行人检测方法、装置、电子设备及计算机可读存储介质与流程

1.本技术涉及图像处理技术领域，尤其涉及一种行人检测方法、装置、电子设备及计算机可读存储介质。


背景技术：

2.随着当今社会人工智能、计算机视觉及智能监控、智能交通的发展，行人检测技术越来越受到人们的关注，目前可通过提取行人的图像特征进行行人检测，例如提取行人图像的gabor特征或者hog(histogram of oriented gradient，方向梯度直方图)特征进行行人检测等，而由于单一类型的图像特征通常蕴含的图像信息较为单一，利用单一的图像特征进行行人检测的准确度较低，而多种类型的图像特征的融合图像特征的维度又通常较高，利用融合图像特征进行行人检测的效率较低，所以现有的行人检测方式对检测准确度和检测效率的兼顾程度较差。


技术实现要素：

3.本技术的主要目的在于提供一种行人检测方法、装置、电子设备及计算机可读存储介质，旨在解决现有技术中行人检测时对检测准确度和检测效率的兼顾程度差的技术问题。
4.为实现上述目的，本技术提供一种行人检测方法，所述行人检测方法包括：
5.获取待检测目标对应的待检测图像，提取所述待检测图像对应的gabor特征和对应的hog特征；
6.分别对所述gabor特征和所述hog特征进行降维，得到降维gabor特征和降维hog特征；
7.将所述降维gabor特征和所述降维hog特征进行融合，得到融合特征；
8.将所述融合特征降维至预设第一特征维度，得到降维融合特征，其中，所述预设第一特征维度用于兼顾对所述待检测目标进行行人检测的检测准确度以及检测效率；
9.依据所述降维融合特征，对所述待检测目标进行行人检测，得到行人检测结果。
10.为实现上述目的，本技术还提供一种行人检测装置，所述行人检测装置包括：
11.特征提取模块，用于获取待检测目标对应的待检测图像，提取所述待检测图像对应的gabor特征和对应的hog特征；
12.第一特征降维模块，用于分别对所述gabor特征和所述hog特征进行降维，得到降维gabor特征和降维hog特征；
13.特征融合模块，用于将所述降维gabor特征和所述降维hog特征进行融合，得到融合特征；
14.第二特征降维模块，用于将所述融合特征降维至预设第一特征维度，得到降维融合特征，其中，所述预设第一特征维度用于兼顾对所述待检测目标进行行人检测的检测准确度以及检测效率；
15.行人检测模块，用于依据所述降维融合特征，对所述待检测目标进行行人检测，得到行人检测结果。
16.本技术还提供一种电子设备，所述电子设备包括：存储器、处理器以及存储在所述存储器上并可在所述处理器上运行的所述行人检测方法的程序，所述行人检测方法的程序被处理器执行时可实现如上述的行人检测方法的步骤。
17.本技术还提供一种计算机可读存储介质，所述计算机可读存储介质上存储有实现行人检测方法的程序，所述行人检测方法的程序被处理器执行时实现如上述的行人检测方法的步骤。
18.本技术还提供一种计算机程序产品，包括计算机程序，所述计算机程序被处理器执行时实现如上述的行人检测方法的步骤。
19.本技术提供了一种行人检测方法、装置、电子设备及计算机可读存储介质，相比于现有技术中采用的利用单一的图像特征进行行人检测或者利用融合图像特征进行行人检测的技术手段，本技术首先获取待检测目标对应的待检测图像，提取所述待检测图像对应的gabor特征和对应的hog特征；分别对所述gabor特征和所述hog特征进行降维，得到降维gabor特征和降维hog特征；将所述降维gabor特征和所述降维hog特征进行融合，得到融合特征，进而实现了在较低维度融合gabor特征和hog特征的目的，避免在高维度进行特征融合，提升了特征融合的效率，从而可提升行人检测的效率，进而将所述融合特征降维至预设第一特征维度，得到降维融合特征，其中，所述预设第一特征维度用于兼顾对所述待检测目标进行行人检测的检测准确度以及检测效率；依据所述降维融合特征，对所述待检测目标进行行人检测，得到行人检测结果。进而在以低维度的降维融合特征进行行人检测来保证检测效率的同时，可同时行人检测的检测准确度，所以在进一步提升行人检测的效率的同时，兼顾了行人检测的准确度，克服了现有技术中利用单一的图像特征进行行人检测的准确度较低，而利用融合图像特征进行行人检测的效率较低，所以现有的行人检测方式对检测准确度和检测效率的兼顾性较差的技术缺陷，提升了行人检测时对检测准确度和检测效率的兼顾程度。
附图说明
20.此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本技术的实施例，并与说明书一起用于解释本技术的原理。
21.为了更清楚地说明本技术实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，对于本领域普通技术人员而言，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
22.图1为本技术行人检测方法第一实施例的流程示意图；
23.图2为本技术行人检测方法第二实施例的流程示意图；
