一种基于多特征融合级联分类器的行人检测方法及装置制造方法及图纸

本发明专利技术涉及一种基于多特征融合级联分类器的行人检测方法及装置，该方法包括如下步骤：获取已检测到行人的样本图像，将其划分为多个大小相同、部分重叠的分块；对每个所述分块的多种图像特征进行提取，并将所述多种图像特征进行结合，将结合后的特征作为所述分块的图像特征；根据所述分块的图像特征训练分块分类器，计算各个分块对应的行人检测率，舍弃行人检测率低于阈值的分块；对保留下来的分块进行特征融合，将分块的融合特征作为级联分类器的输入，并对所述级联分类器进行训练。本发明专利技术通过分块以及图像的多种特征融合的方法，降低行人特征向量的维度，节省了大量重复训练时间，提高了最终的检测速度和精度。

【技术实现步骤摘要】
一种基于多特征融合级联分类器的行人检测方法及装置
本专利技术涉及计算机视觉识别领域，具体地，涉及基于多特征融合级联分类器的行人检测方法及装置。
技术介绍
随着人们生活水平的提高，公共安全问题也得到越来越广泛的关注，安防产业也随之迅速发展。行人检测是典型的目标检测问题之一，通过相关技术检测图像或视频中是否出现行人，若存在则用矩形框对行人进行定位。行人检测与行人跟踪、行人再识别等相关技术，在智能视频监控以及无人驾驶汽车系统中对人体行为分析等领域得到广泛应用。因此，随着科技日益快速的发展，行人检测成为图像处理领域中研究的热点和难点问题。行人检测算法主要分为两类：基于模板匹配的方法和基于统计学习的方法。前者在检测时较难获得目标的准确轮廓，而且需要运用模板对目标的形状进行描述，具有较为明显的缺点。目前，基于统计学习的方法已成为主流的行人检测方法，该方法使用大量样本对行人检测分类器进行训练，样本的特征主要包括颜色、纹理、方向梯度直方图(HistogramofOrientedGradient,HOG)等，分类器主要包括支持向量机(Supportvectormachine,SVM)、Adaboost分类器、人工神经网络等。特征提取主要是通过某种算法模型得到相关图像的信息，如图像的颜色、形状、纹理和空间的关系。梯度方向直方图(HOG)特征是目前应用最广泛的底层特征描述符，HOG利用分块图像的局部梯度幅度和方向特征有效地表示边缘特征，对光照变化以及微小空间的平移有较高的鲁棒性。然而，HOG特征的不足是维度高导致计算缓慢。为解决这一问题，有学者在大小可变的图像内运用积分直方图来计算HOG特征，再通过AdaBoost分类器筛选出表征能力较强的特征向量，该方法的检测速度比仅用HOG特征的方法快70倍。此外，有学者提出了用于提取纹理特征的局部二值模式(LBP)算法，该算法起初应用在人脸中，后来广泛应用于其他领域中。LBP特征在图像像素太低或图像成像条件太差时，并不能有效刻画纹理特征，可见LBP特征对图像质量要求较高。此外，有学者提出了积分通道特征，其结合多个特征来提高特征表达能力的方法，该方法解决了多个特征融合后计算速度缓慢的问题。一些研究人员结合行人的颜色、形状和纹理等特征信息来实现更稳定的检测。有学者就将HOG特征与颜色、纹理和边沿等特征相结合来形成高维特征描述符，再采用偏最小二乘法进行降维。行人检测仍是一个具有极大挑战的研究方向，不仅因为人体自身的特殊性导致不同人体的姿态及外观和形状千差万别，还因为人体外观会受到姿态、穿着、摄影视角、光照、遮挡等因素的影响。现有的行人检测方法主要是通过提取待测图像中固定矩阵区域内的特征来进行行人检测，然而，由于行人形状不规则且随姿态的变化而随之改变，使得特征中混入大量背景，导致行人检测不准确。此外，虽然现有的特征提取的方法颇多，但仍存在传统特征提取方法提取的特征较为单一而多特征融合方法提取的特征维度大的问题。
技术实现思路
本专利技术针对现有技术中存在的特征较为单一而多特征融合方法提取的特征维度大的技术问题，第一方面，提供一种基于多特征融合级联分类器的行人检测方法，包括如下步骤：获取已检测到行人的样本图像，将其划分为多个大小相同、部分重叠的分块；对每个所述分块的多种图像特征进行提取，并将所述多种图像特征进行结合，将结合后的特征作为所述分块的图像特征；根据所述分块的图像特征训练分块分类器，计算各个分块对应的行人检测率，舍弃行人检测率低于阈值的分块；对保留下来的分块进行特征融合，将分块的融合特征作为级联分类器的输入，并对所述级联分类器进行训练直至误差小于阈值，将训练完成的级联分类器用于行人检测。。在本专利技术的一些实施例中，所述对每个所述分块的多种图像特征进行提取，并将所述多种图像特征进行结合，将结合后的特征作为该分块的图像特征包括如下步骤：计算每个所述分块内的每一个像素的HOG、SILTP、HSC特征值并绘制各自对应的特征值直方图，将所述特征值直方图融合以构成特征向量。进一步的，所述对每个所述分块的多种图像特征进行提取，并将所述多种图像特征进行结合，将结合后的特征作为该分块的图像特征还包括如下步骤：将所述特征值直方图至少与深度图的CLBC特征、运动信息特征、LBP特征中的一种进行进一步融合，得到特征向量。在本专利技术的一些实施例中，所述对保留下来的分块进行特征融合，将分块的融合特征作为级联分类器的输入，并对所述级联分类器进行训练直至误差小于阈值，将训练完成的级联分类器用于行人检测。包括如下步骤：对保留下来的分块通过并联融合，将融合后的特征作为级联分类器的输入，并对所述级联分类器进行训练直至误差小于阈值。进一步的，所述级联分类器为级联AdaBoost分类器。更进一步的，所述级联AdaBoost分类器是由若干个弱分类器层叠式累加而成的强分类器。第二方面，本公共的实施例中提供了一种视频行人检测方法，包括第一方面实施例提供的基于多特征融合级联分类器的行人检测方法。第三方面，本公共的实施例中提供了一种基于多特征融合级联分类器的行人检测装置，包括获取模块、提取模块、缩减模块、融合模块、级联分类器，所述获取模块，用于获取已检测到行人的样本图像或待检测图像，将其划分为多个大小相同、部分重叠的分块；所述提取模块，用于对每个所述分块的多种图像特征进行提取，并将所述多种图像特征进行结合，将结合后的特征作为所述分块的图像特征；所述缩减模块，用于根据所述分块的图像特征训练分块分类器，计算各个分块对应的行人检测率，舍弃行人检测率低于阈值的分块；所述融合模块，用于对保留下来的分块进行特征融合，将分块的融合特征作为级联分类器的输入；所述级联分类器，用于根据所述分块的融合特征进行训练或输出行人检测结果。第四方面，本公共的实施例中提供了一种电子设备，包括：一个或多个处理器；存储装置，用于存储一个或多个程序，当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现第一方面提供的基于多特征融合级联分类器的行人检测方法。第五方面，本公共的实施例中提供了一种计算机可读介质，所述计算机程序被处理器执行时实现第一方面提供的基于多特征融合级联分类器的行人检测方法。本专利技术的有益效果是：通过分块以及图像的多种特征融合的方法，降低行人特征向量的维度，避免了大量的非检测目标样本全部进入下一级分类器训练，节省了大量重复训练时间，提高了最终的检测速度和精度。附图说明图1为本专利技术的一些实施例的基于多特征融合级联分类器的行人检测方法的基本流程图；图2为本专利技术的一些实施例的基于多特征融合级联分类器的行人检测方法的具体流程图；图3为本专利技术一些实施例的基于多特征融合级联分类器的行人检测装置的基本结构图；图4为适于用来实现本专利技术的公开实施例的电子设备的计算机系统的结构示意图。具体实施方式以下结合附图对本专利技术的原理和特征进行描述，所举实例只用于解释本专利技术，并非用于限定本专利技术的范围。参考图1，一种基于多特征融合本文档来自技高网...

