专利名称：一种针对头肩检测的混合特征提取方法
技术领域：
本发明涉及图像处理和计算机视觉技术领域，尤其涉及一种针对头肩检测的混合特征提取方法。
背景技术：
行人检测是计算机视觉领域的研究热点和难点问题，用于找出图像中是否存在行人，以及行人的大致位置，以矩形框标示。行人检测的结果可以应用于多个领域，如智能视频监控，辅助驾驶系统，行为识别系统等。但由于一些场景的特殊性，会导致行人身体被严重遮挡，如拥挤的地铁站，会议室等。在这些情况下，作为行人检测的一种特殊情况，头肩检测将会发挥其作用，具有重大的意义。头肩检测的目标是将人体的头肩区域R(以矩形框表示)在图像I中标示出来。一般的头肩检测系统都是以滑动窗口的形式在整幅图像中进行搜索，对于每一个滑动窗口 W判断该窗口内是否包含头肩。当前针对头肩检测的研究，大多都是沿用行人检测系统的框架，即“特征提取+分类器”。在特征提取上，大致可以分为梯度特征(如方向梯度直方图H0G)、纹理特征(如局部二值模式LBP)、颜色特征(如颜色自相关特征CSS)、边缘特征(如Edgelet特征)。在分类器的选择上，大致可以分为SVM, Adaboost, Decision Tree及其相关改进。在特征的选择上，当前的研究工作也选择了和行人检测相同的特征，只是进行了细微的参数调整，使之适应更小的检测区域。然而这些方法却忽略了头肩检测和行人检测的内在区别。相对于行人检测，头肩检测具有其自身的难点和特点:(1)头肩检测由于包含的有效信息少，鲁棒性弱，容易受到前景背景对比度低，边界模糊等因素的影响；(2)头肩轮廓的形变相对较少，使得我们可以用较少的边缘模板来很好的描述头肩轮廓。从特点(I)我们可以看出，如果我们能够增强头肩的边缘轮廓，使得前景背景的边界突出，则可以有效的提高检测性能。特点(2)则让我们可以通过学习边缘模板，来实现这个假设，提高检测性倉泛。虽然边缘特征具有其自身的优点，受限于现有边缘提取算子性能的影响，单纯基于边缘特征的检测系统的性能很难达到梯度特征的水平。如果能有效的结合两种特征各自的优点，则能进一步提升检测的性能。
发明内容
本发明解决的技术问题在于如何自动的增强头肩边缘轮廓，融合两种类型特征的优点。本发明实施例公开了一种针对头肩检测的混合特征提取方法，包括以下步骤:步骤1:针对训练集中正样本进行边缘检测，得到第一原始边缘图像；步骤2:将第一原始边缘图像切分成若干子区域，在每一个子区域里学习并生成边缘模板；
步骤3:对于输入图像，进行边缘检测得到第二原始边缘图像；步骤4:用边缘模板过滤第二原始边缘图像，得到预测边缘图像；步骤5:分别计算第二原始边缘图像和预测边缘图像的方向梯度直方图特征；步骤6:叠加第二原始边缘图像和预测边缘图像梯度直方图特征，生成边缘描述特征；步骤7:将输入图像转化为灰度图，计算方向梯度直方图特征，得到灰度图描述特征；步骤8:串联灰度图描述特征和边缘描述特征，得到混合特征。进一步，作为优选，所述步骤1:针对训练集中正样本进行边缘检测，得到第一原始边缘图像具体包括以下步骤:步骤101. 用gPb边缘检测算子计算边缘响应；步骤102.利用方向分水岭算法得到第一原始边缘图像。进一步，作为优选，所述步骤2:将第一原始边缘图像切分成若干子区域，在每一个子区域里学习并生成边缘模板包括以下步骤:步骤201.将原始边缘图像均匀切分成成8X8和16X 162种尺寸的块，块之间相
互覆盖一半的面积；步骤202.对于每个正样本i中块j中的每一条边缘,基于Chamfer Matching算法，计算它与其他正样本同一位置的块中的所有边缘的相似度，设定第一阈值，如果大于第一阈值，则重现次数Ri^k = R^k+1 ；步骤203.设定第二阈值，对于每个正样本i中块j中的每一条边缘k，如果重现次数大于第二阈值，则将其加入侯选库C_Set中；步骤204.设定K = 2,利用Κ-Medoid算法对侯选库C_Set进行聚类,得到子类；步骤205.设定第三阈值，如果类内距离Clm大于第三阈值，则重复执行步骤204，直到所有子类的类内距离都小于第三阈值为止；步骤206.将每一个子类的中心定义为一个边缘模板。进一步，作为优选，所述步骤3:对于输入图像，进行边缘检测得到第二原始边缘图像包括以下步骤:步骤301.用gPb边缘检测算子计算边缘响应；步骤302.