训练系统、训练方法和检测方法技术方案

本发明专利技术公开了训练系统、训练方法和检测方法，该训练系统用于通过训练获得区分人体和背景的分类器，包括：采集单元，采集人体图片和背景图片作为训练图片集；特征求取单元，对训练图片集中的人体图片和背景图片求取多种特征；训练单元，对求取的多种特征进行训练获得分类器，其中，特征求取单元在分类器的形成中对从人体图片的头肩部区域的单位面积上求取比头肩部以外区域的单位面积上更多的特征，或者训练单元对从体图片的头肩部区域求取的特征比头肩部以外区域求取的特征赋予更高的权重。该检测方法利用训练系统和训练方法所获得的分类器来检测输入的图像或视频中是否存在人体，并给出人体的存在位置。根据本发明专利技术，可以提高人体检测的正确率。

【技术实现步骤摘要】

本专利技术涉及一种训练系统、训练方法和才企测方法。
技术介绍
在一见频或者图4象中才企测人体有两类方法，第 一类是采用静态图 像特征建立区分人体与背景的分类器，用该分类器来在图像中检测 人体，对于视频则对每一帧视为一幅图像进行;^全测。第二类是结合静态特征与视频的帧间相关性，运动、声音等信息来检测视频中的 人体。其中，静态图像的方法是进行检测的基础。目前，采用矩形特征来检测静态图像中的人体，用boost的方 法自动挑选采用的特征，但矩形特征对人体检测的正确率不是很高。 对于视频中的行人，因为人的运动具有独特的特征，从帧间差分图 和变形的差分图中可以净是取关于运动的方向幅度的特4i,与l争态特 征一起进行训练乂人而得到分类器，但这不能用于镜头运动的情况。 此外，现有技术中也这样的^是案，将静态图像的矩形特征进行推广， 加入倾斜45度的多边形等特征，^旦这些类Harr的特^正和矩形特征 一样，不具有对人体的针对性。此外，在现有技术中，采用方向性梯度直方图的特征才企测图像 中的行人，对人体各个位置都取同样的特征，采用SVM(支持向量 才几)进4亍训练。由于直方图具有统计的意义，能够适应人体在小范 围和角度内的变化，-f旦姿态变化4交大时4企测率仍有待才是高。此外，也有通过对视频的光流场取方向性直方图特征来获取行人的运动特 征，结合静态的方向性梯度直方图来检测的技术方案。此外，还有这样的4是案，分级建立人体的多种4仑廓才莫一反，采用chamfer distance 匹配的方法来检测行人。如果要考虑到人体的多种姿态，需要建立 大量模板，匹配时背景中会产生很多虚景。此外，对人体的各部位 进行检测，然后按照是否符合人体结构^f莫型来获得最终结果。优点 在于对人体部分一皮遮挡时的适应性，^旦由于加入了部^立4企测这个中 间过程，增加了算法的不确定性。此外，现有纟支术中也7>开有将帧 间相关性、运动等视频的特殊信息和图像特征进行结合的方案，例 如采用对帧差图进行分割的方法，寻找可能为人体的区域，但这种 方法只能用于4竟头,争止的情况，而且人体必须是运动的。再例如采 用去除背景的办法直接得到人体图像，采用多帧视频图像来得到背 景，在去掉背景后的—见频图像上进行目标跟踪和识别，^f旦这种方法 只能用于摄像镜头静止的情况。还例如提出有利用多种信息联合进 行人体才全测的系统，如果有帧间运动或者声音时，采用运动、声音信息来寻找人体的候选区域，对候选区域进行分级式人脸4企测，然 后对检测到的目标进行跟踪，视频中人体的检测率与静态图像算法 高度相关。由此可见，即使是视频，图像中的特征提取仍然是人体检测的 基础，由于人体的姿态服装的多种多样，很难提取统一的颜色或者 结构紋理信息，4吏得纟全测率4艮难才是高。基于以上所述，现有才支术中也4是出有利用人体的头肩部这一 具 有代表性的区域进行检测，从而提高人体检测的正确率，例如，在 专利文献l中，公开了一种利用人的头部上半部分的轮廓作为开放 曲线模型进行人体检测的对象检测方法。在专利文献2和专利文献曲线模型对人体进行检测的物体检测装置，此外，在专利文献4中，公开了一种利用人的头部和肩部的几何形状以及人的对称性进行检 测的检测装置，但上述技术方案虽然意识到了头部的重要性，但只 考虑了头肩部的筒单的形状特征。对于复杂背景下的图像中的人体，头肩部未必具有明显的4仑廓线，而且由于人体姿态的多才羊性，参凝: 曲线很难得到通用的模型。专利文献1: US 2005/0105770专利文献2:日本4争开2005-149144专利文献3:日本净争开2005-149145专利文献4:日本特开2006-338379
