专利名称：一种行人检测方法及装置的制作方法
技术领域：
本发明涉及图像处理技术领域，尤其涉及一种行人检测方法及装置。
背景技术：
随着电子技术的发展，基于图像或视频的行人检测技术逐渐取代了传统的红外或雷达等方式，基于图像或视频的行人检测技术具备更高的可靠性、方便性和低成本越来越受到关注，现有的基于图像或视频的行人检测技术普遍采用Adaboost级联分类器对行人进行检测，这种行人检测技术虽然较传统的行人检测技术取得了不错的效果，但是存在误检率偏高的缺点。
发明内容
本发明提供一种行人检测方法及装置，解决现有技术中误检率偏高的技术问题。为解决上述技术问题，本发明采用以下技术方案一种行人检测方法，包括采集行人图像，从所述图像中提取感兴趣区域；采用Adaboost级联分类器预定位所述感兴趣区域中的行人区域；采用支持向量机SVM分类器在所述Adaboost级联分类器预定位的行人区域中进一步定位行人区域。所述Adaboost级联分类器包括采用行人整体样本和相应负样本训练成的行人整体Adaboost级联分类器和/或采用行人局部样本和相应负样本训练成的行人局部 Adaboost级联分类器；所述SVM分类器包括采用行人整体样本和相应负样本训练成的行人整体SVM分类器和/或采用行人局部样本和相应负样本训练成的行人局部SVM分类器。采集行人图像，从所述图像中提取感兴趣区域的方法具体为将采集到的行人图像分成至少两个图像块，按照预设的图像块循环检测次序从被分成至少两个图像块的当前图像帧中选择所要检测的图像块，并将该图像块作为感兴趣区域。采用支持向量机SVM分类器在所述Adaboost级联分类器预定位的行人区域中进一步定位行人区域之后，还包括对进一步定位得到的行人区域进行跟踪的步骤，包括判断是否定位到行人区域，若是则将进一步定位得到的行人区域按照设定尺寸或比例进行扩大；在从下一帧图像中提取感兴趣区域时，将扩大的行人区域在下一帧图像中所对应区域和按照图像块循环检测次序从下一帧图像帧中选择的所要检测的图像块一起作为感兴趣区域。采集行人图像的方式包括利用设置于汽车车身的摄像头采集汽车周边的行人图像。利用汽车前置摄像头采集汽车前方的行人侧身图像。一种行人检测装置，包括图像采集模块、图像处理模块、Adaboost级联分类器和支持向量机SVM分类器，其中，所述图像采集模块用于采集行人图像；所述图像处理模块用于从所述图像中提取感兴趣区域；所述Adaboost级联分类器用于预定位所述感兴趣区域中的行人区域；所述支持向量机SVM分类器用于在所述Adaboost级联分类器预定位的行人区域中进一步定位行人区域。所述Adaboost级联分类器包括采用行人整体样本和相应负样本训练成的行人整体Adaboost级联分类器和/或采用行人局部样本和相应负样本练成的行人局部Adaboost 级联分类器；所述SVM分类器包括采用行人整体样本和相应负样本训练成的行人整体SVM 分类器和/或采用行人局部样本和相应负样本练成的行人局部SVM分类器。所述图像处理模块具体用于将采集到的行人图像分成至少两个图像块，按照预设的图像块循环检测次序从被分成至少两个图像块的当前图像帧中选择所要检测的图像块， 并将该图像块作为感兴趣区域。所述图像采集模块包括设置于汽车车身的摄像头，用于采集汽车周边的行人图像。本发明提供一种行人检测方法及装置，该方法首先通过Adaboost级联分类器对感兴趣区域中的行人区域进行预定位，再通过支持向量机SVM分类器对预定位的行人区域进一步检测，进一步精确定位行人区域，本发明通过Adaboost级联分类器和支持向量机 SVM分类器的配合，较现有技术中仅通过Adaboost级联分类器对行人进行检测的方式，降低了误检率，提高了检测效率。进一步，本发明的Adaboost级联分类器采用行人整体样本和相应负样本训练成的行人整体Adaboost级联分类器和/或采用行人局部样本和相应负样本练成的行人局部 Adaboost级联分类器，支持向量机SVM分类器包括采用行人整体样本和相应负样本训练成的行人整体SVM分类器和/或采用行人局部样本和相应负样本练成的行人局部SVM分类器，相比于现有技术中采用行人整体样本和相应负样本训练成的分类器，采用局部样本和相应负样本训练成的分类器能够进一步降低误检率，同时提升检测速度。