本发明涉及图像处理技术领域，特别涉及行人检测识别技术。
背景技术
目前对图像内行人的检测方法采用方向梯度直方图和支持向量机进行处理，支持向量机确定的超平面可作为两种模式类的分界面，但样本与分界面的距离并不能准确表征给定数据与模式类的相似度，导致最后的行人检测结果准确率较低，并且传统的检测方法需要采用人工标注的正样本和负样本进行训练，导致所需的训练样本总数多，工作量大。
技术实现要素：
本发明要解决现有行人检测方法准确率较低，所需训练样本数量多，工作量大的技术问题，提供一种不需要负样本的基于支持向量数据描述的行人检测方法。
为解决上述技术问题，本发明采用的技术方案是：行人检测方法，包括单分类器训练部分和检测应用部分；
所述单分类器训练部分包括以下步骤：
步骤一、在训练样本集中标注出每个训练样本的正样本，得到完备的正样本集；
步骤二、对正样本集进行方向梯度直方图统计，利用方向梯度直方图提取出的特征，训练出基于支持向量数据描述的单分类器；
所述检测应用部分包括以下步骤：
步骤a、获取检测图像，利用移动滑窗从检测图像生成多个候选图像；
步骤b、对所有的候选图像进行方向梯度直方图统计，提取出每个候选图像的特征；
步骤c、整合所有候选图像的特征生成检测图像的特征描述，输入到单分类器中进行分析处理，判断是否有行人及行人的位置。
进一步的，所述步骤一中对所有正样本采样到归一化的64×64像素。对正样本进行归一化处理以提高检测器对光照的鲁棒性。
进一步的，所述步骤二中每个正样本按像素划分为多个单元区，对每个单元区分别进行方向梯度直方图统计得到对应单元区的表征图像特征的编码，整合每个单元区的编码得到对应正样本的特征描述。方向梯度直方图在正样本的局部单元区上操作，对图像的几何形变和光学形变都能保持很好的不变性。
进一步的，所述步骤a中检测图像按像素划分为多个互不重叠且大小相同的矩形细胞单元，移动滑窗在检测图像中移动截取得到包括多个细胞单元的候选图像，移动步长以细胞单元为单位，相邻候选图像中有相同的细胞单元，得到的所有候选图像能覆盖完检测图像。
进一步的，所述移动滑窗从左到右从上到下移动，移动步长采用1个细胞单元。
进一步的，所述步骤b将像素的梯度方向在0-180度区间内平均划分为9个量化方向，计算得到每个像素的梯度幅值和梯度方向，每个细胞单元内的像素为其所在细胞单元的梯度方向直方图进行加权投票，得到相应细胞单元的梯度信息，整合候选图像中每个细胞单元的梯度信息生成候选图像的特征描述，其中加权的权值采用像素的梯度幅值。
进一步的，所述方向梯度直方图统计中采用伽马算法对像素进行预处理。能够降低光照和对比度对图像的影响。
进一步的，所述预处理采用公式i(x,y)′＝i(x,y)gamma，其中i(x,y)是像素，gamma是校正系数。
进一步的，所述gamma采用0.5。
进一步的，所述方向梯度直方图统计中计算像素的梯度幅值和梯度方向采用方程组：
其中i(x,y)是像素，g(x,y)是梯度幅值，α(x,y)是梯度方向。
有益效果是：本发明基于支持向量数据描述，从挖掘完备的正样本相似度的角度出发，解决了统计学习算法中负样本不完备的问题。支持向量数据描述算法构造的是一个具有最小半径且包含全部或大部分样本的超球体，而给定数据与模式类的相似度可通过其与超球体球心的距离进行有效地表征，使得行人检测的准确率提高；本发明通过完备的正样本集训练出一个单分类器，不需要引入负样本集进行训练，避免了负样本对单分类器的影响，使得训练样本总数也相应减少，降低了工作量。本发明特别适用于智能交通设备。
具体实施方式
下面结合实施例，进一步说明本发明的技术方案。
本发明的技术方案是：行人检测方法，包括单分类器训练部分和检测应用部分；
所述单分类器训练部分包括以下步骤：
步骤一、在训练样本集中标注出每个训练样本的正样本，得到完备的正样本集；
步骤二、对正样本集进行方向梯度直方图统计，利用方向梯度直方图提取出的特征，训练出基于支持向量数据描述的单分类器；
所述检测应用部分包括以下步骤：
步骤a、获取检测图像，利用移动滑窗从检测图像生成多个候选图像；
步骤b、对所有的候选图像进行方向梯度直方图统计，提取出每个候选图像的特征；
步骤c、整合所有候选图像的特征生成检测图像的特征描述，输入到单分类器中进行分析处理，判断是否有行人及行人的位置。
本发明对正样本集进行方向梯度直方图统计，在保证正样本完备性的前提下，充分挖掘正样本的相似性特征，从而对训练样本集进行特征提取，在正样本完备的基础下，训练出基于支持向量数据描述的正样本单分类器进行行人检测。
实施例
本例的行人检测方法，包括单分类器训练部分和检测应用部分；
所述单分类器训练部分包括以下步骤：