技术实现思路
鉴于以上技术问题，本专利技术提出了一种训练系统、训练方法及 检测方法，其求取人体图片和背景图片中的各种图像特征，并在构 建分类器中通过在人体的头肩部区域求取单位面积上比所述头肩部 以外区域的单位面积上更多的特征或者对从人体图片的头肩部区域赋予头肩部更高权重的目的；使用通过训练系统和训练方法获得的 分类器对图片进行人体4企测，能够提高人体^:测的正确率。为实现上述目的，根据本专利技术的第一方面的训练系统，用于通过训练获得区分人体和背景的分类器，包括采集单元，采集人体图片和背景图片作为训练图片集；特征求取单元，对训练图片集中的人体图片和背景图片求取多种特征；以及训练单元，对求取的多 种特征进行训练获得分类器，其中，所述特征求取单元在所述分类 器的形成中对从所述人体图片的头肩部区域的单位面积上求取比头 肩部以外区i或的单4立面积上更多的特4正，或者所述训练单元对乂人所述人体图片的所述头肩部区域求取的特征比所述头肩部以外区域求 耳又的特征J武予更高的4又重。人体头肩部以外区域包括四月支，躯干等其他人体部位区域以及 头肩部区域以外的背景区域。在上述的训练系统中，还包括重新训练单元，对经过求取、训 练被误认为人体图片的背景图片重新进行求取、训练。在上述的训练系统中，采集单元对训练图片集中的人体图片和 背景图片取多边形，特征求取单元对多边形中的图片求取特征。其 中多边形可以是矩形。在上述的训练系统中，特4正求耳又单元对多边形中的人体图片和背景图片求取以下特征统计特征，包括亮度、梯度、高阶梯度、 颜色、边纟彖的均值、方差、协方差中的至少一种；响应4直，亮度、 梯度、高阶梯度、颜色、边缘对滤波器的响应值；分布情况，将多 边形分成多个小区域，亮度、梯度、高阶梯度、颜色、边缘在多个 小区域的各个小区域上的分布情况；以及各方向的梯度、高阶梯度 的分布情况；联合分布情况，梯度、高阶梯度在各个小区域、各方 向上的联合分布情况；小区域之间组合后的特征的线性或非线性组 合情况；以及特4i组合后的特;f正组合情况。在上述的训练系统中，训练单元从特征求取单元所求取出的多 种特征中选取能够有效区分人体图片和背景图片的一个或多个特征 作为有效特征集，其中，对从所述头肩部区域求取的特征赋予更高权重的方法包括在将所述头肩部区域划分成多个小区域求取所述 'J、区域之间的特征组合时取互相重叠的小区域所述头肩部区域的所 述小区域的重叠度大于划分所述头肩部以外区域而成的小区域的重 叠度，或者所述划分所述头肩部以外区域而成的小区域完全不重叠，或者区域间留有间隔；通过SVM方法训练得到分类器、或者通过 Boosting方法训练有效特4正集中的特4正或特4正纟且合对应的弱分类 器，分配各弱分类器权重，组合成最终的分类器。其中，由于人体 的姿态多种多样，分类器可以为一个或多个。才艮据本专利技术第二方面的训练方法，用于通过训练获得区分人体 和背景的分类器，包括以下步骤采集步骤，采集人体图片和背景 图片作为训练图片集；特征求取步骤，对训练图片集中的人体图片 和背景图片求取多种特征；以及训练步骤，对求取的多种特征进行 训练获得分类器，在所述特征求取步骤中，在所述分类器的形成中 对从所述人体图片的头肩部区域的单位面积上求取比头肩部以外区 i或的单位面积上更多的特4正，或者在所述训练步-骤中对-乂人所述人体4i贝武予更高的纟又重。所述人体头肩部区域以外的区域包括四肢、躯干以及背景区域。在上述的训练方法中，还包4舌重新训练步1聚，对经过求取、训 练被误认本文档来自技高网...

