边界框，I n对应 正样本集中的第η个图片，应图片I n中的行人边界框，J i对应负样本集中的第1个图 片，Jk对应负样本集中的第k个图片，K为迭代次数，m为容器数目，D为训练样本总数；
[0053] (1-2)进行|D = P U N|次循环，每次循环的过程如下：
[0054] ①提取每个训练样本的特征向量，
[0055]
[0056] 式中，p。对应根过滤器的位置，以左上角为标准进行表示，H对应梯度直方图特征 金字塔图，A,)表示在特征金字塔H中p。位置的特征向量，p n对应第η个部件过滤器 的位置，炉表示在特征金字塔H中ρη位置的特征向量，炉(/表示第1个部件 过滤器与根过滤器的相对形变特征向量，％(屯，也）表示第η个部件过滤器与根过滤器的 相对形变特征向量。
[0057] 表示第i个行人边界框，按照多个行人边界框的纵横比例，把图片分成3组， 分别从行人半身、侧面和正面来构建3个混合模型，这里把图片分成3组，是因为行人的半 身、侧面以及正面这3个角度，已经能包括大部分行人；
[0058] (1-3)进行m次循环，每次循环的过程如下：
[0059] ①初始化向量β = (F。，ω i · F1,…，ω n · Fn,山，…，dn, b)，F。表示根过滤器， F1Q彡i彡η)表示第i个部件过滤器，ωι(1彡i彡n)表示第i个部件过滤器的权值， 山（1 < i < η)表示第i个部件过滤器与根过滤器的相对形变系数，b表示偏差；
[0060] ②初始化包括正样本尺和负样本巧G 的样本池，C 1 (K i < m)是第i个模型 容器所对应的图片组，及是C1组的正样本，恳是C1组的负样本，M是C1组的所有负样本； [0061 ] ③进行K次迭代，每次迭代的过程如下：
[0062] a)采用随机梯度下降法，最优化目标函数
，采用隐支持向 量机对其进行训练，即
[0063] 式中，Φ (H，z)为训练样本的特征向量；β为初始化向量；z是一系列的潜在值，BP 根过滤器和部件过滤器的位置集；炅是C1组的正样本；G是C1组的负样本；c i (I < i < m) 是第i个模型容器所对应的图片组；
[0064] b)数据挖掘，移除5中的简单样本，增加中的负样本，进而扩大巧的样本 池；
[0065] (1-4)得到加权部件模型。
[0066] (2)行人检测
[0067] 获取行人视频图片，对图片进行选择性搜索分割，提取图片中的HOG特征并构造 特征金字塔，采用基于阈值裁剪的级联检测方法对行人进行检测。如图3所示：
[0068] (2_1)输入待检测图片；
[0069] (2-2)对图片进行选择性搜索分割，去除不可能存在行人的区域，得到η个区域；
[0070] (2-3)提取图片的HOG特征，构造特征金字塔；
[0071] (2-4)对加权部件模型进行PCA降维，转换成级联模型；
[0072] (2-5)进行η次循环，分别对每个区域进行级联检测，求出假设得分
[0073]
[0074] 式中，score (ρ。，…，ρη)由四部分组成：4 P0)为根过滤器的得分，
f为带有权值的部件过滤器的得分，为部件过滤器相对于 根过滤器的理想位置和实际位置的形变得分，偏差b ;
[0075] 如果score (p。，…，pn)大于级联阈值，则认为此假设区域覆盖行人区域，称为候选 假设，反之认为此假设区域没有覆盖行人区域，提取出包含有行人的边界框；
[0076] (2-6)对包含有行人的边界框进行去重，去除重复的区域；
[0077] (2-7)用矩形框在图片中标出行人，得到最终行人检测框。
[0078] 以上所述的实施例仅仅是对本发明的优选实施方式进行描述，并非对本发明的范 围进行限定，在不脱离本发明设计精神的前提下，本领域普通技术人员对本发明的技术方 案做出的各种变形和改进，均应落入本发明权利要求书确定的保护范围内。
【主权项】
