一種基于選擇性區(qū)域的多行人檢測方法及系統(tǒng)的制作方法
【技術(shù)領(lǐng)域】
[0001] 本發(fā)明涉及目標檢測領(lǐng)域，特別涉及一種基于選擇性區(qū)域的多行人檢測技術(shù)方 案。
【背景技術(shù)】
[0002] 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(jiān)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(tài)變化使行人檢測的研究面臨很大的挑戰(zhàn)。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.IEEEComputer SocietyConferenceon,volume1,pages886-893.)中提出的HOG特征。經(jīng)過多年的 研究，該領(lǐng)域取得了很大的改進。在PiotrDollar的文獻（PiotrDollar,Christian ffojek,BerntSchiele,andPietroPerona.Pedestriandetection:Anevaluationofthe stateoftheart.PatternAnalysisandMachineIntelligence,IEEETransactions on, 34(4) :743-761，2012.)中對目前十六種行人檢測算法比對的調(diào)研中可以發(fā)現(xiàn)，在行人 檢測過程中仍然存在兩個問題以至于檢測率低下：一個是窮舉掃描帶來的大量誤檢；另一 個是遮擋情況下檢測率低下問題。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(jié)果。從H0G特征的檢測結(jié)果中可看出，存在大多誤檢是當前技術(shù)很難解決的；存 在遮擋環(huán)境下的漏檢比較嚴重。

【發(fā)明內(nèi)容】

[0003] 本發(fā)明的目的是提出一種基于選擇性區(qū)域的多行人檢測技術(shù)方案，解決現(xiàn)有的同 類方法有部分遮擋環(huán)境中高誤檢、漏檢問題，通過多人檢測子得到最佳的結(jié)果。
[0004] 為了達到以上目的，本發(fā)明采用的技術(shù)方案為一種基于選擇性區(qū)域的多行人檢測 方法，包括訓練階段和測試階段，
[0005] 所述訓練階段，包括輸入訓練數(shù)據(jù)集，所述訓練數(shù)據(jù)集中樣本圖像包括包含行人 的正樣本及不包含行人的負樣本，所述正樣本包含單人正樣本和有部分遮擋下的雙人正樣 本，負樣本包含單人負樣本和有部分遮擋下的雙人負樣本；根據(jù)訓練數(shù)據(jù)集中各樣本圖像 提取特征，根據(jù)所得特征訓練分類器構(gòu)成多人檢測子，實現(xiàn)包括以下步驟，
[0006] 步驟1. 1，對輸入的訓練數(shù)據(jù)集中各樣本圖像進行顏色空間的歸一化；
[0007] 步驟1. 2,訓練單人檢測子，包括對單人正樣本和單人負樣本的歸一化結(jié)果提取可 變模板特征后送入SVM分類器，記錄單人正負樣本的差異，訓練單人檢測子；
[0008] 步驟1. 3,訓練雙人檢測子，包括對有部分遮擋的雙人正樣本和部分遮擋的雙人負 樣本的歸一化結(jié)果提取可變模板特征并送入SVM分類器，記錄有部分遮擋的雙人正負樣本 差異，訓練雙人檢測子；
[0009] 步驟1. 4,由步驟1. 2訓練好的單人檢測子和步驟1. 3訓練好的雙人檢測子組成多 人檢測子，作為最終檢測子；
[0010] 所述測試階段，包括對任一測試圖像，對待檢測區(qū)域提取可變模板特征后輸入訓 練階段所得多人檢測子進行分類，判斷是否包含行人。
[0011] 而且，所述測試階段的實現(xiàn)方式為，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(shè)尺寸的局部區(qū)域作為待檢測區(qū)域，然后提取待檢測區(qū)域的可變 模板特征并輸入訓練階段所得多人檢測子進行分類，判斷各待檢測區(qū)域是否包含行人。