【技术保护点】
一种训练系统，用于通过训练获得区分人体和背景的分类器，其特征在于，包括：　采集单元，采集人体图片和背景图片作为训练图片集；　特征求取单元，对所述训练图片集中的所述人体图片和所述背景图片求取多种特征；以及　训练单元，对求取的 所述多种特征进行训练获得所述分类器，　其中，所述特征求取单元在所述分类器的形成中对从所述人体图片的头肩部区域的单位面积上求取比头肩部以外区域的单位面积上更多的特征，或者所述训练单元对从所述人体图片的所述头肩部区域求取的特征比所述头肩部 以外区域求取的特征赋予更高的权重。

【技术特征摘要】
1.一种训练系统，用于通过训练获得区分人体和背景的分类器，其特征在于，包括采集单元，采集人体图片和背景图片作为训练图片集；特征求取单元，对所述训练图片集中的所述人体图片和所述背景图片求取多种特征；以及训练单元，对求取的所述多种特征进行训练获得所述分类器，其中，所述特征求取单元在所述分类器的形成中对从所述人体图片的头肩部区域的单位面积上求取比头肩部以外区域的单位面积上更多的特征，或者所述训练单元对从所述人体图片的所述头肩部区域求取的特征比所述头肩部以外区域求取的特征赋予更高的权重。2. 根据权利要求1所述的训练系统，其特征在于所述人体头肩部以外区域包括四肢、躯干以及背景区域。3. 根据权利要求1所述的训练系统，其特征在于，还包括重新训练单元，对经过求取、训练被误认为所述人体图片 的所述背景图片重新进行求:f又、训练。4. 根据权利要求1所述的训练系统，其特征在于所述特征求耳又单元对所述训练图片集中的所述人体图片 和所述背景图片取多边形，并对所述多边形中的图片求取所述 特征。5. 根据权利要求4所述的训练系统，其特征在于所述特征求耳又单元对所述多边形中的所述人体图片和所 述背景图片求取以下特征统计特征，包括亮度、梯度、高阶梯度、颜色、边缘的均 值、方差、协方差中的至少一种；响应值，所述亮度、所述梯度、所述高阶梯度、所述颜色、 所述边缘对滤波器的响应值；分布情况，将所述多边形分成多个小区域，所述亮度、所 述梯度、所述高阶梯度、所述颜色、所述边缘在所述多个小区 域的各个小区域上的分布情况，以及各方向的所述梯度、所述 高阶梯度的分布情况；联合分布情况，所述梯度、所述高阶梯度在所述各个小区 域、各方向上的联合分布情况；所述小区域之间组合后的特征的线性或非线性组合情况；以及所述特征组合后的特征组合情况。6. 才艮据权利要求1至5中任一项所述的训练系统，其特征在于所述训练单元从所述特征求取单元所求取出的所述多种 特征中选取能够有效区分所述人体图片和所述背景图片的一 个或多个特征作为有效特征集，其中，对乂人所述头肩部区域求 取的特征赋予更高权重的方法包括在将所述头肩部区域划分 成多个小区域求取所述小区域之间的特征组合时取互相重叠 的小区域所述头肩部区域的所述小区域的重叠度大于划分所 述头肩部以外区域而成的小区域的重叠度，或者所述划分所述 头肩部以外区域而成的小区域完全不重叠，或者区域间留有间隔；通过SVM方法训练得到所述分类器、或者通过Boosting 方法训练所述有效特征集中的所述特征或特征组合对应的弱 分类器，分配各弱分类器权重，组合成最终的分类器。7. 根据权利要求5所述的训练系统，其特征在于所述多边形为矩形。8. 根据权利要求6所述的训练系统，其特征在于所述分类器为一个或多个。9. 一种训练方法，用于通过训练获得区分人体和背景的分类器， 其特征在于，包括以下步骤采集步骤，采集人体图片和背景图片作为训练图片集；特征求取步骤，对所述训练图片集中的所述人体图片和所 述背景图片求取多种特征；以及训练步骤，对求取的所述多种特征进行训练获得所述分类器，在所述特4正求取步骤中，在所述分类器的形成中对从所述 人体图片的头肩部区i或的单4立面积上求耳又比头肩部以外区i或 的单位面积上更多的特征，或者在所述训练步骤中对从所述人求取的特征赋予更高的权重。10. 根据权利要求9所述的训练方法，其特征在于所述人体头肩部区域以外的区域包括四肢、躯千以及背景 区域。11. 根据权利要求9所述的训练方法，其特征在于，还包括重新训练步骤，对经过求取、训练被误认为所述人体图片 的所述背景图片重新进行求取、训练过程。12. 根据权利要求9所述的训练方法，其特征在于在所述特征求取步骤中，对所述训练图片集中的所述人体 图片和所述背景图片取多边形，并对所述多边形中的图...

【专利技术属性】
技术研发人员：吴伟国，孟龙，
申请(专利权)人：索尼中国有限公司，
类型：发明
国别省市：11[中国|北京]