一种针对灾害现场人体搜寻的图像特征的制作方法

本发明涉及一种人体搜寻的图像特征。特别是涉及一种针对灾害现场人体搜寻的图像特征。
背景技术：
：人员搜寻是灾后救援行动中的首要任务，其自动化程度是影响搜救效率的关键性问题。而将计算机视觉作为人员搜寻的实现手段，能够充分利用视觉传感器体积小、重量轻、价格便宜等优势，有效减少救援机器人或无人机的负载和成本，增加其灵活性和推广性。基于视觉的目标检测是机器视觉领域中的一个重要分支，而作为该分支中的的经典问题，人体检测一直受到研究者的关注。尽管由于检测目标多变的姿态、穿着以及环境的照明、背景等带来了众多挑战，但人体检测在某些领域，比如行人检测，还是取得了很大进步，其中方向梯度直方图(HistogramofOrientedGradient，HOG)特征自2005年由Dalal和Triggs提出后，一直是行人检测领域中应用最成功、最广泛的图像特征。与行人检测相比，用于搜救任务的灾害现场人体检测研究却并未得到那么多的关注。[AUAVsearchandrescuescenariowithhumanbodydetectionandgeolocalization[J].AdvancesinArtificialIntelligence,2007]首先使用红外图像进行初筛，然后通过可见光图像作进一步识别；[VisionBasedVictimDetectionfromUnmannedAerialVehicles[C].IEEE/RSJInternationalConferenceonIntelligentRobotsandSystems(IROS),2010]将几种行人检测方法应用于无人机救援任务中，证明了基于部件模型相对于整体模型表现更为出色。与具有直立姿态(站立或行走)的行人相比，灾害现场中的人体在图像中呈现出更丰富的形态，其中最重要也是最基础的特点是不确定角度的平面旋转。而上述关于灾害现场人体检测的研究都采用了最简单的策略解决该问题，即逐步旋转待测图像，从不同方向进行多次检测。这种方法要求多次的图像旋转、特征提取和分类操作，引入了大量的浮点数插值运算，使得检测效率存在一定限制，并且图像旋转时的插值失真也会削弱检测精度。因此，如何快速有效地解决人体检测中的旋转问题，对于提高灾后搜救效率具有十分重要的意义。最近的一篇综述(Tenyearsofpedestriandetection,whathavewelearned？[C].ComputerVision-ECCV2014Workshops,2014)指出相对于分类方法，图像特征在视觉检测过程中的作用更为重要。技术实现要素：本发明所要解决的技术问题是，提供一种能够有效简化对旋转人体的检测过程的针对灾害现场人体搜寻的图像特征。本发明所采用的技术方案是：一种针对灾害现场人体搜寻的图像特征，包括如下步骤：1)设置统计区域的空间划分形式，包括：(1)在正方形检测窗中，以检测窗中心为原点构建极坐标系；采用扇环作为方向梯度统计的最小空间单元，称为细胞，然后将相邻的多个细胞组成重叠区域，称为块；(2)设置检测窗、细胞和块的尺度参数，包括检测窗大小、细胞大小、每个块包含的细胞个数以及块与块之间的重合程度；(3)在上述极坐标系下，根据检测窗内各像素点的极坐标值，划分细胞单元，得到每个细胞包含的像素点集；2)计算径向-切向坐标系下的像素点梯度幅值和方向，包括：(1)在图像坐标系下，根据检测窗内各像素点的坐标值，离线计算各像素点的径向单位向量和切向单位向量；(2)对于每个像素点的径向-切向坐标系，是由所述像素点的径向单位向量和切向单位向量构成，将所述的像素点的径向-切向坐标系作为计算所述像素点梯度的参考坐标系，计算所述像素点的梯度幅值和梯度方向；3)统计每个细胞内的方向梯度直方图(1)将每个像素点梯度方向的变化范围0-360°均匀等分成4个以上区间；(2)在细胞内，根据各像素点的梯度方向，将各像素点的梯度幅值，累加至方向梯度直方图的相应区间，得到所述细胞的方向梯度直方图；4)计算每个块的方向梯度直方图将每个块所包含的细胞的方向梯度直方图串联起来，经归一化处理后，作为对应块的方向梯度直方图；5)计算检测窗所覆盖图像的扇环形方向梯度直方图特征在检测窗内，根据所建立的极坐标系，由内至外绕极坐标原点一周收集每个块内的方向梯度直方图，串联后得到所述检测窗所覆盖图像的扇环状方向梯度直方图特征。