56] 作為一個具體的例子，候選樣本提取是從圖像中提取可能包含行人的窗口區(qū)域， 以避免窮盡搜索，提高處理速度和實時性。通常地，行人檢測通常采用滑窗法進行窗口掃 描，這種方法的主要缺點是：候選區(qū)域巨大，難以滿足實時性要求。許多無關(guān)區(qū)域參與運算， 增加了虛警概率。人類的視覺具有快速搜索到感興趣的目標的能力，這種視覺注意的能力 被稱為視覺顯著性。視覺顯著的圖像區(qū)域的檢測能夠把有限的處理資源快速而準確地分配 到顯著的視覺區(qū)域上，突出了圖像中的顯著目標，削弱了目標周圍場景對于目標的影響。因 此，該方法采用頻譜調(diào)諧的顯著性檢測的方式生成顯著圖，同時用顯著圖的熵來判斷是否 為候選樣本。候選樣本判斷與提取如下：
[0057] (1)圖像預(yù)處理，首先對原始彩色圖像1(即采樣圖像）做高斯低通濾波，獲得原始 彩色圖像的模糊版本I c，之后將原始彩色圖像I與其高斯模糊版本Ic轉(zhuǎn)換到CIELAB色彩 空間，獲得具有L，A，B三個分量的圖像Γ與I c' ；
[0058] (2)采用滑窗法掃描128*64像素的窗口，每次滑動8個像素 ，一次掃描完成后，縮 小圖像尺寸再進行多次掃描；
[0059] (3)計算Γ在掃描窗口中L，A，B三個分量的平均值μ P μ Α，μ B ;
[0060] (4)計算掃描窗口中Ic'與Γ的平均值之間的歐式距離得到顯著圖S :
[0061] S(x, y) = (Ic'- μ L) 2+(Ic'- μ A)2+(Ic'- μ B)2,
[0062] (5)計笪掃描窗口中顯著圖的熵值E :
[0063]
[0064] 式中W為掃描窗口。
[0065] (6)若EH，則將W作為候選樣本，其中t為熵值門限，可由技術(shù)人員設(shè)定，例如根 據(jù)經(jīng)驗確定。
[0066] 圖2A為實際道路上采集的一幅圖像（原始圖像，即采樣圖像）與圖2B所示的顯 著圖，從圖中可以看出，行人目標被很好地突出，背景也被有效抑制。為了不遺漏目標，可以 確定熵值門限t = 4. 8。在實際應(yīng)用中，圖像的許多部分是無目標的天空和地面，通過候選 樣本的提取與判斷，可以減少20% -30%的計算量。
[0067] 步驟S104 :獲取候選樣本的HOG-NMF特征向量。獲取候選樣本的HOG-NMF特征向 量的方式已在步驟SlOl中進行詳細描述，為了減少冗余，此處不做贅述。
[0068] 步驟S105 :根據(jù)SVM分類器對候選樣本的HOG-NMF特征向量進行識別以得到行人 檢測結(jié)果。
[0069] 檢測部分的特征提取模塊采用與訓練部分相同的計算步驟，其輸入為候選樣本， 輸出為候選樣本的HOG-NMF特征向量。
[0070] 分類器識別模塊包含如下步驟：
[0071] (1)輸入候選樣本的HOG-NMF特征向量z ;
[0072] (2)將特征向量z代入分類器決策函數(shù)h (Z):
[0073]
[0074] (4)若h(z) = 1，則候選樣本為識別出的行人目標；若h(z) =_1，則判斷下一個 候選樣本。
[0075] 由上述公式可知，決策函數(shù)h()可寫成一維函數(shù)之和的形式。因為交叉核函 數(shù)為最小值運算，若采用兩分法求解，計算復(fù)雜度為O(Igm)，則總的分類算法復(fù)雜度為 〇(nlgm)，對比0(mn)有明顯提高。若采用分段多項式函數(shù)去近似每個一維函數(shù)，多項式參 數(shù)預(yù)存在查找表中，分類復(fù)雜度可進一步降為O(H)，已經(jīng)近似于線性SVM的情況，可以極大 地提高分類速度。如圖3A和圖3B所示，示出了一種使用該方法進行行人檢測的檢測結(jié)果， 明顯地，檢測結(jié)果有很好的正確率。
[0076] 根據(jù)本發(fā)明實施例的方法，通過對候選樣本的帥選、HOG特征的降維以及采用加性 交叉核SVM相結(jié)合的處理方式，使支持向量機SVM分類器對行人識別，可有效縮減檢測時 間，具有檢測效率1?、檢測精度1?的優(yōu)點。