1. 一种基于加权部件模型和选择性搜索分割的行人检测方法，其特征在于，所述检测 方法由加权部件模型训练部分和行人检测部分组成，方法步骤如下： (1) 加权部件模型训练 根据拥挤场景下行人各个部位的遮挡情况，对不同的部件设置不同的权值，使用隐支 持向量机进行训练权值，并采用随机梯度下降方法来最优化权值； (2) 行人检测 获取行人视频图片，对图片进行选择性搜索分割，提取图片中的HOG特征并构造特征 金字塔，采用基于阈值裁剪的级联检测方法对行人进行检测。2. 根据权利要求1所述的一种基于加权部件模型和选择性搜索分割的行人检测方法， 其特征在于，所述步骤（1)中模型训练的具体方法如下： (1-1)输入训练模型的正样本P= [(I1, B1)，…，（In，Bn)]、负样本N= IJ1,…，J1J、训练 样本总数|D = P U Nl、给定的迭代次数K和容器数目m ; 其中，I1对应正样本集中的第1个图片，B 3寸应图片Ii中的行人边界框，I "对应正样 本集中的第n个图片，应图片In中的行人边界框，J1对应负样本集中的第1个图片，Jk 对应负样本集中的第k个图片，K为迭代次数，m为容器数目，D为训练样本总数； (1-2)进行|D = P U N|次循环，每次循环的过程如下： ① 提取每个训练样本的特征向量， y/ (" ?Z) = ….P(". /，").-炉"(却.办,).…-奶,（办,,.屯,).1); 式中，P。对应根过滤器的位置，以左上角为标准进行表示，H对应梯度直方图特征金字 塔图，供(〃，A,)表示在特征金字塔H中p。位置的特征向量，p n对应第n个部件过滤器的位 置，炉(艮几）表示在特征金字塔H中队位置的特征向量，朽(电,办!）表示第1个部件过滤 器与根过滤器的相对形变特征向量，供几^表示第n个部件过滤器与根过滤器的相 对形变特征向量； ② B1表示第i个行人边界框，按照多个行人边界框的纵横比例，把图片分成3组，分别 从行人半身、侧面和正面来构建3个混合模型； (1-3)进行m次循环，每次循环的过程如下： ① 初始化向量P = (F。，《 i ? F1,…，《 n ? Fn,山，…，dn, b)，F。表示根过滤器， F1Q彡i彡n)表示第i个部件过滤器，％(1彡i彡n)表示第i个部件过滤器的权值， 山（1 < i < n)表示第i个部件过滤器与根过滤器的相对形变系数，b表示偏差； ② 初始化包括正样本炅和负样本馬￡风,的样本池，C1 (I < i < m)是第i个模型容器 所对应的图片组，及是C1组的正样本，A :是C1组的负样本，乂是C1组的所有负样本； ③ 进行K次迭代，每次迭代的过程如下： a)采用随机梯度下降法，最优化目标函数i采用隐支持向量机 对其进行训练，即肩=(巧U C ) ? 式中，也（H，z)为训练样本的特征向量j为初始化向量；z是一系列的潜在值，即根过 滤器和部件过滤器的位置集；A是C1组的正样本；6是C1组的负样本；c , (I < i < m)是 第i个模型容器所对应的图片组； b)数据挖掘，移除&中的简单样本，增加2\中的负样本，进而扩大^的样本池； (1-4)得到加权部件模型。3.根据权利要求1所述的基于选择性搜索分割行人检测方法，其特征在于，所述步骤 (2)行人检测的方法如下： (2-1)输入待检测图片； (2-2)对图片进行选择性搜索分割，去除不可能存在行人的区域，得到n个区域； (2-3)提取图片的HOG特征，构造特征金字塔； (2-4)对加权部件模型进行PCA降维，转换成级联模型； (2-5)进行k次循环，分别对每个区域进行级联检测，求出假设得分式中，score (p。，…，pn)由四部分组成：6,?供(仏Ai).为根过滤器的得分，为带有权值的部件过滤器的得分，为部件过滤器相对于 根过滤器的理想位置和实际位置的形变得分，偏差b ; 如果score (P。，…，Pn)大于级联阈值，则认为此假设区域覆盖行人区域，称为候选假 设，反之认为此假设区域没有覆盖行人区域，提取出包含有行人的边界框； (2-6)对包含有行人的边界框进行去重，去除重复的区域； (2-7)用矩形框在图片中标出行人，得到最终行人检测框。
【专利摘要】一种基于加权部件模型和选择性搜索分割的行人检测方法，由加权部件模型训练部分和行人检测部分组成。模型构建过程：基于可变形部件模型的构造过程，根据拥挤场景下行人各个部位的遮挡情况不同，对不同的部件设置了不同的权值，并使用隐支持向量机进行训练权值。行人检测过程：提取图片中的HOG特征金字塔，对图片进行选择性搜索分割，以达到用较少的有效窗口包含更多的物体，在此基础之上，采用基于阈值裁剪的级联检测来进行行人检测。本发明方法从两个角度解决拥挤场景下行人的漏检问题，具有减小干扰、提高行人检测准确率等优点。
【IPC分类】G06K9/62, G06K9/00
【公开号】CN105138983
【申请号】CN201510518178
【发明人】闻佳, 王雪平, 孔令富
【申请人】燕山大学
【公开日】2015年12月9日
【申请日】2015年8月21日