一种行人检测方法技术

本发明专利技术提供的一种行人检测方法，包括步骤：S100训练SVM分类器，以人头和双腿为正样本，以行人背景作为负样本，训练两个SVM分类器；S200将待检测的图像构造图像金字塔；S300滑动窗口，在图像金字塔的各个尺度上截取目标窗口；S400对目标窗口提取HOG特征；S500将S400中提取的HOG特征送入SVM分类器中，分类判断目标窗口是行人的头部、行人的双腿或行人背景；S600根据S500中检测到的头部和双腿结果来组合行人，判断待检图像中是否含有行人。从而通过检测人头和双腿的组合策略来提高检测行人率，从而基于SVM和HOG的行人检测识别方法解决行人检测率不高的问题。

【技术实现步骤摘要】
一种行人检测方法
本专利技术涉及智能识别
，具体地说，是一种基于SVM和HOG的行人检测识别方法，适用于智能辅助驾驶，智能监控，行人分析以及智能机器人等领域。
技术介绍
近年来，随着智能检测的快速发展，行人检测也进入了一个较快的发展阶段，但是还存在很多问题有待解决，尤其是在性能和速度方面难以达到平衡。目前行人检测技术大概可以分为两类：1、基于背景建模，利用背景建模方法，提取出前景运动的目标，在目标区域内进行特征提取，然后利用分类器进行分类，判断是否包含行人，背景建模目前主要存在的问题：(1)必须适应环境的变化(比如光照的变化造成图像色度的变化)；(2)相机抖动引起画面的抖动(比如手持相机拍照时候的移动)；(3)图像中密集出现的物体(比如树叶或树干等密集出现的物体，要正确的检测出来)；(4)必须能够正确的检测出背景物体的改变(比如新停下的车必须及时的归为背景物体，而有静止开始移动的物体也需要及时的检测出来)；(5)物体检测中往往会出现Ghost区域，Ghost区域也就是指当一个原本静止的物体开始运动，背景差检测算法可能会将原来该物体所覆盖的区域错误的检测为运动的，这块区域就成为Ghost，当然原来运动的物体变为静止的也会引入Ghost区域，Ghost区域在检测中必须被尽快的消除。2、基于统计学习的方法，这也是目前行人检测最常用的方法，根据大量的样本构建行人检测分类器。提取的特征主要有目标的灰度、边缘、纹理、颜色、梯度直方图等信息。分类器主要包括神经网络、SVM、adaboost以及现在被应用于计算机视觉的深度学习。但是统计学习目前存在以下难点：(1)行人的姿态、服饰各不相同、复杂的背景、不同的行人尺度以及不同的光照环境；(2)提取的特征在特征空间中的分布不够紧凑；(3)分类器的性能受训练样本的影响较大；(4)离线训练时的负样本无法涵盖所有真实应用场景的情况。目前的行人检测基本上都是基于法国研究人员Dalal在2005的CVPR发表的HOG+SVM的行人检测算法(HistogramsofOrientedGradientsforHumanDetection,NavneetDalel,BillTriggs,CVPR2005)。另外，为了解决速度问题可以采用背景差分法的统计学习行人检测，前提是背景建模的方法足够有效(即效果好速度快)，目前获得比较好的检测效果的方法通常采用多特征融合的方法以及级联分类器，常用的特征有Harry-like、Hog特征、LBP特征、Edgelet特征、CSS特征、COV特征、积分通道特征以及CENTRIST特征。
技术实现思路
本专利技术的主要目的在于提供一种行人检测方法，其克服现有技术的不足，通过检测人头和双腿的组合策略来提高检测行人率，从而基于SVM和HOG的行人检测识别方法解决行人检测率不高的问题。本专利技术的另一目的在于提供一种行人检测方法，其通过快速有效的检测，以保证自动驾驶期间对行人的安全不会产生威胁，适用于智能辅助驾驶。达到以上目的，本专利技术采用的技术方案为一种行人检测方法，其包括步骤：S100训练SVM分类器，以人头和双腿为正样本，以行人背景作为负样本，训练两个SVM分类器；S200将待检测的图像构造图像金字塔；S300滑动窗口，在图像金字塔的各个尺度上截取目标窗口；S400对目标窗口提取HOG特征；S500将S400中提取的HOG特征送入SVM分类器中，分类判断目标窗口是行人的头部、行人的双腿或行人背景；S600根据S500中检测到的头部和双腿结果来组合行人，判断待检图像中是否含有行人。根据本专利技术的一实施例，所述步骤S200具体包括步骤：对图像进行下采样或上采样，降低图像的分辨率，识别不同尺度的目标，其中，金字塔的底部是待处理图像的高分辨率表示，顶部是低分辨率的近似。根据本专利技术的一实施例，所述步骤S500具体包括步骤：将提取的HOG特征送入训练的两个SVM分类器，其中一个SVM分类器负责判断是否是行人的头部，如果是则终止判别并记录下坐标值，如果不是则送入下一个SVM分类器，判断是否是行人的双腿，如果是记录下坐标值，两个都不是则判断为行人背景。根据本专利技术的一实施例，所述步骤S100中的训练SVM分类器包括步骤：S110截取正样本，正样本是在行人正样本的基础上裁剪出行人的头部；S120再裁剪出行人的双腿，采集的双腿要求站立，为基本垂直的双腿；S130训练出两个SVM分类器，其中一个SVM分类器识别是否是行人头部，另一个SVM分类器识别是否是行人的双腿。根据本专利技术的一实施例，所述步骤S600将检测到的行人头部和双腿进行组合，通过非极大值抑制的方法，选出最优框，其中，所述非极大值抑制的过程是一个迭代-遍历-消除的过程，其包括步骤：S610将所有框的得分排序，选中最高分及其对应的框；S620遍历其余的框，如果和当前最高分框的重叠面积大于一定阈值，将此框删除；S630从未处理的框中继续选一个得分最高的，重复上述过程。根据本专利技术的一实施例，所述步骤S100中的SVM设置参数如下：svm->setType(cv::ml::SVM::Types::C_SVC)；//选择opencv的C类支持向量机，n类分组(n\geq2)，允许用异常值惩罚因子C进行不完全分类；svm->setKernel(cv::ml::SVM::KernelTypes::POLY)；//采用多项式核函数，opencv中定义的多项式和函数为：K(x,y)＝(gammax^Ty+coef0)^degree；svm->setDegree(10.0)；//设置多项式核函数的degree为10；svm->setGamma(0.09)；//设置多项式核函数的gamma为0.09；svm->setCoef0(1.0)；//设置多项式核函数的coef0为1；svm->setC(10.0)；//设置的错误代价参数C为10。根据本专利技术的一实施例，所述步骤S400中的HOG特征提取算法的实现过程，包括步骤：S410灰度化；S420采用Gamma校正法对输入图像进行颜色空间的标准化；S430计算图像每个像素的梯度，包括大小和方向；S440将图像划分成小细胞单元；S450统计每个细胞单元的梯度直方图，形成每个细胞单元的描述符；S460将每几个细胞单元组成一个区间，一个区间内所有细胞单元的特征描述符串联起来便得到所述区间的HOG特征描述符；S470将图像内的所有区间的HOG特征描述符串联起来得到所述图像的HOG特征描述符，这个就是最终的可供分类使用的特征向量。与现有技术相比，本专利技术的有益效果是：(1)由于人头和双肩组成的身体上半部在运动中一般不会发生形变，具有较强的稳定性，站立的行人在直立行走时双腿也具有较强的稳定性，因而通过检测人头和双腿的组合策略可以增加提高行人的检测率。(2)由于HOG是在图像的局部方格单元上操作，所以它对图像几何的和光学的形变都能保持很好的不变性，这两种形变只会出现在更大的空间领域上；其次，在粗的空域抽样、精细的方向抽样以及较强的局部光学归一化等条件下，只要行人大体上能够保持直立的姿势，可以容许行人有一些细微的肢体动作，这些细微的动作可以被忽略而不影响检测效果。因此HOG特征适合本文档来自技高网...

