[發(fā)明專利]一種基于改進(jìn)的HOG特征和PCA的行人檢測方法

有效

• 申請?zhí)枺?/td>: 201210005537.8
• 申請日: 2012-01-10
• 公開（公告）號: CN102609716A
• 公開（公告）日: 2012-07-25
• 發(fā)明（設(shè)計）人: 壽娜;王輝;彭宏;裘加林;孟利民;杜克林;吳越;張標(biāo)標(biāo)
• 申請（專利權(quán)）人: 銀江股份有限公司;杭州銀江智慧醫(yī)療集團(tuán)有限公司
• 主分類號: G06K9/62
• 分類號: G06K9/62
• 代理公司: 杭州天正專利事務(wù)所有限公司 33201
• 代理人: 王兵;王利強(qiáng)

技術(shù)領(lǐng)域

本發(fā)明涉及智能監(jiān)控技術(shù)領(lǐng)域，尤其是一種行人檢測方法。

背景技術(shù)

目前的行人檢測技術(shù)分類方法主要分為兩個方面，一是模板匹配方法，二是基于不同的行人特征來訓(xùn)練分類器。目前的行人檢測系統(tǒng)一般采用第二種方法，其中HOG特征由于能對局部對象外觀和形狀進(jìn)行很好的表征，而且對光照不敏感等優(yōu)點(diǎn)成為目前行人檢測中較為主流的特征提取算法。HOG的不足之處主要在于：對于指定尺寸的樣本集，HOG特征維數(shù)太高，導(dǎo)致訓(xùn)練速度較低。目前應(yīng)用比較普遍的分類算法主要有AdaBoost級聯(lián)分類器和SVM分類器。如專利申請?zhí)枮?01110132331.1，發(fā)明名稱為一種行人檢測方法及裝置的中國發(fā)明專利申請，公開了一種基于AdaBoost級聯(lián)分類器和SVM分類器結(jié)合的行人檢測方法。該算法將兩個分類器級聯(lián)，能降低行人的誤檢率，但是兩種分類器的級聯(lián)明顯增加了算法的復(fù)雜度，降低了檢測速度，而且并沒有考慮漏檢行人的情況，并不能在真正意義上提高行人的檢出率。并且該算法是基于車載行人檢測系統(tǒng)所提出的，圖像感興趣區(qū)域的處理具有一定局限性，如去除圖像上下部分像素的天空和地面場景，以及圖像左右部分像素的馬路兩邊場景等。在很多場合中的傳感器捕捉到的場景并不相同，因此該算法的應(yīng)用場合具有一定局限性。

發(fā)明內(nèi)容

為了克服已有的行人檢測方法的訓(xùn)練速度較低、誤檢率和漏報率較高的不足，本發(fā)明提供一種能夠有效減少訓(xùn)練速度、降低漏報率和誤檢率的基于改進(jìn)的HOG特征和PCA的行人檢測方法。

本發(fā)明解決其技術(shù)問題所采用的技術(shù)方案是：

一種基于改進(jìn)的HOG特征和PCA的行人檢測方法，所述行人檢測方法包括以下步驟：

1)采用HOG特征塊模塊提取訓(xùn)練正樣本圖像中行人梯度信息集中區(qū)域的HOG特征作為改進(jìn)的HOG特征，所述訓(xùn)練正樣本圖像有m個；

2)針對上述改進(jìn)特征矩陣，采用PCA算法，得到用于降低特征維數(shù)處理的投影矩陣B，具體過程如下：

2.1)針對訓(xùn)練樣本特征矩陣中的每個訓(xùn)練正樣本x_i，i＝1，...，m，計算平均向量：

x‾=1mΣi=1mxi;]]>

2.2)計算協(xié)方差矩陣：

C=1mΣi=1mx‾ix‾iT;]]>

2.3)計算C的特征值和特征向量b_i，選擇K個最大的特征向量作為特征子空間的基，由這些基組成投影矩陣B：B＝[b₁，b₂，...，b_K]^T；

3)提取訓(xùn)練樣本的改進(jìn)型HOG訓(xùn)練特征矩陣P，利用投影矩陣B進(jìn)行降維處理，得到最終訓(xùn)練特征矩陣P′：P′＝P×B，利用P′訓(xùn)練支持向量機(jī)SVM分類器；

4)對于任一檢測樣本，提取改進(jìn)型HOG特征向量y并利用投影矩陣B降維，得到最終用于檢測行人的特征向量y′：y′＝y(tǒng)×B。將y′輸入步驟3)中訓(xùn)練得到的SVM分類器進(jìn)行行人的檢測。

進(jìn)一步，所述步驟3)中，所述支持向量機(jī)SVM分類器中，核函數(shù)為高斯徑向基核函數(shù)：其中，k為訓(xùn)練樣本的特征維數(shù)。