一种单帧图像中的人体检测方法

摘要

本发明提出了一种单帧图像中的人体检测方法，该方法是利用在Haar-like特征的基础上研究的一种新的特征来对人体进行检测，这种新特征称为Multi-Block特征。Multi-Block特征是一种矩形特征，当样本大小为24×36像素时，将该特征分为12个大小一致的矩形块。选取6个块作为白色区域，其余6个块作为黑色区域，特征值定义为白色区域像素和减去黑色区域像素和。Multi-Block特征在24×36像素大小的样本图像中可以得到上千万种弱特征。实验证明：本发明的Multi-Block特征用于人体检测不但能保持Haar-like特征检测速度快和检测率高的优点，而且能够克服Haar-like特征虚警率过高的问题。

主权项

一种单帧图像中的人体检测方法，其特征在于：利用Multi‑Block特征对人体进行检测；具体的，先通过采集到的正负样本离线训练分类器，然后用训练好的分类器对输入图像进行检测；以Multi‑Block特征为研究对象，考虑检测速度和选取的样本图像大小两个因素，将Multi‑Block特征定义为将一个矩形划分为12个大小一致的矩形块，其中6个矩形块为白色区域，6个矩形块为黑色区域，其特征值定义为白色区域像素和减去黑色区域像素和；所述Multi‑Block特征的具体训练过程如下：(1)产生一个随机数用于选择Multi‑Block特征模板，主要参数是该特征模板中6个矩形块的编号；即从924种Multi‑Block特征模板中选择一种，参数为12个矩形区域中白色区域的编号；这里，将12个矩形区域从上到下、从左到右进行编号为1‑4、5‑8、9‑12；(2)再产生一个随机数用于选择特征模板在样本图像中的位置和大小；(3)重复(1)、(2)步，选择弱特征，包括Multi‑Block特征模板中白色区域编号，特征模板在样本图像中的位置和大小，直到弱特征个数达到预先设定的特征集总数；(4)利用Adaboost算法训练由前三步获得的弱特征集，选取分类效果最佳的弱特征并将其线性加权到强分类器中，直到强分类器的虚警率和检测率满足要求；(5)每训练一级强分类器均需利用两个随机数产生弱特征组成用于训练的弱特征集；(6)继续训练强分类器直到虚警率小于设定值。