一種基于在線學(xué)習(xí)隨機(jī)蕨分類器的行人檢測(cè)方法
【專利摘要】本發(fā)明提供了一種基于在線學(xué)習(xí)隨機(jī)蕨分類器的行人檢測(cè)方法，選取在線學(xué)習(xí)的隨機(jī)蕨分類器與之級(jí)聯(lián)，通過在線學(xué)習(xí)的方法，在檢測(cè)同時(shí)提高整體的分類性能，本發(fā)明提供了一種基于在線學(xué)習(xí)隨機(jī)蕨分類器的行人檢測(cè)方法，將初始分類器與在線學(xué)習(xí)的分類器進(jìn)行級(jí)聯(lián)，構(gòu)成多種分類器融合的系統(tǒng)用于視頻目標(biāo)檢測(cè)，其中初始分類器為HOG特征訓(xùn)練SVM分類器，在線學(xué)習(xí)的分類器為在線隨機(jī)蕨分類器，通過在線自動(dòng)選取正負(fù)樣本訓(xùn)練隨機(jī)蕨分類，最終形成在線學(xué)習(xí)的行人檢測(cè)體系，通過實(shí)驗(yàn)可知，在初始分類器上級(jí)聯(lián)在線學(xué)習(xí)的隨機(jī)蕨分類器，通過在線學(xué)習(xí)算法可有效提高整體視頻目標(biāo)檢測(cè)精度。
【專利說明】
-種基于在線學(xué)習(xí)隨機(jī)藤分類器的行人檢測(cè)方法
技術(shù)領(lǐng)域
[0001] 本發(fā)明設(shè)及一種基于在線學(xué)習(xí)隨機(jī)藤分類器的行人檢測(cè)方法，屬于模式識(shí)別領(lǐng) 域。
【背景技術(shù)】
[0002] 行人作為監(jiān)控環(huán)境的主體，行人目標(biāo)檢測(cè)與跟蹤算法成為智能視頻監(jiān)控系統(tǒng)中的 核屯、問題，也受到了當(dāng)前諸多研究人員的密切關(guān)注。智能視頻監(jiān)控中的行人檢測(cè)和跟蹤技 術(shù)可應(yīng)用到智能交通、民用監(jiān)控、智能家居、機(jī)器人技術(shù)等眾多領(lǐng)域，所W研究相關(guān)算法具 有重要的實(shí)際意義。
[0003] 行人檢測(cè)直觀理解就是把視頻圖像中的行人作為目標(biāo)從背景中分割出來并能實(shí) 現(xiàn)精確的定位，由于行人所在場(chǎng)景復(fù)雜多變，行人的衣著，運(yùn)動(dòng)姿態(tài)等存在很大差異，并且 存在遮擋和其他運(yùn)動(dòng)物體的干擾等，運(yùn)些因素使得行人檢測(cè)成為計(jì)算機(jī)視覺領(lǐng)域公認(rèn)的難 題。目前常見的行人檢測(cè)方法可大概分為兩大類，（1)基于圖像處理的行人檢測(cè)方法，如帖 間差分法、背景差分法等。（2)基于計(jì)算機(jī)視覺的行人檢測(cè)方法，如基于模板匹配的方法，基 于統(tǒng)計(jì)學(xué)習(xí)的方法，其中基于統(tǒng)計(jì)學(xué)習(xí)的方法可分為人工神經(jīng)網(wǎng)絡(luò)(Adificial化ural Networks,簡(jiǎn)寫為ANNs)，Adaboost(Adaptive boosting)和SVM(Suppo;rt Vector Machine) 等。對(duì)行人檢測(cè)，常用的特征有化ar特征，梯度方向直方圖（Histogram of Oriented Gradients，Hog)特征，SIFT(Scale Invariant Feature Transform)特征、Edgelet特征等。 化ar特征常與Boost ing分類器結(jié)合使用，Haar特征在人臉檢測(cè)中有較好的實(shí)時(shí)性和魯棒 性。然而，Haar特征應(yīng)用于行人檢測(cè)時(shí)，性能有所下降。研究表明，在10^1誤檢率的情況下只 有約50%的檢測(cè)率，并且對(duì)場(chǎng)景有著較高的要求。