进一步，本发明从图像中提取感兴趣区域的方法包括将采集到的行人图像分成至少两个图像块，按照预设的图像块循环检测次序从被分成至少两个图像块的当前图像帧中选择所要检测的图像块，并将该图像块作为感兴趣区域。本发明通过分块和预设图像块循环检测次序有效的提高了分类器算法的实时性，提升了检测速度。进一步，本发明在采用SVM分类器进一步定位行人区域之后，还包括对进一步定位的行人区域进行跟踪，从而降低了漏检率，同时，也间接地提升了检测速度。进一步，将本发明应用于汽车领域，利用设置于汽车车身的摄像头采集汽车周边的行人图像，对图像中的行人进行检测，保证了驾驶员的行车安全，有效避免了车祸事件的发生。进一步，利用汽车前置摄像头采集汽车前方的行人侧身图像，对行人侧身图像中的行人进行检测，在汽车前方事故发生率较高的位置，通过本发明可以有效保证驾驶员的行车安全，有效避免车祸事件的发生。
图1为本发明实施例一种行人检测方法流程图；图2为本发明实施例汽车前置摄像头示意图；图3为本发明实施例图像分块示意图；图4为本发明实施例行人局部区域示意图；图5为本发明另一实施例一种行人检测方法流程图；图6为本发明实施例一种行人检测装置模块图。
具体实施例方式下面通过具体实施方式
结合附图对本发明作进一步详细说明。一种行人检测方法，包括采集行人图像，并对图像进行预处理，从预处理后的图像中提取感兴趣区域；采用 Adaboost级联分类器预定位感兴趣区域中的行人区域；采用SVM分类器在Adaboost级联分类器预定位的行人区域中进一步定位行人区域。以应用于汽车领域，利用汽车前置摄像头采集汽车前方的行人侧身图像为例，图1 为本发明实施例一种行人检测方法流程图，请参考图1 S11、采集汽车前方的图像，对图像进行预处理。图2为本发明实施例汽车前置摄像头示意图，包括汽车21和摄像头22，通过汽车21上的前置摄像头22 (例如红外CXD摄像头或CMOS摄像头)采集汽车21前方的实时图像，并对图像进行预处理，例如根据数据格式的需要，将获取的图像转换成单通道灰度图像、对图像进行直方图均衡化操作，减少光照和背景的影响；还可以对图像的尺寸进行适当调整等；基于采集的实时图像中行人可能发生碰撞的位置信息估计，对部分不可能出现行人及行人不处于危险区域的图像不计入检测， 例如去除图像上下部分像素的天空和地面场景，以及图像左右部分像素的马路两边场景， 只在较小范围内检测行人，减少图像处理面积，从而减少数据处理量，提高算法实时性。S12、从预处理后的图像中提取感兴趣区域。将采集到的行人图像分成至少两个图像块，按照预设的图像块循环检测次序从被分成至少两个图像块的当前图像帧中选择所要检测的图像块，并将该图像块作为感兴趣区域。本实施例图像块与图像块之间可以有重叠区域，重叠区域可以为5-10m远的行人在图像中的大小，对每一帧图像按照预设的图像块循环检测次序选择其中一个图像块进行检测。请参考图3，图3为本发明实施例图像分块示意图，将采集到的行人图像分成η个图像块，η大于或等于2，比如图像块1、图像块2至图像块η，预设的图像块循环检测次序包括从图像块1到图像块η进行检测，检测到图像块η之后，下一帧再从图像块η回到图像块1 循环检测，从当前图像帧中选择所要检测的图像块。比如η等于3，前一帧图像中选择检测的图像块是图像块1，即前一帧图像中以图像块1作为感兴趣区域，当前帧图像中选择检测的图像块是图像块2，即当前帧图像中以图像块2作为感兴趣区域，下一帧图像中选择检测的图像块是图像块3，即下一帧图像中以图像块3作为感兴趣区域，再下一帧图像中选择检测的图像块又是图像块1，即再下一帧图像中以图像块1作为感兴趣区域，依次循环。S13、对提取出的感兴趣区域进行一倍的缩小，缩小到原始大小的1/2，最小检测框大小也同比例的缩小，在不影响检测结果的情况下，减少了图像的处理时间，提高了算法的实时性，在后续标定时还原检测框大小，即扩大一倍。