CN103473544A - 一种鲁棒的人体特征快速提取方法 - Google Patents

一种鲁棒的人体特征快速提取方法 Download PDF

Info

Publication number
CN103473544A
CN103473544A CN2013101596012A CN201310159601A CN103473544A CN 103473544 A CN103473544 A CN 103473544A CN 2013101596012 A CN2013101596012 A CN 2013101596012A CN 201310159601 A CN201310159601 A CN 201310159601A CN 103473544 A CN103473544 A CN 103473544A
Authority
CN
China
Prior art keywords
gradient
passage
human body
image
extracting method
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN2013101596012A
Other languages
English (en)
Inventor
***
张艳
孙权森
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Nanjing University of Science and Technology
Original Assignee
Nanjing University of Science and Technology
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Nanjing University of Science and Technology filed Critical Nanjing University of Science and Technology
Priority to CN2013101596012A priority Critical patent/CN103473544A/zh
Publication of CN103473544A publication Critical patent/CN103473544A/zh
Pending legal-status Critical Current

Links

Images

Landscapes

  • Image Analysis (AREA)

Abstract

本发明公开了一种鲁棒的人体特征快速提取方法。输入原始图像，计算图像梯度得到梯度图像；根据方向量化步长
Figure DEST_PATH_IMAGE002
，对梯度图像进行方向划分，获得方向不同的通道
Figure DEST_PATH_IMAGE004
；根据空间量化步长
Figure 668878DEST_PATH_IMAGE006
，对每个通道
Figure 141448DEST_PATH_IMAGE004
进行空间划分；对于每个通道
Figure 254897DEST_PATH_IMAGE004
，以
Figure 743910DEST_PATH_IMAGE008
角度旋转，得到通道。对于每个通道
Figure 30535DEST_PATH_IMAGE010
，采用积分图快速计算其特征描述子；将所有通道的特征描述子串接起来，形成一组特征描述子。按照不同的步长调节参数
Figure 92032DEST_PATH_IMAGE002
和
Figure 438699DEST_PATH_IMAGE006
，重复上述步骤，直到生成预设组数的具有不同描述能力的特征描述子。本发明显方案避免了引入噪声，显著地提高了人体特征提取的效率。

