专利名称：一种基于组合特征的行人检测方法
技术领域：
本发明涉及ー种基于组合特征的行人检测方法。
背景技术：
近年来，在计算机视频监控领域中，后端智能视频分析是ー个热门的研究領域。而行人检测技术又是ー些智能视频分析技术的先决条件。目前，行人检测有两种方式ー种是基于局部特征的行人检测，ー种是基于全局特征的行人检测。基于局部特征的行人检测优点在于计算速度快，实时性较好，但由于行人在图像中是ー个宏观表现，不像人脸较小一用局部特征(微观)足以描述，用局部特征(微观)很难对行人进行表征；基于全局特征的行人检测优点在于准确率高，由于提取各种各样的行人全局特征，通过训练縮小类间(行人与行人)差异，増大了两类(目标与背景)差异，对行人的描述较准确，但由于特征计算复杂，因此不能达到实时检测行人的目的。
发明内容
本发明为了克服现有复杂场景中行人检测技术的不足，提出一种能准确描述行人且计算简单的行人检测方法，能够很好地平衡检测精度与检测速度。ー种基于组合特征的行人检测方法，分为训练过程和检测过程，先离线训练ー个判别行人的级联分类器，然后通过该级联分类器去检测图像中是否有行人，如果判断有行人则将其标注出来；所述的训练过程具体包括如下步骤步骤11、从包含行人的图像中截取大小为AxB包含行人的窗ロ作为正样本，该η个正样本形成正训练样本集；随机截取大小为AxB不包含行人的窗ロ作为负样本，该m个负样本形成初始负训练样本集，选取h张场景较复杂但不包含行人的图片作为负样本替换集的初始内容；步骤12、在提取正、负训练样本集中所有训练样本的统计结构梯度特征(SSGF)后，将正样本标签置为+1，负样本标签置为-I，设置训练次数初始值t为O ;步骤13、将所有正负训练样本的统计结构梯度特征和对应的样本标签送入支持向量机中进行训练，设定支持向量机的训练參数C=O. 01，核函数kernel (X1, x2) =X1^X2;依照训练次数t，分别得到t个分类器Ht，然后将分类器H1、分类器H2、分类器H3、···、分类器Ht排列组合成级联分类器，每级分类器的判定门限为Θ ；步骤14、检测窗ロ经过级联分类器逐级判断皆为有行人吋，则接受该检测窗ロ，一旦其中一个分类器判断检测窗口内没有行人就拒绝该检测窗ロ ；利用当前级联分类器在预置的负样本替换集中搜寻困难样本，所述的困难样本是指当前级联分类器将无行人的检测窗ロ判别为有行人时的负样本，终止条件如下步骤141、经过步骤13后，若当前m个负样本中被当前级联分类器正确分类的ml个负样本将被丢弃，相应地搜寻ml个困难样本加入负训练样本集中；被当前级联分类器判断为正样本的将被保留下来作为困难样本进入下一轮训练，返回步骤13 ;当m个负样本全部成为困难样本时停止捜索，終止本轮训练；步骤142、对负样本替换集中每个替换样本构建ー组5种尺度缩放因子为O. 8的倍数的金字塔图像，然后让检测窗ロ在金字塔图像上扫描，使用当前级联分类器判断该检测窗口中是否含有行人，若判断存在行人，则执行步骤141，否则一直捜索到负样本替换集穷尽为止，然后终止本轮训练； 步骤15、训练次数t=t+l，重复步骤13至步骤14，得到最终级联分类器；所述的检测过程具体包括如下步骤步骤21、根据待检测图像构建金字塔图像，尺度缩放因子为O. 8 ；步骤22、计算金字塔图像中的LBPU结构图和自然梯度图，以及结构特征积分图和梯度特征积分图；对统计结构梯度特征进行计算并与门限值进行比较，公式为result=wT*f ^ Θ其中，w为分类器，f为特征向量，Θ为分类器的判定门限；其中，统计结构梯度特征计算分为结构特征计算和自然梯度特征计算，即
权利要求
