本發(fā)明涉及行人檢測(cè)技術(shù)領(lǐng)域，具體涉及一種行人檢測(cè)方法。
背景技術(shù)：
行人檢測(cè)技術(shù)研究的主體是現(xiàn)實(shí)世界主要的組成部分，因此成為人們探索追求的重點(diǎn)。隨著信息技術(shù)的發(fā)展，行人檢測(cè)技術(shù)也慢慢的被應(yīng)用于現(xiàn)實(shí)之中，如智能監(jiān)控系統(tǒng)、車(chē)載輔助系統(tǒng)、智能機(jī)器人等。正是由于社會(huì)發(fā)展的需求，行人檢測(cè)技術(shù)領(lǐng)域吸引了眾人參與到這個(gè)領(lǐng)域的研究。2005年HOG特征被提出用于行人檢測(cè)是行人檢測(cè)技術(shù)突破性進(jìn)展。隨后的十年衍生出眾多的方法，都獲得了豐碩的成果。但是行人檢測(cè)本身存在著許多的難點(diǎn)：
(1)行人作為非剛性目標(biāo)，自身的外觀、姿態(tài)等方面都會(huì)隨時(shí)的改變，影響行人檢測(cè)的準(zhǔn)確性；
(2)復(fù)雜的背景環(huán)境會(huì)導(dǎo)致行人檢測(cè)出現(xiàn)誤檢或漏檢，如何去除復(fù)雜背景干擾成為研究的難點(diǎn)；
(3)在大場(chǎng)景下行人高度密集，行人遮擋造成了行人檢測(cè)的復(fù)雜性。
技術(shù)實(shí)現(xiàn)要素：
本發(fā)明要解決的技術(shù)問(wèn)題是提供一種行人檢測(cè)方法。
一種行人檢測(cè)方法，包括以下步驟：
S1：采集行人視頻圖像，對(duì)源圖像進(jìn)行預(yù)處理；
S2：行人初級(jí)檢測(cè)：
S2-1：提取大量圖像用作訓(xùn)練樣本，正樣本必須要包含行人，負(fù)樣本不包含行人的各種背景圖片的組合；
S2-2：用改進(jìn)的HOG特征提取方法進(jìn)行特征提??；
S2-3：根據(jù)提取特征數(shù)據(jù)構(gòu)建一個(gè)二值分類(lèi)器，對(duì)分類(lèi)器進(jìn)行樣本訓(xùn)練；
S2-4：提取大量圖像用作檢測(cè)樣本，用改進(jìn)的HOG特征提取方法進(jìn)行特征提??；
S2-5：通過(guò)分類(lèi)器進(jìn)行識(shí)別，得到初級(jí)行人檢測(cè)結(jié)果；
S3：行人精確檢測(cè)：
S3-1：提取大量圖像用作訓(xùn)練樣本，正樣本必須要包含行人，負(fù)樣本不包含行人的各種背景圖片的組合；
S3-2：采用集合通道特征提取方法進(jìn)行顏色、梯度、直方圖特征的提取，采用相鄰尺度特征近似計(jì)算方法計(jì)算相鄰尺度特征；
S3-3：采用Adaboost對(duì)其訓(xùn)練得到最終強(qiáng)分類(lèi)器用于目標(biāo)分類(lèi)；
S3-4：對(duì)步驟S2得到的初級(jí)行人檢測(cè)結(jié)果圖像，進(jìn)行集合通道特征提取方法提取特征，采用步驟S3-3的分類(lèi)器進(jìn)行分類(lèi)，得到精確行人檢測(cè)結(jié)果。
進(jìn)一步的，所述改進(jìn)的HOG特征提取方法具體如下：
1)將源圖像進(jìn)行灰度變換得到相應(yīng)的灰度圖像；
2)對(duì)得到的灰度圖像進(jìn)行Gamma校正即顏色空間歸一化處理；
3)計(jì)算每個(gè)像素的梯度，獲得目標(biāo)圖像的輪廓信息；
4)將圖像劃分為N個(gè)Cell(細(xì)胞區(qū)域)，再將若干個(gè)相鄰Cell組合成一個(gè)Block(方塊區(qū)域)，計(jì)算每個(gè)Cell中的梯度直方圖，將Block里所有的Cell得到的特征描述子連接就到每個(gè)Block的特征；