Description

一种鲁棒的人体特征快速提取方法
技术领域
本发明涉及计算机视觉和模式识别领域，更具体地说，涉及一种各向同性的多层次描述的人体特征表示方法。
背景技术
人体检测是指在输人图像或者视频序列中确定所有人体的位置及大小的过程。作为人体运动的视觉分析中的一项关键技术，因为其在智能监控和车载辅助安全***中的广泛应用需求而得到了越来越多研究者和研究机构的重视。有效的特征提取方法可以显著提升人体检测器的鲁棒性减少虚警。因此，如何提取有效的特征对人体数据进行描述成为影响人体检测性能的关键因素。
根据特征类型的不同，可以分为基于灰度的特征和基于梯度的特征以及基于多特征融合的方法。对于人体外观存在的差异，很多研究结果表明，基于梯度的人体表达方式较基于灰度的表达方式对于光照等变化具有更好的鲁棒性。而相对近期的很多研究结果表明，基于梯度统计信息的方法对于边缘的平移和旋转具有更好的鲁棒性。例如：Lowe提出了著名的尺度不变描述子（Scale-Invariant Feature Transform，SIFT）进行物体检测；Mikolajczyk等提出了位置-方向直方图特征；Wu等阐述了基于统计抽象程度的多层次表达方式的思想。
由于人体具有较多的自由度，特征量较大，基于梯度的统计特征的方法虽然可以得到较好的性能，但是计算复杂度相对较高，往往因为计算速度过慢而很难达到实时性要求。另外，如果在特征提取过程中所选特征区域的尺度和形状不同，一些细小的结构可能通过归一化的方式被放大，因而引入噪声。
发明内容
本发明的目的在于，针对上述人体检测技术中，人体数据难以进行配准以及计算效率较低的问题，提出了一种鲁棒的人体特征快速提取方法。
实现本发明目的的技术解决方案为：一种鲁棒的人体特征快速提取方法,该方法包括以下步骤：
1）输入原始图像，计算图像梯度得到梯度图像； 
2）根据方向量化步长                                               
Figure 864607DEST_PATH_IMAGE002
，对梯度图像进行方向划分，获得方向不同的通道
Figure 858233DEST_PATH_IMAGE004
；
3）根据空间量化步长，对每个通道进行空间划分；
4）对于每个通道
Figure 80770DEST_PATH_IMAGE004
，以
Figure 415936DEST_PATH_IMAGE008
角度旋转，得到通道
Figure 207175DEST_PATH_IMAGE010
。
5）对于每个通道
Figure 285989DEST_PATH_IMAGE010
，采用积分图快速计算其特征描述子；
6）将所有通道的特征描述子串接起来，形成一组特征描述子。
7）按照不同的步长调节参数
Figure 846283DEST_PATH_IMAGE002
和
Figure 352351DEST_PATH_IMAGE006
，重复步骤2）~ 步骤6），直到生成预设组数的具有不同描述能力的特征描述子。
上述方法中，所述步骤1）中原始图像可以是灰度图像或彩色图像，如果是彩色图像，则转换为灰度图像；
上述方法中，所述步骤2）包括以下具体步骤：
21）计算梯度角度即梯度图像每个像素的切线角度；
22）采用方向量化步长
Figure 132351DEST_PATH_IMAGE002
对梯度角度进行量化，将梯度图像划分成不同方向的通道
Figure 2013101596012100002DEST_PATH_IMAGE012A
，每个通道的角度
Figure 77173DEST_PATH_IMAGE014
，通道的个数
Figure 429657DEST_PATH_IMAGE016
=；
23）对于，保留那些量化后梯度角度为的像素点，其他的像素点置0； 
上述方法中，所述步骤22）中
Figure 919172DEST_PATH_IMAGE002
与梯度特征的旋转鲁棒性成正比，与方向确定性成反比。
上述方法中，所述步骤3）中空间划分是指，对于
Figure 2013101596012100002DEST_PATH_IMAGE012AAA
，利用一组切线角度为
Figure 454059DEST_PATH_IMAGE020
的间距为
Figure 364246DEST_PATH_IMAGE006
的平行线将其分割成多个划分；
上述方法中，所述步骤3）中
Figure 289476DEST_PATH_IMAGE006
与梯度特征的平移鲁棒性成正比，与位置确定性成反比。
上述方法中，所述步骤4）中对于通道
Figure 576101DEST_PATH_IMAGE004
上的点
Figure 903177DEST_PATH_IMAGE022
，映射到通道
Figure 751310DEST_PATH_IMAGE010
上的点为。
Figure 988573DEST_PATH_IMAGE022
与
Figure 170156DEST_PATH_IMAGE024
的关系如下： 
Figure 687725DEST_PATH_IMAGE010
：旋转后的通道输入图像：
Figure 215975DEST_PATH_IMAGE026
 （1）
其中，
Figure 252064DEST_PATH_IMAGE028
是点
Figure 442000DEST_PATH_IMAGE022
处的梯度强度。
Figure 829119DEST_PATH_IMAGE030
：
Figure 933341DEST_PATH_IMAGE010
的标记图像： 
                   （2）
Figure 948887DEST_PATH_IMAGE034
：
Figure 620040DEST_PATH_IMAGE010
的
Figure 793532DEST_PATH_IMAGE036
坐标位置记录图像： 
    