利用方向分水岭算法得到第二原始边缘图像。进一步，作为优选，所述步骤4:用边缘模板过第二滤原始边缘图像，得到预测边缘图像包括以下步骤:步骤401.采用和学习边缘模板时相同的切分方式，将第二原始边缘图像均匀切分成8X8和16X 162种尺寸的块，块之间相互覆盖一半的面积，此时每一个块都对应一组学习生成的边缘模板；步骤402.对于每个块i中的每一条边缘j,基于Chamfer Matching算法,计算它与所有对应边缘模板的最大相似度，设定第四阈值，如果Sjnaxiu大于第四阈值，则认为该边缘为真实边缘，将其加入预测边缘图像。进一步，作为优选，所述步骤5:分别计算第二原始边缘图像和预测边缘图像的方向梯度直方图特征包括以下步骤:
步骤501.计算第二原始边缘图像的方向梯度直方图，得到特征向量；步骤502.计算预测边缘图像的方向梯度直方图，得到特征向量。进一步，作为优选，所述步骤6:叠加第二原始边缘图像和预测边缘图像梯度直方图，生成边缘描述特征包括以下步骤:步骤601.将第二原始边缘图像和预测边缘图像梯度直方图的特征向量和相加，得到边缘描述特征向量；步骤602.用L2_norm方法对边缘描述特征向量重新做归一化。进一步，作为优选，所述步骤7:将输入图像转化为灰度图，计算方向梯度直方图特征，得到灰度图描述特征包括以下步骤:步骤701.将输入图像从RGB空间转换到GRAY空间，计算方向梯度直方图，得到灰度图描述特征向量。进一步，作为优选，所述步骤8:串联灰度图描述特征和边缘描述特征，得到混合特征包括以下步骤:步骤801.将灰度图描述特征和边缘描述特征串联，得到混合特征。本发明通过自动增强头肩边缘轮廓，融合两种类型特征的优点，使得头肩检测的鲁棒性增强，性能提高。
当结合附图考虑时，通过参照下面的详细描述，能够更完整更好地理解本发明以及容易得知其中许多伴随的优点，但此处所说明的附图用来提供对本发明的进一步理解，构成本发明的一部分，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定，其中:图1为本发明实施例一种针对头肩检测的混合特征提取方法流程图。
具体实施例方式参照图1对本发明的实施例进行说明。为使上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式
对本发明作进一步详细的说明。如图1所示，一种针对头肩检测的混合特征提取方法，包括以下步骤:S1、步骤1:针对训练集中正样本进行边缘检测，得到第一原始边缘图像。我们的边缘模板学习算法基于正样本的边缘图像自动学习生成，第一原始边缘图像将作为学习算法的输入。具体步骤如下:步骤101.用gPb边缘检测算子计算边缘响应，得到每一个像素点的边缘概率E(x, y, Θ)，其中X，y是像素点坐标，Θ为边缘方向；步骤102.计算每一个像素点在各个方向上的最大边缘响应；步骤103.利用分水岭算法，得到边缘弧线Vtl，并将Vtl用直线段近似表示；步骤104.令Ψ(ι上的每一点的边缘概率等于E(X，y，Θ s)，其中Θ s等于该点所属直线段的方向，此时的Ψο即为最终的边缘图像；S2、步骤2:将第一原始边缘图像切分成若干子区域，在每一个子区域里学习并生成边缘模板。将头肩边缘轮廓看成由多条线段组合生成，使得我们可以用少量的线段来描述大量的边缘轮廓形状。所以我们将图像切分成子区域，在子区域内学习(局部)边缘模板。具体步骤如下:步骤201.将原始边缘图像均匀切分成8X8和16X 162种尺寸的块，块之间相互覆盖一半的面积。原始边缘图像的大小为32X32，因此会生成8X8的块25个，16X16的块9个；步骤202.对于每个正样本i中块j中的每一条边缘k,基于Chamfer Matching算法，计算它与其他正样本同一位置的块中的所有边缘的相似度S^k，如果大于阈值，则重现次数 Ri,j，k = Ri,j，k+i;步骤203.对于每个正样本i中块j中的每一条边缘k，如果重现次数Rqk大于阈值，则将其加入侯选库C_Set中。步骤204.设定,利用K-Medoid算法对侯选库C_Set进行聚类,得到子类Cm, m =1, 2。步骤205.如果类内距离dm大于阈值，则重复执行步骤204，直到所有子类的类内距离都小于阈值为止。步骤206.将每一个子类的中心Cenm, m = I, 2定义为一个边缘模板。