5)把梯度直方圖當(dāng)成信息熵定義中的概率密度函數(shù)，如下：
公式的θi表示一個(gè)梯度方向區(qū)間內(nèi)的梯度數(shù)與總梯度數(shù)的比值，計(jì)算Block中梯度方向區(qū)間內(nèi)梯度數(shù)與總的梯度數(shù)的比值，得到每個(gè)塊的信息熵值，將信息熵作為樣本特征用于分類(lèi)器的訓(xùn)練和行人目標(biāo)的檢測(cè)。
進(jìn)一步的，所述梯度計(jì)算具體如下：
計(jì)算灰度圖像每個(gè)像素點(diǎn)二維坐標(biāo)平面上梯度，公式如下：
Gradx(x,y)＝IM(x+1,y)-IM(x-1,y)
Grady(x,y)＝IM(x,y+1)-IM(x,y-1)，
其中，Gradx、Grady和IM(x，y)分別為橫坐標(biāo)的梯度，縱坐標(biāo)上的梯度，圖像灰度值大小，因此，圖像中每個(gè)像素點(diǎn)的梯度計(jì)算如下：
其中，Grad(x,y)為IM(x，y)的梯度幅值大小，θ(x,y)為IM(x，y)梯度方向角度大小。
進(jìn)一步的，所述相鄰尺度特征近似計(jì)算如下：
1)對(duì)于給定的源圖像Im(x,y)，圖像上采樣的影響因子τ，經(jīng)過(guò)上采樣的圖像由Im'(x,y)表示，變換的公式如下：
Im'(x,y)＝Im(x/τ,y/τ)；
2)根據(jù)圖像梯度計(jì)算的方式可以看出上采樣后的圖像梯度信息與源圖像的梯度信息存在如下的關(guān)系：
3)因此上采樣圖像總的梯度幅值與源圖像的梯度幅值之間的關(guān)系如下：
本發(fā)明的有益效果是：
1)本發(fā)明在初級(jí)檢測(cè)時(shí)采用改進(jìn)的HOG特征用于行人目標(biāo)檢測(cè)，在傳統(tǒng)的HOG特征檢測(cè)的基礎(chǔ)上結(jié)合信息熵特征，有助于提高行人檢測(cè)的準(zhǔn)確率。
2)本發(fā)明在精確檢測(cè)上采用集合通道特征用于行人目標(biāo)檢測(cè)，集合通道特征主要融合了顏色、梯度幅值和梯度直方圖信息，考慮到圖像多尺度情況下提取特征花費(fèi)較多的時(shí)間，提出了快速特征計(jì)算的方法，快速計(jì)算特征的方法主要是計(jì)算當(dāng)前尺度下的特征信息，然后近似計(jì)算出相鄰尺度下圖像的特征信息，在初步檢測(cè)排除部分非行人窗口的情況下，可以更加精確的檢測(cè)出行人目標(biāo)。
具體實(shí)施方式
以下具體實(shí)施例對(duì)本發(fā)明作進(jìn)一步闡述，但不作為對(duì)本發(fā)明的限定。
一種行人檢測(cè)方法，包括以下步驟：
S1：采集行人視頻圖像，對(duì)源圖像進(jìn)行預(yù)處理；
S2：行人初級(jí)檢測(cè)：
S2-1：提取大量圖像用作訓(xùn)練樣本，正樣本必須要包含行人，負(fù)樣本不包含行人的各種背景圖片的組合；
S2-2：用改進(jìn)的HOG特征提取方法進(jìn)行特征提取；
S2-3：根據(jù)提取特征數(shù)據(jù)構(gòu)建一個(gè)二值分類(lèi)器，對(duì)分類(lèi)器進(jìn)行樣本訓(xùn)練；
S2-4：提取大量圖像用作檢測(cè)樣本，用改進(jìn)的HOG特征提取方法進(jìn)行特征提取；
S2-5：通過(guò)分類(lèi)器進(jìn)行識(shí)別，得到初級(jí)行人檢測(cè)結(jié)果；
S3：行人精確檢測(cè)：
