一种行人分心行为检测方法技术

本发明专利技术提供了一种行人分心行为检测方法。该方法包括：采用梯度和纹理特征集成方法对行人图像进行行人检测处理，获取所述行人图像中的行人位置信息；根据所述行人的位置区域采用选择性搜素的方法对所述行人图像进行区域分割和合并处理，检测出行人敏感部位图像，对所述行人敏感部位图像进行特征提取，得到所述行人图像的敏感特征矩阵；利用行人图像数据集中所有行人图像的敏感部位特征矩阵训练Adaboost分类器，将待检测的行人图像输入训练好的Adaboost分类器，所述Adaboost分类器输出所待检测的行人图像的检测结果。本发明专利技术的方法可以准确及时地对行人行为进行分析，判断该行人是否为使用手机的危险行人并及时反馈给行人、司机以及交管部门，起到安全警示作用。

【技术实现步骤摘要】
一种行人分心行为检测方法
本专利技术涉及交通安全管理
，尤其涉及一种行人分心行为检测方法。
技术介绍
近年来，随着信息时代的发展和手机的广泛使用，不分场合、随时随地玩手机的低头族越来越多。通过大量统计分析表明行人过街时使用手机会造成道路通行能力低、影响出行时间、引发交通事故等问题。2016年美国有6000名行人在交通事故中丧生，所以美国新发规定行人过马路看手机要罚款。其实在我们国内现状也不容乐观。中国青年报社社会调查中调查结果显示，有72.2％受访者表示过马路时有玩手机的经历。根据以上数据，我们发现低头族引发的交通事故日益增多，引起社会各界的重视。目前人体动作识别领域相对成熟，常用的动作识别方法包括基于模板的方法、基于概率统计的方法以及基于语义的方法。人体行为识别可以用于检测连续、交互动作，在很多领域也有着广泛的应用前景，例如在医疗系统中检测病人的跌倒碰撞行为、在公众场合判断暴乱盗窃等危险事件、检测酒后驾驶的不法行为以及地质灾害后检测生存者的应用前景。但是现阶段行人检测研究方向大致分为两部分，一部分是传统行为的正常走、侧走、爬行、上坡或者下坡等基本人体姿势的研究，而另一部分则是基于轨迹的行人徘徊、行人越界、行人跌倒等异常行为的检测方法，这类研究主要针对老人、儿童等特殊群体。目前，现有技术中没有一种针对行人使用手机这类分心行为进行检测的方法。
技术实现思路
本专利技术的实施例提供了一种行人分心行为检测方法，以实现有效地对行人使用手机这类分心行为进行检测。为了实现上述目的，本专利技术采取了如下技术方案。一种行人分心行为检测方法，包括：采用梯度和纹理特征集成方法对行人图像进行行人检测处理，获取所述行人图像中的行人位置信息；根据所述行人的位置区域采用选择性搜素的方法对所述行人图像进行区域分割和合并处理，检测出行人敏感部位图像，对所述行人敏感部位图像进行特征提取，得到所述行人图像的敏感特征矩阵；利用行人图像数据集中所有行人图像的敏感部位特征矩阵训练Adaboost分类器，将待检测的行人图像输入训练好的Adaboost分类器，所述Adaboost分类器输出所待检测的行人图像的检测结果。进一步地，所述的采用梯度和纹理特征集成方法对行人图像进行行人检测处理之前，还包括：通过摄像设备采集公共交通区域中的行人图像，将所有行人图像存储在行人图像数据集中，所述行人图像包括行人为正常过马路图片和行为为分心行人图片。进一步地，所述的采用梯度和纹理特征集成方法对行人图像进行行人检测处理，获取所述行人图像中的行人位置信息，包括：从所述行人图像数据集中选择一幅行人图像，从所述行人图像中提取HOG特征，并保存图像的HOG特征矩阵；从所述行人图像中提取LBP特征，并保存图像的LBP特征矩阵，组合所述HOG特征矩阵和LBP特征矩阵得到HOG-LBP特征矩阵；采用K-SVD算法从HOG-LBP特征矩阵中提取出稀疏表示的特征，用PCA算法对所述HOG-LBP特征矩阵进行降维，得到低维的PCA特征；将所述PCA特征和K-SVD稀疏表示的特征同时作用于所述HOG-LBP特征矩阵，得到了新的特征矩阵，采用SVM分类器对新的特征矩阵进行分类，分类结果用行人矩形框表示，并返回一个1*4维矩阵，4维分别为行人矩形框的横、纵坐标以及行人矩形框的长和宽四个数据，从而获得所述行人图像中的行人的位置区域。