一種單幀圖像中的人體檢測方法

2023-05-10 03:42:16

專利名稱：一種單幀圖像中的人體檢測方法
技術領域：
本發明以人體檢測為技術背景，是為了檢測單幀圖像中的人體而提出的。本發明中的Multi-Block特徵不但可以用於人體檢測，還可用於其它目標檢測。
背景技術：
人體檢測技術在駕駛員輔助系統、人體運動捕捉、色情圖片過濾以及虛擬視頻等領域有重要的應用價值。人體形狀的變化比較複雜，而且人體可能穿著各種顏色和各種 風格的衣服，因此檢測靜態圖像中的人體是ー個非常困難的任務。要想檢測圖像中的人體目標，首先需要選擇ー種用於描述人體目標的特徵，目前用於人體檢測的特徵主要有Haar-Iike特徵和HOG特徵,HOG特徵是梯度方向直方圖特徵,表示的是邊緣，因此可以描述局部的形狀信息。但該特徵用於人體檢測時檢測速度慢，存在大量的浮點運算，滿足不了系統實時性的要求；而Haar-Iike特徵是ー種矩形特徵，一開始是用於人臉檢測，該特徵能夠描述ー些簡單的圖像結構，可以用於人臉這種結構比較明顯的目標。人體目標是非剛性的，因此，Haar-Iike特徵用於人體檢測比較粗略。雖然該特徵具有檢測速度快的優點，但用於人體檢測虛警率較高。由於上述問題的存在，需要研究ー種新的用於人體檢測的方法，該方法中使用的特徵不但能夠保持Haar-Iike特徵檢測速度快的優點，而且能夠描述比較複雜的圖形結構，降低檢測的虛警率，提高系統穩定性。深入研究Haar-Iike特徵的優缺點，在此基礎上提出了ー種新的用於人體檢測的特徵，稱為「Multi-Block特徵」。新特徵的研究是建立在已有的Haar-Iike特徵積分圖像基礎上，因此有必要對Haar-Iike特徵和積分圖像進行說明。Haar-Iike特徵是一種類似Haar小波的矩形特徵,該矩形特徵對一些簡單的圖形結構，比如邊緣、線段，表達能力強，但是其只能描述特定走向(水平、垂直、對角)的結構。圖I為幾種Haar-Iike矩形特徵模板，包含兩種ニ矩形特徵(描述邊緣)、兩種三矩形特徵(描述線段)和ー種四矩形特徵(描述對角)，每個矩形塊大小一致。Haar-Iike特徵的特徵值定義為白色區域像素和減黑色區域像素和，為了方便快速地計算Haar-Iike特徵的特徵值，引入了 「積分圖像」的概念。
「積分圖像」是Viola等人為了快速特徵估計而提出的ー種新的圖像表示方法。為了在多尺度上快速計算這些特徵，由此便引進了積分圖像來對圖像表示。而這個積分圖像可以通過對圖像中的每個像素的一系列的操作來生成。一旦計算出來，任何ー個Haar-Iike特徵的特徵值都可以在任何尺度、任意位置上在ー個常量的時間複雜度上計算出來。現在矩形特徵的值可以通過積分圖像表達方法得以快速的計算出來。這個積分圖像在(x，y)處的值為原圖像左上方所有像素值的和。"0，タ)=Z 辦，タ)⑴
X <x,y <v式中ii(x，y)為此點的積分圖像值，i(x'，J1 )為原始圖像中此點像素的灰度值。可以利用下面這對遞推公式來完成上面的計算s (x, y) = s (x, y-1)(2)ii (x, y) = ii (x-1, y)+s(x, y)(3)式中S(x，y)為行累加和。積分圖像的使用使得計算圖像中任何ー個矩形區域的像素和非常快速，只要三次加減法就能完成。

