基于梯度直方图和Canny边缘检测器的行人检测方法技术

本发明专利技术提供了一种基于梯度直方图和Canny边缘检测器的行人检测方法，方法包括步骤：步骤1，对获取的图像一次进行图像灰度化、伽马校正、图像高斯滤波的处理；步骤2，利用Canny边缘检测器提取图像的边缘信息，计算图像中的梯度直方图信息，得到描述行人特征的特征向量；步骤3，利用包含人体头肩部分的正样本和不包含人体头肩部分的负样本训练支持向量机分类器；步骤4，利用训练得到的分类器对所有图像的局部窗口进行检测并判断窗口中是否存在人体头肩目标。

【技术实现步骤摘要】
基于梯度直方图和Canny边缘检测器的行人检测方法
本专利技术涉及一种图像处理技术，特别是一种基于梯度直方图和Canny边缘检测器的行人检测方法。
技术介绍
随着人工智能的迅速发展，机器视觉在实际生活中有着越来越广泛的应用。而人体检测算法在自动驾驶，智能监控及灾难环境下的自动搜救等都有着很好的应用前景。人类生活的环境复杂多变，人体也并非固定不变的刚体，相反，人体灵活的构造是人体的形态非常多样。背景环境的复杂多变和人体形态的多样化使得人体检测具有较高的难度。目前主流的行人检测方法是通过提取人体的特征信息，然后用这些特征信息训练分类器，通过训练好的分类器检测图像中的人体目标。代表性的算法有HOG(梯度直方图)特征，LBP(局部二值模式)特征等。此类特征主要是根据人体的轮廓信息，纹理信息等来描述人体形状。当人体存在部分遮挡或者人体偏离直立状态较大时，检测效果明显降低。分类器主要采用SVM(支持向量机)，Adboost等方法。算法深度学习的发展，神经网络算法。但是算法复杂度很高，运算量巨大。传统梯度直方图行人检测算法中采用离散一阶导数计算图像边缘，提取的边缘较为粗糙，梯度变化不显著的位置，提取的边缘不连续，边缘图像中包含较多噪声，不利于对图像中行人轮廓的准确描述，影响后续的行人检测效果。传统的梯度直方图行人检测算法采用全身的检测方法，行人轮廓特征中垂直特征信息占了很大比重，这使得检测过程中更容易把环境中大量存在的柱状物体误检为行人。
技术实现思路
本专利技术的目的在于提供一种基于梯度直方图和Canny边缘检测器的行人检测方法，本专利技术可以准确地描述人体特征信息，并采用分类器检测行人目标并避免由于人体信息部分遮挡造成的漏检。实现本专利技术目的的技术方案为：一种基于梯度直方图和Canny边缘检测器的行人检测方法，其特征在于，方法包括步骤：步骤1，对获取的图像一次进行图像灰度化、伽马校正、图像高斯滤波的处理；步骤2，利用Canny边缘检测器提取图像的边缘信息，计算图像中的梯度直方图信息，得到描述行人特征的特征向量；步骤3，利用包含人体头肩部分的正样本和不包含人体头肩部分的负样本训练支持向量机分类器；步骤4，利用训练得到的分类器对所有图像的局部窗口进行检测并判断窗口中是否存在人体头肩目标。本专利技术与现有技术相比，具有以下优点：(1)本专利技术提出的方法使用Canny边缘检测器，在计算边缘图像的过程中，该检测器能够检测到更精细的图像边缘，边缘信息更完整，高斯滤波器减小了高频噪声的干扰，因此对行人轮廓描述更准确，从而提高了行人检测的效果；(2)本专利技术提出的方法采用人体头肩部分的局部检测方法，只检测行人头肩部分，人体头肩部分的特殊的轮廓形状更具有代表性，能够降低误检的概率；人体头肩部分能够保持相对稳定的形状，即使行人不是出于直立状态或者存在部分遮挡，也有可能检测到行人。因此本专利技术提出的方法能够提高检测率。下面结合说明书附图对本专利技术作进一步描述。附图说明图1位本专利技术基于梯度直方图和Canny边缘检测器的行人检测方法的流程图。图2(a)是原始图像；图2(b)是传统HOG算法中的边缘检测器的边缘检测效果；图2(c)是本专利技术方法中Canny边缘检测器的边缘检测效果。图3是本专利技术方法中训练所建立的正样本库中部分样本。图4是本专利技术方法的训练流程。