一种基于分层核稀疏表示的行人检测方法
【技术领域】
[0001] 本发明属于智能交通领域，具体涉及一种基于分层核稀疏表示的行人检测方法。
【背景技术】
[0002] 行人检测就是要把视频或者图像中出现的行人从背景中分割出来并精确定位，它 在视频监控、智能驾驶等领域有着广泛的应用前景。但由于行人目标无论是在身材、衣着、 姿势，还是在视角、光照方面都有着较大的变化，加之复杂的背景场景以及摄像头自身的移 动和晃动，同时行人检测要求很高的精度和实时性，使得行人检测成为智能交通领域的最 困难的课题之一。
[0003] 目前行人检测系统一般分为外观特征提取和分类学习两部分，常用的外观特征如 Harr 小波，方向梯度直方图（Histograms of Oriented Gradient, HOG)，基于 Gabor 滤波器 皮层特征、流形特征、形状特征和颜色特征等。常用的分类学习方法有Adaboost集成学习、 支持向量机（Support Vector Machine, SVM)，神经网络（Neural Network, NN) 〇
[0004] 在驾驶辅助系统等应用中对行人检测的准确性有较高要求，但现有方法一般采用 固定的算法流程提取目标的全局特征，如方向梯度直方图实现方法是先将图像分成小的方 格单元连通区域；然后采集方格单元中各像素点的梯度方向或边缘方向直方图；最后把这 些直方图组合起来就可以构成特征描述子，这种固有流程提取的全局特征不能够适应场景 与行人外观的快速变换。同时由于街道附属物，车辆、树木等形成的部分遮挡，也使得通过 分类器训练得到的分类模型难以准确的分辨行人，现有方法难以稳定的处理部分遮挡，视 角变换等复杂情况。
【发明内容】
[0005] 本发明为克服上述现有技术中存在的问题，提出一种基于分层核稀疏表示的行人 检测方法，以期能有效地克服行人外观形变与部分遮挡的影响，增强行人检测对于外观变 化的鲁棒性，从而实现行人的高效检测。
[0006] 本发明为解决技术问题采用如下技术方案：
[0007] 本发明一种基于分层核稀疏表示的行人检测方法的特点是按如下步骤进行：
[0008] 步骤1、字典构建：
[0009] 步骤1. 1、从交通视频中获取N幅样本图像，从所述N幅样本图像中提取比例为 x:y的行人区域和非行人区域；X表示所述行人区域或非行人区域的宽；y表示所述行人区 域或非行人区域的高；且X < y ;将所述行人区域和非行人区域进行大小为aXb的归一化 处理，分别获得行人正样本和非行人负样本；
[0010] 步骤1.2、分别从所述行人正样本和非行人负样本中选取η个行人正样本和η个行 人负样本；并分别转换为η个行人正样本的灰度图和η个行人负样本的灰度图；
[0011] 对所述η个行人正样本的灰度图和η个行人负样本的灰度图分别进行梯度计算， 获得η个行人正样本的梯度幅值和η个行人负样本的梯度幅值；
[0012] 由所述η个行人正样本的梯度幅值构成η个正样本的特征图；由η个行人负样本 的梯度幅值构成η个负样本的特征图；
[0013] 步骤1. 3、从所述η个正样本的特征图和η个负样本的特征图中选出第j个样本， 1彡j彡2n ;对所述第j个样本进行三层划分，第一层以P1X (^进行划分，第二层以p 2 X q2 进行划分，第三层以卩3><卩3进行划分，从而获得？1><卩 1+?2><%+?3><%=1\ /[个子块，且？1\91 > p2Xq2> p 3Xq3;
[0014] 步骤I. 4、对所述第j个样本的第i个子块进行CENTRIST直方图描述子的提取，获 得所述第j个样本的第i个子的m维局部特征向量;^ };从而获得所述第j个样本的M个m 维局部特征向量
【主权项】
1. 一种基于分层核稀疏表示的行人检测方法，其特征是按如下步骤进行： 步骤1、字典构建： 步骤1. 1、从交通视频中获取N幅样本图像，从所述N幅样本图像中提取比例为x:y的 行人区域和非行人区域；X表示所述行人区域或非行人区域的宽；y表示所述行人区域或非 行人区域的高；且X < y ;将所述行人区域和非行人区域进行大小为aXb的归一化处理，分 别获得行人正样本和非行人负样本； 步骤1. 2、分别从所述行人正样本和非行人负样本中选取η个行人正样本和η个行人负 样本；并分别转换为η个行人正样本的灰度图和η个行人负样本的灰度图； 对所述η个行人正样本的灰度图和η个行人负样本的灰度图分别进行梯度计算，获得 η个行人正样本的梯度幅值和η个行人负样本的梯度幅值； 由所述η个行人正样本的梯度幅值构成η个正样本的特征图；由η个行人负样本的梯 度幅值构成η个负样本的特征图； 步骤1.3、从所述η个正样本的特征图和η个负样本的特征图中选出第j个样本， 1彡j彡2n ;对所述第j个样本进行三层划分，第一层以P1X (^进行划分，第二层以p 2 X q2 进行划分，第三层以卩3><卩3进行划分，从而获得？