基于快速Adaboost训练算法的自动扶梯乘客检测算法制造技术

本发明专利技术公开了一种基于快速Adaboost训练算法的自动扶梯乘客检测算法，包括步骤：1)视频图像采集；2)生成正样本和负样本；3)提取正、负样本中的HOG特征；4)利用快速Adaboost算法训练分类器；5)利用得到的分类器进行乘客检测；6)利用camshift算法跟踪人体。通过本发明专利技术算法可以有效提高Adaboost分类器的训练速度，大大减少了算法在需要使用多分类器和需要多次训练分类器场合下的时间开销。

Escalator passenger detection algorithm based on fast Adaboost training algorithm

The invention discloses an automatic escalator detection algorithm based on fast Adaboost training algorithm, including steps: 1) video image acquisition; 2) generating positive and negative samples; 3) extracting HOG features in positive and negative samples; 4) using fast Adaboost algorithm to train classifier; 5) using the obtained classifier to carry out passenger detection; 6) The CAMSHIFT algorithm is used to track the human body. The algorithm can effectively improve the training speed of the Adaboost classifier, and greatly reduce the time cost of the algorithm in the occasion of the need to use multiple classifiers and the need for multiple training classifiers.

【技术实现步骤摘要】
基于快速Adaboost训练算法的自动扶梯乘客检测算法
本专利技术涉及图像模式识别、机器学习及电梯生产的
，尤其是指一种基于快速Adaboost训练算法的自动扶梯乘客检测算法。
技术介绍
随着经济的增长，自动扶梯的使用已经越来越频繁，而随之而来的自动扶梯上的安全事故也越来越多。自动扶梯上安全事故的发生大多是因为当自动扶梯上乘客的状态或者行为出现异常情况时，自动扶梯不能及时地反应与应对，而是机械地维持同一种工作模式，从而造成异常情况的放大及恶化。而在每个自动扶梯旁都设置应急工作人员监控自动扶梯及乘客的状态是不可能的。因此，需要利用视频监控系统对自动扶梯上的乘客进行检测并跟踪。现有的主流视觉检测算法以利用机器学习算法为主，虽然具有较高的准确性，但存在分类器训练过慢的问题。在利用Adaboost算法进行扶梯上乘客检测时，分类器的训练时间就成了算法开发中主要的时间开销。当训练样本和特征较多时，Adaboost的训练时间会变得很长，若需要多次训练，时间开销将会变得难以接受。大小为64*128的图片，HOG特征总共有3780个特征，当正样本个数达到2000个左右时，在CPU主频为1GHz的PC上的训练时间为3到4天。若需要针对不同使用场景训练分类器时，这几乎是不可实现的。因此，通过对训练样本的采样达到减少分类器训练时间是有必要的。
技术实现思路
本专利技术的目的在于克服现有技术的不足，提出了一种基于快速Adaboost训练算法的自动扶梯乘客检测算法，可以快速训练Adaboost分类器进行自动扶梯的乘客检测。为实现上述目的，本专利技术所提供的技术方案为：基于快速Adaboost训练算法的自动扶梯乘客检测算法，通过采集视频样本，提取HOG特征，快速训练得到分类器，利用分类器进行自动扶梯上乘客检测；其包括以下步骤：1)视频图像采集；2)生成正样本和负样本；3)提取正、负样本中的HOG特征；4)利用快速Adaboost算法训练分类器；5)利用得到的分类器进行乘客检测；6)利用camshift算法跟踪人体。在步骤1)中，采用摄像头进行图像采集，摄像头安装在自动扶梯运动方向的斜上方，其视角要求覆盖整个自动扶梯载客区，并且保证自动扶梯上的乘客于视频中间。在步骤2)中，获得原始视频后截取正、负样本，包括以下步骤：2.1)获取正样本将采集到的视频逐帧保存成图像序列，得到原始图像的总数为Norigin；在得到的图片中逐帧截取包含完整人体的矩形图像，得到正样本图像的总数为Npos；将所有的矩形图像归一化为长为a像素，高为b像素的标准矩形图像；给所有正样本图像编号，并附上与编号对应的样本标签即完成了正样本的生成；2.2)获取负样本将采集到的视频逐帧保存成图像序列，剔除其中包含的人体图像；根据长与高比例为a:b在剩下的图像中截取样本图像，得到负样本图像的总数为Nneg；给所有负样本图像编号，并附上与编号对应的样本标签即完成了负样本的生成。