CN104091171A - 基于局部特征的车载远红外行人检测***及方法 - Google Patents
基于局部特征的车载远红外行人检测***及方法 Download PDFInfo
- Publication number
- CN104091171A CN104091171A CN201410318599.3A CN201410318599A CN104091171A CN 104091171 A CN104091171 A CN 104091171A CN 201410318599 A CN201410318599 A CN 201410318599A CN 104091171 A CN104091171 A CN 104091171A
- Authority
- CN
- China
- Prior art keywords
- pedestrian
- candidate region
- head
- far infrared
- vehicle
- 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.)
- Granted
Links
Landscapes
- Image Analysis (AREA)
- Closed-Circuit Television Systems (AREA)
Abstract
本发明公开一种基于局部特征的车载远红外行人检测***及方法,经过局部自适应阈值分割和形态学处理从红外图像中搜索候选区域;构建三级级联分类器对候选区域进行分类,第一级自适应或固定方式定位行人头部,依据头部与邻近背景的亮度差异进行行人分类,第二级提取行人躯干,根据行人躯干与背景热源的灰度分布差异进行行人分类,第三级融合方向梯度直方图和局部二值模式特征,通过三分支结构的支持向量机实现行人分类;进一步,通过多帧校验筛选级联分类结果,将筛选结果与候选区域进行最近邻匹配,填补漏检行人。***包括:候选区域选取模块、分类器离线训练模块、级联分类模块、多帧校验与近邻匹配模块。本发明能够兼顾检测准确率和检测速度。
Description
技术领域
本发明属于计算机视觉与模式识别、图像处理和智能交通***领域,尤其涉及一种基于局部特征的车载远红外行人检测***及方法。
背景技术
随着汽车保有量的不断上升、公路网的持续发展,公路交通事故时有发生,汽车的安全性成为汽车生产商和消费者关心的重要问题。道路行人由于缺乏防护措施,属于道路使用者中的弱势群体,故车载行人检测的研究直接来源于社会与市场的需求。
行人安全保护囊保护装置(中国专利授权公告号:CN201343010Y,授权公告日:2009年11月11日)、汽车前保险杠专用行人保护装置(中国专利授权公告号:CN201071028Y,授权公告日:2008年06月11日)等均属于被动行人保护方法,只能在汽车发生事故后启动,起到补救作用,并不能辅助阻止交通事故的发生。基于视频的行人检测技术则能防患于未然,目前已经成为研究热点课题。虽然基于可见光视频的行人检测已经有较长的历史,目前已有多种算法被提出,然而,由于其不能在更容易发生交通事故的夜间场景检测行人,且难以应对光照的变化、恶劣天气对检测效果的影响及面临实时性难以保障等方面的挑战。近年来,随着红外探测器价格的下降,且不会受到光照变化的影响,能有效感知夜间场景信息,基于远红外探测器的车载行人检测辅助***已被少数发达国家投入民用轿车,在国内,已有相关的技术研究和实际应用***,但是,行人检测器存在准确率不够高、检测实时性不够理想等问题。
目标检测领域中,目标的描述是一个关键环节,行人检测领域也不例外。所提取的特征对动态目标的表征能力及其计算复杂度均对该特征的可用性至关重要,例如,复杂的特征可能具有较好的表征能力但往往计算复杂度过高,难以符合实时性要求;相对于对整个候选区域进行特征提取的方法,通过在候选区域的局部进行特征提取以得到局部特征的方式,不仅可以节省计算开销;而且可以缓解可能出现的遮挡问题,这将有益于提高行人检测***的准确率和实时性。在可见光行人检测中,Wu等(Wu B,Nevatia R.Detection of multiple,partially occluded humans in a single image by bayesian combination of edgelet partdetectors[C]//Computer Vision,2005.ICCV2005.Tenth IEEE InternationalConference on.IEEE,2005,1:90-97.)将行人划分为四个部位,使用edgelet特征描述行人轮廓,利用贝叶斯推理机制综合部位检测结果进行行人检测;Zheng等(Zheng J,Zhang W,Li B.Pedestrian detection based on background modeling andhead-shoulder recognition[C]//Wavelet Analysis and Pattern Recognition(ICWAPR),2012International Conference on.IEEE,2012:227-232.)依据行人头肩部位具有姿态相对稳定且较少发生遮挡的特点,提取头肩部位的HOG特征和Haar-like特征进行行人检测,该方法相对于在整个候选区域进行特征提取,明显改善了***对遮挡目标的识别能力。