基于opencv和haar特征的区域图像人数检测方法

《基于opencv和haar特征的区域图像人数检测方法》由会员上传分享，免费在线阅读，更多相关内容在教育资源-天天文库。

1、基于openCV和Haar特征的区域图像人数检测方法刘子源摘要：选取大量含有人的Haar特征的样本图片，利用openCV和Adaboost算法训练分类器，并通过实验深入分析选取样本的方法，以及对检测效果的影响。关键字：Haar特征openCVAdaboost分类器人数检测模式识别一、模式识别理论基础区域图像人数识别，又即图像人数检测，属于模式识别技术领域，具体实施方法是通过计算机或其他设备来识别某个区域的静态图片或动态视频中的人数。特征分析模式对于字符和简单几何形状，或具有一些明显特征的图像（如人脸等）的再认，都可提供简单、快速的方法，所以图像人数检测最好采用该模式。本

2、论文所论述使用的特征方法是Haar特征方法。对于人数识别来说，该方法更加适用，人数识别模型的建立更方便，检测速度更快，性能更好。二、用Haar特征模式进行人数检测的流程首先，需要一个可以检测人体特征的Haar特征分类器。通过这个分类器，可以将待识别图像中含有人体特征的部分分离出来。每当检测到一个含有人的特征的部分，人数计数器就会自加1，通过这种方法，可实现区域图像的人数检测。利用Haar特征分类器做区域图像人数检测的流程如下：YYNN结束移动裁剪窗口加载特征分类器获得待识别图像调整裁剪窗口截取待识别图像截取图像进入分类器是否通过分类器是否检测完毕记录信息开始三、训练Ha

3、ar特征分类器1、训练特征分类器的方法训练分类器需要提供相应的特征正例样本和反例样本。正例样本要求样本图片中含有所要识别的特征信息，反例样本要求样本图片中不可以含有所要识别的特征信息。通过对大量正反样本进行计算，可以最终得出识别分类器。2、特征的选取可以表征人的特征有很多，如：眼睛、鼻子、嘴、人脸、头部、上半身、全身等等。但是，在实际人数检测过程中，有些特征则不能很好的辅助识别人数。比如在某个识别模型中，所获取的图像，并未拍摄到人的正脸，全部是人的侧脸，或后脑部分，则眼睛、鼻子和嘴等特征就完全不起作用。所以，选取适当的人的特征进行识别，是至关重要的。同时，在不同的场景模

4、式下，选取的特征也会有所不同。通过对多个公共场所监控设备的配置，以及相应监控录像的调查，最终选取人的从肩部到头部的上半身像和全身像作为目标特征，进行样本收集、处理，和分类器的训练。3、正例样本的选取通过对监控录像进行截图，要求监控摄像头安放于高于正常人身高的50%及以上的位置，并且尽可能位于道路正中央。将图片中的人的从肩部到头部的上半身像，以及全身像部分进行图像裁剪，并统一尺寸,从肩部到头部的上半身像图像尺寸为25x25,全身像尺寸为30x60。在裁剪的时候，要求人体的从肩部到头部的上半身像、全身像不允许被遮挡，并且要求图像清晰，噪点较少，有效特征部分占裁剪图像的90%

5、及以上。裁剪之后，按照上述要求统一尺寸，并利用软件（如Acdsee等）将图像转换为8位灰度BMP格式。4、反例样本的选取反例样本，又称为负样本、背景描述文件，样本的采集相对于正样本来说要容易的多。要求采集的负样本，绝对不允许含有正例样本的特征。在尺寸方面，对负样本没有特殊要求，负样本图像的大小只要不小于正样本就可以，在使用负样本时，openCV会自动从负样本图像中抠出一块和正样本同样大小的区域作为负样本。所以，只需将收集到的负样本转换成灰度(8位)bmp格式即可。其中，负样本最好含有正样本中的背景部分，以便在训练分类器时，可以更快地将正样本中的非目标特征部分及时地去掉。

6、另外，负样本的尺寸越小，openCV训练的时间就越少。5、为每个场景模式训练专属识别分类器从大量的场所进行调查研究发现，不同场所的布局差异较大，所以很难训练出一个通用的人数检测分类器来适应各种不同场景模式。这就需要为每个场景模式训练专属识别分类器。对于某个固定的场所（如医院、博物馆）来说，其负样本大量采用由该场所的监控摄像机拍摄的无人背景图像，正样本则尽量在该场所采集，并可以融合其他场所采集到的正样本，当然，这些正样本中的背景部分可以加入到负样本集中。在假设监控环境尽量稳定，比如摄像机角度、位置不变的情况下，仅仅考虑光线改变这种单一变量，可以快速训练出固定场景模式的专属

7、分类器，其识别性能必然会超过通用型分类器。6、分类器的训练时间及训练出的分类器大小通过大量训练实验不难发现，不同的正负样本，即便数目、大小、比例相同，其训练时间也不同。许多分类器训练失败，绝大多数原因是因为负样本数目过少，导致Adaboost算法不能跳出死循环。也有的原因，是因为负样本之间重复部分过多，或者正样本的尺寸过大，导致训练分类器时内存溢出。目前还不能寻找出训练样本数目、尺寸、正负样本比例与训练时间的函数关系。但是通过大量实验可以证明，在正（负）样本数目一定的情况下，负（正）样本数目越多，训练时间越长。并且，正负样本尺寸越大，训练