一种道路交通辅助驾驶环境下的行人检测特征提取方法与流程

本发明主要涉及到道路交通智能辅助领域，特指一种道路交通辅助驾驶环境下的行人检测特征提取方法。

背景技术：

随着经济的快速发展，汽车的数量越来越多，这给人们的生活带来便捷的同时，也带来了频发的交通事故。据统计，每年世界范围内的公路交通事故中大约有1000万人受伤，这些交通事故的发生不仅造成了严重的经济损失，而且给人们的生命安全带来了严重的隐患。为了有效减少或者避免交通道路上的行人受到车辆碰撞的伤害，国内外研究机构和汽车研发生产厂商越来越关注行人检测技术领域的研究。为此，行人检测技术已经成为道路交通智能辅助领域的关键技术。

目前，传统的行人检测技术方法主要有三种：一是模板匹配方法；二是基于统计分类的方法；三是基于模板和统计分类混合的方法。行人检测系统一般采用第二种方法，通过机器学习从一系列行人特征数据中学习得到一个分类器，然后利用该分类器检测行人。

模板匹配方法：分割出前景，提取其中的运动目标，然后进一步提取特征，分类判别；在存在下雨、下雪、刮风、树叶晃动、灯光忽明忽暗等场合，该方法的鲁棒性不高，抗干扰能力较差。且背景建模方法的模型过于复杂，对参数较为敏感。

基于统计分类的方法：

(1)如Pepageorgios等人第一次提出了滑窗的方法用于行人检测，他们采用了SVM和多尺度Haar小波过完备基结合的方式。但该方法检测速度和准确度都无法保证。

(2)如Dalal等人基于行人整体轮廓特征，提出了方向梯度直方图特征(HOG)，HOG特征结合SVM分类器，检测准确率取得了革命性的进步。其中HOG特征由于能对局部对象外观和形状进行很好的表征，而且对光照不敏感等优点成为目前行人检测中较为主流的特征提取算法。同时，由于HOG特征维数太高，导致检测速度较慢，不能达到实时性的应用需求。

(3)如Dollar等人利用积分直方图技术来快速计算HOG特征，提出积分通道特征(ChnFtr)，结合AdaBoost分类器，大幅度提升了检测速度，但是其训练分类器的时间较长。该方法虽然提高了行人检测速度，但是丢失了图像部分特征信息，相比Dalal的方法误检率高。

基于模板和统计分类混合的方法：该方法能提高检测准确率，但是特征唯独增加，特征的计算和分类器是预测时间也增加，无法满则实时性要求。

技术实现要素：

本发明要解决的技术问题就在于：针对现有技术存在的技术问题，本发明提供一种原理简单、易实现、检测速度快、精确度高的道路交通辅助驾驶环境下的行人检测特征提取方法。

为解决上述技术问题，本发明采用以下技术方案：

一种道路交通辅助驾驶环境下的行人检测特征提取方法，其步骤为：

S1：构建用于训练的正、负样本库，并对样本库进行归一化处理；

S2：对步骤S1中的样本库图像分别计算每幅图像的两层HOG特征向量，即分两次计算出两个不同的HOG特征向量v和w；

S3：对步骤S2中计算出来的第一层HOG特征向量v，将所有的正负样本的特征向量组合成一个HOG特征矩阵V，利用投影矩阵P进行降维处理，得到PCA降维后的HOG-PCA特征矩阵V':V'＝V*P；

