专利名称：基于surf高效匹配核的人体检测方法
技术领域：
本发明属于图像处理技术领域，涉及静态人体检测方法，可用于智能监控、驾驶员辅助系统、人体运动捕捉、色情图片过滤和虚拟视频。
背景技术：
在计算机视觉领域中人体检测是一门应用前景十分广阔的技术，人体检测在多个领域都有较好的应用前景，但是由于人体姿态的多祥性，背景的混杂以及衣服纹理，光照条件，自身遮挡等多方面的因素导致人体检测成为ー个非常困难的问题。目前，静态图像中人体检测的方法主要有基于运动特性的检测方法、基于人体模型的方法和基于统计分类的方法。基于运动特性的检测方法是利用人体稳定时的姿态变化以及人体的対称性呈周 期变化这一特性，在时域里构造自相似矩阵，通过人体周期性的运动变化反映出不同与其他物质运动的性质，并利用这种分析方法把运动人体检测出来，但是该方法算法复杂度大，对人体运动稳定性要求较高。基于人体模型的方法，要有明确的人体模型，然后根据模型构造的各个部位与人体之间的关系进行人体识别。这种方法可以处理遮挡问题，并且可以推断出人体的姿态。但是这种方法的不足是模型的构建困难，求解复杂。基于统计分类的方法，通过机器学习从一系列训练数据中学习得到一个分类器，用该分类器来表示人体，然后利用该分类器对输入进行分类及识别。基于统计分类的方法的优点是检测结果稳定，效果较好，缺点是需要很多训练数据，并且很难解决光线不足和背景混杂的问题。其中基于SURF Speed Up Robust Feature高效匹配核的人体检测方法,其输入分类器的图像特征是ー种基于局部的图像表征方法，能避免传统的背景复杂问题，可以得到更好的人体检测結果。
发明内容
本发明目的是针对上述已有技术的不足，提出的一种基于SURF高效匹配核的人体检测方法，以降低图像特征提取的复杂度，提高特征的表征能力，有效的提高人体检测的
正确率。本发明的技术方案通过如下步骤实现(I)从法国国家信息与自动化研究所INRIA数据库中通过自举操作获取负样本，并与数据库中其它的正样本一起构成整个人体训练样本集；(2)将每幅训练样本图像分割为8X8像素格子，每个格子分别按16和25像素大小的图像尺度采样，提取所有训练图像的SURF描述子特征点F ；(3)通过对所有训练图像的SURF描述子特征点F进行随机采样，获得整个训练样本350维的视觉词汇，用获得的350维视觉词汇构成初始基向量R ；(4)将初始基向量R，利用带约束的核奇异值分解CKSVD进行字典学习，得到最大核函数特征r;(5)通过最大化特征值提取抑制相似的最大核函数特征r，并按降序提取核函数特征值，删除最大值ー样的元素，得到特征向量G，对每个不同图像尺度的图像特征G进行加权求和，得到所有图像尺度的特征G'
权利要求
1.一种基于SURF高效匹配核的人体检测方法，包括如下步骤 (1)从法国国家信息与自动化研究所INRIA数据库中通过自举操作获取负样本，并与数据库中其它的正样本一起构成整个人体训练样本集； (2)将每幅训练样本图像分割为8X8像素格子，每个格子分别按16和25像素大小的图像尺度采样，提取所有训练图像的SURF Speed Up Robust Feature描述子特征点F ； (3)通过对所有训练图像的SURF描述子特征点F进行随机采样，获得整个训练样本350维的视觉词汇，用获得的350维视觉词汇构成初始基向量R ； (4)将初始基向量R，利用带约束的核奇异值分解CKSVD进行字典学习，得到最大核函数特征r ； (5)通过最大化特征值提取法，抑制相似的最大核函数特征r，并按降序提取核函数特 征值，删除最大值ー样的元素，得到特征向量G，对每个不同图像尺度的图像特征G进行加权求和，得到所有图像尺度的特征G' G' =GXA1, 其中，A1为不同图相尺度的权重，I = [I, 2], A1，Wl = l/Pl，P是提取的SURF特征点的图像尺度的像素大小，p = {16，25}； (6)储存所有图像尺度的特征G'，选择G'中类似高斯分布的低维特征h，作为最终图像的SURF高效匹配核特征X ； (7)使用支持矢量机SVM分类器对所得到的SURF高效匹配核特征X进行分类训练，得到最終用于检测的分类器； (8)输入待检测图像，利用已经得到的分类器确定最終的检测結果。
