一種基于顯著直方圖特征的行人檢測方法及系統技術方案

一種基于顯著直方圖特征的行人檢測方法及系統，訓練階段包括首先分別將樣本數據集中每個正樣本或負樣本歸一化為預設尺寸，然后作為輸入圖像提取特征，根據所得特征訓練分類器；正樣本的圖像包含行人，負樣本的圖像不包含行人；測試階段包括對測試數據集中任一測試圖像，首先以測試圖像為輸入圖像，分別以輸入圖像的每個像素為中心建立預設尺寸的局部區域，并提取每個局部區域的特征，然后將每個局部區域的特征輸入訓練階段所得分類器，得到各局部區域是否包含行人的分類結果。提取特征時，將梯度的幅值和相應局部區域顯著概率值結合成帶有顯著信息的梯度幅值，然后和梯度的方向形成顯著直方圖；通過統計顯著直方圖，形成特征描述。

【技術實現步驟摘要】
一種基于顯著直方圖特征的行人檢測方法及系統
本專利技術涉及目標檢測領域，特別涉及一種基于顯著直方圖特征的行人檢測技術方案。
技術介紹
目標檢測在計算機視覺中是一個熱點，廣泛的應用在刑偵監控、特定目標檢索、機器人學和智能車輛中；行人在目標檢測中又是尤為重要的因素，因此行人檢測在近幾年的時間里引起了高度重視和研究。但是在不同場景下光照、噪聲以及行人的多種姿態變化使行人檢測的研究面臨很大的挑戰。目前大多的行人檢測算法都是借助于Dalal-Triggs在文獻(“Histogramsoforientedgradientsforhumandetection.InComputerVisionandPatternRecognition”,2005.CVPR2005.IEEEComputerSocietyConferenceon,volume1,pages886-893.)中提出的HOG特征。經過多年的研究，該領域取得了很大的改進。在PiotrDollar的文獻(PiotrDollar,ChristianWojek,BerntSchiele,andPietroPerona.Pedestriandetection:Anevaluationofthestateoftheart.PatternAnalysisandMachineIntelligence,IEEETransactionson,34(4):743-761,2012.)中對目前十六種行人檢測算法比對的調研中可以發現，在行人檢測過程中有兩個重要的元素：特征和分類器。檢測過程包含訓練和測試兩個階段：第一，從訓練圖像中提取特征，其中特征包含了行人的色彩、紋理及外形等基本屬性信息，將提取的特征訓練出SVM分類器；第二，從測試集圖像中提取特征，將這些特征送入到訓練好的分類器，最后給出分類結果。從HOG特征的檢測結果中可以看出，大部分的誤檢大多出現在背景的區域；而這些背景區域都是圖像的非顯著區域。
技術實現思路
本專利技術的目的是提出一種基于顯著直方圖特征的行人檢測技術方案，解決現有的同類算法中高誤檢問題，通過滑動窗口法得到最佳的結果。為了達到以上目的，本專利技術采用的技術方案提供了一種基于顯著直方圖特征的行人檢測方法，包括訓練階段和測試階段，訓練階段包括首先分別將樣本數據集中每個正樣本或負樣本歸一化為預設尺寸，然后作為輸入圖像提取特征，根據所得特征訓練分類器；正樣本的圖像包含行人，負樣本的圖像不包含行人；提取特征包括進行以下步驟，步驟1.1，對輸入圖像進行顏色空間的歸一化；步驟1.2，以輸入圖像的每個像素為中心建立預設尺寸的局部區域，獲取每個局部區域的顯著概率值；步驟1.3，對輸入圖像進行劃分，劃分成多個大塊，每個大塊包括a×a個小塊，每個小塊中包含b×b個像素，a和b為預設參數；步驟1.4，采集每個像素的梯度的幅值和方向；步驟1.5，對每個像素，將步驟1.4中所得梯度的幅值和步驟1.2中得到的相應局部區域顯著概率值結合成帶有顯著信息的梯度幅值，然后和步驟1.4中得到的梯度的方向形成顯著直方圖；統計每個像素的顯著直方圖，形成每個像素的特征描述子；將每個小塊中所有像素的特征描述子串聯起來，得到各小塊的特征描述子；