基于结构型Haar和Adaboost的目标检测方法技术

本发明专利技术公开了一种基于结构型Haar和Adaboost的目标检测方法，包括如下步骤：先创建样本，得到正例样本向量描述文件和反例样本描述文件；然后构造结构型Haar特征，根据结构型Haar特征进行训练，得到弱分类器和强分类器；之后得到级联分类器，最后利用得到的级联分类器进行目标检测，得到最终的检测结果。本发明专利技术中所得到的目标检测结果不但能保证良好的检测精度，降低误检率，还有效地缩短了训练的时间，可以应用于智能交通检测、视频监控领域，以及图像识别、搜索等领域。

【技术实现步骤摘要】
基于结构型Haar和Adaboost的目标检测方法
本专利技术涉及目标检测
，特别是一种基于结构型Haar和Adaboost的目标检测方法。
技术介绍
智能视频监控是计算机视觉的重要领域，有着广泛的应用场景，尤其是那些对安全要求比较敏感的场合，如银行、商店、飞机场、地铁站、停车场等；另外，还有工业生产现场的监控以及交通系统的监控等。智能视频监控可以通过对目标的持续跟踪，进而进行轨迹分析、行为识别和理解，做出是否发生异常事件的判断，从而采取必要的措施并且发出报警信号，同时记录有关信息。目前，比较成熟的目标检测算法可以分为以下三类：(1)帧差法等简单的目标检测算法。帧间差分法的主要思想就是利用视频图像序列中连续两帧或三顿的差异来检测发生运动的区域。帧间差分法的特点是动态性强，能够适应动态背景下的运动目标检测。但是，这类算法检测出的目标轮廓非常不理想，在目标内部会留有许多空洞，在目标运动较快时目标的轮廓会被扩大，在目标运动较慢时甚至有可能无法得到目标的边界。(2)基于光流的目标检测算法。基于光流的目标检测算法是利用光流方程计算出每个像素点的运动状态矢量，从而发现运动的像素点，并且能够对这些像素点进行跟踪。在摄像机运动、背景变化时，光流法也能检测出运动目标，并且它能同时完成运动目标检测和跟踪，但是该方法的计算复杂度高，在没有专用硬件支持的情况下很难做到实时检测，同时光流场的计算非常容易受到噪声、光照变化和背景扰动的影响。采用光流场计算的方法也很难将运动目标的轮廓完整地提取出来。(3)基于背景差分法的目标检测算法，如多帧平均法，IIR滤波法，高斯建模法等都是侧重于背景差分法中背景的建立或背景的更新机制。在这类目标检测算法中，首先根据一定的原理建立背景模型，然后利用输入一帧图像和背景模型比较，不同的则是运动目标，得到运动目标像素，反之则是背景像素，得到检测结果。此类算法的缺点是由于通常需要缓冲若干帧来学习背景，因此往往需要消耗大量的内存，这使其使用范围受到了限制。此外，对于大范围的背景扰动，此类算法的检测效果也不理想。目前，Adaboost算法是一种自适应boosting方法，它在海量的特征库中进行学习并且选出少量的具有高效性的特征来组成各级的弱的分类器，之后根据弱分类器训练强的分类器，最后将多个强分类器按照一定的规则组合成为一个级联的分类器。但是在Adaboost训练过程中，每个迭代都会对那些分类错误的样本进行加权，当这个样本多次被分类错误，那么就会使权重过大，分类器的精确度下降。
技术实现思路
本专利技术的目的在于提供一种基于结构型Haar特征和Adaboost算法的目标检测方法，从而实现对视频中指定目标的精确、高效检测。实现本专利技术目的的技术解决方案为：一种基于结构型Haar和Adaboost的目标检测方法，所述方法包括以下步骤：步骤1，准备正例样本和反例样本，进行训练样本的创建，得到正样本向量描述文件和负样本向量描述文件；步骤2，构造五种基本的类Haar特征，然后构造以车辆为实例的结构型Haar特征，分别计算结构型Haar特征的特征值；步骤3，分别进行弱分类器和强分类器的训练；步骤4，将多个强分类器按照规则组合成为一个级联的分类器；步骤5，根据所得到的级联分类器进行目标检测。本专利技术与现有技术相比，其显著优点为：(1)利用了自适应阈值的优化方法去实现特征的选取，可以选出对训练器最有意义的特征值，将弱分类器的总个数减少，提高了Adaboost训练的速度；(2)对改进后的Adaboost算法得出的特征库进行分析，找到最高效的分类特征，根据这些特征提出了基于先验特征的结构型Haar特征的Adaboost算法，使用了快速搜索算法，大大的减少了计算量，从而大大加快了搜索的速度，使得检测图像的实时性得到了有效的保证；(3)使用了结构型Haar特征进行样本的训练，使得检测的结果精度得到很大的提升，同时降低了误检率。下面结合附图对本专利技术作进一步详细描述。附图说明图1是本专利技术基于结构型Haar特征和Adaboost算法的目标检测方法的流程图。图2是本专利技术正样本生成info.txt文件示意图。图3是本专利技术生成正样本向量描述文件示意图。图4是本专利技术5种基本的Haar特征图，其中(a)是水平边缘的Haar特征图，(b)是垂直边缘的Haar特征图，(c)是水平中心的Haar特征图，(d)是垂直中心的Haar特征图，(e)是对角的Haar特征图。图5是本专利技术车辆与路面等外界环境外接的Haar特征示意。图6是本专利技术车辆的车灯、排气孔等具有与其他物体高区分度的Haar特征示意图。图7是本专利技术一个级联的分类器的检测的过程图。图8是本专利技术目标检测的仿真结果图，其中(a)是原始视频图像第10帧目标检测的仿真结果图，(b)是原始视频图像第40帧目标检测的仿真结果图，(c)是原始视频图像第78帧目标检测的仿真结果图。具体实施方式结合图1该目标检测方法的流程图，本专利技术基于结构型Haar特征和Adaboost算法的目标检测方法包括以下步骤：步骤1、准备正例样本和反例样本，进行训练样本的创建，得到正样本向量描述文件和负样本向量描述文件，具体步骤为：(1.1)训练样本分为正例样本和反例样本，准备正例样本图片2500张，反例样本图片4500张，所有的样本图片格式转换为.BMP格式，并且所有的样本图片归一化为24×24的尺寸大小；(1.2)采用分组的方式创建正样本描述文件即向量文件。首先，训练样本分为正例样本和反例样本，准备正例样本图片2500张，反例样本图片4500张，其中正例样本是待检测目标样本，反例样本是其它任意不包含待检测目标图片，创建样本的过程如下：①将所有的样本用任意的图片处理软件把图片格式转换为.BMP格式；②对于正样本，截图目标区域，由于样本数目过多，可以进行分组，先处理100张图片，生成一个小文件，最后将几个小文件合并成一个大文件，生成info.txt文件如图2所示；③创建正样本描述文件即向量文件，利用openCV执行createsamples.exe-infopositive/info.txt-vecdata/vector.vec-num2500-w24-h24命令，其中，createsamples.exe为openCV自带的程序，info.txt为②中所得到的文件，-num后面为数量，这里设置为样本的数量2500，-w和-h后为图片的resize大小，这里设置为归一化尺寸24×24，最后生成vector.vec文件，即为向量描述文件，如图3所示；④按照②相同的方法生成反例样本的描述文件。步骤2、构造五种基本的类Haar特征，然后构造以车辆为实例的结构型Haar特征，分别计算结构型Haar特征的特征值；对于如图4所示的5种基本的类Haar特征类型，分别求其特征值的过程如下：(2.1)利用步骤1中得到的向量描述文件，根据对待检测目标的结构分析，构造结构型Haar特征；利用步骤1中所生成的向量描述文件vector.vec,计算类Haar矩形特征在图像中的位置，计算结果按照typex1x2x3x4x5x6y1y2y3y4y5y6为一行的格式，存储在Haar.txt中，其中type为特征类型，x和y为特征坐标；(2.2)积分图像中任意一像素点本文档来自技高网...

