[發明專利]一種快速粗精級聯行人檢測方法

有效

• 申請號: 201710261103.7
• 申請日: 2017-04-20
• 公開（公告）號: CN107092884B
• 公開（公告）日: 2020-09-25
• 發明（設計）人: 宋佳穎;宋曉寧;任漢俊
• 申請（專利權）人: 宋佳穎
• 主分類號: G06K9/00
• 分類號: G06K9/00;G06K9/62
• 代理公司: 南京蘇高專利商標事務所(普通合伙) 32204
• 代理人: 李曉靜

1.一種快速粗精級聯行人檢測方法，其特征在于，包括如下步驟：

(a)從視頻中按幀數獲取所有圖像，再依次從圖像中分割出所有的行人，且每個行人受到不同光照，表情以及遮擋環境的影響，將所有行人圖像組合成為訓練樣本集；

(b)對訓練樣本集進行超分辨率重建，通過雙立方插值方法，對行人樣本進行放縮處理，從而擴充了訓練樣本；

(c)對訓練樣本提取特征通道，包括LUV3個顏色通道，1個梯度幅值通道以及6個梯度方向直方圖通道；

(d)對每個特征通道進行濾波，提取濾波后的特征，訓練Adaboost級聯粗分類器；

(e)對粗分類過后的檢測窗口，提取卷積通道特征以及顏色自相似特征，用精細分類器再次進行判別，去除一些錯誤的檢測窗口；

(f)對最終的檢測窗口按置信度進行由大到小排序，為了提高檢測的速度，取前T個檢測窗口，采用非極大值抑制算法，去除一些重復的檢測窗口，得到最終的檢測結果；

其中，步驟(d)的粗分類器通過以下步驟得到：

(d1)對每個特征通道利用維納辛欽理論算法，提取p個去無關的濾波器核，

并對通道圖像進行濾波，將濾波后的圖像級聯作為特征；

(d2)通過Adaboost算法訓練級聯的粗分類器；

步驟(e)中的精細分類器通過以下步驟得到：

(e1)對(c)中的每個特征通道提取PCA核，作為卷積網絡模型中的卷積核；

(e2)對(c)中的每個特征通道的每張圖像提取顏色自相似特征；

(e3)建立卷積網絡模型，將特征通道圖像作為網絡輸入，輸出卷積通道特征；

(e4)將卷積通道特征和顏色自相似特征進行級聯，作為精細特征；

(e5)訓練Adaboost精細分類器。

2.根據權利要求1所述的快速粗精級聯行人檢測方法，其特征在于，所述步驟(d1)包括如下步驟：

(d11)系統有N個訓練樣本，Y＝{y_i},i＝1,2...N，從每個特征通道{f_i,j},i＝1,2...N,j＝1,2...,K，K表示特征通道的個數，學習得到每個通道的去相關濾波器；

(d12)根據維納辛欽理論計算訓練樣本的局部自相關性圖像；

(d13)采用PCA正交分解方法，求得前p個特征向量，并轉換成濾波器核的形式。

3.根據權利要求1所述的快速粗精級聯行人檢測方法，其特征在于，所述步驟(e1)中每個特征通道提取PCA核，包括如下步驟：

(e11)在第j個特征通道上對每張特征圖的每個像素點周圍進行一次k×k的塊采樣，然后對這個塊進行零均值化，則一張通道特征圖中提取的塊表示成：X_i,j＝[x_1,j,x_2,j,...,x_mn,j]∈R^kk×mn，m，n分別表示訓練樣本圖像的寬和高，那么第j個通道中所有特征圖提取的塊表示成：X_j＝[X_1,j,X_2,j,...,X_N,j]∈R^kk×Nmn；

(e12)在第j個通道上使用PCA正交變換方法，將一組相關變量轉化成一組具有線性無關的值，同時對于轉化后的正交向量重構誤差最小化：s.t.VV^T＝I_L,j＝1,2,...,K，其中I_L是一個大小為L×L的單位矩陣，V是由前L個主特征向量構成；

(e13)將V特征向量矩陣中的每個列向量轉換成卷積核W_l,j＝reshape(V_i)∈R^k×k,l＝1,2,...,L，其中reshape(.)表示將V_i列向量轉換成矩陣。