[發(fā)明專利]基于第二代條帶波變換的人體檢測(cè)方法

無效

• 申請(qǐng)?zhí)枺?/td>: 200910021724.3
• 申請(qǐng)日: 2009-03-30
• 公開（公告）號(hào): CN101520839A
• 公開（公告）日: 2009-09-02
• 發(fā)明（設(shè)計(jì)）人: 韓紅;李陽陽;焦李成;伍星;王爽;楊淑媛;岳立川
• 申請(qǐng)（專利權(quán)）人: 西安電子科技大學(xué)
• 主分類號(hào): G06K9/00
• 分類號(hào): G06K9/00;G06K9/62
• 代理公司: 陜西電子工業(yè)專利中心
• 代理人: 王品華;黎漢華

技術(shù)領(lǐng)域

本發(fā)明屬于模式識(shí)別技術(shù)領(lǐng)域，涉及人體檢測(cè)方法，可用于對(duì)圖像中的人體及其它復(fù)雜目標(biāo)的分類與檢測(cè)。

背景技術(shù)

人體檢測(cè)在計(jì)算機(jī)視覺中有許多重要的應(yīng)用，如視頻監(jiān)控、智能汽車及智能交通、機(jī)器人和高級(jí)人機(jī)交互等。然而，由于人體自身姿態(tài)的變化、衣服的多樣性和光照等因素的影響，人體的外觀變化非常大，導(dǎo)致人體檢測(cè)成為一個(gè)非常困難的問題。

目前，靜態(tài)圖像中人體檢測(cè)的方法主要有基于人體模型的方法、基于模板匹配的方法和基于統(tǒng)計(jì)分類的方法。基于人體模型的方法有明確的模型，可以處理遮擋問題，并且可以推斷出人體的姿態(tài)。缺點(diǎn)是模型的構(gòu)建比較難，求解也比較復(fù)雜。基于模板匹配的方法計(jì)算簡(jiǎn)單，缺點(diǎn)是由于人體姿態(tài)的復(fù)雜性，很難構(gòu)造出足夠的模板以處理不同的姿態(tài)。基于統(tǒng)計(jì)分類的方法通過機(jī)器學(xué)習(xí)從一系列訓(xùn)練數(shù)據(jù)中學(xué)習(xí)得到一個(gè)分類器，用該分類器來表示人體，然后利用該分類器對(duì)輸入窗口進(jìn)行分類及識(shí)別。基于統(tǒng)計(jì)分類的方法的優(yōu)點(diǎn)是比較魯棒，缺點(diǎn)是需要很多訓(xùn)練數(shù)據(jù)，并且很難解決姿態(tài)和遮擋的問題。

基于統(tǒng)計(jì)分類的方法主要包括兩個(gè)步驟：特征提取和分類器設(shè)計(jì)。其中所選特征的表征能力將直接影響分類器的性能。目前所選的特征包括：原始灰度特征空間、Haar小波特征、形狀描述符特征、Gabor特征、有向梯度直方圖HOG特征和SIFT特征等。其中HOG特征提取方法的提取速度快，檢測(cè)正確率也較高，由此，近年來得到了廣泛的應(yīng)用。如何進(jìn)一步提高檢測(cè)的正確率，成為該研究領(lǐng)域的核心問題之一。

根據(jù)分類器的設(shè)計(jì)方法，現(xiàn)有的基于統(tǒng)計(jì)分類的方法可分為基于神經(jīng)網(wǎng)絡(luò)NN的方法、基于支持向量機(jī)SVM的方法和基于Adaboost的方法。AdaBoost是一種具有自適應(yīng)性的Bosting算法，它通過建立多學(xué)習(xí)機(jī)組合使得弱學(xué)習(xí)機(jī)的性能得到提升，由于其獨(dú)有的對(duì)學(xué)習(xí)機(jī)性能的自適應(yīng)和對(duì)過學(xué)習(xí)現(xiàn)象的免疫性，近年來引起了廣泛的關(guān)注。

傳統(tǒng)的基于圖像邊緣的表示方法僅通過圖像的邊緣來描述其幾何特性，不僅不嚴(yán)格，而且很難較好地刻畫圖像。為此，法國學(xué)者Pennec和Mallat等引入了幾何流來刻畫圖像的幾何性質(zhì)，于2000年提出了第一代條帶波Bandelet變換。但其計(jì)算復(fù)雜度高，而且由于其非正交性，在曲波變換時(shí)會(huì)引入邊界效應(yīng)。為此，法國學(xué)者G.Peyré和S.Mallat在2004年提出了第二代Bandelet變換，避免了第一代Bandelet變換的重采樣和彎曲等繁雜操作，通過多尺度分析和幾何方向分析共同完成圖像的分解。多尺度分析通過二維標(biāo)準(zhǔn)小波變換完成，幾何方向分析通過幾何正交方向上的一維小波變換完成。

目前，基于第二代Bandelet變換的研究主要集中于圖像的壓縮和降噪中。由于其能夠更好的表示圖像，所以，如何將其應(yīng)用于圖像的特征提取，從而實(shí)現(xiàn)對(duì)特定目標(biāo)的分類和識(shí)別，成為其研究領(lǐng)域的一大熱點(diǎn)。

發(fā)明內(nèi)容

本發(fā)明的目的是從圖像的幾何流特性出發(fā)，提出一種基于第二代條帶波變換的人體檢測(cè)方法，以進(jìn)一步提高人體檢測(cè)的正確率。

實(shí)現(xiàn)本發(fā)明目的的技術(shù)方案是：利用條帶波Bandelet變換具有沿幾何流方向的多尺度變換的優(yōu)點(diǎn)，以Bandelet變換之后的Bandelet系數(shù)及其統(tǒng)計(jì)特征作為人體圖像的特征，通過AdaBoost訓(xùn)練這些特征，得到分類器，并使用窗口掃描實(shí)現(xiàn)對(duì)靜態(tài)圖像中人體的檢測(cè)。具體過程如下：

(1)以INRIA數(shù)據(jù)庫為基礎(chǔ)，通過負(fù)樣本的自舉操作獲取大量的負(fù)樣本，并與數(shù)據(jù)庫中其它的正樣本一起構(gòu)成訓(xùn)練樣本集；

(2)提取訓(xùn)練樣本集中所有訓(xùn)練樣本的Bandelet聯(lián)合特征組成一個(gè)樣本特征集，利用AdaBoost算法進(jìn)行分類訓(xùn)練，得到一個(gè)分類器；

(3)輸入任意大小的被測(cè)圖像，計(jì)算其Bandelet系數(shù)矩陣；

(4)根據(jù)所得的Bandelet系數(shù)矩陣，計(jì)算被測(cè)圖像中所有掃描窗口的Bandelet聯(lián)合特征，輸入到步驟(2)中所得的分類器中進(jìn)行分類；

(5)根據(jù)分類器輸出的分類結(jié)果，利用主窗口合并法，對(duì)所有分為人體的掃描窗口進(jìn)行組合，形成最終的人體檢測(cè)結(jié)果。

本發(fā)明與現(xiàn)有的技術(shù)相比具有以下優(yōu)點(diǎn)：

1、由于本發(fā)明使用了兩種不同的特征提取方法進(jìn)行負(fù)樣本的自舉操作，使得在獲得大量負(fù)樣本的同時(shí)，所獲得的負(fù)樣本也更具代表性，其構(gòu)成的樣本集訓(xùn)練的分類器具有更好的分類性能。