本发明的一种针对灾害现场人体搜寻的图像特征，遵循了行人检测领域成熟特征方向梯度直方图(HistogramofOrientedGradient，HOG)的计算框架，对其梯度方向计算方式及统计区域划分方式进行了改进，得到扇环形方向梯度直方图(Sector-ringHOG，SRHOG)特征，能够有效简化对旋转人体的检测过程。即本发明通过改变原有HOG特征中梯度方向计算方法以及统计区域的空间划分形式，实现了针对旋转人体的快速检测，在保证检测效率的同时，提高检测精度；此外，本发明遵循HOG特征的实现框架，使得针对HOG特征的改进方法同样适用于SRHOG特征，极大地扩展了SRHOG的发展和应用前景；最后，本发明中SRHOG特征的实现方法对其他图像特征的改进也有着重要的借鉴价值。附图说明图1是SRHOG特征中统计区域空间划分示意图；图中，1：检测窗；2：细胞单元；3：块；4：统计区域图2a是D-SRHOG的空间分布示意图；图2b是A-SRHOG的空间分布示意图；图3是HOG与SRHOG中像素点的梯度方向示意图；图4是像素点在径向-切向坐标系下的梯度计算示意图；图5a是D-SRHOG中块和细胞的空间示意图；图5b是D-SRHOG中块中细胞在径向和切向的梯度插值示意图；图5c是D-SRHOG中块中细胞在方向维度的梯度插值示意图；图6a是A-SRHOG中块和细胞的空间示意图；图6b是A-SRHOG中块中细胞在径向和切向的梯度插值示意图；图6c是A-SRHOG中块中细胞在方向维度的梯度插值示意图。具体实施方式下面结合实施例和附图对本发明的一种针对灾害现场人体搜寻的图像特征做出详细说明。本发明从图像特征构建的角度出发，提供一种针对灾害现场人体检测的图像特征，以快速有效地解决灾后人员搜寻过程中的平面旋转问题。本发明对行人领域中最为成功的方向梯度直方图(HistogramofOrientedGradient，HOG)特征进行改进，得到一种新的特征，即扇环形方向梯度直方图(Sector-ringHOG，SRHOG)。该特征能够将目标在图像中的平面旋转简化为特征向量的循环移位，避免了传统检测方法中的图像旋转和多次特征提取，从而提高检测效率。SRHOG特征提取的具体技术方案如下：本发明的一种针对灾害现场人体搜寻的图像特征，包括如下步骤：1)设置统计区域的空间划分形式，为保证旋转过程中，统计区域包含的像素点不发生变化，本发明选用正方形作为检测窗形状，并将正方形内切圆中的像素点作为统计对象。尽管使用圆环形作为梯度方向统计的最小空间单元(细胞)是保证特征旋转不变的最佳选择，但其有限的辨识能力限制了在人体这类复杂目标检测上的应用。为此，如图1所示，以检测窗中心为原点构建极坐标系，采用扇环(即被扇形截得的圆环的一部分)作为细胞的实现形状。在完成细胞划分的基础上，构建由多个细胞组成的重叠扇环块。由于细胞单元为扇环形，因此新特征被称作Sector-ringHOG，简称SRHOG。