基于特征组合的行人检测方法及装置制造方法
【专利摘要】本发明公开了一种基于特征组合的行人检测方法及装置，该方法包括：行人的正负样本的训练，提取样本的Hog特征和LBP特征，并组合成样本的特征向量，然后通过一个由简到繁的级联线性SVM分类器将级联拒绝的机制与样本特征向量相结合，实现了一个级联的线性SVM行人分类器；该装置包括：（1）图像采集模块：利用车载摄像头采集汽车前方的图像；（2）图像检测和处理模块：对采集的图像进行去噪，增强处理，再利用加载的训练好的分类器进行行人检测；（3）图像显示模块：将采集的图像中的行人用矩形框标识出来，并在车载DVD显示屏上进行提示。本发明主要解决降低误检率和提高准确率的技术问题。
【专利说明】基于特征组合的行人检测方法及装置
【技术领域】
[0001]本发明涉及车辆的安全驾驶和图像处理【技术领域】，尤其涉及一种基于特征组合的行人检测方法及装置。
【背景技术】
[0002]在智能监控、智能交通和机器人等领域，行人的检测具有很高的应用价值。如今，计算机发展十分迅速，计算机的性能越来越强，而价格却越来越低。人们希望通过计算机的介入，帮助实现图像中行人的快速检测。因此，行人检测成了研究的热点。
[0003]典型的行人检测方法包括基于轮廓的图像匹配和基于特征的统计学方法。在运动情况下，行人检测不仅具有服饰变化、姿态变化等难点，还受到路况、天气和光线的影响，因此对算法的鲁棒性和实时性要求很高。现有的行人检测技术普遍采用基于Haar特征的Adaboost分类方法，虽然在行人检测的效率上比较好，但却有较多的误检，因此需要提高检测的准确率。
【发明内容】
[0004]本发明所要解决的技术问题是，提供一种基于特征组合的行人检测方法及装置，并解决降低误检率和提高准确率的技术问题。
[0005]为达到上述目的，本发明提供一种行人检测方法和行人检测装置，行人检测方法包括:行人的正负样本的训练，提取样本的Hog特征和LBP特征，并组合成样本的特征向量，然后通过一个由简到繁的级联的线性SVM分类器将级联拒绝的机制与样本特征向量相结合，实现了一个级联的线性SVM分类器；行人检测装置包括:(1)图像采集模块:利用车载摄像头采集汽车前方的图像；(2)图像检测和处理模块:对采集的图像进行去噪，增强处理，再利用加载的分类器进行行人检测；(3)图像显示模块:将采集的图像中的行人用矩形框标识出来，并在车载DVD显示屏上进行提示。
[0006]上述的一种基于特征组合的行人检测方法及装置，所述的Hog特征的提取包括以下步骤:(1)行人样本的Hog特征提取:读取每一个行人样本进行gamma压缩，Gamma压缩是减少光照变化和局部阴影对图像分析计算的影响。计算每个样本的各个通道的梯度，将每个样本从空间上分割成成若干个相同大小的单元，几个相邻的单元组合块，并计算单元方向梯度直方图，将每一个样本的所有Hog描述器进行归一化，所有的Hog描述器集合成一个大的描述器，代表每一个样本的Hog特征向量。
[0007]上述的一种基于特征组合的行人检测方法及装置，所述的LBP特征的提取主要包括:根据上述Hog特征的提取对样本图像分块，然后对每个组合块子图像使用LBP算子进行特征提取，最后对提取的特征向量归一化处理。
[0008]上述的一种基于特征组合的行人检测方法及装置，所述的特征组合是将上述每个样本的Hog特征向量和LBP特征向量串联起来组合成样本新的特征向量。
[0009]上述的一种基于特征组合的行人检测方法及装置，所述的级联的线性SVM行人分类器是一个分段线性判别函数，它的训练从根本上说是分层学习问题，每层都是一个线性分类器，通过逐级增加特征的精度来实现由简到繁，逐级地滤除非人体窗口，且每层都要保证极高的正样本检测率，允许适当的负样本错分；在当前负样本集中，每层的分类器都尽可能多的排除负样本，以求用最少的线性分类器解决问题。