[0077] 如圖4所示，并結(jié)合圖5,本發(fā)明的進一步實施例提供了一種行人檢測系統(tǒng)，包括： 特征提取模塊410、分類器訓練模塊420、預(yù)處理模塊430和分類器識別模塊440。
[0078] 其中，特征提取模塊410用于提取訓練樣本的方向梯度直方圖HOG特征向量，并對 HOG特征向量進行分解以得到HOG-NMF特征向量，以及獲取候選樣本的HOG-NMF特征向量。 分類器訓練模塊420用于根據(jù)HOG-NMF特征向量和加性交叉核函數(shù)構(gòu)造支持向量機SVM分 類器。預(yù)處理模塊430用于對采樣圖像的掃描窗口進行篩選以得到候選樣本。分類器識別 模塊440用于根據(jù)SVM分類器對候選樣本的HOG-NMF特征向量進行識別以得到行人檢測結(jié) 果。
[0079] 在本發(fā)明的一個實施例中，特征提取模塊410用于：對所述訓練樣本進行Gamma校 正；從校正后的訓練樣本中提取所述HOG特征向量；將所述HOG特征向量轉(zhuǎn)換為的矩陣；利 用非負矩陣分解NMF方法對所述矩陣進行秩分解，其中，秩小于所述矩陣的行數(shù)；根據(jù)所述 矩陣的分解結(jié)果得到所述HOG-NMF特征向量。
[0080] 在本發(fā)明的一個實施例中，SVM分類器利用如下決策函數(shù)對所述候選樣本的 HOG-NMF特征向量進行識別以得到行人檢測結(jié)果，所述決策函數(shù)為：
[0081]
[0082] 其中，sign()為符號函數(shù)，X為訓練樣本，z為候選樣本。
[0083] 進一步地，如果所述h(z) = 1，則對應(yīng)的候選樣本為識別出的行人目標。
[0084] 在本發(fā)明的一個實施例中，預(yù)處理模塊430用于：對所述米樣圖像進行窗口掃描； 生成每個掃描窗口的顯著圖，并計算每個所述顯著圖的熵值；根據(jù)每個所述顯著圖的熵值 對所述掃描窗口進行篩選以得到所述候選樣本。
[0085] 需要說明的是，本發(fā)明實施例的系統(tǒng)的具體實現(xiàn)與方法部分的介紹類似，具體實 現(xiàn)請參見方法部分的說明，此處不做贅述。
[0086] 根據(jù)本發(fā)明實施例的系統(tǒng)，通過對候選樣本的帥選、HOG特征的降維以及采用加性 交叉核SVM相結(jié)合的處理方式，使支持向量機SVM分類器對行人識別，可有效縮減檢測時 間，具有檢測效率1?、檢測精度1?的優(yōu)點。
[0087] 在本說明書的描述中，參考術(shù)語"一個實施例"、"一些實施例"、"示例"、"具體示 例"、或"一些示例"等的描述意指結(jié)合該實施例或示例描述的具體特征、結(jié)構(gòu)、材料或者特 點包含于本發(fā)明的至少一個實施例或示例中。在本說明書中，對所述術(shù)語的示意性表述不 一定指的是相同的實施例或示例。而且，描述的具體特征、結(jié)構(gòu)、材料或者特點可以在任何 的一個或多個實施例或示例中以合適的方式結(jié)合。
[0088] 盡管已經(jīng)示出和描述了本發(fā)明的實施例，對于本領(lǐng)域的普通技術(shù)人員而言，可以 理解在不脫離本發(fā)明的原理和精神的情況下可以對這些實施例進行多種變化、修改、替換 和變型，本發(fā)明的范圍由所附權(quán)利要求及其等同限定。
【主權(quán)項】
1. 一種行人檢測方法，其特征在于，包括以下步驟： 提取訓練樣本的方向梯度直方圖HOG特征向量，并對所述HOG特征向量進行分解以得 到H0G-NMF特征向量； 根據(jù)所述H0G-NMF特征向量和加性交叉核函數(shù)構(gòu)造支持向量機SVM分類器； 對采樣圖像的掃描窗口進行篩選以得到候選樣本； 獲取所述候選樣本的H0G-NMF特征向量；以及 根據(jù)所述SVM分類器對所述候選樣本的H0G-NMF特征向量進行識別以得到行人檢測結(jié) 果。2. 根據(jù)權(quán)利要求1所述的行人檢測方法，其特征在于，所述提取訓練樣本的方向梯度 直方圖HOG特征向量，并對所述HOG特征向量進行分解以得到H0G-NMF特征向量，進一步包 括： 對所述訓練樣本進行Gamma校正； 從校正后的訓練樣本中提取所述HOG特征向量； 將所述HOG特征向量轉(zhuǎn)換為的矩陣； 利用非負矩陣分解NMF方法對所述矩陣進行秩分解，其中，秩小于所述矩陣的行數(shù)； 根據(jù)所述矩陣的分解結(jié)果得到所述H0G-NMF特征向量。