一种基于二值图像改进型HOG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二值图像改进型HOG特征的行人检测方法，包括以下步骤：建立行人训练样本库；对样本图像进行二值化处理；对二值化图像提取改进型HOG特征向量；对改进型HOG特征向量进行高斯归一化，利用正负样本训练，得到SVM模型中各个参数，建立线性SVM模型；对待检测视频帧图像进行预处理，得到二值化图像；计算得到当前的改进型HOG特征向量；将改进型HOG特征向量输入线性SVM模型，如果模型输出判定为正样本，则检测到目标，输出目标位置；通过窗口遍历的方式检测遍历的每个窗口是否出现目标。本发明专利技术能够有效解决行人检测过程中内存消耗大、检测速度慢的缺点。

【技术实现步骤摘要】
一种基于二值图像改进型HOG特征的行人检测方法
本专利技术涉及计算机视觉行人检测领域，特别涉及一种基于二值图像改进型HOG特征的行人检测方法。
技术介绍
目前，行人检测方法主要分为两类：基于模板匹配的方法和基于统计学习的方法。其中基于统计学习的行人检测算法因其统计算法的多样性能满足多种应用场合而逐步得到了广泛应用。在基于统计学习的方法中，梯度方向直方图(Histogramoforientedgradient，HOG)特征是一种非常有效的梯度特征，其在光照变化和颜色变化下对图像行人检测具有很好的鲁棒性。该方法首先将图像分成小的连通区域，定义为细胞单元，通过采集细胞单元中各像素点的梯度或边缘的方向直方图，随后将直方图组合起来构成特征描述器。获得局部直方图后，需将细胞单元统计的局部直方图在图像的更大的范围内进行对比度归一化。一般地，计算由四个细胞单元组成的块内局部直方图特征，然后将块内的4细胞单元分别归一化。归一化的特征使得被检测图像对光照变化和阴影获得更好的鲁棒性。归一化后的四个局部直方图特征级联即可获得一个HOG特征向量。HOG特征在行人检测等基于形状的物体检测中效果很好，后续很多目标检测算法都是在此基础上的延伸。现阶段智能安防领域中的行人检测仍然存在着一些问题：在实时检测领域，实时性要求非常高，特征检测运算量增大导致实时性变差；在视频行人检测中，灰度图像的金字塔模型需要占用很大的内存资源。为此，寻求一种克服上述问题的行人检测方法，具有重要的研究意义和实用价值。
技术实现思路
本专利技术的目的在于克服现有技术的缺点与不足，提供一种基于二值图像改进型HOG特征的行人检测方法，能够有效解决行人检测过程中内存消耗大、检测速度慢的缺点。本专利技术的目的通过以下的技术方案实现：一种基于二值图像改进型HOG特征的行人检测方法，包括以下步骤：学习阶段：S1、建立行人训练样本库；S2、利用基于行块像素局部自适应二值化方法对样本图像进行二值化处理，得到二值化图像；S3、对二值化图像提取改进型HOG特征向量；S4、对改进型HOG特征向量进行高斯归一化，利用正负样本训练，得到SVM模型中各个参数，建立线性SVM模型；决策阶段：S5、对待检测视频帧图像进行预处理，得到二值化图像；S6、计算得到当前的改进型HOG特征向量；S7、将改进型HOG特征向量输入步骤S4得到的线性SVM模型，如果模型输出判定为正样本，则检测到目标，输出目标位置；通过窗口遍历的方式检测遍历的每个窗口是否出现目标。优选的，步骤S1中行人训练样本库的选择遵循以下两个规则：规则1：行人负样本与行人正样本数量比例在10:1；规则2：利用第一次训练的SVM，检测负样本中被误检的负样本作为难负样本，提高这些难负样本的比例，从而可以进一步提高建立的模型的准确度。优选的，步骤S2中基于行块像素局部自适应二值化方法具体为：在FPGA中读取视频数据时，只需要在RAM中保存两行图像流信息；利用第i行灰度图灰度值和第i-1行更新后的行向量图像灰度值一起更新第i行像素的灰度值，第1行像素的更新值为原来灰度值本身，如下式：其中preY(i,j)指更新后的行向量图像灰度值，cur(i,j)指灰度图灰度值；每一个像素点的二值化阈值确定如下：对更新后的行向量对应像素取1*w行块大小的像素区域，求得该区域的均值E(i,j)，根据行块内像素点均值E(i,j)确定所求像素点二值化的阈值，利用如下公式即可得到二值化图像：其中I(i,j)为二值化图像的灰度值,σ为阈值系数。