一种基于AdaBoost结合改进高斯混合模型的人体检测算法

本发明属于计算机视觉领域分析的，尤其涉及一种基于adaboost结合改进高斯混合模型的人体检测算法。

背景技术：

1、人体运动的视觉分析是计算机视觉领域的重要研究内容之一，视频中对目标的检测识别技术是智能监控领域的关键技术。常用的检测方法有帧间差分法、光流法和背景差分法。帧间差分法(frames difference)算法简单，但对于运动速度较快的物体，由于在相邻两帧之间没有重复区域就难以检测出运动物体；光流法(optical flow)不需要知道检测场景信息，就能够检测到运动物体，但其耗时大，难以达到实时性要求；背景差分法(background difference)检测速度快，通过当前帧与背景帧相减得到前景图像信息，但对光照变化比较敏感。

2、现有技术中的人体识别算法缺点是颜色信息模型的不稳定性导致两识别器串联出现权重的失衡，导致识别率低，同时样本数量少会导致识别的误差。

3、针对以上存在的问题，本文从检测和识别两个方面进行优化：背景差分法分别对背景提取和背景差分进行了改进，首先通过将运行期均值法与高斯混合背景建模相结合，分别从实时性和准确性上提高背景提取效果；其次通过自适应阈值法，根据区域光照强度变化，自适应调节分割阈值，从而避免光照不均而影响检测结果，为了能够充分利用人体运动不变性的特征，同时避免因训练样本少而导致识别误差，本文首先采用一种基于adaboost的人体头肩定位，即根据运动物体的实际位置，对人体头部进行初步定位；然后在定位头部后提取关于人体头部的特征量，如圆形度、肩宽比等；最后通过结合最短距离分类器，对人体进行识别。

技术实现思路

1、本发明要解决的技术问题是现有技术中对于目标的检测方法难以兼顾是实现与准确性，同时对于光照变化比较敏感，导致检测结果偏差较大，同时对于人体认识的计算量较大，且准确性较低，为了改善其不足之处，本发明提供了一种基于adaboost结合改进高斯混合模型的人体检测算法。

2、为达到上述目的，本发明是通过以下技术方案实现的：

3、一种基于adaboost结合改进高斯混合模型的人体检测算法，包括有目标检测以及人体识别，所述目标检测包括有以下步骤：

4、s1：高斯混合背景建模，该模型主要对图像中像素设置k(3-5)个高斯分布模型，并统计前n帧相同位置像素的亮度值从而得到当前帧中各个像素在t时刻的概率分布情况，如式(1)

5、

6、s2：动态高斯混合背景提取；

7、步骤一，根据bi(x,y)＝λfi-1(x,y)+(1-λ)bi-1(x,y)计算得到初步背景图像b；

8、步骤二，根据初步背景图像b初始化高斯模型，将每个像素建立一个高斯模型；

9、步骤三，将新获得的像素逐一与现有的高斯分部进行匹配，判断当前高斯分布个数是否到达设定的最大值阈值；

10、步骤四，将高斯分布具有相似的进行去重合并，图像循环后通过式(2)获得更新后的背景bnew；

11、

12、步骤五，后续背景更新根据计算噪音点数，如果噪音点数达到阈值则采用运行期均值得到背景b，否则根据式(2)动态高斯更新背景得到背景bnew；

13、s3：根据区域像素均值与方差值的变化，自适应调整区域阈值；

14、步骤一，将监控视频区域划分成若干分块区域；

15、步骤二，将s2中得到的背景图像b(bnew)与当前帧i相减，获得差分图像d；

16、步骤三，计算各区域n的差分图的均值与方差；

17、步骤四，提取前景图像。

18、所述人体识别包括有以下步骤：

19、s1：将视频区域进行划分，每个区域对应一个弱分类器，初始化设置视频边缘区域头部与身体之间的比例为1:3，视频正下方的头部与身体之间的比例为1:2；

20、s2：采用adaboost算法利用h(x)＝α1h1(x)+α2h2(x)+…αtht(x)将弱分类器串联分级得到强分类器；

21、s3：将检测到的运动物体位置特征输入强分类器，计算每个弱分类器的权值α，再计算强分类器h(x)得到头部候选区域；

22、s4：在头部候选区域中计算头部特征量，a1的值为头肩宽度比、a2的值为圆形度、a3的值为均值与方差比，将这些特征量转化成特征向量x＝(a1,a2,a3)；

23、s5：根据样本特征向量通过式j＝1,2…m计算头部类模式内部平均矢量的距离m；

24、s6：调用决策函数式计算得出类模式之间的距离，如果d(x)＞t则判定属于人体；如果d(x)＜t则不属于人体；如果d(x)＝t则无法判定，其中t的值根据大量样本训练测试得出。

25、与现有技术相比，本发明的有益效果为：

26、1.该方法根据运行期均值法和高斯混合背景建模各自的特点，将两种方法相结合，提高了背景建模的实时性和准确性；在前景与背景相减的过程中提出区域阈值自适应方法，根据各个区域光照强度的不同，实时的调整更新分割阈值，能够更好的实现运动物体检测的实时性和准确性；

27、2.通过adaboost的人体头部检测方法，首先根据运动物体的实际位置，对人体头部进行初步定位；然后在定位头部后提取关于人体头部的特征量：圆形度、肩宽比等；最后通过结合最短距离分类器，对人体进行识别。该方法充分利用人体位置信息定位人体头部，同时结合了多种不变性特征，并通过三维矢量特征求得平均特征，将该平均矢量作为球心，并将阈值作为球半径，在一定程度上减少了计算量，同时也提高了识别准确度。实验证明该算法鲁棒性高，具有较高的正确率。

技术特征：

1.一种基于adaboost结合改进高斯混合模型的人体检测算法，其特征在于，包括有目标检测以及人体识别，所述目标检测包括有以下步骤：

2.根据权利要求1所述的一种基于adaboost结合改进高斯混合模型的人体检测算法，其特征在于：所述分块区域根据现场亮度变化复杂程度对应生成3块、6块以及9块等。

技术总结
本发明涉及一种基于AdaBoost结合改进高斯混合模型的人体检测算法。该方法包括有目标检测和人体识别，目标检测包括有以下步骤，S1：高斯混合背景建模；S2：动态高斯混合背景提取；S3：根据区域像素均值与方差值的变化，自适应调整区域阈值；人体识别包括有以下步骤：S1：视频区域进行划分；S2：将检测的运动物体位置特征输入强分类器，得到头部候选区域；S3将头部候选区域中计算得到的头部特征量转化为特征向量；S4：根据函数式判断是否为人体目标；本文根据运行期均值法和高斯混合背景建模各自的特点，将两种方法相结合，提高了背景建模的实时性和准确性；同时充分利用人体位置信息定位人体头部，在一定程度上减少了计算量，同时也提高了识别准确度。

技术研发人员：邹骅,余思雨
受保护的技术使用者：江苏旅游职业学院
技术研发日：
技术公布日：2024/9/23