专利名称：一种基于视觉注意原理的行人检测方法和系统的制作方法
技术领域：
本发明属于计算机视觉技术领用，具体涉及视频监控、智能交通中的行人检测方法。
背景技术：
近年来，在图像和视频中检测行人备受人们关注，该技术可用于智能监控、智能交 通和运动分析等领域。在复杂的场景中检测行人异常困难。其中，光照时常发生变化；景物 复杂多样；行人具有多变的服饰和姿态；行人与行人之间、行人与景物之间常常相互遮挡； 行人图像分辨率往往较低，只占据了视野中的一小部分。而这又是智能监控和智能交通中 常见的情形，具有重要的研究和应用价值。下面介绍几个与本发明相近的对比文献。基于视频监控的行人检测方法(申请号201010227766. 5，公开号 CN101887524A)提供了一种基于视频监控的行人检测方法，利用扩展梯度直方图特征与 Adaboost算法来快速检测行人，然后利用梯度直方图特征和支持向量机来进一步识别验证 前面的检测出来的行人。一种基于小波分形特征的行人检测方法(申请号200910183075. 7，公开号 CN101630369)提供了一种基于小波分形特征的行人检测方法，该方法用图像的小波分形特 征训练支持向量机，实现行人检测。变化场景下行人检测的方法(申请号201010141956. 5，公开号CN101807^0A) 提供了一种变化场景下行人检测的方法，利用第一场景训练得到级联分类器后，用第二场 景的少量样本数据优化级联分类器，实现变化场景下的行人检测。以上公开的发明大多对图像中竖直边缘比较敏感，容易将有较长竖直边缘的景物 当作行人，产生较多误报。此外，在分辨率较低和有遮挡出现时，上述方法也难以有效处理。
发明内容
本发明的目的在于提供一种利用了人眼视觉注意原理的行人检测方法，此种方法 能较好的区分有较长竖直边缘的景物和行人，能够处理光照变化和行人被部分遮挡的情 况，在图像分辨率较低时也有很好的效果。为实现上述目标，本发明采用的技术方案一种基于视觉注意原理的行人检测方 法和系统，包括如下步骤(a)利用训练图像训练行人模型；(b)利用训练图像和步骤(a)得到的行人模型训练AdaBoost检测分类器；(c)利用步骤(b)得到的检测分类器，在不同尺度下，用滑动窗口方法检测图像中 的行人。进一步，所述步骤(a)包括以下步骤(al)把训练图像规格化为64XU8像素大小，训练图像为灰度图像，包含完整的行人；(a2)在按照步骤(al)规格化后的每幅训练图像中，随机、均勻的取32个16X 16 像素的图像块，记录这些图像块的左上角坐标，并计算图像块的基于视觉注意原理的局部 特征直方图(Histograms of Local Feature based on Vision Attention, HoL)；(a3)对按照步骤(a2)得到的图像块的基于视觉注意原理的局部特征直方图 (HoL)用K-means算法聚类，在聚类结果中进一步按照图像块的左上角坐标用K-means算法 聚类，最终的聚类数量η在800 1200之间；(a4)对按照步骤(a3)得到的图像块聚类结果中，对第i类图像块计算基于视觉注 意原理的局部特征直方图(HoL)均值向量\和左上角坐标均值向量Pi,用集合M= KVi, PiM表示行人模型，其中i = l...n，n是步骤(a3)中的聚类数量。进一步，所述步骤(b)包括以下步骤(bl)把包含完整行人的训练图像规格化为64XU8像素大小，称为正样本。在不 包含行人的训练图像中，按照16像素为步长，顺序取64X 1 像素大小的图像块做为负样 本。训练图像为灰度图像；(b2)对步骤(bl)得到的每一个训练样本1(」=1. . . m，其中m为训练样本数量)， 根据步骤(a)得到的行人模型M= {(\斤)}，对所有的土 = 1...η(其中η是步骤(a3)中 的聚类数量)，计算以Pi为中心、大小为32X32像素范围内所有大小为16X16像素图像块 的基于视觉注意原理的局部特征直方图(HoL)，计算它们到Vi的最小欧氏距离，记为Clij ；(b3)用步骤(b2)得到的向量集 Wj = ((IljjCl2j,.. .，dnj) I j = l...m}以及与之对 应的正负样本标记训练AdaBoost检测分类器。进一步，所述步骤(C)包括以下步骤(cl)在测试图像中，在水平和垂直方向上以8个像素为步长，取一系列64XU8像 素大小的图像块，做为检测窗口 ；(c2)对步骤(cl)中得到的每一个检测窗口，根据步骤(a)得到的行人模型M = KVi, PiM，对所有的i = 1... η(其中η是步骤(a3)中的聚类数量)，计算以Pi为中心、大 小为32X32像素范围内所有大小为16X16像素图像块的基于视觉注意原理的局部特征 直方图(HoL)，计算它们到Vi的最小欧氏距离，记为ti;把测试向量(t1; t2，. . .