1.ー种基于组合特征的行人检测方法，其特征在于分为训练过程和检测过程，先离线训练一个判别行人的级联分类器，然后通过该级联分类器去检测图像中是否有行人，如果判断有行人则将其标注出来； 所述的训练过程具体包括如下步骤 步骤11、从包含行人的图像中截取大小为AxB包含行人的窗ロ作为正样本，该η个正样本形成正训练样本集；随机截取大小为AxB不包含行人的窗ロ作为负样本，该m个负样本形成初始负训练样本集，选取h张场景较复杂但不包含行人的图片作为负样本替换集的初始内容； 步骤12、在提取正、负训练样本集中所有训练样本的统计结构梯度特征(SSGF)后，将正样本标签置为+1，负样本标签置为-1，设置训练次数初始值t为O ; 步骤13、将所有正负训练样本的统计结构梯度特征和对应的样本标签送入支持向量机中进行训练，设定支持向量机的训练參数C=O. 01，核函数kernel (X1, x2) =X1^X2;依照训练次数t，分别得到t个分类器Ht，然后将分类器H1、分类器H2、分类器H3、···、分类器Ht排列组合成级联分类器，每级分类器的判定门限为Θ ； 步骤14、检测窗ロ经过级联分类器逐级判断皆为有行人吋，则接受该检测窗ロ，一旦其中一个分类器判断检测窗口内没有行人就拒绝该检测窗ロ ；利用当前级联分类器在预置的负样本替换集中搜寻困难样本，所述的困难样本是指当前级联分类器将无行人的检测窗ロ判别为有行人时的负样本，终止条件如下 步骤141、经过步骤13后，若当前m个负样本中被当前级联分类器正确分类的ml个负样本将被丢弃，相应地搜寻ml个困难样本加入负训练样本集中；被当前级联分类器判断为正样本的将被保留下来作为困难样本进入下一轮训练，返回步骤13 ;当m个负样本全部成为困难样本时停止捜索，終止本轮训练； 步骤142、对负样本替换集中每个替换样本构建ー组5种尺度缩放因子为O. 8的倍数的金字塔图像，然后让检测窗ロ在金字塔图像上扫描，使用当前级联分类器判断该检测窗ロ中是否含有行人，若判断存在行人，则执行步骤141，否则一直捜索到负样本替换集穷尽为止，然后终止本轮训练； 步骤15、训练次数t=t+l，重复步骤13至步骤14，得到最终级联分类器； 所述的检测过程具体包括如下步骤 步骤21、根据待检测图像构建金字塔图像，尺度缩放因子为O. 8 ； 步骤22、计算金字塔图像中的LBPU结构图和自然梯度图，以及结构特征积分图和梯度特征积分图； 对统计结构梯度特征进行计算并与分类器的门限值进行比较，公式为result=wT*f ^ θ 其中，w为分类器，f为特征向量，Θ为分类器的判定门限；其中，统计结构梯度特征计算分为结构特征计算和自然梯度特征计算，即 WT * f = [W1WiJr 'へ=(w* Y * /1 + (w2 f * f2 其中，W1为结构特征分类器，W2为自然梯度特征分类器，f1为结构特征，f为自然梯度特征；所述的结构特征积分图为 对于图像中任意一点(X。，Yo)
2.根据权利要求I所述的ー种基于组合特征的行人检测方法，其特征在于所述的统计结构梯度特征提取包括如下步骤 步骤121、对训练样本(I)求取sobel梯度图像(G)，并计算梯度图像(G)中的幅值G :其中 sobel 模板采用
全文摘要
本发明一种基于组合特征的行人检测方法，将一定数量、尺寸相同的训练样本，该训练样本包括包含行人的正样本和随机截取一些不包含行人的背景的负样本；对所述的训练样本提取统计结构梯度特征，然后送入支持向量机中训练得到一个分类器，然后使用级联结构训练一个n层的级联分类器，得到一个离线的级联分类器作为最终的判别行人的分类器，通过该分类器去检测图像或视频中的行人，并将其标注出来；能准确描述行人且计算简单，能够很好地平衡检测精度与检测速度。
文档编号G06K9/62GK102842045SQ201210275898
公开日2012年12月26日 申请日期2012年8月3日 优先权日2012年8月3日
发明者戴声奎, 定志锋 申请人:华侨大学