[發(fā)明專利]一種基于特征融合的行人檢測方法

在審

• 申請?zhí)枺?/td>: 201410327106.2
• 申請日: 2014-07-09
• 公開（公告）號: CN104091157A
• 公開（公告）日: 2014-10-08
• 發(fā)明（設(shè)計）人: 王敏;陳銳
• 申請（專利權(quán)）人: 河海大學(xué)
• 主分類號: G06K9/00
• 分類號: G06K9/00;G06K9/60;G06K9/66
• 代理公司: 南京蘇高專利商標事務(wù)所(普通合伙) 32204
• 代理人: 婁嘉寧

技術(shù)領(lǐng)域

本發(fā)明屬于計算機視覺中行人檢測領(lǐng)域，特別涉及一種基于特征融合的行人檢測方法。

背景技術(shù)

行人檢測系統(tǒng)涉及模式識別、計算機視覺等諸多學(xué)科和計算機技術(shù)問題，是一個較為復(fù)雜且龐大的工程，在智能汽車、智能交通、視頻監(jiān)控、機器人與高級人機交互等領(lǐng)域中有著很廣泛的應(yīng)用前景。雖然現(xiàn)在已經(jīng)有了初步的研究成果，但是還存在很多難點，如人體自身的非剛性、姿態(tài)、外表和服飾變化等特點，很容易受到光照、天氣和復(fù)雜多變的外部環(huán)境等許多因素的干擾，導(dǎo)致人體檢測成為一個相當(dāng)復(fù)雜的問題面臨諸多挑戰(zhàn)。

目前有許多行人檢測的技術(shù)方法，其中大多數(shù)是基于機器學(xué)習(xí)的檢測方法，主要包括兩個重要方面，一個是特征描述算子，另一個是學(xué)習(xí)算法。特征描述算子有haar-like、HOG(梯度方向直方圖)、LBP(局部二值模式)以及edgelet(邊緣特征)等。學(xué)習(xí)算法有支持向量機(SVM)和級聯(lián)分類器Adaboost。現(xiàn)有的行人檢測技術(shù)有著檢測速度慢、準確率不夠高的缺點。

發(fā)明內(nèi)容

發(fā)明目的：針對現(xiàn)有技術(shù)存在的問題，本發(fā)明提供了一種檢測速度快、準確率高的基于特征融合的行人檢測方法。

發(fā)明內(nèi)容：本發(fā)明提供了一種基于特征融合的行人檢測方法，包括以下步驟：

步驟1：采集圖像；

步驟2：對步驟1采集到的圖像的伽馬(gamma)空間和顏色空間進行標準化處理；

步驟3：對步驟2中獲得的圖像進行像素梯度的計算；

步驟4：對步驟3獲得的圖像進行單元內(nèi)梯度直方圖的統(tǒng)計；

步驟5：對步驟4統(tǒng)計獲得的單元內(nèi)梯度直方圖塊歸一化處理得到塊歸一化直方圖；

步驟6：對步驟5得到塊歸一化直方圖提取特征，得到維度為3780*3780維的HOG特征向量；

步驟7：對步驟6的圖像通過訓(xùn)練樣本的HOG特征，獲得樣本均值，計算特征值、特征向量以及協(xié)方差矩陣U，其中U的矩陣大小為3780*3780；

步驟8：對于協(xié)方差矩陣中的每一個HOG特征值，通過PCA降維公式進行降維，得到具有HOG-PCA特征的p維矩陣；

步驟9：對于步驟1采集的圖像進行圖像分割；

步驟10：求取步驟9分割后的圖像中每塊LBP特征直方圖；

步驟11：對于步驟10得到的LBP特征直方圖進行歸一化直方圖處理；

步驟12：對于步驟11得到歸一化處理后的直方圖提取紋理LBP特征；

步驟13：將步驟8得到的HOG-PCA特征矩陣和步驟12得到的LBP特征矩陣級聯(lián)在一起，得到HOG-PCA-LBP特征矩陣；

步驟14，待所有行人圖像處理完畢輸出結(jié)果。

進一步，所述步驟9中采用16×16塊進行分割對步驟1中采集的圖像進行圖像分割。這樣有助在對分割后的圖像進行紋理特征提取時，不會增加計算的復(fù)雜度，同時保證提取大部分的紋理信息。

有益效果：與現(xiàn)有技術(shù)相比，本發(fā)明通過對圖片中行人特征的融合來檢測行人，能彌補單一特征的局限性從而提高行人檢測率，同時降低維度提高了檢測速度。提出了一種利用PCA降維的HOG與紋理特征LBP融合的行人檢測方法。利用PCA對HOG進行降維，將特征維數(shù)從3780維降低到300維。采用多特征融合的方法，融合LBP紋理特征，與SVM分類器相結(jié)合，在提高HOG-LBP識別率的同時，降低了訓(xùn)練和檢測的時間，且能很好處理行人遮擋問題。

附圖說明

圖1為本發(fā)明的流程示意圖。

具體實施方式

下面結(jié)合附圖，對本發(fā)明進行詳細說明。

如圖1所示，本發(fā)明的基于特征融合的行人檢測方法，其步驟如下

步驟1：采集圖像。

步驟2：對步驟1采集到的圖像的伽馬(gamma)空間和顏色空間進行標準化處理。

平方根gamma標準化可以很好地消除圖像整體光照和對比度的影響。本實施例中采用平方根和log壓縮對采集到的圖像進行去噪，并縮放到相同尺寸。在顏色空間的每個通道上都要使用這兩種方法進行計算。

步驟3：對步驟2中獲得的圖像進行像素梯度的計算；

計算圖像的一階梯度。計算導(dǎo)數(shù)不僅能夠獲得人體輪廓和紋理信息，還能進一步減弱光照的影響。由于HOG特征的運算對模板算子非常的敏感，經(jīng)過試驗對比發(fā)現(xiàn)，反而是最簡單的一維離散微分模板(1,0,+1)及其轉(zhuǎn)置在水平和垂直兩個方向上對圖像各個像素進行梯度計算能夠取得最好的檢測效果。可以通過公式分別計算像素點(x,y)的梯度模值和方向角：