[發明專利]基于稀疏編碼特征的深度圖像人體檢測方法及系統

有效

• 申請號: 202010175838.X
• 申請日: 2020-03-13
• 公開（公告）號: CN111414827B
• 公開（公告）日: 2022-02-08
• 發明（設計）人: 胡亮
• 申請（專利權）人: 四川長虹電器股份有限公司
• 主分類號: G06V10/40
• 分類號: G06V10/40;G06V10/774;G06V20/52;G06V40/10;G06K9/62
• 代理公司: 成都虹橋專利事務所(普通合伙) 51124
• 代理人: 李凌峰

1.基于稀疏編碼特征的深度圖像人體檢測方法，其特征在于，包括以下步驟：

步驟1.獲取多個深度圖像，在所述深度圖像中標注人體，得到包含人體圖像的目標圖像和不包含人體圖像的背景圖像組成的訓練集；

步驟2.從所述人體圖像中采樣圖像小塊并生成字典，根據所述字典計算各深度圖像的稀疏編碼特征；

步驟3.根據所述稀疏編碼特征和訓練集訓練得到分類模型；

步驟4.計算待檢測深度圖像的稀疏編碼特征，并將其輸入所述分類模型中，以得出待檢測深度圖像是否包含人體以及人體的位置。

2.如權利要求1所述的基于稀疏編碼特征的深度圖像人體檢測方法，其特征在于，步驟1中，所述在深度圖像中標注人體具體包括：

將深度圖像的深度值線性轉換為灰度圖像，并用矩形框標注人體圖像。

3.如權利要求1所述的基于稀疏編碼特征的深度圖像人體檢測的方 法，其特征在于，步驟2中，所述從人體圖像中采樣圖像小塊具體包括：

將標注的所有人體圖像縮放至第一預設大小，對于每個人體圖像，截取第二預設大小的圖像小塊，將所有圖像小塊按先行后列展成列向量，得到集合Y＝{y₁，...，y_n}，其中，列向量y_i表示一個圖像小塊。

4.如權利要求3所述的基于稀疏編碼特征的深度圖像人體檢測方法，其特征在于，步驟2中，所述生成字典具體包括：

根據字典學習算法K-SVD優化以下目標函數，得到最優的字典：

其中，D表示字典，D＝{d₁,d₂,...,d_m}，m表示字典長度，d_i表示與圖像小塊y_i大小相同的列向量，K表示設定編碼的稀疏程度，X表示稀疏編碼，X＝{x₁,x₂,...,x_n}，x_i表示大小為m的列向量。

5.如權利要求1所述的基于稀疏編碼特征的深度圖像人體檢測方法，其特征在于，步驟2中，所述根據字典計算各深度圖像的稀疏編碼特征具體包括：

將人體圖像縮放到第一預設大小，并計算背景圖像的圖像金字塔序列，對于這些深度圖像的每一個像素點，以其為中心截取第二預設大小的圖像小塊，根據所述字典和正交匹配跟蹤算法計算得到該像素的稀疏編碼；

將所述深度圖像切割成大于圖像小塊大小的細胞單元，再把像素點的稀疏編碼絕對值向量分配到最近的四個細胞單元，當所有稀疏編碼分配完成后，對于每一個細胞單元都進行二范數歸一化，得到該深度圖像的m*細胞單元數目大小的稀疏編碼特征。

6.如權利要求5所述的基于稀疏編碼特征的深度圖像人體檢測方法，其特征在于，步驟3中，所述根據稀疏編碼特征和訓練集訓練得到分類模型具體包括：

步驟A.將從目標圖像中縮放至第一預設大小的人體圖像作為正樣本，從背景圖像的圖像金字塔序列中選取與人體圖像縮放后大小相同的圖像作為負樣本，并將正樣本和負樣本的稀疏編碼特征輸入分類模型進行訓練。

7.如權利要求6所述的基于稀疏編碼特征的深度圖像人體檢測方法，其特征在于，所述步驟A之后還包括：

步驟B.基于訓練好的分類模型從背景圖像中找出分類錯誤或者位于分類間隔內的困難負樣本；

步驟C.使用困難負樣本和正樣本重新訓練分類模型；

步驟D.重復步驟B和步驟C直到滿足預設條件。

8.如權利要求1所述的基于稀疏編碼特征的深度圖像人體檢測方法，其特征在于，所述步驟4具體包括：

計算待檢測深度圖像的金字塔序列，在金字塔各層滑動獲取第一預設大小的圖像框，并計算其稀疏編碼特征，將稀疏編碼特征輸入分類模型，使用非極大值抑制檢測所述待檢測深度圖像是否包含人體以及人體位置。