[发明专利]一种基于手形块特征和AdaBoost分类器的手部检测方法

摘要

本发明属于基于机器学习方法的目标检测领域，具体涉及一种基于手形块特征和AdaBoost分类器的手部检测方法。本发明包括：(1)模型训练；(2)手部检测本发明提出一种新的手部检测特征，叫作手形块特征。该特征是一种矩形块特征，模拟手部的形状而设计的，可体现手部形状的特点。该特征形状简单，不同尺度的块、块的不同参数会形成很高的特征维数，所以采用AdaBoost算法作为分类器，从中选择有效特征，构成级联分类器，从检测率与检测速度两方面提高手部检测效果。

主权项

1.一种基于手形块特征和AdaBoost分类器的手部检测方法，其特征在于，包括如下步骤：(1)模型训练：(1.1)手形块特征提取(1.1.1)计算积分图像：一幅图像i(x,y)的积分图像ii(x,y)作为初始值为原图像左上方所有像素值的和：在积分图像上，一个矩形区域的灰度值和是积分图像右下角灰度值减左上角灰度值；(1.1.2)根据积分图像计算手形块特征：手形块特征为矩形特征，首先分为上下两部分；上半部分又分成5个区域，用1‑5号来表示，下半部分只有一个区域，用6号表示，每个区域为矩形块；1、3、5三个区域对应手指，2、4区域对应指缝，6区域对应手背，从每个区域中提取4个特征：F1＝|G1‑G2|+|G3‑G2|、F2＝|G3‑G4|+|G5‑G4|、F3＝|G1‑G3|+|G3‑G5|、F4＝|G1‑G6|+|G3‑G6|+|G5‑G6|其中，G1～G6分别为手形块特征1‑6号区域的灰度和，在积分图像中，每个区域的灰度值之和为积分图像右下角灰度值减左上角灰度值；F1与F2表示手指与指缝的灰度差，F3与F4表示手部皮肤部分的灰度值一致性；手部块特征的训练图像尺度参数选择24*24；在训练图像中，手部块特征内部的6个区域有五种参数：上半部高度；1、3、5区域宽度；2、4区域的宽度；下半部高度；手形区域在窗口中的起始点坐标；在模型训练时，计算所有参数的手形区域，通过AdaBoost算法确定最有效的手形块参数；(1.2)模型训练：按步骤(1.1)准备好正例、反例和补充反例样本，正例即只包含手部且手指方向朝上的图像，反例和补充反例都是不包含手部的图像，正例反例大小均为24*24像素；计算出的特征向量用X表示，样本的标记用Y表示，设共有n个样本，(X1,Y1),……,(Xn,Yn)，其中Yi＝1,0分别表示正例样本和反例样本；Xi＝{x1,x2,……,xp}，每个样本包括p维特征，每个特征对应手形区域的一种参数组合，特征号与手形块参数的对应关系保存于特征映射表中；分类器训练按下述步骤进行：(1.2.1)根据初始化样本权值w；n为样本数，m为正例数；(1.2.2)归一化权值w；t为分类器层数，初始值为0，j表示标记Y的序号；(1.2.3)通过阈值分类器对所有样本分类；即Xij>Tj，其中Xij表示样本集合，其中标号i表示特征向量标号，j表示样本的标记标号，分类结果H(Xij)＝1；否则H(Xij)＝0，Tj为阈值；选择误差最小特征分类方法，加入该层强分类方法中；(1.2.4)计算当前层错误率；错误率为错误样本数除样本总数n；样本层分类结果为：Hj(x)为分类方法判断结果，αj为组分类方法的置信度或权值，J表示标记Y的总个数，j表示当前标记序号；当前层错误样本数为εt，错误率为错误样本数除样本总数n：其中，wi 表示样本权值数组中的每一个元素每个分类方法具有一个置信度或权值αt(1.2.5)更新样本权值；每次选出一个分类方法后，更新样本的权值w，当样本分类错误时，其权值不变；当样本分类正确时，权值乘以一个小于1的数；(1.2.6)如果当前层错误率小于该层目标错误率且所选特征数小于每层最大特征数，转步骤(1.2.2)；否则，执行下一步；(1.2.7)计算总错误率：总错误率为所有层错误率乘积，当总错误率大于目标错误率时，把所有判断正确的反例淘汰掉，从补充反例集合中补充同样数量的反例，t＝t+1，转步骤(1.2.1)；否则，训练结束；训练出的模型参数包括每层选择出的特征号j、阈值Tj和该特征的权值αj；作为分类模型保存在模型文件中，特征号与块特征的对应关系保存于特征映射表中；(2)手部检测：检测前载入分类模型和特征映射表；检测采用常规的滑动窗口扫描方式，对整个图像进行扫描；(2.1)计算积分图像；(2.2)采用AdaBoost算法进行检测；对每个检测窗口按下述步骤进行检测，令分类器层数t为0；(2.3)对t层分类器，按特征号j计算手形块特征xj，根据阈值Tj判断Hj(x)；判断其分类结果Ct；(2.4)如果Ct为0，该窗口判为反例，即非人手，退出；如果Ct为1，t＝t+1，判断t是否超过模型最大层数，超过则退出，该窗口判为正例，即是人手；执行步骤(2.1)进入下一层。