【技术保护点】
1.一种基于多特征融合级联分类器的行人检测方法，其特征在于，包括如下步骤：/n获取已检测到行人的样本图像，将其划分为多个大小相同、部分重叠的分块；/n对每个所述分块的多种图像特征进行提取，并将所述多种图像特征进行结合，将结合后的特征作为所述分块的图像特征；/n根据所述分块的图像特征训练分块分类器，计算各个分块对应的行人检测率，舍弃行人检测率低于阈值的分块；/n对保留下来的分块进行特征融合，将分块的融合特征作为级联分类器的输入，并对所述级联分类器进行训练直至误差小于阈值，将训练完成的级联分类器用于行人检测。/n

【技术特征摘要】
1.一种基于多特征融合级联分类器的行人检测方法，其特征在于，包括如下步骤：
获取已检测到行人的样本图像，将其划分为多个大小相同、部分重叠的分块；
对每个所述分块的多种图像特征进行提取，并将所述多种图像特征进行结合，将结合后的特征作为所述分块的图像特征；
根据所述分块的图像特征训练分块分类器，计算各个分块对应的行人检测率，舍弃行人检测率低于阈值的分块；
对保留下来的分块进行特征融合，将分块的融合特征作为级联分类器的输入，并对所述级联分类器进行训练直至误差小于阈值，将训练完成的级联分类器用于行人检测。


2.根据权利要求1所述的基于多特征融合级联分类器的行人检测方法，其特征在于，所述对每个所述分块的多种图像特征进行提取，并将所述多种图像特征进行结合，将结合后的特征作为该分块的图像特征包括如下步骤：
计算每个所述分块内的每一个像素的HOG、SILTP、HSC特征值并绘制各自对应的特征值直方图，将所述特征值直方图融合以构成特征向量。


3.根据权利要求2所述的基于多特征融合级联分类器的行人检测方法，其特征在于，所述对每个所述分块的多种图像特征进行提取，并将所述多种图像特征进行结合，将结合后的特征作为该分块的图像特征还包括如下步骤：
将所述特征值直方图至少与深度图的CLBC特征、运动信息特征、LBP特征中的一种进行进一步融合，得到特征向量。


4.根据权利要求1所述的基于多特征融合级联分类器的行人检测方法，其特征在于，所述对保留下来的分块进行特征融合，将分块的融合特征作为级联分类器的输入，并对所述级联分类器进行训练直至误差小于阈值，将训练完成的级联分类器用于行人检测。包括如下步骤：
对保留下来的分块通过并联融合，将融合后的特征...

【专利技术属性】
技术研发人员：彭凯，毛薇，邓天平，彭麟雅，王栋云，胡国亮，
申请(专利权)人：武汉烽火凯卓科技有限公司，华中科技大学，
类型：发明
国别省市：湖北;42