Edgelet利用的是局部特征，該方法對(duì)于 不同姿態(tài)的行人檢測(cè)及互相遮擋的行人檢測(cè)，處理效果較好。然而，由于Edgelet特征需要 手動(dòng)標(biāo)定，所W對(duì)該特征的提取比較復(fù)雜，對(duì)于一些本身較為復(fù)雜的曲線，難W通過手動(dòng)標(biāo) 定的方法得到符合人體曲線的Edgelet特征。SIFT特征對(duì)于提取圖像的不變特征可W取得 非常不錯(cuò)的效果，但是仍然存在很多缺陷，比如:有時(shí)候提取的特征點(diǎn)會(huì)比較少、實(shí)時(shí)性一 般、無法提取邊緣比較模糊的目標(biāo)對(duì)象等。方向梯度直方圖化istogram of Oriented Gradient,HOG)特征通過提取目標(biāo)局部區(qū)域的邊緣或者梯度的分布狀況，可W很好地表達(dá) 目標(biāo)輪廓在相應(yīng)局部區(qū)域內(nèi)不同方向的一種投票統(tǒng)計(jì)，從而表現(xiàn)目標(biāo)的形狀。Hog結(jié)合SVM 是行人檢測(cè)中最經(jīng)典的算法之一，該方法由化la等人在2005的CVPR上提出。通過實(shí)驗(yàn)，Hog 特征結(jié)合SVM分類器在行人檢測(cè)中取得了很好的效果。因此，選用冊(cè)G特征訓(xùn)練的SVM分類器 作為初始分類器進(jìn)行行人檢測(cè)。
[0004] 隨機(jī)藤分類器算法由化uysal提出，該算法通過從樣本特征集合隨機(jī)抽取多個(gè)特 征構(gòu)成一個(gè)隨機(jī)藤，通過隨機(jī)藤統(tǒng)計(jì)訓(xùn)練樣本后驗(yàn)概率分布，再由多個(gè)隨機(jī)藤的后驗(yàn)概率 分布進(jìn)行樣本分類。將該算法與在線學(xué)習(xí)相結(jié)合，利用在線學(xué)習(xí)的方法不用事先準(zhǔn)備大量 樣本訓(xùn)練分類器，能在很大程度上減輕對(duì)樣本的獲取及標(biāo)注等工作的優(yōu)點(diǎn)，形成在線學(xué)習(xí) 的隨機(jī)藤分類器。
[0005] 選用HOG特征訓(xùn)練的SVM分類器作為分類器進(jìn)行行人檢測(cè)，效果好壞完全依賴于訓(xùn) 練的SVM分類器的分類性能。若SVM性能較差，則需重新選取樣本再去訓(xùn)練該分類器，無法在 檢測(cè)過程中提升檢測(cè)性能，工作繁瑣。

【發(fā)明內(nèi)容】

[0006] 為了解決現(xiàn)有技術(shù)的不足，本發(fā)明選取在線學(xué)習(xí)的隨機(jī)藤分類器與之級(jí)聯(lián)，通過 在線學(xué)習(xí)的方法，在檢測(cè)同時(shí)提高整體的分類性能，本發(fā)明提供了一種基于在線學(xué)習(xí)隨機(jī) 藤分類器的行人檢測(cè)方法，將初始分類器與在線學(xué)習(xí)的分類器進(jìn)行級(jí)聯(lián)，構(gòu)成多種分類器 融合的系統(tǒng)用于視頻目標(biāo)檢測(cè)，其中初始分類器為冊(cè)G特征訓(xùn)練SVM分類器，在線學(xué)習(xí)的分 類器為在線隨機(jī)藤分類器，該系統(tǒng)通過在線自動(dòng)選取正負(fù)樣本訓(xùn)練隨機(jī)藤分類，最終形成 在線學(xué)習(xí)的行人檢測(cè)體系，通過實(shí)驗(yàn)可知，在初始分類器上級(jí)聯(lián)在線學(xué)習(xí)的隨機(jī)藤分類器， 通過在線學(xué)習(xí)算法可有效提高整體視頻目標(biāo)檢測(cè)精度。
[0007] 本發(fā)明為解決其技術(shù)問題所采用的技術(shù)方案是:提供了一種基于在線學(xué)習(xí)隨機(jī)藤 分類器的行人檢測(cè)方法，包括W下步驟：
