CN104091157A

CN104091157A - 一种基于特征融合的行人检测方法

Info

Publication number: CN104091157A
Application number: CN201410327106.2A
Authority: CN
Inventors: 王敏; 陈锐
Original assignee: Hohai University HHU
Current assignee: Hohai University HHU
Priority date: 2014-07-09
Filing date: 2014-07-09
Publication date: 2014-10-08

Abstract

本发明公开了一种基于特征融合的行人检测方法，通过对图片中行人特征的融合来检测行人，能弥补单一特征的局限性从而提高行人检测率，同时降低维度提高了检测速度。提出了一种利用PCA降维的HOG与纹理特征LBP融合的行人检测方法。利用PCA对HOG进行降维，将特征维数从3780维降低到300维。采用多特征融合的方法，融合LBP纹理特征，与SVM分类器相结合，在提高HOG-LBP识别率的同时，降低了训练和检测的时间，且能很好处理行人遮挡问题。

Description

一种基于特征融合的行人检测方法

技术领域

本发明属于计算机视觉中行人检测领域，特别涉及一种基于特征融合的行人检测方法。

背景技术

行人检测***涉及模式识别、计算机视觉等诸多学科和计算机技术问题，是一个较为复杂且庞大的工程，在智能汽车、智能交通、视频监控、机器人与高级人机交互等领域中有着很广泛的应用前景。虽然现在已经有了初步的研究成果，但是还存在很多难点，如人体自身的非刚性、姿态、外表和服饰变化等特点，很容易受到光照、天气和复杂多变的外部环境等许多因素的干扰，导致人体检测成为一个相当复杂的问题面临诸多挑战。

目前有许多行人检测的技术方法，其中大多数是基于机器学习的检测方法，主要包括两个重要方面，一个是特征描述算子，另一个是学习算法。特征描述算子有haar-like、HOG(梯度方向直方图)、LBP(局部二值模式)以及edgelet(边缘特征)等。学习算法有支持向量机(SVM)和级联分类器Adaboost。现有的行人检测技术有着检测速度慢、准确率不够高的缺点。

发明内容

发明目的：针对现有技术存在的问题，本发明提供了一种检测速度快、准确率高的基于特征融合的行人检测方法。

发明内容：本发明提供了一种基于特征融合的行人检测方法，包括以下步骤：

步骤1：采集图像；

步骤2：对步骤1采集到的图像的伽马(gamma)空间和颜色空间进行标准化处理；

步骤3：对步骤2中获得的图像进行像素梯度的计算；

步骤4：对步骤3获得的图像进行单元内梯度直方图的统计；

步骤5：对步骤4统计获得的单元内梯度直方图块归一化处理得到块归一化直方图；

步骤6：对步骤5得到块归一化直方图提取特征，得到维度为3780*3780维的HOG特征向量；

步骤7：对步骤6的图像通过训练样本的HOG特征，获得样本均值，计算特征值、特征向量以及协方差矩阵U，其中U的矩阵大小为3780*3780；

步骤8：对于协方差矩阵中的每一个HOG特征值，通过PCA降维公式进行降维，得到具有HOG-PCA特征的p维矩阵；

步骤9：对于步骤1采集的图像进行图像分割；

步骤10：求取步骤9分割后的图像中每块LBP特征直方图；

步骤11：对于步骤10得到的LBP特征直方图进行归一化直方图处理；

步骤12：对于步骤11得到归一化处理后的直方图提取纹理LBP特征；

步骤13：将步骤8得到的HOG-PCA特征矩阵和步骤12得到的LBP特征矩阵级联在一起，得到HOG-PCA-LBP特征矩阵；

步骤14，待所有行人图像处理完毕输出结果。

进一步，所述步骤9中采用16×16块进行分割对步骤1中采集的图像进行图像分割。这样有助在对分割后的图像进行纹理特征提取时，不会增加计算的复杂度，同时保证提取大部分的纹理信息。

有益效果：与现有技术相比，本发明通过对图片中行人特征的融合来检测行人，能弥补单一特征的局限性从而提高行人检测率，同时降低维度提高了检测速度。提出了一种利用PCA降维的HOG与纹理特征LBP融合的行人检测方法。利用PCA对HOG进行降维，将特征维数从3780维降低到300维。采用多特征融合的方法，融合LBP纹理特征，与SVM分类器相结合，在提高HOG-LBP识别率的同时，降低了训练和检测的时间，且能很好处理行人遮挡问题。

附图说明

图1为本发明的流程示意图。

具体实施方式

下面结合附图，对本发明进行详细说明。

如图1所示，本发明的基于特征融合的行人检测方法，其步骤如下

步骤1：采集图像。

步骤2：对步骤1采集到的图像的伽马(gamma)空间和颜色空间进行标准化处理。

平方根gamma标准化可以很好地消除图像整体光照和对比度的影响。本实施例中采用平方根和log压缩对采集到的图像进行去噪，并缩放到相同尺寸。在颜色空间的每个通道上都要使用这两种方法进行计算。

步骤3：对步骤2中获得的图像进行像素梯度的计算；

计算图像的一阶梯度。计算导数不仅能够获得人体轮廓和纹理信息，还能进一步减弱光照的影响。由于HOG特征的运算对模板算子非常的敏感，经过试验对比发现，反而是最简单的一维离散微分模板(1,0,+1)及其转置在水平和垂直两个方向上对图像各个像素进行梯度计算能够取得最好的检测效果。可以通过公式分别计算像素点(x,y)的梯度模值和方向角：

G (x, y) = \sqrt{{(H (x + 1, y) - H (x - 1, y))}^{2} + {(H (x, y + 1) - H (x, y - 1))}^{2}}

