一种基于Haar-like特征的司机面部特征快速检测方法技术

技术编号:10181470 阅读:109 留言:0更新日期:2014-07-03 11:15
一种基于Haar-like特征的司机面部特征快速检测方法,第一个阶段是利用分类器对当前图像小块进行检测,并根据检测的结果估计图像小块内容与目标的相似程度。第二个阶段是根据本次的检测结果,结合算法来对下一次检测的结果进行相似度估计,并根据估计结果,调节搜索的步长和分类器的检测精度。第三个阶段是结合司机驾驶的场景,根据已检测到的包含目标的区域的位置信息,估计目标所在的准确位置。本发明专利技术采用动态调整分类器检测精度的方式,在不降低准确度的情况下,减少了分类器的重复调用次数,缩短了检测时间,提高了检测效率。

【技术实现步骤摘要】
一种基于Haar-like特征的司机面部特征快速检测方法
本专利技术涉及一种基于Haar-like特征的司机面部特征快速检测方法,属于智能交通,模式识别领域、嵌入式系统。
技术介绍
随着我国经济的增长,我国居民机车保有量迅速增长。在极大方便了人民出行的同时,道路交通事故的发生率也在节节攀升,给人民的生命财产和国民经济造成了巨大的损失。从道路交通事故的成因来看,驾驶员是导致交通事故的主要因素,而行人是在交通事故中主要的受害群体。据统计,2013我国因交通意外而死亡的行人人数约为27906人,占全部交通事故死亡人数的29.81%;行人因交通事故而受伤的人数约为80239人,占全部交通事故受伤人数的21.32%。所以对司机驾驶状态进行实时检测,在司机驾驶状态不佳时进行及时的提示,对预防事故和事故后处理都将产生积极的意义。对司机进行检测主要采用司机面部特征提取方法,该方法主要是通过提取司机面部在视频图像中的像素灰度、梯度、纹理、颜色等信息中的一种或几种,以区别于其他非行人物体。司机面部提取质量的好坏将直接影响后续的检测工作。目前,常用的方法有矢量特征、标量特征和纹理边缘特征等。矢量特征:目前比较经典的矢量特征主要有HOG(HistogramofOrientedGradient)特征、SIFT(ScaleInvariantFeatureTransform)特征、Shapelet特征等。HOG特征由Dalal等学者于2005年首次提出,参见DalalNavneet,TriggsBill.Histogramsoforientedgradientsforhumandetection[C].ProceedingsofIEEEComputerSocietyConferenceonComputerVisionandPatternRecognition,SanDiego,CA,Unitedstates,2005,886-893。Dalal通过有效提取检测目标的边缘梯度信息,将各边缘梯度信息梯度方向直方图的方式予以反映,并对各梯度方向的直方图进行综合归纳与描述来提取目标的边缘共性特征,由于该特征将图像分割成很小的单元格,并在其中进行提取边缘梯度、计算梯度直方图等操作,使该特征具有较好的光照不变性、尺度不变性和抗扰动能力,但由于算法特征维数较高影响了算法的实时性。SIFT特征是由Lowe于2004年首次提出的一种矢量特征提取算法,参见LoweDM..Distinctiveimagefeaturesfromscale-invariantkeypoints[J].InternationalJournalofComputerVision,2004,60(2):91-110。该特征具有比HOG特征性能更为优越的鲁棒性,对视频图像因外界光照、尺度、位移等产生的变化都具有良好的容忍性。然而该特征计算量复杂,维度较高,如何降低其维度,实现实时性较好的特征有效提取还是一个悬而未决的难题。Shapelet特征也是一种矢量梯度特征,该特征最早由Refregier提出,参见RefregierA.Shapelets:I.Amethodforimageanalysis[J].MonthlyNoticeoftheRoyalAstronomicalSociety,2003,338(1):35-47。该特征也具有较强的排他性和判别能力,缺点同样也是计算较为复杂,实时性有待提高。除了矢量特征,还有学者尝试使用纹理特征和边缘梯度特征来进行检测,参见YangHee-Deok,LeeSeong-Whan.Multiplepedestriandetectionandtrackingbasedonweightedtemporaltexturefeatures[C].ProceedingsofInternationalConferenceonPatternRecognition,BritishMachineVisAssoc,Cambridge,ENGLAND,2004,248-251。本专利技术选择Haar-like系列特征,这是一种比较典型的标量特征。Haar-like特征是由Papageorgiou、Viola等提出的,参见ViolaP.,JonesM.Robustreal-timefacedetection[J].InternationalJournalofComputerVision,2004,52(2):137-154;ViolaP,JonesMJ,SnowD.Detectingpedestriansusingpatternsofmotionandappearance[J].InternationalJournalofComputerVision,2005,63(2):153-161PapageorgiouC,PoggioT.Atrainablesystemforobjectdetection[J].InternationalJournalofComputerVision,2000,38(1):15-33。该特征由其外观类似图像处理中的Haar小波变换示意图而得名。比起前面提到HOG特征、SIFT特征、Shapelet特征等矢量特征以及纹理特征,它具有计算速度快,实时性好,鲁棒性较好的特点。提取Haar-like特征后,传统方法是结合AdaBoost进行分类器学习并将强分类器进行级联,获得一个性能较为理想的复杂分类器,然后利用复杂分类器对图像进行检测,进而获得目标位置。这种方法在检测过程中,采用的是静态分类器精度进行检测。其不足之处在于:不能根据图像内容调整分类器检测精度,即分类器始终从第一层开始调用。因而在检测过程中进行了大量的重复计算,效率较低。
技术实现思路
本专利技术技术解决问题:克服现有技术的不足,提供一种基于Haar-like特征的司机面部特征快速检测方法,采用根据图像与目标的相似度,动态调整分类器检测精度的方式,在不降低准确度的情况下,减少了分类器的重复调用次数,缩短了检测时间,提高了检测效率。本专利技术的技术方案分三个阶段,第一个阶段是利用分类器对当前图像小块进行检测,并根据检测的结果估计图像小块内容与目标的相似程度。第二个阶段是根据本次的检测结果,结合算法来对下一次检测的结果进行相似度估计,并根据估计结果,调节搜索的步长和分类器的检测精度。第三个阶段是结合司机驾驶的场景,根据已检测到的包含目标的区域的位置信息,估计目标所在的准确位置。(1)图像块与目标的相似度估计检测采用滑动窗口的方式。即在感兴趣区域内设置一滑动窗口,检测时,滑动窗口在感兴趣区域内从左向右,从上到下进行搜索。窗口位置每调整一次,将其中的图像输入分类器进行判断,若能通过分类器判断,则认为是候选目标。根据分类器对窗口内图像块的判定结果,估计图像块与目标的相似度。(2)调整滑动窗口的检测位置和分类器精度根据上一阶段的估计结果,计算下一次检测的滑动窗口位置和分类器的精度。根据计算结果,滑动窗口移动到指定位置,同时调整分类器的检测精度,对窗口内的图像块进行检测。检测完成后,再进行上一阶段的相似度估计,如此反复,直到满足结束条件,则检测结束。检测结束后,需要根据检测的结果,进行目标准确位置的估计(本文档来自技高网
...
一种基于Haar-like特征的司机面部特征快速检测方法

