[发明专利]一种基于Haar特征和EOH特征的行人检测方法

权利要求书

1.一种基于Haar特征和EOH特征的行人检测方法，其特征在于，包括以下步骤：

S1、计算训练样本集中的正/负样本的Haar特征和EOH特征的特征向量；

S2、通过改进的Gentle Adaboost算法对训练样本集中的正/负样本进行训练，得到行人分类器；

S3、获取监控区域的视频流图像作为输入图像；

S4、利用行人分类器对输入图像进行行人检测；

S5、基于EKM算法对检测得到的行人进行跟踪和计数；

所述步骤S2中“改进的Gentle Adaboost算法”具体为：在传统Gentle Adaboost算法的基础上，引入正/负样本误分类代价敏感机制；

所述正/负样本误分类代价敏感机制的具体实现过程为：

首先设置非均衡的代价损失函数值的计算公式为下述公式(7)所示：

其中，C₁为正样本错分代价损失函数值，C₂为负样本错分代价损失函数值，H(x_i)＝sign(∑f_j(x))为强分类器的分类结果，C₁，C₂∈[0，1]且C₁＞C₂；

设正样本被错误分类的数量为N_FN，负样本被错误分类的数量为N_FP，则分类器的分类错误率的计算公式为下述公式(8)所示：

采用指数形式表示正负样本误分损失函数的上限值的计算公式为下述公式(9)所示：

其中，F(x)为一累加模型，其表达式为

改进后的Gentle Adaboost算法模型一轮损失函数最小值的计算公式为下述公式(10)所示：

其中，I(·)为指标函数；

公式(9)中的F(x)可根据累加模型计算得到，新一轮的损失函数计算时F(x)值需要在上一轮的基础上累加一个当前最优弱分类器f(x)的计算公式如下述公式(11)所示：

其中，E_w[·]为加权期望值，其计算公式为下述公式(12)所示：

当前最优弱分类器f(x)的选取使用与Gentle Adaboost算法类似的Newton修正算法可表示下述公式(13)所示：

其中，P_w(y＝1|x)和P_w(y＝-1|x)分别表示正负样本的权重累计分布，每轮迭代的权重变换公式为下述公式(14)所示：

2.根据权利要求1所述的行人检测方法，其特征在于，所述步骤S1中的训练样本集由包含若干正样本的正样本集与包含若干负样本的负样本集所组成；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。

3.根据权利要求1所述的行人检测方法，其特征在于，所述步骤S1中对训练样本集中的正/负样本进行Haar特征的计算具体为：将若干Haar基本特征线性组合，以形成的若干Haar特征。

4.根据权利要求1所述的行人检测方法，其特征在于，所述步骤S1中的“EOH特征的特征向量”是通过在训练样本集中的任意一个正样本或负样本进行像素点的梯度值计算所形成的梯度图像的基础之上，通过对所述梯度图像进行HOG特征提取所得到的边缘图像直方图特征。

5.根据权利要求1或2所述的行人检测方法，其特征在于，所述训练样本集中的正/负样本为30×30～100×100像素的256阶灰度图像。

6.根据权利要求1所述的行人检测方法，其特征在于，所述步骤S3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。