專利名稱：一種單幀圖像中的人體檢測(cè)方法
技術(shù)領(lǐng)域：
本發(fā)明以人體檢測(cè)為技術(shù)背景，是為了檢測(cè)單幀圖像中的人體而提出的。本發(fā)明中的Multi-Block特征不但可以用于人體檢測(cè)，還可用于其它目標(biāo)檢測(cè)。
背景技術(shù)：
人體檢測(cè)技術(shù)在駕駛員輔助系統(tǒng)、人體運(yùn)動(dòng)捕捉、色情圖片過(guò)濾以及虛擬視頻等領(lǐng)域有重要的應(yīng)用價(jià)值。人體形狀的變化比較復(fù)雜，而且人體可能穿著各種顏色和各種 風(fēng)格的衣服，因此檢測(cè)靜態(tài)圖像中的人體是ー個(gè)非常困難的任務(wù)。要想檢測(cè)圖像中的人體目標(biāo)，首先需要選擇ー種用于描述人體目標(biāo)的特征，目前用于人體檢測(cè)的特征主要有Haar-Iike特征和HOG特征,HOG特征是梯度方向直方圖特征,表示的是邊緣，因此可以描述局部的形狀信息。但該特征用于人體檢測(cè)時(shí)檢測(cè)速度慢，存在大量的浮點(diǎn)運(yùn)算，滿足不了系統(tǒng)實(shí)時(shí)性的要求；而Haar-Iike特征是ー種矩形特征，一開始是用于人臉檢測(cè)，該特征能夠描述ー些簡(jiǎn)單的圖像結(jié)構(gòu)，可以用于人臉這種結(jié)構(gòu)比較明顯的目標(biāo)。人體目標(biāo)是非剛性的，因此，Haar-Iike特征用于人體檢測(cè)比較粗略。雖然該特征具有檢測(cè)速度快的優(yōu)點(diǎn)，但用于人體檢測(cè)虛警率較高。由于上述問(wèn)題的存在，需要研究ー種新的用于人體檢測(cè)的方法，該方法中使用的特征不但能夠保持Haar-Iike特征檢測(cè)速度快的優(yōu)點(diǎn)，而且能夠描述比較復(fù)雜的圖形結(jié)構(gòu)，降低檢測(cè)的虛警率，提高系統(tǒng)穩(wěn)定性。深入研究Haar-Iike特征的優(yōu)缺點(diǎn)，在此基礎(chǔ)上提出了ー種新的用于人體檢測(cè)的特征，稱為“Multi-Block特征”。新特征的研究是建立在已有的Haar-Iike特征積分圖像基礎(chǔ)上，因此有必要對(duì)Haar-Iike特征和積分圖像進(jìn)行說(shuō)明。Haar-Iike特征是一種類似Haar小波的矩形特征,該矩形特征對(duì)一些簡(jiǎn)單的圖形結(jié)構(gòu)，比如邊緣、線段，表達(dá)能力強(qiáng)，但是其只能描述特定走向(水平、垂直、對(duì)角)的結(jié)構(gòu)。圖I為幾種Haar-Iike矩形特征模板，包含兩種ニ矩形特征(描述邊緣)、兩種三矩形特征(描述線段)和ー種四矩形特征(描述對(duì)角)，每個(gè)矩形塊大小一致。Haar-Iike特征的特征值定義為白色區(qū)域像素和減黑色區(qū)域像素和，為了方便快速地計(jì)算Haar-Iike特征的特征值，引入了 “積分圖像”的概念。
“積分圖像”是Viola等人為了快速特征估計(jì)而提出的ー種新的圖像表示方法。為了在多尺度上快速計(jì)算這些特征，由此便引進(jìn)了積分圖像來(lái)對(duì)圖像表示。而這個(gè)積分圖像可以通過(guò)對(duì)圖像中的每個(gè)像素的一系列的操作來(lái)生成。一旦計(jì)算出來(lái)，任何ー個(gè)Haar-Iike特征的特征值都可以在任何尺度、任意位置上在ー個(gè)常量的時(shí)間復(fù)雜度上計(jì)算出來(lái)?，F(xiàn)在矩形特征的值可以通過(guò)積分圖像表達(dá)方法得以快速的計(jì)算出來(lái)。這個(gè)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(diǎn)的積分圖像值，i(x'，J1 )為原始圖像中此點(diǎn)像素的灰度值?？梢岳孟旅孢@對(duì)遞推公式來(lái)完成上面的計(jì)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(jì)算圖像中任何ー個(gè)矩形區(qū)域的像素和非?？焖?，只要三次加減法就能完成。

發(fā)明內(nèi)容
