论文部分内容阅读
随着社会的发展和技术的不断进步,基于视频的监控和处理技术已经从模拟化、数字化、网络化发展到了智能化,监控方式也从纯人工发展到了半人工以及部分应用的全智能化,如人头、人脸等目标的自动检测。人头检测作为人工智能和模式识别领域的一个重要内容,相关技术和理论越来越多地受到人们的关注,成为该领域的一个研究热点。支持向量机(Support Vector Machine, SVM)和Cascade结构的AdaBoost(Adaptive Boost)检测算法是目前较为流行的两种目标检测方法。SVM算法具有较好的分类效果,但缺点是耗时较大,难以满足实时性的要求。AdaBoost检测算法主要采用Haar-Like和矩形梯度两类特征。Haar-Like特征用多个临近区域的灰度差来描述图像的纹理,该类特征对纹理相对固定的人脸检测简单有效,但对于人头检测,由于检测区域不可避免地包含了头发以及部分背景,导致纹理信息存在着不确定性,采用Haar-Like特征无法进行有效描述;矩形梯度特征,由于特征是由不同位置的子窗口随机组合产生,特征数目庞大且特征的表达方式复杂,给训练和检测造成了较大的时间和空间浪费,难以满足实时性要求。本文对当前的主流人头检测算法进行了研究与分析,针对其中存在的不足,提出了几种能够有效提高检测性能的方法和改进策略。首先,针对AdaBoost特征抽取存在的问题,改进了矩形梯度特征的表达方式,使特征更能凸显边缘区域与平坦区域的差别,并在此基础上加入矩形梯度自生长特征,使特征子窗根据全部样本纹理分布的统计情况自动延伸生长并组合为特征。这样,一方面使特征具有了更好的分类能力,另一方面减少了特征的数量和计算复杂度。另外,针对AdaBoost弱学习算法中特征区间划分存在的问题,提出了邻近区间模糊化的方法,使算法更适应特征的微小波动,在一定程度上提高了特征的稳定性。最后,由于AdaBoost算法无论是采用何种特征,都会不可避免地存在一些误检。本文针对该问题在AdaBoost检测的基础上加入级联形式的SVM分类器,利用SVM的全局最优性对AdaBoost存在的误检进行去除。一帧图像在经AdaBoost检测后,所剩区域(其中包括正确检测结果,也包括误检)数目非常小,SVM级联分类器虽然耗时,但由于待处理的子区域很少, SVM所增加的耗时可忽略不计。