在步骤3)中，提取正、负样本中HOG特征，包括以下步骤：3.1)灰度化根据重要性及其它指标，将三个分量以不同的权值进行加权平均；由于人眼对绿色的敏感最高，对蓝色敏感最低；因此，按下式对RGB三分量进行加权平均能得到较合理的灰度图像：I(x,y)＝0.30R(x,y)+0.59G(x,y)+0.11B(x,y)其中x,y为图像中某像素点的横坐标和纵坐标；I(x,y)为图像中点(x,y)的灰度值；R(x,y)为图像中点(x,y)的红色分量亮度；G(x,y)为图像中点(x,y)的绿色分量亮度；B(x,y)为图像中点(x,y)的蓝色分量亮度；依次计算图像中所有像素点的灰度值即完成了图像的灰度化；3.2)Gamma校正为了抑制图像中的光照变化；对图像进行Gamma压缩，Gamma压缩公式为：I(x,y)＝I(x,y)Gamma其中Gamma为固定常数；3.3)计算图像每个像素的梯度为了捕获轮廓，人影和一些纹理信息，进一步弱化光照的影响，需要计算图像横坐标和纵坐标方向的梯度，并据此计算每个像素位置的梯度方向值；设水平边缘算子为[-101]，垂直边缘算子为[-101]T，则像素I(x,y)的方向梯度为：Gx(x,y)＝-I(x-1,y)+I(x+1,y)Gy(x,y)＝-I(x,y-1)+I(x,y+1)其中Gx(x,y)为水平方向梯度，Gy(x,y)为垂直方向梯度，则像素I(x,y)的梯度为：其中G(x,y)为梯度的幅值，α(x,y)为梯度的方向。3.4)图像分割为了方便之后的操作，首先将图像分割成多个胞元(cell)；其中胞元为c×c的图像小块作为处理的基本单元；c为图像小块边长，单位为像素；3.5)构建梯度方向直方图为了统计局部图像梯度信息并进行量化，得到局部图像区域的特征描述向量；同时能够保持对图像中人体对象的姿势和外观的弱敏感性；需要为每个胞元构建梯度方向直方图；采用Nbin个方向的直方图统计一个胞元的梯度信息，相当于将胞元的梯度方向由360°分为Nbin个方向块。以梯度幅值作为权值对各个方向块进行投票，得到该胞元的方向直方图，横坐标为将360°分为Nbin个部分的角度区间，纵坐标像素梯度为落入该区间的个数；此时每一个胞元对应一个Nbin维的特征向量；3.6)梯度强度归一化为了减少局部光照的变化以及前景背景对比度的影响，减小梯度强度的变化范围，需要对梯度强度做归一化；把n个胞元组合成更大的、空间上连通的块(block)；一个块内所有胞元的特征向量串联起来即该块的HOG特征向量；每一个胞元的特征会以不同的结果多次出现在最后的特征向量中；归一化之后的特征向量(块描述符)就称之为HOG特征(HOG描述符)；归一化函数为下式：其中ν为一个块的HOG特征向量，||v||2为ν的2范数，ε为一个小于0.01的正数，避免分母为0；3.7)HOG特征提取训练样本长为l，高为h；特征扫描窗的大小为块的大小(n个c×c的图像小块)，移动的步长为胞元的边长c；扫描窗从图像的顶点开始，进行扫描提取，每提取一次之后，向水平方向移动一个步长，重复提取过程，当扫描窗触碰到图像边界后，向垂直方向移动一个步长，继续重复提取过程，当扫描窗提取完整幅样本图像中的块特征后，将所有块特征串联起来，得到一个(l/c-1)×(h/c-1)×n×Nbin维的特征向量即为该样本的HOG特征向量。在步骤4)中，利用样本的HOG特征向量，调用快速Adaboost算法训练生成分类器，包括以下步骤：4.1)前期准备提取所有样本图像(包括正样本和负样本)的HOG特征，保存成(xi,yi)的形式；其中i为样本的序号，xi为第i号样本的HOG特征向量，yi为第i号样本的样本标签，当该样本为正样本时yi为1，当该样本为负样本时yi为-1；4.2)初始化样本权值输入训练集D＝{(x1,y1),(x2,y2),...,(xm,ym)}，其中m＝Npos+Nneg为样本总数；将训练集所有样本的权重初始化为即：其中d1(i)为第1轮迭代时第i号样本的初始权值；4.3)训练弱分类器令迭代次数n＝1,2,…,N开始迭代训练分类器；4.3.1)利用当前的样本分布Dn和训练集样本个数m，计算裁剪阈值T(maxn)，抽取权重大于T(maxn)的样本，形成裁剪集合基于裁剪集合调用弱学习算法本文档来自技高网...

【技术保护点】
1.基于快速Adaboost训练算法的自动扶梯乘客检测算法，该算法主要是通过采集视频样本，提取HOG特征，快速训练得到分类器，利用分类器进行自动扶梯上乘客检测，其包括以下步骤：1)视频图像采集；2)生成正样本和负样本；3)提取正、负样本中的HOG特征；4)利用快速Adaboost算法训练分类器；5)利用得到的分类器进行乘客检测；6)利用camshift算法跟踪人体。