Figure 866531DEST_PATH_IMAGE038
                   （3）
Figure 834487DEST_PATH_IMAGE040
：
Figure 930619DEST_PATH_IMAGE010
的
Figure 940425DEST_PATH_IMAGE042
坐标位置记录图像： 
                   （4）
Figure 272366DEST_PATH_IMAGE046
：
Figure 855794DEST_PATH_IMAGE048
位置平方图像： 
                （5）
Figure 153101DEST_PATH_IMAGE052
：
Figure 462859DEST_PATH_IMAGE042
位置平方图像： 
Figure 595900DEST_PATH_IMAGE054
                 (6)
上述方法中，所述步骤5）包括以下具体步骤：
51）在每个通道中，生成一个矩形特征窗口；
52）在特征窗口内，计算每个划分的梯度强度；
53）选择具有最大梯度强度的划分并计算其特征描述子；
上述方法中，所述步骤51）特征窗口可以是随机生成的，也可以是按照一定步长有规则地生成的。
上述方法中，所述步骤52）中划分的梯度强度采用积分图计算。
将
Figure 52869DEST_PATH_IMAGE010
简记为
Figure 533529DEST_PATH_IMAGE056
，设通道
Figure 825970DEST_PATH_IMAGE056
在
Figure 745384DEST_PATH_IMAGE022
处的积分图记为
Figure 439671DEST_PATH_IMAGE058
，设任意划分为矩形
Figure 153549DEST_PATH_IMAGE060
，其中（
Figure 198865DEST_PATH_IMAGE062
）表示矩形左上角的点，
Figure 656391DEST_PATH_IMAGE064
表示矩形的宽和高，则划分
Figure 205184DEST_PATH_IMAGE066
的梯度强度采用下式计算： 
Figure 293226DEST_PATH_IMAGE068
   （7）
上述方法中，所述步骤53）中对于通道
Figure 112322DEST_PATH_IMAGE010
，特征窗口中具有最大梯度强度的划分记作
Figure 45643DEST_PATH_IMAGE070
，其特征描述子是一个7维的异质的向量，该向量的各个分量的意义和计算方式如下： 
a）是
Figure DEST_PATH_IMAGE076A
的索引值，将这个索引值归一化为
Figure 649166DEST_PATH_IMAGE078
，其中
Figure 651757DEST_PATH_IMAGE080
是任意划分的梯度强度；
b）
Figure 175142DEST_PATH_IMAGE082
 是每个划分的梯度强度
Figure 903189DEST_PATH_IMAGE080
中的最大值, 将其归一化为
Figure 144815DEST_PATH_IMAGE084
 ；
c）
Figure 747834DEST_PATH_IMAGE086
是所有划分的梯度强度的标准差，用如下公式计算：, 其中；
d）
Figure 252131DEST_PATH_IMAGE092
和
Figure 596524DEST_PATH_IMAGE094
是内所有非零像素点的位置的均值，通过如下公式计算：
Figure 720601DEST_PATH_IMAGE096
，
Figure 226668DEST_PATH_IMAGE098
 ，其中，
Figure 505203DEST_PATH_IMAGE100
表示特征窗口的中心，
Figure 387708DEST_PATH_IMAGE102
表示特征窗口的宽和高， “”、“”和“
Figure 917413DEST_PATH_IMAGE108
”是
Figure 665926DEST_PATH_IMAGE030
、
Figure 872916DEST_PATH_IMAGE034
和
Figure 986366DEST_PATH_IMAGE040
的简写，
Figure 475378DEST_PATH_IMAGE110
、
Figure 699686DEST_PATH_IMAGE112
和
Figure 89079DEST_PATH_IMAGE114
采用式（7）计算。
e）
Figure 373430DEST_PATH_IMAGE116
和
Figure 582694DEST_PATH_IMAGE118
是
Figure DEST_PATH_IMAGE076AAA
内所有非零像素点的位置分布沿着梯度和法向方向的标准差，通过如下公式计算：
Figure 673010DEST_PATH_IMAGE120
，
Figure 854593DEST_PATH_IMAGE122
，其中，“
Figure 873627DEST_PATH_IMAGE124
”和“
Figure 773449DEST_PATH_IMAGE126
”是
Figure 401877DEST_PATH_IMAGE128
和
Figure 437966DEST_PATH_IMAGE052
的简写，
Figure 126436DEST_PATH_IMAGE130
和
Figure 247976DEST_PATH_IMAGE132
