本发明涉及智能视频监控领域，尤其是一种基于级联多层检测器的快速目标检测方法。
背景技术：
目标检测是计算机视觉中重要的一个研究方向，是进一步分析目标的基础，在此基础上，可以对目标跟踪、行为分析等等。随着我国经济的发展，城市化水平进一步提高，智慧城市已经成为城市现代化发展的重要方向。视频监控系统作为智慧城市的重要组成部分，也正朝着智能化和网络化方向发展。在智能视频监控中，对于目标（如车辆，行人等）进行快速的检测和定位，达到实时性，是后续智能监控的基础和前提。因此，如何快速的检测和定位目标，已成为国内外相关领域的研究热点。
目前，目标检测主流的方案是，提取目标特征，用检测器对包含目标的区域进行检测。用于目标特征提取的算子主要有Haar算子、LBP算子、HOG算子，结合adaboost检测器进行检测。
进行目标检测时，常用方案是生成金字塔图像，然后遍历整个金字塔图像，可以精确的检测和定位目标。但是会生成大量的候选框，需要对每个候选框进行判断，严重地降低效率，增加了检测时间。如果可以降低候选框的数量，就可以缩短时间。因此如何在不损失精度的前提下，合理的减少候选框，成为了研究的重点。
技术实现要素：
为解决上述问题，本发明提供一种基于级联多层检测器的快速目标检测方法。
本发明解决其技术问题所采用的技术方案是：一种基于级联多层检测器的快速目标检测方法，其特征在于，包括步骤：
S101,生成大量可能包含目标区域的候选框；
S102,进入粗检测阶段，选择目标的简单特征进行检测，排除非目标区域；
S103,将目标进行分块，选择目标部件特征进行进一步检测筛选；
S104,进入精检测阶段，选择目标区域的精细特征对余下目标区域进行检测；
S105，精确定位目标区域；
S106，将粗检测阶段检测器、目标部件检测器、精检测阶段检测器级联起来组成级联检测器。
进一步地，所述S102进入粗检测阶段选择目标的简单特征进行检测排除非目标区域包括：
A.进行第一阶段检测器训练，收集样本后，对样本集合选择简单的灰度级特征，产生大量的特征，形成特征池；
B.对特征池里面的特征进行随机选择，训练生成n棵随机树，每个随机树深度为d,每个随机树中叶节点的得分值记为s,随机随机树阈值为t，记录随机选择的特征；
C.用随机森林去检测样本集合，到达每个随机数的叶节点时，取里面的得分值，组合成特征向量，这些特征向量就是自我学习得到的特征；
D.根据学习到的特征，再选用adaboost（SVM）训练出目标检测模型。
进一步地，所述S103将目标进行分块选择目标部件特征进行进一步检测筛选包括：
A.在样本集合中，将目标分为几个部件，提取每个部件的灰度级特征，对部件用级联检测器进行训练，弱检测器选择决策树，训练出每个部件的阈值和通过整个目标的阈值；
B.经过第一阶段聚类之后得到的候选区域，对其进行分块，用决策树检测每个部分，得到每个部件的阈值，将每个部件阈值相加，将大于目标阈值的候选区域保留，然后将部件按照顺序组成目标区域。
进一步地，所述S105精确定位目标区域包括：
A.选择复杂的特征对目标提取特征；
B.训练检测器，精确定位出目标区域；
C.对剩下的区域进行检测，提取区域的精细特征，用检测器进行精确定位。
本发明采用随机森林学习到的特征来训练adaboost检测器。将目标分成几个部件，训练出每个部件的阈值，由部件阈值之和来判断是否是目标。另外，本发明中的基于多阶检测器级联的检测器框架，各阶可以采用相同特征或者不同特征来训练检测器，先粗检测目标，再用部件过滤，最后用精细检测器定位的级联结构框架。
附图说明
图1为本发明基于级联多层检测器的快速目标检测方法的步骤流程图。
具体实施方式