將每個大塊中所有小塊的特征描述子串聯起來，得到各大塊的特征描述子；將輸入圖像中所有大塊的特征描述子串聯起來，得到該輸入圖像的特征描述子；測試階段包括對測試數據集中任一測試圖像，首先以測試圖像為輸入圖像，分別以輸入圖像的每個像素為中心建立預設尺寸的局部區域，并提取每個局部區域的特征，然后將每個局部區域的特征輸入訓練階段所得分類器，得到各局部區域是否包含行人的分類結果；提取特征包括進行以下步驟，步驟2.1，對輸入圖像進行顏色空間的歸一化；步驟2.2，以輸入圖像的每個像素為中心建立預設尺寸的局部區域，獲取每個局部區域的顯著概率值；步驟2.3，基于以輸入圖像的每個像素為中心建立的預設尺寸的局部區域，將每個局部區域分別劃分成多個大塊，每個大塊包括a×a個小塊，每個小塊中包含b×b個像素，a和b為預設參數；步驟2.4，采集每個像素的梯度的幅值和方向；步驟2.5，基于以輸入圖像的每個像素為中心建立的預設尺寸的局部區域，對每個局部區域分別提取特征如下，對局部區域中每個像素，將步驟2.4中所得梯度的幅值和步驟2.2中得到的顯著概率值結合成帶有顯著信息的梯度幅值，然后和步驟2.4中得到的梯度的方向形成顯著直方圖；統計每個像素的顯著直方圖，形成每個像素的特征描述子；將每個小塊中所有像素的特征描述子串聯起來，便得到各小塊的特征描述子；將每個大塊中所有小塊的特征描述子串聯起來，便得到各大塊的特征描述子；將局部區域中所有大塊的特征描述子串聯起來，便得到該局部區域的特征描述子，作為該局部區域的特征。而且，步驟1.2和2.2中，設歸一化后的輸入圖像記為圖像I，圖像I的每個像素Ik的顯著度Y(Ik)通過下式獲得，其中，Ii是圖像I的一個像素，d(Ik,Ii)是圖像I的兩個像素Ik和Ii在色彩LUV空間的距離，N是圖像I的像素個數；將每個像素的顯著度重新定義為該像素與周圍最近的八個像素的顯著度求和取平均值的結果，新的顯著度計為S(Ik)，設局部區域的顯著概率值符合高斯分布，計算顯著概率值的式子如下，其中，和σ2分布代表高斯分布的均值和方差，Rk代表以像素Ik為中心的預設尺寸的局部區域；代表矩形區域的顯著度，σ代表高斯分布的標準方差。而且，步驟1.4和步驟2.4中，采集每個像素單元中各像素點的梯度的幅值和方向如下，提取位置(x,y)處像素的梯度如下，Gx(x,y)＝H(x+1,y)-H(x-1,y)Gy(x,y)＝H(x,y+1)-H(x,y-1)其中，Gx(x,y)、Gy(x,y)表示圖像I中位置(x,y)處的水平方向梯度、垂直方向梯度，H(x,y)為在位置(x,y)處像素的像素值，該像素處的梯度的幅值G(x,y)和方向θ(x,y)分別表示為，而且，步驟1.4和步驟2.4中，每個像素單元的顯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)處像素為中心的預設尺寸的局部區域相應顯著概率值F(s(x,y))。本專利技術還相應提供了一種基于顯著直方圖特征的行人檢測系統，包括以下模塊，訓練模塊，用于首先分別將樣本數據集中每個正樣本或負樣本歸一化為預設尺寸，然后作為輸入圖像提取特征，根據所得特征訓練分類器；正樣本的圖像包含行人，負樣本的圖像不包含行人；分類模塊，用于對測試數據集中任一測試圖像，首先以測試圖像為輸入圖像，分別以輸入圖像的每個像素為中心建立預設尺寸的局部區域，并提取每個局部區域的特征，然后將每個局部區域的特征輸入訓練階段所得分類器，得到各局部區域是否包含行人的分類結果；訓練模塊包括以下子模塊，第一歸一化子模塊，用于對輸入圖像進行顏色空間的歸一化；第一顯著概率值獲取子模塊，用于以輸入圖像的每個像素為中心建立預設尺寸的局部區域，獲取每個局部區域的顯著概率值；第一圖像劃分子模塊，用于對輸入圖像進行劃分，劃分成多個大塊，每個大塊包括a×a個小塊，每個小塊中包含b×b個像素，a和b為預設參數；第一梯度采集子模塊，用于采集每個像素的梯度的幅值和方向；第一特本文檔來自技高網...

