一种基于线性回归的行人识别方法
【专利摘要】本发明提供一种基于线性回归的行人识别方法，该方法通过选取两类训练图像集合；对选取的两类训练图像进行处理；对处理后的两类训练图像进行建模；对预备测试的图像进行多尺度缩放；然后滑窗处理选取候选区域；再对候选区域进行处理；接着对处理后的数据中的最小二乘参数进行估计；接着计算估计后数值的最近似向量；再计算观测向量与近似向量之间的距离；对候选区域的类别进行判断；再采用非极大抑制算法对重复检测部分进行滤除；最后输出识别结果。该方法无需进行复杂的特征提取与分类器训练过程，实现结构简单，有效提高识别方法的实时性。
【专利说明】ー种基于线性回归的行人识别方法
【技术领域】
[0001]本发明涉及ー种行人识别方法，具体涉及ー种基于线性回归的行人识别方法，属于智能交通【技术领域】。
【背景技术】
[0002]随着汽车的日益普及，道路交通事故成为意外死亡和致残的重要原因，发展车载行人检测系统成为汽车主动安全领域重要的研究课题。行人检测从机器视觉的角度是ー个困难的任务，这主要是因为行人的外观是高度可变的，如人可以穿不同的衣服，携帯不同的物体，有不同的体型等，同时行人检测系统的实时性和鲁棒性要求非常苛刻，要求很低的误警和虚警概率。
[0003]现有的行人检测系统可以采用不同的传感器，如视觉传感器，近红外和远红外传感器、激光雷达等，不同的传感器的特性不同，获取的信息处理起来难易程度、优缺点、方法不尽相同。通过对这些传感器的比较分析，普通视觉传感器有着ー些不可替代的优势，它们价格低廉，提供了可批量生产、推广的解决方案；校准、维护相对容易，如果使用的处理方法得当的话，普通视觉传感器也应该能取得很好的性能。
[0004]目前基于视觉传感器的行人检测系统一般分为外观特征提取和分类学习两部分，常用的外观特征如Harr小波，方向梯度直方图，形状特征和顔色特征等。常用的分类学习方法有Adaboost集成学习、支持向量机，神经网络等。这些方法的关键在于某种最优可分的特征表示，计算时间大量耗费在行人特征的提取和分类器模型的训练上。车载行人检测系统对于实时性有较高要求，现有方法的计算复杂度普遍较高，每帧的检测时间难以满足实车应用的需求。
【发明内容】
[0005]本发明的目的是解决上述行人识别方法的缺点。
[0006]为实现上述发明目的，本发明采用以下技术方案:
[0007]—种基于线性回归的行人识别方法，包括以下步骤:
[0008]I)选取两类训练图像集合；
[0009]2)对选取的两类训练图像进行处理；
[0010]3)对处理后的两类训练图像进行建模；
[0011]4)对预备测试的图像进行多尺度缩放；
[0012]5)滑窗处理选取候选区域；
[0013]6)对候选区域进行处理；
[0014]7)对处理后的数据中的最小ニ乘參数进行估计；
[0015]8)计算估计后数值的最近似向量；
[0016]9)计算观测向量与近似向量之间的距离；
[0017]10)对候选区域的类别进行判断；[0018]11)采用非极大抑制算法对重复检测部分进行滤除；
[0019]12)输出识别結果。
[0020]优选地，上述步骤I中所选取的两类训练图像为行人和非行人图像，具体集合的方法是设每类包含P张训练图像，所有图像进行彩色到灰度的转换，每个灰度图像大小是aXb,并且表示为Uni' e Raxb, m=l, 2，…，p, i=0为非行人类，i=l为行人类。
[0021]优选地，上述步骤3中的建模过程是对每一个灰度图像进行下采样，大小变为CXd，将所有的列连接起来形成ー个向量，其模型为:
【权利要求】
1.ー种基于线性回归的行人识别方法，其特征在于:包括以下步骤: 1)选取两类训练图像集合； 2)对选取的两类训练图像进行处理； 3)对处理后的两类训练图像进行建模； 4)对预备测试的图像进行多尺度缩放； 5)滑窗处理选取候选区域； 6)对候选区域进行处理； 7)对处理后的数据中的最小二乘參数进行估计； 8)计算估计后数值的最近似向量； 9)计算观测向量与近似向量之间的距离； 10)对候选区域的类别进行判断； 11)采用非极大抑制算法对重 复检测部分进行滤除； 12)输出识别结果。
2.根据权利要求1所述的基 于线性回归的行人识别方法，其特征在于:步骤I中所述选取的两类训练图像为行人和非行人图像，具体集合的方法是设每类包含P张训练图像，所有图像进行彩色到灰度的转换，每个灰度图像大小是aXb，并且表示力< e Raxb，m=l, 2，…，p, i=0为非行人类，i=l为行人类。
3.根据权利要求2所述的基于线性回归的行人识别方法，其特征在于:步骤3中所述的建模过程是对每一个灰度图像进行下采样，大小变为c X d，将所有的列连接起来形成一个向量，其模型为:"rぱ~Hf ^R11 , q=cXd, cd〈〈ab。
4.根据权利要求2所述的基于线性回归的行人识别方法，其特征在于:每ー个图像向量都进行标准化使得最大的像素值为1，基于同一类中的对象分布在ー个线性空间上的概念，将第i类对应的P维向量叠放形成类的模型ん，X,.=[吣^,--?,<], i=0, I。
5.根据权利要求4所述的基于线性回归的行人识别方法，其特征在于:步骤4中，是将原始测试图像进行彩色到灰度的转换后，再采用多尺度的缩放处理，形成不同尺度的待测图像 Si, i=l，2，…n。
6.根据权利要求5所述的基于线性回归的行人识别方法，其特征在于:步骤5中所述的滑窗处理选取候选区域，是对所述每ー个待测图像Si中用大小为aXb的窗进行步长r的滑窗提取候选区域，并对每一个候选区域进行下采样，大小变为c X d。
7.根据权利要求6所述的基于线性回归的行人识别方法，其特征在于:所述进行下采样的候选区域，还需将该候选区域转换和标准化形成ー个和模型中形式相同的向量y，如果y属于第i类则它能由对应类的模型的线性组合进行表示，即y=Xi P i，i=0, 1，P i e Rp是一个參数向量，它可以用最小二乘估计进行估算: 為=(XfXy1Xfy。
8.根据权利要求7所述的基于线性回归的行人识别方法，其特征在于:步骤8中所述的最近似向量是用估计參数ガ,乘以训练模型Xi得到观测向量I在第i类子空间上的最近似的向量免
9.根据权利要求8所述的基于线性回归的行人识别方法，其特征在于:步骤9中所述观测向量与近似向量之间的距离具体为计算原始的观测向量y和映射后的近似向量y ^间的欧氏距离:
10.根据权利要求8所述的基于线性回归的行人识别方法，其特征在于:步骤10中所述对重复检测部分进行滤除是在每个尺度图像Si, i=l, 2，一n检测到行人区域后，采用非极大抑制算法对重复检测部分进行滤除，最终输出识别結果。
【文档编号】G06K9/66GK103500346SQ201310469881
【公开日】2014年1月8日 申请日期:2013年10月10日 优先权日:2013年10月10日
【发明者】陈军, 赵世一, 李绍峰 申请人:扬州瑞控汽车电子有限公司