[发明专利]一种基于Haar特征和EOH特征的行人检测方法

摘要

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。

主权项

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：