员的位置特征。位置特征用d表示,表示检测分类器识别到人的位置(左上角坐标)相对于整个场景的位置。如果把整个图片平均分成九个区域,则d∈{1,2,…9}。
Ⅲ.图片中入侵人员的大小也影响着检测分类器的预测效果,入侵人员大小特征用s表示,代表整个图片中入侵人员所占比例,即s=截取的入侵人员面积/整个图片面积,s∈(0,1)。将(0,1)连续的区间划分为5个区间,s∈{a|0<a<0.2,0.2<a<0.4,0.4<a<0.6,0.6<a<0.8,0.8<a<1}。
(2)首先对收集到的图片打标签,人工判断检测分类器得出的有人的结果是否正确。如果正确,打上标签0;如果错误,打上标签1。标签类别集合用C表示,则C={0,1}。
步骤五:将步骤四收集到的图片作为训练集输入,利用贝叶斯学习算法,计算训练样本中每个类别的概率以及每个类别条件下各个特征属性划分的概率,即计算P(C=0)、P(C=1)和P(t|C=0)、P(d|C=0)、P(s|C=0),P(t|C=1)、P(d|C=1)、P(s|C=1),训练得到修正分类器,用来判断检测分类器的分类结果是否准确。
步骤六:使用修正分类器对检测分类器得出的有人的结果进行修正,x={t,d,s}为一个待分类项,t、d、s为x的三个特征属性。
Ⅱ.由全概率公式,分别计算:
P(x|C=0)P(C=0)=P(t|C=0)P(d|C=0)P(s|C=0)P(C=0) (式一)
和P(x|C=1)P(C=1)=P(t|C=1)P(d|C=1)P(s|C=1)P(C=1) (式二);
取式一和式二较大的值为分类结果,如果式一大于式二,则表明检测分类器的分类结果正确,图片里有人员入侵;反之则表明检测分类器的分类结果错误,图片里没有人员入侵。
本发明实施例提供的基于贝叶斯推断的人员检测结果修正系统包括:
训练模块:通过计算样本集的HOG特征,再通过SVM方法训练得到人员检测分类器。
识别模块:通过人员检测分类器对图片进行分类判断,判断是否有人员侵入。
修正模块:该模块基于贝叶斯定理。贝叶斯定理是概率学中常用的定理,已经被应用于垃圾邮件过滤等多种应用,该理论根据条件概率理论和全概率理论,用先验概率来判断后验概率,用于修正检测分类器的分类结果。
本发明用其来修正检测分类器的分类结果,降低检测分类器的误判率。
①首先收集一定的由检测分类器得到的有人的结果,提取时间、人员位置、人员大小这三个特征,并人工判断检测分类器的判断结果是否正确,为图片打上标签,训练贝叶斯修正分类器。
②将检测分类器得到有人的图片输入到修正分类器进行分类,判断检测分类器的结果是否正确。综合检测分类器和修正分类器的分类结果,得出最终判断。
以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等,均应包含在本发明的保护范围之内。
Claims (4)
1.一种基于贝叶斯推断的人员检测结果修正方法,其特征在于,所述基于贝叶斯推断的人员检测结果修正方法通过引入贝叶斯分类器来判断检测人员入侵的人员检测分类器的结果是否正确;首先收集一定的由检测分类器得到有人的图片,提取时间、人员位置、人员大小这三个特征,并人工判断检测分类器的判断结果是否正确,为图片打上标签,训练得到贝叶斯修正分类器;然后将检测分类器得到有人的结果输入到修正分类器进行分类,判断检测分类器的结果是否正确;综合检测分类器和修正分类器的分类结果,得出最终判断;
所述基于贝叶斯推断的人员检测结果修正方法具体包括以下步骤:
步骤一,针对场景准备样本集合,包括正样本集合和负样本集合,正样本为单个多姿态多尺度不同衣着的人截图,负样本是相应场景中所包含的各种背景以及经常出现的非人的物品截图;
步骤二,计算所有正样本和负样本中图片的HOG特征,通过SVM算法对图片进行分类,得到检测分类器,并初始化各项参数;
步骤三,截取摄像头视频流的单帧图片,计算图片的HOG特征,并将其输入检测分类器进行运算,得到结果;如果判定没有人,则继续识别下一帧图片;否则,转到步骤四;
步骤四,收集由步骤三检测分类器得出的有人的图片,对收集的图片进行特征提取,时间、人员位置、人员大小这三个特征分别用t、d、s表示,对收集到的图片打标签,人工判断检测分类器得出的有人的结果是否正确;正确,打上标签0;错误,打上标签1;标签类别用C表示,则;检测修正分类器是否完成训练,未完成转到步骤五,否则,转到步骤六;
步骤五,将步骤四收集到的图片作为训练集输入,利用贝叶斯学习算法,计算训练样本中每个类别的概率以及每个类别条件下各个特征属性划分的概率,即计算、和、、、、、,训练得到修正分类器,判断检测分类器的分类结果是否准确;
3.一种运行权利要求1所述基于贝叶斯推断的人员检测结果修正方法的基于贝叶斯推断的人员检测结果修正系统,其特征在于,所述基于贝叶斯推断的人员检测结果修正系统包括:
训练模块:计算样本集的HOG特征,通过SVM方法训练得到人员检测分类器;
识别模块:通过人员检测分类器对图片进行分类判断,判断是否有人员侵入;
修正模块:基于贝叶斯定理,根据条件概率理论和全概率理论,修正检测分类器的分类结果。
4.一种应用权利要求1~2任意一项所述基于贝叶斯推断的人员检测结果修正方法的视频监控系统。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710145115.3A CN107085729B (zh) | 2017-03-13 | 2017-03-13 | 一种基于贝叶斯推断的人员检测结果修正方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710145115.3A CN107085729B (zh) | 2017-03-13 | 2017-03-13 | 一种基于贝叶斯推断的人员检测结果修正方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107085729A CN107085729A (zh) | 2017-08-22 |
CN107085729B true CN107085729B (zh) | 2021-06-22 |
Family
ID=59614585
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710145115.3A Active CN107085729B (zh) | 2017-03-13 | 2017-03-13 | 一种基于贝叶斯推断的人员检测结果修正方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107085729B (zh) |