24.图3为本技术行人检测方法第三实施例的流程示意图；
25.图4为本技术实施例中行人检测方法涉及的硬件运行环境的设备结构示意图。
26.本技术目的实现、功能特点及优点将结合实施例，参照附图做进一步说明。
具体实施方式
27.为使本发明的上述目的、特征和优点能够更加明显易懂，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述。显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动的前提下所获得的所有其它实施例，均属于本发明保护的范围。
28.实施例一
29.目前，在进行行人检测时，可单独提取行人图像的gabor特征或者hog特征进行行人检测，但是由于单一的gabor特征或者hog特征中蕴含的图像信息非常有限，这将限制行人检测的准确度，而若直接将gabor特征和hog特征进行融合，融合后的gabor-hog特征的维度又通常较高，若利用融合后的gabor-hog特征进行行人检测，这将限制利用融合后的gabor-hog特征进行行人检测的效率，同时特征融合时的计算量较高，将进一步影响行人检测的效率，所以目前的行人检测方法难以在检测准确度和检测效率之间进行兼顾。
30.本技术实施例提供一种行人检测方法，在本技术行人检测方法的第一实施例中，参照图1，所述行人检测方法包括：
31.步骤s10，获取待检测目标对应的待检测图像，提取所述待检测图像对应的gabor特征和对应的hog特征；
32.步骤s20，分别对所述gabor特征和所述hog特征进行降维，得到降维gabor特征和降维hog特征；
33.步骤s30，将所述降维gabor特征和所述降维hog特征进行融合，得到融合特征；
34.步骤s40，将所述融合特征降维至预设第一特征维度，得到降维融合特征，其中，所述预设第一特征维度用于兼顾对所述待检测目标进行行人检测的检测准确度以及检测效率；
35.步骤s50，依据所述降维融合特征，对所述待检测目标进行行人检测，得到行人检测结果。
36.本技术实施例首先获取待检测目标对应的待检测图像，提取所述待检测图像对应的gabor特征和对应的hog特征；分别对所述gabor特征和所述hog特征进行降维，得到降维gabor特征和降维hog特征；将所述降维gabor特征和所述降维hog特征进行融合，得到融合特征，也即本技术实施例先将gabor特征和hog特征降至一定维度后，再进行特征融合，使得gabor特征和hog特征不会在很高的维度进行融合，降低了gabor特征和hog特征在进行特征融合的计算量，提升了特征融合的效率，进而可提升行人检测的效率，进而将所述融合特征降维至合适的预设第一特征维度，得到降维融合特征，依据所述降维融合特征，对所述待检测目标进行行人检测，得到行人检测结果，其中，所述预设第一特征维度用于兼顾对所述待检测目标进行行人检测的检测准确度以及检测效率的合适特征维度，在保证行人检测具备不低的检测效率的情况下，同时保证行人检测具备不低的检测准确度。
37.在本实施例中，需要说明的是，所述行人图像为对行人所在区域拍摄的图像。所述gabor特征是一种可以用来描述图像纹理信息的特征，用于图像的纹理表示与判别；所述hog特征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，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。
38.作为一种示例，可通过gabor特征滤波器从行人图像中提取gabor特征，所述gabor特征滤波器可设计为四种频率和八个方向，从而滤波器的输出结果中提取有效纹理特征集，例如四种频率可以为(0.1，0.5，0.25，0.125)，八个方向可以为(π/8，2π/8，3π/8，4π/8，5π/8，6π/8，7π/8，π)。
39.步骤s10至步骤s50包括：获取待检测目标对应的待检测图像，对所述待检测图像分别进行gabor特征提取和hog特征提取，得到所述待检测图像对应的gabor特征和对应的hog特征；将所述gabor特征降维至预设第二特征维度，得到所述降维gabor特征，以及将所述hog特征降维至预设第三特征维度，得到所述降维hog特征，其中，所述降维gabor特征可以为矩阵形式的gabor特征，也即为降维gabor特征矩阵，所述降维hog特征可以为矩阵形式的hog特征，也即为降维hog特征矩阵；通过将所述降维gabor特征矩阵和所述降维hog特征矩阵进行拼接，将所述降维gabor特征和所述降维hog特征进行融合，得到融合特征，其中，所述融合特征可以为由所述降维gabor特征矩阵和所述降维hog特征矩阵拼接得到的特征矩阵；将所述融合特征降维至预设第一特征维度，得到降维融合特征；依据预设图像分类器，对所述降维融合特征进行分类，得到图像分类结果，依据所述图像分类结果，对所述待检测目标进行行人检测，得到行人检测结果，其中，行人检测可以为行人分类，也可以为行人识别，也可以为行人体温检测等，所述预设第一特征维度用于兼顾对所述待检测目标进行行人检测的检测准确度以及检测效率，也即所述预设第一特征维度可同时保证行人检测的检测准确度大于预设准确度阈值且行人检测的检测效率大于预设效率阈值。所述预设第一特征维度的具体确定过程可参照下述步骤b10至步骤b30中的具体实施过程，在此不再赘述，所述图像分类器可以为svm(support vector machines，支持向量机)，降维方式可以为利用pca(principal component analysis，主成分分析)算法进行降维。
