基于支持向量机和深度特征的行人识别方法技术

一种基于支持向量机和深度特征的行人识别方法，包括如下步骤：制作训练样本，包括设定姿态下和采集的真实场景视频中的正样本与负样本。该行人特征描述子主要分为两部分，一部分用来刻画局部深度信息的变化特征，另一部分用来刻画局部深度信息的大小特征；对得到的训练样本使用LibSVM选取RBF核作为SVM的核函数针对深度信息特征来对行人分类器进行训练；根据分类器在运动目标区域以滑动窗口的方式检测运动目标区域中的行人，使用非极大值抑制的办法来剔除冗余的检测窗口，输出行人检测图像。本方法使用深度特征描述子作为SVM的特征向量进行行人识别，在保证实时性的同时，能够有效减缓相互遮挡、相互粘连等情况，提高了行人识别的准确率。

Pedestrian recognition method based on support vector machine and depth feature

A method of pedestrian recognition based on support vector machine and depth feature is presented, which includes the following steps: making training samples, including positive samples and negative samples in set pose and collected real scene videos. The pedestrian feature descriptor is mainly divided into two parts, one part is used to depict the local variation of the depth information, the other part is used to depict the local depth information size characteristics; RBF is selected as the kernel function for the nuclear SVM depth information features for training classifiers using LibSVM to get the pedestrian classifier in motion according to the training samples; the target area to the sliding window detection of pedestrian movement in the target region, the use of non maxima suppression detection window to eliminate redundant image output, pedestrian detection. This method uses depth descriptors as the feature vector of SVM in pedestrian recognition, real-time performance and can effectively slow down the mutual occlusion and mutual adhesion, improve the accuracy of pedestrian recognition.