發明內容
本發明的技術解決問題為了解決Haar-Iike特徵用於人體檢測中虛警率過高的問題，在Haar-Iike特徵和積分圖像的基礎上提出了一種單幀圖像中的人體檢測方法，該方法使用了提出了的ー種新的描述人體的特徵，稱為「Multi-Block特徵」。實驗表明，Multi-Block特徵用於人體檢測，不僅保持了 Haar-Iike特徵檢測速度快和檢測率高的優點，而且其虛警率比Haar-Iike特徵降低ー個數量級。本發明的技術解決方案=Haar-Iike特徵之所以具有檢測速度快的優點是因為該特徵結構簡單(只是簡單的由幾個矩形塊組成)，特徵值計算複雜度低，但該特徵只能描述ー些簡單的圖形結構，用於描述人體比較粗略。為了能夠使得特徵能夠描述比較複雜的圖形結構，模擬人體模型，將特徵模板劃分為18個矩形塊，選取9個矩形塊作為白色區域，其餘9個塊作為黑色區域，特徵值定義為白色區域像素和減去黑色區域像素和。實驗結果表明18矩形塊特徵用於人體檢測雖然能夠降低檢測的虛警率，但同時會降低檢測率，而且檢測速度過慢。18矩形塊檢測率過低的原因在幹只是簡單地將樣本圖像劃分為18個矩形區域，沒有尺度的變換，因此該特徵只能描述人體的整體結構，不能有效的描述人體的局部結構。鑑於以上原因，在大小為24X36像素的樣本圖像中，將特徵模板劃分為12個矩形塊，行方向上3個矩形塊，列方向上4個矩形塊，這裡將該特徵稱為Multi-Block特徵，具體構造過程如下(I) 12個矩形塊中，任選其中6個矩形塊作為白色區域，其餘6個矩形塊為黑色區域，共可得到924種特徵模板；(2)該特徵模板的特徵值為白色區域像素和減黑色區域像素和，可以轉換其定義形式為兩倍的白色區域像素和減去總模板區域像素和；(3)特徵模板在樣本圖像中任意位置出現，其大小隻要在行方向上為3像素倍數，列方向上為4像素倍數即可，例如特徵模板大小可以是4X3像素、8X 3像素、4X6像素等等。這樣，每種特徵模板可以得到13860種弱特徵；(4) 924種Multi-Block特徵模板在大小為24X 36像素的樣本圖像中可以得到上千萬種弱特徵。和Haar-like特徵不同，Multi-Block特徵由兩個文件保存其參數，Multi-Block特徵的提取過程Multi-Block特徵可得到兩個特徵集，ー個文件用於保存924種Multi-Block特徵模板，即保存12個矩形塊白色區域的編號，共6個參數；另ー個文件用於保存Multi-Block特徵模板在樣本圖像中的位置參數和尺寸參數。因此，Multi-Block特徵參數包括弱分類器閾值、偏置、特徵模板在樣本圖像中的位置和尺寸以及該特徵模板中白色矩形區域編號。表I給出了 Multi-Block特徵的參數訓練結果。表I Multi-Block特徵的參數訓練結果
權利要求
1.一種單幀圖像中的人體檢測方法，其特徵在於利用Multi-Block特徵對人體進行檢測；具體的，先通過採集到的正負樣本離線訓練分類器，然後用訓練好的分類器對輸入圖像進行檢測；以Multi-Block特徵為研究對象，考慮檢測速度和選取的樣本圖像大小兩個因素，將Multi-Block特徵定義為將ー個矩形劃分為12個大小一致的矩形塊，其中6個矩形塊為白色區域，6個矩形塊為黑色區域，其特徵值定義為白色區域像素和減去黑色區域像素和。
2.根據權利要求I所述的ー種單幀圖像中的人體檢測方法，其特徵在於12個矩形塊中，行方向上3個矩形塊，列方向上4個矩形塊，得到924種Multi-Block特徵模板。
3.根據權利要求I所述的ー種單幀圖像中的人體檢測方法，其特徵在於每種Multi-Block特徵模板在樣本圖像任意位置出現，其大小在行方向上是3像素倍數、列方向上是4像素倍數，即Multi-Block特徵的尺寸是4X3像素、8X3像素或4X6像素。
4.根據權利要求I所述的ー種單幀圖像中的人體檢測方法，其特徵在於每種Multi-Block特徵模板在大小為24X36像素的樣本圖像中得到13860種弱特徵，則924種特徵模板能得到上千萬種弱特徵。
5.根據權利要求I所述的ー種單幀圖像中的人體檢測方法，其特徵在於利用兩個隨機數從一千多萬種弱特徵中選取一定數量的弱特徵作為訓練特徵集。
6.根據權利要求I所述的ー種單幀圖像中的人體檢測方法，其特徵在於Multi-Block特徵的具體訓練過程如下 (1)產生ー個隨機數用於選擇Multi-Block特徵模板，其參數是該特徵模板中6個矩形塊的編號；即從924種Multi-Block特徵模板中選擇ー種，其參數為12個矩形區域中白色區域的編號；將12個矩形區域從上到下、從左到右進行編號為1-4、5-8、9-12 ； (2)再產生ー個隨機數用於選擇特徵模板在樣本圖像中的位置和大小； (3)重複(I)、(2)步，選擇弱特徵，參數包括Multi-Block特徵模板中白色區域編號，特徵模板在樣本圖像中的位置和尺寸，直到弱特徵個數達到預先設定的特徵集總數； (4)利用Adaboost學習算法訓練由前3步獲得的弱特徵集，選取分類效果最佳的弱特徵並將其線性加權到強分類器中，直到強分類器的虛警率和檢測率滿足要求； (5)每訓練ー級強分類器均需利用兩個隨機數產生弱特徵組成用於訓練的弱特徵集； (6)繼續訓練強分類器直到虛警率小於設定值。
全文摘要
本發明提出了一種單幀圖像中的人體檢測方法，該方法是利用在Haar-like特徵的基礎上研究的一種新的特徵來對人體進行檢測，這種新特徵稱為Multi-Block特徵。Multi-Block特徵是一種矩形特徵，當樣本大小為24×36像素時，將該特徵分為12個大小一致的矩形塊。選取6個塊作為白色區域，其餘6個塊作為黑色區域，特徵值定義為白色區域像素和減去黑色區域像素和。Multi-Block特徵在24×36像素大小的樣本圖像中可以得到上千萬種弱特徵。實驗證明本發明的Multi-Block特徵用於人體檢測不但能保持Haar-like特徵檢測速度快和檢測率高的優點，而且能夠克服Haar-like特徵虛警率過高的問題。
文檔編號G06K9/00GK102663363SQ20121010129
公開日2012年9月12日 申請日期2012年4月9日 優先權日2012年4月9日
發明者彭先蓉, 徐勇, 胡幸福 申請人:中國科學院光電技術研究所