專利名稱：一種基于組合特征的行人檢測方法
技術(shù)領(lǐng)域：
本發(fā)明涉及ー種基于組合特征的行人檢測方法。
背景技術(shù)：
近年來，在計算機視頻監(jiān)控領(lǐng)域中，后端智能視頻分析是ー個熱門的研究領(lǐng)域。而行人檢測技術(shù)又是ー些智能視頻分析技術(shù)的先決條件。目前，行人檢測有兩種方式ー種是基于局部特征的行人檢測，ー種是基于全局特征的行人檢測。基于局部特征的行人檢測優(yōu)點在于計算速度快，實時性較好，但由于行人在圖像中是ー個宏觀表現(xiàn)，不像人臉較小一用局部特征(微觀)足以描述，用局部特征(微觀)很難對行人進行表征；基于全局特征的行人檢測優(yōu)點在于準確率高，由于提取各種各樣的行人全局特征，通過訓(xùn)練縮小類間(行人與行人)差異，増大了兩類(目標與背景)差異，對行人的描述較準確，但由于特征計算復(fù)雜，因此不能達到實時檢測行人的目的。

發(fā)明內(nèi)容
本發(fā)明為了克服現(xiàn)有復(fù)雜場景中行人檢測技術(shù)的不足，提出一種能準確描述行人且計算簡單的行人檢測方法，能夠很好地平衡檢測精度與檢測速度。ー種基于組合特征的行人檢測方法，分為訓(xùn)練過程和檢測過程，先離線訓(xùn)練ー個判別行人的級聯(lián)分類器，然后通過該級聯(lián)分類器去檢測圖像中是否有行人，如果判斷有行人則將其標注出來；所述的訓(xùn)練過程具體包括如下步驟步驟11、從包含行人的圖像中截取大小為AxB包含行人的窗ロ作為正樣本，該η個正樣本形成正訓(xùn)練樣本集；隨機截取大小為AxB不包含行人的窗ロ作為負樣本，該m個負樣本形成初始負訓(xùn)練樣本集，選取h張場景較復(fù)雜但不包含行人的圖片作為負樣本替換集的初始內(nèi)容；步驟12、在提取正、負訓(xùn)練樣本集中所有訓(xùn)練樣本的統(tǒng)計結(jié)構(gòu)梯度特征(SSGF)后，將正樣本標簽置為+1，負樣本標簽置為-I，設(shè)置訓(xùn)練次數(shù)初始值t為O ;步驟13、將所有正負訓(xùn)練樣本的統(tǒng)計結(jié)構(gòu)梯度特征和對應(yīng)的樣本標簽送入支持向量機中進行訓(xùn)練，設(shè)定支持向量機的訓(xùn)練參數(shù)C=O. 01，核函數(shù)kernel (X1, x2) =X1^X2;依照訓(xùn)練次數(shù)t，分別得到t個分類器Ht，然后將分類器H1、分類器H2、分類器H3、···、分類器Ht排列組合成級聯(lián)分類器，每級分類器的判定門限為Θ ；步驟14、檢測窗ロ經(jīng)過級聯(lián)分類器逐級判斷皆為有行人吋，則接受該檢測窗ロ，一旦其中一個分類器判斷檢測窗口內(nèi)沒有行人就拒絕該檢測窗ロ ；利用當(dāng)前級聯(lián)分類器在預(yù)置的負樣本替換集中搜尋困難樣本，所述的困難樣本是指當(dāng)前級聯(lián)分類器將無行人的檢測窗ロ判別為有行人時的負樣本，終止條件如下步驟141、經(jīng)過步驟13后，若當(dāng)前m個負樣本中被當(dāng)前級聯(lián)分類器正確分類的ml個負樣本將被丟棄，相應(yīng)地搜尋ml個困難樣本加入負訓(xùn)練樣本集中；被當(dāng)前級聯(lián)分類器判斷為正樣本的將被保留下來作為困難樣本進入下一輪訓(xùn)練，返回步驟13 ;當(dāng)m個負樣本全部成為困難樣本時停止捜索，終止本輪訓(xùn)練；步驟142、對負樣本替換集中每個替換樣本構(gòu)建ー組5種尺度縮放因子為O. 8的倍數(shù)的金字塔圖像，然后讓檢測窗ロ在金字塔圖像上掃描，使用當(dāng)前級聯(lián)分類器判斷該檢測窗口中是否含有行人，若判斷存在行人，則執(zhí)行步驟141，否則一直捜索到負樣本替換集窮盡為止，然后終止本輪訓(xùn)練； 步驟15、訓(xùn)練次數(shù)t=t+l，重復(fù)步驟13至步驟14，得到最終級聯(lián)分類器；所述的檢測過程具體包括如下步驟步驟21、根據(jù)待檢測圖像構(gòu)建金字塔圖像，尺度縮放因子為O. 8 ；步驟22、計算金字塔圖像中的LBPU結(jié)構(gòu)圖和自然梯度圖，以及結(jié)構(gòu)特征積分圖和梯度特征積分圖；對統(tǒng)計結(jié)構(gòu)梯度特征進行計算并與門限值進行比較，公式為result=wT*f ^ Θ其中，w為分類器，f為特征向量，Θ為分類器的判定門限；其中，統(tǒng)計結(jié)構(gòu)梯度特征計算分為結(jié)構(gòu)特征計算和自然梯度特征計算，即
權(quán)利要求