3. 根據(jù)權(quán)利要求1所述的行人檢測方法，其特征在于，其中，所述SVM分類器利用如下 決策函數(shù)對所述候選樣本的H0G-NMF特征向量進行識別以得到行人檢測結(jié)果，所述決策函 數(shù)為：其中，sign()為符號函數(shù)，x為訓練樣本，z為候選樣本。4. 根據(jù)權(quán)利要求3所述的行人檢測方法，其特征在于，其中，如果所述h(z) =1，則對 應(yīng)的候選樣本為識別出的行人目標。5. 根據(jù)權(quán)利要求1-4任一項所述的行人檢測方法，其特征在于，所述對采樣圖像的掃 描窗口進行篩選以得到候選樣本，進一步包括： 對所述采樣圖像進行窗口掃描； 生成每個掃描窗口的顯著圖，并計算每個所述顯著圖的熵值； 根據(jù)每個所述顯著圖的熵值對所述掃描窗口進行篩選以得到所述候選樣本。6. -種行人檢測系統(tǒng)，其特征在于，包括： 特征提取模塊，用于提取訓練樣本的方向梯度直方圖HOG特征向量，并對所述HOG特征 向量進行分解以得到H0G-NMF特征向量，以及獲取候選樣本的H0G-NMF特征向量； 分類器訓練模塊，用于根據(jù)所述H0G-NMF特征向量和加性交叉核函數(shù)構(gòu)造支持向量機SVM分類器； 預(yù)處理模塊，用于對采樣圖像的掃描窗口進行篩選以得到候選樣本； 分類器識別模塊，用于根據(jù)所述SVM分類器對所述候選樣本的H0G-NMF特征向量進行 識別以得到行人檢測結(jié)果。7. 根據(jù)權(quán)利要求6所述的行人檢測系統(tǒng)，其特征在于，所述特征提取模塊用于： 對所述訓練樣本進行Gamma校正； 從校正后的訓練樣本中提取所述HOG特征向量； 將所述HOG特征向量轉(zhuǎn)換為的矩陣； 利用非負矩陣分解NMF方法對所述矩陣進行秩分解，其中，秩小于所述矩陣的行數(shù)； 根據(jù)所述矩陣的分解結(jié)果得到所述H0G-NMF特征向量。8. 根據(jù)權(quán)利要求6所述的行人檢測系統(tǒng)，其特征在于，其中，所述SVM分類器利用如下 決策函數(shù)對所述候選樣本的H0G-NMF特征向量進行識別以得到行人檢測結(jié)果，所述決策函 數(shù)為：其中，sign()為符號函數(shù)，x為訓練樣本，z為候選樣本。9. 根據(jù)權(quán)利要求8所述的行人檢測系統(tǒng)，其特征在于，其中，如果所述h(z) =1，則對 應(yīng)的候選樣本為識別出的行人目標。10. 根據(jù)權(quán)利要求6-9任一項所述的行人檢測系統(tǒng)，其特征在于，所述預(yù)處理模塊用 于： 對所述采樣圖像進行窗口掃描； 生成每個掃描窗口的顯著圖，并計算每個所述顯著圖的熵值； 根據(jù)每個所述顯著圖的熵值對所述掃描窗口進行篩選以得到所述候選樣本。
【專利摘要】本發(fā)明提出了一種行人檢測方法，包括以下步驟：提取訓練樣本的方向梯度直方圖HOG特征向量，并對所述HOG特征向量進行分解以得到HOG-NMF特征向量；根據(jù)所述HOG-NMF特征向量和加性交叉核函數(shù)構(gòu)造支持向量機SVM分類器；對采樣圖像的掃描窗口進行篩選以得到候選樣本；獲取所述候選樣本的HOG-NMF特征向量；以及根據(jù)所述SVM分類器對所述候選樣本的HOG-NMF特征向量進行識別以得到行人檢測結(jié)果。根據(jù)本發(fā)明的方法，可有效縮減行人檢測時間，具有檢測效率高、檢測精度高的優(yōu)點。本發(fā)明還提出了一種行人檢測系統(tǒng)。
【IPC分類】G06K9/00, G06K9/62
【公開號】CN105095835
【申請?zhí)枴緾N201410199209
【發(fā)明人】姜波, 黃忠偉
【申請人】比亞迪股份有限公司
【公開日】2015年11月25日
【申請日】2014年5月12日