[发明专利]基于Haar-NMF特征和级联Adaboost分类器的脱岗检测方法

权利要求书

1.一种基于Haar-NMF特征和级联Adaboost分类器的脱岗检测方法，其特征在于：包括以下步骤：

步骤1、制作训练样本集；

步骤2、提取训练样本集中正样本和负样本图片中人体头肩部的Haar-NMF特征；

步骤3、通过基本分类器G_m(x)及其权重系数α_m加权组成单级强分类器G_x，然后将多个单级强分类器G_x串联组成级联Adaboost分类器，并将步骤2提取 的训练样本的Haar-NMF特征输入该级联Adaboost分类器进行训练，得到保存训练结果的.xml文件；

步骤4、对级联Adaboost分类器训练结果进行初步测试，具体方法为：

对输入的测试图片首先提取出测试图片的Haar-NMF特征，然后将提取的Haar-NMF特征输入步骤3训练的级联Adaboost分类器进行检测，利用保存训练结果的.xml文件进行检测，检测结果存在一定的误检和漏检；

步骤5、根据检测结果对级联Adaboost分类的测试结果进行优化，具体方法为：

根据测试结果进行优化：针对漏检问题，采用各补充2000张正负样本再次训练的方法进行解决；针对误检问题，在程序算法设计中，除了通过使用训练好的分类器进行判断之外，根据相邻视频帧的帧间关系补充了状态机的判定方法，在一定程度上有效的抑制误报，正确判定人员是否离岗；

步骤6、根据优化的结果调整脱岗检测方法的训练过程和检测过程，并进行脱岗检测；

所述训练样本集包括3000张正样本和4000张负样本；所述训练样本集来自三方面：一是监控运转室的录像，二是手机摄像头采集的实验室工位图片，三是CVC标准行人检测数据集；从这三部分中选取正负样本的图片，所述正样本选取包含人的头部和肩部的图片，所述负样本主要选取不同的室内背景图片；

所述步骤2的具体方法为：

步骤2.1、提取训练样本集中正样本和负样本图片中人体头肩部的长度为L的Haar特征向量T，将其取绝对值后转化为m×n的矩阵A，其中L＝m×n，mn；

步骤2.2、对转化后的矩阵A进行秩为r的NMF分解，如下公式所示：

A＝W×K^T (1)

其中，W和K分别为m×r和n×r的非负的基矩阵和系数矩阵，且满足r＜＜m；

步骤2.3、对矩阵W和K的每一个列向量按如下公式进行归一化处理，即

步骤2.4、将所有的i_a级联得到原Haar特征向量对应的Haar-NMF特征向量；

所述步骤3的具体方法为：

步骤3.1、对训练数据的权重进行初始化，给每一个训练样本赋予同样的权值，得到训练数据的权重矩阵D_m，如下公式所示：

D_m＝(w_m1,w_m2,…w_mi…,w_mN) (3)

其中，N为训练样本的图片总数；

步骤3.2、使用具有权值分布D_m的训练数据集学习，选取使误差率最低的阈值设计第m个基本分类器G_m(x)，m＝1、2、…、M，M为单级强分类器中基本分类器的个数，如下公式所示：

G_m(x)：x→[-1，+1} (4)

步骤3.3、计算基本分类器在训练数据集上的分类误差率，如下公式所示：

其中，e_m为第m个基本分类器G_m(x)在训练数据集上的分类误差率；

步骤3.4、计算出各个基本分类器在单级强分类器中所占的权重α_m，α_m表示不同的基本分类器G_m(x)在单级强分类器中的重要程度，如下公式所示：

步骤3.5、更新训练数据集的权值分布，得到用于下一轮迭代的样本新的权值分布，如下公式所示：

D_m+1＝(w_m+1,1,w_m+1,2,w_m+1,N) (7)

其中，

通过如下公式所示的规范化因子Z_m使D_m+1成概率分布：

步骤3.6、重复执行步骤3.2-3.5进行M次迭代运算，得到M个基本分类器；

步骤3.7、将多次迭代得到的M个基本分类器按照权重进行加权求和组成单级强分类器，进行加权求和输出数值结果的过程如下公式所示：

将f(x)得到的数值进行sign运算得到的单级强分类器的判别结果如下公式所示：

其中，G_x为单级强分类器的判别结果，G_x＝+1表示有人，G_x＝-1表示没人；

最后将多个单级强分类器串联构成级联Adaboost分类器，将步骤2提取 的训练样本的Haar-NMF特征训练级联Adaboost分类器，得到保存训练结果的.xml文件；

步骤5所述相邻视频帧帧间关系状态机的判定方法为：

(1)当检测不到人时，首先在图像中找人，当检测到一帧图像中有人时，继续检测进行确认，当检测到与该帧图像相邻的连续5帧图像中有3帧中有人或者连续5帧有3帧画面中存在移动时，则判定画面中有人，即值班人员在岗，否则确认有人失败，值班人员脱岗；

(2)当连续检测到有人状态，突然某一帧无法检测到人，则继续在视频序列中找人确认是否的确没人，当接下来的连续5帧图像中有2帧检测不到有人或者连续5帧有4帧没有检测到存在移动时，则认定视频中没有人，否则值班人员在岗；

所述步骤6的具体方法为：

步骤6.1、补充正负样本图片对步骤3中的级联Adaboost分类器重新训练，训练样本选择5000张正样本和6000张负样本，训练样本集来自三方面：一是来自于铁路监控运转室的录像，二是手机摄像头采集的实验室工位图片，三是CVC标准行人监测数据集；

步骤6.2、进行脱岗检测，具体方法为：

输入需要检测的视频流，并将输入的视频流分解为单帧图片，图片大小为1280*720，首先根据相邻视频帧的帧间关系进行状态机判定，然后使用训练结果.xml文件检测当前视频帧，用滑动窗口进行Haar-NMF特征提取，其中检测子窗口的大小为30×30，步长为8，将提取的Haar-NMF特征输入步骤3训练的级联Adaboost分类器进行检测，加载入多个测试视频，测试视频的帧率为30fps，清晰度为720p，与单帧图片检测结果类似，测试时会出现部分的误检和虚位。