[发明专利]基于累积二元组合的Haar特征的行人检测方法

说明书

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