【专利附图】
【附图说明】
[0010]图1是本发明实施例中的行人检测装置模块图；
图2是本发明实施例中的梯度处理后的样本对比图；
图3是本发明实施例中的样本被划分为若干相同大小的单位方向的示意图；
图4是本发明实施例中的SVM分类器训练流程图。
【具体实施方式】
[0011]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，本实施例在本发明技术方案为前提下进行实施，给出了详细的实施方式和具体的操作过程，但本发明的保护范围不限于下述的实施例。
[0012]本发明的主要是先采集大量的行人的正负样本，在计算机上分别提取样本的Hog特征和LBP特征，并将提取的特征串联组合成样本新的特征向量；然后用级联的线性SVM的方法分类器将级联拒绝的机制与样本特征向量相结合，实现了一个级联的线性SVM行人分类器，最后将分类器加载到图像处理模块进行行人检测。
[0013]本发明实施例中分类器的训练如图1所示，主要包括:样本Hog特征的提取，LBP特征的提取，特征组合，级联SVM的训练学习。
[0014]分类器的训练在计算机上完成的，采集了 m张正样本，正样本图像包括各种姿态的行人，如蹲着，横跨马路，打着雨伞等，采集了 η张负样本，负样本为不包含行人的图像，如马路，汽车，天空等，对所有的样本图片进行归一化为相同的尺寸。
[0015]本发明实施案例样本的Hog特征的提取主要包括以下步骤:
第一步，对每一个样本进行预处理，对样本的各个颜色通道进行ga_a均方根压缩R，G, B=sqrt(R, G, B)。
[0016]第二步，使用简单的核算子模板计算样本每个通道的梯度。具有最大梯度的通道给出这个像素点的梯度方向和大小，梯度计算后的图像对比如图2。
[0017]第三步，计算各单元方向梯度直方图，如图3，将样本图像从空间上分割成若干个相同大小的单元，几个相邻的单元组合块，块与块之间有重叠的单元，又把单元中每个像素的梯度角范围划分成多个相同的区域。计算直方图前，对每个块加一个高斯空域窗口，降低边缘的周围像素点的权重。使用三线性插值，每一个像素点都为对应方向的直方图通道投票，投票是采取加权投票的方式，这个权值是根据该像素点的梯度幅度计算出来，从而得出单元的梯度直方图。
[0018]第四步，组合块归一化与描述器，对梯度强度做归一化，经过归一化后，几个相邻的单兀的方向直方图组合成一个组合块描述器，也就是Hog描述器,代表一个特征。取检测窗口内所有的组合块描述器集合成一个大的描述器，代表检测窗口的Hog特征向量Tl。
[0019]本发明实施案例的样本的LBP特征的提取主要包括以下步骤:计算上述每个组合块的局部二元模式的特征直方图，对子图像使用LBP算子提取特征向量，，其中，表示中心像素的灰度值，表示中心像素的邻域内的像素值点。最后为了克服噪声，对上述LBP特征向量归一化后为T2。
[0020]本发明实施例的样本的新特征向量T是将Hog特征向量和LBP特征向量进行串联即为 T=[T1，T2]。
[0021]本发明实施例的级联线性SVM分类器的思想是将一个个线性的SVM弱分类器级联成强分类器，线性SVM方法是通过寻找最优分类函数(判别函数)为来区别行人和非行人，其中If为权重、为阈值。
[0022]实现级联的SVM分类器的步骤如下:
第一步，正样本和负样本的特征向量输入，以及各自的权重，每一级的最低检测率，以及级数和虚警率指定值。
[0023]第二步，初始化级数，第级的检测率，虚警率，级数为时整个分类器的虚警率。
