基于多攝像機(jī)區(qū)域匹配和AdaBoost算法的運(yùn)動(dòng)人頭檢測(cè).pdf

1、AdaBoost算法在現(xiàn)有的人頭檢測(cè)技術(shù)中，具有檢測(cè)率高、檢測(cè)速度快的優(yōu)點(diǎn)。它采用矩形特征作為弱分類器，利用積分圖快速計(jì)算特征值，將強(qiáng)分類器按照級(jí)聯(lián)結(jié)構(gòu)組合，從而提高算法檢測(cè)速度。但AdaBoost算法本身也有訓(xùn)練時(shí)間長(zhǎng)、單個(gè)弱分類器性能不強(qiáng)、無法避免誤檢等缺點(diǎn)，本文針對(duì)這些不足，采用了幾種改進(jìn)方法。
　　首先，針對(duì)傳統(tǒng)算法使用單閾值作為弱分類器判斷依據(jù)造成計(jì)算量大，不符合樣本特征值分布的缺點(diǎn)，采用了使用雙閾值判斷弱分類器分類結(jié)果

2、的方法。這樣做，不僅可以大大減少構(gòu)造弱分類器所需的時(shí)間，更可以提高單個(gè)弱分類器的分類性能，從而降低總的弱分類器數(shù)量。
　　其次，采用了弱分類器內(nèi)部結(jié)構(gòu)特征算法。針對(duì)弱分類器一旦訓(xùn)練結(jié)束就不在改變的現(xiàn)象，給弱分類器一個(gè)調(diào)整向量和偏移向量，利用遺傳算法計(jì)算最佳的內(nèi)部結(jié)構(gòu)調(diào)整參數(shù)，并進(jìn)行調(diào)整驗(yàn)證。給弱分類器第二次機(jī)會(huì)提高自身的分類性能的機(jī)會(huì)，從而提升整個(gè)級(jí)聯(lián)分類器的檢測(cè)效果。
　　再次，針對(duì)背景中出現(xiàn)大量誤檢子窗口的現(xiàn)象，采用了使

3、用簡(jiǎn)單背景減法提取視頻序列中的運(yùn)動(dòng)目標(biāo)，再使用訓(xùn)練好的級(jí)聯(lián)分類器對(duì)提取的運(yùn)動(dòng)區(qū)域進(jìn)行檢測(cè)，這樣做，一來可以減少被檢測(cè)區(qū)域，從而降低檢測(cè)時(shí)間，二來可以去除背景對(duì)檢測(cè)結(jié)果的干擾，降低誤檢率。
　　最后，針對(duì)出現(xiàn)在人體身上的誤檢區(qū)域，采用多攝像機(jī)同時(shí)拍攝，選取一個(gè)作為基準(zhǔn)，檢測(cè)出“人頭”區(qū)域，利用區(qū)域匹配計(jì)算出其在其它對(duì)應(yīng)圖像中的位置，再對(duì)這些位置進(jìn)行判斷，只有被再次檢測(cè)為“人頭”的子窗口，才最終被認(rèn)定為“人頭”。
　　經(jīng)過上面各