S14、采用Adaboost级联分类器预定位感兴趣区域中的行人区域，根据Adaboost 级联分类器输出结果判断是否预定位到行人区域，如果是，则执行S15，同时，Adaboost级联分类器判断是否需要检测下一帧图像，如果不需要，则结束，如果需要，则继续检测下一帧图像；如果没有预定位到行人区域，则Adaboost级联分类器判断是否需要检测下一帧图像，如果不需要，则结束，如果需要，则继续检测下一帧图像。本实施例的应用场景是汽车前方的行人横穿街道，根据行人横穿街道的特定场景下行人的侧身姿态，本实施例为了提高检测效率，可以仅对图像中的侧身行人进行检测，那么本实施例的Adaboost级联分类器可以是采用大量的行人侧身样本和负样本训练成的行人侧身的Adaboost级联分类器，进一步，由于本实施例的Adaboost级联分类器只是预定位感兴趣区域中的行人区域，因此，为了提高检测效率，本实施例的Adaboost级联分类器优选的为行人整体Adaboost级联分类器，采用算法对大量的行人侧身整体样本和负样本进行训练，提取Haar特征(矩形特征)，生成本实施例的行人侧身整体Adaboost级联分类器，根据已训练好的行人侧身整体Adaboost级联分类器，在感兴趣区域中预定位行人区域，获取最匹配的行人区域。具体方法如下在采用特征模板对图像进行遍历之前对图像进
行积分图计算，积分图计算如下公式所述:卻《，力=厂J" /「X，力&办,其中(u，ν)代表
'X=O ^y=O
积分图中的坐标点，(X，y)代表原图像的坐标点，s(u，ν)代表积分图中(U，ν)点积分值， Ι(χ, y)代表原图像(χ，y)点像素值，积分图像上每一点的灰度值等于原图像中以原点和该点为对角点的矩形区域的灰度总和，由此来得到每一个特征值，用Adaboost算法，针对特征模板，训练12级的级联分类器。使用12级的级联分类器中记录的行人Haar特征值 (矩形特征)对感兴趣区域进行检测和定位，从而获取最匹配的行人区域，其判断公式为
H(x) = sign(j^atht(x))，其中H(X)为一级强分类器的表达式，T表示一级强分类器所包含的
t=l
弱分类器个数，ht(x)表示第t个弱分类器的表达式，α t表示第t个弱分类器的权重，由12 级的级联分类器对感兴趣区域的图像进行计算，若每一级都输出H(X) = 1，则代表定位到行人区域，若有其中一级输出H(X) = 0，则代表未检测到行人区域。本实施例的Adaboost级联分类器不局限于采用大量的行人侧身样本和负样本训练成的对图像中的侧身行人进行检测的行人侧身Adaboost级联分类器，如果想要检测到图像中的正身行人，可以采用大量的行人正身样本和负样本训练成的对图像中的正身行人进行检测的Adaboost级联分类器；同时，本实施例的Adaboost级联分类器不局限于采用大量的行人整体样本和负样本训练成的对图像中的行人整体进行检测的行人整体Adaboost 级联分类器，本实施例中的Adaboost级联分类器还可以是采用大量的行人局部样本和负样本训练成的对图像中的行人局部进行检测的行人局部Adaboost级联分类器，或者是采用大量的行人侧身局部样本和负样本训练成的对图像中的行人侧身局部进行检测的行人侧身局部Adaboost级联分类器。S15、采用SVM分类器在Adaboost级联分类器预定位的行人区域中进一步定位行人区域，根据SVM分类器输出结果判断是否进一步定位到行人区域，如果是，则将得到的行人区域显示给用户，同时，SVM分类器判断是否需要检测下一帧图像，如果不需要，则结束，如果需要，则继续检测下一帧图像；如果进一步定位没有得到行人区域，则SVM分类器判断是否需要检测下一帧图像，如果不需要，则结束，如果需要，则继续检测下一帧图像。
