[發明專利]基于特征組合的行人檢測方法及裝置

無效

• 申請號: 201210295506.0
• 申請日: 2012-08-20
• 公開（公告）號: CN103632170A
• 公開（公告）日: 2014-03-12
• 發明（設計）人: 周建波;吳澤俊;陳東偉
• 申請（專利權）人: 深圳市漢華安道科技有限責任公司
• 主分類號: G06K9/66
• 分類號: G06K9/66;G06K9/46
• 代理公司: 東莞市中正知識產權事務所 44231
• 代理人: 徐康

技術領域

本發明涉及車輛的安全駕駛和圖像處理技術領域，尤其涉及一種基于特征組合的行人檢測方法及裝置。

背景技術

在智能監控、智能交通和機器人等領域，行人的檢測具有很高的應用價值。如今，計算機發展十分迅速，計算機的性能越來越強，而價格卻越來越低。人們希望通過計算機的介入，幫助實現圖像中行人的快速檢測。因此，行人檢測成了研究的熱點。

典型的行人檢測方法包括基于輪廓的圖像匹配和基于特征的統計學方法。在運動情況下，行人檢測不僅具有服飾變化、姿態變化等難點，還受到路況、天氣和光線的影響，因此對算法的魯棒性和實時性要求很高。現有的行人檢測技術普遍采用基于Haar特征的Adaboost分類方法，雖然在行人檢測的效率上比較好，但卻有較多的誤檢，因此需要提高檢測的準確率。

發明內容

本發明所要解決的技術問題是，提供一種基于特征組合的行人檢測方法及裝置，并解決降低誤檢率和提高準確率的技術問題。

為達到上述目的，本發明提供一種行人檢測方法和行人檢測裝置，行人檢測方法包括：行人的正負樣本的訓練，提取樣本的Hog特征和LBP特征，并組合成樣本的特征向量，然后通過一個由簡到繁的級聯的線性SVM分類器將級聯拒絕的機制與樣本特征向量相結合，實現了一個級聯的線性SVM分類器；行人檢測裝置包括：（1）圖像采集模塊：利用車載攝像頭采集汽車前方的圖像；（2）圖像檢測和處理模塊：對采集的圖像進行去噪，增強處理，再利用加載的分類器進行行人檢測；（3）圖像顯示模塊：將采集的圖像中的行人用矩形框標識出來，并在車載DVD顯示屏上進行提示。

上述的一種基于特征組合的行人檢測方法及裝置，所述的Hog特征的提取包括以下步驟：（1）行人樣本的Hog特征提取：讀取每一個行人樣本進行gamma壓縮，Gamma壓縮是減少光照變化和局部陰影對圖像分析計算的影響。計算每個樣本的各個通道的梯度，將每個樣本從空間上分割成成若干個相同大小的單元，幾個相鄰的單元組合塊，并計算單元方向梯度直方圖，將每一個樣本的所有Hog描述器進行歸一化，所有的Hog描述器集合成一個大的描述器，代表每一個樣本的Hog特征向量。

上述的一種基于特征組合的行人檢測方法及裝置，所述的LBP特征的提取主要包括：根據上述Hog特征的提取對樣本圖像分塊，然后對每個組合塊子圖像使用LBP算子進行特征提取，最后對提取的特征向量歸一化處理。

上述的一種基于特征組合的行人檢測方法及裝置，所述的特征組合是將上述每個樣本的Hog特征向量和LBP特征向量串聯起來組合成樣本新的特征向量。

上述的一種基于特征組合的行人檢測方法及裝置，所述的級聯的線性SVM行人分類器是一個分段線性判別函數，它的訓練從根本上說是分層學習問題，每層都是一個線性分類器，通過逐級增加特征的精度來實現由簡到繁，逐級地濾除非人體窗口，且每層都要保證極高的正樣本檢測率，允許適當的負樣本錯分；在當前負樣本集中，每層的分類器都盡可能多的排除負樣本，以求用最少的線性分類器解決問題。

附圖說明

圖1是本發明實施例中的行人檢測裝置模塊圖；

圖2是本發明實施例中的梯度處理后的樣本對比圖；

圖3是本發明實施例中的樣本被劃分為若干相同大小的單位方向的示意圖；

圖4是本發明實施例中的SVM分類器訓練流程圖。

具體實施方式

下面通過具體實施方式結合附圖對本發明作進一步詳細說明，本實施例在本發明技術方案為前提下進行實施，給出了詳細的實施方式和具體的操作過程，但本發明的保護范圍不限于下述的實施例。

本發明的主要是先采集大量的行人的正負樣本，在計算機上分別提取樣本的Hog特征和LBP特征，并將提取的特征串聯組合成樣本新的特征向量；然后用級聯的線性SVM的方法分類器將級聯拒絕的機制與樣本特征向量相結合，實現了一個級聯的線性SVM行人分類器，最后將分類器加載到圖像處理模塊進行行人檢測。

本發明實施例中分類器的訓練如圖1所示，主要包括：樣本Hog特征的提取，LBP特征的提取，特征組合，級聯SVM的訓練學習。

分類器的訓練在計算機上完成的，采集了m張正樣本，正樣本圖像包括各種姿態的行人，如蹲著，橫跨馬路，打著雨傘等，采集了n張負樣本，負樣本為不包含行人的圖像，如馬路，汽車，天空等，對所有的樣本圖片進行歸一化為相同的尺寸。

本發明實施案例樣本的Hog特征的提取主要包括以下步驟：