摘 要

本文设计了一种基于Haar特征分类器的图像人数统计的方法，通过标出图片中的人脸来统计人数。Haar分类器由Haar-like特征，积分图方法快速计算特征值，Adaboost算法孵化强分类器，级联强分类器这几部分知识组成。本文的正例样本来自国内研究图像人数检测的人脸库，共34000张人脸正面照片。由于设计的是固定场景的专属特征分类器，因此负例照片通过自己拍摄的固定区域的照片，然后从这些照片中提取大量的背景图片得到，共56000张背景图片，这样可以使检测的精度更高，起到事半功倍的效果。检测人脸加载分类器的代码是在visual studio2012中执行的。人脸检测程序采用开源的视觉库OpenCV。经过一个礼拜左右的时间训练出专属场景的特征分类器。该Haar分类器在检测10张照片共152个人脸时平均检测率达到了94.08%,平均误识率为9.2%，平均耗时为1209.4ms,检测效果良好，说明这种训练专属场景的特征分类器的人数统计方法可以应用于车站码头等需要统计人数和人流量的地方。

关键词：OpenCV；人脸检测；Haar分类器；Adaboost算法

Abstract

In this paper, we design a method based on Haar feature classifier to count the number of people in the picture. Haar classifier consists of Haar-like feature, integral graph method to quickly calculate the eigenvalue, Adaboost algorithm incubation strong classifier, cascaded strong classifier. The sample of this article is from the domestic study of the number of images detected by the face database, a total of 34,000 face positive photos. Since the design is a special feature of the fixed scene classifier, the negative photos are through their own fixed area of the photo shoot, and then extract a large number of background images from these photos, a total of 56,000 background images, so that the detection accuracy High, play a multiplier effect. The code that detects the face load classifier is executed in visual studio2012. Face detection program use open source visual library OpenCV. After 5 days or so, the characteristic classifier of the exclusive scene is trained. The detection rate of the Haar classifier is 91% and the average time-consuming is 1209.4ms when the detection of 10 photos is 152 faces. The detection method is good, and the statistical method of the number of characteristic classifiers of this training special scene can be applied to the station Terminals and other places which need to count the number of people and traffic.

Key words: OpenCV; Face detection; Haar classifier; Adaboost algorithm

目录

摘要 I

Abstract II

第1章 绪论 1

1.1研究背景和研究意义 1

1.2 国内外研究动态 1

1.3研究内容 2

1.4论文结构 4

第2章 Haar分类器算法原理 5

2.1 Haar-like特征 5

2.2 Haar-like特征值的计算-积分图法 6

2.3 Adaboost算法 8

2.3.1 Adaboost算法的背景 8

2.3.2 弱分类器的孵化 9

2.4 强分类器的级联 12

第3章 Haar特征分类器的训练 14

3.1 训练方法 14

3.2正例样本的选取和处理 14

3.2.1收集正例样本 14

3.2.2对所有的正例样本进行尺寸归一化 14

3.2.3 生成正样本描述语言 14

3.2.4 创建正样本vec文件 15

3.3负例样本的获取和处理 16

3.3.1负例样本的获取 16

3.3.2创建负样本描述文件 16

3.4训练Haar分类器 17

第4章 Haar特征分类器的测试 20

第5章 总结与展望 23

参考文献 24

致谢 25

第1章 绪论

1.1研究背景和研究意义

由于互联网技术和人工智能以及计算机视觉技术的不断前进和成长，智能视频图像人数统计的使用非常普遍，大量的监控系统已经出现在车站，学校，写字楼，图书馆，到处都是视频监控系统。人类未来的努力目标是使这种监控智能化。视频监控技术可以广泛的应用在人的轨迹追踪和人数估计以及人流量估计上面。这也是相关领域未来研究的一个热点和难点。

一旦对于图像的人数检测算法比较成熟，将会极大的帮助许多人的日常工作。例如火车站，图书馆，超市这些人流量较大但是又需要统计人数以及人流量的场所，只要已经安装了视频监控系统，就不再需要利用人工十分困难的去统计人数，而只需要利用基于Haar特征分类器的图像人数检测来方便的统计人数，并且可以将误差控制在一个很小的范围内。这就极大的减轻了相关工作人员的工作负担。

目前，智能监控系统已经大量应用在医院，图书馆，广场以及写字楼，学校等这些场所，它可以帮助人们就在监控室中就可以实时的掌握各种情况，并且帮助人们智能分析数据，免去一些繁杂的人工操作。比如现在已经在一些人流量比较大的场所安装了视频监控报警系统，人们在人身安全受到威胁的时候可以与这个报警系统交互，同时这个热系统还会记录下现场所发生的一切，这就非常有利于减少当事人的损失，并且可以大大加快案件的侦破。再比如一些商家想要在某一区域投资，他就需要掌握这一区域的人流量以便能够选择最佳的选址。人数统计和人流量统计还可以帮助政府更加合理有效的分配诸如消防栓之类的公共物资。

OpenCV是开源的计算机视觉库，它可以在多种操作系统下工作，可兼容性较好。本文研究的区域人数统计方法先要采集专属场景没有人时候的背景图片，然后再利用背景差法将图片中的背景去除，防止人数检测干扰，然后利用头部特征，使用Haar分类器，对特定区域的图片中的人数进行统计。这种人数统计的方法，相较于骨骼图像法，更加轻便，检测用时更短；与利用头肩部估计的办法相比较，进行背景过滤后，精度得到了一些优化。这种方法还可以扩展到汽车等其他物品上。

1.2 国内外研究动态

2010年，D Merad和K E Azi提出了使用骨骼图像方法对人脸进行检测。先滤掉图像中的背景，然后使用该技术统计图像中的人数。这种办法的优点是准确度比较高，但是Haar分类器方法的算法更简单，每次检测耗时更短。Lin Min等人提出利用头肩部特征来统计人数，但是因为这种方法没有过滤掉背景，因此当有一些背景比较难区分时就会造成干扰从而形成误差。这也是大多数图像人数检测系统的重要误差来源。柳有权利用监控图像的两张连帧作为背景差来进行人数统计。但是这种方法对静态图片的检测精度不是很高。文濒和陈红涛使用减背景及对称差分的方法来检测运动目标，但是该方法的缺点也是对于静态图片的检测效果不好，而对动态图片的检测精度很高。