由于上一步骤中预定位的行人区域有较多的误检，通过对这些区域进行特征提取，根据已训练好的SVM分类器对提取的特征进行判断，去除误检区域，从而更准确定位行人区域。由于本实施例的SVM分类器是对前一步骤中预定位的行人区域进一步定位，因此，为了提高检测的准确性，本实施例的SVM分类器包括行人整体SVM分类器和行人局部 SVM分类器，可以根据实际情况，选择其一或两者结合来对预定位的行人区域进一步定位， 同时，为了配合本实施例的应用场景，即汽车前方的行人横穿街道，可以仅对图像中的侧身行人进行检测，来提高检测效率，那么本实施例的SVM分类器可以是采用大量的行人侧身整体样本和负样本训练成的行人侧身整体SVM分类器，以及采用大量的行人侧身局部样本和负样本训练成的行人侧身局部SVM分类器。本实施例的行人侧身整体SVM分类器的训练方法如下对大量的行人侧身整体样本和负样本进行HOG特征(梯度方向直方图特征) 提取，使用训练工具得到SVM权值和阈值，生成行人侧身整体SVM分类器，HOG特征是描述给定图像窗口梯度统计信息的特征向量，为了更好的对待检区域进行特征提取，可将所有待检区域扩大或缩小至相同大小，例如64*1观大小，计算其HOG特征向量，比如64*1观大小的检测框包括105个16*16大小的块，块与块间有重叠，每个块表示为36维的特征，整个检测框用3780的特征向量描述，利用SVM算法，针对HOG特征，训练侧面行人的整体和局部的支持向量机SVM分类器，分类器提供了权重w和阈值b，根据已训练好的支持向量机SVM分类器和所求的3780维HOG特征χ对预定位的行人区域进行判断，其判断公式为
η
/(χ) = sgn{(w ·χ) + Β} = sgn{^^yi(xt · x) +列，其中w禾Π b分别为分类器的权重和阈值，χ
i=l
表示输入的预定位区域的HOG特征向量，η为分类器B的支持向量数，(Xi，Yi)表示第i个支持向量，Xi为拉格朗日系数，若f(x) = 1，则表示检测为行人。本实施例的行人侧身局部 SVM分类器的训练方法如下对大量的行人侧身局部样本和负样本进行HOG特征(梯度方向直方图特征)提取，使用训练工具得到SVM权值和阈值，生成行人侧身局部SVM分类器， 行人局部区域包括行人头部区域、行人肩部区域、行人躯干部区域、行人腿部区域中的一种或多种，相应的行人局部样本包括行人头部样本、行人肩部样本、行人躯干部样本、行人腿部样本中的一种或多种。图4为本发明实施例行人局部区域示意图，请参考图4 本实施例根据具体的应用场景，将行人等分成三个区域，分别是头肩部41、躯干部42和腿部区域43， 相邻区域之间有重叠，分别对这三个区域结合指定行人侧身局部样本进行训练，分别得到这三个区域的行人侧身局部SVM分类器，头肩部通过“凹”字型特征对预定位的行人区域做出快速的筛选或判断，躯干部通过“木”字型特征对预定位的行人区域做出快速的筛选或判断，腿部通过“人”字型特征对预定位的行人区域做出快速的筛选或判断，以腿部区域为例， 使用50*50的窗口大小，20*20的块大小，块与块间的步长为10，总共有16个块，每个块表示为36维的特征向量，故窗口的总特征维数即为16*36 = 576维，相比行人整体3780维特征向量显著减小，因而对横穿街道的行人具有高效筛选的特点，提高了实时性。通过对大量行人侧身腿部样本和负样本计算特征向量，利用SVM训练得出行人侧身腿部SVM分类器，用 50*50的窗口遍历所有的待检测框，使用该SVM分类器进行判断，若函数输出为1，则代表检测到人腿，若输出为0，则未检测到。
本实施例的SVM分类器不局限于行人侧身整体SVM分类器，以及行人侧身局部SVM 分类器，如果想要检测到图像中的正身行人，可以采用大量的行人正身样本和负样本训练成的对图像中的正身行人进行检测的SVM分类器；从预处理后的图像中提取感兴趣区域的方法有多种，不局限于本实施例S12中所列举的一种方式，比如还可以采用现有技术中惯用的方式，即将预处理后的图像整体作为感兴趣区域，而不对其进行分块。进一步，本实施例还包括对S15中进一步定位得到的行人区域进行跟踪的步骤， 图5为本发明另一实施例一种行人检测方法流程图，请参考图5 步骤Sll至S15如同上述，在S15中SVM分类器进一步定位得到行人区域之后，将得到的行人区域显示给用户的同时，执行S16。