一种行人检测方法及系统与流程

本发明涉及计算机视觉技术领域，特别涉及一种行人检测方法及系统。

背景技术：

随着技术的不断发展，行人检测具有极其广泛的应用：智能辅助驾驶，智能监控，行人分析以及智能机器人等领域。行人检测就是把视频图像中的行人目标从背景中分割出来并精确定位。基于视觉的行人检测目前仍旧是计算机视觉领域的一个公认的难题。

当前行人检测算法分为两大类：一类是基于模板匹配的方法，此方法通过预先制作的不同行人姿态轮廓形状模板在图像中滑动匹配找到卷积最大值的地方。另一类是基于统计学习特征的方法，此方法根据大量的训练样本特征构建行人检测分类器。提取的特征一般有目标的灰度、边缘、纹理、形状、梯度直方图等信息。常用的特征有HAAR（Haar-like features）、HOG（Histogram of Oriented Gradient，方向梯度直方图）、LBP（Local Binary Pattern，局部二值模式）等，常用的分类器为SVM（Support Vector Machine，支持向量机）、adaboost（弱分类器）等。

此两类行人检测算法分别有如下缺点：基于模板匹配的方法由于行人姿态多样，需要制作大量的不同姿态以及不同大小的人体模型，大量的模板在图像中进行滑动匹配需要消耗大量的时间，且人体模型的制作也是个难题。此类方法速度慢、检出率低、误检率较高，在实际应用中存在较多问题。而基于特征的方法没有利用到行人穿的衣服的颜色对称性，如HAAR、LBP特征较为简单，仅仅使用单个特征难以取得较好的效果；HOG特征检测效果较好，但是对其进行全图检测极为耗时。

因而现有技术还有待改进和提高。

技术实现要素：

鉴于上述现有技术的不足之处，本发明的目的在于提供一种行人检测方法及系统，旨在解决现有行人检测技术识别速度慢、准确率低的问题。

为了达到上述目的，本发明采取了以下技术方案：

一种行人检测方法，其中，包括：

A、对视频的图像进行预处理，将RGB空间的图像转换为HSV颜色空间的图像并噪声滤波；

B、判断所述图像中不同位置不同大小的候选区域的颜色纹理是否镜像对称，根据判断结果筛选出所述图像的所有行人候选区域；

C、根据预先训练得到的行人肩膀区域与人头区域联合模型对所有行人候选区域进行检测，判断各个行人候选区域是否为真正行人区域。

所述的行人检测方法，其中，在所述步骤A之前，还包括：

A11、获取多张包含行人肩膀区域与人头区域的图像数据作为正样本，获取多张不包含行人肩膀区域与人头区域的图像数据作为负样本；

A12、分别提取所述正样本和负样本的HOG特征；

A13、将所述HOG特征送入SVM分类器中进行训练，得到行人肩膀区域与人头区域联合模型。

所述的行人检测方法，其中，所述步骤B具体包括：

B10、以不同大小的候选框在所述图像中滑动，获取所述图像中不同位置不同大小的候选框对应的候选区域；

B20、判断所述候选区域的颜色纹理是否镜像对称，若为是，则所述候选区域为行人候选区域；若为否，则所述候选区域为非行人候选区域。

所述的行人检测方法，其中，所述步骤B20具体包括：

B21、根据HSV颜色空间的候选区域，得到所述候选区域在H、S及V三种颜色通道上分别对应的颜色纹理；

B22、以所述候选区域中线为中心线，分别计算三种颜色纹理以中心线为分界线的左右两边颜色纹理的相似度，当所述相似度大于预设的相似度阈值时，则认为该种颜色纹理镜像对称；当所述相似度不大于预设的相似度阈值时，则认为该种颜色纹理非镜像对称；

B23、判断所述候选区域的三种颜色纹理是否均为镜像对称，若为是，则所述候选区域为行人候选区域；若为否，则所述候选区域为非行人候选区域。

所述的行人检测方法，其中，所述步骤C具体包括：

C10、根据所述行人肩膀区域与人头区域联合模型对所有行人候选区域进行检测得到对应的检测值；

C20、判断所述检测值是否大于预设的模型阈值，若为是，则该检测值对应的行人候选区域为真正行人区域；若为否，则该检测值对应的行人候选区域为非行人区域。

一种行人检测系统，其中，包括：

预处理模块，用于对视频的图像进行预处理，将RGB空间的图像转换为HSV颜色空间的图像并噪声滤波；

候选区域筛选模块，用于判断所述图像中不同位置不同大小的候选区域的颜色纹理是否镜像对称，根据判断结果筛选出所述图像的所有行人候选区域；

行人区域检测模块，用于根据预先训练得到的行人肩膀区域与人头区域联合模型对所有行人候选区域进行检测，判断各个行人候选区域是否为真正行人区域。

所述的行人检测系统，其中，还包括：

样本获取模块，用于获取多张包含行人肩膀区域与人头区域的图像数据作为正样本，获取多张不包含行人肩膀区域与人头区域的图像数据作为负样本；

特征提取模块，用于分别提取所述正样本和负样本的HOG特征；

分类训练模块，用于将所述HOG特征送入SVM分类器中进行训练，得到行人肩膀区域与人头区域联合模型。

所述的行人检测系统，其中，所述候选区域筛选模块包括：

候选区域选取单元，用于以不同大小的候选框在所述图像中滑动，获取所述图像中不同位置不同大小的候选框对应的候选区域；

候选区域判断单元，用于判断所述候选区域的颜色纹理是否镜像对称，若为是，则所述候选区域为行人候选区域；若为否，则所述候选区域为非行人候选区域。

所述的行人检测系统，其中，所述候选区域判断单元包括：

颜色纹理获取子单元，用于根据HSV颜色空间的候选区域，得到所述候选区域在H、S及V三种颜色通道上分别对应的颜色纹理；

镜像对称判断子单元，用于以所述候选区域中线为中心线，分别计算三种颜色纹理以中心线为分界线的左右两边颜色纹理的相似度，当所述相似度大于预设的相似度阈值时，则认为该种颜色纹理镜像对称；当所述相似度不大于预设的相似度阈值时，则认为该种颜色纹理非镜像对称；

候选区域判断子单元，用于判断所述候选区域的三种颜色纹理是否均为镜像对称，若为是，则所述候选区域为行人候选区域；若为否，则所述候选区域为非行人候选区域。

所述的行人检测系统，其中，所述行人区域检测模块包括：

行人区域检测单元，用于根据所述行人肩膀区域与人头区域联合模型对所有行人候选区域进行检测得到对应的检测值；

行人区域判断单元，用于判断所述检测值是否大于预设的模型阈值，若为是，则该检测值对应的行人候选区域为真正行人区域；若为否，则该检测值对应的行人候选区域为非行人区域。

相较于现有技术，本发明提供的行人检测方法及系统，利用颜色纹理对称性来初步刷选行人区域，利用行人肩膀和人头的显著特征模型来确认行人区域的方法，实现了快速、准确的识别行人，行人检测方法简单可靠，具有很好的实用性，带来了极大的方便。

附图说明

图1为本发明提供的行人检测方法的方法流程图。

图2为本发明提供的行人检测方法中模型制作的方法流程图。

图3为本发明提供的行人检测系统的结构框图。

图4为本发明提供的行人检测系统中模型制作的结构框图。

具体实施方式

本发明提供一种行人检测方法及系统。为使本发明的目的、技术方案及效果更加清楚、明确，以下参照附图并举实施例对本发明进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明。

本发明提供一种行人检测方法，请参阅图1，所述行人检测方法，包括以下步骤：

S100、对视频的图像进行预处理，将RGB空间的图像转换为HSV颜色空间的图像并噪声滤波；

S200、判断所述图像中不同位置不同大小的候选区域的颜色纹理是否镜像对称，根据判断结果筛选出所述图像的所有行人候选区域；

S300、根据预先训练得到的行人肩膀区域与人头区域联合模型对所有行人候选区域进行检测，判断各个行人候选区域是否为真正行人区域。

下面结合具体的实施例对上述步骤进行详细的描述。

在所述步骤S100中，对视频的图像进行预处理，将RGB空间的图像转换为HSV颜色空间的图像并噪声滤波。本发明是对视频或图片中的行人进行检测，所述图像可从视频数据中获取，譬如可通过摄像头采集图像数据，然后分析图像数据中的行人信息。对图像预处理乃现有技术，摄像头拍摄出来的图像数据一般是RGB空间的图像，还需要将其转换为HSV颜色空间的图像；同时还进行图像的去噪声滤波，也就是将RGB空间的图像转换为HSV颜色空间的图像并噪声滤波。关于RGB颜色空间及HSV颜色空间乃现有定义，此处不作过多描述，譬如色调（H）、饱和度（S）、明度（V）。对视频的图像进行图像转换和噪声滤波处理乃常规处理手段。。

然后在步骤S200中，判断所述图像中不同位置不同大小的候选区域的颜色纹理是否镜像对称，根据判断结果筛选出所述图像的所有行人候选区域。具体来说，就是在HSV颜色空间的图像上选取不同大小不同位置的区域，然后判断该区域的颜色纹理是否镜像对称，如果镜像对称，则该区域为行人候选区域；如果不镜像对称，那么该区域就不是行人候选区域。这样，便可筛选出所述图像中所有可能存在行人的所有行人候选区域。

所述步骤S200的原理为利用衣服颜色纹理信息的对称性进行行人候选区域初步刷选。行人的衣着颜色纹理具有从候选检测窗口中心往左右两个方向扩展的镜像对称的特征，该对称性是行人区域与周围环境的一个显著特征，且行人区域一般具有颜色纹理丰富的特点，行人候选区域提取阶段可以快速的剔除平坦的区域（如天空、路面等颜色纹理细节不丰富的区域）和不具有颜色纹理对称性的区域，故本发明提出利用行人颜色纹理的镜像对称性，进行行人区域的初步刷选。关于颜色纹理为以颜色边界过渡以及边缘相融合的一种纹理。

优选地，所述步骤S200具体包括：

S210、以不同大小的候选框在所述图像中滑动，获取所述图像中不同位置不同大小的候选框对应的候选区域；

S220、判断所述候选区域的颜色纹理是否镜像对称，若为是，则所述候选区域为行人候选区域；若为否，则所述候选区域为非行人候选区域。

具体来说，就是采用不同大小的候选框在HSV颜色空间的图像中滑动，然后将图像上与候选框对应的区域作为候选区域，然后判断候选区域是否镜像对称，如果镜像对称，就将该候选区域作为行人候选区域；如果不镜像对称，就将该候选区域不作为行人候选区域。这样，可筛选出所述图像中所有可能存在行人的行人候选区域，这个步骤是初步筛选。

关于如何判断颜色纹理是否镜像对称，有多种实现方式，为使结果更为准确，进一步地，所述步骤S220具体包括：

S221、根据HSV颜色空间的候选区域，得到所述候选区域在H、S及V三种颜色通道上分别对应的颜色纹理；

S222、以所述候选区域中线为中心线，分别计算三种颜色纹理以中心线为分界线的左右两边颜色纹理的相似度，当所述相似度大于预设的相似度阈值时，则认为该种颜色纹理镜像对称；当所述相似度不大于预设的相似度阈值时，则认为该种颜色纹理非镜像对称；

S223、判断所述候选区域的三种颜色纹理是否均为镜像对称，若为是，则所述候选区域为行人候选区域；若为否，则所述候选区域为非行人候选区域。

具体来说，获取候选区域在三个颜色通道上分别对应的颜色纹理，然后以所述候选区域中线为中心线，分别计算三种颜色纹理以中心线为分界线的左右两边颜色纹理的相似度，如果相似度超过预设的阈值时，则表明该种颜色纹理镜像对称。分别计算候选区域三种颜色纹理是否镜像对称。当且仅当候选区域的三种颜色纹理均为镜像对称时，该候选区域为行人候选区域；否则，其他情况下该候选区域不是行人候选区域。这样，便可初步筛选出图像中所有可能存在行人的行人候选区域。

在所述步骤S300中，根据预先训练得到的行人肩膀区域与人头区域联合模型对所有行人候选区域进行检测，判断各个行人候选区域是否为真正行人区域。

具体来说，通过上述行人区域初步刷选后，将产生大量行人候选区域。由于在实际图像场景中，有不少具有颜色纹理对称性的物体，如车辆、树木等，初步刷选区域会包括非真正行人的候选区域，为了过滤这些非真正的行人区域，考虑到行人的肩膀形状是行人的一个非常重要的不变特征，且在不同的光线环境下行人肩膀的边缘特征明显，又考虑到行人的头部形状特征也是行人的一个重要的特征，为了进一步增强算法的鲁棒性，本发明提出一种结合行人肩膀形状和头部特征的行人区域确认算法。此特征提取用HOG算法提取，因只在候选区域内进行HOG特征提取，故此处特征提取将花费很少时间。在实际应用时，根据预先训练得到的行人肩膀区域与人头区域联合模型对所有行人候选区域进行检测，该联合模型中分类训练有多个肩膀显著边缘与人头形状，对行人候选区域进行检测，在提取行人候选区域的HOG特征时，速度更快。最终可得到检测结果，得到真正具有行人的真正行人区域。

优选地，所述步骤S300具体包括：

S310、根据所述行人肩膀区域与人头区域联合模型对所有行人候选区域进行检测得到对应的检测值；

S320、判断所述检测值是否大于预设的模型阈值，若为是，则该检测值对应的行人候选区域为真正行人区域；若为否，则该检测值对应的行人候选区域为非行人区域。

具体来说，根据肩膀显著边缘与人头形状联合模型对每个行人候选区域进行检测得到对应的检测值，如果该检测值大于预先设定的模型阈值，则表明该检测值对应的行人候选区域为真正行人区域；如果不大于，则不是真正行人区域。关于模型阈值可根据实际需要进行设定。

进一步地，请参阅图2，关于联合模型，在所述步骤S100之前，还包括：

S111、获取多张包含行人肩膀区域与人头区域的图像数据作为正样本，获取多张不包含行人肩膀区域与人头区域的图像数据作为负样本；

S112、分别提取所述正样本和负样本的HOG特征；

S113、将所述HOG特征送入SVM分类器中进行训练，得到行人肩膀区域与人头区域联合模型。

具体来说，可从实际场景的视频数据中获得由行人肩膀区域与人头区域的数据样本多张作为正样本；再选取不包括行人肩膀区域与人头区域的数据样本多张作为负样本；其中，正样本和负样本的数量不作限定。分别提取所述正样本和负样本的HOG特征，然后把正样本的HOG特征和负样本的HOG特征送入SVM分类器中进行训练，从而得到行人肩膀区域与人头区域联合模型。

以下以一应用实施例对本发明详细阐述如下。

先进行模型制作，请参阅图2，模型通过由行人肩膀边缘区域与人头区域样本的训练得到。通过从实际场景的视频数据中获得由行人肩膀区域与人头区域的数据样本M张作为正样本PosSamples{m}（m∈M），再选取不包括行人肩膀区域与人头区域的数据样本N张作为负样本NegSamples{n}(n∈N)，分别对PosSamples{m}与NegSamples{n}中的样本数据提取HOG特征，把提取出的特征送入到SVM（支持向量机）分类器进行训练，得到行人肩膀区域与人头区域的模型ModelOfShouldersHeads；其中，N、M均为正整数；n，m也为正整数。

请参阅图1，对视频中的图像进行预处理，把RGB空间图像转换为HSV颜色空间的图像数据，同时进行图像的去噪声滤波。

然后，以不同大小的W*H像素大小的候选框在大小为IMG_W * IMG_H(单位为像素，IMG_W：图像宽度，IMG_H:图像高度)的图像中滑动，其中，W∈[1，IMG_W]，H∈[1，IMG_H]，也就是说，W，H为像素点个数，其数值大小是在图像的宽高对应的范围之内。

在实际应用时，本发明的行人候选区域决策策略如下：以宽为W像素，高为 H像素的大小的候选区域内，构建HSV三通道颜色纹理存储于ColorTexture{i}（i∈[1, 3]），分别存放H、S、V三种颜色通道对应的颜色纹理。在候选区域W * H的内部以候选区域中线为中心线CenterLine = W / 2，通过对ColorTexture{i}中三种颜色纹理进行是否镜像对称判断，此判断可以取以CenterLine为分界线的左右两边的颜色纹理进行匹配获取,定义ColorTexture{i}[left]+ColorTexture{i}[right]= ColorTexture{i}，ColorTexture{i}表示第i个颜色通道的颜色纹理。

评估ColorTexture{i}[left]与ColorTexture{i}[right]的相似程度，其相似程度大于一个阈值threshold_left_right的时候，认为当前ColorTexture{i}为镜像匹配对称的,否则则认为是非镜像匹配对称的。对应每种颜色纹理是否镜像对称其相应判断结果存贮于DetectResult{i}中，当DetectResult{i}的颜色纹理特征镜像匹配，则赋予DetectResult{i}为TRUE，否则赋与FALSE。当且仅当DetectResult{i}对i∈[1, 3]都为TRUE的时候得出当前区域为行人候选区域；也就是当且仅当所述候选区域的三种颜色纹理均为镜像对称时，则所述候选区域为行人候选区域。根据上述决策策略对当前W*H区域判断，对是行人候选区域的W*H大小的候选区域对其坐标进行记录。最终得到图像全图的行人候选区域Candiates{i} （其中i ∈ K， K为候选区域总数）。这样，便得到了图像中所有可能存在行人的行人候选区域。

然后，利用得到肩膀显著边缘与人头形状联合模型ModelOfShouldersHeads，对得到的行人候选区域candidates{i}中的每个行人候选区域进行检测，当检测值ModelDetection大于一个预先设定的阈值threshold_shoulders_heads的时候，确认当前行人候选区域为真有行人的区域，否则为非行人区域。

基于上述实施例提供的行人检测方法，本发明还提供一种行人检测系统。请参阅图3，所述行人检测系统包括：

预处理模块10，用于对视频的图像进行预处理，将RGB空间的图像转换为HSV颜色空间的图像并噪声滤波；具体如步骤S100所述；

候选区域筛选模块20，用于判断所述图像中不同位置不同大小的候选区域的颜色纹理是否镜像对称，根据判断结果筛选出所述图像的所有行人候选区域；具体如步骤S200所述；

行人区域检测模块30，用于根据预先训练得到的行人肩膀区域与人头区域联合模型对所有行人候选区域进行检测，判断各个行人候选区域是否为真正行人区域；具体如步骤S300所述。

请参阅图4，进一步地，所述的行人检测系统，还包括：

样本获取模块11，用于获取多张包含行人肩膀区域与人头区域的图像数据作为正样本，获取多张不包含行人肩膀区域与人头区域的图像数据作为负样本；

特征提取模块12，用于分别提取所述正样本和负样本的HOG特征；

分类训练模块13，用于将所述HOG特征送入SVM分类器中进行训练，得到行人肩膀区域与人头区域联合模型。

请继续参阅图3，进一步地，所述候选区域筛选模块20包括：

候选区域选取单元，用于以不同大小的候选框在所述图像中滑动，获取所述图像中不同位置不同大小的候选框对应的候选区域；

候选区域判断单元，用于判断所述候选区域的颜色纹理是否镜像对称，若为是，则所述候选区域为行人候选区域；若为否，则所述候选区域为非行人候选区域。

进一步地，所述候选区域判断单元包括：

颜色纹理获取子单元，用于根据HSV颜色空间的候选区域，得到所述候选区域在H、S及V三种颜色通道上分别对应的颜色纹理；

镜像对称判断子单元，用于以所述候选区域中线为中心线，分别计算三种颜色纹理以中心线为分界线的左右两边颜色纹理的相似度，当所述相似度大于预设的相似度阈值时，则认为该种颜色纹理镜像对称；当所述相似度不大于预设的相似度阈值时，则认为该种颜色纹理非镜像对称；

候选区域判断子单元，用于判断所述候选区域的三种颜色纹理是否均为镜像对称，若为是，则所述候选区域为行人候选区域；若为否，则所述候选区域为非行人候选区域。

进一步地，所述行人区域检测模块30包括：

行人区域检测单元，用于根据所述行人肩膀区域与人头区域联合模型对所有行人候选区域进行检测得到对应的检测值；

行人区域判断单元，用于判断所述检测值是否大于预设的模型阈值，若为是，则该检测值对应的行人候选区域为真正行人区域；若为否，则该检测值对应的行人候选区域为非行人区域。

由于所述行人检测系统的具体原理和详细技术特征在上述行人检测方法实施例中已详细阐述，在此不再赘述。

上述功能模块的划分仅用以举例说明，在实际应用中，可以根据需要将上述功能分配由不同的功能模块来完成，即划分成不同的功能模块，来完成上述描述的全部或部分功能。

本领域普通技术人员可以理解上述实施例方法中的全部或部分流程，是可以通过计算机（或移动终端）程序来指令相关的硬件完成，所述的计算机（或移动终端）程序可存储于一计算机（或移动终端）可读取存储介质中，程序在执行时，可包括上述各方法的实施例的流程。其中的存储介质可以为磁碟、光盘、只读存储记忆体（ROM）或随机存储记忆体（RAM）等。

综上所述，本发明提供的一种行人检测方法及系统，通过对视频的图像进行预处理，将RGB空间的图像转换为HSV颜色空间的图像并噪声滤波；判断所述图像中不同位置不同大小的候选区域的颜色纹理是否镜像对称，根据判断结果筛选出所述图像的所有行人候选区域；根据预先训练得到的行人肩膀区域与人头区域联合模型对所有行人候选区域进行检测，判断各个行人候选区域是否为真正行人区域；采用算法结合分析行人的整体特点，提出一种先利用颜色纹理镜像对称决策判断的行人候选区域提取，然后再对候选区域通过肩膀显著边缘与人头特征联合模型进行确认的过滤机制；先利用颜色纹理对称性来初步刷选行人区域，再利用行人肩膀和人头显著特征模型确认行人区域的方法，实现了快速、准确的识别行人，算法简单、可靠，具有很好的实用性，带来了极大的方便。

可以理解的是，对本领域普通技术人员来说，可以根据本发明的技术方案及其发明构思加以等同替换或改变，而所有这些改变或替换都应属于本发明所附的权利要求的保护范围。