一种基于显著区域的行人检测方法及系统技术方案

一种基于显著区域的行人检测方法及系统，搜集包含行人的正样本及不包含行人的负样本的数据集，将归一化正样本和负样本为预设尺寸，然后分别从各正样本和负样本中提取协方差矩阵特征作为训练数据，构成级联分类器；对于输入图像提取有效区域，进行先验概率的分析，对各有效区域提取协方差矩阵特征，将所得结果输入分类器进行行人检测，得到有效区域是否为包含行人的局部区域，根据贝叶斯分布由统计学推导出最优结果。

【技术实现步骤摘要】
—种基于显著区域的行人检测方法及系统
本专利技术涉及目标检测领域，特别是一种基于显著区域的行人检测方法及系统。
技术介绍
行人检测，是一种在多图像训练集的帮助下检测出含有行人的图像并把行人的所在位置标注出来的技术。行人检测常应用于智能交通、人机交互、监控视频、辅助驾驶、老年人及残疾人的看护等领域，因此成为目前计算机视觉的一个热点；但是，行人的大小和姿态是变化的，这主要受到行人间的本身尺度差异和摄像头拍摄角度差异的影响，同样行人检测也就成为一个难点。目前大部分的检测算法都是基于Navneet Dalai and Bill Triggs的在文献(“Histograms of oriented gradients for human detection,，’in ComputerVision and Pattern Recognition, 2005.CVPR2005.1EEE Computer Society Conferenceon.1EEE, 2005, vol.1, pp.886 - 893.)中提出的梯度直方图的人体检测方法，Dalal在提取梯度方向直方图(Histograms of Oriented Gradients, HOG)特征的基础上并采用滑动窗口多次扫描方法以及支持向量机(Support VectorMachine, SVM)分类器来做检测，最后获得了较好的人体检测效果。Piotr Dollar等人在文献(Piotr Doll' ar, SergeBelongie, and Pietro Perona, “The fastest pedestrian detector in the west.,，’inBMVC, 2010，vol.2，p.7.)提到多尺度的缩放来检测行人，也就是把滑动窗口的缩放和原图的缩放相结合。正是这种尺度缩放带来的计算量过大，所有的窗口在高分辨率图像下的扫描次数可以到达上百万，但是窗口缩放是有一定限度的，而行人在图像中的位置和尺度是未知的，同时引起了很高的漏检。也有相关研究致力于解决这个问题，如Lampert et al.’s等人在文献(Christoph H Lampert, Matthew B Blaschko, and Thomas Hofmann, “Efficient subwindowsearch: A branch and bound framework for object localization,，’Pattern Analysisand Machine Intelligence,IEEE Transactions on, vol.31, n0.12, pp.2129 - 2142, 2009.)中针对检测中的计算复杂提出的界定算法，Felzenszwalb et al.等人在文献(Pedro FFelzenszwalb, Ross B Girshick, and David McAllester, “Cascade object detection withdeformable part models,，’in Computer vision and pattern recognition (CVPR), 2010IEEEconference on.1EEE, 2010, pp.2241 - 2248.)中提出的多尺度特征检测算法。据文献(Piotr Dollar, Christian Wojek, Bernt Schiele, and Pietro Perona, “Pedestriandetection:An evaluation of the state of the art, ，’Pattern Analysis and MachineIntelligence, IEEE Transactions on, vol.34, n0.4, pp.743 - 761, 2012.)调研显不，这些检测算法的计算复杂度仍很高。主要是因为这些算法是基于整张图像的检测算法，而忽略了图像的有效区域(含有行人概率比较大的区域)。由上述分析可以很容易发现，目前各种改进的行人检测方法尽管取得了不错的检测效果，但是在减小计算量、提高检测效率和减小误检率等方面仍然需要改进。
技术实现思路
本专利技术的目的是提出一种基于显著区域的行人检测方法及系统，解决现有的同类算法计算复杂度高，检测率低的问题，通过利用贝叶斯准则计算后验概率获得最优的结果。为了达到以上目的，本专利技术采用的技术方案包括一种基于显著区域的行人检测方法，包含以下步骤，步骤1，输入包含行人的正样本及不包含行人的负样本的数据集，归一化正样本和负样本为预设尺寸，然后分别从各正样本和负样本中提取协方差矩阵特征作为训练数据，构造若干弱分类器，再根据级联AdaBoost算法将若干弱分类器组成强分类器，多个强分类器构成级联分类器；步骤2，对于输入图像I*提取有效区域，进行先验概率的分析，包括以下子步骤，步骤2.1，提取输入图像I*的任意像素/I的显著度；步骤2.2，以输入图像的每个像素为中心分别建立预设尺寸的局部区域R，获取每个局部区域R的显著概率值；步骤2.3，根据步骤2.2所得每个局部区域R的显著概率值判断出有效区域；步骤2.4，设p(EK)表示的是以输入图像的任一像素为中心建立的局部区域R是有效区域的概率，有效区域中包含行人的概率P (Pek I Ek)根据步骤2.3所得有效区域Ek通过步骤I训练所得级联分类器得到，其中Pek是从有效区域中检测到行人的结果，贝叶斯准则的先验部分P (Ee, Pee)表示为，P (Ee, Pee) = P (Pee I Ee) p (Ee)步骤3，对各有效区域提取协方差矩阵特征；步骤4，将步骤3中所得结果输入步骤I训练所得级联分类器进行行人检测，得到有效区域Ek是否为包含行人Pek的局部区域R，从概率学角度分析表示为P (R| Ee, Pee)，作为贝叶斯的似然函数；步骤5，利用步骤4所得p(R|EK，Pee)和步骤2.4中得到的P (Pek I Ek)和p (Ek)结合成贝叶斯分布，由统计学推导出最后结果，实现如下，通过结合成贝叶斯分布，得出后验部分如下，P (Ee, Pee I R) P (RI Ee, Pee) p (PEEI Ee) p (Ee)从联合概率分布(Ek，Pek)的角度把上式补全，检测结果如下，本文档来自技高网...

