[发明专利]一种基于Haar特征和EOH特征的行人检测方法

说明书

本发明属于视频图像处理技术领域，并提供了一种基于Haar特征和EOH特征的行人检测方法，包括：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。在本发明中，通过将Haar特征与EOH特征一起作为特征向量对行人特征进行描述，提升了行人检测的精确度，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。

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Haar特征和EOH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。

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。

在现有技术中，对公共区域的行人检测通常需要正样本集中的正样本及负样本集中的负样本进行训练以得到行人分类器；并通过该行人分类器对实时采集到的图像中行人区域判断是否为行人区域并进行人数计数，从而实现对行人的检测。

目前，传统的Gentle Adaboost算法通过调整每轮训练中被错分的样本权值来实现最优行人分类器的选择，对于错分的正负样本，其调整比例是相同的，因此无法解决正负样本数量间的非均衡问题。因此，有必要对现有技术中对公共区域的行人检测的方法予以改进，以解决上述技术瑕疵。

发明内容

本发明的目的在于公开一种基于多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Haar特征和EOH特征的行人检测方法，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。

作为本发明的进一步改进，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。

作为本发明的进一步改进，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。

作为本发明的进一步改进，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。

作为本发明的进一步改进，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。