一種基于方向倒角距離特征的行人檢測方法
【技術(shù)領(lǐng)域】
[0001] 本發(fā)明設(shè)及模式識別、機(jī)器學(xué)習(xí)、計(jì)算機(jī)視覺領(lǐng)域，直接應(yīng)用于行人檢測等領(lǐng)域。
【背景技術(shù)】
[0002] 作為多數(shù)計(jì)算機(jī)視覺問題中的重要組成部分，人及人的個體動作、人與人之間的 交互、人與機(jī)器的交互等越來越引起人們的重視。檢測、識別和跟蹤人體成為近些年最具有 挑戰(zhàn)性的課題之一。僅在美國本±，每年近35000起意外交通事故中就有約5000起與行人直 接相關(guān)，所W設(shè)計(jì)實(shí)現(xiàn)自動行人檢測系統(tǒng)已刻不容緩。
[0003] 行人檢測作為識別和跟蹤的基礎(chǔ)步驟，在諸多領(lǐng)域應(yīng)用廣泛：
[0004] 1)視頻監(jiān)控
[0005] 隨著監(jiān)控?cái)z像頭的普及，公共場所的監(jiān)控已經(jīng)在交通疏導(dǎo)、疑犯追蹤、人流量監(jiān)測 等方面起到了重要作用。較大的監(jiān)控區(qū)域和持續(xù)的監(jiān)控時(shí)間都不利于人工監(jiān)控。同時(shí)，人工 進(jìn)行視頻監(jiān)控難W在監(jiān)控同時(shí)完成對視頻主體的有效跟蹤與分析。自動行人檢測技術(shù)的應(yīng) 用可W有效提高視頻監(jiān)控的準(zhǔn)確率和效率，必要時(shí)完成對異常情況的報(bào)警和追蹤，大大減 少人力、物力、財(cái)力的投入。
[0006] 2)智能交通
[0007] 根據(jù)2013年南京市統(tǒng)計(jì)局公布的數(shù)據(jù)顯示，南京全市機(jī)動車擁有量已達(dá)180.68萬 輛，其中私家車擁有量為117.73萬輛，W目前常住人口818.78萬人計(jì)算，平均每7人中就有1 輛私家車。交通擁堵、事故頻發(fā)、疲勞駕駛、停車難等一系列問題逐漸涌現(xiàn)。將行人檢測技術(shù) 作為輔助駕駛系統(tǒng)的一部分，用于提醒駕駛員前方的行人，將極大提高行車安全。事實(shí)上， 目前已有一些行人檢測技術(shù)被應(yīng)用于實(shí)際的智能交通系統(tǒng)中，但是其性能仍未令人滿意。 從Google公司的自動駕駛汽車Google化r上，我們能夠看到行人檢測技術(shù)在智能交通領(lǐng)域 的巨大潛力。
[000引3)多媒體檢索與理解
[0009] 數(shù)字多媒體技術(shù)的迅猛發(fā)展無疑為當(dāng)今的大數(shù)據(jù)時(shí)代創(chuàng)造了更多了解世界、了解 我們自身的契機(jī)。由于數(shù)據(jù)的爆炸性增長，對多媒體數(shù)據(jù)的檢索與理解就顯得尤為重要。 現(xiàn)有的多媒體檢索多依靠于捜索引擎，包括Google、百度、Bing、化hoo!等，然而現(xiàn)有的捜索 技術(shù)在圖像和視頻捜索上遠(yuǎn)不如文檔捜索成熟和高效。作為多媒體的信息來源主體之一， 有關(guān)于人的行為動作等相關(guān)多媒體數(shù)據(jù)極為豐富，也是我們最為關(guān)注的熱點(diǎn)之一。利用行 人檢測技術(shù)實(shí)現(xiàn)對于多媒體數(shù)據(jù)的人物信息檢索和理解，將為下一步的數(shù)據(jù)分類和進(jìn)一步 數(shù)據(jù)理解提供了極大幫助。
[0010] 除了相較于一般人體檢測所具有的兼具剛性和柔性物體的特征，外觀、姿態(tài)、尺 度、遮擋、視角等多變的情況，行人檢測更多面臨的是開放的環(huán)境，不同的光照、天氣、路況 對檢測結(jié)果的影響很大;運(yùn)動的攝像機(jī)帶來的行人檢測問題使得普通的動態(tài)目標(biāo)檢測算法 并不能完全照搬照套，運(yùn)動攝像機(jī)對于運(yùn)動行人的檢測更是難上加難;多數(shù)行人檢測設(shè)備 多采用普通監(jiān)控?cái)z像機(jī)，原始圖像和視頻質(zhì)量得不到保證，也基本沒有紅外和雷達(dá)等的額 外輔助設(shè)備;針對設(shè)及圖像和視頻理解的行人檢測對于具體的情景更加敏感，有時(shí)甚至要 求算法達(dá)到實(shí)時(shí)性，運(yùn)都對行人檢測的研究提出了更多的要求。