优选的，步骤S3的具体步骤是：利用梯度模板提取每个像素点的梯度幅值和角度，再根据梯度方向进行直方图统计，得到改进型HOG特征向量。具体的，利用5*5的梯度模板计算二值图像局部区域的梯度信息，在进行模板计算时，将中心像素点与h(0,0)对应，然后将中心像素点周围的像素点与模板对应的像素点h(a,b)相乘；如下公式为计算梯度的通用方法：其中f为二值化图像，(x,y)为像素点，对于5*5的模板来说，a和b可能取值是±2、±1和0；利用hx方向梯度模板计算得到x方向梯度gx(x,y)，利用hy方向梯度模板计算得到y方向梯度gy(x,y)；计算梯度幅值和角度的公式分别为：再根据每个像素点梯度幅值按照梯度方向进行直方图统计即可得到改进型HOG特征向量。进一步的，进行直方图统计时采取方向区间不等分方式，将0～π区间按区间分为一个区间、区间按照等间隔分为5个区间、分为一个区间，共7个区间，因此直方图的通道共7个通道。具体的，选择图像检测窗口大小64*128，块大小为16*16，单元大小8*8，块偏移为8*8，块数量105，每个单元包括8*8个像素，利用不同方向角度对8*8个像素的二值像素梯度信息进行投票；直方图投票采取加权投票，即每个像素的梯度幅值作为投票权重，得到一个多维的特征向量。优选的，步骤S4中对特征向量中的每一个元素进行高斯归一化处理，使得到的分量值的取值范围99％将落在[0,1]之间，得到归一化的改进型HOG特征向量；将归一化的改进型HOG特征向量输入支持向量机分类模型进行训练，从而得到改进型HOG特征的行人检测模型；建立线性SVM模型：f(x)＝wTx+b，x是边缘梯度特征算子α，wT和b就是通过正负样本训练得到的SVM参数。优选的，步骤S5中预处理的具体步骤：对输入视频提取帧图像，将RGB图像转换成灰度图，经过滤波处理后，利用基于行块像素局部自适应二值化方法对样本图像二值化处理，得到二值化图像。优选的，步骤S6中对感兴趣区域二值化图像建立金字塔模型，level0层指的是原始灰度图，level1是指对原始灰度图缩小0.95倍后的图像，依次类推直到缩放至图像分辨率不大于64*64，每层的缩放率都是0.95；依次对每层图像计算改进型HOG特征向量并进行高斯归一化处理，得到归一化的改进型HOG特征向量。本专利技术与现有技术相比，具有如下优点和有益效果：1、本专利技术利用二值图像做行人检测，相对于8bit灰度图，可以极大的提高检测系统的实时性和降低内存消耗。2、本专利技术利用基于行块像素局部自适应二值化方法，从内存存储的多行图像流数据降低到两行图像数据流，大大降低了存储空间消耗。3、本专利技术利用改进型HOG特征向量来作为二值图像的特征向量，极大保留了二值图像的HOG特征角度信息，为后续的直方图统计保留了大量有效梯度信息，提高了行人检测准确率。附图说明图1是本实施例方法的流程图；图2是二值图像的改进型HOG特征提取流程图；图3是梯度模板图：图3(a)是X方向梯度模板；图3(b)是Y方向梯度模板；图4是改进型HOG特征方向区间的划分图。具体实施方式下面结合实施例及附图对本专利技术作进一步详细的描述，但本专利技术的实施方式不限于此。一种基于二值图像改进型HOG特征的行人检测方法，如图1，包括以下步骤：学习阶段：S1、建立行人训练样本库。该行人训练样本库的选择遵循以下两个规则：规则1：行人负样本与行人正样本数量比例在10:1；规则2：利用第一次训练的SVM，检测负样本中被误检的负样本作为难负样本，提高这些难负样本的比例，从而可以进一步提高建立的模型的准确度。S2、对样本图像进行二值化处理。传统局部自适应二值化方法应用在FPGA时，需要在输入行图像流中预留多行(n行)图像流本文档来自技高网...

