一种基于显著直方图特征的行人检测方法及系统的制作方法
【专利摘要】一种基于显著直方图特征的行人检测方法及系统，训练阶段包括首先分别将样本数据集中每个正样本或负样本归一化为预设尺寸，然后作为输入图像提取特征，根据所得特征训练分类器；正样本的图像包含行人，负样本的图像不包含行人；测试阶段包括对测试数据集中任一测试图像，首先以测试图像为输入图像，分别以输入图像的每个像素为中心建立预设尺寸的局部区域，并提取每个局部区域的特征，然后将每个局部区域的特征输入训练阶段所得分类器，得到各局部区域是否包含行人的分类结果。提取特征时，将梯度的幅值和相应局部区域显著概率值结合成带有显著信息的梯度幅值，然后和梯度的方向形成显著直方图；通过统计显著直方图，形成特征描述。
【专利说明】一种基于显著直方图特征的行人检测方法及系统
【技术领域】
[0001]本发明涉及目标检测领域，特别涉及一种基于显著直方图特征的行人检测技术方案。
【背景技术】
[0002]目标检测在计算机视觉中是一个热点，广泛的应用在刑侦监控、特定目标检索、机器人学和智能车辆中；行人在目标检测中又是尤为重要的因素，因此行人检测在近几年的时间里引起了高度重视和研究。但是在不同场景下光照、噪声以及行人的多种姿态变化使行人检测的研究面临很大的挑战。目前大多的行人检测算法都是借助于Dalal-Triggs在文献(“Histograms of oriented gradients for human detection.1n ComputerVision and Pattern Recognition，，，2005.CVPR2005.1EEE Computer Society Conferenceon, volumel, pages886_893.)中提出的HOG特征。经过多年的研究,该领域取得了很大的改进。在 Piotr Dollar 的文献(Piotr Dollar, Christian Wojek, Bernt Schiele, and PietroPerona.Pedestrian detection:An evaluation of the state of the art.Pattern Analysisand Machine Intelligence, IEEE Transactions on, 34(4):743-761, 2012.)中对目前十六种行人检测算法比对的调研中可以发现，在行人检测过程中有两个重要的元素:特征和分类器。检测过程包含训练和测试两个阶段:第一，从训练图像中提取特征，其中特征包含了行人的色彩、纹理及外形等基本属性信息，将提取的特征训练出SVM分类器；第二，从测试集图像中提取特征，将这些特征送入到训练好的分类器，最后给出分类结果。从HOG特征的检测结果中可以看出，大部分的误检大多出现在背景的区域；而这些背景区域都是图像的非显著区域。
【发明内容】
[0003]本发明的目的是提出一种基于显著直方图特征的行人检测技术方案，解决现有的同类算法中高误检问题，通过滑动窗口法得到最佳的结果。
[0004]为了达到以上目的，本发明采用的技术方案提供了一种基于显著直方图特征的行人检测方法，包括训练阶段和测试阶段，
[0005]训练阶段包括首先分别将样本数据集中每个正样本或负样本归一化为预设尺寸，然后作为输入图像提取特征，根据所得特征训练分类器；正样本的图像包含行人，负样本的图像不包含行人；提取特征包括进行以下步骤，
[0006]步骤1.1，对输入图像进行颜色空间的归一化；
[0007]步骤1.2，以输入图像的每个像素为中心建立预设尺寸的局部区域，获取每个局部区域的显著概率值；
[0008]步骤1.3，对输入图像进行划分，划分成多个大块，每个大块包括aXa个小块，每个小块中包含bXb个像素，a和b为预设参数；
[0009]步骤1.4，采集每个像素的梯度的幅值和方向；[0010]步骤1.5，对每个像素，将步骤1.4中所得梯度的幅值和步骤1.2中得到的相应局部区域显著概率值结合成带有显著信息的梯度幅值，然后和步骤1.4中得到的梯度的方向形成显著直方图；统计每个像素的显著直方图，形成每个像素的特征描述子；将每个小块中所有像素的特征描述子串联起来，得到各小块的特征描述子；将每个大块中所有小块的特征描述子串联起来，得到各大块的特征描述子；将输入图像中所有大块的特征描述子串联起来，得到该输入图像的特征描述子；