目前,针对红外行人提取有效局部特征的研究尚不够深入,Olmeda等(Olmeda D,de la Escalera A,Armingol J M.Farinfrared pedestrian detection and tracking for night driving[J].Robotica,2011,29(4):495-505.)为降低***计算开销,创建了红外行人头肩部位的概率模板,但是,他们只构建了两种概率局部模板,未能应对行人头部的多种姿势,若通过增加模板的方式应对多种姿势,将成倍增加匹配计算开销。Liu等(Liu Q,Zhuang J,Kong S.Detection of pedestrians for far-infrared automotive night vision systemsusing learning-based method and head validation[J].Measurement Science andTechnology,2013,24(7):074022.)提出将一个维度Haar-like特征用于描述行人头部,以此辅助机器学习方法实现行人检测,明显抑制了***虚警的产生。但是,该算法将头部候选区域简单地从纵向进行等分,并假设行人头部始终居中,虽然计算复杂度较低,但中近景行人的具体头部姿态在候选区域中位置的多样性未能得到表现,容易产生漏检。
红外视频中的行人由于衣着、姿态多样且四季场景温度变化较大,基于单帧检测的方法无法定位出未正确分割的行人。行人跟踪能充分利用行人的时空关系,能有效缓解这类漏检。已有跟踪方法(如Wang J,Chen D,Chen H,et al.Onpedestrian detection and tracking in infrared videos[J].Pattern Recognition Letters,2012,33(6):775-785.)通常需要对预测结果附近进行遍历以搜索下一帧行人,并进行计算开销较大的图像匹配以得到行人在下一帧的具***置及大小,增加的计算开销比较大,不利于对实时性要求很高的车载辅助驾驶***。
综上所述,虽然基于车载远红外探测器的行人检测方法已经取得了一定的成果,但是,为了满足实际应用的要求,迫切需要在检测准确率、实时性方面做出进一步的改进。
发明内容
本发明实施例的目的在于提供一种基于局部特征的车载远红外行人检测***及方法,旨在解决现有的远红外行人检测方法的检测准确率不达标和/或不尽如人意、实时性需要提高、鲁棒性不强的问题。
一种基于局部特征的车载远红外行人检测***及方法,其特征在于构建一个三级级联分类器,并通过多帧校验和最近邻匹配填补漏检行人,具体包括:
步骤一,采用基于隔行处理方式的局部自适应阈值分割方法对图像进行分割;
步骤二,对分割结果进行形态学处理,并通过行人宽高比和高度特征确定候选区域;
步骤三,对候选区域头部定位,利用头部分类器进行第一级分类;
步骤四,对候选区域躯干定位,利用躯干分类器进行第二级分类;
步骤五,提取候选区域的HOG-LBP特征,利用三分支结构的SVM分类器进行第三级分类;
步骤六,对分类结果进行多帧校验,结合最近邻匹配填补漏检行人。
进一步,所述基于局部特征的车载远红外行人检测***及方法,其特征在于,步骤一中的局部自适应阈值分割方法指,在输入图像的每一奇数行中,通过像素水平邻域的灰度统计特性确定分割阈值,实现奇数行像素的二值化;且直接取当前奇数行的分割结果作为相邻偶数行的分割结果。
进一步,所述基于局部特征的车载远红外行人检测***及方法,其特征在于,步骤二所述对分割结果进行形态学处理指通过腐蚀运算滤除噪声,利用膨胀运算填补弱连通区域;所述候选区域指在8-连通标记法提取的所有连通区域中,满足行人宽高比和高度特征的连通区域。
进一步,所述基于局部特征的车载远红外行人检测***及方法,其特征在于,步骤三所述头部定位指,对小尺度候选区域,通过纵向固定划分的方式进行三等分,将其中一个等分定位为头部区域;对大尺度候选区域则通过灰度投影得到投影曲线,根据曲线最大峰值和一阶导数自适应定位头部区域;所述头部分类指,通过所得头部区域及其邻近背景区域间的亮度差异检测头部。
进一步,所述基于局部特征的车载远红外行人检测***及方法,其特征在于,步骤四所述躯干定位指候选区域的中部区域;所述躯干分类指,通过提取中部区域的高、低亮度比率检测行人的躯干。
进一步,所述的基于局部特征的车载远红外行人检测***及方法,其特征在于,步骤五所述三分支结构的SVM分类器指根据候选区域高度划分样本空间,构成三个互不相交的样本子集;在每一个样本子集中,提取候选区域的HOG-LBP特征,并通过线性SVM学习算法获得三分支结构分类器。
进一步,所述基于局部特征的车载远红外行人检测***及方法,其特征在于,步骤六所述多帧校验和最近邻匹配指在连续多帧图像中,对被级联分类器判断为行人的分类结果进行确认,并将确认的结果与当前帧中的所有候选区域进行最近邻匹配;所述最近邻指在其位置和尺度上具有最大相似性的两个区域。
本发明提供的基于局部特征的车载远红外行人检测***及方法,与现有的车载远红外行人检测技术相比,本发明具有如下优点和效果:按隔行的方式进行图像分割,不仅能保持较好的分割效果,而且能有效降低图像分割阶段所需的计算开销;头部分类器及躯干分类器,基于行人简易、有效的局部特征进行快速分类,优势表现在:大量非行人候选区域得到抑制,不仅为候选区域的后期处理节约了计算开销,还能降低***虚警。基于HOG-LBP特征的三分支SVM分类器,不仅能同时描述行人的轮廓与纹理信息,增强描述子对行人的表征能力,而且能降低样本的类内差异,提升分类器的泛化能力;将通过多帧校验的分类结果与候选区域进行最近邻匹配的方法,能提高***的检测率,而且所需的计算开销较少。本发明不仅能检测处于静止、行走或者跑步等状态下的直立行人,还适合检测骑自行车或摩托车的弱势人体。本***在10~28摄氏度范围的道路交通场景中,检测率约为80.20%,虚警率约为2.51%,检测距离约[20米,105米],能较好满足实际应用需求。