S4：对步骤S2中计算出来的第二层HOG特征向量w进行对称特征计算，提取出HOG对称特征向量s，并且将所有样本图像的HOG对称特征向量组合成一个对称矩阵S；

S5：将步骤S3和步骤S4中计算得到的两个特征矩阵V'和S进行串接合并成一个新的特征矩阵Q；

S6：将步骤S5中得到的特征矩阵Q，用来训练支持向量机SVM分类器；

S7：使用训练得到的SVM线性分类器检测交通道路图像。

作为本发明的进一步改进：所述步骤S1中用于训练的正、负样本库是将提取的道路图像经过裁剪制作而成的图像库。

作为本发明的进一步改进：所述图像库包括两类图像，第一类为图像中含有完整行人的图像，即正样本；第二类为图像中不包含行人的图像，即负样本。

作为本发明的进一步改进：在进行步骤S2之前，对样本库的图像进行处理，包括：

(1)：标准化gamma空间和颜色处理；采用gamma校正法对输入图像进行颜色空间的标准化；

(2)图像像素点梯度的计算；即计算图像每个像素的梯度，包括大小和方向。

作为本发明的进一步改进：所述步骤S7中，采用滑动窗口法，按照步骤S2提取滑动检测窗口内图像第一层特征向量的方法得到y，并利用步骤S3中得到的投影矩阵P进行降维处理，得到y'＝y*P；按照步骤S4的方法提取该样本的对称特征向量s'；将s'和y'进行串接，得到最终用于行人检测的特征向量u，将u和步骤S6中训练得到的SVM分类器进行对比检测。

作为本发明的进一步改进：所述步骤S2中两层HOG特征向量的计算如下：

S201：计算样本图像每个像素点梯度；

图像中像素点(x,y)的梯度为：

G_x(x,y)＝H(x+1,y)-H(x-1,y)

G_y(x,y)＝H(x,y+1)-H(x,y-1)

式中的H(x,y)表示输入图像中像素点(x,y)处的像素值，G_x(x,y)、G_y(x,y)分别表示该像素点处的水平方向、垂直方向的梯度；

像素点(x,y)处的梯度幅值和梯度方向分别为：

S202：第一层HOG特征向量v的计算步骤如下：

步骤A:为每个细胞单元cell构建梯度方向直方图；

将图像分成若干个大小相同的矩形“单元格cell”，将每个cell的360°([0°,180°]∪[-180°,0°])梯度方向划分为9个bin，根据每个像素的梯度幅值和梯度方向在梯度方向直方图进行加权投影，即得到每个cell的梯度方向直方图，也就形成每个cell的9维特征向量；

步骤B:把4个细胞单元组合成大的块block，块内归一化梯度直方图；

步骤C:区域块block的移动步长为一个单元，得到每个区域块的梯度向量，将所有的区域块向量串接成第一层HOG特征向量v；

S203：第二层HOG特征向量w的计算步骤如下：

步骤A:为每个细胞单元cell构建梯度方向直方图；

将图像分成4个大小相同的矩形“单元格cell”，将每个cell的360°([0°,180°]∪[-180°,0°])梯度方向划分为8个bin，根据每个像素的梯度幅值和梯度方向在梯度方向直方图进行加权投影，即得到每个cell的梯度方向直方图，也就形成每个cell的8维特征向量；

步骤B:将细胞单元cell作为块block将块内归一化梯度直方图；

步骤C:区域块block的移动步长为一个单元，得到每个区域块的梯度向量，将所有的区域块向量串接成第二层HOG特征向量w。

作为本发明的进一步改进：所述步骤S3中得到投影矩阵P的方法为：假设样本库中的正样本个数为m个，采用第一层HOG特征提取的方法提取正样本的特征矩阵M，采用PCA算法，得到用于降低特征维数的投影矩阵P；步骤为：

S301：针对正样本特征矩阵M中的每个用于训练的正样本x_i，其中i＝1,2,...,m，计算平均向量：

S302：计算协方差矩阵：

S303：计算C的特征值和特征向量p_i，选择K个最大的特征向量作为特征子空间的基，由这些基组成投影矩阵P:P＝[p₁,p₂,…,p_k]^T。

作为本发明的进一步改进：所述步骤S4中对提取的第二层HOG特征向量w进行对称特征计算，提取出图像的HOG对称特征向量s的过程如下：

S401：按照以下公式计算样本图像上半部分的HOG对称特征向量s₁:

s₁＝[s₁₁ s₁₂ s₁₃ s₁₄ s₁₅ s₁₆ s₁₇ s₁₈]