[000引（1)多分類器在線訓(xùn)練：
[0009] (1.1)獲取初始支持向量機(jī)分類器:從已知的行人庫選取η個(gè)正樣本和η個(gè)負(fù)樣本， 對(duì)每個(gè)樣本提取方向梯度直方圖特征，利用方向梯度直方圖特征訓(xùn)練支持向量機(jī)分類器；
[0010] (1.2)獲取初始隨機(jī)藤分類器：
[0011] (1.2.1)將檢測(cè)視頻的第一帖轉(zhuǎn)化為灰度圖像后，在灰度圖像中框選一組正樣本 和一組負(fù)樣本，對(duì)每個(gè)樣本進(jìn)行η次仿射變換并將仿射變換后的結(jié)果作為初始訓(xùn)練隨機(jī)藤 分類器的正樣本和負(fù)樣本，在得到的每個(gè)樣本中隨機(jī)提取3個(gè)像素塊；
[0012] (1.2.2)對(duì)每個(gè)像素塊，比較其左半部分所有像素值之和Iieft與右半部分所有像 素值之和^18扣的大小W及上半部分所有像素值之和Itop與下半部分所有像素值之和Ibott? 的大小，根據(jù)比較結(jié)果對(duì)每個(gè)像素塊的特征編碼為2位二進(jìn)制數(shù);構(gòu)造隨機(jī)藤，令隨機(jī)藤包 含上述3個(gè)像素塊，則該隨機(jī)藤根據(jù)3個(gè)像素塊的特征編碼得到一個(gè)6位二進(jìn)制編碼；
[0013] (1.2.3)統(tǒng)計(jì)初始訓(xùn)練隨機(jī)藤分類器的正樣本和負(fù)樣本在隨機(jī)藤上的后驗(yàn)概率分 布，獲得初始隨機(jī)藤分類器；
[0014] (1.3)在線訓(xùn)練初始隨機(jī)藤分類器:對(duì)于檢測(cè)視頻的第一帖W后的后續(xù)帖，執(zhí)行步 驟(1.3.1)和（1.3.2):
[001引（1.3.1)設(shè)置檢測(cè)闊值Tc為0.5~1，利用步驟（1)訓(xùn)練獲得的支持向量機(jī)分類器對(duì) 后續(xù)帖進(jìn)行目標(biāo)檢測(cè)，得到檢測(cè)結(jié)果；
[0016] (1.3.2)將每個(gè)檢測(cè)結(jié)果仿射變換η次，得到η個(gè)結(jié)果作為正樣本訓(xùn)練初始隨機(jī)藤 分類器;在檢測(cè)結(jié)果周圍選取與正樣本等大的圖像塊，分別仿射變換η次，將得到的η個(gè)結(jié)果 作為負(fù)樣本訓(xùn)練初始隨機(jī)藤分類器，得到經(jīng)過訓(xùn)練的隨機(jī)藤分類器；
[0017] (2)多分類器的視頻目標(biāo)檢測(cè)：
[0018] (2.1) W支持向量機(jī)分類器作為初始分類器進(jìn)行目標(biāo)檢測(cè)：降低檢測(cè)闊值1'(3為- 0.5~-1，利用支持向量機(jī)分類器對(duì)檢測(cè)視頻的視頻帖進(jìn)行檢測(cè)得到檢測(cè)結(jié)果；
[0019] (2.2)利用隨機(jī)藤分類器對(duì)檢測(cè)結(jié)果分類:對(duì)步驟(2.1)得到的檢測(cè)結(jié)果，計(jì)算每 個(gè)檢測(cè)結(jié)果在隨機(jī)藤上的后驗(yàn)概率Ρ，對(duì)大于闊值Τ1的后驗(yàn)概率Ρ對(duì)應(yīng)的檢測(cè)結(jié)果作為正確 檢測(cè)結(jié)果，否則作為虛警刪除；
[0020] (2.3)在線更新隨機(jī)藤分類器，更新條件包括：
[0021] (a)將正確檢測(cè)結(jié)果作為正樣本更新隨機(jī)藤的后驗(yàn)概率分布；
[0022] (b)采用改進(jìn)的光流法對(duì)正確檢測(cè)結(jié)果進(jìn)行跟蹤，計(jì)算跟蹤結(jié)果在隨機(jī)藤分類器 上的后驗(yàn)概率，若后驗(yàn)概率高于闊值T2,則將正確檢測(cè)結(jié)果作為正樣本更新隨機(jī)藤分類器；