附图说明
图1是本发明实施例提供的基于局部特征的车载远红外行人检测方法流程图;
图2是本发明实施例提供的基于局部特征的车载远红外行人检测***结构示意图;
图中:A、候选区域选取模块;B、分类器离线训练模块;C、级联分类模块;D、多帧校验与近邻匹配模块;
图3是本发明实施例提供的对中近景候选区域的头部进行自适应定位的实施例图;
图4是本发明实施例提供的对远景候选区域的头部进行固定划分的实施例图;
图5是本发明实施例提供的行人头部分类器的受试者工作特征曲线(Receiver Operating Characteristic Curve,ROC)的实施例图;
图6是本发明实施例提供的三分支结构SVM分类器结构的实施例图;
图7是本发明实施例提供的基于HOG特征与LBP特征描述的行人线性SVM分类器分类效果的ROC曲线对比实施例图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
下面结合附图及具体实施例对本发明的应用原理作进一步描述。
如图1所示,本发明实施例的基于局部特征的车载远红外行人检测方法包括以下步骤:
S101,采用基于隔行处理方式的局部自适应阈值分割方法对图像进行分割;
S102,对分割结果进行形态学处理,并通过行人宽高比和高度特征确定候选区域;
S103,对候选区域头部定位,利用头部分类器进行第一级分类;
S104,对候选区域躯干定位,利用躯干分类器进行第二级分类;
S105,提取候选区域的HOG-LBP特征,利用三分支结构的SVM分类器进行第三级分类;
S106,对分类结果进行多帧校验,结合最近邻匹配填补漏检行人。
步骤S101中的局部自适应阈值分割方法指,在输入图像的每一奇数行中,通过像素水平邻域的灰度统计特性确定分割阈值,实现奇数行像素的二值化;且直接取当前奇数行的分割结果作为相邻偶数行的分割结果。
步骤S102所述对分割结果进行形态学处理指通过腐蚀运算滤除噪声,利用膨胀运算填补弱连通区域;所述候选区域指在8-连通标记法提取的所有连通区域中,满足行人宽高比和高度特征的连通区域。
步骤S103所述头部定位指,对小尺度候选区域,通过纵向固定划分的方式进行三等分,将其中一个等分定位为头部区域;对大尺度候选区域则通过灰度投影得到投影曲线,根据曲线最大峰值和一阶导数自适应定位头部区域;所述头部分类指,通过所得头部区域及其邻近背景区域间的亮度差异检测头部。
步骤S104所述躯干定位指候选区域的中部区域;所述躯干分类指,通过提取中部区域的高、低亮度比率检测行人的躯干。
步骤S105所述三分支结构的SVM分类器指根据候选区域高度划分样本空间,构成三个互不相交的样本子集;在每一个样本子集中,提取候选区域的HOG-LBP特征,并通过线性SVM学习算法获得三分支结构的分类器。
步骤S106所述多帧校验和最近邻匹配指在连续多帧图像中,对被级联分类器判断为行人的分类结果进行确认,并将确认的结果与当前帧中的所有候选区域进行最近邻匹配;所述最近邻指在其位置和尺度上具有最大相似性的两个区域。
如图2所示,本发明实施例的基于局部特征的车载远红外行人检测***主要由候选区域选取模块A、分类器离线训练模块B、级联分类模块C、多帧校验与近邻匹配模块D组成。
候选区域选取模块A,用于采用局部自适应阈值分割方法和形态学处理技术,并通过行人宽高比和高度特征从红外图像中搜索候选区域。
分类器离线训练模块B,用于收集样本、划分样本、尺度缩放和训练分类器,离线确定头部分类器和躯干分类的相关参数,包括行人头部分类器分类阈值、行人躯干部位高、低亮度划分阈值及其躯干分类器分类阈值。
级联分类模块C,与候选区域选取模块A和分类器离线训练模块B连接,用于对候选区域进行级联分类。
多帧校验与近邻匹配模块D,与级联分类模块C连接,用于对被级联分类器判断为行人的分类结果进行确认,并将确认的结果与当前帧中的所有候选区域进行最近邻匹配,以填补漏检行人。
本发明的具体实施例:
本发明方法的整体流程如图1所示,本发明方法主体包括两部分:1.三级级联分类器;2.结合多帧校验和最近邻匹配填补漏检行人的方法。
1.三级级联分类器
三级级联分类器即由头部分类器、躯干分类器和基于HOG-LBP特征的SVM分类器级联构成。每一级分类器包括分类器离线训练和在线检测两个部分。
1.1分类器离线训练
1.1.1训练样本准备
针对四季、多种场景采集的远红外视频,通过两种方式获取样本,其一,人工裁剪行人最小外接矩形获取行人图片样本;其二,从分割获得的候选区域获取行人样本和非行人样本。从这两种样本获得的样本集合中人工挑选类内外观模式差异较大的样本组成训练集D;进一步,根据样本高度将训练集D划分为三个互不相交的子集,高度在20至48个像素之间(含20个像素)的样本归为远景样本,高度在48至72个像素之间(含48个像素)的样本归为中景样本,高度大于等于72个像素的样本归为近景样本。
1.1.1.1头部分类器训练
头部分类器分为中近景头部分类器和远景头部分类器。
1)中近景头部分类器训练
第一步,头部自适应定位及头部特征提取;第二步,确定分类阈值;
