一种基于XCS‑LBP特征以及级联AKSVM的行人检测算法制造技术

本发明专利技术属于图像处理领域，涉及一种基于XCS‑LBP特征以及级联AKSVM的行人检测算法，该方法提出了将XCS‑LBP特征与HOG特征相结合，利用基因遗传算法实现AKSVM级联的形式，大大提高行人检测速度和精度。其实现过程是：(1)将车载摄像机采集的视频图像转换为灰度图像，(2)对灰度图像进行滤波去噪处理，(3)提取XCS‑LBP特征以及HOG特征，(4)利用得到的特征值对弱分类器进行训练(5)利用遗传基因算法决定AKSVM分解的弱分类器的顺序，(6)利用训练好的级联AKSVM对测试样本进行计算评估。本发明专利技术解决了分类器级联形式的优化问题，能够提高分类器的效率，减少行人检测的时间，而且，对样本采用多特征提取，能够提高行人检测的准确度。

A XCS LBP feature and the pedestrian detection algorithm based on cascaded AKSVM

The invention belongs to the field of image processing, and relates to a XCS LBP feature and the pedestrian detection algorithm based on cascaded AKSVM, the proposed XCS LBP and HOG feature combination, using genetic algorithm to realize the AKSVM cascade form, greatly improve the speed and accuracy of pedestrian detection. The realization process is: (1) the acquisition vehicle camera video image is converted to grayscale images, (2) on the gray image denoising (3) extraction of XCS LBP features and HOG, (4) using the characteristic value of the training of weak classifiers (5) with weak classifier the genetic algorithm determines the AKSVM decomposition of the sequence (6) of the test samples was calculated using cascaded AKSVM trained assessment. The invention solves the problem of optimal classifier cascade form, can improve the efficiency of classification, reduce pedestrian detection time, and extraction of samples using multiple features can improve the accuracy of pedestrian detection.