本發(fā)明的技術(shù)解決問(wèn)題為了解決Haar-Iike特征用于人體檢測(cè)中虛警率過(guò)高的問(wèn)題，在Haar-Iike特征和積分圖像的基礎(chǔ)上提出了一種單幀圖像中的人體檢測(cè)方法，該方法使用了提出了的ー種新的描述人體的特征，稱為“Multi-Block特征”。實(shí)驗(yàn)表明，Multi-Block特征用于人體檢測(cè)，不僅保持了 Haar-Iike特征檢測(cè)速度快和檢測(cè)率高的優(yōu)點(diǎn)，而且其虛警率比Haar-Iike特征降低ー個(gè)數(shù)量級(jí)。本發(fā)明的技術(shù)解決方案=Haar-Iike特征之所以具有檢測(cè)速度快的優(yōu)點(diǎn)是因?yàn)樵撎卣鹘Y(jié)構(gòu)簡(jiǎn)單(只是簡(jiǎn)單的由幾個(gè)矩形塊組成)，特征值計(jì)算復(fù)雜度低，但該特征只能描述ー些簡(jiǎn)單的圖形結(jié)構(gòu)，用于描述人體比較粗略。為了能夠使得特征能夠描述比較復(fù)雜的圖形結(jié)構(gòu)，模擬人體模型，將特征模板劃分為18個(gè)矩形塊，選取9個(gè)矩形塊作為白色區(qū)域，其余9個(gè)塊作為黑色區(qū)域，特征值定義為白色區(qū)域像素和減去黑色區(qū)域像素和。實(shí)驗(yàn)結(jié)果表明18矩形塊特征用于人體檢測(cè)雖然能夠降低檢測(cè)的虛警率，但同時(shí)會(huì)降低檢測(cè)率，而且檢測(cè)速度過(guò)慢。18矩形塊檢測(cè)率過(guò)低的原因在干只是簡(jiǎn)單地將樣本圖像劃分為18個(gè)矩形區(qū)域，沒(méi)有尺度的變換，因此該特征只能描述人體的整體結(jié)構(gòu)，不能有效的描述人體的局部結(jié)構(gòu)。鑒于以上原因，在大小為24X36像素的樣本圖像中，將特征模板劃分為12個(gè)矩形塊，行方向上3個(gè)矩形塊，列方向上4個(gè)矩形塊，這里將該特征稱為Multi-Block特征，具體構(gòu)造過(guò)程如下(I) 12個(gè)矩形塊中，任選其中6個(gè)矩形塊作為白色區(qū)域，其余6個(gè)矩形塊為黑色區(qū)域，共可得到924種特征模板；(2)該特征模板的特征值為白色區(qū)域像素和減黑色區(qū)域像素和，可以轉(zhuǎn)換其定義形式為兩倍的白色區(qū)域像素和減去總模板區(qū)域像素和；(3)特征模板在樣本圖像中任意位置出現(xiàn)，其大小只要在行方向上為3像素倍數(shù)，列方向上為4像素倍數(shù)即可，例如特征模板大小可以是4X3像素、8X 3像素、4X6像素等等。這樣，每種特征模板可以得到13860種弱特征；(4) 924種Multi-Block特征模板在大小為24X 36像素的樣本圖像中可以得到上千萬(wàn)種弱特征。和Haar-like特征不同，Multi-Block特征由兩個(gè)文件保存其參數(shù)，Multi-Block特征的提取過(guò)程Multi-Block特征可得到兩個(gè)特征集，ー個(gè)文件用于保存924種Multi-Block特征模板，即保存12個(gè)矩形塊白色區(qū)域的編號(hào)，共6個(gè)參數(shù)；另ー個(gè)文件用于保存Multi-Block特征模板在樣本圖像中的位置參數(shù)和尺寸參數(shù)。因此，Multi-Block特征參數(shù)包括弱分類器閾值、偏置、特征模板在樣本圖像中的位置和尺寸以及該特征模板中白色矩形區(qū)域編號(hào)。表I給出了 Multi-Block特征的參數(shù)訓(xùn)練結(jié)果。表I Multi-Block特征的參數(shù)訓(xùn)練結(jié)果
權(quán)利要求
1.一種單幀圖像中的人體檢測(cè)方法，其特征在于利用Multi-Block特征對(duì)人體進(jìn)行檢測(cè)；具體的，先通過(guò)采集到的正負(fù)樣本離線訓(xùn)練分類器，然后用訓(xùn)練好的分類器對(duì)輸入圖像進(jìn)行檢測(cè)；以Multi-Block特征為研究對(duì)象，考慮檢測(cè)速度和選取的樣本圖像大小兩個(gè)因素，將Multi-Block特征定義為將ー個(gè)矩形劃分為12個(gè)大小一致的矩形塊，其中6個(gè)矩形塊為白色區(qū)域，6個(gè)矩形塊為黑色區(qū)域，其特征值定義為白色區(qū)域像素和減去黑色區(qū)域像素和。
