[發(fā)明專利]基于顯著度信息的行人檢測方法

有效

• 申請?zhí)枺?/td>: 201210113196.6
• 申請日: 2012-04-17
• 公開（公告）號: CN102682287A
• 公開（公告）日: 2012-09-19
• 發(fā)明（設(shè)計）人: 李宏亮;邵梟虎
• 申請（專利權(quán)）人: 電子科技大學
• 主分類號: G06K9/00
• 分類號: G06K9/00;G06K9/62
• 代理公司: 電子科技大學專利中心 51203
• 代理人: 李明光

技術(shù)領(lǐng)域

本發(fā)明涉及圖像檢測技術(shù)，特別涉及基于圖像的行人檢測技術(shù)。

背景技術(shù)

近年來行人檢測因為其廣泛的應用受到了研究人員以及商業(yè)公司越來越多的重視，該方面的研究也取得了長足的進步。但是由于行人本身及周圍環(huán)境固有的特點，要做到實時、準確地檢測仍然面臨兩個技術(shù)難點：

1.行人是一個非剛性的物體，因為角度(正面、側(cè)面、背面等)、衣著、遮擋等情況的不同，導致了行人檢測的復雜性。

2.攝影角度和屬性、光照角度和強度、周邊物體的多樣性等都會給精確檢測帶來一定的難度。

行人檢測可以看作為一個二分類問題，而分類問題使用統(tǒng)計學習的方法最為有效。主要包括以下兩個方面：第一，不同特征的提取，例如顏色、邊緣、Haar-like(AdaBoost人臉檢測訓練算法中的一種特征提取方法)、輪廓、梯度等特征；第二，不同分類器的使用，如近鄰法、神經(jīng)網(wǎng)絡(luò)、支撐向量機(SVM)和AdaBoost(Adaboost是一種迭代算法，其核心思想是針對同一個訓練集訓練不同的分類器(弱分類器)，然后把這些弱分類器集合起來，構(gòu)成一個更強的最終分類器(強分類器))、貝葉斯分類器等。

特征提取方面：顏色特征在處理不同衣著或姿勢的行人情況時，有著很大的局限性；Haar-like特征在人臉檢測的算法中取得了巨大成功，但行人較之人臉有很大的不同，僅僅依據(jù)灰度并不能完整地描述行人信息；邊緣方向直方圖(EOH)、梯度方向直方圖(HOG)能夠很好地反映物體的形狀特征，對方向、尺度的變形不敏感，但其維數(shù)較大，計算速度較慢。

分類器方面：目前在使用較為廣泛的分類器主要有支撐向量機(SVM)和AdaBoost以及它們的改進算法。相比于SVM，AdaBoost算法在檢測速度上更勝一籌，特別是在級聯(lián)的AdaBoost分類器，能夠使得檢測速度達到實時性。

目前公認的取得重大突破的行人檢測方法是2005年Dalal和Triggs提出的基于梯度方向直方圖(HOG)和支撐向量機(SVM)的行人檢測方法。在這種算法的基礎(chǔ)上，很多研究人員在特征的提取以及分類器的構(gòu)建有了更進一步的改進。雖然行人檢測已經(jīng)在檢測速度和精度上有了顯著提高，但是仍有許多值得改進的地方。

另一方面，顯著物體檢測作為計算機視覺的一個重要領(lǐng)域在近年來也受到越來越多研究人員的關(guān)注。所謂顯著物體檢測，即提取一幅圖片最容易引起人眼注意的區(qū)域。顯著物體檢測有著廣泛的應用，它可以作為物體檢測、物體分割、圖片重定位等問題的預處理。

發(fā)明內(nèi)容

本發(fā)明所要解決的技術(shù)問題是，提供一種利用顯著檢測提高行人檢測精度的方法。

本發(fā)明為解決上述技術(shù)問題所采用的技術(shù)方案是，基于顯著度信息的行人檢測方法，包括線下訓練步驟、線上檢測步驟；

線下訓練步驟：搜集包含行人的正樣本及不包含行人的負樣本；分別從正樣本以及負樣本中提取特征作為訓練數(shù)據(jù)，構(gòu)造若干弱分類器；再根據(jù)級聯(lián)AdaBoost算法將若干弱分類器組成強分類器，多個強分類器構(gòu)成級聯(lián)分類器；

其特征在于，線上檢測步驟：計算待檢測的圖像的顯著圖；從圖像中提取出檢測子窗口，并根據(jù)顯著圖計算檢測子窗口對應的顯著度；計算檢測子窗口中相應特征，利用級聯(lián)分類器對檢測子窗口中相應特征進行檢測，同時將根據(jù)該檢測子窗口對應的顯著度為級聯(lián)分類器分配調(diào)整系數(shù)，得到分類結(jié)果；最后將所有檢測子窗口對應的分類結(jié)果進行合并，得到行人檢測結(jié)果；當顯著度越高，檢測子窗口被判別為行人窗口的概率越大。

本發(fā)明不同于現(xiàn)有的將顯著信息在圖像處理中的應用。現(xiàn)有的圖像處理識別過程中是先根據(jù)顯著度信息，為之后的圖像識別分配不同的采樣點，即不同的子窗口的掃描范圍和頻率。即顯著度的應用僅僅是為之后的圖像識別確定范圍之用，與之后的圖像識別是相互獨立的。本發(fā)明在現(xiàn)有AdaBoost分類器的基礎(chǔ)上，引入了顯著度信息作為行人檢測的輔助信息，參與到圖像識別的過程中。大多數(shù)情況下，行人較之周圍環(huán)境在顏色和形狀、輪廓方面有很大的不同，利用子窗口的顯著度信息修正分類器的檢測結(jié)果，可有效地提高檢測率、降低誤檢率。

為了提高顯著度的準確性，本發(fā)明進一步提出一種新的顯著圖計算方法，引入了梯度直方圖的特征信息，具體為：

將待測圖像分割為若干區(qū)域；通過計算各區(qū)域與其它區(qū)域的顏色直方圖、梯度直方圖的差異度，得出該區(qū)域的顯著值；

對于圖像中任意區(qū)域r_i，其顯著值S(r_i)為：