图5是本专利技术方法的检测流程。图6(a)是本专利技术方法的部分正确检测结果；图6(b)是本专利技术方法的部分漏检结果；图6(c)是本专利技术方法的部分误检结果。图7是传统梯度直方图算法和本专利技术方法样本检测效果的统计结果。具体实施方式一种基于梯度直方图和Canny边缘检测器的行人检测方法，包括以下步骤：步骤1，获取图像，对图像进行预处理，分别是伽马校正，图像灰度化，图像高斯滤波，较少光照，噪声对检测结果的影响。对图像进行灰度化将图像从RGB彩色空间转换到灰度空间，便于后续的滤波处理，同时也减少了计算量。利用伽马校正把图像的灰度映射到亮度变化较小的范围，以减少图像光照不均匀对检测结果的影响，图像灰度空间的映射关系为：fγ(x,y)＝c·fγ(x,y)其中fγ(x,y)为转换后的图像，f(x,y)表示灰度图像，c和γ为常数，本专利技术中c＝1，γ＝0.5。边缘提取中涉及对噪声敏感的离散一阶导数，因此采用高斯低通滤波器滤除高频噪声，减小图像中高频噪声对真实边缘提取的干扰。高斯滤波通过高斯函数与图像卷积实现：fg(x,y)＝G(x,y)*fγ(x,y)其中，fg(x,y)表示平滑后的图像，*为卷积运算符号，G(x,y)为高斯函数，σ为高斯函数的标准差。步骤2，利用Canny边缘检测器提取图像的边缘信息，计算图像中的梯度直方图信息，得到描述行人特征的特征向量。利用图像中每个像素左右相邻，上下相邻像素分别计算该像素在x、y方向的梯度，得到x、y方向的梯度图像gx(x,y)、gy(x,y)：gx(x,y)＝fg(x+1,y)-fg(x-1,y)gy(x,y)＝fg(x,y+1)-fg(x,y-1)其中gx(x,y)、gy(x,y)分别是x、y方向的梯度图像。非最大值抑制，取出图像中的一点o，点o在梯度幅值图像m(x,y)中的梯度幅值为mo，在梯度方向图像α(x,y)中对应的梯度方向为αo。过o点作一条直线，该直线与o点的八邻域点形成的矩形相交于a、b两个亚像素点。利用与a、b点相邻的o点的八邻域点进行线性插值，计算得到两个亚像素点的值ma和mb。比较中心点像素mo与两个亚像素点ma和mb，若mo＞ma和mo＞mb同时成立，则保留为边缘像素；否则为孤立点，舍弃该像素。对梯度图像中所有像素点执行上述操作，就得到非最大抑制后的图像gm(x,y)。双阈值分割，设置一个高阈值，一个低阈值，对非最大抑制后的图像进行分割。若像素值大于高阈值，保留像素值，否则置为零，得到高阈值梯度图像；若像素值大于低阈值但小于高阈值，保留像素值，否则置为零，得到低阈值梯度图像。计算如下：其中gh(x,y)为高阈值图像，gl(x,y)为低阈值图像，Th为高阈值,Tl为低阈值，高阈值是低阈值的三倍。图像边缘连接，高阈值图像gh中的非零像素点是确定的边缘点，定义为强像素点，低阈值图像gl中的非零像素点是不确定的边缘点，定义为弱像素点。取高阈值图像中的一个强像素点，判断与该点位置相对应的低阈值图像的像素点的八邻域是否存在弱像素点，若存在，则把存在的弱像素点置为强像素点，然后重复上述操作，否则置为零。然后在高阈值图像中取下一个强像素点，重复上述操作，直到遍历整幅图像。最后把低阈值图像中的强像素加入高阈值图像中，得到最终的边缘梯度图像g(x,y)，方向梯度图也相应地保留对应的像素点，得到梯度方向图α(x,y)。统计图像的梯度直方图，计算图像特征向量。步骤如下：首先把0～180°空间方向均匀地划分到9个方向，然后采用固定大小的滑动窗口遍历梯度方向图，把滑动窗口内像素的梯度方向统计到这9个方向。统计到这9个方向是为了获得区域内边缘的整体走向，将边缘信息量化为特征向量。利用固定大小的块滑动遍历窗口，每个块被分为四个单元，对每个单元进行梯度直方图的统计投票。投票的值为对应的梯度幅值，权重由像素点的位置坐标和梯度方向决定。将四个单元中统计的梯度直方图综合得到一个36维的特征向量，当块遍历了本文档来自技高网...