设置统计区域的空间划分形式具体包括：(1)在正方形检测窗中，以检测窗中心为原点构建极坐标系；采用扇环作为方向梯度统计的最小空间单元，称为细胞，然后将相邻的多个细胞组成重叠区域，称为块；(2)设置检测窗、细胞和块的尺度参数，包括检测窗大小、细胞大小、每个块包含的细胞个数以及块与块之间的重合程度；(3)计算每个细胞包含的像素点集；具体是采用下述公式计算每个细胞包含的像素点集：Cell(i,j)＝Points(Di-1<ρ<Di)∩Points(Aj-1<θ<Aj)(1)其中，i,j为细胞下标，Points代表检测窗内所有的像素点，ρ,θ为像素点的极坐标值，Di,表示细胞划分过程中的径向边界坐标值，单位是像素距离，Aj表示细胞划分过程中的环向边界坐标值，单位是角度；Aj可通过以下公式计算得出：Aj=j2πm---(2)]]>其中j＝0,1,…,m，m为环向细胞划分个数；细胞在径向的划分可分为两种方式，如图2a和图2b所示，一种是基于径向距离相等原则，称之为等距离扇环形方向梯度直方图，表示为D-SRHOG；一种是基于细胞面积相等原则，称之为等面积扇环形方向梯度直方图，表示为A-SRHOG。因此，Di的计算也分为两种情况。对于等距离扇环形方向梯度直方图，Di采用以下公式计算得出：Di=iDmaxn---(3)]]>对于等面积扇环形方向梯度直方图，Di采用以下公式计算得出：Di=iDmaxn---(4)]]>其中i＝0,1,…,n，Dmax是检测窗内切圆半径，n为径向细胞划分个数。2)计算径向-切向坐标系下的像素点梯度幅值和方向，在HOG特征中，梯度方向定义为像素点梯度与水平或垂直方向夹角。以图3中像素点p为例，其用于HOG特征计算的梯度方向为α；当整个图像旋转角度θ后，p点到达p’点，梯度改变为g′，导致梯度方向成为α’。而α’＝α+θ，两者并不相等，表明图像的旋转导致像素点对特征的贡献量发生了变化，使得HOG特征不具备旋转不变性。为此，本发明采用动态的径向-切向局部坐标系来描述梯度。如图3所示，像素点p的(r,t)坐标系即为该点的径向-切向坐标系，其基向量为像素点p相对于圆心C在径向和切向上的单位向量，此时梯度方向可定义为梯度与(r,t)坐标系坐标轴(径向或切向)之间的角度β。当图像旋转后，在p’得到的梯度方向β′依然等于之前的梯度方向β，保证了旋转过程中，每个像素点的特征贡献值不会发生变化。对于径向-切向坐标系下的像素点梯度幅值和梯度方向计算，本发明采用如图4所示的梯度投影方法实现。计算径向-切向坐标系下的像素点梯度幅值和方向包括：(1)在图像坐标系下，根据检测窗内各像素点的坐标值，离线计算各像素点的径向单位向量和切向单位向量；其中所述的计算各像素点的径向单位向量是采用如下公式：ri=A-C||A-C||---(5)]]>其中ri为像素点的径向单位向量，A是该像素点的坐标值，C是检测窗中心的坐标值。所述的计算各像素点的切向单位向量是采用如下公式：ti=Rπ2ri---(6)]]>其中，ti为像素点的环向单位向量,ri为像素点的径向单位向量，为逆时针旋转90度时的旋转矩阵。(2)对于每个像素点的径向-切向坐标系，是由所述像素点的径向单位向量和切向单位向量构成，将所述的像素点的径向-切向坐标系作为计算所述像素点梯度的参考坐标系，计算所述像素点的梯度幅值和梯度方向；得到所述像素点的梯度幅值G是采用如下公式：G=gR2+gT2---(7)]]>所述的计算所述像素点的梯度方向β是采用如下公式：β=arctan(gTgR)---(8)]]>在上式中，gR＝gX·ri+gY·ri(9)gT＝gX·ti+gY·ti(10)其中，gX是使用一维掩膜[-101]对图像进行卷积运算所得到的各像素点在水平方向上的梯度分量，gY是使用一维掩膜[10-1]T对图像进行卷积运算所得到的各像素点在竖直方向上的梯度分量，ti为像素点的环向单位向量,ri为像素点的径向单位向量。