进一步地，所述的根据所述行人的位置区域采用选择性搜素的方法对所述行人图像进行区域分割和合并处理，检测出行人敏感部位图像，包括：2.0、将包含所述行人的位置区域的图像区域上的每一个像素用节点表示，每个节点代表一个区域，两个节点间由一条无向边连接，每个无向边都有一个权重，用以衡量其连接的两个节点之间的不相似度，有序遍历所有的无向边，判断该无向边连接的两个区域之间的域间间距是否大于任意一个区域的区域内间距，如果是，则将所述两个区域分割成多个初始化小区域；否则，不对所述两个区域进行分割；2.1、将所有初始化小区域组成的初始区域记为R＝{r1,…,rm}，遍历初始区域R中的所有相邻区域；2.2、计算各相邻区域的相似度，把所有相邻区域的相似度保存在集合S中并表示为S(ri，rj)，在计算各相邻区域的相似度时，采用颜色、纹理、大小及吻合相似度的加权平均值作为两个区域的相似性S{ri,ri}，计算公式如下：S(ri，rj)＝a1Scolor(ri，rj)+a2Stexture(ri，rj)+a3Ssize(ri，rj)+a4Sfill(ri，rj)其中，Scolor为颜色相似度，Stexture为纹理相似度，Ssize为尺寸相似度，Sfill为交叠相似度；2.3、从集合S中找到最大相似度max(S)对应的相邻区域{ri，rj}，若最大相似度max(S)小于某一设定相似度阈值，就将这个相邻区域{ri，rj}进行合并，即rt＝ri∪rj，同时从集合S中除去与ri、rj有关的相似度；2.4、计算rt与其相邻区域的相似度S(rt，r*)；2.5、将rt保存到集合R中，计算公式为：R＝R∪rt；2.6、判断集合S是否为空，集合S不为空，则返回执行步骤2.3；集合S为空，则所有合并后的初始化小区域组成行人敏感部位图像。进一步地，所述的对所述行人敏感部位图像进行特征提取，得到所述行人图像的敏感特征矩阵，包括：提取所述行人的敏感部位图像的Haar_Like特征，组成Haar_Like特征矩阵；提取所述行人的敏感部位图像的VGG16特征，组成VGG16特征矩阵；将所述Haar_Like特征矩阵和VGG16特征矩阵进行合并，得到所述行人图像的敏感部位特征矩阵。进一步地，所述的利用行人图像数据集中所有行人图像的敏感部位特征矩阵训练Adaboost分类器，将待检测的行人图像输入训练好的Adaboost分类器，所述Adaboost分类器输出所待检测的行人图像的检测结果，包括：将所述行人图像数据集中每张行人图像的敏感部位特征矩阵导入，将导入的所有敏感部位特征矩阵分为训练集和测试集，对敏感部位特征矩阵中的特征值进行归一化处理，用训练集中的敏感部位特征矩阵训练Adaboost分类器，用测试集中的敏感部位特征矩阵对分类器进行测试并得到检测结果；将待检测的行人图像输入训练好的Adaboost分类器，该Adaboost分类器输出所述待检测的行人图像的检测结果，该检测结果包括所述待检测的行人图像是正常行人图像或者分心危险行人图像的概率值。由上述本专利技术的实施例提供的技术方案可以看出，本专利技术实施例针对低头使用手机的危险行人，基于VGG网络采用微调后的深度学习的模型提出了一种面向行人安全的行人分心行为检测方法，可以准确及时地对行人行为进行分析，判断该行人是否为使用手机的危险行人并及时反馈给行人、司机以及交管部门，起到安全警示作用，从而减少道路交通的安全隐患。本专利技术附加的方面和优点将在下面的描述中部分给出，这些将从下面的描述中变得明显，或通过本专利技术的实践了解到。附图说明为了更清楚地说明本专利技术实施例的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本专利技术的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。图1为本专利技术实施例提供的本文档来自技高网...

