[發(fā)明專利]一種行人識(shí)別及定位方法

在審

• 申請(qǐng)?zhí)枺?/td>: 201811337935.3
• 申請(qǐng)日: 2018-11-12
• 公開（公告）號(hào): CN109614870A
• 公開（公告）日: 2019-04-12
• 發(fā)明（設(shè)計(jì)）人: 張軍;陳偉能;詹志輝;余維杰
• 申請(qǐng)（專利權(quán)）人: 華南理工大學(xué)
• 主分類號(hào): G06K9/00
• 分類號(hào): G06K9/00;G06K9/32;G06K9/62
• 代理公司: 廣州市華學(xué)知識(shí)產(chǎn)權(quán)代理有限公司 44245
• 代理人: 劉巧霞

本發(fā)明公開了一種行人識(shí)別及定位方法，包括訓(xùn)練階段和檢測(cè)階段，訓(xùn)練階段具體包括以下步驟：制作正樣本集和負(fù)樣本集；提取樣本的HOG特征向量；訓(xùn)練SVM分類器。檢測(cè)階段包括：輸入待識(shí)別定位圖像；檢測(cè)個(gè)體對(duì)應(yīng)圖像的一個(gè)矩形區(qū)域；提取矩形區(qū)域的HOG特征向量；利用線性SVM分類器判定矩形窗口是否包含行人；當(dāng)已經(jīng)檢測(cè)完圖像中所有的矩形區(qū)域時(shí)，輸出檢測(cè)結(jié)果，否則繼續(xù)檢測(cè)圖像。本發(fā)明基于HOG?SVM行人識(shí)別框架及多峰分布估計(jì)算法MEDA識(shí)別，在獲得更快的檢測(cè)速度的同時(shí)獲得更準(zhǔn)確的檢測(cè)結(jié)果。

技術(shù)領(lǐng)域

本發(fā)明涉及計(jì)算機(jī)視覺以及智能進(jìn)化算法兩個(gè)領(lǐng)域，特別涉及一種基于HOG-SVM行人識(shí)別框架及多峰分布估計(jì)算法MEDA的識(shí)別及定位行人方法。

背景技術(shù)

行人識(shí)別是目前計(jì)算機(jī)視覺的一個(gè)十分重要也非常富有挑戰(zhàn)性的一個(gè)問(wèn)題。近十年來(lái)，憑借著在智能機(jī)器人、智能駕駛、智能監(jiān)控系統(tǒng)等領(lǐng)域起到越來(lái)越重要的作用，越來(lái)越多的科研者投入到行人識(shí)別的研究工作中。

總的來(lái)說(shuō)，行人識(shí)別可以分成兩個(gè)主要的研究方向。其一是提出新的行人特征描述符，行人特征描述符的作用是從圖像中提取特征，將行人與其他物體區(qū)分開，目前流行的行人特征描述符有HaarWavelet、Learning Shapelet、Histogram of Oriented Gradient(HOG)、self-similarity on color channels(CSS)等，其中，憑借著對(duì)光照變化及行人動(dòng)作的細(xì)微改變的魯棒性，HOG成為了目前最熱門的行人特征描述符。其二是研究如何定位圖像中的行人，即研究如何在一整幅圖像找到其所有行人，目前最普遍使用的定位方法是利用滑動(dòng)窗口去遍歷整幅圖像，輸出所有包含行人的矩形區(qū)域。

基于上述兩個(gè)研究方向，研究人員已經(jīng)提出了許多可行的方法。其中最常見、最基本的行人識(shí)別方法是由Dalal和Triggs于2005年提出的HOG-SVM算法，Dalal和Triggs將他們提出的HOG特征描述符與線性SVM分類器相結(jié)合構(gòu)成HOG-SVM行人識(shí)別框架，并利用滑動(dòng)窗口定位行人，此框架能夠很好地完成行人識(shí)別這一任務(wù)。雖然HOG-SVM在行人識(shí)別問(wèn)題上能夠取得較好的效果，但是HOG-SVM在檢測(cè)率及檢測(cè)速度上仍具有非常大的改善空間。

為了提高HOG-SVM的檢測(cè)效率，研究人員已經(jīng)為此進(jìn)行了大量的工作。其中，Watanabe等人利用co-HOG，即“梯度對(duì)”，代替HOG去描述行人的特征。此外，Walk等人提出一種新的特征描述符——區(qū)域顏色的自相似性，作為HOG的補(bǔ)充特征。以上工作都能很好地提高經(jīng)典HOG-SVM算法的精度，但是隨之也降低了算法的檢測(cè)速度。

為了提高HOG-SVM的檢測(cè)速度，Zhu等人提出利用積分直方圖來(lái)快速計(jì)算行人的HOG特征，并且在Adaboost的基礎(chǔ)上構(gòu)建級(jí)聯(lián)的分類器，Zhu等人的研究能很好地加速傳統(tǒng)HOG-SVM的檢測(cè)過(guò)程，但其訓(xùn)練時(shí)間也大大增加。為在不影響訓(xùn)練速度的前提下提高算法的檢測(cè)速度，一部分研究人員將目光轉(zhuǎn)移到元啟發(fā)式算法上。