2.根據(jù)權(quán)利要求I所述的ー種單幀圖像中的人體檢測(cè)方法，其特征在于12個(gè)矩形塊中，行方向上3個(gè)矩形塊，列方向上4個(gè)矩形塊，得到924種Multi-Block特征模板。
3.根據(jù)權(quán)利要求I所述的ー種單幀圖像中的人體檢測(cè)方法，其特征在于每種Multi-Block特征模板在樣本圖像任意位置出現(xiàn)，其大小在行方向上是3像素倍數(shù)、列方向上是4像素倍數(shù)，即Multi-Block特征的尺寸是4X3像素、8X3像素或4X6像素。
4.根據(jù)權(quán)利要求I所述的ー種單幀圖像中的人體檢測(cè)方法，其特征在于每種Multi-Block特征模板在大小為24X36像素的樣本圖像中得到13860種弱特征，則924種特征模板能得到上千萬(wàn)種弱特征。
5.根據(jù)權(quán)利要求I所述的ー種單幀圖像中的人體檢測(cè)方法，其特征在于利用兩個(gè)隨機(jī)數(shù)從一千多萬(wàn)種弱特征中選取一定數(shù)量的弱特征作為訓(xùn)練特征集。
6.根據(jù)權(quán)利要求I所述的ー種單幀圖像中的人體檢測(cè)方法，其特征在于Multi-Block特征的具體訓(xùn)練過(guò)程如下 (1)產(chǎn)生ー個(gè)隨機(jī)數(shù)用于選擇Multi-Block特征模板，其參數(shù)是該特征模板中6個(gè)矩形塊的編號(hào)；即從924種Multi-Block特征模板中選擇ー種，其參數(shù)為12個(gè)矩形區(qū)域中白色區(qū)域的編號(hào)；將12個(gè)矩形區(qū)域從上到下、從左到右進(jìn)行編號(hào)為1-4、5-8、9-12 ； (2)再產(chǎn)生ー個(gè)隨機(jī)數(shù)用于選擇特征模板在樣本圖像中的位置和大小； (3)重復(fù)(I)、(2)步，選擇弱特征，參數(shù)包括Multi-Block特征模板中白色區(qū)域編號(hào)，特征模板在樣本圖像中的位置和尺寸，直到弱特征個(gè)數(shù)達(dá)到預(yù)先設(shè)定的特征集總數(shù)； (4)利用Adaboost學(xué)習(xí)算法訓(xùn)練由前3步獲得的弱特征集，選取分類效果最佳的弱特征并將其線性加權(quán)到強(qiáng)分類器中，直到強(qiáng)分類器的虛警率和檢測(cè)率滿足要求； (5)每訓(xùn)練ー級(jí)強(qiáng)分類器均需利用兩個(gè)隨機(jī)數(shù)產(chǎn)生弱特征組成用于訓(xùn)練的弱特征集； (6)繼續(xù)訓(xùn)練強(qiáng)分類器直到虛警率小于設(shè)定值。
全文摘要
本發(fā)明提出了一種單幀圖像中的人體檢測(cè)方法，該方法是利用在Haar-like特征的基礎(chǔ)上研究的一種新的特征來(lái)對(duì)人體進(jìn)行檢測(cè)，這種新特征稱為Multi-Block特征。Multi-Block特征是一種矩形特征，當(dāng)樣本大小為24×36像素時(shí)，將該特征分為12個(gè)大小一致的矩形塊。選取6個(gè)塊作為白色區(qū)域，其余6個(gè)塊作為黑色區(qū)域，特征值定義為白色區(qū)域像素和減去黑色區(qū)域像素和。Multi-Block特征在24×36像素大小的樣本圖像中可以得到上千萬(wàn)種弱特征。實(shí)驗(yàn)證明本發(fā)明的Multi-Block特征用于人體檢測(cè)不但能保持Haar-like特征檢測(cè)速度快和檢測(cè)率高的優(yōu)點(diǎn)，而且能夠克服Haar-like特征虛警率過(guò)高的問(wèn)題。
文檔編號(hào)G06K9/00GK102663363SQ20121010129
公開日2012年9月12日 申請(qǐng)日期2012年4月9日 優(yōu)先權(quán)日2012年4月9日
發(fā)明者彭先蓉, 徐勇, 胡幸福 申請(qǐng)人:中國(guó)科學(xué)院光電技術(shù)研究所