一种基于区域分块行人性别识别方法
【技术领域】
[0001 ] 本发明涉及图片检测与识别技术。
【背景技术】
[0002] 人物性别识别的研究开始于二十世纪九十年代，问题起初是由心理学家进行研 究，他们致力于研究人类辨别男女的识别机制。接着，有学者从计算机视觉的角度进行研 究，其主要目标是得到可以分辨性别的分类器。十多年来，人物的性别识别得到了空前的发 展，尤其近年来，更成为一个热门的研究课题，得到大量来自计算机视觉、模式识别、人工智 能、系统监控和心理学等领域研究人员的关注。性别识别在多个方面都得到了广泛的应用。 性别识别可以在身份识别中充当过滤器的功能，利用检测出的性别信息可以降低身份识别 的搜索难度，从而提高身份识别的精度和速度；在安全监控方面，性别识别也起到了巨大的 作用，如可以在某些需要限制异常出入的场所设置监控，提供实时的视频监控并报警；在计 算机理解方面，性别识别可以对丰富的人物信息加以分类，进一步促进机器智能化程度，改 善目前呆板的人机交互环境，提供更为个性化的服务。
[0003] 人物的性别分类涉及模式识别等多种方法，如贝叶斯决策、支持向量机、主成分分 析、人工神经网络以及深度学习等。传统的性别识别主要有基于人工神经网络的算法，这种 方法主要是先对样本进行主成分分析，然后训练分层神经元网络用于识别人物性别；支持 向量机的方法一般是采用基于RBF核的SVM分类器对人脸图像进行性别分类；AdaBoost方 法是基于类Haar基特征，训练并完成自动检测、跟踪和性别识别的一种有效方法；基于主 动表观模型的性别与表情识别方法是用AAM提取的特征训练SVM分类器，达到性别识别的 目的。这些方法通常计算量大，算法复杂度高，并且通常以人脸为输入信息，浪费了身体其 他部位的信息，对于非正面输入图像识别准确率往往不高。
[0004] 目前，性别识别的方法大多都是通过提取人脸的特征，通过训练分类器来进行性 别识别，这种方法在一定的场景下有不错的效果。然而，在诸如监控画面场景下，人脸并不 清晰，通过提取人脸特征识别性别相当困难。另一方面，针对人脸提取特征的方法较为复 杂，从而降低了实时性。本文尝试通过提取行人整个身体特征，快速准确地识别行人性别。
【发明内容】
[0005] 本发明所要解决的技术问题是，提供一种快速有效的行人性别识别方法。
[0006] 本发明为解决上述技术问题所采用的技术方案是，一种基于区域分块行人性别识 别方法：
[0007] 1)训练步骤：提取样本行人图片的行人特征并标注性别训练支持向量机SVM分类 器；
[0008] 将行人所在的矩形框按预设的比例系数局部重合划分为头部块、上半身块、下半 身块；所述头部块为行人肩膀以上的部分，所述上半身块为行人的脖子以下大腿以上部分， 所述下半身块为行人的腰部以下的部分；
[0009] 针对头部块，提取梯度直方图特征与边缘梯度直方图特征2组特征向量；针对上 半身块，提取梯度直方图特征，边缘梯度直方图特征与颜色直方图特征3组特征向量；针对 下半身块，提取梯度直方图特征与边缘梯度直方图特征2组特征向量；
[0010] 将7组特征向量分别训练第一层SVM分类器的7个分类器中进行训练，之后用7 个分类器的打分结果进行级联形成行人特征训练第二层SVM分类器；
[0011] 2)识别步骤：
[0012] 检测待测图像中的行人位置并使用矩形框框选出行人，将行人所在的矩形框按 预设的比例系数局部重合划分为头部块、上半身块、下半身块并提取7组特征向量输入至 训练好的第一层SVM分类器，将输出分数进行级联得到行人特征后输入至训练好的第二层 SVM分类器得到分类结果。