S3-1：提取大量圖像用作訓(xùn)練樣本，正樣本必須要包含行人，負(fù)樣本不包含行人的各種背景圖片的組合；
S3-2：采用集合通道特征提取方法進(jìn)行顏色、梯度、直方圖特征的提取，采用相鄰尺度特征近似計(jì)算方法計(jì)算相鄰尺度特征；
S3-3：采用Adaboost對(duì)其訓(xùn)練得到最終強(qiáng)分類(lèi)器用于目標(biāo)分類(lèi)；
S3-4：對(duì)步驟S2得到的初級(jí)行人檢測(cè)結(jié)果圖像，進(jìn)行集合通道特征提取方法提取特征，采用步驟S3-3的分類(lèi)器進(jìn)行分類(lèi)，得到精確行人檢測(cè)結(jié)果。
改進(jìn)的HOG特征提取方法具體如下：
1)將源圖像進(jìn)行灰度變換得到相應(yīng)的灰度圖像；
2)對(duì)得到的灰度圖像進(jìn)行Gamma校正即顏色空間歸一化處理；
3)計(jì)算每個(gè)像素的梯度，獲得目標(biāo)圖像的輪廓信息；
4)將圖像劃分為N個(gè)Cell(細(xì)胞區(qū)域)，再將若干個(gè)相鄰Cell組合成一個(gè)Block(方塊區(qū)域)，計(jì)算每個(gè)Cell中的梯度直方圖，將Block里所有的Cell得到的特征描述子連接就到每個(gè)Block的特征；
5)把梯度直方圖當(dāng)成信息熵定義中的概率密度函數(shù)，如下：
公式的θi表示一個(gè)梯度方向區(qū)間內(nèi)的梯度數(shù)與總梯度數(shù)的比值，計(jì)算Block中梯度方向區(qū)間內(nèi)梯度數(shù)與總的梯度數(shù)的比值，得到每個(gè)塊的信息熵值，將信息熵作為樣本特征用于分類(lèi)器的訓(xùn)練和行人目標(biāo)的檢測(cè)。
梯度計(jì)算具體如下：
計(jì)算灰度圖像每個(gè)像素點(diǎn)二維坐標(biāo)平面上梯度，公式如下：
Gradx(x,y)＝IM(x+1,y)-IM(x-1,y)
Grady(x,y)＝IM(x,y+1)-IM(x,y-1)，
其中，Gradx、Grady和IM(x，y)分別為橫坐標(biāo)的梯度，縱坐標(biāo)上的梯度，圖像灰度值大小，因此，圖像中每個(gè)像素點(diǎn)的梯度計(jì)算如下：
其中，Grad(x,y)為IM(x，y)的梯度幅值大小，θ(x,y)為IM(x，y)梯度方向角度大小。
相鄰尺度特征近似計(jì)算如下：
1)對(duì)于給定的源圖像Im(x,y)，圖像上采樣的影響因子τ，經(jīng)過(guò)上采樣的圖像由Im'(x,y)表示，變換的公式如下：
Im'(x,y)＝Im(x/τ,y/τ)；
2)根據(jù)圖像梯度計(jì)算的方式可以看出上采樣后的圖像梯度信息與源圖像的梯度信息存在如下的關(guān)系：
3)因此上采樣圖像總的梯度幅值與源圖像的梯度幅值之間的關(guān)系如下：
在一般環(huán)境和復(fù)雜環(huán)境下，使用HOG、HogLbp和本發(fā)明方法計(jì)算消耗時(shí)間的比較，結(jié)果如表1和表2所示。
表1一般環(huán)境下行人檢測(cè)方法時(shí)間對(duì)比表
表2復(fù)雜環(huán)境下行人檢測(cè)方法時(shí)間對(duì)比表
由上表可以看出在不使用快速特征近似計(jì)算的情況下，前兩種方法消耗的時(shí)間很多，本發(fā)明的方法花費(fèi)的檢測(cè)時(shí)間最少。由此可見(jiàn)，采用快速特征近似計(jì)算的方法，在不影響檢測(cè)效果的情況下可以提高檢測(cè)的速度，有助于實(shí)時(shí)性檢測(cè)行人目標(biāo)。