【技术实现步骤摘要】
基于支持向量机和深度特征的行人识别方法
本专利技术属于图像处理
，涉及一种基于支持向量机和深度特征的行人识别。
技术介绍
目前，基于单目视觉的行人目标检测与跟踪技术已广泛应用于实际，在一定程度上解决了现在一般行人检测系统对其的技术需求。但是，由于单目视觉主要是基于对像素的彩色和灰度信息进行分析与应用，达到目标检测与跟踪的目的，所以还是存在很多缺陷。首先是光照变化，像素的彩色和灰度信息对光照很敏感，一点点的光照变化反映在像素的彩色和灰度值上都变得显著，这使得基于单目的运动目标检测与跟踪系统很难在光照变化复杂的室外条件下工作。其次是类运动目标的干扰，典型的类行人目标就是阴影。运动目标的阴影由于其在几何形状、运动规律等方面和真正的目标十分相似，在只有像素点的彩色和灰度信息的条件下很难很好的区分两者，这使得提取的行人目标质量受到影响，给后续的跟踪带来一定的干扰。由于行人目标形变十分多样，运动姿态、衣着变化、摄像机视角、行人间的相互遮挡等都会对最后检测出来的行人目标的外观产生影响，这使得传统的一些基于单目视觉的目标检测与跟踪算法准确度下降甚至失效。为了提高行人检测系统的准确性和鲁棒性，克服光照变化、类行人目标干扰、外观变化等因素对行人目标检测与跟踪的影响，本课题针对俯视场景下的行人检测与跟踪问题进行了研究。针对基于单目的行人目标检测与跟踪技术中存在的问题，本专利技术引入了双目立体视觉。双目立体视觉较单目来说，在保留像素的彩色和灰度信息的同时，增加了像素点深度这一关键信息。像素点的深度信息更加稳定，不易受光照变化的干扰，通过结合像素点的深度信息，可以更准确更细致的检测和区分目标，提高行人目标检测与跟踪的准确度和抗干扰能力。本专利技术在单目视觉的基础上，结合双目的深度信息，在充分考虑了行人检测系统在理论上和实践上面临的各种困难后，试图构建一个能对实际场景中的行人进行准确、快速检测和跟踪、具有稳定性和鲁棒性的行人检测系统。行人目标检测与跟踪技术作为计算机视觉领域当前的研究热点，牵涉到诸如图像传感器、图像处理算法、机器学习算法等诸多学科领域。本专利技术主要的研究内容是基于双目的运动目标检测与跟踪技术，是计算机视觉的一个研究重点，具有很高的学术价值。另一方面，目前计算机视觉的商业开发越来越多，而作为重要分支之一的就是行人目标检测系统，也有着丰富的应用场景。
技术实现思路
本专利技术提供一种基于支持向量机和深度特征的行人识别，该方法采用机器学习的方法使用基于深度特征描述子与SVM的行人分类器进行行人检测。本专利技术基于设定姿态和电梯下的真是场景视频制作正负样本集合，使用基于深度信息的特征描述子，通过制作的训练样本使用LibSVM选取RBF核作为SVM的核函数针对深度信息特征来对行人分类器进行训练，学习得到训练模型后，最终以滑动窗口的方式检测运动目标区域中的行人。本专利技术将深度信息特征描述子分为局部深度信息变化特征和局部深度信息大小特征，使用LibSVM选取RBF核作为SVM的核函数针对深度信息特征来对行人分类器进行训练，得出判别模型。由于依靠行人的运动属性或者行人在图像中的灰度属性等特征不能推断出它描述的是一个真正的行人还是其他和行人具有类似运动规律的非行人目标，因此采用基于深度信息的特征描述子利用SVM进行判别训练，得到准确的行人检测模型。基于支持向量机和深度特征的行人识别方法，包括如下步骤：步骤一：制作训练样本，构造设定姿态下和搜集的真实场景视频中的正样本与负样本；步骤二：一种基于深度信息的特征描述子，用以描述行人(俯视视角下)在深度图中的特征。该行人特征描述子主要分为两部分，一部分用来刻画局部深度信息的变化特征，另一部分用来刻画局部深度信息的大小特征。对于深度图中的一点(x,y)，首先计算它跟邻域像素在x方向和在y方向上的差值Δx和Δy：Δx＝d(x+1,y)-d(x-1,y)(1)Δy＝d(x,y+1)-d(x,y-1)(2)其中，d(x,y)表示点(x,y)的深度值。之后，对得到的Δx和Δy进行量化编码：式中Td是一阈值。那么对于深度图中一点(x,y)，其在局部深度信息的变化特征就定义为(tx,ty)。它有3×3＝9种组合形式，每种组合形式就描述了一种深度信息的变化情况，如当取值为(1,1)，则表示在点(x,y)的四领域内右上角最高；当取值为(-1,0)时则表示深度在y方向上变化不大，而在x方向上减小。有了每个像素点的大小变化特征(tx,ty)，就可以通过统计直方图来获得9种不同变化的分布情况，从而更精确的刻画一个局部区域的深度变化特征了。具体说，以(tx,ty)的9种可能的组合形式作为直方图的9个bin，取一统计单元统计每种情况的频数。得到的每个bin的频数组合起来，就是该统计单元的9维深度特征。有了局部深度度信息的变化特征还是不够的，由定义我们知道，它只能反映局部深度信息的相对大小，而无法反映局部深度的绝对大小。所以用局部深度信息的均值来描述该区域的深度信息的绝对大小。但是，考虑到在立体匹配的过程中会产生误匹配点，这些误匹配点的深度将被赋值为零。它们不能正确反映该位置真正的深度信息，会降低局部区域的均值。所以对于这些误匹配点应在计算均值的时候将其剔除，即：其中，B表示待统计的局部区域，x表示B内的像素点，dx表示其深度值，N是B内所有像素点的个数，而N0是深度值为零的无效像素点。求得的就是区域B的深度大小的特征描述。本专利技术选取9×9大小的窗口作为特征提取单元。将9×9的特征提取单元进一步划分为互不重叠的9个3×3大小的区块，每个小区块如中的小红框所示。在每个小红框中，计算中心像素的深度信息变化特征(tx,ty)，这样就得到了9组深度信息变化特征。之后，计算特征提取单元81个像素的有效平均值最为特征提取单元的深度信息的大小特征。选取27×27大小的窗口作为特征统计单元。统计共计81个深度信息变化特征的分布情况，作为统计单元的前9个特征维度。对于表征深度信息绝对大小的均值特征，依次按从左到右、从上到下的顺序作为统计单元的后9个特征维度。每个特征提取单元深度大小的特征之外，也保留了这些深度大小特征的空间分布情况。最后，选取108×108大小的检测窗口。在本专利技术的应用场景下，该大小的窗口基本能覆盖待检测的行人轮廓。同样，为了表征特征统计单元的空间分布情况，本专利技术将16个特征统计单元串联起来，一次按照从左到右、从上到下的顺序组合起来，就获得了检测窗口完整的深度信息描述子，共计18×16＝288维。步骤三：对得到的训练样本使用LibSVM选取RBF核作为SVM的核函数针对深度信息特征来对行人分类器进行训练；步骤四：根据分类器在运动目标区域以滑动窗口的方式检测运动目标区域中的行人，使用非极大值抑制的办法来剔除冗余的检测窗口；得到训练好的行人分类器之后，就可以在运动目标区域以滑动窗口的方式检测运动目标区域中的行人了。行人分类器在运动目标区域滑动过程中，会对存在同一行人的区域输出多个检测结果窗口，这是不必要。对于运动目标区域中检测到的所以窗口根据置信概率进行排序，从置信度最高的检测窗口开始处理。计算其与剩余窗口的重叠面积，若面积大于阈值T，则认为它们描述的是同一行人目标，将其剔除；否则，将其保留。当遍历完除最大置信概率的检测窗口后，再计本文档来自技高网...