[0011]测试阶段包括对测试数据集中任一测试图像，首先以测试图像为输入图像，分别以输入图像的每个像素为中心建立预设尺寸的局部区域，并提取每个局部区域的特征，然后将每个局部区域的特征输入训练阶段所得分类器，得到各局部区域是否包含行人的分类结果；提取特征包括进行以下步骤，
[0012]步骤2.1，对输入图像进行颜色空间的归一化；
[0013]步骤2.2，以输入图像的每个像素为中心建立预设尺寸的局部区域，获取每个局部区域的显著概率值；
[0014]步骤2.3，基于以输入图像的每个像素为中心建立的预设尺寸的局部区域，将每个局部区域分别划分成多个大块,每个大块包括aXa个小块，每个小块中包含bXb个像素，a和b为预设参数；
[0015]步骤2.4，采集每个像素的梯度的幅值和方向；
[0016]步骤2.5，基于以输入图像的每个像素为中心建立的预设尺寸的局部区域，对每个局部区域分别提取特征如下，
[0017]对局部区域中每个像素，将步骤2.4中所得梯度的幅值和步骤2.2中得到的显著概率值结合成带有显著信息的梯度幅值，然后和步骤2.4中得到的梯度的方向形成显著直方图；统计每个像素的显著直方图，形成每个像素的特征描述子；将每个小块中所有像素的特征描述子串联起来，便得到各小块的特征描述子；将每个大块中所有小块的特征描述子串联起来，便得到各大块的特征描述子；将局部区域中所有大块的特征描述子串联起来，便得到该局部区域的特征描述子，作为该局部区域的特征。
[0018]而且，步骤1.2和2.2中，设归一化后的输入图像记为图像I，图像I的每个像素Ik的显著度Y (Ik)通过下式获得，
[0019]
【权利要求】
1.一种基于显著直方图特征的行人检测方法，其特征在于:包括训练阶段和测试阶段， 训练阶段包括首先分别将样本数据集中每个正样本或负样本归一化为预设尺寸，然后作为输入图像提取特征，根据所得特征训练分类器；正样本的图像包含行人，负样本的图像不包含行人；提取特征包括进行以下步骤， 步骤1.1，对输入图像进行颜色空间的归一化； 步骤1.2，以输入图像的每个像素为中心建立预设尺寸的局部区域，获取每个局部区域的显著概率值； 步骤1.3，对输入图像进行划分，划分成多个大块，每个大块包括aX a个小块，每个小块中包含bXb个像素，a和b为预设参数； 步骤1.4，采集每个像素的梯度的幅值和方向； 步骤1.5，对每个像素，将步骤1.4中所得梯度的幅值和步骤1.2中得到的相应局部区域显著概率值结合成带有显著信息的梯度幅值，然后和步骤1.4中得到的梯度的方向形成显著直方图；统计每个像素的显著直方图，形成每个像素的特征描述子；将每个小块中所有像素的特征描述子串联起来，得到各小块的特征描述子；将每个大块中所有小块的特征描述子串联起来，得到各大块的特征描述子；将输入图像中所有大块的特征描述子串联起来，得到该输入图像的特 征描述子； 测试阶段包括对测试数据集中任一测试图像，首先以测试图像为输入图像，分别以输入图像的每个像素为中心建立预设尺寸的局部区域，并提取每个局部区域的特征，然后将每个局部区域的特征输入训练阶段所得分类器，得到各局部区域是否包含行人的分类结果；提取特征包括进行以下步骤， 步骤2.1，对输入图像进行颜色空间的归一化； 步骤2.2，以输入图像的每个像素为中心建立预设尺寸的局部区域，获取每个局部区域的显著概率值； 步骤2.3，基于以输入图像的每个像素为中心建立的预设尺寸的局部区域，将每个局部区域分别划分成多个大块，每个大块包括aX a个小块，每个小块中包含b X b个像素，a和b为预设参数； 步骤2.4，采集每个像素的梯度的幅值和方向； 步骤2.5，基于以输入图像的每个像素为中心建立的预设尺寸的局部区域，对每个局部区域分别提取特征如下， 对局部区域中每个像素，将步骤2.4中所得梯度的幅值和步骤2.2中得到的显著概率值结合成带有显著信息的梯度幅值，然后和步骤2.4中得到的梯度的方向形成显著直方图；统计每个像素的显著直方图，形成每个像素的特征描述子；将每个小块中所有像素的特征描述子串联起来，便得到各小块的特征描述子；将每个大块中所有小块的特征描述子串联起来，便得到各大块的特征描述子；将局部区域中所有大块的特征描述子串联起来，便得到该局部区域的特征描述子，作为该局部区域的特征。