，tn)输入到 步骤(b3)得到的AdaBoost检测分类器中，标记输出为正的测试样本为行人出现的检测窗 Π ；(c3)把测试图像的高和宽缩小2%，做为新的测试图像，如果新的测试图像的高 大于1 像素并且宽大于64像素则转到步骤(cl)，否则执行步骤(c4)；(c4)合并重叠面积超过80%的有行人出现的检测窗口。更进一步，基于视觉注意原理的局部特征直方图(HoL)的计算方法包括以下步 骤(dl)对每一个像素点按照下式计算基于视觉注意的局部特征(Local Feature based on Vision Attention. LFVA)LFVAn r2 n{x,y) =丨’,)-/(U2’,)).2'
/=0其中，k是圆周上采样点的个数，ri、r2分别是外圆和内圆半径，(Χμ,ΥΜ)表示半径为r的圆周上第i个采样点坐标，采样点均勻分布在圆周上，采样点的坐标按下式计算
权利要求
1.一种基于视觉注意原理的行人检测方法和系统，其特征是，包括以下步骤(a)利用训练图像训练基于特征块的行人模型；(b)利用训练图像和步骤(a)得到的基于特征块的行人模型训练AdaBoost检测分类器；(c)利用步骤(b)得到的检测分类器，在不同尺度下，用滑动窗口方法检测图像中的行人。
2.如权利要求1所述的一种基于视觉注意原理的行人检测方法和系统，其特征在于， 步骤(a)包括(al)训练图像为灰度图像，包含完整的行人，规格化为64XU8像素大小； (a2)在按照步骤(al)规格化后的每幅训练图像中，随机、均勻的取32个16X16像素 的图像块，记录这些图像块的左上角坐标，并计算图像块的基于视觉注意原理的局部特征 直方图(Histograms of Local Feature based on Vision Attention, HoL)；(a3)对按照步骤(a2)得到的图像块的HoL用K-means算法聚类，在聚类结果中进一步 按照图像块的左上角坐标用K-means算法聚类，最终的聚类数量η在800 1200之间；(a4)对按照步骤(a3)得到的图像块聚类结果中，对第i类图像块计算基于视觉注意原 理的局部特征直方图(HoL)均值向量\和左上角坐标均值向量Pi,用集合M= KVi, PiM 表示行人模型，其中i = l...n，n是步骤(a3)中的聚类数量。
3.如权利要求1所述的一种基于视觉注意原理的行人检测方法和系统，其特征在于， 步骤(b)包括(bl)把包含完整行人的训练图像规格化为64XU8像素大小，称为正样本，在不包含 行人的训练图像中，按照16像素为步长，顺序取64X 128像素大小的图像块做为负样本，训 练图像为灰度图像；(b2)对步骤(bl)得到的每一个训练样本1(」=1. . .m，m为训练样本数量)，根据步骤 (a4)得到的行人模型M= {(^》}，对所有的土 = 1...11(11是步骤(33)中的聚类数量)， 计算以Pi为中心的，大小为32X32像素范围内所有大小为16X16像素图像块的基于视觉 注意原理的局部特征直方图(HoL)，计算它们到Vi的最小欧氏距离，记为Clij ；(b3)用步骤(b2)得到的向量集 Wj = ((Ilj, d2J, ... , dnJ) I j = l...m}训练 AdaBoost 检测分类器。
4.如权利要求1所述的一种基于视觉注意原理的行人检测方法和系统，其特征在于， 步骤(c)中窗口滑动水平方向和竖直方向的步长均为8像素，每次改变尺度时测试图像的 长和宽缩小2%，检测窗口的大小为64X 128像素。
5.如权利要求1 4所述的一种基于视觉注意原理的行人检测方法和系统，其特征在 于，计算图像块的基于视觉注意原理的局部特征直方图(HoL)的方法是(dl)对每一个像素点按照下式计算基于视觉注意的局部特征(Local Feature based
6.如权利要求5所述的一种基于视觉注意原理的行人检测方法和系统，其特征在于， 参数ri、r2、k、b的取值分别是巧=2、r2 = l、k = 8、b = 256。
全文摘要
本发明公开了一种基于视觉注意原理的行人检测方法和系统，利用基于视觉注意原理的局部特征直方图来训练基于特征块的行人表示模型和AdaBoost检测分类器，用滑动窗口的方法在测试图像中检测行人。本发明能够有效的区分有竖直边缘的景物和行人，能够处理光照的变化以及部分遮挡的情况，在低分辨率下也有较好的检测效果。本发明能广泛的用于视频监控、智能交通等领域。
文档编号G06K9/66GK102081741SQ201110020920
公开日2011年6月1日 申请日期2011年1月15日 优先权日2011年1月15日
发明者刘俊涛, 刘文予, 张阳, 李雄伟, 王红胜, 郑见灵 申请人:中国人民解放军军械工程学院