量依次级联以来，得到3060维向量，该向量即为所求的头部 块的梯度特征向量。
[0038] 提取头部边缘的的梯度特征与上诉方法类似，首先运用Canny算子对该头部区 域的灰度图像提取边缘，由于Canny算子不同的阀值对图像的边缘化影响较大，为了能够 得到完整的边缘图像，将Canny算子阀值设置较小。本实施例将Canny算子的阈值设定为 〇. 01，使得检测到的边缘尽量的完整。然后按照对灰度图求梯度直方图的步骤得到边缘图 像梯度直方图特征。
[0039] 针对上半身块，提取梯度直方图特征，边缘梯度直方图特征，颜色直方图特征。其 中，梯度直方图特征和边缘梯度直方图特征与构建头部区域特征方法一样，得到了两个 3060维的特征向量。对于行人的上半身与下半身区域，计算梯度直方图特征与边缘梯度直 方图特征的步骤与上诉过程一致，只不过区别在于上、下半身区域分割出来的图像缩放大 小为120*120,此时，公式（1)中的值S = 120。
[0040] 考虑到男女服装颜色在一定程度上是有差异的，行人上半身区域提取了颜色直方 图特征。提取颜色直方图过程如下：首先得到身体区域的彩色图像后，针对每一个像素，分 别将RGB空间值转化为Lab颜色空间值和HSV颜色空间值。由于Lab颜色空间和HSV颜色 空间各通道值范围不同，需要将Lab空间与HSV空间各个通道值都归一化为0-255。归一化 过程如下：
[0041] Lab 值范围：0 彡 L 彡 100, -127 彡 a 彡 127, -127 彡 b 彡 127
[0042] 归一化：L = LX255/100, a = a+128, b = b+128
[0043] (5)
[0044] HSV值范围：0彡H彡360, 0彡S彡1，0彡V彡I
[0045] 归一化：H = H/2, S = S · 255, V = V · 255
[0046] 针对每一种颜色空间，分别各自的3个通道值量化到8个数量级，将各个空间颜色 直方图级联起来作为身体区域的颜色特征
[0047] Fcolor= [Hrgb，Hlab, Hhsv] (6)
[0048] 这样针对每一种颜色空间，所统计的颜色直方图为512维。分别将三个颜色空间 的直方图级联起来，得到身体部分的颜色特征，该特征的维度为1536维。
[0049] 将行人的腰部以下分割出来作为行人的下半身区域，与头部区域特征提取方式一 样，先将其缩放到120*120的图像块，并分别提取其梯度直方图特征与便于那梯度直方图 特征。针对下半身，并没有提取颜色特征。
[0050] 对于单个行人，头部、身体、下半身分别得到了 2、3、2个特征向量。
[0051] 步骤四、训练SVM分类器。通过步骤三计算出所有训练样本的特征，其中每一个行 人样本对应有7个特征向量表示。
[0052] 对于一类特征（如头部梯度直方图特征），从训练样本数据中选取一半的样本训 练SVM分类器，将余下的一半样本输入到分类器中预测结果，该结果以打分的形式表示输 入的样本属于正样本和负样本的概率。这样所训练的7个SVM分类器针对同一个行人会产 生7组打分来估计其属于正样本和负样本的可能性。将7组打分结果串联起来，得到14维 的分数向量，以该向量作为整个行人的特征。得到所有训练行人的分数特征，按照其类别再 次训练线性核的SVM分类器。这里需要说明，在训练第二层分类器时，由于二层训练数据是 第一层分类器的预测结果，所以二层分类器训练数据是训练样本图片的一半，为了解决这 样问题，在第一层分类器训练过程中，采用交叉训练的方式，即将训练样本分为A、B集，集 合A训练后集合B测试得到预测分数，然后集和B训练，集合A测试得到预测分数。这样便 能保证在训练第二层分类器时，训练样本不会变少。
[0053] 交叉训练的过称：
[0054] 将训练样本分为A，B两个集合，首先，运用A集合中的样本针对每一类特征，按性 别给定标签，训练线性核的SVM分类器，然后测试B集合中对应样本的预测分数，得到7组 预测分数，将7组预测分数级联起来，用于表征该行人样本的第二层特征，级联方式如下：
[0055]
(7)
[0056] 其中po, ne表示属于正，负标签的概率，并且有po+ne = 1。
[0057] 接下来训练B集合中的样本，测试A集合得到预测分数并组合形成A集合中各自 样本的分数特征。
[0058] 得到所有训练样本的分数特征，根据其标签训练第二层SVM分类器。
[0059] 测试阶段：
[0060] 步骤一、给定一张测试图片，用行人检测方法检测行人位置，并将行人分割出来。
[0061] 步骤二、与训练阶段步骤二一样，通过4个分割系数将行人分为头部区域、上半身 区域、下半身区域。
[0062] 步骤三、按照训练阶段步骤三的方法，计算该行人的7个特征向量。
[0063] 步骤四、所计算的7组特征向量输入到对应的分类器中，得到7组预测分数。
[0064] 步骤五、将7组预测分数级联，得到分数特征。
[0065] 步骤六、将分数特征输入第二层分类器，根据预测结果判定行人的性别。
【主权项】
1. 一种基于区域分块行人性别识别方法，其特征在于，包括以下步骤： 训练步骤： 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； 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； 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； 1)识别步骤： 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。2. 如权利要求1所述一种基于区域分块行人性别识别方法，其特征在于，SVM分类器为 2层SVM分类器； 第一层SVM分类器包括针对头部块的梯度直方图特征的分类器、针对头部块的边缘梯 度直方图特征的分类器、针对上半身块的梯度直方图特征的分类器、针对上半身块的边缘 梯度直方图特征的分类器、针对上半身块的颜色直方图特征的分类器、针对下半身块的梯 度直方图特征的分类器以及针对下半身块的边缘梯度直方图特征的分类器的7组分类器； 第2层分类器为针对级联7组分类器输出分数的分类器。
【专利摘要】本发明提供一种基于区域分块行人性别识别方法。本发明首先检测图片中的行人，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，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。
【IPC分类】G06K9/62, G06K9/00
【公开号】CN105160317
【申请号】CN201510547207
【发明人】李宏亮, 杨德培, 罗雯怡, 姚梦琳, 侯兴怀, 李君涵, 马金秀
【申请人】电子科技大学
【公开日】2015年12月16日
【申请日】2015年8月31日