1><卩 1+?2><%+?3><%=1\ /[个子块，且？1\91 > p2Xq2> p 3Xq3; 步骤I. 4、对所述第j个样本的第i个子块进行CENTRIST直方图描述子的提取，获得所 述第j个样本的第i个子的m维局部特征向量;从而获得所述第j个样本的M个m维局 部特征向量{Μ?'.?ν?)}; K i SM; 将所述M个m维局部特征向量W'xH··,#1,···, A]进行级联，获得第j个样本 的特征向量Xj;从而获得2n个样本的特征向量{x u X2，…，Xj,…，x2n};其中，特征向量 (X1, X2,…，xn}为正样本的特征向量；特征向量{xn+1, xn+2,…，x2n}为负样本的特征向量； 步骤1. 5、对所述正样本的特征向量U1, X2,…，xn}按列排序形成正样本字典Xci;对所 述负样本的特征向量{xn+1，xn+2，…，x2n}按列排序形成负样本字典X 1;由所述正样本字典X0 和负样本字典&构成字典X ;由所述η个正样本或η个负样本中所有第i个子块构成的子 字典记为第i个子字典Xi; 步骤2 :行人检测： 步骤2. 1、假设测试图像为I，对所述测试图像I进行尺度为u倍到V倍之间的G次缩 放处理，获得G幅不同尺度的待检测图像（S1, S2，…，Sg，…SJ，Sg表示第g幅待检测图像； l^g^G；u^l；0<v<l； 步骤2. 2、以aXb为检测窗对所述第g幅待检测图像\按照扫描步长为c的"Z"字型 进行扫描获得若干个候选区域，记任意个候选区域为D ;c e [2, 32]; 步骤2. 3、对所述任意个候选区域D进行梯度计算，获得所述任意个候选区域D的梯度 幅值；由所述任意个候选区域D的梯度幅值构成所述任意个候选区域D的特征图；对所述 任意个候选区域D的特征图进行三层划分，从而获得所述任意个候选区域D的M个子块； 对所述任意个候选区域D的每个子块进行CENTRIST直方图描述子的提取，从而获得M个 m维局部特征向量Iy1, y2, ···，ys, ···，yM} ;ys表示第s个子块所提取的m维局部特征向量； 1彡s彡M ;对所述M个m维局部特征向量Iy1, y2,…，ys,…，yM}进行级联，获得所述任意个 候选区域D的特征向量y ; 步骤2. 4、对所述任意个候选区域D的第s个子块利用式（1)进行加权核稀疏表示a s:
式（1)中，表示第s个子块的加权系数，k( ·，·）表示直方图交叉核函数；X 3表示 第s个子字典；λ表示正则化因子； 步骤2. 5、利用式（2)计算第s个子块的重建误差es: es=k( y, ^ y,)+α? ^ χ ν)y,) (2) 步骤2. 6、利用式（3)所示的高斯加权函数计算第s个子块的加权系数《s:
式（3)中，σ表示高斯加权函数的方差； 步骤2. 7、定义t为迭代次数，并初始化t = 1 ;令第t次迭代下的第s个子块的加权系 数6^ = 1;利用式⑷所示的汇聚条件获得第t次迭代下的第s个子块的加权系数和 第S个子块的重建误差
式（4)中，τ为迭代终止参数； 步骤2. 8、利用所述第t次迭代下的所有子块的加权系数与重建误差的乘积和分别计 算所述正样本字典Xtl的总重建误差和负样本字典X :的总重建误差； 步骤2. 9、判断所述正样本字典Xtl的总重建误差是否小于所述负样本字典X 总重建 误差；若小于，则所述任意个候选区域D为行人区域；否则，所述任意个候选区域D为非行 人区域；从而获得检测结果区域；进而获得所述第g幅待检测图像Sg中所有候选区域的检 测结果区域； 步骤2. 10、重复步骤2. 2-步骤2. 9,从而获得所述G幅不同尺度的待检测图像 (S1, S2，…，Sg，…SJ的所有检测结果区域； 步骤2. 11、利用非极大抑制算法对所述所有检测结果区域中的重复的检测结果区域进 行合并；从而输出行人区域。
【专利摘要】本发明公开了一种基于分层核稀疏表示的行人检测方法，其特征是按如下步骤进行：对采集的交通视频进行预处理，获得需要的正负样本，通过分层的子块划分，获得多尺度的特征向量，并构建两类字典矩阵；对待测的行人图像进行预处理，得到测试样本，用字典构建过程相同的方式进行行人特征提取，形成测试样本的特征向量；采用直方图交叉核函数，对测试样本的特征向量进行核稀疏分解，并在迭代解决过程中采用高斯函数加权，再通过重建误差实现行人检测。本发明可以获得较好的检测性能，有效提高了行人检测在部分遮挡情况下的准确性，增强了行人检测系统对于外观变化的鲁棒性。
【IPC分类】G06K9-46, G06K9-00
【公开号】CN104657717
【申请号】CN201510076218
【发明人】孙锐, 张旭东, 高隽, 张广海
【申请人】合肥工业大学
【公开日】2015年5月27日
【申请日】2015年2月12日