本发明涉及计算机视觉及图像处理技术领域，具体涉及一种基于局部去相关特征的行人检测方法。
背景技术：
行人检测(pedestriandetection)是利用计算机视觉技术判断图像或者视频序列中是否存在行人并给予精确定位。该技术可应用于人工智能系统、车辆辅助驾驶系统、智能机器人、智能视频监控、人体行为分析、智能交通等领域。
ldcf方法是当前用于行人检测的非基于深度学习的方法中常用的方法之一，ldcf方法在训练阶段对训练图片通过hog变换(即根据图像像素值计算图像像素间的梯度幅值和60度到360度留个方向的变换)和luv图像通道(l即图像亮度空间，u/v指色度空间)产生的10个变换通道特征进行去相关处理，实现降维的目的，并使用卷积操作进行简化计算。该方法在去相关操作中，对所有正样本的所有区域进行协相关系数计算，并将其平均值用于滤波器生成中。这样将导致产生的滤波器不够丰富，降低了滤波器的容差性。
技术实现要素：
本发明是为了解决上述问题而进行的，目的在于提供一种基于局部去相关特征的行人检测方法。
本发明提供了一种基于局部去相关特征的行人检测方法，具有这样的特征，包括：包括以下步骤：步骤一，对样本图像集中的所有样本图像进行行人区域标注，并将标注后的所有样本图像作为行人检测数据集；步骤二，训练行人检测数据集中的每个样本图像进行10个通道变换处理，得到训练样本数据集；步骤三，计算训练样本数据集中的所有训练样本图像的10个变换通道的平均值，并将平均值作为平均人体模型；步骤四，基于步骤一中的行人区域标注将训练样本数据集中所有训练样本图像均裁剪出头肩区域作为高辨别区域；步骤五，在所有训练样本图像的头肩区域上进行协方差提取以实现去相关处理，并将平均人体模型中的头肩区域通过协方差提取产生矩阵作为滤波器；步骤六，将步骤五得到的滤波器作用于训练样本数据集得到最终特征，并将得到的最终特征输入基于决策树的adaboost分类器中，以训练adaboost分类器；步骤七，将步骤五得到的滤波器以及步骤六得到的分类器作为最终生成的检测器；步骤八，将待检测图像输入检测器中进行行人检测。
在本发明提供的基于局部去相关特征的行人检测方法中，还可以具有这样的特征：其中，在步骤二中，10个通道变换处理包含1个hog梯度幅值通道、6个hog方向通道以及3个颜色空间通道。
在本发明提供的基于局部去相关特征的行人检测方法中，还可以具有这样的特征：其中，hog梯度幅值通道的具体计算过程如下：对于任意一个样本图像i(x,y)，首先用[-1，0，1]梯度算子进行卷积运算，得到水平方向的梯度分量gx：gx＝i(x+1,y)-i(x-1,y)，再用[1,0,-1]t梯度算子进行卷积运算，得到垂直方向的梯度分量gy:gy＝i(x,y+1)-i(x,y-1)，在点(x,y)处的梯度幅度gxy为：gxy＝sqrt(gx^2+gy^2)。
在本发明提供的基于局部去相关特征的行人检测方法中，还可以具有这样的特征：其中，6个hog方向通道的具体计算过程如下：对于任意一个样本图像，将图像划分为8×8的方格单元，2×2的方格单元组成一个方块单元，方块单元内的任意一个像素点(x,y)的梯度方向alpha(x,y)为：alpha(x,y)＝arctan(gy(x,y)/gx(x,y))，hog在进行特征描述时，将角度theta的梯度方向在360度区间划分为6个均匀的空间sk，每个区间为60度，像素点(x,y)在k个梯度方向上的投影lk(x,y)为：
在本发明提供的基于局部去相关特征的行人检测方法中，还可以具有这样的特征：其中，3个颜色空间通道变换处理为由rgb通道转换为luv通道，公式如下：
在本发明提供的基于局部去相关特征的行人检测方法中，还可以具有这样的特征：其中，步骤五的所述去相关处理中的自相关矩阵提取过程为：
式中，rx为自相关矩阵，e为数学期望，x为随机向量，rii为x的互相关系数，h为转置共轭。
发明的作用与效果
本发明所涉及的基于局部去相关特征的行人检测方法是基于ldcf进行改进：使用平均行人模型的局部区域进行去相关处理，并将得到的滤波器用于检测阶段，作用在10个变换通道中。通过对具有高辨别性的区域进行学习并提取滤波器，并在检测阶段使用滤波器进行行人特征提取，从而训练得到高效的检测器。本发明的基于局部去相关特征的行人检测方法属于浅层学习的方法，相对于深度学习，仅仅在提取行人特征后进行使用基于决策树的分类器进行分类，训练和检测时间更短，更接近实时处理的要求。