40.作为一种示例，所述降维gabor特征的数量可以为多个，所述降维gabor特征包括gabor特征正样本以及gabor特征负样本，所述降维hog特征的数量也可以为多个，所述降维hog特征包括hog特征正样本和hog特征负样本，所述融合特征可以为融合后的样本特征集，所述将所述降维gabor特征和所述降维hog特征进行融合，得到融合特征的过程如下：
[0041][0042]
其中，mx为融合后的样本特征集，h1～hm为hog特征正样本，h
m+1
～hn为hog特征负样本，g1～gm为gabor特征正样本，g
m+1
～gn为gabor特征负样本，3780为降维hog特征的特征维度的大小值，60为降维gabor特征的特征纬度的大小值。
[0043]
其中，所述分别对所述gabor特征和所述hog特征进行降维，得到降维gabor特征和降维hog特征的步骤，包括：
[0044]
步骤s21，将所述gabor特征降维至预设第二特征维度，得到所述降维gabor特征，
以及将所述hog特征降维至预设第三特征维度，得到所述降维hog特征，其中，所述预设第二特征维度和所述预设第三特征维度共同用于保持所述降维gabor特征和所述降维hog特征之间进行特征融合时对应的特征融合效率，以及共同用于保持所述预设第二特征维度对应构建的图像分类器的第一分类准确度。
[0045]
在本实施例中，需要说明的是，在进行降维的过程中，gabor特征和hog特征均会丢失特征中蕴含信息，也即丢失特征信息，且降维的幅度越大，则降维后特征信息丢失的越多，从而会影响特征分类的准确度，进而影响行人检测的检测准确度，但是若降维幅度过小，降维后特征的维度将过高，则会影响特征融合的效率，从而影响行人检测的检测效率。所以所述第一分类准确度越高，则所述检测准确度越高，所述特征融合效率越高，则所述检测效率越高。
[0046]
另外地，所述预设第二特征维度和所述预设第三特征维度共同用于保持所述降维gabor特征和所述降维hog特征之间进行特征融合时对应的特征融合效率，以及共同用于保持所述预设第二特征维度对应构建的图像分类器的第一分类准确度。其中，所述特征融合效率可依据融合降维后gabor特征和降维后hog特征所消耗的时间进行评估，降维后gabor特征的维度和降维后hog特征的维度越高，则特征融合消耗的时间越长，特征融合效率越低。所述第一分类准确度随着预设第二特征维度或者预设第三特征维度呈正态分布，具体原因为：降维后gabor特征和降维后hog特征随着降维幅度的提升，去除了特征中的冗余信息，减少了贡献度低的特征信息对第一分类准确度的干扰，所以第一分类准确度将会逐渐提升，而随着降维幅度的进一步提升，丢失的特征信息越来越多，将会影响图像分类器进行分类的准确度，所以第一分类准确度会逐渐降低。依据所述预设第二特征维度的降维后gabor特征和处于预设第三特征维度的降维后hog特征进行特征融合得到融合特征，进而依据图像分类器对融合特征进行分类，以进行行人检测，可保证降维后gabor特征和降维后hog特征之间进行特征融合的消耗时长小于预设消耗时长阈值，从而保证特征融合效率高于预设特征融合效率阈值，同样可保证利用图像分类器对融合特征进行分类的第一分类准确度大于预设分类准确度阈值。从而可保证特征融合效率对应的行人检测的检测效率大于预设效率阈值，且保证第一分类准确度对应的行人检测的检测准确度大于预设准确度阈值，进而可实现兼顾行人检测对应的检测准确度与对应的检测效率的目的。
[0047]
本技术实施例提供了一种行人检测方法，相比于现有技术中采用的利用单一的图像特征进行行人检测或者利用融合图像特征进行行人检测的技术手段，本技术实施例首先获取待检测目标对应的待检测图像，提取所述待检测图像对应的gabor特征和对应的hog特征；分别对所述gabor特征和所述hog特征进行降维，得到降维gabor特征和降维hog特征；将所述降维gabor特征和所述降维hog特征进行融合，得到融合特征，进而实现了在较低维度融合gabor特征和hog特征的目的，避免在高维度进行特征融合，提升了特征融合的效率，从而可提升行人检测的效率，进而将所述融合特征降维至预设第一特征维度，得到降维融合特征，其中，所述预设第一特征维度用于兼顾对所述待检测目标进行行人检测的检测准确度以及检测效率；依据所述降维融合特征，对所述待检测目标进行行人检测，得到行人检测结果。进而在以低维度的降维融合特征进行行人检测来保证检测效率的同时，可同时行人检测的检测准确度，所以在进一步提升行人检测的效率的同时，兼顾了行人检测的准确度，克服了现有技术中利用单一的图像特征进行行人检测的准确度较低，而利用融合图像特征