S16、对进一步定位得到的行人区域进行跟踪，执行以下步骤将进一步定位得到的行人区域按照设定尺寸或比例进行扩大；在从下一帧图像中提取感兴趣区域时，将扩大的行人区域在下一帧图像中所对应区域和按照图像块循环检测次序从下一帧图像帧中选择的所要检测的图像块一起作为感兴趣区域。比如，当前帧图像中选择检测的图像块是图像块2，即当前帧图像中以图像块2作为感兴趣区域，经步骤S13至S16得到进一步定位后的行人区域，将当前帧图像中进一步定位得到的行人区域按照设定尺寸或比例进行扩大，扩大的行人区域可以大于、等于或小于图像块2的尺寸，也可以是将图像块2整体放大，在从下一帧图像中提取感兴趣区域时，将扩大的行人区域在下一帧图像中所对应区域，和按照图像块循环检测次序从下一帧图像中选择检测的图像块(即图像块幻一起作为下一帧图像的感兴趣区域。采用支持向量机SVM分类器在Adaboost级联分类器预定位的行人区域中进一步定位行人区域之后，还包括对进一步定位得到的行人区域进行跟踪，将进一步定位得到的行人区域按照设定尺寸或比例进行扩大，在从下一帧图像中提取感兴趣区域时，将扩大的行人区域在下一帧图像中所对应区域，和按照图像块循环检测次序从下一帧图像帧中选择的所要检测的图像块一起作为感兴趣区域，这样可以防止漏检，提升检测的准确性，同时提升算法的实时性。图6为本发明实施例一种行人检测装置的模块图，请参考图6 —种行人检测装置，包括图像采集模块61、图像处理模块62、Adaboost级联分类器63和SVM分类器64，其中，图像采集模块61用于采集行人图像，图像处理模块62用于对采集到的图像进行预处理，从预处理后的图像中提取感兴趣区域，Adaboost级联分类器63用于预定位感兴趣区域中的行人区域，SVM分类器64用于在Adaboost级联分类器63预定位的行人区域中进一步定位行人区域。Adaboost级联分类器63包括采用行人整体特征训练成的Adaboost级联分类器和/或采用行人局部特征练成的Adaboost级联分类器；SVM分类器64包括采用行人整体特征训练成的SVM分类器和/或采用行人局部特征练成的SVM分类器。进一步，图像处理模块62具体用于将采集到的行人图像分成至少两个图像块，按照预设的图像块循环检测次序从被分成至少两个图像块的当前图像帧中选择所要检测的图像块，并将该图像块作为感兴趣区域。进一步，图像处理模块62还用于在采用SVM分类器在Adaboost级联分类器预定位的行人区域中进一步定位行人区域之后，对进一步定位得到的行人区域进行跟踪，包括 判断是否定位到行人区域，若否，继续采集行人图像并从所述图像中提取感兴趣区域，若是，则执行以下步骤将进一步定位得到的行人区域按照设定尺寸或比例进行扩大，在从下一帧图像中提取感兴趣区域时，将扩大的行人区域在下一帧图像中所对应区域和按照图像块循环检测次序从下一帧图像帧中选择的所要检测的图像块一起作为感兴趣区域。进一步，图像采集模块62包括设置于汽车车身的摄像头，用于采集汽车周边的行人图像，尤其是设置于汽车前方的摄像头，用于采集汽车前方的行人侧身图像。本实施例对行人区域进行预定位的Adaboost级联分类器为预先训练的适合行人横穿街道的特定场景下行人侧身整体的特征分类器，对行人区域进一步定位的SVM分类器为预先训练的行人侧身整体及局部的特征分类器，本实施例的Adaboos t级联分类器具有检测速度快、较强的普适性等特点，SVM分类器具有高度的精确性，采用行人局部SVM分类器精确性更高、速度更快。本实施例应用于汽车领域，模糊了汽车前方行人之间的个体特征，减少了个体性差异、光照等对检测结果的影响，减少了误检率，提高了检测效率，进一步，通过采用侧面行人局部特征的分类器检测道路上的横过马路的行人姿态，针对特定的应用场景，减少了不同姿态非横过马路行人对检测结果的影响，提高了算法的有效性与实时性。由于现在的交通工具和道路设施越来越发达，交通状况的复杂度也随之大大增加，而驾驶员的信息判断能力相对而言越来越受到局限，这样便造成了交通事故发生率提高和隐患风险的加大，本实施例利用汽车前置摄像头采集汽车前方的行人图像，对图像中的行人进行检测，保证了驾驶员的行车安全，有效避免了车祸事件的发生。以上内容是结合具体的实施方式对本发明所作的进一步详细说明，不能认定本发明的具体实施只局限于这些说明。对于本发明所属技术领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干简单推演或替换，都应当视为属于本发明的保护范围。
