专利名称：基于稀疏表示的行人检测方法
技术领域：
本发明属于模式识技术领域，具体涉及基于稀疏表示的行人检测方法。
背景技术：
行人检测在视频控制、机器人学、智能交通、多媒体检索等领域有广泛的应用前景，也是近年来计算机视觉领域的热门研究对象。但是，行人的衣着、身体姿势、视角以及复杂的背景和光照变化等因素都会影响检测的效果，这都是行人检测问题的难点。行人检测可以看作是一个行人/非行人的两类分类问题，而目前其分类方法可以分成两大类
(1)基于形状信息的分类。包括基于显示人体模型的方法，基于模版匹配的方法以及基于统计分类的方法。这类方法是通过分析图像的灰度、边缘和纹理等信息对目标进行识别。 对于基于显示人体模型的方法，其优点是有明确的模型，可以处理困难图像，并且能够推断人的姿态，但缺点是模型难以构造，求解比较复杂。而基于模版匹配的方法，其优点是计算简单，易于实现，但缺点是由于人的姿态千变万化，很难构造出所有的姿态模版。基于统计分类方法的优点是具有较好的鲁棒性，而缺点是需要大量的训练数据，并且难以处理多姿态和遮挡问题。(2)基于运动信息的分类。这类方法指通过分析行人运动时的步态(Gait)特征来检测行人，其优点是不受纹理和光线变化的影响，缺点是只能识别出运动的行人，并且需要多帧才能给出判决结果，影响系统的实时性。。
发明内容
本发明的目的在于克服上述现有技术的缺陷，在已有的统计分类方法的基础上， 根据稀疏表示，提出一种基于稀疏表示的行人检测方法，此方法具有良好的检测性能，对较多的数据集具有更好的效果，并且对于有遮挡的困难图像的检测也有较好的鲁棒性。本发明采用的技术方案基于稀疏表示的行人检测方法，分为模型训练和比较识别两个阶段，在所述两个阶段分别对训练图像和检测图像进行归一化处理，提取颜色、纹理和形状三种特征向量，对所述三种特征向量进行稀疏表示并组合成稀疏化的混合特征向量；在所述模型训练阶段，根据训练图像稀疏化的混合特征向量通过支持向量机的模型训练方法训练分类器；在所述比较识别阶段，根据检测图像稀疏化的混合特征向量通过所述分类器进行识别。所述其中颜色特征向量采用HSV颜色模型，纹理特征向量采用Tamura纹理特征向量中的粗糙度、对比度和方向度这三个特征向量，形状特征向量采用是Hu提出的七个无关矩。所述稀疏表示的具体步骤为
1)对字典A的列向量以及所述颜色、纹理和形状特征向量进行2-范数等于1的归一
化；2)根据字典A和颜色、纹理和形状特征向量向量通过EFLA算法得到其稀疏表示。本发明的有益效果是
1、本发明与传统的行人检测方法相比，通过对行人图像特征向量的稀疏表示和没有用稀疏表示的方法相比较体现出更好的识别率，尤其是在大量的数据集下，其效果表现的更为明显；
2、本发明将有遮挡的行人图像看作是原始图像和噪声(如遮挡物)的相加，对于原始图像和噪声分别用不同的基来稀疏表示，这样可以有效地分离原图像和噪声，从而取得较好的识别率，具有很好的鲁棒性。
下面结合附图和具体实施方式
对本发明进一步详细说明 图1是本发明所述基于稀疏表示的行人检测方法流程示意图； 图2是本发明稀疏表示流程示意图3是本发明方法和分别采用颜色、纹理、形状特征向量的SVM识别结果比较图； 图4是本发明方法和直接采用混合特征向量的SVM识别结果比较图； 图5是本发明方法和直接采用混合特征向量识别有遮挡图像的实验结果比较图。
具体实施例方式以下结合附图对发明的实施做出进一步说明。图1为本发明提出的基于稀疏表示的行人检测方法流程示意图。首先将样本集中的行人图像分割之后并进行尺度归一化后得到行人训练图像。第一步对训练图像进行特征向量提取，分别得到颜色特征向量向量，纹理特征向量向量和形状特征向量向量。根据HSV颜色模型，Tamura纹理特征向量中的粗糙度、对比度和方向度这三个特征向量，以及Hu提出的七个无关矩对行人训练图像进行颜色、纹理和形状特征向量提取。其中颜色特征向量提取的算法流程如下 步骤1)将RGB空间转换到HSV空间；
步骤2)把色调H空间分成8份，饱和度S和亮度V空间分别分成3份； 步骤幻并根据色彩的不同范围进行量化，量化后的色调、饱和度和亮度值分别为H， S，V ；
步骤4)按照以上的量化级，把3个颜色分量合成为一维特征向量矢量I=H Q1Qv +S Qr +V U'I'Qe = 3，Q,. = 3分别是分量S和V的量化级数。纹理特征向量提取的算法流程如下 粗糙度计算
步骤1)计算图像中大小为f x 个像素的活动窗口中像素的平均强度值A:； 步骤2)通过A对每个像素计算在水平和垂直方向上互补重叠的窗口之间的平均强度差Eki3 禾口 Ek7,.；
