基于多攝像機區(qū)域匹配和AdaBoost算法的運動人頭檢測.pdf

1、AdaBoost算法在現(xiàn)有的人頭檢測技術(shù)中，具有檢測率高、檢測速度快的優(yōu)點。它采用矩形特征作為弱分類器，利用積分圖快速計算特征值，將強分類器按照級聯(lián)結(jié)構(gòu)組合，從而提高算法檢測速度。但AdaBoost算法本身也有訓(xùn)練時間長、單個弱分類器性能不強、無法避免誤檢等缺點，本文針對這些不足，采用了幾種改進方法。
　　首先，針對傳統(tǒng)算法使用單閾值作為弱分類器判斷依據(jù)造成計算量大，不符合樣本特征值分布的缺點，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間，更可以提高單個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，給弱分類器一個調(diào)整向量和偏移向量，利用遺傳算法計算最佳的內(nèi)部結(jié)構(gòu)調(diào)整參數(shù)，并進行調(diào)整驗證。給弱分類器第二次機會提高自身的分類性能的機會，從而提升整個級聯(lián)分類器的檢測效果。
　　再次，針對背景中出現(xiàn)大量誤檢子窗口的現(xiàn)象，采用了使

3、用簡單背景減法提取視頻序列中的運動目標(biāo)，再使用訓(xùn)練好的級聯(lián)分類器對提取的運動區(qū)域進行檢測，這樣做，一來可以減少被檢測區(qū)域，從而降低檢測時間，二來可以去除背景對檢測結(jié)果的干擾，降低誤檢率。
　　最后，針對出現(xiàn)在人體身上的誤檢區(qū)域，采用多攝像機同時拍攝，選取一個作為基準(zhǔn)，檢測出“人頭”區(qū)域，利用區(qū)域匹配計算出其在其它對應(yīng)圖像中的位置，再對這些位置進行判斷，只有被再次檢測為“人頭”的子窗口，才最終被認(rèn)定為“人頭”。
　　經(jīng)過上面各