【技术特征摘要】
1.基于快速Adaboost训练算法的自动扶梯乘客检测算法，该算法主要是通过采集视频样本，提取HOG特征，快速训练得到分类器，利用分类器进行自动扶梯上乘客检测，其包括以下步骤：1)视频图像采集；2)生成正样本和负样本；3)提取正、负样本中的HOG特征；4)利用快速Adaboost算法训练分类器；5)利用得到的分类器进行乘客检测；6)利用camshift算法跟踪人体。2.根据权利要求1所述的基于快速Adaboost训练算法的自动扶梯乘客检测算法，其特征在于：在步骤1)中，采用摄像头进行图像采集，摄像头安装在手扶电梯运动方向的斜上方，其视角要求覆盖整个自动扶梯载客区，并且保证自动扶梯上的乘客于视频中间。3.根据权利要求1所述的基于机器视觉的乘客越过扶手带检测算法，其特征在于，在步骤2)中，获得原始视频后截取正、负样本，包括以下步骤：2.1)获取正样本将采集到的视频逐帧保存成图像序列，得到原始图像的总数为Norigin；在得到的图片中逐帧截取包含完整人体的矩形图像，得到正样本图像的总数为Npos；将所有的矩形图像归一化为长为a像素，高为b像素的标准矩形图像；给所有正样本图像编号，并附上与编号对应的样本标签即完成了正样本的生成；2.2)获取负样本将采集到的视频逐帧保存成图像序列，剔除其中包含的人体图像；根据长与高比例为a:b在剩下的图像中截取样本图像，得到负样本图像的总数为Nneg；给所有负样本图像编号，并附上与编号对应的样本标签即完成了负样本的生成。4.根据权利要求1所述的基于快速Adaboost训练算法的自动扶梯乘客检测算法，其特征在于，在步骤3)中，提取正、负样本中的HOG特征，包括以下步骤：3.1)灰度化根据重要性及其它指标，将三个分量以不同的权值进行加权平均；由于人眼对绿色的敏感最高，对蓝色敏感最低；因此，按下式对RGB三分量进行加权平均能得到合理的灰度图像：I(x,y)＝0.30R(x,y)+0.59G(x,y)+0.11B(x,y)其中，x,y为图像中某像素点的横坐标和纵坐标；I(x,y)为图像中点(x,y)的灰度值；R(x,y)为图像中点(x,y)的红色分量亮度；G(x,y)为图像中点(x,y)的绿色分量亮度；B(x,y)为图像中点(x,y)的蓝色分量亮度；依次计算图像中所有像素点的灰度值即完成了图像的灰度化；3.2)Gamma校正为了抑制图像中的光照变化；对图像进行Gamma压缩，Gamma压缩公式为：I(x,y)＝I(x,y)Gamma其中，Gamma为固定常数；3.3)计算图像每个像素的梯度为了捕获轮廓，人影和一些纹理信息，进一步弱化光照的影响，需要计算图像横坐标和纵坐标方向的梯度，并据此计算每个像素位置的梯度方向值；设水平边缘算子为[-101]，垂直边缘算子为[-101]T，则像素I(x,y)的方向梯度为：Gx(x,y)＝-I(x-1,y)+I(x+1,y)Gy(x,y)＝-I(x,y-1)+I(x,y+1)其中，Gx(x,y)为水平方向梯度，Gy(x,y)为垂直方向梯度，则像素I(x,y)的梯度为：其中，G(x,y)为梯度的幅值，α(x,y)为梯度的方向；3.4)图像分割将图像分割成多个胞元，其中胞元为c×c的图像小块作为处理的基本单元，c为图像小块边长，单位为像素；3.5)构建梯度方向直方图为了统计局部图像梯度信息并进行量化，得到局部图像区域的特征描述向量，同时能够保持对图像中人体对象的姿势和外观的弱敏感性，需要为每个胞元构建梯度方向直方图；采用Nbin个方向的直方图统计一个胞元的梯度信息，相当于将胞元的梯度方向由360°分为Nbin个方向块，以梯度幅值作为权值对各个方向块进行投票，得到该胞元的方向直方图，横坐标为将360°分为Nbin个部分的角度区间，纵坐标像素梯度为落入该区间的个数；此时每一个胞元对应一个Nbin维的特征向量；3.6)梯度强度归一化为了减少局部光照的变化以及前景背景对比度的影响，减小梯度强度的变化范围，需要对梯度强度做归一化；把n个胞元组合成更大的、空间上连通的块，一个块内所有胞元的特征向量串联起来即该块的HOG特征向量；每一个胞元的特征会以不同的结果多次出现在最后的特征向量中；归一化之后的特征向量即块描述符就称之为HOG特征即HOG描述符；归一化函数为下式：其中，ν为一个块的HOG特征向量，||v||2为ν的2范数，ε为一个小于0.01的正数，避免分母为0；3.7)HOG特征提取训练样本长为l，高为h；特征扫描窗的大小为块的大小，即n个c×c的图像小块，移动的步长为胞元的边长c；扫描窗从图像的顶点开始，进行扫描提取，每提取一次之后，向水平方向移动一个步长，重复提取过程，当扫描窗触碰到图像边界后，向垂直方向移动一个步长，继续重复提取过程，当扫描窗提取完整幅样本图像中的块特征后，将所有块特征串联起来，得到一个(l/c-1)×(h/c-1)×n×Nbin维的特征向量即为该样本的HOG特征向量。5.根据权利要求1所...

【专利技术属性】
技术研发人员：田联房，余陆斌，杜启亮，朱斌，
申请(专利权)人：华南理工大学，
类型：发明
国别省市：广东,44