[发明专利]基于稀疏表示的行人检测方法

说明书

技术领域

本发明属于模式识技术领域，具体涉及基于稀疏表示的行人检测方法。

背景技术

行人检测在视频控制、机器人学、智能交通、多媒体检索等领域有广泛的应用前景，也是近年来计算机视觉领域的热门研究对象。但是，行人的衣着、身体姿势、视角以及复杂的背景和光照变化等因素都会影响检测的效果，这都是行人检测问题的难点。

行人检测可以看作是一个行人/非行人的两类分类问题，而目前其分类方法可以分成两大类：

(1)基于形状信息的分类。包括基于显示人体模型的方法，基于模版匹配的方法以及基于统计分类的方法。这类方法是通过分析图像的灰度、边缘和纹理等信息对目标进行识别。对于基于显示人体模型的方法，其优点是有明确的模型，可以处理困难图像，并且能够推断人的姿态，但缺点是模型难以构造，求解比较复杂。而基于模版匹配的方法，其优点是计算简单，易于实现，但缺点是由于人的姿态千变万化，很难构造出所有的姿态模版。基于统计分类方法的优点是具有较好的鲁棒性，而缺点是需要大量的训练数据，并且难以处理多姿态和遮挡问题。

(2)基于运动信息的分类。这类方法指通过分析行人运动时的步态(Gait)特征来检测行人，其优点是不受纹理和光线变化的影响，缺点是只能识别出运动的行人，并且需要多帧才能给出判决结果，影响系统的实时性。。

发明内容

本发明的目的在于克服上述现有技术的缺陷，在已有的统计分类方法的基础上，根据稀疏表示，提出一种基于稀疏表示的行人检测方法，此方法具有良好的检测性能，对较多的数据集具有更好的效果，并且对于有遮挡的困难图像的检测也有较好的鲁棒性。

本发明采用的技术方案：基于稀疏表示的行人检测方法，分为模型训练和比较识别两个阶段，在所述两个阶段分别对训练图像和检测图像进行归一化处理，提取颜色、纹理和形状三种特征向量，对所述三种特征向量进行稀疏表示并组合成稀疏化的混合特征向量；在所述模型训练阶段，根据训练图像稀疏化的混合特征向量通过支持向量机的模型训练方法训练分类器；在所述比较识别阶段，根据检测图像稀疏化的混合特征向量通过所述分类器进行识别。

所述其中颜色特征向量采用HSV颜色模型，纹理特征向量采用Tamura纹理特征向量中的粗糙度、对比度和方向度这三个特征向量，形状特征向量采用是Hu提出的七个无关矩。

所述稀疏表示的具体步骤为：

1) 对字典 A的列向量以及所述颜色、纹理和形状特征向量进行2-范数等于1的归一化；

2) 根据字典A和颜色、纹理和形状特征向量向量通过EFLA算法得到其稀疏表示。

本发明的有益效果是：

1、本发明与传统的行人检测方法相比，通过对行人图像特征向量的稀疏表示和没有用稀疏表示的方法相比较体现出更好的识别率，尤其是在大量的数据集下，其效果表现的更为明显；

2、本发明将有遮挡的行人图像看作是原始图像和噪声（如遮挡物）的相加，对于原始图像和噪声分别用不同的基来稀疏表示，这样可以有效地分离原图像和噪声，从而取得较好的识别率，具有很好的鲁棒性。

附图说明

下面结合附图和具体实施方式对本发明进一步详细说明：

图1是本发明所述基于稀疏表示的行人检测方法流程示意图；

图2是本发明稀疏表示流程示意图；

图3是本发明方法和分别采用颜色、纹理、形状特征向量的SVM识别结果比较图；

图4是本发明方法和直接采用混合特征向量的SVM识别结果比较图；

图5是本发明方法和直接采用混合特征向量识别有遮挡图像的实验结果比较图。

具体实施方式

以下结合附图对发明的实施做出进一步说明。

图1为本发明提出的基于稀疏表示的行人检测方法流程示意图。首先将样本集中的行人图像分割之后并进行尺度归一化后得到行人训练图像。

第一步：对训练图像进行特征向量提取，分别得到颜色特征向量向量，纹理特征向量向量和形状特征向量向量。根据HSV颜色模型，Tamura纹理特征向量中的粗糙度、对比度和方向度这三个特征向量，以及Hu提出的七个无关矩对行人训练图像进行颜色、纹理和形状特征向量提取。

其中颜色特征向量提取的算法流程如下：

步骤1)：将RGB空间转换到HSV空间；

步骤2)：把色调H空间分成8份，饱和度S和亮度V空间分别分成3份；

步骤3)：并根据色彩的不同范围进行量化，量化后的色调、饱和度和亮度值分别为H，S，V；