S3、步骤3:对于输入图像，进行边缘检测得到第二原始边缘图像。对于每一张输入图像，都需要得到2张边缘图像:第二原始边缘图像和预测边缘图像。且预测边缘图像也是基于原始边缘图像生成。具体步骤如下:步骤301.用gPb边缘检测算子计算边缘响应，得到每一个像素点的边缘概率E(x, y, Θ)，其中X，y是像素点坐标，Θ为边缘方向；步骤302.计算每一个像素点在各个方向上的最大边缘响应；步骤303.利用分水岭算法，得到边缘弧线Vtl，并将Vtl用直线段近似表示；步骤304.令Ψ(ι上的每一点的边缘概率等于E(X，y，Θ s)，其中Θ s等于该点所属直线段的方向，此时的Ψο即为最终的边缘图像；S4、步骤4:用学习生成的边缘模板过滤第二原始边缘图像，得到预测边缘图像。第二原始边缘图像记录了输入图像中所有可能的边缘，包括前景内部边缘，背景内部边缘和前景背景边缘。本发明的目的是需要突出前景背景边缘，压缩前景内部边缘和背景内部边缘。而前景背景边缘，即头肩轮廓，区别于其他两种边缘的随机特性，具有一定的形状模式，本发明的学习生成的边缘模板则记录了这种形状模式。具体步骤如下:步骤401.采用和学习边缘模板时相同的切分方式，将原始边缘图像均匀切分成8X8和16X162种尺寸的块，块之间相互覆盖一半的面积。此时每一个块都对应一组学习生成的边缘模板；步骤402.对于每个块i中的每一条边缘j，我们以ei,」表示，基于Chamfer Mat ching算法，计算它与所有对应边缘模板Pk的最大相似度X — maxM =mpxi77—;，八)，如果S_maXi,」大于阈值，则认为该边缘为真实边缘，将其加入预测边缘图像；S5-6、步骤5:分别计算第二原始边缘图像和预测边缘图像的方向梯度直方图特征(HOG)。为了和梯度特征保持相同的权重，即和梯度特征具有相同的维数，我们用HOG来描述边缘特征。具体步骤如下:步骤501.计算第二原始边缘图像的方向梯度直方图(H0G)，得到特征向量；步骤502.计算预测边缘图像的方向梯度直方图(H0G)，得到特征向量。S7、步骤6:叠加两种方向梯度直方图，生成边缘描述特征。本发明的目的是需要突出前景背景边缘，压缩前景内部边缘和背景内部边缘，所以在特征中重复加入一次前景背景边缘，在归一化之后则可以实现本发明的目的。具体步骤如下:步骤601.将两种直方图的特征向量和相加，得到边缘描述特征向量；步骤602.用L2_norm方法对边缘描述特征向量重新做归一化；S8、步骤7:将输入图像转化为灰度图，计算方向梯度直方图特征，得到灰度图描述特征。具体步骤如下:步骤701.将输入图像从RGB空间转换到GRAY空间，计算方向梯度直方图，得到灰度图描述特征向量。S9、步骤8:串联灰度图描述特征和边缘描述特征，得到混合特征。受限于现有边缘提取算子的性能，单纯的边缘特征仍然无法达到梯度特征的性能，我们将两种特征融合，结合两种特征的优点。具体步骤如下:步骤801.将灰度图描述特征和边缘描述特征串联，得到混合特征。虽然以上描述了本发明的具体实施方式
，但是本领域的技术人员应当理解，这些具体实施方式
仅是举例说明，本领域的技术人员在不脱离本发明的原理和实质的情况下，可以对上述方法和系统的细节进行各种省略、替换和改变。例如，合并上述方法步骤，从而按照实质相同的方法执行实质相同的功能以实现实质相同的结果则属于本发明的范围。因此，本发明的范围仅由所附权利要求书限定。
权利要求
1.一种针对头肩检测的混合特征提取方法，其特征在于，包括以下步骤: 步骤1:针对训练集中正样本进行边缘检测，得到第一原始边缘图像；步骤2:将第一原始边缘图像切分成若干子区域，在每一个子区域里学习并生成边缘模板； 步骤3:对于输入图像，进行边缘检测得到第二原始边缘图像； 步骤4:用边缘模板过滤第二原始边缘图像，得到预测边缘图像； 步骤5:分别计算第二原始边缘图像和预测边缘图像的方向梯度直方图特征； 步骤6:叠加第二原始边缘图像和预测边缘图像梯度直方图特征，生成边缘描述特征； 步骤7:将输入图像转化为灰度图，计算方向梯度直方图特征，得到灰度图描述特征； 步骤8:串联灰度图描述特征和边缘描述特征，得到混合特征。