【技術保護點】
一種基于顯著直方圖特征的行人檢測方法，其特征在于：包括訓練階段和測試階段，訓練階段包括首先分別將樣本數據集中每個正樣本或負樣本歸一化為預設尺寸，然后作為輸入圖像提取特征，根據所得特征訓練分類器；正樣本的圖像包含行人，負樣本的圖像不包含行人；提取特征包括進行以下步驟，步驟1.1，對輸入圖像進行顏色空間的歸一化；步驟1.2，以輸入圖像的每個像素為中心建立預設尺寸的局部區域，獲取每個局部區域的顯著概率值；步驟1.3，對輸入圖像進行劃分，劃分成多個大塊，每個大塊包括a×a個小塊，每個小塊中包含b×b個像素，a和b為預設參數；步驟1.4，采集每個像素的梯度的幅值和方向；步驟1.5，對每個像素，將步驟1.4中所得梯度的幅值和步驟1.2中得到的相應局部區域顯著概率值結合成帶有顯著信息的梯度幅值，然后和步驟1.4中得到的梯度的方向形成顯著直方圖；統計每個像素的顯著直方圖，形成每個像素的特征描述子；將每個小塊中所有像素的特征描述子串聯起來，得到各小塊的特征描述子；將每個大塊中所有小塊的特征描述子串聯起來，得到各大塊的特征描述子；將輸入圖像中所有大塊的特征描述子串聯起來，得到該輸入圖像的特征描述子；測試階段包括對測試數據集中任一測試圖像，首先以測試圖像為輸入圖像，分別以輸入圖像的每個像素為中心建立預設尺寸的局部區域，并提取每個局部區域的特征，然后將每個局部區域的特征輸入訓練階段所得分類器，得到各局部區域是否包含行人的分類結果；提取特征包括進行以下步驟，步驟2.1，對輸入圖像進行顏色空間的歸一化；步驟2.2，以輸入圖像的每個像素為中心建立預設尺寸的局部區域，獲取每個局部區域的顯著概率值；步驟2.3，基于以輸入圖像的每個像素為中心建立的預設尺寸的局部區域，將每個局部區域分別劃分成多個大塊，每個大塊包括a×a個小塊，每個小塊中包含b×b個像素，a和b為預設參數；步驟2.4，采集每個像素的梯度的幅值和方向；步驟2.5，基于以輸入圖像的每個像素為中心建立的預設尺寸的局部區域，對每個局部區域分別提取特征如下，對局部區域中每個像素，將步驟2.4中所得梯度的幅值和步驟2.2中得到的顯著概率值結合成帶有顯著信息的梯度幅值，然后和步驟2.4中得到的梯度的方向形成顯著直方圖；統計每個像素的顯著直方圖，形成每個像素的特征描述子；將每個小塊中所有像素的特征描述子串聯起來，便得到各小塊的特征描述子；將每個大塊中所有小塊的特征描述子串聯起來，便得到各大塊的特征描述子；將局部區域中所有大塊的特征描述子串聯起來，便得到該局部區域的特征描述子，作為該局部區域的特征。...