其中的

其中HOG对称向量s₁的每个元素s_1i表示了h_1i和h'_2i的相似性，其中0<s_1i<1；h_1i来自样本图像上半部分左边block的8维HOG特征向量HOG1，h'_2i来自样本图像上半部分右边block的8维HOG特征向量HOG2调整元素顺序之后的HOG2',其中：

HOG1＝[h₁₁ h₁₂ h₁₃ h₁₄ h₁₅ h₁₆ h₁₇ h₁₈]^T,

HOG2＝[h₂₁ h₂₂ h₂₃ h₂₄ h₂₅ h₂₆ h₂₇ h₂₈]^T,

HOG2'＝[h₂₅ h₂₄ h₂₃ h₂₂ h₂₁ h₂₈ h₂₇ h₂₆]^T

＝[h'₂₁ h'₂₂ h'₂₃ h'₂₄ h'₂₅ h'₂₆ h'₂₇ h'₂₈]^T

S402：同理，按照以下公式计算样本图像下半部分的HOG对称特征向量s₂:

s₂＝[s₂₁ s₂₂ s₂₃ s₂₄ s₂₅ s₂₆ s₂₇ s₂₈]

其中的

其中HOG对称向量s₂的每个元素s_2i表示了h_3i和h'_4i的相似性，其中0<s_2i<1；h_3i来自样本图像下半部分左边block的8维HOG特征向量HOG3，h'_4i来自样本图像下半部分右边block的8维HOG特征向量HOG4调整元素顺序之后的HOG4'，其中：

HOG3＝[h₃₁ h₃₂ h₃₃ h₃₄ h₃₅ h₃₆ h₃₇ h₃₈]^T,

HOG4＝[h₄₁ h₄₂ h₄₃ h₄₄ h₄₅ h₄₆ h₄₇ h₄₈]^T,

HOG2'＝[h₄₅ h₄₄ h₄₃ h₄₂ h₄₁ h₄₈ h₄₇ h₄₆]^T

＝[h'₄₁ h'₄₂ h'₄₃ h'₄₄ h'₄₅ h'₄₆ h'₄₇ h'₄₈]^T

S403：将样本图像上半部分HOG对称特征向量s₁和下半部分HOG对称特征向量s₂串接成对称特征向量s，

s＝[s₁₁ s₁₂ s₁₃ s₁₄ s₁₅ s₁₆ s₁₇ s₁₈ s₂₁ s₂₂ s₂₃ s₂₄ s₂₅ s₂₆ s₂₇ s₂₈]。

与现有技术相比，本发明的优点在于：

本发明的道路交通辅助驾驶环境下的行人检测特征提取方法，原理简单、易实现、检测速度快，通过提取道路交通图像中的双层HOG特征，使用PCA降维方法提取第一层HOG特征的HOG-PCA特征，并且利用行人躯体具有对称性的特点提取第二次HOG特征中的对称性特征，最后将这两种特征融合，组成训练分类器的特征以及检测行人时的对比特征。本发明的特征描述方法与单层HOG特征相比，具有更强的行人描述能力，并且通过降维的方法，大大提高了算法的检测速度，也就是说本发明的方法能够提高行人的检测准确率和算法的检测速度。

附图说明

图1是本发明方法的流程示意图。

图2是本发明在具体应用实例中两层HOG特征提取方法的流程示意图。

具体实施方式

以下将结合说明书附图和具体实施例对本发明做进一步详细说明。

如图1所示，本发明的道路交通辅助驾驶环境下的行人检测特征提取方法，为基于统计分类的方法，在Dalal算法的基础上进行改进，解决了HOG特征维数高、检测速度慢、不满足实时性要求的问题，并保证了检测准确率。

本发明的具体步骤为：

S1：构建用于训练的正、负样本库，并对样本库进行归一化处理。

用于训练的正、负样本库，是将提取的道路图像经过裁剪制作而成的图像库。在具体应用中，可以选择从车载前视摄像头采集到的视频中提取道路图像。

根据实际需要，本实例中图像库包括两类图像，第一类为图像中含有完整行人的图像(即正样本)，第二类为图像中不包含行人的图像(即负样本)，正负样本图像统一归一化为64*128像素大小。