[0023] (C)對(duì)每個(gè)正樣本，在其周圍選取一組大小相同的區(qū)域，用隨機(jī)藤分類器計(jì)算區(qū)域 的后驗(yàn)概率，若后驗(yàn)概率小于闊值T3,則將區(qū)域作為負(fù)樣本更新隨機(jī)藤分類器；
[0024] (2.4)重復(fù)步驟(2.1)至步驟(2.3)，直到遍歷完檢測(cè)視頻的所有視頻帖。
[00巧]所述η設(shè)置為800~1200。
[00%] 所述闊值Τ1設(shè)置為0.35~0.45。
[0027] 所述闊值Τ2設(shè)置為0.35~0.45。
[002引所述闊值Τ3設(shè)置為0.15~0.25。
[0029] 重復(fù)步驟（1.2)獲取2個(gè)W上隨機(jī)藤分類器，針對(duì)每個(gè)隨機(jī)藤分類器重復(fù)步驟 (2.3)，若一個(gè)檢測(cè)結(jié)果經(jīng)過每個(gè)隨機(jī)藤分類器分類均為正確檢測(cè)結(jié)果，則該檢測(cè)結(jié)果為最 終的正確檢測(cè)結(jié)果，否則作為虛警刪除。
[0030] 步驟（1.2.2)中，所述根據(jù)比較結(jié)果對(duì)每個(gè)像素塊的特征編碼為2位二進(jìn)制數(shù)，編 碼規(guī)則為：
[0031]
[0032] 本發(fā)明基于其技術(shù)方案所具有的有益效果在于：
[0033] (1)本發(fā)明初始分類器與在線學(xué)習(xí)的分類器進(jìn)行級(jí)聯(lián)，構(gòu)成多種分類器融合的系 統(tǒng)用于視頻目標(biāo)檢測(cè)，其中初始分類器為HOG特征訓(xùn)練SVM分類器，在線學(xué)習(xí)的分類器為在 線隨機(jī)藤分類器，通過在線自動(dòng)選取正負(fù)樣本訓(xùn)練隨機(jī)藤分類，最終形成在線學(xué)習(xí)的行人 檢測(cè)體系，通過實(shí)驗(yàn)可知，在初始分類器上級(jí)聯(lián)在線學(xué)習(xí)的隨機(jī)藤分類器，通過在線學(xué)習(xí)算 法可有效提局整體視頻目標(biāo)檢測(cè)精度；
[0034] (2)本發(fā)明在訓(xùn)練隨機(jī)藤分類器時(shí)，利用支持向量機(jī)分類器進(jìn)行目標(biāo)檢測(cè)時(shí)，闊值 Tc設(shè)置較高，能夠保證初篩結(jié)果的正確性;之后在多分類器視頻目標(biāo)檢測(cè)過程中，運(yùn)用支持 向量機(jī)分類器對(duì)視頻帖進(jìn)行檢測(cè)時(shí)，將闊值Tc值降低，提高檢測(cè)率。
【附圖說明】
[0035] 圖1是本發(fā)明整體流程圖，其中（a)為多分類器在線訓(xùn)練過程，（b)為多分類器的視 頻目標(biāo)檢測(cè)過程。
[0036] 圖2為像素塊選取示意圖。
[0037] 圖3為像素塊特征提取示意圖。
[0038] 圖4為隨機(jī)藤分類器的分類結(jié)構(gòu)示意圖。
[0039] 圖5示出加入在線學(xué)習(xí)的隨機(jī)藤分類器前后，在Ξ種場(chǎng)景下效果對(duì)比，其中，
[0040] 圖(al)和(a2)分別為場(chǎng)景1的冊(cè)G方法的檢測(cè)效果和本發(fā)明方法的檢測(cè)效果；
[0041] 圖(bl)和化2)分別為場(chǎng)景2的冊(cè)G方法的檢測(cè)效果和本發(fā)明方法的檢測(cè)效果；
[0042] 圖（cl)和(c2)分別為場(chǎng)景3的冊(cè)G方法的檢測(cè)效果和本發(fā)明方法的檢測(cè)效果。
[0043] 圖6為在Ξ種不同場(chǎng)景下，經(jīng)過一段時(shí)間學(xué)習(xí)后，本發(fā)明與HOG方法檢測(cè)效果的R0C 曲線比較。
【具體實(shí)施方式】
