[發(fā)明專利]圖像中多分類器集成的行人檢測方法和系統(tǒng)

有效

• 申請?zhí)枺?/td>: 201710386676.2
• 申請日: 2017-05-26
• 公開（公告）號: CN107301378B
• 公開（公告）日: 2020-03-17
• 發(fā)明（設計）人: 張重陽;王丹
• 申請（專利權(quán)）人: 上海交通大學
• 主分類號: G06K9/00
• 分類號: G06K9/00;G06K9/62
• 代理公司: 上海恒慧知識產(chǎn)權(quán)代理事務所(特殊普通合伙) 31317
• 代理人: 徐紅銀

本發(fā)明提供了一種圖像中多分類器集成的行人檢測方法和系統(tǒng)，在訓練階段，利用大尺度訓練數(shù)據(jù)及其特征，訓練得到多個子分類器；再由所述多個子分類器集成為一個大尺度目標分類器；利用小尺度訓練數(shù)據(jù)及其特征，訓練得到多個子分類器；再由所述多個子分類器集成為一個小尺度目標分類器；在檢測階段，對待檢測圖像先通過初始分類器獲得初始行人框；若初始行人框高度大于預設閾值，則送入大尺度目標分類器進行識別；若高度小于等于預設閾值，則送入小尺度目標分類器進行識別。本發(fā)明通過訓練并集成多個分類器來構(gòu)造一個強檢測器，綜合利用目標上下文信息和多組特征進行分類識別，有效提升行人目標檢測的精度。

技術(shù)領域

本發(fā)明涉及計算機視覺技術(shù)領域，具體地，涉及圖像中多分類器集成的行人檢測方法和系統(tǒng)。

背景技術(shù)

目前，較為成熟的行人檢測算法基本可以分為兩類：(1)基于背景建模。即將輸入的靜態(tài)圖像進行場景分割，分割出其前景與背景。再在前景中提取運動目標。(2)基于統(tǒng)計學習。這種方法也是常用的其他剛體目標檢測方法，如車牌、車輛、靜物等。即將所有已知屬于某一類目標的圖像收集起來形成訓練集，基于一個已知的算子對訓練集提取特征，形成包括各種情況的特征庫。提取的特征一般為目標的灰度、紋理、梯度直方圖、邊緣等信息。繼而根據(jù)大量的訓練樣本的特征庫來構(gòu)建行人檢測分類器。分類器一般可用支持向量機(Support Vector Machine，SVM)，Adaboost(迭代弱分類器得到強分類器的算法)及神經(jīng)網(wǎng)絡等。

綜合而言，近年來基于統(tǒng)計學習的行人檢測算法表現(xiàn)較優(yōu)，基于統(tǒng)計學習的行人檢測算法可以分為傳統(tǒng)人工特征行人檢測算法以及深度特征機器學習行人檢測算法。

但是，上述行人檢測算法對于姿態(tài)或距離較遠的行人，容易受到光照、背景、尺度、姿態(tài)等影響，使得檢測結(jié)果發(fā)生非剛體形變，檢測結(jié)果不佳。

發(fā)明內(nèi)容

針對現(xiàn)有技術(shù)中的缺陷，本發(fā)明的目的是提供一種圖像中多分類器集成的行人檢測方法和系統(tǒng)。

根據(jù)本發(fā)明提供的圖像中多分類器集成的行人檢測方法，包括：

獲取待檢測圖像；

基于所述待檢測圖像提取初始候選框；

通過初始分類器判斷初始候選框中的圖像是否為行人目標，所述初始分類器通過訓練圖像集中的所有圖像樣本訓練得到；

若所述初始分類器判斷為行人目標，則判斷初始候選框的高度是否大于預設閾值；

若初始候選框的高度大于預設閾值，則通過大尺度目標分類器對初始候選框的高度大于預設閾值的圖像進行分類識別；其中，通過從所述初始候選框的高度大于預設閾值的訓練圖像樣本中提取到不同特征，并通過所述不同特征訓練得到多個子分類器，由該多個子分類器集成得到所述大尺度目標分類器；

若初始候選框的高度小于等于預設閾值，則通過小尺度目標分類器對初始候選框的高度小于等于預設閾值的圖像進行分類識別；其中，通過對初始候選框的高度小于等于預設閾值的訓練圖像樣本中提取到不同特征，并通過所述不同特征訓練得到多個子分類器，由該多個子分類器集成得到所述小尺度目標分類器；

獲取檢測結(jié)果。

可選地，還可以包括：構(gòu)建針對初始分類器、大尺度目標分類器和小尺度目標分類器的訓練圖像樣本；