2.根据权利要求1所述一种针对头肩检测的混合特征提取方法，其特征在于，所述步骤1:针对训练集中正样本进行边缘检测，得到第一原始边缘图像具体包括以下步骤: 步骤101.用gPb边缘检测算子计算边缘响应； 步骤102.利用方向分水岭算法得到第一原始边缘图像。
3.根据权利要求1所述一种针对头肩检测的混合特征提取方法，其特征在于，所述步骤2:将第一原始边缘图像切分成若干子区域，在每一个子区域里学习并生成边缘模板包括以下步骤: 步骤201.将原始边缘图像均匀切分成8X8和16X 162种尺寸的块，块之间相互覆盖一半的面积； 步骤202.对于每个正样本i中块`j中的每一条边缘，基于ChamferMatching算法,计算它与其他正样本同一位置的块中的所有边缘的相似度，设定第一阈值，如果大于第一阈值，则重现次数Ruk = H 步骤203.设定第二阈值，对于每个正样本i中块j中的每一条边缘k，如果重现次数大于第二阈值，则将其加入侯选库C_Set中； 步骤204.设定K = 2,利用K-Medoid算法对侯选库C_Set进行聚类,得到子类； 步骤205.设定第三阈值，如果类内距离dm大于第三阈值，则重复执行步骤204，直到所有子类的类内距离都小于第三阈值为止； 步骤206.将每一个子类的中心定义为一个边缘模板。
4.根据权利要求1所述一种针对头肩检测的混合特征提取方法，其特征在于，所述步骤3:对于输入图像，进行边缘检测得到第二原始边缘图像包括以下步骤: 步骤301.用gPb边缘检测算子计算边缘响应； 步骤302.利用方向分水岭算法得到第二原始边缘图像。
5.根据权利要求1所述一种针对头肩检测的混合特征提取方法，其特征在于，所述步骤4:用边缘模板过第二滤原始边缘图像，得到预测边缘图像包括以下步骤: 步骤401.采用和学习边缘模板时相同的切分方式，将第二原始边缘图像均匀切分成8X8和16X162种尺寸的块，块之间相互覆盖一半的面积，此时每一个块都对应一组学习生成的边缘模板； 步骤402.对于每个块i中的每一条边缘j,基于Chamfer Matching算法,计算它与所有对应边缘模板的最大相似度，设定第四阈值，如果S_maxu大于第四阈值，则认为该边缘为真实边缘，将其加入预测边缘图像。
6.根据权利要求1所述一种针对头肩检测的混合特征提取方法，其特征在于，所述步骤5:分别计算第二原始边缘图像和预测边缘图像的方向梯度直方图特征包括以下步骤: 步骤501.计算第二原始边缘图像的方向梯度直方图，得到特征向量； 步骤502.计算预测边缘图像的方向梯度直方图，得到特征向量。
7.根据权利要求1所述一种针对头肩检测的混合特征提取方法，其特征在于，所述步骤6:叠加第二原始边缘图像和预测边缘图像梯度直方图，生成边缘描述特征包括以下步骤: 步骤601.将第二原始边缘图像和预测边缘图像梯度直方图的特征向量和相加，得到边缘描述特征向量； 步骤602.用L2-norm方法对边缘描述特征向量重新做归一化。
8.根据权利要求1所述一种针对头肩检测的混合特征提取方法，其特征在于，所述步骤7:将输入图像转化为灰度图，计算方向梯度直方图特征，得到灰度图描述特征包括以下步骤: 步骤701.将输入图像从RGB空间转换到GRAY空间，计算方向梯度直方图，得到灰度图描述特征向量。
9.根据权利要求1所述一种针对头肩检测的混合特征提取方法，其特征在于，所述步骤8:串联灰度图描述特征和边缘描述特征，得到混合特征包括以下步骤: 步骤801.将灰度图描述特征和边缘描述特征串联，得到混合特征。
全文摘要
本发明公开了一种针对头肩检测的混合特征提取方法，包括以下步骤1针对训练集中正样本进行边缘检测，得到第一原始边缘图像；2将第一原始边缘图像切分成若干子区域，在每一个子区域里学习并生成边缘模板；3对于输入图像，进行边缘检测得到第二原始边缘图像；4用边缘模板过滤第二原始边缘图像，得到预测边缘图像；5分别计算第二原始边缘图像和预测边缘图像的方向梯度直方图特征；6叠加第二原始边缘图像和预测边缘图像梯度直方图特征，生成边缘描述特征；7将输入图像转化为灰度图，计算方向梯度直方图特征，得到灰度图描述特征；8串联灰度图描述特征和边缘描述特征，得到混合特征。
文档编号G06K9/46GK103106409SQ201310033229
公开日2013年5月15日 申请日期2013年1月29日 优先权日2013年1月29日
发明者苗振江, 王树 申请人:北京交通大学