[0044] 下面結(jié)合附圖和實(shí)施例對(duì)本發(fā)明作進(jìn)一步說明。
[0045] 本發(fā)明提供了一種基于在線學(xué)習(xí)隨機(jī)藤分類器的行人檢測(cè)方法，參照?qǐng)D1，包括W 下步驟：
[0046] (1)多分類器在線訓(xùn)練：
[0047] (1.1)獲取初始支持向量機(jī)分類器:從已知的行人庫選取η個(gè)正樣本和η個(gè)負(fù)樣本， 對(duì)每個(gè)樣本提取方向梯度直方圖特征，利用方向梯度直方圖特征訓(xùn)練支持向量機(jī)分類器； [004引（1.2)獲取初始隨機(jī)藤分類器：
[0049] (1.2.1)將檢測(cè)視頻的第一帖轉(zhuǎn)化為灰度圖像后，在灰度圖像中框選一組正樣本 和一組負(fù)樣本，對(duì)每個(gè)樣本進(jìn)行η次仿射變換并將仿射變換后的結(jié)果作為初始訓(xùn)練隨機(jī)藤 分類器的正樣本和負(fù)樣本，在得到的每個(gè)樣本中隨機(jī)提取3個(gè)像素塊，3個(gè)像素塊選取如圖2 所示；
[0050] (1.2.2)比較其左半部分所有像素值之和Iieft與右半部分所有像素值之和Light的 大小W及上半部分所有像素值之和ItDp與下半部分所有像素值之和IbDtt?的大小，根據(jù)比較 結(jié)果對(duì)每個(gè)像素塊的特征編碼為2位二進(jìn)制數(shù);如圖3所示，編碼規(guī)則為：
[0化1 ]
[0052] 構(gòu)造隨機(jī)藤，令隨機(jī)藤包含上述3個(gè)像素塊，則該隨機(jī)藤根據(jù)3個(gè)像素塊的特征編 碼得到一個(gè)6位二進(jìn)制編碼；
[0053] 通過此種方法，每個(gè)樣本在隨機(jī)藤上統(tǒng)計(jì)的特征可形成一個(gè)六位數(shù)的二進(jìn)制編 碼，其對(duì)應(yīng)的十進(jìn)制數(shù)有26種可能的數(shù)值，通過訓(xùn)練大量的樣本，可方便計(jì)算后驗(yàn)概率。對(duì) 于大量的行人樣本，由相同位置的3個(gè)patch可獲得每個(gè)樣本的隨機(jī)藤數(shù)值，統(tǒng)計(jì)該數(shù)值分 布即可獲得行人樣本在該隨機(jī)藤的后驗(yàn)概率P(Fi I ck)。
[0054] (1.2.3)統(tǒng)計(jì)初始訓(xùn)練隨機(jī)藤分類器的正樣本和負(fù)樣本在隨機(jī)藤上的后驗(yàn)概率分 布，獲得初始隨機(jī)藤分類器；
[0055] (1.3)在線訓(xùn)練初始隨機(jī)藤分類器:對(duì)于檢測(cè)視頻的第一帖W后的后續(xù)帖，執(zhí)行步 驟(1.3.1)和（1.3.2):
[0056] (1.3.1)設(shè)置檢測(cè)闊值Tc為0.5~1，利用步驟(1)訓(xùn)練獲得的支持向量機(jī)分類器對(duì) 后續(xù)帖進(jìn)行目標(biāo)檢測(cè)，得到檢測(cè)結(jié)果；
[0057] (1.3.2)將每個(gè)檢測(cè)結(jié)果仿射變換η次，得到η個(gè)結(jié)果作為正樣本訓(xùn)練初始隨機(jī)藤 分類器;在檢測(cè)結(jié)果周圍選取與正樣本等大的圖像塊，分別仿射變換η次，將得到的η個(gè)結(jié)果 作為負(fù)樣本訓(xùn)練初始隨機(jī)藤分類器，得到經(jīng)過訓(xùn)練的隨機(jī)藤分類器；
[005引（2)多分類器的視頻目標(biāo)檢測(cè)：
[0059] (2.1) W支持向量機(jī)分類器作為初始分類器進(jìn)行目標(biāo)檢測(cè)：降低檢測(cè)闊值1'(3為- 0.5~-1，利用支持向量機(jī)分類器對(duì)檢測(cè)視頻的視頻帖進(jìn)行檢測(cè)得到檢測(cè)結(jié)果；