本专利公开了一种快速目标检测方案，主要分为三个部分，首先对目标进行粗检测，除去大量的非目标候选框，再用目标部件检测器过滤掉部分非目标区域，最后用精细特征对剩下的区域定位出目标区域，将这三个过程级联起来，就构成了快速目标检测的级联检测器。
下面结合附图对本发明的具体实施方式作进一步详细的说明。
S101,首先生成大量可能包含目标区域的候选框。
根据各种目标特征采集大量信息之后，产生多个可能包含目标区域的候选框。
S102,进入粗检测阶段，选择简单特征进行检测。
在粗检测阶段，为了快速的排除大量非目标候选框，选择简单特征进行检测。
第一阶段进行检测器训练时，对样本集合选择简单的灰度级特征，如灰度差分特征，类Harr特征，梯度幅值特征等，产生大量的特征，形成特征池，这些特征时间复杂度低，适合快速计算，对特征池里面的特征进行随机选择，训练生成n棵随机树，每个随机树深度为d，每个随机树中叶节点的得分值记为s，随机树阈值为t，记录随机选择的特征；然后再用随机森林去检测样本集合，到达每个随机数的叶节点时，取里面的得分值，组合成特征向量，这些特征向量就是自我学习得到的特征，根据学习到的特征，再选用adaboost（SVM）训练出目标检测模型。
第一阶段检测器里的随机森林和adaboost（SVM）可以迭代级联，不过为了达到快速检测，要求迭代次数不能太高。
用第一阶段检测器检测一帧图像时，先生成多层金字塔图像，对每一层金字塔图像，按照一定的步长进行遍历，产生大量的候选框图像；对这些候选框图像提取灰度级特征，用训练好的随机森林检测，选择包含目标图像的候选框。因为灰度级特征时间复杂度低，随机森林检测速度快，这样可以快速的排除大量的没有目标的候选框图像；对选出来的候选框图像，在用随机森林产生自我学习特征，用训练好的adaboost（SVM）进行检测，保留符合的候选框图像。
在第一阶段得到的候选框图像，进行组合聚类，产生一部分候选区域。
S103,将目标进行分块，选择目标部件特征进行进一步检测筛选。在粗检测与细定位之间再加一层检测器，就是目标部件检测器，用它再筛选一些包含目标的区域。
将目标进行分块，如行人分为三个部件，头、上肢、下肢，车辆分为上下左右四个部件。
在样本集合中，将目标分为几个部件，为了加速运算，仍然提取每个部件的灰度级特征，对部件用级联检测器进行训练，弱检测器选择决策树，训练出每个部件的阈值和通过整个目标的阈值。
经过第一阶段聚类之后得到的候选区域，对其进行分块，用决策树检测每个部分，得到每个部件的阈值，将每个部件阈值相加，将大于目标阈值的候选区域保留，然后将部件按照顺序组成目标区域。
S104,使用精细特征训练出来的检测器对余下区域进行检测。
S105，精确定位目标区域。
最后用精细特征训练出来的检测器，对余下区域进行检测，精确定位目标区域。
a、为了精确定位目标区域，可以选择复杂的特征对目标提取特征，特征可为HOG、SIFT等。
b、训练检测器，精确定位出目标区域，检测器可以为adaboost。
c、再对剩下的区域进行检测，提取区域的精细特征，用检测器进行精确定位，因为上面两个阶段已经排除了大量的非目标区域，即使用复杂的特征提取，也可以快速的检测出目标，并且精度非常高。
S106，将粗检测阶段、目标部件检测器、精细检测器级联起来组成级联检测器。
将这三个阶段的检测器，粗检测阶段检测器，目标部件检测器，精检测阶段检测器级联起来，组成级联检测器，可以快速又高精度的检测出目标区域。
本发明采用：
1、用随机森林学习到的特征来训练adaboost检测器。
2、将目标分成几个部件，训练出每个部件的阈值，由部件阈值之和来判断是否是目标。
3、基于多阶检测器级联的检测器框架，各阶可以采用相同特征或者不同特征来训练检测器；先粗检测目标，再用目标部件检测器过滤，最后用精细检测器定位的级联结构框架。
在不损失精度的前提下，降低需检测的候选框数量，缩短了检测时间，大大提高了检测效率。