步骤一、在训练样本集中标注出每个训练样本的正样本，得到完备的正样本集；
步骤二、对正样本集进行方向梯度直方图统计，利用方向梯度直方图提取出的特征，训练出基于支持向量数据描述的单分类器；
所述检测应用部分包括以下步骤：
步骤a、获取检测图像，利用移动滑窗从检测图像生成多个候选图像；
步骤b、对所有的候选图像进行方向梯度直方图统计，提取出每个候选图像的特征；
步骤c、整合所有候选图像的特征生成检测图像的特征描述，输入到单分类器中进行分析处理，判断是否有行人及行人的位置。
具体的，所述步骤一中对所有正样本采样到归一化的64×64像素。对正样本进行归一化处理以提高检测器对光照的鲁棒性。所述步骤二中每个正样本按像素划分为多个单元区，对每个单元区分别进行方向梯度直方图统计得到对应单元区的表征图像特征的编码，整合每个单元区的编码得到对应正样本的特征描述。方向梯度直方图在正样本的局部单元区上操作，对图像的几何形变和光学形变都能保持很好的不变性。所述步骤a中检测图像按像素划分为多个互不重叠且大小相同的矩形细胞单元，移动滑窗在检测图像中移动截取得到包括多个细胞单元的候选图像，移动步长以细胞单元为单位，相邻候选图像中有相同的细胞单元，得到的所有候选图像能覆盖完检测图像。所述移动滑窗从左到右从上到下移动，移动步长采用1个细胞单元。所述步骤b将像素的梯度方向在0-180度区间内平均划分为9个量化方向，计算得到每个像素的梯度幅值和梯度方向，每个细胞单元内的像素为其所在细胞单元的梯度方向直方图进行加权投票，得到相应细胞单元的梯度信息，整合候选图像中每个细胞单元的梯度信息生成候选图像的特征描述，其中加权的权值采用像素的梯度幅值。所述方向梯度直方图统计中采用伽马算法对像素进行预处理。能够降低光照和对比度对图像的影响。所述预处理采用公式i(x,y)′＝i(x,y)gamma，其中i(x,y)是像素，gamma是校正系数。所述gamma采用0.5。所述方向梯度直方图统计中计算像素的梯度幅值和梯度方向采用方程组：
其中i(x,y)是像素，g(x,y)是梯度幅值，α(x,y)是梯度方向。
下面具体举例，分别对本例的单分类器训练部分和检测应用部分进行说明：
单分类器训练部分，在训练样本集中人工标注出每个训练样本的正样本，对所有正样本采样到归一化的64×64像素得到完备的正样本集，对正样本进行归一化处理的目的是提高检测器对光照的鲁棒性；运用伽马算法对正样本进行预处理，预处理采用公式i(x,y)′＝i(x,y)gamma，其中i(x,y)是像素，gamma是校正系数，本例中gamma的值采用0.5，对预处理后的正样本集进行方向梯度直方图统计，每个正样本按像素划分为多个单元区，对每个单元区分别进行方向梯度直方图统计得到对应单元区的表征图像特征的编码，整合每个单元区的编码得到对应正样本的特征描述，方向梯度直方图在正样本的局部单元区上操作，对图像的几何形变和光学形变都能保持很好的不变性，最后利用方向梯度直方图提取出的特征，训练出基于支持向量数据描述的单分类器。
检测应用部分，利用移动滑窗从检测图像生成多个候选图像，具体是将检测图像按像素划分为多个互不重叠且大小相同的矩形细胞单元，移动滑窗在检测图像中移动截取得到包括多个细胞单元的候选图像，移动步长以细胞单元为单位，相邻候选图像中有相同的细胞单元，得到的所有候选图像能覆盖完检测图像，本例采用移动滑窗从左到右从上到下移动，移动步长采用1个细胞单元，例如检测图像尺寸是64×64像素,每个细胞单元的尺寸是16×16像素，共划分为4×4＝16个细胞单元，移动滑窗的窗口包括相邻的2x2＝4个细胞单元,移动滑窗的窗口大小即是候选图像的大小，依次将移动滑窗从左到右从上到下进行移动来获得整个检测图像的边缘信息，移动步长为1个细胞单元，即16像素，共得到9个候选图像。对所有的候选图像进行方向梯度直方图统计，运用伽马算法对候选图像进行预处理，预处理采用公式i(x,y)′＝i(x,y)gamma，其中i(x,y)是像素，gamma是校正系数，本例中gamma的值采用0.5，梯度信息计算具体过程是将像素的梯度方向在0-180度区间内平均划分为9个量化方向，计算得到每个像素的梯度幅值和梯度方向，每个细胞单元内的像素为其所在细胞单元的梯度方向直方图进行加权投票，得到相应细胞单元的梯度信息，整合候选图像中每个细胞单元的梯度信息生成候选图像的特征描述，其中加权的权值采用像素的梯度幅值。计算像素的梯度幅值和梯度方向采用方程组：
其中i(x,y)是像素，g(x,y)是梯度幅值，α(x,y)是梯度方向。最后整合所有候选图像的特征生成检测图像的特征描述，输入到单分类器中进行分析处理，判断是否有行人及行人的位置。