資源描述：
《基于opencv和haar特征的區(qū)域圖像人數(shù)檢測方法》由會員上傳分享，免費在線閱讀，更多相關(guān)內(nèi)容在教育資源-天天文庫。
1、基于openCV和Haar特征的區(qū)域圖像人數(shù)檢測方法劉子源摘要：選取大量含有人的Haar特征的樣本圖片，利用openCV和Adaboost算法訓(xùn)練分類器，并通過實驗深入分析選取樣本的方法，以及對檢測效果的影響。關(guān)鍵字：Haar特征openCVAdaboost分類器人數(shù)檢測模式識別一、模式識別理論基礎(chǔ)區(qū)域圖像人數(shù)識別，又即圖像人數(shù)檢測，屬于模式識別技術(shù)領(lǐng)域，具體實施方法是通過計算機(jī)或其他設(shè)備來識別某個區(qū)域的靜態(tài)圖片或動態(tài)視頻中的人數(shù)。特征分析模式對于字符和簡單幾何形狀，或具有一些明顯特征的圖像（如人臉等）的再認(rèn)，都可提供簡單、快速的方法，所以圖像人數(shù)檢測最好采用該模式。本
2、論文所論述使用的特征方法是Haar特征方法。對于人數(shù)識別來說，該方法更加適用，人數(shù)識別模型的建立更方便，檢測速度更快，性能更好。二、用Haar特征模式進(jìn)行人數(shù)檢測的流程首先，需要一個可以檢測人體特征的Haar特征分類器。通過這個分類器，可以將待識別圖像中含有人體特征的部分分離出來。每當(dāng)檢測到一個含有人的特征的部分，人數(shù)計數(shù)器就會自加1，通過這種方法，可實現(xiàn)區(qū)域圖像的人數(shù)檢測。利用Haar特征分類器做區(qū)域圖像人數(shù)檢測的流程如下：YYNN結(jié)束移動裁剪窗口加載特征分類器獲得待識別圖像調(diào)整裁剪窗口截取待識別圖像截取圖像進(jìn)入分類器是否通過分類器是否檢測完畢記錄信息開始三、訓(xùn)練Ha
3、ar特征分類器1、訓(xùn)練特征分類器的方法訓(xùn)練分類器需要提供相應(yīng)的特征正例樣本和反例樣本。正例樣本要求樣本圖片中含有所要識別的特征信息，反例樣本要求樣本圖片中不可以含有所要識別的特征信息。通過對大量正反樣本進(jìn)行計算，可以最終得出識別分類器。2、特征的選取可以表征人的特征有很多，如：眼睛、鼻子、嘴、人臉、頭部、上半身、全身等等。但是，在實際人數(shù)檢測過程中，有些特征則不能很好的輔助識別人數(shù)。比如在某個識別模型中，所獲取的圖像，并未拍攝到人的正臉，全部是人的側(cè)臉，或后腦部分，則眼睛、鼻子和嘴等特征就完全不起作用。所以，選取適當(dāng)?shù)娜说奶卣鬟M(jìn)行識別，是至關(guān)重要的。同時，在不同的場景模
4、式下，選取的特征也會有所不同。通過對多個公共場所監(jiān)控設(shè)備的配置，以及相應(yīng)監(jiān)控錄像的調(diào)查，最終選取人的從肩部到頭部的上半身像和全身像作為目標(biāo)特征，進(jìn)行樣本收集、處理，和分類器的訓(xùn)練。3、正例樣本的選取通過對監(jiān)控錄像進(jìn)行截圖，要求監(jiān)控攝像頭安放于高于正常人身高的50%及以上的位置，并且盡可能位于道路正中央。將圖片中的人的從肩部到頭部的上半身像，以及全身像部分進(jìn)行圖像裁剪，并統(tǒng)一尺寸,從肩部到頭部的上半身像圖像尺寸為25x25,全身像尺寸為30x60。在裁剪的時候，要求人體的從肩部到頭部的上半身像、全身像不允許被遮擋，并且要求圖像清晰，噪點較少，有效特征部分占裁剪圖像的90%
5、及以上。裁剪之后，按照上述要求統(tǒng)一尺寸，并利用軟件（如Acdsee等）將圖像轉(zhuǎn)換為8位灰度BMP格式。4、反例樣本的選取反例樣本，又稱為負(fù)樣本、背景描述文件，樣本的采集相對于正樣本來說要容易的多。要求采集的負(fù)樣本，絕對不允許含有正例樣本的特征。在尺寸方面，對負(fù)樣本沒有特殊要求，負(fù)樣本圖像的大小只要不小于正樣本就可以，在使用負(fù)樣本時，openCV會自動從負(fù)樣本圖像中摳出一塊和正樣本同樣大小的區(qū)域作為負(fù)樣本。所以，只需將收集到的負(fù)樣本轉(zhuǎn)換成灰度(8位)bmp格式即可。其中，負(fù)樣本最好含有正樣本中的背景部分，以便在訓(xùn)練分類器時，可以更快地將正樣本中的非目標(biāo)特征部分及時地去掉。
6、另外，負(fù)樣本的尺寸越小，openCV訓(xùn)練的時間就越少。5、為每個場景模式訓(xùn)練專屬識別分類器從大量的場所進(jìn)行調(diào)查研究發(fā)現(xiàn)，不同場所的布局差異較大，所以很難訓(xùn)練出一個通用的人數(shù)檢測分類器來適應(yīng)各種不同場景模式。這就需要為每個場景模式訓(xùn)練專屬識別分類器。對于某個固定的場所（如醫(yī)院、博物館）來說，其負(fù)樣本大量采用由該場所的監(jiān)控攝像機(jī)拍攝的無人背景圖像，正樣本則盡量在該場所采集，并可以融合其他場所采集到的正樣本，當(dāng)然，這些正樣本中的背景部分可以加入到負(fù)樣本集中。在假設(shè)監(jiān)控環(huán)境盡量穩(wěn)定，比如攝像機(jī)角度、位置不變的情況下，僅僅考慮光線改變這種單一變量，可以快速訓(xùn)練出固定場景模式的專屬
7、分類器，其識別性能必然會超過通用型分類器。6、分類器的訓(xùn)練時間及訓(xùn)練出的分類器大小通過大量訓(xùn)練實驗不難發(fā)現(xiàn)，不同的正負(fù)樣本，即便數(shù)目、大小、比例相同，其訓(xùn)練時間也不同。許多分類器訓(xùn)練失敗，絕大多數(shù)原因是因為負(fù)樣本數(shù)目過少，導(dǎo)致Adaboost算法不能跳出死循環(huán)。也有的原因，是因為負(fù)樣本之間重復(fù)部分過多，或者正樣本的尺寸過大，導(dǎo)致訓(xùn)練分類器時內(nèi)存溢出。目前還不能尋找出訓(xùn)練樣本數(shù)目、尺寸、正負(fù)樣本比例與訓(xùn)練時間的函數(shù)關(guān)系。但是通過大量實驗可以證明，在正（負(fù)）樣本數(shù)目一定的情況下，負(fù)（正）樣本數(shù)目越多，訓(xùn)練時間越長。并且，正負(fù)樣本尺寸越大，訓(xùn)練