权利要求
1.一种行人检测方法，其特征在于，包括采集行人图像，从所述图像中提取感兴趣区域；采用Adaboost级联分类器预定位所述感兴趣区域中的行人区域；采用支持向量机SVM分类器在所述Adaboost级联分类器预定位的行人区域中进一步定位行人区域。
2.如权利要求1所述的方法，其特征在于，所述Adaboost级联分类器包括采用行人整体样本和相应负样本训练成的行人整体Adaboost级联分类器和/或采用行人局部样本和相应负样本训练成的行人局部Adaboost级联分类器；所述SVM分类器包括采用行人整体样本和相应负样本训练成的行人整体SVM分类器和/或采用行人局部样本和相应负样本训练成的行人局部SVM分类器。
3.如权利要求1或2所述的方法，其特征在于，采集行人图像，从所述图像中提取感兴趣区域的方法具体为将采集到的行人图像分成至少两个图像块，按照预设的图像块循环检测次序从被分成至少两个图像块的当前图像帧中选择所要检测的图像块，并将该图像块作为感兴趣区域。
4.如权利要求3所述的方法，其特征在于，采用支持向量机SVM分类器在所述 Adaboost级联分类器预定位的行人区域中进一步定位行人区域之后，还包括对进一步定位得到的行人区域进行跟踪的步骤，包括判断是否定位到行人区域，若是则将进一步定位得到的行人区域按照设定尺寸或比例进行扩大；在从下一帧图像中提取感兴趣区域时，将扩大的行人区域在下一帧图像中所对应区域和按照图像块循环检测次序从下一帧图像帧中选择的所要检测的图像块一起作为感兴趣区域。
5.如权利要求1或2所述的方法，其特征在于，采集行人图像的方式包括利用设置于汽车车身的摄像头采集汽车周边的行人图像。
6.如权利要求5所述的方法，其特征在于，利用汽车前置摄像头采集汽车前方的行人侧身图像。
7.一种行人检测装置，其特征在于，包括图像采集模块、图像处理模块、Adaboost级联分类器和支持向量机SVM分类器，其中，所述图像采集模块用于采集行人图像；所述图像处理模块用于从所述图像中提取感兴趣区域；所述Adaboost级联分类器用于预定位所述感兴趣区域中的行人区域；所述支持向量机SVM分类器用于在所述Adaboost级联分类器预定位的行人区域中进一步定位行人区域。
8.如权利要求7所述的装置，其特征在于，所述Adaboost级联分类器包括采用行人整体样本和相应负样本训练成的行人整体Adaboost级联分类器和/或采用行人局部样本和相应负样本练成的行人局部Adaboost级联分类器；所述SVM分类器包括采用行人整体样本和相应负样本训练成的行人整体SVM分类器和/或采用行人局部样本和相应负样本练成的行人局部SVM分类器。
9.如权利要求7或8所述的装置，其特征在于，所述图像处理模块具体用于将采集到的行人图像分成至少两个图像块，按照预设的图像块循环检测次序从被分成至少两个图像块的当前图像帧中选择所要检测的图像块，并将该图像块作为感兴趣区域。
10.如权利要求7或8所述的装置，其特征在于，所述图像采集模块包括设置于汽车车身的摄像头，用于采集汽车周边的行人图像。
全文摘要
本发明公开一种行人检测方法及装置，该方法包括采集行人图像，并对所述图像进行预处理，从预处理后的图像中提取感兴趣区域；采用Adaboost级联分类器预定位所述感兴趣区域中的行人区域；采用支持向量机SVM分类器在Adaboost级联分类器预定位的行人区域中进一步定位行人区域。本发明通过以上技术方案有效解决现有技术中误检率偏高的技术问题。
文档编号G06K9/00GK102201059SQ20111013233
公开日2011年9月28日 申请日期2011年5月20日 优先权日2011年5月20日
发明者吕少亭, 王新安, 程如中, 许家尧, 赵勇, 邢文峰 申请人:北京大学深圳研究生院