【技术保护点】
1.一种行人检测方法，其特征在于，包括步骤：S100训练SVM分类器，以人头和双腿为正样本，以行人背景作为负样本，训练两个SVM分类器；S200将待检测的图像构造图像金字塔；S300滑动窗口，在图像金字塔的各个尺度上截取目标窗口；S400对目标窗口提取HOG特征；S500将S400中提取的HOG特征送入SVM分类器中，分类判断目标窗口是行人的头部、行人的双腿或行人背景；S600根据S500中检测到的头部和双腿结果来组合行人，判断待检图像中是否含有行人。

【技术特征摘要】
1.一种行人检测方法，其特征在于，包括步骤：S100训练SVM分类器，以人头和双腿为正样本，以行人背景作为负样本，训练两个SVM分类器；S200将待检测的图像构造图像金字塔；S300滑动窗口，在图像金字塔的各个尺度上截取目标窗口；S400对目标窗口提取HOG特征；S500将S400中提取的HOG特征送入SVM分类器中，分类判断目标窗口是行人的头部、行人的双腿或行人背景；S600根据S500中检测到的头部和双腿结果来组合行人，判断待检图像中是否含有行人。2.根据权利要求1所述的行人检测方法，其特征在于，所述步骤S200具体包括步骤：对图像进行下采样或上采样，降低图像的分辨率，识别不同尺度的目标，其中，金字塔的底部是待处理图像的高分辨率表示，顶部是低分辨率的近似。3.根据权利要求1所述的行人检测方法，其特征在于，所述步骤S500具体包括步骤：将提取的HOG特征送入训练的两个SVM分类器，其中一个SVM分类器负责判断是否是行人的头部，如果是则终止判别并记录下坐标值，如果不是则送入下一个SVM分类器，判断是否是行人的双腿，如果是记录下坐标值，两个都不是则判断为行人背景。4.根据权利要求2所述的行人检测方法，其特征在于，所述步骤S500具体包括步骤：将提取的HOG特征送入训练的两个SVM分类器，其中一个SVM分类器负责判断是否是行人的头部，如果是则终止判别并记录下坐标值，如果不是则送入下一个SVM分类器，判断是否是行人的双腿，如果是记录下坐标值，两个都不是则判断为行人背景。5.根据权利要求1～4中任一所述的行人检测方法，其特征在于，所述步骤S100中的训练SVM分类器包括步骤：S110截取正样本，正样本是在行人正样本的基础上裁剪出行人的头部；S120再裁剪出行人的双腿，采集的双腿要求站立，为基本垂直的双腿；S130训练出两个SVM分类器，其中一个SVM分类器识别是否是行人头部，另一个SVM分类器识别是否是行人的双腿。6.根据权利要求5所述的行人检测方法，其特征在于，所述步骤S600将检测到的行...

【专利技术属性】
技术研发人员：潘钰华，
申请(专利权)人：江苏裕兰信息科技有限公司，
类型：发明
国别省市：江苏,32