【技术实现步骤摘要】
一种基于XCS-LBP特征以及级联AKSVM的行人检测算法
本专利技术涉及一种基于单目视觉的前方行人检测算法，该方法采用混合特征提取和级联分类器相结合的方法对视频图像中的行人进行检测，属于图像处理和机器视觉领域，可应用于准确高效的检测出前方行人，可以实时性的提醒驾驶员避让行人，减少交通事故的发生，是先进驾驶辅助系统中重要的一环。
技术介绍
道路交通事故给人民生命财产和国民经济带来了巨大损失，而交通事故很大程度上由于驾驶员精力不集中造成的，车辆擦碰行人的事故屡见不鲜。由此可见，及时检测出前方行人并做出预警作为高级驾驶辅助系统中的一部分具有非常重要的意义。加强道路安全是当今智能车领域需要着重关注的问题，先进驾驶辅助系统(ADAS)是加强道路安全的芽接技术。为了更方便的驾驶车辆，人们开发了先进驾驶辅助安全系统(ADAS)。行人检测的提出旨在通过车辆前置摄像头捕捉到的视频分析车辆前方有没有行人，如果检测到行人就给司机发出危险信号，提醒司机减速或刹车，避免交通事故的发生。最近，用于行人检测的技术涌现出来，比如使用红外摄像机，激光传感器，单眼摄像机，或者是激光传感器和单眼摄像机配合使用等等。有许多因素制约着机器视觉在行人检测方向的发展，使得该技术具有挑战性。比如行人的服装外表具有多样性，行人姿势和所处位置的多样性，可变光照条件，非结构化的环境以及行人身体部位的遮挡等问题，利用机器感知技术进行行人检测是一项极具挑战性的任务。而且，在先进驾驶辅助系统(ADAS)中，使用的是在路途中行驶的摄像机，摄像机拍摄到的背景在运动，周围的环境是动态变化的，利用机器视觉进行行人检测，提高检测精度减少误检率是一种很大的难题。另外，对行人检测来说，检测速度是另一个重要的指标，如果一个算法应用于行人检测中时需要太多计算时间，无论这种算法的精确度有多高，都不能应用于实际的行人检测系统中。因此，在行人检测领域，不仅要考虑检测精度，还要考虑计算时间。大多数行人检测方法包含两部分：特征提取和分类。对于特征提取，许多已经发表的研究是基于外观特征的，包括Haar-like特征，局部二进制模式(LBP)，Gabor滤波器以及HOG等特征。特别是HOG特征提取应用非常广泛，HOG特征算法最早是有法国的Dalal等提出的一种解决人体目标检测的图像描述子，引起学术界广泛的关注。对于分类器，一种线性支持向量机(linSVM)是最流行的分类器之一，大量的研究工作都是基于linSVM进行行人检测的。然而，线性支持向量机(linSVM)的检测性能可能不适合一些非线性分类环境，比如行人具有多特征性，应该从多个角度进行检测。本专利技术克服了以前检测算法的不足，采用XCS-LBP方法和自适应背景混合模型进行前景检测，然后应用HOG特征算法得到最准确的特征集，这样比一般的特征提取方法得到更准确的特征集；然后，利用获得的特征对分类器进行训练，本文采用快速有效的级联AKSVM，并引入了著名的遗传算法，通过遗传算法决定最佳的AKSVM级联序列。这样既保证了精确度，又提高了行人检测的快速性。
技术实现思路
本专利技术的目的是克服现有技术的上述不足，提出了一种基于XCS-LBP以及级联AKSVM的行人检测算法，该方法能够准确有效地检测出不同运动状态以及不同环境下的行人，综合考虑了检测精度以及检测速率。为此，本专利技术采用如下的技术方案：1.从训练视频帧中获取检测图像并进行灰度化；2.XCS-LBP特征处理；3.HOG特征提取；4.用遗传算法得到最优AKSVM级联序列并对其进行训练；5.获取测试数据集并重复1-3步；6.利用第4步得到的分类器对第5步得到的数据进行测试。本专利技术具有如下技术特点：1.实时性好。本专利技术利用机器视觉和遗传算法来确定最佳AKSVM级联序列，可以大大提高行人检测的快速性，减少检测时间，检测速率影响整个高级驾驶辅助系统的性能。2.准确性高。本专利技术在检测过程中，采用了自适应背景混合模型以及XCS-LBP方法和HOG特征提取相结合，大大提高检测精度，减少误检率。3.能够对不同天气和不同场景下的行人进行检测，减少遮挡问题带来的困扰。附图说明图1：本专利技术总体方案流程图。图2：实验用到的INRIA正负样本数据集图3：实验用到的Caltech正负样本数据集图4：XCS-LBP原理图图5：分类器的级联形式图6：AKSVM的染色体编码具体实施方式本专利技术的流程图如图1所示，对于行人检测问题，训练样本和测试样本一般是尺寸归一化后的灰度或彩色行人/非行人图片，或者是视频文件，如果是视频文件，则需要对视频文件进行帧处理得到图像文件。这里的样本类别就是行人/非行人的标记集合。然后对训练样本集进行预处理，一般是为了实现去除干扰，提高图像质量等目的，但是这一步并不是必须的。然后对样本进行特征提取，本专利技术中首先提取XCS-LBP特征，然后，进一步得到HOG特征，最后使用提取的特征训练分类器。这里我使用级联AKSVM分类器，并使用遗传算法实现AKSVM分类器的级联序列。检测过程就是利用训练好的分类器对提取的检测图像特征进行分类判别，然后进行后续处理过程，后续处理主要是对检测所得的信息进行融合。1.图像样本集获取本实验采用的数据是比较经典的INRIA数据集，部分数据如图2所示和Caltech数据集，部分数据如图3所示，这两个经常使用，研究者比较认可的数据集。(1)INRIA数据集INRIAPerson数据集是Dalal等人在完美解决MIT数据集的基础上提出的。INRIAPerson数据集集中体现出人体的非刚体性、行人外观多样性、复杂背景、光照变化、尺度变化、遮挡等诸多行人检测的研究难点。由于HOG特征的巨大影响力，INRIAPerson数据集成为目前使用最为广泛静态图像行人数据集。所以我选择该数据集。INRIAPerson数据集除了区分训练集与测试集外，每一部分都涵盖了负样本图像。其中，训练集由614张正样本和1218张不含行人的负样本图像组成，有2416个行人目标；测试集由288张正样本和453张负样本图像组成，含行人589人。而且，INRIA附带给出了所有正样本的标注文件，这些标注对训练和测试极为关键。(2)Caltech数据集Caltechperson数据集是目前规模较大的行人数据库，采用车载摄像头拍摄，约10个小时左右，视频的分辨率为640×480，30帧/秒。标注了约250000帧(约137分钟)，有35000个矩形框，2300个行人，另外还对矩形框之间的时间对应关系及其遮挡的情况进行标注。数据集分为set00-set10，其中set00-set05是训练数据集，set06-set10是测试数据集。2.预处理如果数据集是视频文件，则将其转换为图像文件对检测器的实现来说更有利。预处理过程是对图像做简单加工处理，使得检测结果更好。预处理过程不是必须经历的过程。包括三部分内容，a.帧变换；b.图像灰度化；c.前景检测。a.帧变换针对先进辅助驾驶系统，最直接的数据来源是从车辆的前置摄像头获取的视频文件，因此，需要将从摄像头获取的视频首先转换成帧，视频帧中的每个实例都是从该视频中获取。第一帧被转换为灰度图像，并将这第一帧转换后的图像设置为背景参考图像。我们可以定义要读的帧的间隔，这个成像设备按照特定的速率本文档来自技高网...

