专利名称：一种基于改进的hog特征和pca的行人检测方法
技术领域：
本发明涉及智能监控技术领域，尤其是一种行人检测方法。
背景技术：
目前的行人检测技术分类方法主要分为两个方面，一是模板匹配方法，二是基于不同的行人特征来训练分类器。目前的行人检测系统一般采用第二种方法，其中HOG特征由于能对局部对象外观和形状进行很好的表征，而且对光照不敏感等优点成为目前行人检测中较为主流的特征提取算法。HOG的不足之处主要在于对于指定尺寸的样本集，HOG特征维数太高，导致训练速度较低。目前应用比较普遍的分类算法主要有AdaBoost级联分类器和SVM分类器。如专利申请号为201110132331. 1，发明名称为一种行人检测方法及装置的中国发明专利申请，公开了一种基于AdaBoost级联分类器和SVM分类器结合的行人检测方法。该算法将两个分类器级联，能降低行人的误检率，但是两种分类器的级联明显增加了算法的复杂度，降低了检测速度，而且并没有考虑漏检行人的情况，并不能在真正意义上提高行人的检出率。并且该算法是基于车载行人检测系统所提出的，图像感兴趣区域的处理具有一定局限性，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等。在很多场合中的传感器捕捉到的场景并不相同，因此该算法的应用场合具有一定局限性。
发明内容
为了克服已有的行人检测方法的训练速度较低、误检率和漏报率较高的不足，本发明提供一种能够有效减少训练速度、降低漏报率和误检率的基于改进的HOG特征和PCA 的行人检测方法。本发明解决其技术问题所采用的技术方案是一种基于改进的HOG特征和PCA的行人检测方法，所述行人检测方法包括以下步骤I)采用HOG特征块模块提取训练正样本图像中行人梯度信息集中区域的HOG特征作为改进的HOG特征，所述训练正样本图像有m个；2)针对上述改进特征矩阵，采用PCA算法，得到用于降低特征维数处理的投影矩阵B，具体过程如下2. I)针对训练样本特征矩阵中的每个训练正样本Xi, i = l,..., m,计算平均向
权利要求
1 一种基于改进的HOG特征和PCA的行人检测方法，其特征在于所述行人检测方法包括以下步骤1)采用HOG特征块模块提取训练正样本图像中行人梯度信息集中区域的HOG特征作为改进型的HOG特征，所述训练正样本图像有m个；2)针对上述改进型HOG特征矩阵，采用PCA算法，得到投影矩阵B，具体过程如下2.I)针对训练样本特征矩阵中的每个训练正样本Xi, i = I, . . . , m,计算平均向量X = -TlL1Xi ；m L I2. 2)计算协方差矩阵右=Xi-X,C=^zr=I ；2. 3)计算C的特征值和特征向量bi;选择K个最大的特征向量作为特征子空间的基， 由这些基组成投影矩阵B :B = [b1； b2，. . .，bK]T ;3)提取训练样本的改进型HOG训练特征矩阵P，利用投影矩阵B进行降维处理，得到最终训练特征矩阵P =Pi =PXB，利用P'训练支持向量机SVM分类器；4)对于任一检测样本，提取改进型HOG特征向量y并利用投影矩阵B降维，得到最终用于检测行人的特征向量太'I' =yXB;将y'输入步骤3)中训练得到的SVM分类器进行行人的检测。
2.如权利要求I所述的基于改进的HOG特征和PCA的行人检测方法，其特征在于所述步骤3)中，所述支持向量机SVM分类器中，核函数为高斯径向基核函数K(x,z) = exp(- lll^211 )，其中，( 2 = $ k为训练样本的特征维数。
3.如权利要求I或2所述的基于改进的HOG特征和PCA的行人检测方法，其特征在于 所述步骤I)中，行人梯度信息集中区域为样本图像中间区域。
4.如权利要求I或2所述的基于改进的HOG特征和PCA的行人检测方法，其特征在于 所述步骤I)中，所述HOG特征块模块为高宽比(H : W)为(I I) ,16X16像素大小的块， 块中平均分割而成的四个单元像素大小为8X8，计算样本HOG特征时所用步长为8个像素。
全文摘要
一种基于改进的HOG特征和PCA的行人检测方法，该方法采用样本图像中行人梯度信息集中区域的HOG特征级联PCA主元分析的特征提取算法来提取样本特征；利用训练样本提取的上述特征训练SVM分类器；对于检测样本利用上述特征提取方法提取特征向量，并利用训练得到的SVM分类器进行行人检测。本发明提供一种能够有效减少训练速度、降低误检率和漏报率的基于改进的HOG特征和PCA的行人检测方法。
文档编号G06K9/62GK102609716SQ20121000553
公开日2012年7月25日 申请日期2012年1月10日 优先权日2012年1月10日
发明者吴越, 孟利民, 寿娜, 张标标, 彭宏, 杜克林, 王辉, 裘加林 申请人:杭州银江智慧医疗集团有限公司, 银江股份有限公司