[發(fā)明專(zhuān)利]一種行人檢測(cè)方法

在審

• 申請(qǐng)?zhí)枺?/td>: 201910086310.2
• 申請(qǐng)日: 2019-01-29
• 公開(kāi)（公告）號(hào): CN109948432A
• 公開(kāi)（公告）日: 2019-06-28
• 發(fā)明（設(shè)計(jì)）人: 潘鈺華
• 申請(qǐng)（專(zhuān)利權(quán)）人: 江蘇裕蘭信息科技有限公司
• 主分類(lèi)號(hào): G06K9/00
• 分類(lèi)號(hào): G06K9/00;G06K9/62
• 代理公司: 寧波象山甬恒專(zhuān)利代理事務(wù)所(普通合伙) 33270
• 代理人: 顧賽喜

本發(fā)明提供的一種行人檢測(cè)方法，包括步驟：S100訓(xùn)練SVM分類(lèi)器，以人頭和雙腿為正樣本，以行人背景作為負(fù)樣本，訓(xùn)練兩個(gè)SVM分類(lèi)器；S200將待檢測(cè)的圖像構(gòu)造圖像金字塔；S300滑動(dòng)窗口，在圖像金字塔的各個(gè)尺度上截取目標(biāo)窗口；S400對(duì)目標(biāo)窗口提取HOG特征；S500將S400中提取的HOG特征送入SVM分類(lèi)器中，分類(lèi)判斷目標(biāo)窗口是行人的頭部、行人的雙腿或行人背景；S600根據(jù)S500中檢測(cè)到的頭部和雙腿結(jié)果來(lái)組合行人，判斷待檢圖像中是否含有行人。從而通過(guò)檢測(cè)人頭和雙腿的組合策略來(lái)提高檢測(cè)行人率，從而基于SVM和HOG的行人檢測(cè)識(shí)別方法解決行人檢測(cè)率不高的問(wèn)題。

技術(shù)領(lǐng)域

本發(fā)明涉及智能識(shí)別技術(shù)領(lǐng)域，具體地說(shuō)，是一種基于SVM和HOG的行人檢測(cè)識(shí)別方法，適用于智能輔助駕駛，智能監(jiān)控，行人分析以及智能機(jī)器人等領(lǐng)域。

背景技術(shù)

近年來(lái)，隨著智能檢測(cè)的快速發(fā)展，行人檢測(cè)也進(jìn)入了一個(gè)較快的發(fā)展階段，但是還存在很多問(wèn)題有待解決，尤其是在性能和速度方面難以達(dá)到平衡。

目前行人檢測(cè)技術(shù)大概可以分為兩類(lèi)：1、基于背景建模，利用背景建模方法，提取出前景運(yùn)動(dòng)的目標(biāo)，在目標(biāo)區(qū)域內(nèi)進(jìn)行特征提取，然后利用分類(lèi)器進(jìn)行分類(lèi)，判斷是否包含行人，背景建模目前主要存在的問(wèn)題：(1)必須適應(yīng)環(huán)境的變化(比如光照的變化造成圖像色度的變化)；(2)相機(jī)抖動(dòng)引起畫(huà)面的抖動(dòng)(比如手持相機(jī)拍照時(shí)候的移動(dòng))；

(3)圖像中密集出現(xiàn)的物體(比如樹(shù)葉或樹(shù)干等密集出現(xiàn)的物體，要正確的檢測(cè)出來(lái))；(4)必須能夠正確的檢測(cè)出背景物體的改變(比如新停下的車(chē)必須及時(shí)的歸為背景物體，而有靜止開(kāi)始移動(dòng)的物體也需要及時(shí)的檢測(cè)出來(lái))；(5)物體檢測(cè)中往往會(huì)出現(xiàn)Ghost區(qū)域，Ghost區(qū)域也就是指當(dāng)一個(gè)原本靜止的物體開(kāi)始運(yùn)動(dòng)，背景差檢測(cè)算法可能會(huì)將原來(lái)該物體所覆蓋的區(qū)域錯(cuò)誤的檢測(cè)為運(yùn)動(dòng)的，這塊區(qū)域就成為Ghost，當(dāng)然原來(lái)運(yùn)動(dòng)的物體變?yōu)殪o止的也會(huì)引入Ghost區(qū)域，Ghost區(qū)域在檢測(cè)中必須被盡快的消除。

2、基于統(tǒng)計(jì)學(xué)習(xí)的方法，這也是目前行人檢測(cè)最常用的方法，根據(jù)大量的樣本構(gòu)建行人檢測(cè)分類(lèi)器。提取的特征主要有目標(biāo)的灰度、邊緣、紋理、顏色、梯度直方圖等信息。分類(lèi)器主要包括神經(jīng)網(wǎng)絡(luò)、SVM、adaboost以及現(xiàn)在被應(yīng)用于計(jì)算機(jī)視覺(jué)的深度學(xué)習(xí)。但是統(tǒng)計(jì)學(xué)習(xí)目前存在以下難點(diǎn)：(1)行人的姿態(tài)、服飾各不相同、復(fù)雜的背景、不同的行人尺度以及不同的光照環(huán)境；(2)提取的特征在特征空間中的分布不夠緊湊；(3)分類(lèi)器的性能受訓(xùn)練樣本的影響較大；(4)離線訓(xùn)練時(shí)的負(fù)樣本無(wú)法涵蓋所有真實(shí)應(yīng)用場(chǎng)景的情況。

目前的行人檢測(cè)基本上都是基于法國(guó)研究人員Dalal在2005的CVPR發(fā)表的HOG+SVM的行人檢測(cè)算法(Histograms of Oriented Gradients for Human Detection,Navneet Dalel,Bill Triggs,CVPR2005)。另外，為了解決速度問(wèn)題可以采用背景差分法的統(tǒng)計(jì)學(xué)習(xí)行人檢測(cè)，前提是背景建模的方法足夠有效(即效果好速度快)，目前獲得比較好的檢測(cè)效果的方法通常采用多特征融合的方法以及級(jí)聯(lián)分類(lèi)器，常用的特征有Harry-like、Hog特征、LBP特征、Edgelet特征、CSS特征、COV特征、積分通道特征以及CENTRIST特征。

發(fā)明內(nèi)容

本發(fā)明的主要目的在于提供一種行人檢測(cè)方法，其克服現(xiàn)有技術(shù)的不足，通過(guò)檢測(cè)人頭和雙腿的組合策略來(lái)提高檢測(cè)行人率，從而基于SVM和HOG的行人檢測(cè)識(shí)別方法解決行人檢測(cè)率不高的問(wèn)題。

本發(fā)明的另一目的在于提供一種行人檢測(cè)方法，其通過(guò)快速有效的檢測(cè)，以保證自動(dòng)駕駛期間對(duì)行人的安全不會(huì)產(chǎn)生威脅，適用于智能輔助駕駛。

達(dá)到以上目的，本發(fā)明采用的技術(shù)方案為一種行人檢測(cè)方法，其包括步驟：

S100訓(xùn)練SVM分類(lèi)器，以人頭和雙腿為正樣本，以行人背景作為負(fù)樣本，訓(xùn)練兩個(gè)SVM分類(lèi)器；

S200將待檢測(cè)的圖像構(gòu)造圖像金字塔；