进行行人检测的效率较低，所以现有的行人检测方式对检测准确度和检测效率的兼顾性较差的技术缺陷，提升了行人检测时对检测准确度和检测效率的兼顾程度。
[0048]
实施例二
[0049]
进一步地，参照图2，在本技术另一实施例中，与上述实施例一相同或相似的内容，可以参考上文介绍，后续不再赘述。在此基础上，在所述将所述gabor特征降维至预设第二特征维度，得到所述降维gabor特征，以及将所述hog特征降维至预设第三特征维度，得到所述降维hog特征的步骤之前，所述行人检测方法包括：
[0050]
步骤a10，获取训练gabor特征和训练hog特征；
[0051]
步骤a20，将所述训练gabor特征分别降维至各预设第一训练特征维度，得到各训练降维gabor特征，以及将所述训练hog特征分别降维至各预设第二训练特征维度，得到各训练降维hog特征；
[0052]
步骤a30，将各所述训练降维gabor特征和各所述训练降维hog特征进行两两融合，得到各训练融合特征；
[0053]
步骤a40，依据各所述训练融合特征，分别训练各所述训练融合特征对应的图像分类器；
[0054]
步骤a50，依据各所述图像分类器对应的第一分类准确度以及各所述训练融合特征对应的特征融合效率，在各所述预设第一训练特征维度中选取所述预设第二特征维度以及在各所述预设第二训练特征维度中选取预设第三特征维度。
[0055]
在本实施例中，需要说明的是，所述训练gabor特征和所述训练hog特征可以从一个或者多个图像样本中进行特征提取得到，所以所述训练gabor特征的数量和所述训练hog特征的数量可以为一个或者多个，其中，这些图像样本包括正图像样本以及负图像样本。各所述预设第一训练特征维度的大小不同，各所述预设第二训练特征维度大小不同，例如各所述预设第一训练特征维度可分别设置为64维、60维、55维、50维以及45维，各所述第二训练特征维度可分别设置为3780维、3000维、2000维、1000维以及600维，进而需要从各预设第一训练特征维度中选取预设第二特征维度，从各预设第二训练特征维度中选取预设第三特征维度，以保持所述降维hog特征对应的特征融合效率以及保持所述预设第二特征维度对应构建的图像分类器的第一分类准确度。
[0056]
步骤a10至步骤a50包括：获取训练gabor特征和训练hog特征；将所述训练gabor特征分别降维至各预设第一训练特征维度，得到所述gabor特征对应的处于各预设第一训练特征维度的训练降维gabor特征，以及将所述训练hog特征分别降维至各预设第二训练特征维度，得到所述hog特征对应的处于各预设第二训练特征维度的训练降维hog特征；将每一所述训练降维gabor特征和每一所述训练降维hog特征进行两两融合，得到各训练融合特征；将各所述训练融合特征分别降维至预设第一特征维度，依据降维后的各训练融合特征训练对应的图像分类器；获取各所述图像分类器对应的第一分类准确度和各所述训练融合特征对应的特征融合效率，其中，所述第一分类准确度和所述特征融合效率一一对应；依据各所述第一分类准确度和各所述特征融合效率，分别对各所述训练融合特征进行评分，以评估所述训练融合特征对应的第一分类准确度和对应的特征融合效率的兼顾程度，得到各融合特征评分，选取所述融合特征评分最高的训练融合特征作为目标训练融合特征，将所述目标训练融合特征对应的预设第一训练特征维度作为预设第二特征维度，以及将所述目
标训练融合特征对应的预设第二训练特征维度作为预设第三特征维度。其中，所述获取各所述图像分类器对应的第一分类准确度和各所述训练融合特征对应的特征融合效率的具体实施过程可参照下述步骤a51至步骤a54中的过程，在此不再赘述。其中，所述预设第一特征维度的获取方式可参照下述步骤b10至步骤b30中的具体内容，在此不再赘述。
[0057]
其中，所述依据各所述图像分类器对应的第一分类准确度以及各所述训练融合特征对应的特征融合效率，在各所述预设第一训练特征维度中选取所述预设第二特征维度以及在各所述预设第二训练特征维度中选取预设第三特征维度的步骤，包括：
[0058]
步骤a51，获取各所述图像分类器对应的第一验证融合特征；
[0059]
步骤a52，分别将各所述第一验证融合特征降维至所述预设第一特征维度，得到各所述第一验证融合特征对应的验证降维融合特征；
[0060]
步骤a53，通过将各所述验证降维融合特征输入对应的图像分类器中进行分类，评估各所述图像分类器对应的第一分类准确度；
[0061]
步骤a54，获取各所述第一验证融合特征对应的特征融合消耗时长，以评估各所述第一验证融合特征对应的融合特征融合效率；
[0062]
步骤a55，依据各所述特征融合效率以及各所述第一分类准确度，在各所述预设第一训练特征维度中选取所述预设第二特征维度以及在各所述预设第二训练特征维度中选取预设第三特征维度。
[0063]
在本实施例中，需要说明的是，所述图像分类器对应的第一验证融合特征与对应的训练融合特征的特征维度一致，更具体的说，所述第一验证融合特征相比于所述训练融合特征，两者对应的预设第一训练特征维度和两者对应的预设第二训练特征维度均一致，