[0012] 而且，所述測試階段的實現(xiàn)方式為，以測試圖像為輸入圖像，對輸入圖像進行特征 空間的分割；根據(jù)分割結(jié)果組成選擇性區(qū)域，作為待檢測區(qū)域；對待檢測區(qū)域進行顏色空 間的歸一化；提取待檢測區(qū)域的可變模板特征并輸入訓練階段所得多人檢測子進行分類， 判斷各待檢測區(qū)域是否包含行人。
[0013] 而且，所述對特征空間的分割，包括在顏色特征空間、紋理特征空間和形狀特征空 間分別進行基層的分割。
[0014] 而且，所述輸入訓練階段所得多人檢測子進行分類，實現(xiàn)如下，
[0015] 如果圖片待檢測區(qū)域中行人的個數(shù)為n，
[0016]
[0017] 其中，p(c=n)表示行人個數(shù)為n時的概率，p(R|znzn,c=n)為多人監(jiān)測子，推 導過程中的P(R,znln,wn，mn)表示的是行人zni和行人zn在區(qū)域R的聯(lián)合概率，p(wn|mn) 表示的是行人zni和行人zn的左右關(guān)系mn和行人zn的大小wn的條件概率函數(shù)，p(mn)表示 行人zni和行人z"左右關(guān)系概率值，條件概率函數(shù)p(R，zndln，wn，mn)在步驟1. 4所得到的 多人檢測子中計算得到，P(R|zn =n)大于等于預設(shè)閾值表示該區(qū)域有行人，否則表 示該區(qū)域不包含行人。
[0018] 本發(fā)明還相應提供一種基于選擇性區(qū)域的多行人檢測系統(tǒng)，包括訓練模塊和測試 豐旲塊，
[0019] 所述訓練模塊，用于輸入訓練數(shù)據(jù)集，所述訓練數(shù)據(jù)集中樣本圖像包括包含行人 的正樣本及不包含行人的負樣本，所述正樣本包含單人正樣本和有部分遮擋下的雙人正樣 本，負樣本包含單人負樣本和有部分遮擋下的雙人負樣本；根據(jù)訓練數(shù)據(jù)集中各樣本圖像 提取特征，根據(jù)所得特征訓練分類器構(gòu)成多人檢測子，包括以下單元，
[0020] 歸一化單元，用于對輸入的訓練數(shù)據(jù)集中各樣本圖像進行顏色空間的歸一化；
[0021] 單人檢測子訓練單元，用于訓練單人檢測子，包括對單人正樣本和單人負樣本的 歸一化結(jié)果提取可變模板特征后送入SVM分類器，記錄單人正負樣本的差異，訓練單人檢 測子；
[0022] 雙人檢測子訓練單元，用于訓練雙人檢測子，包括對有部分遮擋的雙人正樣本和 部分遮擋的雙人負樣本的歸一化結(jié)果提取可變模板特征并送入SVM分類器，記錄有部分遮 擋的雙人正負樣本差異，訓練雙人檢測子；
[0023] 多人檢測子訓練單元，用于由訓練好的單人檢測子和訓練好的雙人檢測子組成多 人檢測子，作為最終檢測子；
[0024] 所述測試模塊，用于對任一測試圖像，對待檢測區(qū)域提取可變模板特征后輸入訓 練模塊所得多人檢測子進行分類，判斷是否包含行人。
[0025] 而且，所述測試模塊的實現(xiàn)方式為，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(shè)尺寸的局部區(qū)域作為待檢測區(qū)域，然后提取待檢測區(qū)域的可變 模板特征并輸入訓練模塊所得多人檢測子進行分類，判斷各待檢測區(qū)域是否包含行人。
[0026] 而且，所述測試模塊的實現(xiàn)方式為，以測試圖像為輸入圖像，對輸入圖像進行特征 空間的分割；根據(jù)分割結(jié)果組成選擇性區(qū)域，作為待檢測區(qū)域；對待檢測區(qū)域進行顏色空 間的歸一化；提取待檢測區(qū)域的可變模板特征并輸入訓練模塊所得多人檢測子進行分類， 判斷各待檢測區(qū)域是否包含行人。
[0027] 而且，所述對特征空間的分割，包括在顏色特征空間、紋理特征空間和形狀特征空 間分別進行基層的分割。
[0028] 而且，所述輸入訓練模塊所得多人檢測子進行分類，實現(xiàn)如下，
[0029] 如果圖片待檢測區(qū)域中行人的個數(shù)為n，
[0030]
[0031] 其中，p(c=n)表示行人個數(shù)為n時的