[0011] 由于行人檢測技術(shù)的挑戰(zhàn)性和巨大的應(yīng)用前景，越來越多的研究機(jī)構(gòu)、高等院校、 研發(fā)型公司等都投入到運(yùn)項(xiàng)研究中來，包括美國麻省理工學(xué)院、卡內(nèi)基梅隆大學(xué)、日本豐田 汽車研究中屯、、戴姆勒-克萊斯勒研發(fā)中屯、、清華大學(xué)、中科院自動化所、中國科學(xué)技術(shù)大學(xué) 等。經(jīng)過十余年的發(fā)展，1順14、61'山1'師-8^33613、1)日111116'、(：日116油-1]54、1(11'1'1等行人檢 測數(shù)據(jù)集也成為本領(lǐng)域里最具有代表性的一批數(shù)據(jù)集。
[0012] 行人特征描述子一般可W分為底層特征、基于學(xué)習(xí)的特征和混合特征。底層特征 從圖像紋理、梯度等方向描述行人，計(jì)算速度較快，但判別能力較弱，魯棒性不夠;基于學(xué)習(xí) 的特征采用監(jiān)督學(xué)習(xí)技術(shù)，從大量樣本從學(xué)習(xí)判別能力較強(qiáng)的特征，訓(xùn)練使用的正樣本是 否具有代表性直接決定了最終生成特征的判別能力，訓(xùn)練時(shí)間也隨之變化;混合特征則多 為多個底層的融合，有些也添加了學(xué)習(xí)特征的高階統(tǒng)計(jì)特征，一般情況下準(zhǔn)確率更高，但特 征維數(shù)增加，計(jì)算復(fù)雜度較高，不利于實(shí)現(xiàn)算法的實(shí)時(shí)性。表1給出了十余年來典型的行人 檢測算法特點(diǎn)。
[0013]
[0014]
[0015]
[0016] 表1典型行人檢測算法特點(diǎn)
[0017] 可W發(fā)現(xiàn)，行人檢測方法一般可W分為基于表觀的表示方法和基于人體模型的表 示方法?；诒碛^的表示方法側(cè)重于尋找特定的行人描述，可W是單純的圖像顏色信息、灰 度信息、甚至是網(wǎng)格特征等。表觀也可W是行人輪廓或區(qū)域，如Kale等使用行人輪廓判別步 態(tài)，Veerara曲aVan等使用輪廓標(biāo)記點(diǎn)分析人體運(yùn)動。人體運(yùn)動信息也可W通過光流、目標(biāo) 軌跡、速度等表現(xiàn)。表1中列出的行人特征也都屬于基于表觀的表示方法?；谌梭w模型的 表示方法重屯、在于對人體及其運(yùn)動姿態(tài)建模，分析參數(shù)變化識別行人及其運(yùn)動，一般可W 用于手勢識別等比較精細(xì)的運(yùn)動識別。某些行人姿態(tài)檢測算法也采用了類似的方法。對行 人進(jìn)行建模一般使用線圖模型和2D模型。3D模型由于計(jì)算復(fù)雜度過高并且參數(shù)整定困難， 在單一攝像機(jī)或缺乏圖像深度信息的情況下應(yīng)用較少。
[0018] 盡管在行人檢測領(lǐng)域已經(jīng)成果頗豐，但離大規(guī)模實(shí)用化仍有相當(dāng)一段距離，許多 問題仍有待解決，需要我們進(jìn)一步努力探索。

【發(fā)明內(nèi)容】

[0019] 本發(fā)明提供了一種基于方向倒角距離(化iented化amfer Distance,0CD)特征的 行人檢測方法，在回顧了行人檢測領(lǐng)域十余年的研究成果的基礎(chǔ)上，集中不同特征描述方 法各自的優(yōu)勢，設(shè)計(jì)了一種行人輪廓特征描述子OCD特征。同時(shí)，使用Bag Of Words(BOW)模 型中的特征量化方法，提高了特征對噪聲的抗干擾能力，并為OCD特征添加了圖像的多尺度 特征，進(jìn)一步提高了 OCD特征對于行人輪廓的描述能力。