【技术保护点】
一种基于单XCS‑LBP特征以及级联AKSVM的行人检测算法，包括下列步骤：(1)从训练视频帧中获取检测图像并进行灰度化；(2)XCS‑LBP特征处理；(3)HOG特征提取；(4)用遗传基因算法得到最优AKSVM级联序列并对其进行训练；(5)获取测试数据集并重复1‑3步；(6)利用第4步得到的分类器对第5步得到的数据进行测试；(7)后处理。

【技术特征摘要】
1.一种基于单XCS-LBP特征以及级联AKSVM的行人检测算法，包括下列步骤：(1)从训练视频帧中获取检测图像并进行灰度化；(2)XCS-LBP特征处理；(3)HOG特征提取；(4)用遗传基因算法得到最优AKSVM级联序列并对其进行训练；(5)获取测试数据集并重复1-3步；(6)利用第4步得到的分类器对第5步得到的数据进行测试；(7)后处理。2.根据权利要求1所述的交通流视频中前方行人检测方法，其特征在于，步骤(2)中使用XCS-LBP特征以及HOG特征融合进行特征提取，并且在特征提取前进行预处理，提高图像检测的精度。具体算法描述如下：如果数据集是视频文件，则将其转换为图像文件对检测器的实现来说更有利。预处理过程是对图像做简单加工处理，使得检测结果更好。预处理过程不是必须经历的过程。包括三部分内容，a.帧变换；b.图像灰度化；c.前景检测。a.帧变换针对先进辅助驾驶系统，最直接的数据来源是从车辆的前置摄像头获取的视频文件，因此，需要将从摄像头获取的视频首先转换成帧，视频帧中的每个实例都是从该视频中获取。第一帧被转换为灰度图像，并将这第一帧转换后的图像设置为背景参考图像。我们可以定义要读的帧的间隔，这个成像设备按照特定的速率或频率显示连续的图像就称为帧。b.图像灰度化为了从RGB图像中得到灰度图像，我们很容易通过添加每个像素的RGB值得到像素的亮度或者强度。可以通过求平均的方法。Grayscale＝(R+G+B)/3(1)根据RGB颜色的波长贡献，图像就形成了。红色比蓝色和绿色的波长更大，因此，我们必须通过加权的方法减少红色对图像的贡献率，增加绿色贡献率。NewGrayscale＝(0.3*R)+(0.59*G)+(0.11*B)(2)c.前景检测前景检测是通过使用第一帧作为参考背景图像并且自适应变换参考图像实现的。Background＝(1-α)*currentframe+(α*background)(3)Differenceimage＝currentframe-background(4)根据这一规则，他只会处理图像中包含相关信息的部分。因此，前景检测使得问题数据集不会再做进一步处理。根据阈值的设置，差分图像就转换成了二值图像。它取代了原始图像中的所有像素，将像素值大于阈值的用“1”代替(也就是二值图像中的白色)，其他所有像素用“0”代替。利用Otsu法计算全局图像阈值。通过这种方法选择的阈值将黑白像素区分开。相机和背景没有相对运动，因此，这种方法适合前景检测。d.XCS-LBP纹理特征提取XCS-LBP算子是在LBP算子和CS-LBP算子的基础上提出的，集合了两个算子的优势。LBP算子应用比较广泛，属于区域算子。LBP算子被广泛用在特征提取上的优势有很多，它具有多尺度特征、旋转不变性、计算简单等优点，最重要的一点就是它对光照变化及阴影的适应性强。LBP算子的原理可以描述如下，对于图像中的每个像素点c＝(x,y)，与其领域半径为R的P个邻域点的灰度值进行比较，计算出LBP纹理特征值，其表达式实现如式(5)所示。其中，gc为中心点的灰度值；gi为邻域点灰度值；T为阈值；P为邻域点的个数，一般选取4或者8。CS-LBP算子相对于LBP算子性能有所提高，采用中心对称的思想提取纹理特征，大大降低了提取的纹理特征的维数。CS-LBP纹理算子的特征值通过计算以中心像素为对称的像素对的邻域像素值得到，其实现形式如式(6)所示。其中，gi+P/2是以gc为中心与gi点中心对称的像素点灰度值。XCS-LBP算子结合了LBP算子和CS-LBP算子的优势，提取的纹理信息更加细致，抗噪能力更强。其实现形式由式(7)表示为：XCS-LBP的原理图如图4所示。3.根据权利要求1所述的前方行人的检测方法，其特征在于，步骤(4)中用遗传基因算法得到最优AKSVM级联序列并对其进行训练。该方法大大提高...

【专利技术属性】
技术研发人员：高振国，李树刚，陈丹杰，姚念民，卢志茂，陈炳才，
申请(专利权)人：深圳市美好幸福生活安全系统有限公司，
类型：发明
国别省市：广东,44