α (x, y) = ta n^{- 1} (\frac{H (x, y + 1) - H (x, y - 1)}{H (x + 1, y) - H (x - 1, y)})

其中，G(x,y)，α(x,y)，H(x,y)分别表示像素点的梯度幅值、梯度方向以及像素点的灰度值。对于彩色图像可以分别计算它们各个颜色通道的梯度，选择其中幅值最大的值作为该像素点的梯度。

步骤4：对步骤3获得的图像进行单元内梯度直方图的统计；

该步骤的本质是对局部图像区域编码，且可以保持对图像中人体对象的外观和姿势的弱敏感性。我们把图像窗口划分为若干个小区域，这些小区域被称为“单元格”，即cell。把图像平均分成若干正方形的单元格(cell)，每个细胞包含8×8个像素，每个单元格内把的梯度方向平均分成9个区间(bin)，然后在每个cell内所有像素的梯度值再分别在各个bin区间进行直方图统计，这样一个cell得到一个9维的特征向量。

梯度值的变化范围非常广的主要原因是由于图像中局部的曝光率和前景-背景的对比度的多样化。因而要得到好的检测效果，必须进行有效地局部对比标准化。标准化的方法有很多，一般的方法都是将一组cell放到一个块中，然后分别标准化每个块。2×2个cell形成一个块，这样一个块就形成36维的特征向量，再利用L2-范数对整个块进行归一化，得到最终的特征向量。

实施例中采集的图像为64×128，cell为8×8，块为16×16，那么一幅图像就包含105个块，每个块是36维向量，所以一幅64×128大小的图像的HOG特征向量为36×105＝3780维。

步骤7：对步骤6的图像通过训练样本的HOG特征，获得样本均值，根据公式计算特征值、特征向量以及协方差矩阵U，其中U的矩阵大小为3780×3780；

通过训练样本的HOG特征，N、x_i、分别表示样本数量、样本值和样本平均值。根据如下公式计算特征值、特征向量以及协方差矩阵U，其中U的矩阵大小为3780*3780。

U^{T} = \frac{1}{N} Σ_{n = 1}^{N} (x_{i} - \overset{&OverBar;}{x}) {(x_{i} - \overset{&OverBar;}{x})}^{T}

本发明采用PCA(主成分分析)对特征向量进行降维，实验证明PCA降维效果比较好。PCA主要思想：通过对原来的样本空间进行空间变换，使原来的坐标投影到一个新的维度较低的并且相互正交的空间上。

取协方差矩阵前p个主成分，对训练样本中的每一个HOG特征值，通过如下公式进行特征降维，得到HOG-PCA特征，向量维数为p维，p的数值将通过实验确定为300。

y = U^{T} (x_{i} - \overset{&OverBar;}{x})

步骤9：对于步骤1采集的图像进行图像分割；

本实施例中将原始的64×128大小的图片按照16×16块进行分割，主要是因为在提取纹理特征时，8×8块过小，会增加计算复杂度，32×32过于大，会丢失部分纹理信息。但是实际过程所求的LBP特征时基于灰度图像的，所以彩色图像，首先应该转化为灰度图像。

步骤10：求取步骤9分割后的图像中每块LBP特征直方图；

针对每块16×16的子图像，根据LBP82算子求取图像的纹理特征，得到256维特征向量，再将256维特征向量转化为59维特征向量。

为了提高特征向量的鲁棒性，克服一些噪声的干扰，同HOG特征类似，需要对提取的59维特征向量进行归一化操作。考虑到不同的归一化因子，对向量特征的抗干扰性会有较大的影响，本实施例中采用L2-norm归一化因子，取得的效果好。

本实施例中图像为64×128，检测窗口分为32个cell，每个cell的特征向量为59维，所以最终得到1888维的LBP特征向量。

步骤13：将步骤8得到的HOG-PCA特征矩阵和步骤12得到的LBP特征矩阵级联在一起，得到HOG-PCA-LBP特征矩阵。

步骤14，待所有行人图像处理完毕输出结果。

实验采用HOG特征、HOG+LBP特征及本文提出的HOG-PCA+LBP特征的方法来验证检测效果，结果如表1所示。实验数据表明本文提出的方法相比于Dalal和Wang的方法具有优势，在训练时间上本文方法所用时间大约是HOG的一半，是HOG+LBP的大约1/3。在检测时间上也是如此。在识别率方面，HOG+LBP的识别率比HOG提高的5.7％并且能很好的处理遮挡问题。本文方法相比较HOG+LBP，虽然识别率提高不多，但在处理遮挡问题时和前者相当，但是所用时间却大大减少约2/3，所以本文方法有效。表1

特征种类	向量维数/维	训练时间/s	检测时间/ms	识别率
					HOG	3780	223	91	89％
HOG+LBP	5668	334	136	94.7％
					HOG-PCA+LBP	2188	128	47	96.37％

Claims

1.一种基于特征融合的行人检测方法，其特征在于：包括以下步骤：

步骤1：采集图像；

步骤2：对步骤1采集到的图像的伽马空间和颜色空间进行标准化处理；

步骤3：对步骤2中获得的图像进行像素梯度的计算；

步骤4：对步骤3获得的图像进行单元内梯度直方图的统计；

步骤9：对于步骤1采集的图像进行图像分割；

步骤10：求取步骤9分割后的图像中每块LBP特征直方图；

步骤14，待所有行人图像处理完毕输出结果。

2.根据权利要求1所述的基于特征融合的行人检测方法，其特征在于：所述步骤9中采用16×16块进行分割对步骤1中采集的图像进行图像分割。