一種基于Adaboost Haar-Like特征的SVM目標(biāo)檢測方法
【專利說明】 _種基于Adaboost Haar-L i ke特征的SVM目標(biāo)檢測方法
[0001]
技術(shù)領(lǐng)域
[0002]本發(fā)明涉及圖像識(shí)別技術(shù)領(lǐng)域，具體是一種基于Adaboost Haar-Like特征的SVM
目標(biāo)檢測方法。
[0003]
【背景技術(shù)】
[0004]隨著視頻監(jiān)控技術(shù)的發(fā)展，視頻監(jiān)控產(chǎn)品不斷朝著高清化、智能化的方向發(fā)展。目前，業(yè)界研究的智能化的主要內(nèi)容之一是使計(jì)算機(jī)自動(dòng)識(shí)別出畫面中的目標(biāo)行為。而識(shí)別目標(biāo)行為的前提是要準(zhǔn)確地檢測出感興趣的目標(biāo)。Paul V1la和Michael Jones于2001年提出了一種基于Adaboost Haar-Like特征，以級(jí)聯(lián)結(jié)構(gòu)進(jìn)行目標(biāo)檢測的方法(Rapidobject detect1n using a boosted cascade of simple features, CVPR2001，后面簡稱經(jīng)典Adaboost Haar-like方法)，并將該方法應(yīng)用于人臉檢測，取得了較好的效果。
[0005]該方法通過Adaboost方法選取出具有相對較好區(qū)分度的Haar-Like特征組合成強(qiáng)特征，然后將若干個(gè)強(qiáng)特征分類器級(jí)聯(lián)起來，在特定區(qū)域檢測目標(biāo)時(shí)，逐級(jí)通過強(qiáng)特征分類器，如果任何一個(gè)強(qiáng)特征分類器判定不是感興趣目標(biāo)時(shí)，就結(jié)束此次識(shí)別，并判定為非感興趣目標(biāo)。只有通過了所有級(jí)聯(lián)強(qiáng)特征分類器的區(qū)域才判定為感興趣目標(biāo)。由于大部分非目標(biāo)區(qū)域在前幾級(jí)強(qiáng)特征分類器中就會(huì)被判定為非感興趣目標(biāo)而提前結(jié)束識(shí)別，因此這種方法識(shí)別速度較快。
[0006]但上述方法存在的問題是:由于是級(jí)聯(lián)的結(jié)構(gòu)，因此一旦前面的強(qiáng)特征分類器判斷錯(cuò)誤，即使后面的所有強(qiáng)特征分類器判斷是正確的也沒用，最終的判定結(jié)果依然是錯(cuò)誤的。
[0007]

【發(fā)明內(nèi)容】

[0008]本發(fā)明的目的在于提供一種具有較高準(zhǔn)確率的基于Adaboost Haar-Like特征的SVM目標(biāo)檢測方法。
[0009]本發(fā)明的技術(shù)方案為:
一種基于Adaboost Haar-Like特征的SVM目標(biāo)檢測方法，包括以下步驟:
(1)遍歷所有正負(fù)訓(xùn)練樣本，按照經(jīng)典AdaboostHaar_like方法訓(xùn)練出完整的級(jí)聯(lián)強(qiáng)特征分類器；
(2)再次遍歷所有正負(fù)訓(xùn)練樣本，根據(jù)各級(jí)強(qiáng)特征分類器的計(jì)算參數(shù)，計(jì)算出每個(gè)訓(xùn)練樣本對應(yīng)的各級(jí)強(qiáng)特征分類器的特征值；
(3)將所述每個(gè)訓(xùn)練樣本對應(yīng)的各級(jí)強(qiáng)特征分類器的特征值按照一定的順序組成特征向量；
(4)將所有正負(fù)訓(xùn)練樣本的特征向量輸入SVM分類器，完成對SVM分類器的訓(xùn)練； (5)根據(jù)所述各級(jí)強(qiáng)特征分類器的計(jì)算參數(shù)，計(jì)算出測試樣本對應(yīng)的各級(jí)強(qiáng)特征分類器的特征值；
(6)將所述測試樣本對應(yīng)的各級(jí)強(qiáng)特征分類器的特征值按照訓(xùn)練時(shí)的順序組成特征向量；
(7)將所述測試樣本的特征向量輸入訓(xùn)練完成的SVM分類器，通過所述訓(xùn)練完成的SVM分類器判斷測試樣本是否存在待檢測目標(biāo)。
[0010]本發(fā)明的有益效果為:
由上述技術(shù)方案可知，本發(fā)明采用經(jīng)典Adaboost Haar_like方法的Haar-Like特征，但不采用其級(jí)聯(lián)結(jié)構(gòu)，而是通過SVM(Support Vector Machine支持向量機(jī)是近年來廣泛應(yīng)用的有監(jiān)督分類方法，只要選取的特征區(qū)分能力強(qiáng)，一般都能取得較好的分類結(jié)果)利用每一級(jí)強(qiáng)特征分類器的特征值來綜合判斷，進(jìn)行目標(biāo)檢測。本發(fā)明適用于人臉檢測、車牌檢測等目標(biāo)檢測，雖然速度有所降低(原經(jīng)典Adaboost Haar_like方法有提前結(jié)束判斷的機(jī)制，而本發(fā)明需要計(jì)算所有強(qiáng)特征分類器的特征值)，但準(zhǔn)確率有較明顯的提升。隨著計(jì)算機(jī)能力的不斷提升，在準(zhǔn)確率更加重要的應(yīng)用場景中，本發(fā)明具有較好的應(yīng)用前景。
[0011]
【附圖說明】
[0012]圖1是本發(fā)明的訓(xùn)練過程流程圖；
圖2是本發(fā)明在圖像特定區(qū)域進(jìn)行特定目標(biāo)檢測的過程流程圖；
圖3是經(jīng)典Adaboost Haar_like方法檢測車牌的結(jié)果；圖中每一個(gè)方框都是一個(gè)判定為車牌的區(qū)域，可以看出雖然車牌區(qū)域出現(xiàn)了多個(gè)方框，但背景區(qū)域也誤檢了多個(gè)方框；
圖4是本發(fā)明檢測車牌的結(jié)果;可以看出，車牌區(qū)域出現(xiàn)的方框數(shù)量更多、更集中；其它區(qū)域的誤檢也明顯減少;這樣的結(jié)果更有利于后續(xù)步驟篩選出真正的車牌區(qū)域。
[0013]
【具體實(shí)施方式】
[0014]下面結(jié)合附圖和具體實(shí)施例進(jìn)一步說明本發(fā)明。
[0015]本發(fā)明屬于一種有監(jiān)督學(xué)習(xí)的分類方法，因此分為訓(xùn)練和檢測兩個(gè)主要過程。理解本發(fā)明實(shí)施方式前，應(yīng)該首先完全理解【背景技術(shù)】中提到的經(jīng)典Adaboost Haar_like方法，并且完全理解SVM訓(xùn)練和檢測過程。
[0016]一種基于Adaboost Haar-Like特征的SVM目標(biāo)檢測方法，包括訓(xùn)練步驟和檢測步驟。
[0017]如圖1所示，訓(xùn)練步驟具體包括以下步驟:
步驟S101、開始訓(xùn)練過程;在這之前，類似于所有有監(jiān)督學(xué)習(xí)的分類方法，要收集并標(biāo)注感興趣目標(biāo)的正負(fù)樣本。
[0018]步驟S102、遍歷所有正負(fù)訓(xùn)練樣本，按照經(jīng)典Adaboost Haar-like方法訓(xùn)練出完整的級(jí)聯(lián)強(qiáng)特征分類器;截至這一步驟，與經(jīng)典Adaboost Haar-like方法完全一樣，具體細(xì)節(jié)不再贅述，可參考相關(guān)文獻(xiàn);以下步驟是本發(fā)明的不同之處。
[0019]步驟S103、再次遍歷所有正負(fù)訓(xùn)練樣本，根據(jù)選取的強(qiáng)特征分類器的計(jì)算參數(shù)，對每一個(gè)訓(xùn)練樣本，計(jì)算每一級(jí)強(qiáng)特征分類器的特征值。
[0020]步驟S104、對每一個(gè)訓(xùn)練樣本，將上述特征值依次組成特征向量；這里與經(jīng)典Adaboost Haar-like方法的不同在于:每一級(jí)強(qiáng)特征分類器的判決門限不再有用，本發(fā)明只是將強(qiáng)特征分類器運(yùn)算出的特征值保留下來，并且按照一定的順序組成特征向量供后續(xù)步驟使用。
[0021]步驟S105、采用所有正負(fù)訓(xùn)練樣本的特征向量，按照SVM分類器的通用訓(xùn)練方法訓(xùn)練出SVM分類器。
[0022]步驟S106、將上述每一級(jí)強(qiáng)特征分類器的計(jì)算參數(shù)、強(qiáng)特征分類器特征值的順序、SVM分類器的計(jì)算參數(shù)保存成訓(xùn)練文件，以便目標(biāo)分類時(shí)使用。
[0023]步驟S107、結(jié)束訓(xùn)練過程。
[0024]在一幅圖像中檢測特定目標(biāo)的過程一般都包含兩個(gè)過程:(1)選定特定檢測區(qū)域；
(2)針對特定檢測區(qū)域進(jìn)行檢測。過程(1)的方法不是本發(fā)明保護(hù)的范圍，一般可行的方法是:將原圖按照一定的比例多次縮放，在特定的縮放尺度上，在水平方向和豎直方向上按照一定的步長依次滑動(dòng)檢測窗口，每次滑動(dòng)的檢測窗口區(qū)域就是特定檢測區(qū)域。本發(fā)明針對過程(2)提出的方法如圖2所示，檢測步驟具體包括以下步驟:
步驟S201、開始當(dāng)前特定檢測區(qū)域的檢測；
步驟S202、按照經(jīng)典Adaboost Haar_like方法訓(xùn)練出的計(jì)算參數(shù)求出每一級(jí)強(qiáng)特征分類器的特征值；