【技术保护点】
1.一种行人分心行为检测方法，其特征在于，包括：采用梯度和纹理特征集成方法对行人图像进行行人检测处理，获取所述行人图像中的行人位置信息；根据所述行人的位置区域采用选择性搜素的方法对所述行人图像进行区域分割和合并处理，检测出行人敏感部位图像，对所述行人敏感部位图像进行特征提取，得到所述行人图像的敏感特征矩阵；利用行人图像数据集中所有行人图像的敏感部位特征矩阵训练Adaboost分类器，将待检测的行人图像输入训练好的Adaboost分类器，所述Adaboost分类器输出所待检测的行人图像的检测结果。

【技术特征摘要】
1.一种行人分心行为检测方法，其特征在于，包括：采用梯度和纹理特征集成方法对行人图像进行行人检测处理，获取所述行人图像中的行人位置信息；根据所述行人的位置区域采用选择性搜素的方法对所述行人图像进行区域分割和合并处理，检测出行人敏感部位图像，对所述行人敏感部位图像进行特征提取，得到所述行人图像的敏感特征矩阵；利用行人图像数据集中所有行人图像的敏感部位特征矩阵训练Adaboost分类器，将待检测的行人图像输入训练好的Adaboost分类器，所述Adaboost分类器输出所待检测的行人图像的检测结果。2.根据权利要求1所述的方法，其特征在于，所述的采用梯度和纹理特征集成方法对行人图像进行行人检测处理之前，还包括：通过摄像设备采集公共交通区域中的行人图像，将所有行人图像存储在行人图像数据集中，所述行人图像包括行人为正常过马路图片和行为为分心行人图片。3.根据权利要求2所述的方法，其特征在于，所述的采用梯度和纹理特征集成方法对行人图像进行行人检测处理，获取所述行人图像中的行人位置信息，包括：从所述行人图像数据集中选择一幅行人图像，从所述行人图像中提取HOG特征，并保存图像的HOG特征矩阵；从所述行人图像中提取LBP特征，并保存图像的LBP特征矩阵，组合所述HOG特征矩阵和LBP特征矩阵得到HOG-LBP特征矩阵；采用K-SVD算法从HOG-LBP特征矩阵中提取出稀疏表示的特征，用PCA算法对所述HOG-LBP特征矩阵进行降维，得到低维的PCA特征；将所述PCA特征和K-SVD稀疏表示的特征同时作用于所述HOG-LBP特征矩阵，得到了新的特征矩阵，采用SVM分类器对新的特征矩阵进行分类，分类结果用行人矩形框表示，并返回一个1*4维矩阵，4维分别为行人矩形框的横、纵坐标以及行人矩形框的长和宽四个数据，从而获得所述行人图像中的行人的位置区域。4.根据权利要求3所述的方法，其特征在于，所述的根据所述行人的位置区域采用选择性搜素的方法对所述行人图像进行区域分割和合并处理，检测出行人敏感部位图像，包括：2.0、将包含所述行人的位置区域的图像区域上的每一个像素用节点表示，每个节点代表一个区域，两个节点间由一条无向边连接，每个无向边都有一个权重，用以衡量其连接的两个节点之间的不相似度，有序遍历所有的无向边，判断该无向边连接的两个区域之间的域间间距是否大于任意一个区域的区域内间距，如果是，则将所述两个区域分割成多个初始化小区域；否则，不对所述两个区域进行分割；2.1、将所有初始化...

【专利技术属性】
技术研发人员：李浥东，董雅茹，董海荣，郎丛妍，王涛，金一，宁滨，
申请(专利权)人：北京交通大学，
类型：发明
国别省市：北京,11