采用式（7）计算。
上述方法中，所述步骤6）中特征描述子的形式为
Figure 617778DEST_PATH_IMAGE134
。
本发明与现有技术相比，其显著优点：本发明提出的一种鲁棒的人体特征快速提取方法，由于特征提取过程中所有方向通道的划分的尺度相等，小的划分里的细小的结构不会通过归一化的方式被放大，因而避免了引入噪声。另外，各向同性的特征由于在特征窗口内的所有的划分都是垂直方向的矩形，可以使用积分图快速方法计算，显著地提高了人体特征提取的效率。
附图说明
图1本发明的特征提取流程图。
图2将原始图像转变成梯度图像的过程。
图3对梯度图像进行方向划分的过程。
图4空间划分并快速计算特征的过程。
具体实施方式
本发明的整体操作流程如图1 所示。下面结合附图对本发明的体实施方式作进一步详细的说明。
步骤1：输入原始图像，计算图像梯度得到梯度图像。
本发明的数据源为灰度图像或彩色图像。如果是彩色图像，可以先转换成灰度图像，再进行后续处理。
对于输入图像，如图21所示，图像上的每一个像素用一个三元组
Figure 633324DEST_PATH_IMAGE138
表示，这里和
Figure 713855DEST_PATH_IMAGE042
表示像素的位置，
Figure 786853DEST_PATH_IMAGE140
表示像素的灰度值，使用滤波器
Figure 754809DEST_PATH_IMAGE142
对图像
Figure 850941DEST_PATH_IMAGE136
计算梯度，产生梯度图像22。 
步骤2：根据方向量化步长
Figure 624862DEST_PATH_IMAGE002
，对梯度图像进行方向划分，获得不同方向的通道。
设方向量化步长
Figure 755629DEST_PATH_IMAGE002
为
Figure 956803DEST_PATH_IMAGE144
，对梯度角度
Figure 274652DEST_PATH_IMAGE146
进行量化，把梯度图像划分成几个方向不同的通道，这里，通道的个数记为
Figure 353729DEST_PATH_IMAGE016
，=
Figure 648761DEST_PATH_IMAGE018
=9，每个通道的角度记为
Figure 516223DEST_PATH_IMAGE020
，
Figure 569629DEST_PATH_IMAGE148
，角度为
Figure 471726DEST_PATH_IMAGE020
通道记为
Figure 952386DEST_PATH_IMAGE004
。对于
Figure 572723DEST_PATH_IMAGE004
，只有那些量化后梯度角度为
Figure 790340DEST_PATH_IMAGE020
的像素点被保留，其他的像素点被置为0。如图3所示，31、32、33……39分别表示角度为
Figure 750206DEST_PATH_IMAGE144
、
Figure DEST_PATH_IMAGE150
、
Figure DEST_PATH_IMAGE152
……
Figure DEST_PATH_IMAGE154
的通道。
根据方向划分方法可知，参数
Figure DEST_PATH_IMAGE156
控制梯度特征的方向确定性：当
Figure 526401DEST_PATH_IMAGE156
取值较大时，保留的特征的方向确定性较小，旋转鲁棒性较大；反之，则保留的特征的方向确定性较大，旋转鲁棒性较小。
步骤3：根据空间量化步长，对梯度图像进行空间划分。
对于每一个通道
Figure 276848DEST_PATH_IMAGE004
，利用切线方向为，间距为的一组平行线将其分割成多个划分。以图33通道为例，空间划分如图41所示。
根据空间划分方法可知，参数
Figure 305350DEST_PATH_IMAGE006
控制梯度特征的位置确定性：当
Figure 504250DEST_PATH_IMAGE006
取值较大时，保留的梯度特征的位置确定性较小，平移鲁棒性较大；反之，则保留的梯度特征的位置确定性较大，平移鲁棒性较小。
步骤4：对于每个通道
Figure 173129DEST_PATH_IMAGE004
，以
Figure 228809DEST_PATH_IMAGE008
角度旋转，旋转后的通道被称为
Figure 983139DEST_PATH_IMAGE010
。
在通道的所在帧图像上的点
Figure 135214DEST_PATH_IMAGE022
，映射到通道所在帧的图像上的点为。与
Figure 584333DEST_PATH_IMAGE024
的关系如下： 
：旋转后的通道
Figure 648421DEST_PATH_IMAGE020
输入图像：
Figure 556596DEST_PATH_IMAGE026
 （1）
其中，
Figure 788994DEST_PATH_IMAGE028
是点
Figure 622958DEST_PATH_IMAGE022
处的梯度强度。
Figure 573597DEST_PATH_IMAGE030
：
Figure 518419DEST_PATH_IMAGE010
的标记图像： 
Figure 870903DEST_PATH_IMAGE032
                   （2）
Figure 875768DEST_PATH_IMAGE034
：
Figure 313702DEST_PATH_IMAGE010
的坐标位置记录图像： 
    