头部自适应定位具体实施流程:中近景行人候选区域如图3(a)所示;选取候选区域上部3/10区域作为行人头部候选区域,如图3(b)所示(其高度为H,宽度为W);利用公式(1)计算头部候选区域的垂直灰度投影直方图,由此,行人的头部可以在直方图中得到凸现,如图3(c)所示;为了避免头部候选区域中的图像噪声或背景热源可能对头部定位精度产生负面影响,利用公式(2)对图3(c)进行平滑处理得到Vs(x),如图3(d)所示;在行人头部候选区域中,由于头部通常是最亮的区域,故灰度垂直投影曲线的最大峰值对应的横坐标位置即可视为行人头部的水平中心位置,如图3(e)所示;在此基础上,向左右水平方向进行搜索,确定行人头部左右边界,由于在红外图像中,头部与背景的交界处通常出现亮度突变,故可以通过对垂直投影曲线Vs(x)求一阶导数Vs(x)′,并求出一阶导数最大值所对应的横坐标,以界定候选区域中行人头部的左右边界,确定行人头部左右边界的计算过程按公式(3)、(4)和(5),左右边界搜索结果如图3(f)所示;从而确定头部所在图像区域,如图3(g)所示;
其中f(x,y)代表图3(b)的头部候选区域在像素点(x,y)处的灰度值,V(x)代表投影直方图在x位置的灰度值,x=0,1,2,3,...,W-1;
其中n代表平滑窗大小;
其中Pl、Pr分别表示头部边界左、右侧的横坐标;xc表示头部中心位置;xl、xr分别为从xc向左、右搜索头部边界的最大范围,为减少搜索范围,从而节约计算开销,x1、xr的设置只需确保xr-xl大于Pr-Pl即可(本发明xr-x1取候选区域宽度的3/4)。
头部特征提取具体流程:利用照公式(6)提取该候选区域的头部特征HF1:
HF1=b-(a+c)/2 (6)
其中a、b、c为图3中区域A、B、C的灰度平均值;
确定中近景头部分类器分类阈值:
从中、近景训练集中提取头部特征HF1,通过变化分类阈值,获得ROC曲线,如图5所示;选取检测率为98%时对应的分类阈值HTN,从而完成中近景行人头部分类器训练;
2)远景行人头部分类器训练
选取候选区域上部3/10区域作为行人头部候选区域,将远景头部候选区域纵向平均划分为三个子区域A、B、C,如图4所示,使用远景训练集,按公式(7)提取头部特征HF2;
HF2=mx(|b-a|·|b-C|) (7)
其中,a、b、c分别代表图4中区域A、B、C的灰度平均值;
从远景训练集中提取头部特征HF2,通过变化分类阈值,获得ROC曲线,如图5所示;选取检测率为98%时对应的分类阈值HTMaF,从而完成远景行人头部分类器训练。
1.1.1.2躯干分类器训练
躯干分类:第一步,设计分类器Classifier1,滤除高温非行人区域。使用训练集D,D={(x1,y1),(x2y2),...,(xn,yn)},其中,xi代表第i个样本,其类别标签yi∈1,-1},i=1,2,3,...,n,n代表样本总数,利用贪心算法在灰度区间[127,255]搜索高亮度级别划分阈值HBT及分类器Classifier1的分类阈值C1的最优值,如算法1。第二步,设计分类器Classifier2,滤除低温非行人区域。与第一步类似,在灰度区间[0,127)中确定低亮度级别划分阈值LBT及分类器Classifier2的分类阈值C2。
1.1.1.3三分支SVM分类器训练
通过双线性插值算法对远、中、近景样本进行尺度调整,调整后的样本尺度分别为12×32像素2、24×64像素2、32×80像素2,在这类尺度的训练集上训练基于HOG特征和LBP8,1特征拼接的线SVM分类器,获得三分支SVM分类器,如图6所示,对于远、中、近景三个分支,HOG特征参数的设置如表1。
表1HOG特征参数设置
为节省计算开销,计算LBP8,1特征,不对样本进行块划分,即每一个候选区域得到256维LBP8,1特征,故本发明针对远、中、近景样本提取的HOG-LBP维数分别是1012、1012和1280。
本发明采用特征融合的方式同时描述行人的轮廓和纹理信息,相对于传统的HOG特征,对行人具有更强的描述能力,如图7所示。
1.2在线检测
行人检测属于二类分类问题,第一步,获取图像行人候选区域,第二步,行人在线分类。
1.2.1候选区域选取
逐帧读入远红外视频图像,利用本发明所述的方法提取该图像中所有的候选区域,具体实施流程如下:
对输入图像奇数行的每一个像素I(i,j),局部计算两个动态阈值,即低阈值TL(i,j)和高阈值TH(i,j),由此确定当前像素是前景还是背景,完成对当前奇数行像素的分割;邻近偶数行的分割结果则直接从当前奇数行复制得到,进而对整幅图像进行分割,对当前奇数行,低阈值计算如公式(8)所示,高阈值计算公式如(9)所示:
TH(i,j)=max{T1(i,j),TL(i,j)} (9)
T1(i,j)=min{T2(i,j),230}
T2(i,j)=min{T3(i,j),TL(i,j)+8}
T3(i,j)=max{1.06×(TL(i,j)-α),TL(i,j)+2}
其中I(i,j)为输入图像的灰度值,a=2,对于I(i,j),计算得到上述两个动态阈值之后,依据公式(10)判定该像素应该是前景还是背景像素:
在所得二值图像上的基础上,为了处理部分行人候选区域可能与背景发生粘连的情形,采用使用3×3的方形结构元素进行1次腐蚀操作,为了填补图像中的弱连接区域,使用3×3的方形结构元素进行2次膨胀操作,继而采用8-连通标记方法从所得分割结果图中提取连通区域;若连通区域的宽高比在[1.5,5]且高度在[10像素,140像素]时,这些连通区域为候选区域。
1.2.2级联分类
本发明级联分类由头部分类、躯干分类和三分支SVM分类级联而成,在级联分类阶段,只有被级联的3个分类器均分类为行人的候选区域才认为是行人,否则,当前候选区域被级联分类器判断为非行人。级联的3个分类器的分类的实施过程:
1)头部分类
提取中近景候选区域的头部亮度对比度特征HF1,若HF1>HTN,则在头部分类阶段判断为行人,否则在头部分类阶段,判断其为非行人;对某远景候选区域,提取其头部亮度对比度特征HF2,若HF2>HTMaF,则在头部分类阶段,判断其为行人,否则在头部分类阶段,判断其为非行人。
2)躯干分类
提取候选区域高亮度比率特征BRH,如公式(11),提取若BRH>HBT,在级联分类阶段,判断其为非行人;按公式(12)提取低亮度比率特征BRL,若HRL<LBT,在级联分类阶段,判断其为非行人,否则,在躯干分类阶段,判断其为行人;
BRH=HPN/MA (11)
BRL=LPN/MA (12)
其中,HPN为某候选区域中部区域中,大于HBT的高亮度级别像素个数,LPN为大于LBT的低亮度级别像素个数,MA为中部区域的面积,BRH和HRL分别为所划分的高亮度级别像素和低亮度级别像素在中部区域所占比率。
3)三分支SVM分类
对某候选区域,根据其高度,按图6选取一个SVM分支,提取HOG-LBP特征,按照公式(13)所示的线性SVM的判决函数进行分类;
f(x)=WT·x+b (13)
其中w是线性SVM的权值向量,x是行人的HOG-LBP特征向量,b是常量偏移,输入向量x的响应是f(x),若f(x)>0,则在三分支SVM分类阶段,判断其为行人,否则,在级联分类阶段,判断其为非行人。
2.多帧校验和最近邻匹配填补漏检行人
只采用上述3级级联分类器进行分类,可能出现被正确分割但被级联分类器错误分类的行人,本实施例可以填补这类漏检行人,具体分两步实施:第一步,对级联分类器的输出进行多帧校验,获取置信度较高的检测结果,即通过建立行人链表,对每个行人被连续检测的次数p及被漏检的次数n进行统计,当相邻两帧中的检测结果能匹配上,则连续检测次数p自动增加1,否则漏检的次数n自动增加1,当特定行人连续检测次数p大于3时,认为得到一个置信度较高的检测结果,当某行人的漏检次数大于10时,则认为该行人已在场景中消失,可以将其从行人链表中移除;第二步,将置信度较高的行人与候选区域进行最近邻匹配,当候选区域能够与置信度较高的行人匹配,填补被级联分类器错误分类的行人,将两个待匹配的矩形进行最近邻匹配的实施按公式(14)进行;
|x1-x2|<T1&|y1-y2|<T1&|w1-w2|<T2&|h1-h2|<T2 (14)
其中,w1,h1分别代表第一个待匹配矩形的宽和高,其中心点坐标为(x1,y1),w2,h2分别代表第二个待匹配矩形的宽和高,其中心点坐标为(x2,y2),T1和T2(取值为15)分别代表横向和纵向的最近邻距离阈值。
上所述仅为本发明的实施例,本发明并不完全受此限制,凡在本发明原则之内所作的任何修改、等同替换和改进等,均应包含在本发明的保护范围之内。
Claims (7)
1.一种基于局部特征的车载远红外行人检测方法及***,其特征在于构建一个三级级联分类器,并通过多帧校验和最近邻匹配填补漏检行人,具体包括:
步骤一,采用基于隔行处理方式的局部自适应阈值分割方法对图像进行分割;
步骤二,对分割结果进行形态学处理,并通过行人宽高比和高度特征确定候选区域;
步骤三,对候选区域头部定位,利用头部分类器进行第一级分类;
步骤四,对候选区域躯干定位,利用躯干分类器进行第二级分类;
步骤五,提取候选区域的方向梯度直方图和局部二值模式(Histograms ofOriented Gradients-Local Binary Pattern,HOG-LBP)特征,利用三分支结构的支持向量机(Support Vector Machine,SVM)分类器进行第三级分类;
步骤六,对分类结果进行多帧校验,结合最近邻匹配填补漏检行人。
2.权利要求1所述基于局部特征的车载远红外行人检测***及方法,其特征在于,步骤一中的局部自适应阈值分割方法指,在输入图像的每一奇数行中,通过像素水平邻域的灰度统计特性确定分割阈值,实现奇数行像素的二值化;且直接取当前奇数行的分割结果作为相邻偶数行的分割结果。
3.权利要求1所述基于局部特征的车载远红外行人检测***及方法,其特征在于,步骤二所述对分割结果进行形态学处理指通过腐蚀运算滤除噪声,利用膨胀运算填补弱连通区域;所述候选区域指在8-连通标记法提取的所有连通区域中,满足行人宽高比和高度特征的连通区域。
4.权利要求1所述基于局部特征的车载远红外行人检测***及方法,其特征在于,步骤三所述头部定位指,对小尺度候选区域,通过纵向固定划分的方式进行三等分,将其中一个等分定位为头部区域;对大尺度候选区域则通过灰度投影得到投影曲线,根据曲线最大峰值和一阶导数自适应定位头部区域;所述头部分类指,通过所得头部区域及其邻近背景区域间的亮度差异检测头部。
5.权利要求1所述基于局部特征的车载远红外行人检测***及方法,其特征在于,步骤四所述躯干定位指选取候选区域的中部区域;所述躯干分类指,通过提取中部区域的高、低亮度比率特征检测行人的躯干。
6.权利要求1所述的基于局部特征的车载远红外行人检测***及方法,其特征在于,步骤五所述三分支结构的SVM分类器指根据候选区域高度划分样本空间,构成三个互不相交的样本子集;在每一个样本子集中,提取候选区域的HOG-LBP特征,并通过线性SVM学习算法获得三分支结构分类器。