[0064]
步骤a51至步骤a55包括：获取各所述图像分类器对应的第一验证融合特征；分别将各所述第一验证融合特征降维至所述预设第一特征维度，得到各所述第一验证融合特征对应的验证降维融合特征；将各所述验证降维融合特征输入对应的图像分类器中进行分类，得到各所述验证降维融合特征对应的输出图像分类标签；获取各所述验证降维融合特征对应的预设图像分类标签，依据每一输出图像分类标签与对应的图像分类标签之间的相似度，计算各所述图像分类器对应的第一分类准确度；获取进行特征融合得到各所述第一验证融合特征所消耗的特征融合时长，根据特征融合时长与特征融合效率之间的映射关系，查询各特征融合时长对应的特征融合效率；依据各所述第一分类准确度和各所述特征融合效率，分别对各所述训练融合特征进行评分，以评估所述训练融合特征对应的第一分类准确度和对应的特征融合效率的兼顾程度，得到各融合特征评分，选取所述融合特征评分最高的第一验证融合特征作为目标第一验证融合特征，将所述目标第一验证融合特征对应的预设第一训练特征维度作为预设第二特征维度，以及将所述目标第一验证融合特征对应的预设第二训练特征维度作为预设第三特征维度。其中，所述预设第一特征维度的获取方式可参照下述步骤b10至步骤b30中的具体内容，在此不再赘述。
[0065]
其中，所述特征融合效率包括效率评分，所述第一分类准确度包括第一准确度评分，
[0066]
所述依据各所述特征融合效率以及各所述第一分类准确度，在各所述预设第一训练特征维度中选取所述预设第二特征维度以及在各所述预设第二训练特征维度中选取预设第三特征维度的步骤，包括：
[0067]
步骤a551，对所述效率评分和所述第一准确度评分进行加权求和，得到各所述图像分类器对应的第一综合评分；
[0068]
步骤a552，依据各所述第一综合评分，在各所述预设第一训练特征维度中选取所述预设第二特征维度以及在各所述预设第二训练特征维度中选取预设第三特征维度。
[0069]
在本实施例中，需要说明的是，所述第一综合评分为用于评估行人检测对应的检测准确度和对应的检测效率的评分，其中，所述检测效率与行人检测时进行特征融合的效率相关联，该检测效率和该检测准确度均与特征融合时gabor特征的维度和hog特征的维度大小相关联。
[0070]
步骤a551至步骤a552包括：依据预设第一权重信息，对所述效率评分和所述第一准确度评分进行加权求和，得到各所述图像分类器对应的第一综合评分；在各所述第一综合评分中确定评分最高的目标第一综合评分，将所述目标第一综合评分对应的预设第一训练特征维度作为预设第二特征维度，以及将所述目标第一综合评分对应的预设第二训练特征维度作为预设第三特征维度。
[0071]
本技术实施例提供了一种确定预设第二特征维度和预定第三特征维度的方法，也即获取训练gabor特征和训练hog特征；将所述训练gabor特征分别降维至各预设第一训练特征维度，得到各训练降维gabor特征，以及将所述训练hog特征分别降维至各预设第二训练特征维度，得到各训练降维hog特征；将各所述训练降维gabor特征和各所述训练降维hog特征进行两两融合，得到各训练融合特征；依据各所述训练融合特征，分别训练各所述训练融合特征对应的图像分类器；依据各所述图像分类器对应的第一分类准确度以及各所述训练融合特征对应的特征融合效率，在各所述预设第一训练特征维度中选取所述预设第二特征维度以及在各所述预设第二训练特征维度中选取预设第三特征维度。可保证选取出来的所述预设第二特征维度和所述预设第三特征维度可共同用于保持所述降维gabor特征和所述降维hog特征之间进行特征融合时对应的特征融合效率，以及共同用于保持所述预设第二特征维度对应构建的图像分类器的第一分类准确度，为进行行人检测时兼顾检测准确度和检测效率奠定了基础。
[0072]
实施例三
[0073]
进一步地，参照图3，在本技术另一实施例中，与上述实施例一相同或相似的内容，可以参考上文介绍，后续不再赘述。在此基础上，在所述将所述融合特征降维至预设第一特征维度，得到降维融合特征的步骤之前，所述行人检测方法还包括：
[0074]
步骤b10，获取具备不同融合特征维度的第二验证融合特征以及各所述融合特征维度对应的待验证图像分类器；
[0075]
步骤b20，通过将各所述第二验证融合特征分别输入对应的待验证图像分类器进行分类，计算各所述待验证图像分类器对应的第二分类准确度和对应的分类计算消耗时长；
[0076]
步骤b30，依据所述第二分类准确度和所述分类计算消耗时长，在各所述融合特征维度中选取所述预设第一特征维度。
[0077]
在本实施例中，需要说明的是，融合特征的维度的大小会对行人检测对应的检测准确度和对应的检测效率产生影响，融合特征的维度越高，则蕴含的特征信息越多，则依据对应的图像分类器进行分类的第二分类准确度越高，从而行人检测的检测准确度越高，但
是同时图像分类器进行分类时的计算量越大，从而图像分类器进行分类时的计算效率越低，从而行人检测的检测效率越低。
[0078]