2.根据权利要求1所述基于显著直方图特征的行人检测方法，其特征在于:步骤1.2和2.2中，设归一化后的输入图像记为图像I，图像I的每个像素Ik的显著度Y(Ik)通过下式获得，
3.根据权利要求2所述基于显著直方图特征的行人检测方法，其特征在于:步骤1.4和步骤2.4中，采集每个像素单元中各像素点的梯度的幅值和方向如下， 提取位置(x，y)处像素的梯度如下，
Gx (x, y) = H(x+1, y)-H(x-l, y)
Gy (x, y) = H(x, y+l)-H(x, y-1) 其中，Gx(x，y)、Gy(x, y)表示图像I中位置(x，y)处的水平方向梯度、垂直方向梯度，H(x, y)为在位置(x，y)处像素的像素值，该像素处的梯度的幅值G(x，y)和方向θ (x, y)分别表示为，
4.根据权利要求3所述基于显著直方图特征的行人检测方法，其特征在于:步骤1.4和步骤2.4中，每个像素单元的显著信息的梯度幅值提取如下，
Gs (X，y) = G(x, y)F(s(x； y)) 其中，F(s(x,y))是以位置(x，y)处像素为中心的预设尺寸的局部区域相应显著概率值F(s(x，y))。5.—种基于显著直方图特征的行人检测系统，其特征在于:包括以下模块， 训练模块，用于首先分别将样本数据集中每个正样本或负样本归一化为预设尺寸，然后作为输入图像提取特征，根据所得特征训练分类器；正样本的图像包含行人，负样本的图像不包含行人； 分类模块，用于对测试数据集中任一测试图像，首先以测试图像为输入图像，分别以输入图像的每个像素为中心建立预设尺寸的局部区域，并提取每个局部区域的特征，然后将每个局部区域的特征输入训练阶段所得分类器，得到各局部区域是否包含行人的分类结果; 训练模块包括以下子模块，第一归一化子模块，用于对输入图像进行颜色空间的归一化； 第一显著概率值获取子模块，用于以输入图像的每个像素为中心建立预设尺寸的局部区域，获取每个局部区域的显著概率值； 第一图像划分子模块，用于对输入图像进行划分，划分成多个大块，每个大块包括aXa个小块，每个小块中包含bXb个像素，a和b为预设参数； 第一梯度采集子模块，用于采集每个像素的梯度的幅值和方向； 第一特征生成子模块，用于对每个像素，将第一梯度采集子模块所得梯度的幅值和第一显著概率值获取子模块得到的相应局部区域显著概率值结合成带有显著信息的梯度幅值，然后和第一梯度采集子模块得到的梯度的方向形成显著直方图；统计每个像素的显著直方图，形成每个像素的特征描述子；将每个小块中所有像素的特征描述子串联起来，得到各小块的特征描述子；将每个大块中所有小块的特征描述子串联起来，得到各大块的特征描述子；将输入图像中所有大块的特征描述子串联起来，得到该输入图像的特征描述子；分类模块包括以下子模块， 第二归一化子模块，用于对输入图像进行颜色空间的归一化； 第二显著概率值获取子模块，用于以输入图像的每个像素为中心建立预设尺寸的局部区域，获取每个局部区域的显著概率值； 第二图像划分子模块，用于基于以输入图像的每个像素为中心建立的预设尺寸的局部区域，将每个局部区域分别划分成多个大块，每个大块包括aXa个小块，每个小块中包含bXb个像素，a和b为预设参数； 第二梯度采集子模块，用于采集每个像素的梯度的幅值和方向； 第二特征生成子模块，用于基于以输入图像的每个像素为中心建立的预设尺寸的局部区域，对每个局部区域分别提取特征如下， 对局部区域中每个像素，将第二梯度采集子模块所得梯度的幅值和第二显著概率值获取子模块得到的显著概率值结合成带有显著信息的梯度幅值，然后和第二梯度采集子模块得到的梯度的方向形成显著直方图；统计每个像素的显著直方图，形成每个像素的特征描述子；将每个小块中所有像素的特征描述子串联起来，便得到各小块的特征描述子；将每个大块中所有小块的特征描述子串联起来，便得到各大块的特征描述子；将局部区域中所有大块的特征描述子串联起来，便得到该局部区域的特征描述子，作为该局部区域的特征。
【文档编号】G06T7/00GK104008404SQ201410268777
【公开日】2014年8月27日 申请日期:2014年6月16日 优先权日:2014年6月16日
【发明者】胡瑞敏, 方稳华, 梁超, 王晓, 南源源, 温屹, 陈军 申请人:武汉大学