[0024]第三步，，根据当前级的参数和权重，训练线性SVM分类器得到权重和阈值，调整阈值使检测率满足，在训练样本上测试第级的虚警率。
[0025]第四步，计算当前整个级联分类器的虚警率，如果大于设定值，错分的负样本集组成新的负样本集，正样本集合不变，组成新的样本集后，返回步骤三继续计算，直到小于设定值或者结束，将得到的判别函数，依次相连即为所求的级联结构。
[0026]本发明根据车前方的摄像头采集的图像，对图像的感兴趣区域提取后，根据上述步骤训练的级联SVM分类器在提取的区域进行行人检测，得到最终的检测结果，最后把检测结果通过图像显示模块提示驾驶人员，保证了准确率的提高。
[0027]上述模块或流程可以编制成程序，该程序可被安装在计算机中，包括各种处理器。上述模块或流程编制成的程序可以被存储在外部可读性存储介质中，这种存储介质可以是软盘、CD-ROM、硬盘、磁带记录介质、IC卡的半导体存储器或其它的光学记录介质(例如DVD或H))或磁记录介质。介质还包括电、光、声或其它形式的传播信号(例如，载波、红外信号、数字信号等)。
[0028]以上所举实施例仅用来方便举例说明本发明，并非对本发明作任何形式上的限制，任何所属【技术领域】中具有通常知识者，若在不脱离本发明所提技术特征的范围内，利用本发明所揭示技术内容所作出局部更动或修饰的等效实施例，并且未脱离本发明的技术特征内容，均仍属于本发明技术特征的范围内。
【权利要求】
1.一种基于特征组合的行人检测方法及装置，其特征在于:包括行人的正负样本的训练，提取样本的Hog特征和LBP特征，并组合成样本的特征向量，然后通过一个由简到繁的级联的线性SVM分类器将级联拒绝的机制与样本特征向量相结合，实现了一个级联的线性SVM分类器；行人检测装置包括: (O图像采集模块:利用车载摄像头采集汽车前方的图像；(2)图像检测和处理模块:对采集的图像进行去噪，增强处理，再利用加载的分类器进行行人检测；(3)图像显示模块:将采集的图像中的行人用矩形框标识出来，并在车载DVD显示屏上进行提示。
2.根据权利要求1所述的一种基于特征组合的行人检测方法及装置，其特征在于:所述的Hog特征的提取包括:行人样本的Hog特征提取:读取每一个行人样本进行gamma压缩，计算每个样本的各个通道的梯度，将每个样本从空间上分割成若干个相同大小的单元，几个相邻的单元组合块，并计算单元方向梯度直方图，将每一个样本的所有Hog描述器进行归一化，所有Hog描述器集合成一个大的描述器，代表每一个样本的Hog特征向量。
3.根据权利要求1所述的一种基于特征组合的行人检测方法及装置，其特征在于:所述的LBP特征的提取主要包括:根据Hog特征的提取对样本图像进行分块，然后对每个组合块的子图像使用LBP算子进行特征提取，最后对提取的特征向量归一化处理。
4.根据权利要求1所述的一种基于特征组合的行人检测方法及装置，其特征在于:所述的特征组合是将上述每个样本的Hog特征向量和LBP特征向量串联起来组合成样本新的特征向量。
5.根据权利要求1所述的一种基于特征组合的行人检测方法及装置，其特征在于:所述的级联的线性SVM分类器是一个分段线性判别函数，它的训练是分层学习，每层都是一个线性分类器，通过逐级增加特征的精度来实现由简到繁，逐级地滤除非人体窗口，且每层都要保证极高的正样本检测率，允许适当的负样本错分；在当前负样本集中，每层的分类器都尽可能多的排除负样本，以求用最少的线性分类器解决问题。
【文档编号】G06K9/46GK103632170SQ201210295506
【公开日】2014年3月12日 申请日期:2012年8月20日 优先权日:2012年8月20日
【发明者】周建波, 吴泽俊, 陈东伟 申请人:深圳市汉华安道科技有限责任公司