步骤b10至步骤b30包括：获取具备不同融合特征维度的第二验证融合特征，确定用于融合得到每一所述第二验证融合特征的gabor特征对应的第一目标特征维度，以及确定用于融合得到每一述第二验证融合特征的hog特征对应的第二目标特征维度，获取依据具备每一所述第一目标特征维度的gabor特征以及对应的具备所述第二目标特征维度的hog特征对应构建的待验证图像分类器；将各所述第二验证融合特征分别输入对应的待验证图像分类器进行分类，得到各所述第二验证融合特征对应的第二输出分类标签，依据每一所述第二输出分类标签与对应的第二验证融合特征的第二预设分类标签之间的相似度，计算各所述待验证图像分类器的第二分类准确度；获取每一所述待验证图像分类器对对应的第二验证融合特征进行分类所消耗的时长，得到各所述待验证图像分类器对应的分类计算消耗时长；依据各所述第二分类准确度和各所述分类计算消耗时长，分别对各所述第二验证融合特征进行评分，以分别评估每一所述融合特征维度对应的第二分类准确度和对应的分类计算效率的兼顾程度，得到各融合特征维度对应的融合特征维度评分，选取融合特征维度评分最高的融合特征维度为所述预设第一特征维度。其中，构建所述待验证图像分类器的具体实施过程可参照上述步骤a10至步骤a40中的内容，在此不再赘述。
[0079]
其中，所述第二分类准确度包括第二准确度评分，
[0080]
所述依据所述第二分类准确度和所述分类计算消耗时长，在各所述融合特征维度中选取所述预设第一特征维度的步骤，包括：
[0081]
步骤b31，依据各所述第二准确度评分和各所述分类计算消耗时长，确定各所述融合特征维度对应的第二综合评分；
[0082]
步骤b32，选取所述第二综合评分最高的待选取图像分类器对应的融合特征维度作为所述预设第一特征维度。
[0083]
在本实施例中，需要说明的是，所述第二综合评分用于在进行行人检测时评估图像分类器对融合特征进行分类时对应的第二分类准确度和对应的分类计算效率的兼顾程度，其中，所述第二分类准确度和所述分类计算效率均与融合特征的维度大小相关联。
[0084]
步骤b31至步骤b32包括：根据分类计算消耗时长与效率评分之间的映射关系，查询各所述分类计算消耗时长对应的分类计算效率所对应的第二效率评分；依据预设第二权重信息，对每一所述第二准确度评分和对应的第二效率评分进行加权求和，得到各所述融合特征维度对应的第二综合评分，其中，所述第二准确度评分和所述第二效率评分一一对应；选取第二综合评分最高的融合特征维度作为所述预设第一特征维度。
[0085]
另外地，需要说明的是，本技术实施例中通过控制降维gabor特征处于预设第二特征维度和控制降维hog特征处于预设第三特征维度，可实现兼顾行人检测对应的检测准确度和对应的检测效率的目的，同时通过控制融合特征处于预设第一特征维度，同样可实现兼顾行人检测对应的检测准确度和对应的检测效率的目的，所以实现了通过在特征降维过程中，对gabor特征、hog特征和融合特征三者的特征维度的两级控制，可在最大程度上兼顾行人检测对应的检测准确度和对应的检测效率。
[0086]
本技术实施例提供了一种确定预设第一特征维度的方法，也即，获取具备不同融合特征维度的第二验证融合特征以及各所述融合特征维度对应的待验证图像分类器；通过
将各所述第二验证融合特征分别输入对应的待验证图像分类器进行分类，计算各所述待验证图像分类器对应的第二分类准确度和对应的分类计算消耗时长；依据所述第二分类准确度和所述分类计算消耗时长，在各所述融合特征维度中选取所述预设第一特征维度。可保证选取出来的预设第一特征维度可用于兼顾图像分类器对应的第二分类准确度和对应的分类计算准确度，为进行行人检测时兼顾检测准确度和检测效率奠定了基础。
[0087]
实施例四
[0088]
本技术实施例还提供一种行人检测装置，所述行人检测装置包括：
[0089]
特征提取模块，用于获取待检测目标对应的待检测图像，提取所述待检测图像对应的gabor特征和对应的hog特征；
[0090]
第一特征降维模块，用于分别对所述gabor特征和所述hog特征进行降维，得到降维gabor特征和降维hog特征；
[0091]
特征融合模块，用于将所述降维gabor特征和所述降维hog特征进行融合，得到融合特征；
[0092]
第二特征降维模块，用于将所述融合特征降维至预设第一特征维度，得到降维融合特征，其中，所述预设第一特征维度用于兼顾对所述待检测目标进行行人检测的检测准确度以及检测效率；
[0093]
行人检测模块，用于依据所述降维融合特征，对所述待检测目标进行行人检测，得到行人检测结果。
[0094]
可选地，所述特征降维模块还用于：
[0095]
将所述gabor特征降维至预设第二特征维度，得到所述降维gabor特征，以及将所述hog特征降维至预设第三特征维度，得到所述降维hog特征，其中，所述预设第二特征维度和所述预设第三特征维度共同用于保持所述降维gabor特征和所述降维hog特征之间进行特征融合时对应的特征融合效率，以及共同用于保持所述预设第二特征维度对应构建的图像分类器的第一分类准确度。
[0096]
可选地，所述行人检测装置还用于：
[0097]
获取训练gabor特征和训练hog特征；
[0098]