【技术保护点】
一种基于显著区域的行人检测方法，其特征在于：包含以下步骤，步骤1，输入包含行人的正样本及不包含行人的负样本的数据集，归一化正样本和负样本为预设尺寸，然后分别从各正样本和负样本中提取协方差矩阵特征作为训练数据，构造若干弱分类器，再根据级联AdaBoost算法将若干弱分类器组成强分类器，多个强分类器构成级联分类器；步骤2，对于输入图像I*提取有效区域，进行先验概率的分析，包括以下子步骤，步骤2.1，提取输入图像I*的任意像素的显著度；步骤2.2，以输入图像的每个像素为中心分别建立预设尺寸的局部区域R，获取每个局部区域R的显著概率值；步骤2.3，根据步骤2.2所得每个局部区域R的显著概率值判断出有效区域；步骤2.4，设p(ER)表示的是以输入图像的任一像素为中心建立的局部区域R是有效区域的概率，有效区域中包含行人的概率p(PER|ER)根据步骤2.3所得有效区域ER通过步骤1训练所得级联分类器得到，其中PER是从有效区域中检测到行人的结果，贝叶斯准则的先验部分p(ER,PER)表示为，p(ER,PER)＝p(PER|ER)p(ER)步骤3，对各有效区域提取协方差矩阵特征；步骤4，将步骤3中所得结果输入步骤1训练所得级联分类器进行行人检测，得到有效区域ER是否为包含行人PER的局部区域R，从概率学角度分析表示为p(R|ER,PER)，作为贝叶斯的似然函数；步骤5，利用步骤4所得p(R|ER,PER)和步骤2.4中得到的p(PER|ER)和p(ER)结合成贝叶斯分布，由统计学推导出最后结果，实现如下，通过结合成贝叶斯分布，得出后验部分如下，p(ER,PER|R)∝p(R|ER,PER)p(PER|ER)p(ER)从联合概率分布(ER,PER)的角度把上式补全，检测结果如下，p(ER,PER|R)=p(ER,PER,R)ΣRp(R|ER,PER)p(ER,PER)]]>其中，p(ER,PER|R)表示的是局部区域R是否包含行人的概率值，p(R|ER,PER)是局部区域R是有效区域并且该有效区域包含行人的条件概率，p(ER,PER,R)表示的是局部区域R是有效区域并且包含行人的联合概率；分母是一个定值，分子表示如下，p(ER,PER,R)＝p(R|ER,PER)p(ER,PER)将步骤2.4和步骤4所得结果代入，最后得出行人检测结果如下，p(ER,PER|R)=p(R|ER,PER)p(PER|ER)p(ER)ΣRp(R|ER,pER)p(ER,PER)]]>当p(ER,PER|R)的值大于等于0.5，表示局部区域R处包含行人；当p(ER,PER|R)的值小于0.5，表示局部区域R处不含有行人。...

