一种基于梯度式级联SVM分类器的行人识别方法技术

本发明专利技术公开了一种基于梯度式级联SVM分类器的行人识别方法，该方法用风险敏感的分类器和投票机制进行行人识别，在一定程度上提高了检测精度，而且，梯度式级联架构采用的是由粗粒度到细粒度的流水线型判断，能够将易判断的负样本在前几个级检测完毕，大大加快检测阶段的分类速度，提高了运算效率与总体处理速度。本发明专利技术可以更好的适应人流量较小、非行人目标大量存在场景下的行人识别。

A pedestrian identification method based on gradient cascaded SVM classifier

The invention discloses a pedestrian recognition method based on gradient type cascade SVM classifier, the method of risk sensitive classifier and voting mechanism of pedestrian recognition, to a certain extent, improve the detection accuracy, and gradient cascade architecture is used by the coarse granularity to the pipeline type fine granularity judgment, negative samples will be able to is easy to judge in the first few level detection, greatly accelerate the speed of classification detection stage, improve operational efficiency and overall processing speed. The invention can better adapt pedestrian identification under the scene with large pedestrian flow and non pedestrian target.

【技术实现步骤摘要】
一种基于梯度式级联SVM分类器的行人识别方法
本专利技术属于视频监控
，涉及一种智能视频监控方法，具体涉及一种基于梯度式级联SVM分类器的行人识别方法，尤其适合于人流量较少、非行人区域大量存在场景下的行人识别。
技术介绍
头肩识别是行人识别方法的一种，通过对视频中行人的头肩特征进行检测判断其是否是行人。该技术以图像处理技术为依托，主要基于行人特征的提取和识别算法进行实现，目的是通过对视频流中的行人信息加以处理实现对经过某个特定区域的行人的识别，是智能视频监控系统的一个重要分支。目前为止行人识别的主流方法是基于统计特征的行人识别方法，该方法首先提取目标的统计特征，然后利用分类器对提取特征进行分类，判断是否是行人。这种方法鲁棒性比较好，不过需要收集大量的正负样本进行分类器训练，训练时间较长，同时，分类器训练的好坏是影响分类结果的一个重要因素。因此，行人特征的提取和分类器的选择是影响检测结果的主要因素。图像本身存有大量冗余信息，特征提取即利用计算机对图像进行一系列的处理，剔除图像中的冗余信息，获取具体的、客观实在的有用信息。2001年，Viola和Jones在Papageorgiou等人的基础上提出3种类型4种形式的Haar-like特征：边缘特征、线性特征、中心特征和对角线特征，并由这些特征组合成特征模板。特征模板由白黑两种矩形构成，模板的特征值为白色矩形像素和减去黑色矩形像素和。但矩形特征只对一些简单的图形结构较敏感，如边缘、线段，所以只能描述特定走向的结构，更适合表达图像的局部特征。2005年，Dalal等学者提出梯度直方图特征(HOG,HistogramofGradient),通过提取目标的边缘梯度信息，将各个边缘梯度信息以梯度方向直方图的方式予以反映，并对各个梯度方向的梯度直方图进行综合归纳来获取目标的边缘共性特征。HOG特征维度较高、计算费时，当视频场景中有大量非行人目标存在时,传统HOG特征计算方式会浪费大量的时间进行非行人目标的特征提取，影响了实时性要求。分类器就是在已有数据的基础上学习得到的一个分类函数或构造出的一个分类模型，利用此分类函数或模型对提取出来的行人特征进行分类，判断检测目标是否是行人的方法，是行人识别的核心。常见的分类器包含决策树、逻辑回归、AdaBoost、朴素贝叶斯、支持向量机(SVM)等，其中AdaBoost级联分类器和SVM分类器最为常用。AdaBoost级联分类器运用AdaBoost算法从庞大的特征集中选择一小部分关键特征，通过设置权重训练弱分类器，再根据弱分类器的权重组合强分类器，该分类器训练时间较长，而且缺乏确定的函数来优化弱分类器的数量。SVM分类器对非线性的小样本和高维数据分类具有独特的优势，不过SVM的训练需要大量的存储空间，当被检测图片中有大量非行人目标存在时会影响SVM分类器的性能。此外，对于线性不可分情况，SVM采用核函数将输入空间映射到特征空间求解，使非线性SVM在预测过程速度缓慢，不利于快速识别。由于现有的利用HOG特征和SVM分类器进行行人识别的方法都是利用的单一的高维HOG特征和非级联SVM分类器，当视频场景中有大量类似天空的非行人目标存在时SVM的分类性能会受到影响。
技术实现思路
针对上述问题，本专利技术提出了一种基于梯度式级联SVM分类器的行人识别方法，适合于人流量较小、非行人目标大量存在场景下的行人检测。为了实现上述目的，本专利技术采用以下技术方案：一种基于梯度式级联SVM分类器的行人识别方法，包括以下步骤：1)从待识别视频或图像中提取不同维度的HOG特征；2)将步骤1)提取到的HOG特征按照维度从低到高训练得到对应的梯度式级联SVM分类器；3)将步骤1)提取到的所有HOG特征作为样本依序输入由不高于设定维度的HOG特征训练出的级联SVM分类器，只要其中一级级联SVM分类器将输入的样本判定为行人，就将此样本依序输入高于设定维度的HOG特征训练出的级联SVM分类器做进一步判定，以实现行人识别。进一步地，步骤1)包括：将待识别视频或图像分成若干小的block区域，然后将每个block分成若干个更小的cell区域，采集每个cell中各像素点的梯度方向直方图，并这些直方图组合起来构成HOG特征描述器，通过改变cell的大小即可提取不同维度的HOG特征。进一步地，0<cell<扫描窗口大小(即分类器训练样本大小)。进一步地，步骤2)中所述梯度式级联SVM分类器采用正样本风险代价敏感SVM分类器，其目标函数如下：yi(xiωj+bj)≥1-ηi,ηi≥0,μi≥0i＝1,...,n.j＝1,...,K其中，ωj表示参数向量、bj表示偏移量，二者共同构成某级分类器的分类超平面j表示第j级分类器，C为惩罚因子，μi表示将样本xi错误分类的代价，xi表示样本特征，ηi表示松弛变量，i表示第i个样本，yi样本所属的类别，n表示样本的数量，K表示分类器级数。进一步地，步骤2)中训练梯度式级联SVM分类器的方法如下：2-1)选定分类器总级数，输入训练样本集训练单级分类器，所述训练样本集的特征维度随分类器级数增加而增加；2-2)将获得的单级分类器按照特征维度从低到高顺次相连得到最终的梯度式级联SVM分类器。进一步地，步骤3)中，优选位于所有HOG特征从低到高排列的特征维度的中间位置的维度作为设定维度。进一步地，步骤3)中，当高于设定维度的HOG特征训练出的所有级联SVM分类器中有一半以上将输入的样本判定为行人并且最高维度的HOG特征训练出的级联SVM分类器也将其判定为行人时，此样本被判定为行人。本专利技术的有益效果如下：(一)由于HOG特征维度较高，高维特征提取费时，而类似天空大地的非行人目标只要低维特征即可区分，所以采用特征维度依次递增的梯度式级联SVM分类器进行样本分类，利用由低维特征训练出的前几级SVM分类器快速过滤掉大量非行人目标，从而降低了整体的特征提取时间，提高了检测速度。(二)在非行人目标大量存在的场景中将行人目标错分成非行人目标的风险远大于将非行人目标错分成行人目标的风险，所以采用正样本风险代价敏感的SVM分类器，降低正样本的漏检率。此分类器将支持向量的求解表示为一个二次规划问题，利用拉格朗日乘子法和KKT条件进行求解。(三)采用正样本误判风险最小化机制和投票机制进行样本类别判定。在利用前几级简单级联SVM分类器快速过滤负样本时，按照级别依序通过简单级联SVM分类器进行判定，只要其中某一级简单级联SVM分类器将样本判定为行人目标则保留此样本，并将其依序输入复杂级联SVM分类器进行判定，当所有复杂级联SVM分类器中的一半以上级联SVM分类器将其判定为行人目标并且最后一级最复杂的级联SVM分类器也将其判定为行人目标时，此目标被划分为行人目标。总之，与采用单一的非级联SVM分类器进行行人识别的方法相比，本方法可以更好的适应人流量较小、非行人目标大量存在场景下的行人识别。该方法用风险敏感的分类器和投票机制进行行人识别，在一定程度上提高了检测精度，而且，梯度式级联架构采用的是由粗粒度到细粒度的流水线型判断，能够将易判断的负样本在前几个级检测完毕，大大加快检测阶段的分类速度，提高了运算效率与总体处理速度。附图说明图1本专利技术中梯度式级联SVM分类本文档来自技高网...