【技术保护点】
一种基于结构型Haar和Adaboost的目标检测方法，其特征在于，所述方法包括以下步骤：步骤1，准备正例样本和反例样本，进行训练样本的创建，得到正样本向量描述文件和负样本向量描述文件；步骤2，构造五种基本的类Haar特征，然后构造以车辆为实例的结构型Haar特征，分别计算结构型Haar特征的特征值；步骤3，分别进行弱分类器和强分类器的训练；步骤4，将多个强分类器按照规则组合成为一个级联的分类器；步骤5，根据所得到的级联分类器进行目标检测。

【技术特征摘要】
1.一种基于结构型Haar和Adaboost的目标检测方法，其特征在于，所述方法包括以下步骤：步骤1，准备正例样本和反例样本，进行训练样本的创建，得到正样本向量描述文件和负样本向量描述文件；步骤2，构造五种基本的类Haar特征，然后构造以车辆为实例的结构型Haar特征，分别计算结构型Haar特征的特征值；步骤3，分别进行弱分类器和强分类器的训练；步骤4，将多个强分类器按照规则组合成为一个级联的分类器；步骤5，根据所得到的级联分类器进行目标检测。2.根据权利要求1所述的基于结构型Haar和Adaboost的目标检测方法，其特征在于，步骤1所述进行训练样本的创建，具体步骤为：(1.1)训练样本分为正例样本和反例样本，准备正例样本图片2500张，反例样本图片4500张，所有的样本图片格式转换为.BMP格式，并且所有的样本图片归一化为24×24的尺寸大小；(1.2)采用分组的方式创建正样本描述文件即向量文件。3.根据权利要求1所述的基于结构型Haar和Adaboost的目标检测方法，其特征在于，步骤2所述构造五种基本的类Haar特征，具体步骤为：(2.1)利用步骤1中得到的向量描述文件，根据对检测目标的结构分析，构造结构型Haar特征；(2.2)积分图像中任意一像素点(x,y)的积分图如下：其中，ii(x,y)表示像素点(x,y)的积分图，i(x',y')为原图像中点(x',y')的像素值；通过对原始图像的每个像素进行一遍顺序扫描得到ii(x,y)，计算方法：s(x,y)＝s(x,y-1)+i(x,y)(2)ii(x,y)＝ii(x-1,y)+s(x,y)(3)其中，s(x,y)表示点(x,y)的y方向的所有原始图像之和，i(x,y)表示原始图像。4.根据权利要求1所述的基于结构型Haar和Adaboost的目标检测方法，其特征在于，步骤3所述弱分类器的训练步骤具体如下：(3.1)假设训练集中有m个训练样本，训练时用到的Haar特征总数为n，样本的特征值存储在二维数组feature[i][j]中，其中1≤i≤n,1≤j≤m，表示第i个特征下所有样本的特征值存储在数组的第i行feature[i][]中；(3.2)遍历每个矩阵特征，将每个矩阵特征下样本的特征值全部复制到一维数组value中，并且使得其中的值从大到小排序，之后遍历每个样本，得到前j个样本的聚集度leftvalue：

【专利技术属性】
技术研发人员：刘磊，邓裕彬，刘乾坤，李业飞，张壮，
申请(专利权)人：南京理工大学，
类型：发明
国别省市：江苏,32