7.权利要求1所述基于局部特征的车载远红外行人检测***及方法,其特征在于,步骤六所述多帧校验和最近邻匹配指在连续多帧图像中,对被级联分类器判断为行人的分类结果进行确认,并将确认的结果与当前帧中的所有候选区域进行最近邻匹配;所述最近邻指在位置和尺度上具有最大相似性的两个区域。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410318599.3A CN104091171B (zh) | 2014-07-04 | 2014-07-04 | 基于局部特征的车载远红外行人检测***及方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410318599.3A CN104091171B (zh) | 2014-07-04 | 2014-07-04 | 基于局部特征的车载远红外行人检测***及方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN104091171A true CN104091171A (zh) | 2014-10-08 |
CN104091171B CN104091171B (zh) | 2017-06-20 |
Family
ID=51638886
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201410318599.3A Expired - Fee Related CN104091171B (zh) | 2014-07-04 | 2014-07-04 | 基于局部特征的车载远红外行人检测***及方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN104091171B (zh) |
Cited By (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104766321A (zh) * | 2015-04-03 | 2015-07-08 | 北京航空航天大学 | 一种利用环形最短路径的红外行人图像精确分割方法 |
CN104881670A (zh) * | 2015-05-20 | 2015-09-02 | 电子科技大学 | 一种用于sar方位角估计的快速目标提取方法 |
CN105787456A (zh) * | 2016-03-02 | 2016-07-20 | 江苏大学 | 一种夜间远红外图像中的行人检测方法 |
CN107798681A (zh) * | 2016-09-02 | 2018-03-13 | 天津工业大学 | 基于数学形态学的小目标图像快速阈值分割方法 |
CN108009478A (zh) * | 2017-11-17 | 2018-05-08 | 天津大学 | 一种基于局部特征投影的表情识别方法 |
CN109784216A (zh) * | 2018-12-28 | 2019-05-21 | 华南理工大学 | 基于概率图的车载热成像行人检测RoIs提取方法 |
CN110211323A (zh) * | 2019-05-29 | 2019-09-06 | 广州澳盾智能科技有限公司 | 基于级联分类的森林火灾识别方法 |
CN110490116A (zh) * | 2019-08-13 | 2019-11-22 | 广州三木智能科技有限公司 | 一种选择性搜索与机器学习分类的远红外行人检测方法 |
CN110796026A (zh) * | 2019-10-10 | 2020-02-14 | 湖北工业大学 | 一种基于全局特征拼接的行人重识别方法 |
CN110837769A (zh) * | 2019-08-13 | 2020-02-25 | 广州三木智能科技有限公司 | 一种图像处理与深度学习的嵌入式远红外行人检测方法 |
CN111523403A (zh) * | 2020-04-03 | 2020-08-11 | 咪咕文化科技有限公司 | 图片中目标区域的获取方法及装置、计算机可读存储介质 |
CN111814755A (zh) * | 2020-08-18 | 2020-10-23 | 深延科技(北京)有限公司 | 面向夜间运动场景的多帧图像行人检测方法和装置 |
CN113313078A (zh) * | 2021-07-02 | 2021-08-27 | 昆明理工大学 | 一种基于模型优化的轻量化夜间红外图像行人检测方法及*** |
CN114782990A (zh) * | 2022-04-19 | 2022-07-22 | 山东浪潮科学研究院有限公司 | 一种基于红外影像的边缘端行人检测方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5781650A (en) * | 1994-02-18 | 1998-07-14 | University Of Central Florida | Automatic feature detection and age classification of human faces in digital images |
US5835616A (en) * | 1994-02-18 | 1998-11-10 | University Of Central Florida | Face detection using templates |
CN101183428A (zh) * | 2007-12-18 | 2008-05-21 | 北京中星微电子有限公司 | 一种图像检测方法及装置 |
CN101558415A (zh) * | 2006-11-09 | 2009-10-14 | 丰田自动车株式会社 | 行人检测装置和行人检测方法 |