Figure 770671DEST_PATH_IMAGE038
                   （3）
Figure 884120DEST_PATH_IMAGE040
：
Figure 871668DEST_PATH_IMAGE010
的
Figure 95976DEST_PATH_IMAGE042
坐标位置记录图像： 
                   （4）
Figure 504140DEST_PATH_IMAGE046
：
Figure 978984DEST_PATH_IMAGE048
位置平方图像： 
Figure 6983DEST_PATH_IMAGE050
                （5）
：
Figure 207600DEST_PATH_IMAGE042
位置平方图像： 
Figure 841843DEST_PATH_IMAGE054
                （6）
以图41为例，将图像逆时针旋转
Figure DEST_PATH_IMAGE158
，得到图42。
步骤5：对于每个通道
Figure 470271DEST_PATH_IMAGE010
，采用积分图快速计算其特征描述子。
步骤51：对于每个通道
Figure 834256DEST_PATH_IMAGE010
，生成一个矩形特征窗口，如图42所示。
特征窗口可以是随机生成的，也可以是按照一定步长有规则地生成的。设图像宽度和高度分别为
Figure DEST_PATH_IMAGE160
，生成的特征窗口为
Figure DEST_PATH_IMAGE162
，其中（
Figure DEST_PATH_IMAGE164
）表示窗口左上角的点，
Figure 522726DEST_PATH_IMAGE102
分别表示特征窗口的宽和高，则特征窗口满足条件：。
步骤52：采用积分图计算特征窗口
Figure 208048DEST_PATH_IMAGE162
内的所有划分的梯度强度。 
将简记为
Figure 796341DEST_PATH_IMAGE056
，设通道在
Figure 264548DEST_PATH_IMAGE022
处的积分图记为
Figure 172462DEST_PATH_IMAGE058
，任意划分记为矩形区域
Figure 245460DEST_PATH_IMAGE060
，则划分
Figure 213416DEST_PATH_IMAGE066
的梯度强度采用下式计算： 
Figure 873329DEST_PATH_IMAGE068
   （7）
步骤53：选择具有最大梯度强度的划分，计算其特征描述子。
选择具有最大梯度强度的划分，如图43所示，将其记作
Figure 584934DEST_PATH_IMAGE070
，
Figure 512438DEST_PATH_IMAGE070
的特征描述子是一个7维的异质的向量
Figure 651296DEST_PATH_IMAGE072
，该向量的各个分量的意义和计算方式如下： 
a）
Figure 297041DEST_PATH_IMAGE074
是
Figure DEST_PATH_IMAGE076AAAA
的索引值，将这个索引值归一化为
Figure 874652DEST_PATH_IMAGE078
，其中
Figure 158128DEST_PATH_IMAGE080
是任意划分的梯度强度;
b）
Figure 467887DEST_PATH_IMAGE082
 是每个划分的梯度强度
Figure 600928DEST_PATH_IMAGE080
中的最大值, 将其归一化为
Figure 654335DEST_PATH_IMAGE084
 ;
c）
Figure 556432DEST_PATH_IMAGE086
是所有划分的梯度强度的标准差，用如下公式计算：
Figure 37092DEST_PATH_IMAGE088
, 其中
Figure 595112DEST_PATH_IMAGE090
；
d）和
Figure 943234DEST_PATH_IMAGE094
是
Figure DEST_PATH_IMAGE076AAAAA
内所有非零像素点的位置的均值，通过如下公式计算：，
Figure 254491DEST_PATH_IMAGE098
 ，其中，
Figure 712017DEST_PATH_IMAGE100
表示特征窗口的中心，
Figure 526390DEST_PATH_IMAGE102
分别表示特征窗口的宽和高， “
Figure 411169DEST_PATH_IMAGE104
”、“
Figure 678202DEST_PATH_IMAGE106
”和“
Figure 877102DEST_PATH_IMAGE108
”是
Figure 109763DEST_PATH_IMAGE030
、
Figure 103127DEST_PATH_IMAGE034
和
Figure 919773DEST_PATH_IMAGE040
的简写，
Figure 656785DEST_PATH_IMAGE110
、
Figure 242487DEST_PATH_IMAGE112
和采用式（7）计算。
e）
Figure 913957DEST_PATH_IMAGE116
和
Figure 251397DEST_PATH_IMAGE118
是内所有非零像素点的位置分布沿着梯度和法向方向的标准差，通过如下公式计算：
Figure 458650DEST_PATH_IMAGE120
，
Figure 856133DEST_PATH_IMAGE122
，其中，“
Figure 585055DEST_PATH_IMAGE124
”和“
Figure 663869DEST_PATH_IMAGE126
”是
Figure 224163DEST_PATH_IMAGE128
和
Figure 995810DEST_PATH_IMAGE052
的简写，
Figure 8766DEST_PATH_IMAGE130
和
Figure 891271DEST_PATH_IMAGE132
采用式（7）计算。
步骤6：将所有方向通道的特征描述子联合起来，形成最终的描述子，表示为
Figure 807537DEST_PATH_IMAGE134
。
步骤7：按照不同的步长分别改变方向量化步长
Figure 750085DEST_PATH_IMAGE002
和空间量化步长
Figure 188020DEST_PATH_IMAGE006
，重复步骤2 ~ 步骤6，直到生成预设组数的具有不同描述能力的特征描述子。