1.ー種基于組合特征的行人檢測方法，其特征在于分為訓(xùn)練過程和檢測過程，先離線訓(xùn)練一個判別行人的級聯(lián)分類器，然后通過該級聯(lián)分類器去檢測圖像中是否有行人，如果判斷有行人則將其標注出來； 所述的訓(xùn)練過程具體包括如下步驟 步驟11、從包含行人的圖像中截取大小為AxB包含行人的窗ロ作為正樣本，該η個正樣本形成正訓(xùn)練樣本集；隨機截取大小為AxB不包含行人的窗ロ作為負樣本，該m個負樣本形成初始負訓(xùn)練樣本集，選取h張場景較復(fù)雜但不包含行人的圖片作為負樣本替換集的初始內(nèi)容； 步驟12、在提取正、負訓(xùn)練樣本集中所有訓(xùn)練樣本的統(tǒng)計結(jié)構(gòu)梯度特征(SSGF)后，將正樣本標簽置為+1，負樣本標簽置為-1，設(shè)置訓(xùn)練次數(shù)初始值t為O ; 步驟13、將所有正負訓(xùn)練樣本的統(tǒng)計結(jié)構(gòu)梯度特征和對應(yīng)的樣本標簽送入支持向量機中進行訓(xùn)練，設(shè)定支持向量機的訓(xùn)練參數(shù)C=O. 01，核函數(shù)kernel (X1, x2) =X1^X2;依照訓(xùn)練次數(shù)t，分別得到t個分類器Ht，然后將分類器H1、分類器H2、分類器H3、···、分類器Ht排列組合成級聯(lián)分類器，每級分類器的判定門限為Θ ； 步驟14、檢測窗ロ經(jīng)過級聯(lián)分類器逐級判斷皆為有行人吋，則接受該檢測窗ロ，一旦其中一個分類器判斷檢測窗口內(nèi)沒有行人就拒絕該檢測窗ロ ；利用當(dāng)前級聯(lián)分類器在預(yù)置的負樣本替換集中搜尋困難樣本，所述的困難樣本是指當(dāng)前級聯(lián)分類器將無行人的檢測窗ロ判別為有行人時的負樣本，終止條件如下 步驟141、經(jīng)過步驟13后，若當(dāng)前m個負樣本中被當(dāng)前級聯(lián)分類器正確分類的ml個負樣本將被丟棄，相應(yīng)地搜尋ml個困難樣本加入負訓(xùn)練樣本集中；被當(dāng)前級聯(lián)分類器判斷為正樣本的將被保留下來作為困難樣本進入下一輪訓(xùn)練，返回步驟13 ;當(dāng)m個負樣本全部成為困難樣本時停止捜索，終止本輪訓(xùn)練； 步驟142、對負樣本替換集中每個替換樣本構(gòu)建ー組5種尺度縮放因子為O. 8的倍數(shù)的金字塔圖像，然后讓檢測窗ロ在金字塔圖像上掃描，使用當(dāng)前級聯(lián)分類器判斷該檢測窗ロ中是否含有行人，若判斷存在行人，則執(zhí)行步驟141，否則一直捜索到負樣本替換集窮盡為止，然后終止本輪訓(xùn)練； 步驟15、訓(xùn)練次數(shù)t=t+l，重復(fù)步驟13至步驟14，得到最終級聯(lián)分類器； 所述的檢測過程具體包括如下步驟 步驟21、根據(jù)待檢測圖像構(gòu)建金字塔圖像，尺度縮放因子為O. 8 ； 步驟22、計算金字塔圖像中的LBPU結(jié)構(gòu)圖和自然梯度圖，以及結(jié)構(gòu)特征積分圖和梯度特征積分圖； 對統(tǒng)計結(jié)構(gòu)梯度特征進行計算并與分類器的門限值進行比較，公式為result=wT*f ^ θ 其中，w為分類器，f為特征向量，Θ為分類器的判定門限；其中，統(tǒng)計結(jié)構(gòu)梯度特征計算分為結(jié)構(gòu)特征計算和自然梯度特征計算，即 WT * f = [W1WiJr 'へ=(w* Y * /1 + (w2 f * f2 其中，W1為結(jié)構(gòu)特征分類器，W2為自然梯度特征分類器，f1為結(jié)構(gòu)特征，f為自然梯度特征；所述的結(jié)構(gòu)特征積分圖為 對于圖像中任意一點(X。，Yo)
2.根據(jù)權(quán)利要求I所述的ー種基于組合特征的行人檢測方法，其特征在于所述的統(tǒng)計結(jié)構(gòu)梯度特征提取包括如下步驟 步驟121、對訓(xùn)練樣本(I)求取sobel梯度圖像(G)，并計算梯度圖像(G)中的幅值G :其中 sobel 模板采用
全文摘要
本發(fā)明一種基于組合特征的行人檢測方法，將一定數(shù)量、尺寸相同的訓(xùn)練樣本，該訓(xùn)練樣本包括包含行人的正樣本和隨機截取一些不包含行人的背景的負樣本；對所述的訓(xùn)練樣本提取統(tǒng)計結(jié)構(gòu)梯度特征，然后送入支持向量機中訓(xùn)練得到一個分類器，然后使用級聯(lián)結(jié)構(gòu)訓(xùn)練一個n層的級聯(lián)分類器，得到一個離線的級聯(lián)分類器作為最終的判別行人的分類器，通過該分類器去檢測圖像或視頻中的行人，并將其標注出來；能準確描述行人且計算簡單，能夠很好地平衡檢測精度與檢測速度。
文檔編號G06K9/62GK102842045SQ201210275898
公開日2012年12月26日 申請日期2012年8月3日 優(yōu)先權(quán)日2012年8月3日
發(fā)明者戴聲奎, 定志鋒 申請人:華僑大學(xué)