[0060] (2.2)利用隨機(jī)藤分類器對(duì)檢測(cè)結(jié)果分類:對(duì)步驟(2.1)得到的檢測(cè)結(jié)果，計(jì)算每 個(gè)檢測(cè)結(jié)果在隨機(jī)藤上的后驗(yàn)概率Ρ，對(duì)大于闊值Τ1的后驗(yàn)概率Ρ對(duì)應(yīng)的檢測(cè)結(jié)果作為正確 檢測(cè)結(jié)果，否則作為虛警刪除；
[0061 ]隨機(jī)藤對(duì)檢測(cè)結(jié)果分類的實(shí)現(xiàn)過程如下：
[0062] 設(shè)圖4(a)所示的待測(cè)樣本在隨機(jī)藤Fi中特征值為000011即對(duì)應(yīng)十進(jìn)制數(shù)3,通過 每一類的后驗(yàn)概率分布得到數(shù)值"3"屬于該類的概率P(Fi I ck)，k = 0,1，..，最大概率對(duì)應(yīng)的 類別即隨機(jī)藤Fi對(duì)該樣本的分類結(jié)果，由圖4(b)知，該樣本屬于C3類。顯然一個(gè)隨機(jī)藤對(duì)樣 本的分類精度不高，可W重復(fù)步驟（1.2)獲取2個(gè)W上隨機(jī)藤分類器，針對(duì)每個(gè)隨機(jī)藤分類 器重復(fù)步驟(2.3)，若一個(gè)檢測(cè)結(jié)果經(jīng)過每個(gè)隨機(jī)藤分類器分類均為正確檢測(cè)結(jié)果，則該檢 測(cè)結(jié)果為最終的正確檢測(cè)結(jié)果，否則作為虛警刪除。聯(lián)合多個(gè)隨機(jī)藤對(duì)待測(cè)樣本進(jìn)行分類， 即為隨機(jī)藤分類器
[0063] (2.3)在線更新隨機(jī)藤分類器，更新條件包括：
[0064] (a)將正確檢測(cè)結(jié)果作為正樣本更新隨機(jī)藤的后驗(yàn)概率分布；
[0065] (b)采用改進(jìn)的光流法對(duì)正確檢測(cè)結(jié)果進(jìn)行跟蹤，計(jì)算跟蹤結(jié)果在隨機(jī)藤分類器 上的后驗(yàn)概率，若后驗(yàn)概率高于闊值T2,則將正確檢測(cè)結(jié)果作為正樣本更新隨機(jī)藤分類器；
[0066] (C)對(duì)每個(gè)正樣本，在其周圍選取一組大小相同的區(qū)域，用隨機(jī)藤分類器計(jì)算區(qū)域 的后驗(yàn)概率，若后驗(yàn)概率小于闊值T3,則將區(qū)域作為負(fù)樣本更新隨機(jī)藤分類器；
[0067] 隨機(jī)藤分類器的在線學(xué)習(xí)通過更新后驗(yàn)概率分布實(shí)現(xiàn)。下面W隨機(jī)藤F1為例說明 隨機(jī)藤后驗(yàn)概率更新過程：
[0068] 計(jì)算該樣本在隨機(jī)藤F1的數(shù)值，設(shè)為000101，即十進(jìn)制數(shù)5將隨機(jī)藤F1的數(shù)值也為 5的正樣本數(shù)N加1，負(fù)樣本數(shù)Μ不變;更新隨機(jī)藤F1的后驗(yàn)概率分布，其中數(shù)值5的后驗(yàn)概率 變關(guān)
歸一化隨機(jī)藤F1的后驗(yàn)概率分布；
[0069] (2.4)重復(fù)步驟(2.1)至步驟(2.3)，直到遍歷完檢測(cè)視頻的所有視頻帖。
[0070] 通過上述步驟，在對(duì)目標(biāo)進(jìn)行檢測(cè)的同時(shí)，在線訓(xùn)練并更新隨機(jī)藤分類器，并用更 新后的隨機(jī)藤分類器對(duì)檢測(cè)結(jié)果再次分類，檢測(cè)與學(xué)習(xí)同步進(jìn)行，逐步提高檢測(cè)精度。通過 在初始分類器上級(jí)聯(lián)隨機(jī)藤分類器，形成多種分類器融合形式，進(jìn)而提高視頻目標(biāo)檢測(cè)性 能。
[0071] 所述η設(shè)置為800~1200。
[0072] 所述闊值Τ1設(shè)置為0.35~0.45。