2.根据权利要求I所述的方法，其中步骤2)中所述的提取所有训练图像的SURF描述子特征点F，按如下步骤进行 2a)将第j幅训练图像分割为8X8像素格子，每个格子分别按16和25像素大小的图像尺度采样，获得第i幅训练图像的SURF SpeedUp Robust Feature特征点Fj ； 2b)按照步骤2a)提取所有训练图像的SURF描述子特征点F，其中，F= (F1. . . , Fj. . . , FJ，j G [I, M]，M 为训练样本数。
3.根据权利要求I所述的方法，其中步骤(3)中所述的获得整个训练样本350维的视觉词汇，按如下步骤进行 3a)对每一幅训练样本图像，在8X8的图像格子上，按照16，25个像素大小尺度，分别随机抽样15个由步骤(2)得到的SURF特征点，记为厂.i表示第i幅训练图像； 3b)重复步骤3a)，提取所有的训练样本的SURF特征点，记为F'，定义350个聚类中心，利用k-means聚类方法对F'中相似的SURF特征点进行聚类，获得整个训练样本350维的视觉词汇。
4.根据权利要求I所述方法，其中步骤(8)所述的输入待检测图像，利用已经得到的分类器确定最終的检测结果，按如下步骤进行 (Sa)输入被检测的图像，将被检测图像左上角的ー个大小为128X64像素的区域作为第一个扫描窗ロ，每向右平移8个像素或向下平移16个像素作为ー个新的扫描窗ロ，由此得到ー组扫描窗ロ，输入步骤(7)所得分类器，得到各个扫描窗ロ的分类器分数；(8b)根据扫描窗ロ的分类器分数判断被测图像中是否包含人体，若分类器输出的扫描窗ロ含有人体，则从所有的含有人体的扫描窗口中，找出分类器分数最高的扫描窗ロ作为主窗ロ ； (8c)对主窗ロ与其他人体窗ロ进行组合判定，当其他人体窗ロ处于主窗ロ周围且重叠大于1/2时,将此窗ロ与主窗ロ组合,获得组合后的人体窗ロ ； (Sd)保留组合后的人体窗ロ，删除主窗ロ及所有參与组合的人体窗ロ ； (8e)若 还有剩余的人体窗ロ，则再找出其中分类器分数最高的人体窗ロ作为主窗ロ，并重复步骤(Sb)-(Sd)； (Sf)在被测人体图像上标出所有检测结果，作为被测图像最終的人体检测结果，采用矩形框表示检测結果，将被检测出的人体处于矩形框内。
全文摘要
本发明提出了一种基于SURF高效匹配核人体检测方法，主要解决现有方法不能较好处理图像背景混杂的问题。其实现过程是:在INRIN数据库中通过自举获得负样本，与数据库中正样本一起构成整个人体的训练样本集；对训练样本在不同图像尺度下提取SURF描述子特征点；随机采样提取特征点构成视觉词汇的初始向量基；对初始向量基使用带约束的奇异值分解获得最大核函数特征；对不同图像尺度下的最大核函数特征进行加权获得所有图像尺度下的特征；对得到的特征利用SVM分类器进行分类训练，得到检测分类器；将待检测图像输入到分类器中得到最终的检测结果。本发明能够准确检测人体，可用于智能监控、驾驶员辅助系统和虚拟视频。
文档编号G06K9/62GK102810159SQ20121019652
公开日2012年12月5日 申请日期2012年6月14日 优先权日2012年6月14日
发明者韩红, 王瑞, 谢福强, 李晓君, 顾建银, 张红蕾, 韩启强, 刘三军, 郭玉言, 甘露 申请人:西安电子科技大学