[0020] -種基于方向倒角距離特征的行人檢測方法，其特征在于:包括如下步驟：
[0021] 步驟(1):輸入待檢測圖像，對待檢測圖像進(jìn)行預(yù)處理得到待檢測邊緣圖像；
[0022] 步驟(2):提取方向倒角距離特征，所述方向倒角距離特征為
[0023] dA(X) = (l-人）?山ham'T(X)+A ?山rient(x) (8)
[0024] 其中，A為方向特異性參數(shù)，表征基本倒角距離定義和其方向定義的權(quán)重；
[0025] 步驟（3): W方向倒角距離作為距離度量比較經(jīng)步驟（1)處理的待檢測邊緣圖像 輪廓與模板圖像輪廓的相似性判斷待檢測邊緣圖像是否為行人圖像;模板圖像為已判斷為 是行人輪廓的圖像。
[0026] 對所述步驟(1)得到的所述待檢測邊緣圖像進(jìn)行圖像塊有效性判斷，過程如下：
[0027] 步驟(11):獲取步驟(1)處理后待檢測邊緣圖像的圖像塊序列；
[0028] 步驟（12):選取其中某一圖像塊，判斷選取的圖像塊是否有效;若無效，則重復(fù)本 步驟重新選取另一圖像塊;若有效，貝峭巧專到步驟（13);其中，所述圖像塊的有效性根據(jù)圖 像塊間的方向倒角距離大小判斷；
[0029] 步驟(13):得到有效圖像塊序列;確定所有圖像塊的有效性是否已經(jīng)判斷完畢;若 未判斷完畢，則返回步驟(12);若已經(jīng)判斷完畢，則得到有效圖像塊序列。
[0030] 本發(fā)明提供了一種基于方向倒角距離特征的行人檢測方法，本發(fā)明將原始倒角距 離特征進(jìn)行擴(kuò)展，加入輪廓方向特征，并進(jìn)一步對特征進(jìn)行碼本和多尺度描述，形成具有尺 度不變性的強(qiáng)OCD特征，針對人體輪廓特征表示的特點(diǎn)，并使用BOW模型和圖像多尺度結(jié)構(gòu)， 提高了 OCD特征對噪聲的抗干擾能力，充分提升了行人檢測系統(tǒng)的正確率。
【附圖說明】
[0031 ]圖1為傳統(tǒng)模式識別流程。
[0032] 圖2為方向倒角距離示意圖。
[0033] 圖3為本發(fā)明行人檢測實(shí)驗(yàn)流程圖。
[0034] 圖4為本發(fā)明OCD特征提取流程圖。
[0035] 圖5為化nny算子邊緣檢測流程圖。
[0036] 圖6為不同輪廓檢測方法在Weizmann數(shù)據(jù)集上的匹配結(jié)果。
[0037] 圖7為實(shí)驗(yàn)正樣本舉例。
[003引圖8為CART示例圖。
[0039] 圖9為兩層CART的5-fold交叉驗(yàn)證特征選擇結(jié)果對比圖。
[0040] 圖10為S層CART特征選擇結(jié)果對比圖。
[0041] 圖11為分類器過擬合示意圖。
[0042] 圖12為5-fold SVM參數(shù)grid-search優(yōu)化結(jié)果對比圖。
[0043] 圖13為SVM參數(shù)PSO優(yōu)化結(jié)果對比圖。
[0044] 圖14為SVM參數(shù)GA優(yōu)化結(jié)果對比圖。
[0045] 圖15為不同采樣窗口數(shù)下的OCD特征統(tǒng)計(jì)分布圖。
[0046] 圖16為不同融合闊值下的OCD特征統(tǒng)計(jì)分布圖。
【具體實(shí)施方式】
[0047] 下面結(jié)合附圖對本發(fā)明的技術(shù)方案進(jìn)行詳細(xì)說明：
[0048] 按照傳統(tǒng)模式識別理論，行人檢測問題可W按照圖1轉(zhuǎn)化為一個二分類問題，即判 別輸入圖像是否為行人。運(yùn)樣，行人檢測的重點(diǎn)在于特征提取和分類器設(shè)計(jì)兩個部分。
[0049] 行人檢測領(lǐng)域的經(jīng)典特征包括Haar-Iike特征、HOG化istOgram ofOriented Gradient)特征、輪廓特征等。作為普通的目標(biāo)分類問題，貝有SIFT(Scale Invariant Fea1:ure Transform)特征、SURF(Speeded-Up Robust Fea1:ures)特征和其他特征描述子。 分類器也已經(jīng)存在較