[发明专利]基于ARM嵌入式平台的行人检测方法

说明书

技术领域

本发明涉及嵌入式平台技术，特别涉及基于ARM嵌入式平台的行人检测技术。

背景技术

行人检测作为计算机视觉领域备受关注的研究热点和前沿方向，它在机器人视觉、高级人机交互以及智能家居等方面得到广泛的应用和推广。近几年，随着ARM技术在各个领域的广泛应用，以及其表现出来的良好性能，使其成为嵌入式环境下的热门器件，但是，由于行人检测算法的运算量和复杂度，在ARM嵌入式平台上表现出来的性能和功耗总是差强人意。

行人检测算法一般包含两个部分：特征提取和分类器。特征提取主要用来在一幅图像中提取出有效的特征值来判断是否存在检测目标，特征值提取算法关系到检测算法的准确度。分类器包含训练和检测，训练部分对包含行人(正样本)和不包含行人(负样本)的图片进行特征提取，正样本包含行人的正面、侧面及背面。检测部分对于待检测图像，提取其特征值，然后用训练好的分类器进行分类，判断是否存在检测目标。

现有的ARM嵌入式平台，由于其处理速度缓慢、内存资源有限导致其对行人检测应用存在很大的局限性。

相比目前运用较成熟的HOG+SVM行人检测方法，2009年由dollar等人提出的积分通道特征+AdaBoost的方法不仅在检测速度上有了显著提高，而且检测质量也更加精准。两者的区别在于：HOG特征是人为设定的特征描述算子，而积分通道特征则是通过样本学习，自动选择那些最具有分类鉴别能力的特征。

发明内容

本发明的目的是克服目前ARM嵌入式平台中的行人检测局限性很大的缺点，提供一种基于ARM嵌入式平台的行人检测方法。

本发明解决其技术问题，采用的技术方案是，基于ARM嵌入式平台的行人检测方法，其特征在于，包括以下步骤：

步骤1、系统通过嵌入式平台的输入端获取到输入端输入的每一帧图像；

步骤2、系统对每一帧图像都进行预处理，预处理包括以下步骤：

步骤21、对图像进行灰度转换，得到灰度图像；

步骤22、对灰度图像进行高斯图像金字塔下采样，得到下采样图像；

步骤23、对下采样图像进行梯度直方图计算，得到8个特征通道；

步骤24、对8个特征通道进行积分图运算，得到积分通道特征值，预处理完毕；

步骤3、系统进行行人检测，包括以下步骤：

步骤31、通过帧间运动信息，找到检测区域；

步骤32、采用基于离散AdsBoost算法训练出的分类器对需要检测区域进行特征提取，得到多个符合行人特征的窗口；

步骤33、将分类器输出的行人窗口进行合并，在图像上标志出行人区域。

具体的，步骤22中，所述对灰度图像进行高斯图像金字塔下采样是指：步骤22中，所述对灰度图像进行高斯图像金字塔下采样是指：根据灰度图像的高度和宽度以及检测窗口的大小，计算出输入的灰度图像需要做高斯图像金字塔下采样的层数，每一层图像都由其上一层图像采样得到，所述计算公式为：下采样层数＝log(min(图像高度/检测窗口高度,图像宽度/检测窗口宽度))/log2。

进一步的，步骤23中，所述8个特征通道包括根据梯度直方图方法得到的6个梯度直方图特征通道、一个梯度幅值特征通道和一个灰度特征通道。

具体的，步骤23包括以下具体步骤：

步骤231、在每个像素上计算下采样图像梯度幅值和梯度方向，所述梯度幅值采用sobel算子从横向及纵向分别求梯度值，得到横向梯度值及纵向梯度值，再对同一像素位置的横向梯度值与纵向梯度值求平方和再开方得到其梯度幅值，所述梯度方向根据其横向梯度值及纵向梯度值计算得到；

步骤232、将梯度方向在0-180区间内量化为6个单位，梯度幅值通过HOG映射到这个区间内，占据6个特征通道，再将图像灰度值及梯度幅值分别占用一个特征通道，作为灰度特征通道及梯度幅值特征通道。

再进一步的，步骤23中，所述对下采样图像进行梯度直方图计算中，基于ARM完成其中浮点运算汇编优化。

再进一步的，步骤24中，所述对8个特征通道进行积分图运算时，基于ARM完成并行处理的汇编优化。

具体的，步骤31中，所述帧间运动信息是指：下一帧图像检测区域根据上一帧检测到的行人区域位置进行适当的偏移，当连续几帧检测到行人时，对偏移的方向有个优先高低的判断，后续帧的检测区域会按这个优先级高低进行偏移。

再进一步的，步骤31包括以下具体步骤：