S2：标准化gamma空间和颜色处理。

采用gamma校正法对输入图像进行颜色空间的标准化(归一化)；目的是调节图像的对比度，降低图像局部的阴影和光照变化所造成的影响，同时可以抑制噪音的干扰；将图像灰度化。

S3：图像像素点梯度的计算。

即计算图像每个像素的梯度(包括大小和方向)，主要是为了捕获轮廓信息，同时进一步弱化光照的干扰。

S4：对步骤S1中的样本库图像分别计算每幅图像的两层HOG特征向量。HOG(Histogram of Oriented Gradient方向梯度直方图)是一种在计算机视觉和图像处理中用来进行物体检测的特征描述子；它通过计算和统计图像局部区域的梯度方向直方图来构成特征。

计算每幅图像两层HOG特征向量是指对同一幅图像按照block、cell和bin的大小不同，分两次计算出两个不同的HOG特征向量v和w；

S5：对步骤S4中计算出来的第一层HOG特征向量v，将所有的正负样本的特征向量组合成一个HOG特征矩阵V，利用投影矩阵P进行降维处理，得到PCA降维后的HOG-PCA特征矩阵V':V'＝V*P；PCA(Principal Component Analysis主成分分析)是一种掌握事物主要矛盾的统计分析方法，它可以从多元事物中解析出主要影响因素，揭示事物的本质，简化复杂的问题。

S6：对步骤S4中计算出来的第二层HOG特征向量w进行对称特征计算，提取出HOG对称特征向量s，并且将所有样本图像的HOG对称特征向量组合成一个对称矩阵S；

S7：将步骤S5和步骤S6中计算得到的两个特征矩阵V'和S进行串接合并成一个新的特征矩阵Q；

S8：将步骤S7中得到的特征矩阵Q，用来训练支持向量机SVM分类器。

S9：使用训练得到的SVM线性分类器检测交通道路图像。SVM(Support Vector Machine支持向量机)是一个有监督的学习模型，通常用来进行模式识别、分类、以及回归分析。

采用滑动窗口法，按照步骤S4提取滑动检测窗口内图像第一层特征向量的方法得到y,并利用步骤S5中得到的投影矩阵P进行降维处理，得到y'＝y*P；按照步骤S6的方法提取该样本的对称特征向量s′；将s′和y′进行串接，得到最终用于行人检测的特征向量u。将u和步骤S8中训练得到的SVM分类器进行对比检测。

作为较佳的实施例，如图2所示，上述步骤S4中的两层HOG特征向量的计算如下：

S401：计算样本图像每个像素点梯度；

图像中像素点(x,y)的梯度为：

G_x(x,y)＝H(x+1,y)-H(x-1,y)

G_y(x,y)＝H(x,y+1)-H(x,y-1)

式中的H(x,y)表示输入图像中像素点(x,y)处的像素值，G_x(x,y)、G_y(x,y)分别表示该像素点处的水平方向、垂直方向的梯度。

像素点(x,y)处的梯度幅值和梯度方向分别为：

S402：第一层HOG特征向量v的计算步骤如下：

步骤A:为每个细胞单元cell构建梯度方向直方图；

将图像分成若干个大小相同的矩形“单元格cell”，将每个cell的360°([0°,180°]∪[-180°,0°])梯度方向划分为9个bin,根据每个像素的梯度幅值和梯度方向在梯度方向直方图进行加权投影，即可得到每个cell的梯度方向直方图，也就形成每个cell的9维特征向量；

步骤B:把4个细胞单元组合成大的块(block),块内归一化梯度直方图；

步骤C:区域块block的移动步长为一个单元，得到每个区域块的梯度向量，将所有的区域块向量串接成第一层HOG特征向量v；

S403：第二层HOG特征向量w的计算步骤如下：

步骤A:为每个细胞单元cell构建梯度方向直方图；

将图像分成4个大小相同的矩形“单元格cell”，将每个cell的360°([0°,180°]∪[-180°,0°])梯度方向划分为8个bin,根据每个像素的梯度幅值和梯度方向在梯度方向直方图进行加权投影，即可得到每个cell的梯度方向直方图，也就形成每个cell的8维特征向量；

步骤B:将细胞单元cell作为块(block),将块内归一化梯度直方图；

步骤C:区域块block的移动步长为一个单元，得到每个区域块的梯度向量，将所有的区域块向量串接成第二层HOG特征向量w。

作为较佳的实施例，上述步骤S5中投影矩阵P的计算方法如下：

假设样本库中的正样本个数为m个，采用第一层HOG特征提取的方法提取正样本的特征矩阵M，采用PCA算法，得到用于降低特征维数的投影矩阵P，具体过程如下：

S501：针对正样本特征矩阵M中的每个用于训练的正样本x_i(i＝1,2,...,m),计算平均向量：

S502：计算协方差矩阵：

S503：计算C的特征值和特征向量p_i，选择K个最大的特征向量作为特征子空间的基，由这些基组成投影矩阵P:P＝[p₁,p₂,…,p_k]^T。

作为较佳的实施例，上述步骤S6中关于对提取的第二层HOG特征向量w进行对称特征计算，提取出图像的HOG对称特征向量s的过程如下：

S601：按照以下公式计算样本图像上半部分的HOG对称特征向量s₁:

s₁＝[s₁₁ s₁₂ s₁₃ s₁₄ s₁₅ s₁₆ s₁₇ s₁₈]

其中的

其中HOG对称向量s₁的每个元素s_1i表示了h_1i和h'_2i的相似性，其中0<s_1i<1。h_1i来自样本图像上半部分左边block的8维HOG特征向量HOG1，h'_2i来自样本图像上半部分右边block的8维HOG特征向量HOG2调整元素顺序之后的HOG2',其中：

HOG1＝[h₁₁ h₁₂ h₁₃ h₁₄ h₁₅ h₁₆ h₁₇ h₁₈]^T,

HOG2＝[h₂₁ h₂₂ h₂₃ h₂₄ h₂₅ h₂₆ h₂₇ h₂₈]^T,

HOG2'＝[h₂₅ h₂₄ h₂₃ h₂₂ h₂₁ h₂₈ h₂₇ h₂₆]^T

＝[h'₂₁ h'₂₂ h'₂₃ h'₂₄ h'₂₅ h'₂₆ h'₂₇ h'₂₈]^T

S602：同理，按照以下公式计算样本图像下半部分的HOG对称特征向量s₂:

s₂＝[s₂₁ s₂₂ s₂₃ s₂₄ s₂₅ s₂₆ s₂₇ s₂₈]

其中的其中HOG对称向量s₂的每个元素s_2i表示了h_3i和h'_4i的相似性，其中0<s_2i<1。h_3i来自样本图像下半部分左边block的8维HOG特征向量HOG3，h'_4i来自样本图像下半部分右边block的8维HOG特征向量HOG4调整元素顺序之后的HOG4',其中：

HOG3＝[h₃₁ h₃₂ h₃₃ h₃₄ h₃₅ h₃₆ h₃₇ h₃₈]^T,

HOG4＝[h₄₁ h₄₂ h₄₃ h₄₄ h₄₅ h₄₆ h₄₇ h₄₈]^T,

HOG2'＝[h₄₅ h₄₄ h₄₃ h₄₂ h₄₁ h₄₈ h₄₇ h₄₆]^T

＝[h'₄₁ h'₄₂ h'₄₃ h'₄₄ h'₄₅ h'₄₆ h'₄₇ h'₄₈]^T

S603：将样本图像上半部分HOG对称特征向量s₁和下半部分HOG对称特征向量s₂串接成对称特征向量s，

s＝[s₁₁ s₁₂ s₁₃ s₁₄ s₁₅ s₁₆ s₁₇ s₁₈ s₂₁ s₂₂ s₂₃ s₂₄ s₂₅ s₂₆ s₂₇ s₂₈]。

以上仅是本发明的优选实施方式，本发明的保护范围并不仅局限于上述实施例，凡属于本发明思路下的技术方案均属于本发明的保护范围。应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理前提下的若干改进和润饰，应视为本发明的保护范围。