3)统计每个细胞内的方向梯度直方图(1)将每个像素点梯度方向的变化范围0-360°均匀等分成4个以上区间，构建基于方向的直方图；(2)在细胞内，根据各像素点的梯度方向，将各像素点的梯度幅值，累加至方向梯度直方图的相应区间，得到所述细胞的方向梯度直方图；将各像素点的梯度幅值，累加至方向梯度直方图的相应区间的过程中，需要在包含多个细胞的块上应用高斯空域窗口调整像素点权重，使靠近块中心的像素点权重大，靠近块边缘的像素点权重小；为了减弱块(由多个细胞组成的区域)之间相互重叠带来的混叠效应，在进行直方图统计时需要使用梯度插值对直方图进行修正，即将每个像素点梯度在三个维度上(两个坐标维度和一个方向维度)进行插值运算。此时，细胞中的像素点的梯度不仅被统计在当前细胞的直方图中，也被统计在该像素点临近细胞的直方图中。为方便叙述，以每个块包含2×2共4个细胞为例进行插值计算说明。如图5a～图5c所示，5a为D-SRHOG中块和所包含细胞的实际空间分布，5b是D-SRHOG中对空间两个维度进行归一化处理后的块和细胞分布，5c表示像素点的梯度需要在第三个维度上加权统计至相邻的直方图方向区间。因此，每个像素点的梯度需要被加权统计至8个直方图方向区间。同理，图6a～图6c为A-SRHOG中块和细胞分布及梯度插值示意图。对于等距离扇环形方向梯度直方图(D-SRHOG)特征，直方图区间平均分布在三个维度中，可直接使用三线插值(即在三个维度上使用线性插值)。以坐标为(ρ,θ)、梯度方向为β的像素点为例，它向以(ρ1,θ2,β1)为中心的直方图区间的投票权重为向以(ρ2,θ2,β2)为中心的直方图区间的投票权重为其中dρ,dθ,dβ分别为三个维度上相邻直方图区间的间距。但是对于等面积扇环形方向梯度直方图(A-SRHOG)特征，细胞在径向上的划分基于面积相等原则，导致了不均匀的空间划分，限制了线性插值在径向方向上的应用。如图6a～图6c所示，径向内外边界为ρI和ρO的块被ρM划分为内外细胞，细胞径向宽度分别为ρW1＝ρM-ρI和ρW2＝ρO-ρM。作为梯度分配尺度，ρW1与ρW2并不相等。因此，本发明引入了归一化处理。以像素(ρ,θ)为例，公式如下：Rto1=ρ-ρ1ρW1---(11)]]>Rto2=ρ2-ρρW2---(12)]]>RW＝Rto1+Rto2(13)其中，Rto1和Rto2可以看作是该像素点与两侧细胞中心间的名义距离，通过它们，我们可以使用求取像素点对内侧细胞的分配权重，使用求取像素点对外侧细胞的分配权重。A-SRHOG在其他两个维度上的梯度插值方法与D-SRHOG相同。此外，在块上使用高斯空域窗口以降低边缘像素点的权重，也能够一定程度上提高SRHOG的检测效果。同梯度插值一样，SRHOG中的高斯空域窗口同样需要对空间距离进行归一化处理。对于D-SRHOG，高斯空域窗口计算公式为：Δρ=ρ-ρMρW---(14)]]>Δθ=θ-θMθW---(15)]]>Gauss(ρ,θ)=exp(-Δθ2+Δρ22σ2)---(16)]]>其中，ρM，ρW，θM，θW分别是径向和环向的细胞划分坐标和细胞宽度，σ是权重衰减控制参数。由于细胞在径向的非等距分布，A-SRHOG中Δρ的计算略有不同：Δρ=ρM-ρρW1ρ<ρMρ-ρMρW2ρ≥ρM---(17)]]>其中ρW1，ρW2分别是块中内外细胞宽度。4)计算每个块的方向梯度直方图将每个块所包含的细胞的方向梯度直方图串联起来，作为该块的方向梯度直方图。为了增强特征对光照、阴影的鲁棒性，需要对块内直方图做归一化处理，所述的归一化过程是采用L1-norm或L1-sqrt或L2-norm或L2-Hys方法。经归一化处理后，作为对应块的方向梯度直方图。5)计算检测窗所覆盖图像的扇环形方向梯度直方图(SRHOG)特征如图2a和2b中箭头所示，在检测窗内，根据所建立的极坐标系，由内至外绕极坐标原点一周收集每个块内的方向梯度直方图，串联后得到所述检测窗所覆盖图像的扇环状方向梯度直方图特征，即SRHOG特征。当前第1页1 2 3