一种基于稀疏判别模板特征的行人检测方法技术

本发明专利技术公开了一种基于稀疏判别模板特征的行人检测方法。该方法利用行人和非行人训练样本自动学习一组具有强判别能力的稀疏模板特征(SDT)，并用于行人检测系统。该方法首先采用多通道图作为底层特征，利用行人的形状信息和训练样本统计分布信息，基于稀疏判别分析方法自动学习具有强判别能力的稀疏判别模板作为滤波器；其次利用该滤波器对底层特征进行卷积得到中层特征；最后利用基于Gentle boost算法的软级联框架训练得到最终的行人检测器。通过在INRIA，ETH和Caltech公开数据集上和当前已有多种特征的实验对比发现，本发明专利技术提出的特征不但计算复杂度低、判别能力强、检测率高，而且运行检测640×480尺寸的车载视频图像可以达实时。

【技术实现步骤摘要】

本专利技术涉及计算机视觉的目标检测
，特别涉及一种基于稀疏判别模板特征的行人检测方法。
技术介绍
行人检测系统涉及模式识别、计算机视觉等领域，其研究是一项复杂而意义深远的项目，在视频监控、人机交互、智能汽车等很多领域有着广泛的应用。尽管近些年行人检测技术有了一些初步的发展，但是由于清晰度、遮挡、光照、视角变化等因素，使行人检测仍是一个复杂且充满挑战的课题。目前行人检测技术主要集中在两个方面的研究：设计具有强判别能力的特征和构建快速有效的模型学习算法。经典的特征主要包含haar、HOG(梯度直方图)，LBP(局部二值模式)和积分通道特征(ICF)等，而学习算法主要包含SVM(支持向量机)、随机森林和Adaboost级联分类器。经典特征在实际应用中发现判别能力较弱或者计算复杂度较高等缺点，而设计具有强判别能力的特征提取方法是提高行人检测精度和速度的关键因素。
技术实现思路
本专利技术专利提出了一种自动学习强判别模板特征的方法，大大降低了手动设计特征的难度。该方法不仅在公开数据集中具有很好的检测精度和运行速度，在车载视频中的检测具有较好的检测率，运行速度在640x480图像分辨率中的运行速度达到了20帧每秒的速度。本专利技术解决技术问题所采用的方案是一种基于稀疏判别模板特征的行人检测方法，包括以下步骤：1)输入样本，即正负训练样本图像；2)对步骤1)的样本图像计算多通道特征，包括梯度幅值通道特征、六个梯度方向通道特征、LUV色彩空间三个通道特征；3)对步骤2)得到的多通道特征进行聚合操作，得到抗干扰能力更强的多通道特征；4)基于步骤3)得到的多通道特征，对标准行人模板每个通道分别学习稀疏判别模板(SDT)，得到最终的SDT模板集合；5)基于步骤4)求得所有训练样本的特征模板集，利用非对称GentleBoost算法进行模板选择，并利用软级联方法训练最终行人检测器；6)利用步骤5)中训练得到的行人检测器对待检图像进行检测。上述方法中，所述步骤1)中的样本图像是从一些大图像中挖掘的尺寸均为128×64×3的RGB彩色图像，其中正样本是已标注的包含行人的图像，而负样本是不含行人的图像。上述方法中，所述步骤2)中的样本图像具有多个通道，而我们只选择其中代表性强的十个通道，包括梯度幅值通道、六个梯度方向通道、LUV色彩空间三个通道。上述方法中，所述步骤3)用了聚合操作众多方法中的一种池化操作(pooling)，它以4×4区域，把用三维矩阵128×64×10表示的十个通道特征图像最大化池化(maxPooling)为32×16×10表示的十个通道图像，这里用到池化操作是一种抗噪声干扰措施。上述方法中，所述步骤4)是生成标准行人区域与背景重叠区域模板，在此基础上利用稀疏判别分析学习正负样本特定位置的特征判别信息，才得到本专利技术的稀疏判别模板特征。上述方法中，所述步骤4)包括以下步骤：4.1)计算标准行人模板；4.2)在32×16窗口中分别生成s×s的所有可能位置的正方形模板s∈{3,5,7本文档来自技高网...

【技术保护点】
一种基于稀疏判别模板特征的行人检测方法，其特征在于，包括以下步骤：A)输入样本，即正负训练样本图像；B)对步骤A)的样本图像计算多通道特征，包括梯度幅值通道特征、六个梯度方向通道特征、LUV色彩空间三个通道特征；C)对步骤B)得到的多通道特征进行聚合操作，得到抗干扰能力更强的多通道特征；D)基于步骤C)得到的多通道特征，对标准行人模板每个通道分别学习稀疏判别模板SDT，得到最终的SDT模板集合；E)基于步骤D)求得所有训练样本的特征模板集，利用非对称Gentle Boost算法进行模板选择，并利用软级联方法训练最终行人检测器；F)利用步骤E)中训练得到的行人检测器对待检图像进行检测。

【技术特征摘要】
1.一种基于稀疏判别模板特征的行人检测方法，其特征在于，包括以下步骤：A)输入样本，即正负训练样本图像；B)对步骤A)的样本图像计算多通道特征，包括梯度幅值通道特征、六个梯度方向通道特征、LUV色彩空间三个通道特征；C)对步骤B)得到的多通道特征进行聚合操作，得到抗干扰能力更强的多通道特征；D)基于步骤C)得到的多通道特征，对标准行人模板每个通道分别学习稀疏判别模板SDT，得到最终的SDT模板集合；E)基于步骤D)求得所有训练样本的特征模板集，利用非对称GentleBoost算法进行模板选择，并利用软级联方法...

【专利技术属性】
技术研发人员：沈继锋，左欣，杨万扣，
申请(专利权)人：江苏大学，
类型：发明
国别省市：江苏;32