[0013] 首先运用传统的行人检测方法检测图片中的行人，然后将所检测的行人按照一定 的准则分为头部、上半身、下半身三个部分，分别提取各个部分的颜色特征、梯度直方图特 征、边缘梯度特征，根据这些特征训练性别分类器，从而通过分类器识别行人的性别。本发 明通过对行人服装、发型、轮廓的描述来识别行人的性别属性，相比现有的方法通过提取人 脸特征识别，能够有效的避免画面中人物面部不清晰的所带来的挑战，并且该方法针对行 人背面，侧面等情况也有着非常高的识别能力，显然这些情况是基于人脸识别所无法做到 的。
[0014] 进一步的，相比现有的识别问题通过所构建的特征一次分类来得到最终识别结 果，其识别精度是有限的。而本发明所采用的通过构建不同特征，训练不同分类器，并将一 次分类结果级联二次分类的方法能够大大地提高识别精度。
[0015] 本发明的有益效果是，基于提取行人全身特征的方法可以快速有效地识别监控画 面等场景中的人物性别，针对不同的监控场景具有很高的鲁棒性。
【附图说明】
[0016] 图1 :本发明的性别识别流程图
[0017] 图2 :行人身体拆分示意图
【具体实施方式】
[0018] 本发明分为行人性别识别分类器训练和测试两个阶段。具体步骤如图1所示， [0019] 训练阶段：
[0020] 步骤一、收集数据库。通过监控设备采集监控视频，从监控视频中人工截取行人作 为数据库，所截取的行人按性别分为男女两个图像集。随机选取一半的样本作为训练数据， 人工标注行人的位置。
[0021] 步骤二、给定一张行人图片，通过人工标注的位置信息图框选出行人区域，接下来 将行人拆分为头部、上半身、下半身部分。为了得到最佳拆分比例，挑选部分行人图片，测量 分割比例，区域分割按照四个参数拆分，分别脖子位置系数〇. 15,肩位置系数0. 2,腰位置 系数〇. 5,腿部位置系数0. 65。分割示意图如附图2所示。
[0022] 步骤三、针对不同身体区域，计算相应的特征向量。
[0023] 将行人肩膀以上的部分分割出来作为行人头部块。针对头部块，提取梯度直方图 特征，边缘梯度直方图特征。提取特征之前，先将所分割出来的头部块缩放到80*80的图像 块，将其转换为灰度图。接下来提取图像块的梯度直方图特征，采用了 N. Dalal和B. Triggs 所提出的直方图构建方法，直方图考虑9个方向，考虑到图像特征的对齐需求，直方图运用 金字塔结构特征，将图像按金字塔结构计算每一层梯度直方图A，具体步骤如下：
[0024] 将每一层图像划分为不同大小的网格，然后计算每个网格梯度直方图（36维），第 i层划分网格的大小为C1XC1, N为图像分层总数，其中
[0025]
(.1)
[0026] 这里，S表示图像的大小，如头部区域所对应S = 80。将每个网格的梯度直方图按 照从左到右，从上到下的方式级联起来得到每层的梯度直方图特征表示
[0027]
(2)
[0028] 其中η为每一层网格的个数，其大小为
[0029]
(3：)
[0030] 容易看出，每一层梯度直方图的维度为W1= 36Χη 3隹。将每一层的特征级联起 来，用于表示该区域的梯度直方图
[0031] F = If1, f2, ···, fN] (4)
[0032] 其维度 Wf= n !+?+…+nN。
[0033] 以4层为例，梯度直方图计算步骤如下：
[0034] (1)计算第一层特征，计算整个块（即80*80)的梯度直方图，得到36维的特征向 量。
[0035] (2)计算第二层特征，将块分割4个块，每一块的大小为40*40,分别计算每个小块 的梯度直方图，再将所计算的梯度直方图按块从左到右，从上到下的顺序将直方图级联起 来，从而得到第二层一个144维的特征向量。
[0036] (3)计算第三、四层特征，和计算第二层特征类似，依次将块二分割，因此三、四层 子块的大小分别为20*20和10*10,计算出相应的级联直方图向量的维度为576维和2304 维。
[0037] (4)将一至四层的向