-
2014
- 2014-07-04 CN CN201410318599.3A patent/CN104091171B/zh not_active Expired - Fee Related
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5781650A (en) * | 1994-02-18 | 1998-07-14 | University Of Central Florida | Automatic feature detection and age classification of human faces in digital images |
US5835616A (en) * | 1994-02-18 | 1998-11-10 | University Of Central Florida | Face detection using templates |
CN101558415A (zh) * | 2006-11-09 | 2009-10-14 | 丰田自动车株式会社 | 行人检测装置和行人检测方法 |
CN101183428A (zh) * | 2007-12-18 | 2008-05-21 | 北京中星微电子有限公司 | 一种图像检测方法及装置 |
Non-Patent Citations (2)
Title |
---|
庄家俊: "面向汽车辅助驾驶的远红外行人检测关键技术研究", 《中国博士学位论文全文数据库 信息科技辑》 * |
廖永贵: "基于DM6437的车载红外行人检测***的设计与实现", 《中国优秀硕士学位论文全文数据库 信息科技辑》 * |
Cited By (23)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104766321A (zh) * | 2015-04-03 | 2015-07-08 | 北京航空航天大学 | 一种利用环形最短路径的红外行人图像精确分割方法 |
CN104766321B (zh) * | 2015-04-03 | 2017-07-25 | 北京航空航天大学 | 一种利用环形最短路径的红外行人图像精确分割方法 |
CN104881670A (zh) * | 2015-05-20 | 2015-09-02 | 电子科技大学 | 一种用于sar方位角估计的快速目标提取方法 |
CN104881670B (zh) * | 2015-05-20 | 2018-03-13 | 电子科技大学 | 一种用于sar方位角估计的快速目标提取方法 |
CN105787456A (zh) * | 2016-03-02 | 2016-07-20 | 江苏大学 | 一种夜间远红外图像中的行人检测方法 |
CN107798681B (zh) * | 2016-09-02 | 2021-01-15 | 天津工业大学 | 基于数学形态学的小目标图像快速阈值分割方法 |
CN107798681A (zh) * | 2016-09-02 | 2018-03-13 | 天津工业大学 | 基于数学形态学的小目标图像快速阈值分割方法 |
CN108009478B (zh) * | 2017-11-17 | 2020-03-06 | 天津大学 | 一种基于局部特征投影的表情识别方法 |
CN108009478A (zh) * | 2017-11-17 | 2018-05-08 | 天津大学 | 一种基于局部特征投影的表情识别方法 |
CN109784216B (zh) * | 2018-12-28 | 2023-06-20 | 华南理工大学 | 基于概率图的车载热成像行人检测RoIs提取方法 |
CN109784216A (zh) * | 2018-12-28 | 2019-05-21 | 华南理工大学 | 基于概率图的车载热成像行人检测RoIs提取方法 |
CN110211323A (zh) * | 2019-05-29 | 2019-09-06 | 广州澳盾智能科技有限公司 | 基于级联分类的森林火灾识别方法 |
CN110490116A (zh) * | 2019-08-13 | 2019-11-22 | 广州三木智能科技有限公司 | 一种选择性搜索与机器学习分类的远红外行人检测方法 |
CN110837769A (zh) * | 2019-08-13 | 2020-02-25 | 广州三木智能科技有限公司 | 一种图像处理与深度学习的嵌入式远红外行人检测方法 |
CN110837769B (zh) * | 2019-08-13 | 2023-08-29 | 中山市三卓智能科技有限公司 | 一种图像处理与深度学习的嵌入式远红外行人检测方法 |
CN110796026A (zh) * | 2019-10-10 | 2020-02-14 | 湖北工业大学 | 一种基于全局特征拼接的行人重识别方法 |
CN111523403A (zh) * | 2020-04-03 | 2020-08-11 | 咪咕文化科技有限公司 | 图片中目标区域的获取方法及装置、计算机可读存储介质 |
CN111523403B (zh) * | 2020-04-03 | 2023-10-20 | 咪咕文化科技有限公司 | 图片中目标区域的获取方法及装置、计算机可读存储介质 |
CN111814755A (zh) * | 2020-08-18 | 2020-10-23 | 深延科技(北京)有限公司 | 面向夜间运动场景的多帧图像行人检测方法和装置 |