[0073] 所述闊值Τ2設(shè)置為0.35~0.45。
[0074] 所述闊值Τ3設(shè)置為0.15~0.25。
[0075] 圖5顯示了針對(duì)巧巾不同場(chǎng)景，利用冊(cè)G方法檢測(cè)的效果，和利用本發(fā)明進(jìn)行檢測(cè)的 效果?？蒞看到，場(chǎng)景1商業(yè)中屯、、場(chǎng)景2業(yè)務(wù)大廳W及場(chǎng)景3人行通道運(yùn)3種場(chǎng)景的檢測(cè)視頻 帖中，采用冊(cè)G方法檢測(cè)行人產(chǎn)生的虛警較多，化0G方法將靜止物體作為目標(biāo)結(jié)果的情況非 常常見），而本發(fā)明方法檢測(cè)結(jié)果則準(zhǔn)確得多。
[0076]將3種場(chǎng)景中的檢測(cè)結(jié)果繪制成R0C(receive;r operating characteristic curve,簡(jiǎn)稱ROC曲線）曲線圖，如圖6所示，對(duì)比結(jié)果更為直觀。在場(chǎng)景1與場(chǎng)景2運(yùn)種常見場(chǎng) 景下，本發(fā)明檢測(cè)結(jié)果與HOG檢測(cè)結(jié)果相比，在同等檢測(cè)率條件下有更高的檢測(cè)精度。對(duì)場(chǎng) 景3,由于視頻十分模糊且目標(biāo)形變極為嚴(yán)重，使得在提升檢測(cè)精度的同時(shí)降低了檢測(cè)率。
【主權(quán)項(xiàng)】
1. 一種基于在線學(xué)習(xí)隨機(jī)蕨分類器的行人檢測(cè)方法，其特征在于包括以下步驟： (1) 多分類器在線訓(xùn)練： (1.1) 獲取初始支持向量機(jī)分類器:從已知的行人庫選取η個(gè)正樣本和η個(gè)負(fù)樣本，對(duì)每 個(gè)樣本提取方向梯度直方圖特征，利用方向梯度直方圖特征訓(xùn)練支持向量機(jī)分類器； (1.2) 獲取初始隨機(jī)蕨分類器： (1.2.1) 將檢測(cè)視頻的第一幀轉(zhuǎn)化為灰度圖像后，在灰度圖像中框選一組正樣本和一 組負(fù)樣本，對(duì)每個(gè)樣本進(jìn)行η次仿射變換并將仿射變換后的結(jié)果作為初始訓(xùn)練隨機(jī)蕨分類 器的正樣本和負(fù)樣本，在得到的每個(gè)樣本中隨機(jī)提取3個(gè)像素塊； (1.2.2) 對(duì)每個(gè)像素塊，比較其左半部分所有像素值之和Ilrft與右半部分所有像素值之 和Iright的大小以及上半部分所有像素值之和與下半部分所有像素值之和Ibott?的大小， 根據(jù)比較結(jié)果對(duì)每個(gè)像素塊的特征編碼為2位二進(jìn)制數(shù);構(gòu)造隨機(jī)蕨，令隨機(jī)蕨包含上述3 個(gè)像素塊，則該隨機(jī)蕨根據(jù)3個(gè)像素塊的特征編碼得到一個(gè)6位二進(jìn)制編碼； (1.2.3) 統(tǒng)計(jì)初始訓(xùn)練隨機(jī)蕨分類器的正樣本和負(fù)樣本在隨機(jī)蕨上的后驗(yàn)概率分布， 獲得初始隨機(jī)蕨分類器； (1.3) 在線訓(xùn)練初始隨機(jī)蕨分類器:對(duì)于檢測(cè)視頻的第一幀以后的后續(xù)幀，執(zhí)行步驟 (1.3.1)和（1.3.2): (1.3.1) 設(shè)置檢測(cè)閾值Tc為0.5~1，利用步驟（1)訓(xùn)練獲得的支持向量機(jī)分類器對(duì)后續(xù) 幀進(jìn)行目標(biāo)檢測(cè)，得到檢測(cè)結(jié)果； (1.3.2) 將每個(gè)檢測(cè)結(jié)果仿射變換η次，得到η個(gè)結(jié)果作為正樣本訓(xùn)練初始隨機(jī)蕨分類 器;在檢測(cè)結(jié)果周圍選取與正樣本等大的圖像塊，分別仿射變換η次，將得到的η個(gè)結(jié)果作為 