[发明专利]基于快速Adaboost训练算法的自动扶梯乘客检测方法

说明书

本发明公开了一种基于快速Adaboost训练算法的自动扶梯乘客检测方法，包括步骤：1)视频图像采集；2)生成正样本和负样本；3)提取正、负样本中的HOG特征；4)利用快速Adaboost算法训练分类器；5)利用得到的分类器进行乘客检测；6)利用camshift算法跟踪人体。通过本发明方法可以有效提高Adaboost分类器的训练速度，大大减少了在需要使用多分类器和需要多次训练分类器场合下的时间开销。

技术领域

本发明涉及图像模式识别、机器学习及电梯生产的技术领域，尤其是指一种基于快速Adaboost训练算法的自动扶梯乘客检测方法。

背景技术

随着经济的增长，自动扶梯的使用已经越来越频繁，而随之而来的自动扶梯上的安全事故也越来越多。自动扶梯上安全事故的发生大多是因为当自动扶梯上乘客的状态或者行为出现异常情况时，自动扶梯不能及时地反应与应对，而是机械地维持同一种工作模式，从而造成异常情况的放大及恶化。而在每个自动扶梯旁都设置应急工作人员监控自动扶梯及乘客的状态是不可能的。因此，需要利用视频监控系统对自动扶梯上的乘客进行检测并跟踪。现有的主流视觉检测算法以利用机器学习算法为主，虽然具有较高的准确性，但存在分类器训练过慢的问题。

在利用Adaboost算法进行扶梯上乘客检测时，分类器的训练时间就成了算法开发中主要的时间开销。当训练样本和特征较多时，Adaboost的训练时间会变得很长，若需要多次训练，时间开销将会变得难以接受。大小为64*128的图片，HOG特征总共有3780个特征，当正样本个数达到2000个左右时，在CPU主频为1GHz的PC上的训练时间为3到4天。若需要针对不同使用场景训练分类器时，这几乎是不可实现的。因此，通过对训练样本的采样达到减少分类器训练时间是有必要的。

发明内容

本发明的目的在于克服现有技术的不足，提出了一种基于快速Adaboost训练算法的自动扶梯乘客检测方法，可以快速训练Adaboost分类器进行自动扶梯的乘客检测。

为实现上述目的，本发明所提供的技术方案为：基于快速Adaboost训练算法的自动扶梯乘客检测方法，通过采集视频样本，提取HOG特征，快速训练得到分类器，利用分类器进行自动扶梯上乘客检测；其包括以下步骤：

1)视频图像采集；

2)生成正样本和负样本；

3)提取正、负样本中的HOG特征；

4)利用快速Adaboost算法训练分类器；

5)利用得到的分类器进行乘客检测；

6)利用camshift算法跟踪人体。

在步骤1)中，采用摄像头进行图像采集，摄像头安装在自动扶梯运动方向的斜上方，其视角要求覆盖整个自动扶梯载客区，并且保证自动扶梯上的乘客于视频中间。

在步骤2)中，获得原始视频后截取正、负样本，包括以下步骤：

2.1)获取正样本

将采集到的视频逐帧保存成图像序列，得到原始图像的总数为N_origin；在得到的图片中逐帧截取包含完整人体的矩形图像，得到正样本图像的总数为N_pos；将所有的矩形图像归一化为长为a像素，高为b像素的标准矩形图像；给所有正样本图像编号，并附上与编号对应的样本标签即完成了正样本的生成；

2.2)获取负样本

将采集到的视频逐帧保存成图像序列，剔除其中包含的人体图像；根据长与高比例为a:b在剩下的图像中截取样本图像，得到负样本图像的总数为N_neg；给所有负样本图像编号，并附上与编号对应的样本标签即完成了负样本的生成。

在步骤3)中，提取正、负样本中HOG特征，包括以下步骤：