【技術特征摘要】
1.一種基于顯著直方圖特征的行人檢測方法，其特征在于：包括訓練階段和測試階段，訓練階段包括首先分別將樣本數據集中每個正樣本或負樣本歸一化為預設尺寸，然后作為輸入圖像提取特征，根據所得特征訓練分類器；正樣本的圖像包含行人，負樣本的圖像不包含行人；提取特征包括進行以下步驟，步驟1.1，對輸入圖像進行顏色空間的歸一化；步驟1.2，以輸入圖像的每個像素為中心建立預設尺寸的局部區域，獲取每個局部區域的顯著概率值；步驟1.3，對輸入圖像進行劃分，劃分成多個大塊，每個大塊包括a×a個小塊，每個小塊中包含b×b個像素，a和b為預設參數；步驟1.4，采集每個像素的梯度的幅值和方向；步驟1.5，對每個像素，將步驟1.4中所得梯度的幅值和步驟1.2中得到的相應局部區域顯著概率值結合成帶有顯著信息的梯度幅值，然后和步驟1.4中得到的梯度的方向形成顯著直方圖；統計每個像素的顯著直方圖，形成每個像素的特征描述子；將每個小塊中所有像素的特征描述子串聯起來，得到各小塊的特征描述子；將每個大塊中所有小塊的特征描述子串聯起來，得到各大塊的特征描述子；將輸入圖像中所有大塊的特征描述子串聯起來，得到該輸入圖像的特征描述子；測試階段包括對測試數據集中任一測試圖像，首先以測試圖像為輸入圖像，分別以輸入圖像的每個像素為中心建立預設尺寸的局部區域，并提取每個局部區域的特征，然后將每個局部區域的特征輸入訓練階段所得分類器，得到各局部區域是否包含行人的分類結果；提取特征包括進行以下步驟，步驟2.1，對輸入圖像進行顏色空間的歸一化；步驟2.2，以輸入圖像的每個像素為中心建立預設尺寸的局部區域，獲取每個局部區域的顯著概率值；步驟2.3，基于以輸入圖像的每個像素為中心建立的預設尺寸的局部區域，將每個局部區域分別劃分成多個大塊，每個大塊包括a×a個小塊，每個小塊中包含b×b個像素，a和b為預設參數；步驟2.4，采集每個像素的梯度的幅值和方向；步驟2.5，基于以輸入圖像的每個像素為中心建立的預設尺寸的局部區域，對每個局部區域分別提取特征如下，對局部區域中每個像素，將步驟2.4中所得梯度的幅值和步驟2.2中得到的顯著概率值結合成帶有顯著信息的梯度幅值，然后和步驟2.4中得到的梯度的方向形成顯著直方圖；統計每個像素的顯著直方圖，形成每個像素的特征描述子；將每個小塊中所有像素的特征描述子串聯起來，便得到各小塊的特征描述子；將每個大塊中所有小塊的特征描述子串聯起來，便得到各大塊的特征描述子；將局部區域中所有大塊的特征描述子串聯起來，便得到該局部區域的特征描述子，作為該局部區域的特征。2.根據權利要求1所述基于顯著直方圖特征的行人檢測方法，其特征在于：步驟1.2和2.2中，設歸一化后的輸入圖像記為圖像I，圖像I的每個像素Ik的顯著度Y(Ik)通過下式獲得，其中，Ii是圖像I的一個像素，d(Ik,Ii)是圖像I的兩個像素Ik和Ii在色彩LUV空間的距離，N是圖像I的像素個數；將每個像素的顯著度重新定義為該像素與周圍最近的八個像素的顯著度求和取平均值的結果，新的顯著度計為S(Ik)，設局部區域的顯著概率值符合高斯分布，計算顯著概率值的式子如下，其中，和σ2分布代表高斯分布的均值和方差，Rk代表以像素Ik為中心的預設尺寸的局部區域；代表局部區域的顯著度，σ代表高斯分布的標準方差。3.根據權利要求2所述基于顯著直方圖特征的行人檢測方法，其特征在于：步驟1.4和步驟2.4中，采集每個像素單元中各像素點的梯度的幅值和方向如下，提取位...

【專利技術屬性】
技術研發人員：胡瑞敏，方穩華，梁超，王曉，南源源，溫屹，陳軍，
申請(專利權)人：武漢大學，
類型：發明
國別省市：湖北;42