【技术保护点】
一种基于Haar‑like特征的司机面部特征快速检测方法,其特征在于实现步骤如下:(1)从摄像头读取一帧视频流图像;(2)将读取的视频流图像中的MJPEG格式图像解码为灰度图;(3)根据上一帧的检测结果,确定当前帧检测的感兴趣区域;(4)计算检测的感兴趣区域的积分图;(5)根据积分图计算感兴趣区域的Haar‑like特征;(6)设定检测的起始点,检测采用滑动窗口的方式,即在感兴趣区域内设置滑动窗口,检测时,滑动窗口在感兴趣区域从左上角开始,从左向右,从上到下地滑动;(7)利用分类器对滑动窗口内的图像块进行检测,在滑动窗口检测的过程中,滑动窗口每移动一次,就利用分类器对滑动窗口内的图像块进行检测;(8)根据分类器检测结果,估计滑动窗口内的图像与目标图像的相似度;(9)根据上一步估计的相似度,计算下一次检测滑动窗口的移动步长和分类器的检测精度;(10)估计目标的准确位置,采用分类器,对滑动窗口内的图像块进行检测,若滑动窗口内的图像块通过分类器的检测,则认为是候选目标,记录图像块的位置;根据所有通过分类器的图像块的位置,融合得到目标的位置;最后根据得到的目标位置,估计出目标的准确位置;(11)输出目标位置,并进行下一帧的检测。...

