本發明專利技術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特征的基礎上研究的一種新的特征來對人體進行檢測，這種新特征稱為Multi-Block特征。Multi-Block特征是一種矩形特征，當樣本大小為24×36像素時，將該特征分為12個大小一致的矩形塊。選取6個塊作為白色區域，其余6個塊作為黑色區域，特征值定義為白色區域像素和減去黑色區域像素和。Multi-Block特征在24×36像素大小的樣本圖像中可以得到上千萬種弱特征。實驗證明：本發明專利技術的Multi-Block特征用于人體檢測不但能保持Haar-like特征檢測速度快和檢測率高的優點，而且能夠克服Haar-like特征虛警率過高的問題。
【技術實現步驟摘要】
本專利技術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。本專利技術中的Multi-Block特征不但可以用于人體檢測，還可用于其它目標檢測。
技術介紹
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復雜，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于描述人體目標的特征，目前用于人體檢測的特征主要有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特征是ー種矩形特征，一開始是用于人臉檢測，該特征能夠描述ー些簡單的圖像結構，可以用于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特征用于人體檢測比較粗略。雖然該特征具有檢測速度快的優點，但用于人體檢測虛警率較高。由于上述問題的存在，需要研究ー種新的用于人體檢測的方法，該方法中使用的特征不但能夠保持Haar-Iike特征檢測速度快的優點，而且能夠描述比較復雜的圖形結構，降低檢測的虛警率，提高系統穩定性。深入研究Haar-Iike特征的優缺點，在此基礎上提出了ー種新的用于人體檢測的特征，稱為“Multi-Block特征”。新特征的研究是建立在已有的Haar-Iike特征積分圖像基礎上，因此有必要對Haar-Iike特征和積分圖像進行說明。Haar-Iike特征是一種類似Haar小波的矩形特征,該矩形特征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(描述對角)，每個矩形塊大小一致。Haar-Iike特征的特征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特征的特征值，引入了 “積分圖像”的概念?！胺e分圖像”是Viola等人為了快速特征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征，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特征的特征值都可以在任何尺度、任意位置上在ー個常量的時間復雜度上計算出來?，F在矩形特征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)⑴X <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?？梢岳孟旅孢@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?？焖?，只要三次加減法就能完成。
技術實現思路
本專利技術的技術解決問題為了解決Haar-Iike特征用于人體檢測中虛警率過高的問題，在Haar-Iike特征和積分圖像的基礎上提出了，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”。實驗表明，Multi-Block特征用于人體檢測，不僅保持了 Haar-Iike特征檢測速度快和檢測率高的優點，而且其虛警率比Haar-Iike特征降低ー個數量級。本專利技術的技術解決方案=Haar-Iike特征之所以具有檢測速度快的優點是因為該特征結構簡單(只是簡單的由幾個矩形塊組成)，特征值計算復雜度低，但該特征只能描述ー些簡單的圖形結構，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雜的圖形結構，模擬人體模型，將特征模板劃分為18個矩形塊，選取9個矩形塊作為白色區域，其余9個塊作為黑色區域，特征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矩形塊特征用于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干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，因此該特征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。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個矩形塊，行方向上3個矩形塊，列方向上4個矩形塊，這里將該特征稱為Multi-Block特征，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，其余6個矩形塊為黑色區域，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)特征模板在樣本圖像中任意位置出現，其大小只要在行方向上為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種弱特征。和Haar-like特征不同，Multi-Block特征由兩個文件保存其參數，Multi-Block特征的提取過程Multi-Block特征可得到兩個特征集，ー個文件用于保存924種Multi-Block特征模板，即保存12個矩形塊白色區域的編號，共6個參數；另ー個文件用于保存Multi-Block特征模板在樣本圖像中的位置參數和尺寸參數。因此，Multi-Block特征參數包括弱分類器閾值、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域編號。表I給出了 Multi-Block特征的參數訓練結果。表I Multi-Block特征的參數訓練結果權利要求1.，其特征在于利用Multi-Block特征對人體進行檢測；具體的，先通過采集到的正負樣本離線訓練分類器，然后用訓練好的分類器對輸入圖像進行檢測；以Multi-Block特征為研究對象，考慮檢測速度和選取的樣本圖像大小兩個因素，將Multi-Block特征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，其特征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，其特征在于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特征模板。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，其特征在于每種Multi-Block特征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特征的尺寸是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種弱特征。5.根據權利要求本文檔來自技高網...
【技術保護點】
【技術特征摘要】
【專利技術屬性】
技術研發人員：胡幸福，彭先蓉，徐勇，
申請(專利權)人：中國科學院光電技術研究所，
類型：發明
國別省市：
還沒有人留言評論。發表了對其他瀏覽者有用的留言會獲得科技券。