Claims (12)

1.一种鲁棒的人体特征快速提取方法，其特征在于步骤如下：
1）输入原始图像，计算图像梯度得到梯度图像； 
2）根据方向量化步长                                               
Figure 853588DEST_PATH_IMAGE002
，对梯度图像进行方向划分，获得方向不同的通道；
3）根据空间量化步长
Figure 488149DEST_PATH_IMAGE006
，对每个通道
Figure 883358DEST_PATH_IMAGE004
进行空间划分；
4）对于每个通道
Figure 635414DEST_PATH_IMAGE004
，以
Figure 457876DEST_PATH_IMAGE008
角度旋转，得到通道
Figure 662592DEST_PATH_IMAGE010
；
5）对于每个通道
Figure 861493DEST_PATH_IMAGE010
，采用积分图快速计算其特征描述子；
6）将所有通道的特征描述子串接起来，形成一组特征描述子；
7）按照不同的步长调节参数
Figure 969519DEST_PATH_IMAGE002
和
Figure 962883DEST_PATH_IMAGE006
，重复步骤2）~ 步骤6），直到生成预设组数的具有不同描述能力的特征描述子。
2.根据权利要求1所述的鲁棒的人体特征快速提取方法，其特征在于：所述步骤1）中原始图像是灰度图像或彩色图像，如果是彩色图像，则转换为灰度图像。
3.根据权利要求1所述的鲁棒的人体特征快速提取方法，其特征在于所述步骤2）包括以下具体步骤：
21）计算梯度角度即梯度图像每个像素的切线角度；
22）采用方向量化步长
Figure 654896DEST_PATH_IMAGE002
对梯度角度进行量化，将梯度图像划分成不同方向的通道
Figure DEST_PATH_IMAGE012A
，每个通道的角度
Figure 267274DEST_PATH_IMAGE014
，通道的个数=
Figure 656721DEST_PATH_IMAGE018
，
Figure DEST_PATH_IMAGE020A
=1，2…
Figure DEST_PATH_IMAGE022A
； 
23）对于，保留那些量化后梯度角度为的像素点，其他的像素点置0。
4.根据权利要求1或3所述的鲁棒的人体特征快速提取方法，其特征在于：所述步骤22）中
Figure 986520DEST_PATH_IMAGE002
与梯度特征的旋转鲁棒性成正比，与方向确定性成反比。
5.根据权利要求1所述的鲁棒的人体特征快速提取方法，其特征在于：所述步骤3）中空间划分是指，对于
Figure DEST_PATH_IMAGE012AAA
，利用一组切线角度为的间距为的平行线将其分割成多个划分。
6.根据权利要求1所述的鲁棒的人体特征快速提取方法，其特征在于：所述步骤3）中
Figure 8593DEST_PATH_IMAGE006
与梯度特征的平移鲁棒性成正比，与位置确定性成反比。
7.根据权利要求1所述的鲁棒的人体特征快速提取方法，其特征在于：所述步骤4）中对于通道
Figure 25090DEST_PATH_IMAGE004
上的点
Figure 523068DEST_PATH_IMAGE026
，映射到通道
Figure 730933DEST_PATH_IMAGE010
上的点为
Figure 681572DEST_PATH_IMAGE028
，与
Figure 854244DEST_PATH_IMAGE028
的关系如下： 
Figure 734475DEST_PATH_IMAGE010
：旋转后的通道
Figure 110093DEST_PATH_IMAGE024
输入图像：
Figure 530710DEST_PATH_IMAGE030
 （1）
其中，是点
Figure 544158DEST_PATH_IMAGE026
处的梯度强度；
Figure 469389DEST_PATH_IMAGE034
：
Figure 631380DEST_PATH_IMAGE010
的标记图像： 
Figure 692877DEST_PATH_IMAGE036
                   （2）
Figure 914911DEST_PATH_IMAGE038
：
Figure 265121DEST_PATH_IMAGE010
的
Figure 293120DEST_PATH_IMAGE040
坐标位置记录图像： 
    