【技术特征摘要】
1.一种基于Haar-like特征的司机面部特征快速检测方法,其特征在于实现步骤如下:(1)从摄像头读取一帧视频流图像;(2)将读取的视频流图像中的MJPEG格式图像解码为灰度图;(3)根据上一帧的检测结果,确定当前帧检测的感兴趣区域;(4)计算检测的感兴趣区域的积分图;(5)根据积分图计算感兴趣区域的Haar-like特征;(6)设定检测的起始点,检测采用滑动窗口的方式,即在感兴趣区域内设置滑动窗口,检测时,滑动窗口在感兴趣区域从左上角开始,从左向右,从上到下地滑动;(7)利用分类器对滑动窗口内的图像块进行检测,在滑动窗口检测的过程中,滑动窗口每移动一次,就利用分类器对滑动窗口内的图像块进行检测;(8)根据分类器检测结果,估计滑动窗口内的图像与目标图像的相似度;(9)根据上一步估计的相似度,计算下一次检测滑动窗口的移动步长和分类器的检测精度;(10)估计目标的准确位置,采用分类器,对滑动窗口内的图像块进行检测,若滑动窗口内的图像块通过分类器的检测,则认为是候选目标,记录图像块的位置;根据所有通过分类器的图像块的位置,融合得到目标的位置;最后根据得到的目标位置,估计出目标的准确位置;(11)输出目标位置,并进行下一帧的检测;所述步骤(7)分类器的组织形式为多层弱分类器串联的形式,其组织形式如下:设整个分类器由N个弱分类器串联而成;每一层均对滑动窗口内的图像块进行判定,滑动窗口内的图像块只有通过前一级分类器,才能接受下一级的判定,有一级分类器做出否定判决,则判定图像块不是目标,不进行下一级的判定;只有通过分类器所有层的判定,图像块才能成为候选目标,图像块位置记为所述步骤(9)中的滑动窗口步长的计算,包括滑动窗口水平移动步长和滑动窗口垂直移动步长,其中滑动窗口水平移动步长计算过程如下:N为分类器的最大层数,为图像块通过的分类器最大层数;即若图像块通过分类器所有层的判断,即则步长为2,滑动窗口向右移动2个像素;移动后,滑动窗口左上角坐标为滑动窗口的宽度和高度仍然分别为Ww、Hw;若图像块没有通过分类器所有层的判断,即则步长为4,滑动窗口向右移动4个像素;移动后,滑动窗口左上角的坐标为滑动窗口的高度和宽度仍然分别为Ww、Hw;所述滑动窗口竖直方向移动步长确定如下:在检测时,滑动窗口在区域内滑动,首先进行第一行检测,即RDk=1,从区域左侧开始,向右滑动检测;在滑动到行末后,滑动窗口下移一定的像素数,进行第二行检测,即开始进行第RDk=2行的检测;如此反复,到检测满足终止条件,其中RDk表示滑动窗口已检测完的和正在检测的行数之和;根据每一行的检测结果,调整滑动窗口竖直方向移动步长步长的调整策略为:若在第RDk行的检测中,没有出现即没有任何一图像块通过分类器检测,则本行检测结束时,设定竖直移动步长为4,即第RDk+1行的检测中,第RDk+1行滑动窗口的起始坐标为若在第RDk行的检测中,出现了至少一次也就是至少有一个图像块通过了分类器的所有层,则本行检测结束时,设定竖直步长为2,即在第RDk+1行的检测中,第RDk+1行滑动窗口的起始坐标为所述步骤(9)中的分类器检测精度计算公式如下:为图像块通过的分类器最大层数;上式表明,若第k帧中,滑动窗口第n次检测的图像块通过分类器判定,即则下次也就是第n+1次检测时,分类器的起始层数即分类器从倒数第4层开始检测;若在第n次检测中,图像块通过了分类器前五层的检测,但又没有最终通过所有层的检测,即则在第n+1次检测中,分类器的起始检测层数,为上一次终止层数的前两层,即若在第n检测中,图像块没有通过分类器前五层的检测,即在前五层的某一层被否定则在第n+1测检测中,从分类器的起始层开始检测,即所述步骤(10)估计目标准确位置过程为:(11)确定检测的截止条件若图像块能够通过分类器所有层的判定,则该图像块定义为候选目标,此时滑动窗口的位置记录为其中m表示第m个候选目标;每获得M个候选目标,即在m=M、2M、3M……时,就对检测结果进行一次融合,融合采用重叠面积加权的方式,融合规则如下:(111)记录已检测到的候选目标的位置为候选目标的区域为矩形,其宽度和高度分别为W...

【专利技术属性】
技术研发人员:凌强李佳桐李峰
申请(专利权)人:中国科学技术大学
类型:发明
国别省市:安徽;34

网友询问留言 已有0条评论
  • 还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。

1