【技术特征摘要】
1.一种基于显著区域的行人检测方法，其特征在于:包含以下步骤， 步骤I,输入包含行人的正样本及不包含行人的负样本的数据集,归一化正样本和负样本为预设尺寸，然后分别从各正样本和负样本中提取协方差矩阵特征作为训练数据，构造若干弱分类器，再根据级联AdaBoost算法将若干弱分类器组成强分类器，多个强分类器构成级联分类器； 步骤2，对于输入图像I提取有效区域，进行先验概率的分析，包括以下子步骤， 步骤2.1，提取输入图像I的任意像素的显著度； 步骤2.2，以输入图像的每个像素为中心分别建立预设尺寸的局部区域R，获取每个局部区域R的显著概率值； 步骤2.3，根据步骤2.2所得每个局部区域R的显著概率值判断出有效区域； 步骤2.4，设P (Ee)表示的是以输入图像的任一像素为中心建立的局部区域R是有效区域的概率，有效区域中包含行人的概率P (Pee I Ee)根据步骤2.3所得有效区域Ek通过步骤I训练所得级联分类器得到，其中Pek是从有效区域中检测到行人的结果， 贝叶斯准则的先验部分P (EK，Pek)表示为， P (Er, Pee) = P (Pee I Ee) P (Ee) 步骤3，对各有效区域提取协方差矩阵特征； 步骤4，将步骤3中所得结果输入步骤I训练所得级联分类器进行行人检测，得到有效区域Ek是否为包含行人Pek的局部区域R，从概率学角度分析表示为P (RI Ee, Pee)，作为贝叶斯的似然函数； 步骤5，利用步骤4所得P (R| EK，Pek)和步骤2.4中得到的P(PekIEk)和p (Ek)结合成贝叶斯分布，由统计学推导出最后结果，实现如下， 通过结合成贝叶斯分布，得出后验部分如下， P (Er, Pee IR) P (RI Ee, Pee) P (Pee I Ee) p (Ee) 从联合概率分布(Ek，Pek)的角度把上式补全，检测结果如下， 2.根据权利要求1所述基于显著区域的行人检测方法，其特征在于:步骤I从各正样本和负样本中提取协方差矩阵特征和步骤3对各有效区域提取协方差矩阵特征时，将提取对象视为局部区域R，所采用的提取方式如下，设局部区域R相应亮度图为I，在这个亮度图1内的协方差特征被表示为，3.根据权利要求1或2所述基于显著区域的行人检测方法，其特征在于:步骤2.1，提取输入图像f的任意像素I:的显著度如下， 首先，像素Itk的显著度通过下式获得， 4.根据权利要求3所述基于显著区域...

【专利技术属性】
技术研发人员：胡瑞敏，方稳华，梁超，王晓，南源源，温屹，陈军，
申请(专利权)人：武汉大学，
类型：发明
国别省市：湖北;42