步骤幻在Ewi和EkA.中对于每个像素，使E值达到最大的i值来设置最佳尺寸
步骤4)通过计算整幅图像的的平均值来得到粗糙度。 对比度计算
步骤1)计算四阶矩μ，和方差σ:；
步骤幻通过四阶矩和方差4十算得到峰度
步骤；3)通过标准差和峰度计算得到对比度 方向度计算
步骤1)计算每个像素处的梯度向量； 步骤幻构建方向角局部边缘概率直方步骤；3)通过计算概率直方图中峰值的尖锐程度来得到图像的方向性。形状特征向量提取的算法流程如下
步骤1)将彩像灰度化，并用Carmy边缘检测提取边缘保留边缘灰度图像，在用类判别分析法自动为每一幅廓图像选定阈值，然后用该阈值对图像二值化；
步骤2)计算图像的中心矩
权利要求
1.基于稀疏表示的行人检测方法，分为模型训练和比较识别两个阶段，其特征在于，在所述两个阶段分别对训练图像和检测图像进行归一化处理，提取颜色、纹理和形状三种特征向量，对所述三种特征向量进行稀疏表示并组合成稀疏化的混合特征向量；在所述模型训练阶段，根据训练图像稀疏化的混合特征向量通过支持向量机的模型训练方法训练分类器；在所述比较识别阶段，根据检测图像稀疏化的混合特征向量通过所述分类器进行识别。
2.根据权利要求1的基于稀疏表示的行人检测方法，其特征在于，所述颜色特征向量采用的是HSV颜色模型，其提取步骤为1)将RGB空间转换到HSV空间；2)把色调H空间分成8份，饱和度S和亮度V空间分别分成3份；3)根据色彩的不同范围进行量化，量化后的色调、饱和度和亮度值分别为H，S，V；4)把3个颜色分量合成为一维特征矢量I=HQ3Qv +S Qs +V !(；丨丨丨Qs = 3 ’ Q., = 3分别是分量S和V的量化级数。
3.根据权利要求1的基于稀疏表示的行人检测方法，其特征在于，所述纹理特征向量使用的是Tamura纹理特征中的粗糙度、对比度和方向度这三个特征向量。
4.根据权利要求3的基于稀疏表示的行人检测方法，其特征在于，所述粗糙度的提取步骤为1)计算图像中大小为TX个像素的活动窗口中像素的平均强度值Α ；2)通过為对每个像素计算在水平和垂直方向上互补重叠的窗口之间的平均强度差 Ek,fa 禾口 Ek,r ；3)在Ekl3和Ek,,,中对于每个像素，使E值达到最大的i值来设置最佳尺寸、SK= 2:4)计算整幅图像的平均值来得到粗糙度。
5.根据权利要求3的基于稀疏表示的行人检测方法，其特征在于，所述对比度的提取步骤为1)计算四阶矩和方差σ:2)通过四阶矩和方差，计算得到峰度 =，Ii .rv"Cf3)通过标准差和峰度计算得到对比度Fe- = T^i 。σCf,
6.根据权利要求3的基于稀疏表示的行人检测方法，其特征在于，所述方向度的提取步骤为1)计算每个像素处的梯度向量；2)构建方向角局部边缘概率直方图；3)通过计算概率直方图中峰值的尖锐程度来得到图像的方向性。
7.根据权利要求3的基于稀疏表示的行人检测方法，其特征在于，所述形状特征向量的提取步骤为1)将彩像灰度化，用Carmy边缘检测提取边缘保留边缘灰度图像，在用类判别分析法自动为每一幅廓图像选定阈值，然后用该阈值对图像二值化；2)计算图像的中心矩Hij，归一化(i+j)阶中心矩；3)计算Hu提出的具有旋转、缩放和平移无关的7个矩特征。
8.根据权利要求1的基于稀疏表示的行人检测方法，其特征在于，所述稀疏表示的具体步骤为1)对字典A的列向量以及所述颜色、纹理和形状特征向量进行2-范数等于1的归一化，其中字典A由所有正反行人为所述特征向量组合成的矩阵；2)根据字典A和颜色、纹理和形状特征向量通过EFLA算法得到其稀疏表示。
全文摘要
本发明公开一种基于稀疏表示的行人检测方法，该方法分为模型训练和比较识别两个阶段，在所述两个阶段分别对训练图像和检测图像进行归一化处理，提取颜色、纹理和形状三种特征向量，对所述三种特征向量进行稀疏表示并组合成稀疏化的混合特征向量；在所述模型训练阶段，根据训练图像稀疏化的混合特征向量通过支持向量机的模型训练方法训练分类器；在所述比较识别阶段，根据检测图像稀疏化的混合特征向量通过所述分类器进行识别。此方法具有良好的检测性能，对较多的数据集具有更好的效果，并且对于有遮挡的困难图像的检测也有较好的鲁棒性。
文档编号G06K9/62GK102521616SQ20111044741
公开日2012年6月27日 申请日期2011年12月28日 优先权日2011年12月28日
发明者成科扬, 杜明坤 申请人:江苏大学