【技术保护点】
一种基于梯度式级联SVM分类器的行人识别方法，包括以下步骤：1)从待识别视频或图像中提取不同维度的HOG特征；2)将步骤1)提取到的HOG特征按照维度从低到高训练得到对应的梯度式级联SVM分类器；3)将步骤1)提取到的所有HOG特征作为样本依序输入由不高于设定维度的HOG特征训练出的级联SVM分类器，只要其中一级级联SVM分类器将输入的样本判定为行人，就将此样本输入高于设定维度的级联SVM分类器做进一步判定，以实现行人识别。

【技术特征摘要】
1.一种基于梯度式级联SVM分类器的行人识别方法，包括以下步骤：1)从待识别视频或图像中提取不同维度的HOG特征；2)将步骤1)提取到的HOG特征按照维度从低到高训练得到对应的梯度式级联SVM分类器；3)将步骤1)提取到的所有HOG特征作为样本依序输入由不高于设定维度的HOG特征训练出的级联SVM分类器，只要其中一级级联SVM分类器将输入的样本判定为行人，就将此样本输入高于设定维度的级联SVM分类器做进一步判定，以实现行人识别。2.如权利要求1所述的一种基于梯度式级联SVM分类器的行人识别方法，其特征在于，步骤1)包括：将待识别视频或图像分成若干小的block区域，然后将每个block分成若干个更小的cell区域，采集每个cell中各像素点的梯度方向直方图，并这些直方图组合起来构成HOG特征描述器，通过改变cell的大小即可提取不同维度的HOG特征。3.如权利要求2所述的一种基于梯度式级联SVM分类器的行人识别方法，其特征在于，0<cell<扫描窗口大小。4.如权利要求1所述的一种基于梯度式级联SVM分类器的行人识别方法，其特征在于，步骤2)中所述梯度式级联SVM分类器采用正样本风险代价敏感SVM分类器。5.如权利要求4所述的一种基于梯度式级联SVM分类器的行人识别方法，其特征在于，所述梯度式级联SVM分类器采用正样本风险代价敏感SVM分类器，其目标函数如下：

【专利技术属性】
技术研发人员：孙利民，田莹莹，芦翔，文辉，张园，
申请(专利权)人：中国科学院信息工程研究所，
类型：发明
国别省市：北京,11