Figure 474702DEST_PATH_IMAGE042
                   （3）
Figure 100593DEST_PATH_IMAGE044
：的
Figure 504210DEST_PATH_IMAGE046
坐标位置记录图像： 
Figure 805878DEST_PATH_IMAGE048
                   （4）
Figure 104136DEST_PATH_IMAGE050
：
Figure 491255DEST_PATH_IMAGE052
位置平方图像： 
Figure 798739DEST_PATH_IMAGE054
                （5）
：
Figure 925537DEST_PATH_IMAGE046
位置平方图像： 
                 (6)。
8.根据权利要求1所述的鲁棒的人体特征快速提取方法，其特征在于所述步骤5）包括以下具体步骤：
51）在每个通道
Figure 645549DEST_PATH_IMAGE010
中，生成一个矩形特征窗口；
52）在特征窗口内，计算每个划分的梯度强度；
53）选择具有最大梯度强度的划分并计算其特征描述子。
9.根据权利要求8所述的鲁棒的人体特征快速提取方法，其特征在于：所述步骤51）特征窗口可以是随机生成的，也可以是按照一定步长有规则地生成的。
10.根据权利要求8所述的鲁棒的人体特征快速提取方法，其特征在于：所述步骤52）中划分的梯度强度采用积分图计算；
将
Figure 656230DEST_PATH_IMAGE010
简记为
Figure 561869DEST_PATH_IMAGE060
，设通道
Figure 658001DEST_PATH_IMAGE060
在
Figure 307288DEST_PATH_IMAGE026
处的积分图记为
Figure 172476DEST_PATH_IMAGE062
，设任意划分为矩形
Figure 747552DEST_PATH_IMAGE064
，其中（
Figure 330980DEST_PATH_IMAGE066
）表示矩形左上角的点，
Figure 518379DEST_PATH_IMAGE068
表示矩形的宽和高，则划分
Figure 503652DEST_PATH_IMAGE064
的梯度强度采用下式计算： 
Figure 751094DEST_PATH_IMAGE070
   （7）。
11.根据权利要求8所述的鲁棒的人体特征快速提取方法，其特征在于：所述步骤53）中对于通道
Figure 821818DEST_PATH_IMAGE010
，特征窗口中具有最大梯度强度的划分记作
Figure 812908DEST_PATH_IMAGE072
，其特征描述子是一个7维的异质的向量
Figure 652688DEST_PATH_IMAGE074
，该向量的各个分量的意义和计算方式如下： 
a）
Figure 572496DEST_PATH_IMAGE076
是
Figure DEST_PATH_IMAGE078A
的索引值，将这个索引值归一化为
Figure 802620DEST_PATH_IMAGE080
，其中
Figure 659718DEST_PATH_IMAGE082
是任意划分的梯度强度；
b）
Figure 291687DEST_PATH_IMAGE084
 是每个划分的梯度强度
Figure 943248DEST_PATH_IMAGE082
中的最大值, 将其归一化为
Figure 926248DEST_PATH_IMAGE086
 ；
c）
Figure 321457DEST_PATH_IMAGE088
是所有划分的梯度强度的标准差，用如下公式计算：
Figure 870250DEST_PATH_IMAGE090
, 其中
Figure 394510DEST_PATH_IMAGE092
；
d）和
Figure 798127DEST_PATH_IMAGE096
是内所有非零像素点的位置的均值，通过如下公式计算：
Figure DEST_PATH_IMAGE098
，
Figure DEST_PATH_IMAGE100
 ，其中，表示特征窗口的中心，
Figure DEST_PATH_IMAGE104
表示特征窗口的宽和高， “
Figure DEST_PATH_IMAGE106
”、“
Figure DEST_PATH_IMAGE108
”和“
Figure DEST_PATH_IMAGE110
”是
Figure 453623DEST_PATH_IMAGE034
、
Figure 712566DEST_PATH_IMAGE038
和
Figure 404579DEST_PATH_IMAGE044
的简写，
Figure DEST_PATH_IMAGE112
、
Figure DEST_PATH_IMAGE114
和
Figure DEST_PATH_IMAGE116
采用式（7）计算；
e）
Figure DEST_PATH_IMAGE118
和
Figure DEST_PATH_IMAGE120
是内所有非零像素点的位置分布沿着梯度和法向方向的标准差，通过如下公式计算：
Figure DEST_PATH_IMAGE122
，，其中，“”和“
Figure DEST_PATH_IMAGE128
”是
Figure DEST_PATH_IMAGE130
和的简写，
Figure DEST_PATH_IMAGE132
和
Figure DEST_PATH_IMAGE134
采用式（7）计算。
12.根据权利要求1所述的鲁棒的人体特征快速提取方法，其特征在于：所述步骤6）中特征描述子的形式为
Figure DEST_PATH_IMAGE136
。
CN2013101596012A 2013-04-28 2013-04-28 一种鲁棒的人体特征快速提取方法 Pending CN103473544A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN2013101596012A CN103473544A (zh) 2013-04-28 2013-04-28 一种鲁棒的人体特征快速提取方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN2013101596012A CN103473544A (zh) 2013-04-28 2013-04-28 一种鲁棒的人体特征快速提取方法