【技术保护点】
1.一种基于梯度直方图和Canny边缘检测器的行人检测方法，其特征在于，方法包括步骤：步骤1，对获取的图像一次进行图像灰度化、伽马校正、图像高斯滤波的处理；步骤2，利用Canny边缘检测器提取图像的边缘信息，计算图像中的梯度直方图信息，得到描述行人特征的特征向量；步骤3，利用包含人体头肩部分的正样本和不包含人体头肩部分的负样本训练支持向量机分类器；步骤4，利用训练得到的分类器对所有图像的局部窗口进行检测并判断窗口中是否存在人体头肩目标。

【技术特征摘要】
1.一种基于梯度直方图和Canny边缘检测器的行人检测方法，其特征在于，方法包括步骤：步骤1，对获取的图像一次进行图像灰度化、伽马校正、图像高斯滤波的处理；步骤2，利用Canny边缘检测器提取图像的边缘信息，计算图像中的梯度直方图信息，得到描述行人特征的特征向量；步骤3，利用包含人体头肩部分的正样本和不包含人体头肩部分的负样本训练支持向量机分类器；步骤4，利用训练得到的分类器对所有图像的局部窗口进行检测并判断窗口中是否存在人体头肩目标。2.根据权利要求1所述的方法，其特征在于，步骤1的具体过程如下：A、图像灰度化：将图像从RGB彩色空间转换到灰度空间；B、伽马校正：通过式(1)将图像的灰度映射到亮度变化较小的范围fγ(x,y)＝c·fγ(x,y)(1)其中，fγ(x,y)为通过伽马校正后的图像，f(x,y)为灰度图像，c和γ为常数且γ＜c；C、图像高斯滤波：通过式(2)实现高斯函数与图像的卷积得到平滑的图像fg(x,y)＝G(x,y)*fγ(x,y)(2)其中，fg(x,y)为平滑图像，3.根据权利要求1所述的方法，其特征在于，步骤2的具体过程如下：步骤2.1，利用图像中每个像素的上下左右相邻像素分别计算该像素在x、y方向的梯度gx(x,y)、gy(x,y)gx(x,y)＝fg(x+1,y)-fg(x-1,y)(3)gy(x,y)＝fg(x,y+1)-fg(x,y-1)(4)步骤2.2，计算梯度幅值图像m(x,y)步骤2.3，对于梯度图像中的一点o，过o点做一条与o点八邻域点形成的矩形框相交两点a、b的直线，计算o、a、b三点的梯度幅值图像mo、ma和mb；若mo＞ma且mo＞mb，则保留o点为边缘像素；否则o点为孤立点，舍弃该点；步骤2.4，对梯度图像总的所有像素点执行步骤2.3，得到非最大抑制后的图像gm(x,y)；步骤2.5，gm(x,y)图像边缘进行连接，设置一个高阈值Th和一个低阈值Tl，对图像gm(x,y)按照式(6)(7)进行分割其中，gh(x,y)、gl(x,y)分别为高阈值图像、低阈值图像；步骤2.6，将gh中非零像素点定义为强像素点，gl中非零像素点定义为若像素点；对gh中的每一个强像素点，判断与该点位置相对应的低阈值图像gl的像素点的八邻域是否存在弱像素点；若存在，则把存在的弱像素点置为强像素点，否则置为零；把低阈值图像中的强像素加入高阈值图像中，得到最终的边缘梯度图像g(x,y)，方向梯度图也相应地保留对应的像素点，得到梯度方向图α(x,y)α(x,y)＝tan-1(gy(x,y)/gx(x,y))(8)步骤2.7，把0～180°空间方向均匀地划分为9个方向，采用固定大小的滑动窗口遍历梯度方向图α(x,y)，把滑动窗口内像...

【专利技术属性】
技术研发人员：刘磊，姜山，赵如雪，宋佳晓，陈旭，李业飞，张壮，
申请(专利权)人：南京理工大学，
类型：发明
国别省市：江苏,32