[发明专利]一种基于轮廓和色彩相似对称分布特征的行人检测方法

说明书

技术领域

本发明属于计算机视觉领域，涉及一种基于轮廓和色彩相似对称分布特征的行人检测方法。

背景技术

行人检测在视频监控、机器人学、虚拟现实技术等领域有广泛的应用，也是计算机视觉和模式识别领域中的重要研究方向。不同行人的身材、姿势、视角和衣着、光照方面都有着极大的变化，加之复杂的背景场景以及摄像头自身的移动和晃动，这都给行人检测带来了很大的困难。

目前行人检测的方法主要分为三类：第一类是基于确定人体模型的方法，但是模型的求解比较复杂；第二类是基于模板匹配的方法，但由于行人的多态性很难构造出足够的模板；第三类是基于统计分类的方法，此方法通过提取人体的各种特征，然后利用模式识别的方法进行分类。在这类方法中最具影响的是，DALAL于2005年在Proceedings of IEEE Conference on Computer Vision and Pattern Recognition上发表的论文“Histograms of Oriented Gradients for Human Detection”中提出的基于梯度方向直方图(Histogram of Oriented Gradient,HOG)的特征描述行人的方法。由于HOG特征描述了图像局部区域的梯度强度和梯度方向的分布情况，而该分布情况对局部对象外观和形状可以进行很好的表征，因此，该方法具有优良的检测性能，成为目前行人检测的主流方法。但是HOG仅仅是对矩形区域中的梯度方向上的梯度强度统计，HOG仅仅反映了行人的轮廓的统计特征，采用HOG训练的分类器，容易将树木等一些非行人的环境图片误检为行人。

行人的轮廓梯度特征在行人的特征描述中占着非常重要的地位，其中以HOG作为行人检测中最为广泛使用的特征。行人具有非刚性、姿态多样化、所处环境复杂等特点，仅仅使用行人的轮廓特征不足以充分表征和描述行人的这些特点，难以降低行人检测的漏检率和误检率。针对HOG特征单一、误检率和漏检率高的状况，Stenfan Walk于2010年IEEE国际计算机视觉与模式识别会议上提出了HOG结合行人的色彩信息CSS（Color Self Similarity）的行人检测方法，通过统计矩形区域中的色彩的统计信息、计算颜色直方图的相似性来表征行人的色彩分布特征。Walk结合了HOG特征得到了很好的行人检测效果，但其特征高达8128维，HOG特征为3780维，给计算机带来了很大的计算负担，其主要原因是CSS特征需要很大的计算量。

发明内容

针对现有技术中存在的上述问题，本发明提出了一种基于轮廓和局部色彩相似对称分布特征的行人检测方法，将HOG轮廓特征与本发明提出的多部位局部色彩相似对称分布特征LVHCSSF(Local Vertical Horizontal Color Self-similarity Feature)相结合，提高了计算速度，降低了漏检率和误检率。

一种基于轮廓和局部色彩相似对称分布特征的行人检测方法，主要包括以下步骤：

步骤一，输入被检测的行人图像，将视频流图像数据转换为图片数据。

步骤二，对被检测行人图像进行滑窗扫描。

根据行人在图像中的成像比例，设置滑动窗口的大小，并从第一行开始对被检测行人图像进行滑动扫描，水平扫描的长度（水平滑动步长stridestep）为8个像素，竖直扫描的长度（竖直滑动步长stridestep）也为8个像素，将滑动窗口扫描的图像送入步骤四训练得到的SVM分类器。

步骤三，选择训练样本。

选取行人图像作为训练样本，其中，正样本为有行人的图像；负样本为没有行人的图像。

步骤四，提取训练样本的HOG轮廓特征，同时提取训练样本的行人局部水平、竖直颜色相似及水平颜色对称性特征LVHCSSF。方法如下：

（1）提取样本的HOG轮廓特征

HOG特征是针对矩形区域中的梯度方向上的强度统计。一个正样本图像的水平和竖直方向梯度示意图如图3所示。

采用行人模板大小为64*128，将行人模板样本分为16*16大小的block块，设block的高为H，宽为W，本发明采用H:W=1:1块特征提取方法：每个block块分为4个相同的cell单元，每个cell单元的大小为8*8，每个单元的特征是其内部64个像素的特征向量之和。

用I(x,y)表示图像I在（x,y）处像素点的灰度值，按下式计算矩形区域中的梯度方向的强度统计特征：

G_x(x,y)＝I(x+1,y)-I(x-1,y)     （1）