Families Citing this family (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107679734A (zh) * | 2017-09-27 | 2018-02-09 | 成都四方伟业软件股份有限公司 | 一种用于无标签数据分类预测的方法和系统 |
CN109493553A (zh) * | 2018-11-08 | 2019-03-19 | 华南理工大学 | 一种基于图像识别的智能定向强声系统 |
CN109995756B (zh) * | 2019-02-26 | 2022-02-01 | 西安电子科技大学 | 用于信息系统入侵检测的在线单分类主动机器学习方法 |
CN112053589B (zh) * | 2020-08-18 | 2022-05-24 | 北京航空航天大学 | 一种目标车辆换道行为自适应识别模型构建方法 |
CN113076846B (zh) * | 2021-03-26 | 2022-09-02 | 山东大学 | 心音分类识别方法及系统 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102682287A (zh) * | 2012-04-17 | 2012-09-19 | 电子科技大学 | 基于显著度信息的行人检测方法 |
CN102982634A (zh) * | 2012-11-13 | 2013-03-20 | 上海交通大学 | 音视频融合的人员入侵检测方法 |
CN104008380A (zh) * | 2014-06-16 | 2014-08-27 | 武汉大学 | 一种基于显著区域的行人检测方法及系统 |
CN104469309A (zh) * | 2014-12-12 | 2015-03-25 | 天津艾思科尔科技有限公司 | 隧道行人入侵检测装置与方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
TWI382762B (zh) * | 2008-11-17 | 2013-01-11 | Ind Tech Res Inst | 移動物體的追蹤方法 |
-
2017
- 2017-03-13 CN CN201710145115.3A patent/CN107085729B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102682287A (zh) * | 2012-04-17 | 2012-09-19 | 电子科技大学 | 基于显著度信息的行人检测方法 |
CN102982634A (zh) * | 2012-11-13 | 2013-03-20 | 上海交通大学 | 音视频融合的人员入侵检测方法 |
CN104008380A (zh) * | 2014-06-16 | 2014-08-27 | 武汉大学 | 一种基于显著区域的行人检测方法及系统 |
CN104469309A (zh) * | 2014-12-12 | 2015-03-25 | 天津艾思科尔科技有限公司 | 隧道行人入侵检测装置与方法 |
Also Published As
Publication number | Publication date |
---|---|
CN107085729A (zh) | 2017-08-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107085729B (zh) | 一种基于贝叶斯推断的人员检测结果修正方法 | |
CN106897670B (zh) | 一种基于计算机视觉的快递暴力分拣识别方法 | |
CN108520226B (zh) | 一种基于躯体分解和显著性检测的行人重识别方法 | |
CN104881637B (zh) | 基于传感信息及目标追踪的多模信息系统及其融合方法 | |
Devanne et al. | Motion segment decomposition of RGB-D sequences for human behavior understanding | |
CN105701467B (zh) | 一种基于人体形态特征的多人异常行为识别方法 | |
CN111709310B (zh) | 一种基于深度学习的手势跟踪与识别方法 | |
Siva et al. | Weakly Supervised Action Detection. | |
CN110490171B (zh) | 一种危险姿态识别方法、装置、计算机设备及存储介质 | |
CN107301376B (zh) | 一种基于深度学习多层刺激的行人检测方法 | |
CN109472226B (zh) | 一种基于深度学习的睡觉行为检测方法 | |
Benfold et al. | Colour Invariant Head Pose Classification in Low Resolution Video. | |
CN110599463A (zh) | 一种基于轻量级联神经网络的舌像检测及定位算法 | |
CN113608663B (zh) | 一种基于深度学习和k-曲率法的指尖跟踪方法 | |
Xu et al. | Unusual event detection in crowded scenes using bag of LBPs in spatio-temporal patches | |
CN111508006A (zh) | 一种基于深度学习的运动目标同步检测、识别与跟踪方法 | |
Huerta et al. | Combining where and what in change detection for unsupervised foreground learning in surveillance | |
CN113269038B (zh) | 一种基于多尺度的行人检测方法 | |
CN105187801B (zh) | 一种摘要视频的生成系统及方法 | |
CN117475353A (zh) | 基于视频的异常烟雾识别方法及系统 | |
CN112307894A (zh) | 一种社区监控场景下基于皱纹特征和姿态特征的行人年龄识别方法 | |
Jadhav et al. | Detection and identification of unattended/removed objects in video surveillance | |
CN112183287A (zh) | 一种移动机器人在复杂背景下的人数统计方法 | |
CN107886060A (zh) | 基于视频的行人自动检测与跟踪方法 | |
CN108985216B (zh) | 一种基于多元logistic回归特征融合的行人头部检测方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |