一种基于混合高斯和HOG_LBP的行人检测方法与流程

本发明涉及计算机和在智能监控领域，尤其涉及一种基于混合高斯和hog_lbp的行人检测方法。

背景技术：

行人检测广泛应用于计算机视觉领域，如安防、智能机器人、视觉监控和行为分析等。由于复杂多变的环境因素、不同的拍摄角度以及人类行为的多样性，行人检测的准确性有待提高。与具有固定形状的刚性目标不同，行人会在姿态不同、遮挡和观察角度变化等方面影响检测效果。

将行人检测系统应用于监控系统，可以实现智能化，弥补人工检测的缺点，辅助提高监控的准确率，对异常情况进行预警，避免不必要的损失。虚拟现实(ar)中进行人体定位，即通过对摄像头所拍摄的环境进行建模，结合行人检测、行人的姿态估计以准确地定位行人在世界坐标系中的位置，结合智能监控的应用，也可以对监控中的可疑行人进行精确的定位、跟踪和控制，行人检测技术的成熟可以为智能监控和公共安全提供更好的技术支持。因此，行人检测算法的研究仍然是计算机视觉领域的一个重要课题。

技术实现要素：

鉴于以上所述现有技术的缺点，本发明的目的在于提供一种基于混合高斯和hog_lbp的行人检测方法。

为实现上述目的及其他相关目的，本发明提供一种基于混合高斯和hog_lbp的行人检测方法，该方法包括以下步骤：

采集行人图像，构成样本集；

分别提取每幅图的hog特征和lbp特征，对所述hog特征和lbp特征进行特征融合得到融合特征向量；

基于所述融合特征向量训练得到svm分类器；

采集行人视频；

对所述行人视频进行混合高斯背景建模，提取视频中的运动目标区域；

对运动目标区域使用hog_lbp算法提取特征，得到需要检测的特征向量；

将所述需要检测的特征向量输入至所述svm分类器中，得到最终的检测结果。

可选地，对采集的所述行人图像进行规范化处理。

可选地，提取每幅图像的hog特征，包括以下子步骤：

将经过规范化处理的图像转化为灰度图像；

计算hog梯度；

将样本图像划分为若干个小块，并对hog特征进行降维处理；

统计每个小块中的每个像素的梯度方向直方图；

对每个小块进行归一化处理；

将所有向量连起来形成的向量组，该向量组即为hog特征。

可选地，所述提取每幅图的lbp特征，包括以下子步骤：

将样本图像经过sobel边缘处理；

将图片划分大小相等的方格，将每个方格与该方格3*3邻域内的灰度值作比较，若周围8个像素点大于中间阈值，则为1，否则为0，按顺序比较得到一个8位二进制数；

采用lbp旋转不变等价模式进行编码。

可选地，对所述hog特征和lbp特征进行特征融合得到融合特征向量,具体方法为：将hog特征和lbp特征进行串行融合，形成联合直方图。

可选地，所述对所述行人视频进行混合高斯背景建模，提取视频中运动目标区域，具体包括以下步骤：

将检测视频进行混合高斯背景建模；

不断自动更新背景模型；

经过混合高斯前景分割后，通过中值滤波消除噪声保留运动目标；

通过形态学的闭操作，形成连通域，则得到运动目标区域。

如上所述，本发明的一种基于混合高斯和hog_lbp的行人检测方法，具有以下有益效果：

本发明所述的一种基于混合高斯和hog_lbp改进的行人检测方法，通过建立行人图像的数据库，得到图像样本hog-lbp的特征向量，放入svm中得到一个分类器，采集检测样本，进行混合高斯背景建模，提取运动目标区域，在提取hog-lbp特征向量进行检测。这种方法提高检测率，缩短了检测时间。

附图说明

为了进一步阐述本发明所描述的内容，下面结合附图对本发明的具体实施方式作进一步详细的说明。应当理解，这些附图仅作为典型示例，而不应看作是对本发明的范围的限定。

图1为发明方法所述的流程图；

图2为eth数据集图；

图3为行人检测监控数据集图；

图4为经典lbp特征提取示意图。

具体实施方式

以下通过特定的具体实例说明本发明的实施方式，本领域技术人员可由本说明书所揭露的内容轻易地了解本发明的其他优点与功效。本发明还可以通过另外不同的具体实施方式加以实施或应用，本说明书中的各项细节也可以基于不同观点与应用，在没有背离本发明的精神下进行各种修饰或改变。需说明的是，在不冲突的情况下，以下实施例及实施例中的特征可以相互组合。

需要说明的是，以下实施例中所提供的图示仅以示意方式说明本发明的基本构想，遂图式中仅显示与本发明中有关的组件而非按照实际实施时的组件数目、形状及尺寸绘制，其实际实施时各组件的型态、数量及比例可为一种随意的改变，且其组件布局型态也可能更为复杂。

本发明针对传统行人检测方法耗时，准确率低的问题，提出一种基于混合高斯和hog_lbp特征算法的行人检测方法。本方法减少检测时间，提高了检测的准确率。

如图1所示，本发明提供一种基于混合高斯和hog_lbp行人检测方法，所述方法如下：

s1.使用高清摄像头采集行人图像，构成样本集。具体地，将图像制作成大小为64*128的图片。

s2.对每幅图像分别使用hog特征和lbp特征提取特征子，对所述hog特征和lbp特征进行特征融合得到融合特征向量；

s3.基于所述融合特征向量训练得到svm分类器；

s4.使用监控摄像头在固定位置采集行人视频，如停车场；

s5.对行人检测视频进行混合高斯背景建模，提取视频中运动目标区域；

s6.将运动目标区域使用hog_lbp算法提取特征，得到需要检测的特征向量；

s7.将需要检测的特征向量输入到分类器中，得到最终的检测结果。

其中，s1-s3为训练过程，s4-s7为检测过程。

于本实施例中，所述对每幅图像分别使用hog特征和lbp特征提取特征子，对所述hog特征和lbp特征进行特征融合得到融合特征向量；具体包括以下步骤：

s21.标准化：将图像转化为灰度图；

s22.计算hog梯度：

gx(x,y)＝h(x+1,y)-h(x-1,y)

gy(x,y)＝h(x,y+1)-h(x,y-1)

式中，gx(x,y)和gy(x,y)为水平方向梯度和垂直方向梯度，h(x,y)为输入像素点的像素值，θ(x,y)为梯度方向，g(x,y)为梯度幅值；

s23.将样本图像为64*128分为64*128,32*32,16*16的小块，将hog特征的维数－3780维，降为了756维，对每个小块中的每个像素统计它们的梯度方向直方图；

s24.区间归一化，对向量对应的像素所在小块进行归一化处理，

其中，v表示归一化之后的向量，v表示归一化之前的向量，||2表示向量的2阶范数，ε表示一个很小的常数，这里取0.01；

s25.将上面处理的向量连起来形成的向量组为hog特征；

s26.首先将样本图像菁过sobel边缘处理。

将图片划分大小相等的方格，将每个方格与该方格3*3邻域内的灰度值作比较，若周围8个像素点大于中间阈值，则为1，否则为0，按顺序比较得到一个8位二进制数；如下图4所示。

s27.采用lbp旋转不变等价模式进行编码，公式：

s(x)为中心判定函数定义为：u(lbpp,r)≤2为二值编码中0-1转换次数小于或等于2的编码，

其中，r为半径，p为邻域上点个数，gc为中心，gp为邻域点；

s28.将hog特征和lbp特征进行串行融合，形成联合直方图。

具体地，步骤s28包括：

设在样本空间有两个不同的空间a,b，其对应的两个特征向量分别为α∈a,β∈b,则串行融合后的特征矩阵为γ＝(α，β)。

s31.将提取的特征放入svm分类器中，得到一个分类器，则训练完成；

跟现有的技术相比利用图像的形状信息，考虑了人体的纹理信息，有效的提取纹理特征，提高了行人检测速度。

于本实施例中，所述对行人检测视频进行混合高斯背景建模，提取视频中运动目标区域；具体包括以下子步骤：

s51.将检测视频进行混合高斯背景建模，背景像素分别由k个高斯的混合分布来描述；xt为t时刻像素点的像素值；k为高斯分布函数的个数,wi,t为t时刻第i个高斯分布模型的权重,ui,t为t时刻第i个高斯分布的均值；∑i,t协方差矩阵；η为高斯密度函数,d为xt的维数,p(xt)为建模公式。

s52.在背景建模中最重要的一步是背景的自动更新，模型参数需要不学习更新，与符合的高斯分布匹配，每个新像素值xt同当前k个模型按下式进行比较，直接找到匹配新像素值的分布模型，即同该模型的均值偏差在2.5δi,t-1内。

|xt-ui,t-1|≤2.5δi,t-1

若满足上述公式条件则认为匹配的模式符合背景要求，把t时刻第i个高斯m的取值mi,t记为1，否则mi,t＝0。然后对各模式的权重重新归一化，其公式如下：

wi,t＝(1-α)wi,t-1+αmi,t

ui,t＝(1-ρ)ui,t-1+ρxt

其中，α为权重学习参数，ρ为参数学习率，为t时刻第i个高斯分布函数的方差；

t为预定的阈值，b是排序后的k个高斯分布像素描述，选择前b个高斯分布为背景模型：

s53.经过混合高斯前景分割后，通过中值滤波消除孤立噪声点，能较好的保留运动目标边缘信息。

s54.通过形态学的闭操作，形成连通域，则得到运动目标区域。

将得到的运动区域图像放入之前所得的svm分类器中，则可开始检测行人。

实验结果：

本发明的优点在于使用hog_lbp的融合特征，在检测视频上进行了预处理，利用混合高斯进行前景分割，提取运动目标，缩小了检测面积，随后，用缩小的图像提取了hog_lbp特征，即提取了梯度信息同时获取了行人局部纹理信息，提高检测的准确率，减少了检测时间，用本方法能做到实时检测。可广泛的运用于智能监控中，如停车场，商店等。

在实验中，在采用了使用高清监控摄像头采集的行人视频作为测试样本，分辨率为768*576，共600帧，跟hog,lbp,hog-lbp，centrist进行对比,如表1所示。其中漏检率为未检测出来的行人样本数目与行人样本总数的比值；误检率为非行人样本被检测为行人的数量与非行人样本的总数的比值，检测速度为检测样本时每秒处理的帧数，从表1中可看出本方法性能优于其他四种方法，图2为实验结果图。

表1三种算法对比

上述实施例仅例示性说明本发明的原理及其功效，而非用于限制本发明。任何熟悉此技术的人士皆可在不违背本发明的精神及范畴下，对上述实施例进行修饰或改变。因此，举凡所属技术领域中具有通常知识者在未脱离本发明所揭示的精神与技术思想下所完成的一切等效修饰或改变，仍应由本发明的权利要求所涵盖。