将所述训练gabor特征分别降维至各预设第一训练特征维度，得到各训练降维gabor特征，以及将所述训练hog特征分别降维至各预设第二训练特征维度，得到各训练降维hog特征；
[0099]
将各所述训练降维gabor特征和各所述训练降维hog特征进行两两融合，得到各训练融合特征；
[0100]
依据各所述训练融合特征，分别训练各所述训练融合特征对应的图像分类器；
[0101]
依据各所述图像分类器对应的第一分类准确度以及各所述训练融合特征对应的特征融合效率，在各所述预设第一训练特征维度中选取所述预设第二特征维度以及在各所述预设第二训练特征维度中选取预设第三特征维度。
[0102]
可选地，所述行人检测装置还用于：
[0103]
获取各所述图像分类器对应的第一验证融合特征；
[0104]
分别将各所述第一验证融合特征降维至所述预设第一特征维度，得到各所述第一验证融合特征对应的验证降维融合特征；
[0105]
通过将各所述验证降维融合特征输入对应的图像分类器中进行分类，评估各所述图像分类器对应的第一分类准确度；
[0106]
获取各所述第一验证融合特征对应的特征融合消耗时长，以评估各所述第一验证融合特征对应的融合特征融合效率；
[0107]
依据各所述特征融合效率以及各所述第一分类准确度，在各所述预设第一训练特征维度中选取所述预设第二特征维度以及在各所述预设第二训练特征维度中选取预设第三特征维度。
[0108]
可选地，所述特征融合效率包括效率评分，所述第一分类准确度包括第一准确度评分，所述行人检测装置还用于：
[0109]
对所述效率评分和所述第一准确度评分进行加权求和，得到各所述图像分类器对应的第一综合评分；
[0110]
依据各所述第一综合评分，在各所述预设第一训练特征维度中选取所述预设第二特征维度以及在各所述预设第二训练特征维度中选取预设第三特征维度。
[0111]
可选地，所述行人检测装置还用于：
[0112]
获取具备不同融合特征维度的第二验证融合特征以及各所述融合特征维度对应的待验证图像分类器；
[0113]
通过将各所述第二验证融合特征分别输入对应的待验证图像分类器进行分类，计算各所述待验证图像分类器对应的第二分类准确度和对应的分类计算消耗时长；
[0114]
依据所述第二分类准确度和所述分类计算消耗时长，在各所述融合特征维度中选取所述预设第一特征维度。
[0115]
可选地，所述第二分类准确度包括第二准确度评分，所述行人检测装置还用于：
[0116]
依据各所述第二准确度评分和各所述分类计算消耗时长，确定各所述融合特征维度对应的第二综合评分；
[0117]
选取所述第二综合评分最高的待选取图像分类器对应的融合特征维度作为所述预设第一特征维度。
[0118]
本发明提供的行人检测装置，采用上述实施例一或实施例二中的行人检测方法，解决了行人检测时对检测准确度和检测效率的兼顾程度差的技术问题。与现有技术相比，本发明实施例提供的行人检测装置的有益效果与上述实施例提供的行人检测方法的有益效果相同，且该行人检测装置中的其他技术特征与上述实施例方法公开的特征相同，在此不做赘述。
[0119]
实施例五
[0120]
本发明实施例提供一种电子设备，电子设备包括：至少一个处理器；以及，与至少一个处理器通信连接的存储器；其中，存储器存储有可被至少一个处理器执行的指令，指令被至少一个处理器执行，以使至少一个处理器能够执行上述实施例一中的行人检测方法。
[0121]
下面参考图4，其示出了适于用来实现本公开实施例的电子设备的结构示意图。本公开实施例中的电子设备可以包括但不限于诸如移动电话、笔记本电脑、数字广播接收器、pda(个人数字助理)、pad(平板电脑)、pmp(便携式多媒体播放器)、车载终端(例如车载导航终端)等等的移动终端以及诸如数字tv、台式计算机等等的固定终端。图4示出的电子设备仅仅是一个示例，不应对本公开实施例的功能和使用范围带来任何限制。
[0122]
如图4所示，电子设备可以包括处理装置(例如中央处理器、图形处理器等)，其可以根据存储在只读存储器(rom)中的程序或者从存储装置加载到随机访问存储器(ram)中的程序而执行各种适当的动作和处理。在ram中，还存储有电子设备操作所需的各种程序和数据。处理装置、rom以及ram通过总线彼此相连。输入/输出(i/o)接口也连接至总线。
[0123]
通常，以下系统可以连接至i/o接口：包括例如触摸屏、触摸板、键盘、鼠标、图像传感器、麦克风、加速度计、陀螺仪等的输入装置；包括例如液晶显示器(lcd)、扬声器、振动器等的输出装置；包括例如磁带、硬盘等的存储装置；以及通信装置。通信装置可以允许电子设备与其他设备进行无线或有线通信以交换数据。虽然图中示出了具有各种系统的电子设备，但是应理解的是，并不要求实施或具备所有示出的系统。可以替代地实施或具备更多或更少的系统。
[0124]
特别地，根据本公开的实施例，上文参考流程图描述的过程可以被实现为计算机软件程序。例如，本公开的实施例包括一种计算机程序产品，其包括承载在计算机可读介质上的计算机程序，该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中，该计算机程序可以通过通信装置从网络上被下载和安装，或者从存储装置被安装，或者从rom被安装。在该计算机程序被处理装置执行时，执行本公开实施例的方法中限定的上述功能。