【技术保护点】
一种基于二值图像改进型HOG特征的行人检测方法，其特征在于，包括以下步骤：学习阶段：S1、建立行人训练样本库；S2、利用基于行块像素局部自适应二值化方法对样本图像进行二值化处理，得到二值化图像；S3、对二值化图像提取改进型HOG特征向量；S4、对改进型HOG特征向量进行高斯归一化，利用正负样本训练，得到SVM模型中各个参数，建立线性SVM模型；决策阶段：S5、对待检测视频帧图像进行预处理，得到二值化图像；S6、计算得到当前的改进型HOG特征向量；S7、将改进型HOG特征向量输入步骤S4得到的线性SVM模型，如果模型输出判定为正样本，则检测到目标，输出目标位置；通过窗口遍历的方式检测遍历的每个窗口是否出现目标。

【技术特征摘要】
1.一种基于二值图像改进型HOG特征的行人检测方法，其特征在于，包括以下步骤：学习阶段：S1、建立行人训练样本库；S2、利用基于行块像素局部自适应二值化方法对样本图像进行二值化处理，得到二值化图像；S3、对二值化图像提取改进型HOG特征向量；S4、对改进型HOG特征向量进行高斯归一化，利用正负样本训练，得到SVM模型中各个参数，建立线性SVM模型；决策阶段：S5、对待检测视频帧图像进行预处理，得到二值化图像；S6、计算得到当前的改进型HOG特征向量；S7、将改进型HOG特征向量输入步骤S4得到的线性SVM模型，如果模型输出判定为正样本，则检测到目标，输出目标位置；通过窗口遍历的方式检测遍历的每个窗口是否出现目标。2.根据权利要求1所述的行人检测方法，其特征在于，步骤S1中行人训练样本库的选择遵循以下两个规则：规则1：行人负样本与行人正样本数量比例在10:1；规则2：利用第一次训练的SVM，检测负样本中被误检的负样本作为难负样本，提高这些难负样本的比例，从而可以进一步提高建立的模型的准确度。3.根据权利要求1所述的行人检测方法，其特征在于，步骤S2中基于行块像素局部自适应二值化方法具体为：在FPGA中读取视频数据时，只需要在RAM中保存两行图像流信息；利用第i行灰度图灰度值和第i-1行更新后的行向量图像灰度值一起更新第i行像素的灰度值，第1行像素的更新值为原来灰度值本身，如下式：其中preY(i,j)指更新后的行向量图像灰度值，cur(i,j)指灰度图灰度值；每一个像素点的二值化阈值确定如下：对更新后的行向量对应像素取1*w行块大小的像素区域，求得该区域的均值E(i,j)，根据行块内像素点均值E(i,j)确定所求像素点二值化的阈值，利用如下公式即可得到二值化图像：其中I(i,j)为二值化图像的灰度值,σ为阈值系数。4.根据权利要求1所述的行人检测方法，其特征在于，步骤S3的具体步骤是：利用梯度模板提取每个像素点的梯度幅值和角度，再根据梯度方向进行直方图统计，得到改进型HOG特征向量。5.根据权利要求1所述的行人检测方法，其特征在于，利用5*5的梯度模板计算二值图像局部区域的梯度信息，在进行模板计算时，将中心像素点与h(0,0)对应，然后将中心像素...

【专利技术属性】
技术研发人员：冯颖，杨涛，苏比哈什·如凯迦，陈新开，
申请(专利权)人：华南理工大学，
类型：发明
国别省市：广东,44