Publications (1)

Publication Number Publication Date
CN103473544A true CN103473544A (zh) 2013-12-25

Family

ID=49798388

Family Applications (1)

Application Number Title Priority Date Filing Date
CN2013101596012A Pending CN103473544A (zh) 2013-04-28 2013-04-28 一种鲁棒的人体特征快速提取方法

Country Status (1)

Country Link
CN (1) CN103473544A (zh)

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20080304750A1 (en) * 2002-07-16 2008-12-11 Nec Corporation Pattern feature extraction method and device for the same
CN102136066A (zh) * 2011-04-29 2011-07-27 电子科技大学 一种视频序列中人体动作的识别方法
CN102663391A (zh) * 2012-02-27 2012-09-12 安科智慧城市技术（中国）有限公司 一种图像的多特征提取与融合方法及***
CN102663449A (zh) * 2012-03-12 2012-09-12 西安电子科技大学 基于最大几何流向直方图的人体运动跟踪方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20080304750A1 (en) * 2002-07-16 2008-12-11 Nec Corporation Pattern feature extraction method and device for the same
CN102136066A (zh) * 2011-04-29 2011-07-27 电子科技大学 一种视频序列中人体动作的识别方法
CN102663391A (zh) * 2012-02-27 2012-09-12 安科智慧城市技术（中国）有限公司 一种图像的多特征提取与融合方法及***
CN102663449A (zh) * 2012-03-12 2012-09-12 西安电子科技大学 基于最大几何流向直方图的人体运动跟踪方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
***: ""基于时空分析和多粒度特征表示的人体检测方法研究"", 《中国博士学位论文全文数据库 信息科技辑（月刊）》 *
陈刚: ""基于多特征的行人检测方法研究"", 《中国优秀硕士学位论文全文数据库 信息科技辑》 *

Similar Documents

Publication Publication Date Title
CN109918969B (zh) 人脸检测方法及装置、计算机装置和计算机可读存储介质
Akinlar et al. Edlines: Real-time line segment detection by edge drawing (ed)
WO2020119661A1 (zh) 一种目标检测方法、装置以及行人检测方法、***
WO2017084204A1 (zh) 一种二维视频流中的人体骨骼点追踪方法及***
US10540537B2 (en) Method for image processing for content detection with sparse zone salient features
US9681047B2 (en) Image feature extraction method and system
WO2016082277A1 (zh) 一种视频认证方法及装置
CN104778476B (zh) 一种图像分类方法
CN103530619A (zh) 基于rgb-d数据构成的少量训练样本的手势识别方法
CN103473537B (zh) 一种目标图像轮廓特征表示方法及装置
WO2018082308A1 (zh) 一种图像处理方法及终端
US10169908B2 (en) Method, apparatus, storage medium and device for controlled synthesis of inhomogeneous textures
CN106778768A (zh) 基于多特征融合的图像场景分类方法
CN103020993A (zh) 一种双通道颜色对比度融合的视觉显著性检测方法
CN103440662A (zh) Kinect深度图像获取方法与装置
CN104408445A (zh) 实时人体自动检测方法
CN103218605A (zh) 一种基于积分投影与边缘检测的快速人眼定位方法
CN105139417A (zh) 视频监控下的多目标实时跟踪方法
CN103646249A (zh) 一种温室智能移动机器人视觉导航路径识别方法
CN106600613B (zh) 基于嵌入式gpu的改进lbp红外目标检测方法
CN103093226B (zh) 一种用于图像特征处理的ratmic描述子的构造方法
CN109461171B (zh) 基于多通道改进DoG滤波的红外弱小目标检测算法
CN112580435B (zh) 人脸定位方法、人脸模型训练与检测方法及装置
CN108304833A (zh) 基于mblbp和dct-bm2dpca的人脸识别方法
US10115195B2 (en) Method and apparatus for processing block to be processed of urine sediment image

Legal Events

Date Code Title Description
C06 Publication
PB01 Publication
C10 Entry into substantive examination
SE01 Entry into force of request for substantive examination
RJ01 Rejection of invention patent application after publication

Application publication date: 20131225

RJ01 Rejection of invention patent application after publication