附图说明
图1是本发明的实施例中基于局部去相关特征的行人检测方法的过程示意图；以及
图2是本发明的实施例中裁剪头肩区域的示意图。
具体实施方式
为了使本发明实现的技术手段、创作特征、达成目的与功效易于明白了解，以下实施例结合附图对本发明的基于局部去相关特征的行人检测方法作具体阐述。
图1是本发明的实施例中基于局部去相关特征的行人检测方法的过程示意图；以及图2是本发明的实施例中裁剪头肩区域的示意图。
如图1所示，本发明的基于局部去相关特征的行人检测方法包括以下步骤：
步骤一，对样本图像集中的所有样本图像进行行人区域标注，并将标注后的所有样本图像作为行人检测数据集。
步骤二，训练行人检测数据集中的每个样本图像进行10个通道变换处理，得到训练样本数据集。
在步骤二中，10个通道变换处理包含1个hog梯度幅值通道、6个hog方向通道以及3个颜色空间通道。
hog梯度幅值通道的具体计算过程如下：
对于任意一个样本图像i(x,y)，首先用[-1，0，1]梯度算子进行卷积运算，得到水平方向的梯度分量gx：
gx＝i(x+1,y)-i(x-1,y)，
再用[1,0,-1]t梯度算子进行卷积运算，得到垂直方向的梯度分量gy:
gy＝i(x,y+1)-i(x,y-1)，
在点(x,y)处的梯度幅度gxy为：
gxy＝sqrt(gx^2+gy^2)。
6个hog方向通道的具体计算过程如下：
对于任意一个样本图像，将图像划分为8×8的方格单元，2×2的方格单元组成一个方块单元，方块单元内的任意一个像素点(x,y)的梯度方向alpha(x,y)为：
alpha(x,y)＝arctan(gy(x,y)/gx(x,y))，
hog在进行特征描述时，将角度theta的梯度方向在360度区间划分为6个均匀的空间sk，每个区间为60度，像素点(x,y)在k个梯度方向上的投影lk(x,y)为：
然后对属于方块单元内的像素点进行投票统计，将方块单元内的每个像素点的梯度方向都采用线性插值来计算得出每一个方块单元内的梯度方向特征，将所有方块单元的梯度方向特征组合在一起进行统计。
3个颜色空间通道变换处理为由rgb通道转换为luv通道，公式如下：
式中，xyz为图像luv通道值；b11、b12、b13、b21、b22、b23、b31、b32、b33均为所示转换常数；rgb为图像原始rgb通道像素值。
步骤三，计算训练样本数据集中的所有训练样本图像的10个变换通道的平均值，并将平均值作为平均人体模型。
步骤四，基于步骤一中的行人区域标注将训练样本数据集中所有训练样本图像均裁剪出特定区域作为高辨别区域。如图2所示，在本实施例中的训练样本图像1中，以头肩区域2作为特定区域。
步骤五，在所有训练样本图像的头肩区域上进行协方差提取以实现去相关处理，并将平均人体模型中的头肩区域通过协方差提取产生矩阵作为滤波器。
去相关处理中的自相关矩阵提取过程为：
式中，rx为自相关矩阵，e为数学期望，x为随机向量，rii为x的互相关系数，h为转置共轭。
步骤六，将步骤五得到的滤波器作用于训练样本数据集得到最终特征，并将得到的最终特征输入基于决策树的adaboost分类器中，以训练adaboost分类器。
步骤七，将步骤五得到的滤波器以及步骤六得到的分类器作为最终生成的检测器。
步骤八，将待检测图像输入检测器中进行行人检测。
实施例的作用与效果
本实施例所涉及的基于局部去相关特征的行人检测方法是基于ldcf进行改进：使用平均行人模型的局部区域进行去相关处理，并将得到的滤波器用于检测阶段，作用在10个变换通道中。通过对具有高辨别性的区域进行学习并提取滤波器，并在检测阶段使用滤波器进行行人特征提取，从而训练得到高效的检测器。本实施例的基于局部去相关特征的行人检测方法属于浅层学习的方法，使用正样本的局部区域进行去相关处理，从而提取滤波器，将滤波器在检测阶段使用滑动窗口(slidingwindow)方法用于待检测图片的所有待检测区域，相对于深度学习，仅仅在提取行人特征后进行使用基于决策树的分类器进行分类，训练和检测时间更短，更接近实时处理的要求。
上述实施方式为本发明的优选案例，并不用来限制本发明的保护范围。