CN113313078B (zh) * | 2021-07-02 | 2022-07-08 | 昆明理工大学 | 一种基于模型优化的轻量化夜间红外图像行人检测方法及*** |
CN113313078A (zh) * | 2021-07-02 | 2021-08-27 | 昆明理工大学 | 一种基于模型优化的轻量化夜间红外图像行人检测方法及*** |
CN114782990A (zh) * | 2022-04-19 | 2022-07-22 | 山东浪潮科学研究院有限公司 | 一种基于红外影像的边缘端行人检测方法 |
CN114782990B (zh) * | 2022-04-19 | 2024-05-31 | 山东浪潮科学研究院有限公司 | 一种基于红外影像的边缘端行人检测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN104091171B (zh) | 2017-06-20 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104091171B (zh) | 基于局部特征的车载远红外行人检测***及方法 | |
Börcs et al. | Instant object detection in lidar point clouds | |
CN103824070B (zh) | 一种基于计算机视觉的快速行人检测方法 | |
CN103366154B (zh) | 可重配置的畅通路径检测*** | |
Byeon et al. | A performance comparison of pedestrian detection using faster RCNN and ACF | |
CN103902976A (zh) | 一种基于红外图像的行人检测方法 | |
CN113420607A (zh) | 无人机多尺度目标检测识别方法 | |
CN103136516A (zh) | 可见光与近红外信息融合的人脸识别方法及*** | |
CN105404857A (zh) | 一种基于红外的夜间智能车前方行人检测方法 | |
CN105260749A (zh) | 基于方向梯度二值模式和软级联svm的实时目标检测方法 | |
CN104463232A (zh) | 一种基于hog特征和颜色直方图特征的密度人群计数的方法 | |
CN104657724A (zh) | 一种交通视频行人检测方法 | |
Nguyen et al. | Real-time vehicle detection using an effective region proposal-based depth and 3-channel pattern | |
Mittal et al. | Review of different techniques for object detection using deep learning | |
CN111209808A (zh) | 一种基于分层处理的无人机图像语义分割识别方法 | |
Shi | Object detection models and research directions | |
Deng et al. | Skeleton model based behavior recognition for pedestrians and cyclists from vehicle sce ne camera | |
Shafie et al. | Smart video surveillance system for vehicle detection and traffic flow control | |
Dong et al. | Nighttime pedestrian detection with near infrared using cascaded classifiers | |
CN112347967A (zh) | 一种复杂场景下融合运动信息的行人检测方法 | |
Gazzah et al. | Vehicle detection on a video traffic scene: Review and new perspectives | |
Liu et al. | Detection of pedestrians for far-infrared automotive night vision systems using learning-based method and head validation | |
Ramzan et al. | Intelligent pedestrian detection using optical flow and hog | |
Fahmidha et al. | Vehicle and pedestrian video-tracking: A review | |
Fu | Recent Deep Learning Approaches for Object Detection |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20170620 Termination date: 20210704 |
|
CF01 | Termination of patent right due to non-payment of annual fee |