步驟S203、將上述特征值按照訓(xùn)練時(shí)的順序組成特征向量；
步驟S204、將上述特征向量送入訓(xùn)練所得的SVM分類器；
步驟S205、通過SVM分類器判斷當(dāng)前特定檢測區(qū)域是否為正樣本，如果是，則執(zhí)行步驟S206，如果否，則執(zhí)行步驟S207 ；
步驟S206、判定為正樣本，即當(dāng)前特定檢測區(qū)域存在待檢測目標(biāo)；
步驟S207、判定為負(fù)樣本，即當(dāng)前特定檢測區(qū)域不存在待檢測目標(biāo)；
步驟S208、結(jié)束當(dāng)前特定檢測區(qū)域的檢測。
[0025]為了使檢測結(jié)果更加直觀，每個(gè)特定檢測區(qū)域判定為待檢測目標(biāo)時(shí)，就將該特定檢測區(qū)域標(biāo)注一個(gè)方框，最終將所有尺度的方框都?xì)w一化到原始尺寸并合并到一起顯示出來。在測試圖像進(jìn)行車牌檢測時(shí)，采用經(jīng)典Adaboost Haar-like方法的檢測結(jié)果如圖3所示，采用本發(fā)明的檢測結(jié)果如圖4所示，對比可以看出，本發(fā)明檢測的更加準(zhǔn)確。
[0026]綜上所述，本發(fā)明采用Haar-Like特征，通過Adaboost方法將若干個(gè)該類特征組成一個(gè)強(qiáng)特征分類器，重復(fù)按這種方法選取多個(gè)強(qiáng)特征分類器，然后將這些強(qiáng)特征分類器的特征值按照一定的順序組成特征向量，采用SVM方法對特征向量進(jìn)行訓(xùn)練和檢測。本發(fā)明雖然與基于級(jí)聯(lián)結(jié)構(gòu)的Adaboost Haar-Like特征目標(biāo)檢測算法相比速度有所降低，但準(zhǔn)確率有較明顯的提升。
[0027]以上所述實(shí)施方式僅僅是對本發(fā)明的優(yōu)選實(shí)施方式進(jìn)行描述，并非對本發(fā)明的范圍進(jìn)行限定，在不脫離本發(fā)明設(shè)計(jì)精神的前提下，本領(lǐng)域普通技術(shù)人員對本發(fā)明的技術(shù)方案作出的各種變形和改進(jìn)，均應(yīng)落入本發(fā)明的權(quán)利要求書確定的保護(hù)范圍內(nèi)。
【主權(quán)項(xiàng)】
1.一種基于Adaboost Haar_Like特征的SVM目標(biāo)檢測方法，其特征在于，包括以下步驟: (1)遍歷所有正負(fù)訓(xùn)練樣本，按照經(jīng)典AdaboostHaar_like方法訓(xùn)練出完整的級(jí)聯(lián)強(qiáng)特征分類器； (2)再次遍歷所有正負(fù)訓(xùn)練樣本，根據(jù)各級(jí)強(qiáng)特征分類器的計(jì)算參數(shù)，計(jì)算出每個(gè)訓(xùn)練樣本對應(yīng)的各級(jí)強(qiáng)特征分類器的特征值； (3)將所述每個(gè)訓(xùn)練樣本對應(yīng)的各級(jí)強(qiáng)特征分類器的特征值按照一定的順序組成特征向量； (4)將所有正負(fù)訓(xùn)練樣本的特征向量輸入SVM分類器，完成對SVM分類器的訓(xùn)練； (5)根據(jù)所述各級(jí)強(qiáng)特征分類器的計(jì)算參數(shù)，計(jì)算出測試樣本對應(yīng)的各級(jí)強(qiáng)特征分類器的特征值； (6)將所述測試樣本對應(yīng)的各級(jí)強(qiáng)特征分類器的特征值按照訓(xùn)練時(shí)的順序組成特征向量； (7)將所述測試樣本的特征向量輸入訓(xùn)練完成的SVM分類器，通過所述訓(xùn)練完成的SVM分類器判斷測試樣本是否存在待檢測目標(biāo)。
【專利摘要】本發(fā)明提供一種基于Adaboost？Haar-Like特征的SVM目標(biāo)檢測方法，該方法采用Haar-Like特征，通過Adaboost方法將若干個(gè)該類特征組成一個(gè)強(qiáng)特征分類器，重復(fù)按這種方法選取多個(gè)強(qiáng)特征分類器，然后將這些強(qiáng)特征分類器的特征值按照一定的順序組成特征向量，采用SVM方法對特征向量進(jìn)行訓(xùn)練和檢測。本發(fā)明雖然與基于級(jí)聯(lián)結(jié)構(gòu)的Adaboost？Haar-Like特征目標(biāo)檢測算法相比速度有所降低，但準(zhǔn)確率有較明顯的提升。
【IPC分類】G06K9/62, G06K9/66
【公開號(hào)】CN105447511
【申請?zhí)枴緾N201510779063
【發(fā)明人】何佳, 張卡, 尼秀明
【申請人】安徽清新互聯(lián)信息科技有限公司
【公開日】2016年3月30日
【申請日】2015年11月15日