[0125]
本发明提供的电子设备，采用上述实施例一或实施例二中的行人检测方法，解决了行人检测时对检测准确度和检测效率的兼顾程度差的技术问题。与现有技术相比，本发明实施例提供的电子设备的有益效果与上述实施例一提供的行人检测方法的有益效果相同，且该电子设备中的其他技术特征与上述实施例方法公开的特征相同，在此不做赘述。
[0126]
应当理解，本公开的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式的描述中，具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。
[0127]
以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以所述权利要求的保护范围为准。
[0128]
实施例六
[0129]
本实施例提供一种计算机可读存储介质，具有存储在其上的计算机可读程序指令，计算机可读程序指令用于执行上述实施例一中的行人检测的方法。
[0130]
本发明实施例提供的计算机可读存储介质例如可以是u盘，但不限于电、磁、光、电磁、红外线、或半导体的系统、系统或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(ram)、只读存储器(rom)、可擦式可编程只读存储器(eprom或闪存)、光纤、便携式紧凑磁盘只读存储器(cd-rom)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本实施例中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、系统或者器件使用或者与其结合使用。计算机可读存储介质上包含的程序代码可以用任何适当的介质传输，包括但不限于：电线、光缆、rf(射频)等等，或者上述的任意合适的组合。
[0131]
上述计算机可读存储介质可以是电子设备中所包含的；也可以是单独存在，而未
装配入电子设备中。
[0132]
上述计算机可读存储介质承载有一个或者多个程序，当上述一个或者多个程序被电子设备执行时，使得电子设备：获取待检测目标对应的待检测图像，提取所述待检测图像对应的gabor特征和对应的hog特征；
[0133]
分别对所述gabor特征和所述hog特征进行降维，得到降维gabor特征和降维hog特征；将所述降维gabor特征和所述降维hog特征进行融合，得到融合特征；将所述融合特征降维至预设第一特征维度，得到降维融合特征，其中，所述预设第一特征维度用于兼顾对所述待检测目标进行行人检测的检测准确度以及检测效率；依据所述降维融合特征，对所述待检测目标进行行人检测，得到行人检测结果。
[0134]
可以以一种或多种程序设计语言或其组合来编写用于执行本公开的操作的计算机程序代码，上述程序设计语言包括面向对象的程序设计语言—诸如java、smalltalk、c++，还包括常规的过程式程序设计语言—诸如“c”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络——包括局域网(lan)或广域网(wan)—连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
[0135]
附图中的流程图和框图，图示了按照本发明各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分，该模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。
[0136]
描述于本公开实施例中所涉及到的模块可以通过软件的方式实现，也可以通过硬件的方式来实现。其中，模块的名称在某种情况下并不构成对该单元本身的限定。
[0137]
本发明提供的计算机可读存储介质，存储有用于执行上述行人检测方法的计算机可读程序指令，解决了行人检测时对检测准确度和检测效率的兼顾程度差的技术问题。与现有技术相比，本发明实施例提供的计算机可读存储介质的有益效果与上述实施例一或实施例二提供的行人检测方法的有益效果相同，在此不做赘述。
[0138]
实施例七
[0139]
本技术还提供一种计算机程序产品，包括计算机程序，所述计算机程序被处理器执行时实现如上述的行人检测方法的步骤。
[0140]
本技术提供的计算机程序产品解决了行人检测时对检测准确度和检测效率的兼顾程度差的技术问题。与现有技术相比，本发明实施例提供的计算机程序产品的有益效果与上述实施例一或实施例二提供的行人检测方法的有益效果相同，在此不做赘述。
[0141]
以上仅为本技术的优选实施例，并非因此限制本技术的专利范围，凡是利用本申
请说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本技术的专利处理范围内。