負(fù)樣本訓(xùn)練初始隨機(jī)蕨分類器，得到經(jīng)過訓(xùn)練的隨機(jī)蕨分類器； (2) 多分類器的視頻目標(biāo)檢測(cè)： (2.1) 以支持向量機(jī)分類器作為初始分類器進(jìn)行目標(biāo)檢測(cè)：降低檢測(cè)閾值Tc為-0.5~-1，利用支持向量機(jī)分類器對(duì)檢測(cè)視頻的視頻幀進(jìn)行檢測(cè)得到檢測(cè)結(jié)果； (2.2) 利用隨機(jī)蕨分類器對(duì)檢測(cè)結(jié)果分類:對(duì)步驟(2.1)得到的檢測(cè)結(jié)果，計(jì)算每個(gè)檢 測(cè)結(jié)果在隨機(jī)蕨上的后驗(yàn)概率P，對(duì)大于閾值T1的后驗(yàn)概率P對(duì)應(yīng)的檢測(cè)結(jié)果作為正確檢測(cè) 結(jié)果，否則作為虛警刪除； (2.3) 在線更新隨機(jī)蕨分類器，更新條件包括： (a) 將正確檢測(cè)結(jié)果作為正樣本更新隨機(jī)蕨的后驗(yàn)概率分布； (b) 采用改進(jìn)的光流法對(duì)正確檢測(cè)結(jié)果進(jìn)行跟蹤，計(jì)算跟蹤結(jié)果在隨機(jī)蕨分類器上的 后驗(yàn)概率，若后驗(yàn)概率高于閾值T2，則將正確檢測(cè)結(jié)果作為正樣本更新隨機(jī)蕨分類器； (c) 對(duì)每個(gè)正樣本，在其周圍選取一組大小相同的區(qū)域，用隨機(jī)蕨分類器計(jì)算區(qū)域的后 驗(yàn)概率，若后驗(yàn)概率小于閾值T3,則將區(qū)域作為負(fù)樣本更新隨機(jī)蕨分類器； (2.4) 重復(fù)步驟(2.1)至步驟(2.3)，直到遍歷完檢測(cè)視頻的所有視頻幀。2. 根據(jù)權(quán)利要求1所述的基于在線學(xué)習(xí)隨機(jī)蕨分類器的行人檢測(cè)方法，其特征在于:所 述η設(shè)置為800~1200。3. 根據(jù)權(quán)利要求1所述的基于在線學(xué)習(xí)隨機(jī)蕨分類器的行人檢測(cè)方法，其特征在于:所 述閾值Τ1設(shè)置為0.35~0.45。4. 根據(jù)權(quán)利要求1所述的基于在線學(xué)習(xí)隨機(jī)蕨分類器的行人檢測(cè)方法，其特征在于:所 述閾值T2設(shè)置為0.35~0.45。5. 根據(jù)權(quán)利要求1所述的基于在線學(xué)習(xí)隨機(jī)蕨分類器的行人檢測(cè)方法，其特征在于:所 述閾值T3設(shè)置為0.15~0.25。6. 根據(jù)權(quán)利要求1所述的基于在線學(xué)習(xí)隨機(jī)蕨分類器的行人檢測(cè)方法，其特征在于:重 復(fù)步驟(1.2)獲取2個(gè)以上隨機(jī)蕨分類器，針對(duì)每個(gè)隨機(jī)蕨分類器重復(fù)步驟(2.3)，若一個(gè)檢 測(cè)結(jié)果經(jīng)過每個(gè)隨機(jī)蕨分類器分類均為正確檢測(cè)結(jié)果，則該檢測(cè)結(jié)果為最終的正確檢測(cè)結(jié) 果，否則作為虛警刪除。7. 根據(jù)權(quán)利要求1所述的基于在線學(xué)習(xí)隨機(jī)蕨分類器的行人檢測(cè)方法，其特征在于:步 驟(1.2.2)中，所述根據(jù)比較結(jié)果對(duì)每個(gè)像素塊的特征編碼為2位二進(jìn)制數(shù)，編碼規(guī)則為：
【文檔編號(hào)】G06K9/62GK105825233SQ201610148420
【公開日】2016年8月3日
【申請(qǐng)日】2016年3月16日
【發(fā)明人】羅大鵬, 曾志鵬, 羅林波, 劉永文, 張明東, 魏龍生, 馬麗, 王勇
【申請(qǐng)人】中國(guó)地質(zhì)大學(xué)（武漢）