【技术保护点】
一种基于支持向量机和深度特征的行人识别方法，其特征包括如下步骤：步骤一：制作训练样本，构造设定姿态下和搜集的真实场景视频中的正样本与负样本；步骤二：建立一种基于深度信息的特征描述子，用以描述行人在深度图中的特征；该行人特征描述子主要分为两部分，一部分用来刻画局部深度信息的变化特征，另一部分用来刻画局部深度信息的大小特征；深度图中的一点(x,y)，首先计算它跟邻域像素在x方向和在y方向上的差值Δx和Δy：Δx＝d(x+1,y)‑d(x‑1,y)                (1)Δy＝d(x,y+1)‑d(x,y‑1)                (2)其中，d(x,y)表示点(x,y)的深度值；对得到的Δx和Δy进行量化编码：

【技术特征摘要】
1.一种基于支持向量机和深度特征的行人识别方法，其特征包括如下步骤：步骤一：制作训练样本，构造设定姿态下和搜集的真实场景视频中的正样本与负样本；步骤二：建立一种基于深度信息的特征描述子，用以描述行人在深度图中的特征；该行人特征描述子主要分为两部分，一部分用来刻画局部深度信息的变化特征，另一部分用来刻画局部深度信息的大小特征；深度图中的一点(x,y)，首先计算它跟邻域像素在x方向和在y方向上的差值Δx和Δy：Δx＝d(x+1,y)-d(x-1,y)(1)Δy＝d(x,y+1)-d(x,y-1)(2)其中，d(x,y)表示点(x,y)的深度值；对得到的Δx和Δy进行量化编码：式中Td是一阈值；深度图中一点(x,y)，其在局部深度信息的变化特征定义为(tx,ty)；这些误匹配点在计算均值的时候将其剔除，即：

【专利技术属性】
技术研发人员：张云洲，周博强，纪鹏，吴成东，陈锦涛，商艳丽，张凯，
申请(专利权)人：东北大学，
类型：发明
国别省市：辽宁,21