[发明专利]一种基于聚合通道特征的行人检测方法

说明书

本发明公开了一种基于聚合通道特征的行人检测方法，属于数字图像处理技术领域。本发明利用基于聚合通道特征的行人检测方法训练多个模型，即大、小窗口模型，来解决使用单一模型所造成的误检漏检问题。并且在使用非极大值抑制算法进行窗口抑制过程中，提升大窗口模型所检测到的窗口的置信度，同时根据大、小模型的滑窗尺度比更新非极大值抑制阈值，从而抑制误检为小目标的身体部位。相比较于采用单一模型的基于聚合通道特征的行人检测方法，本发明能够有效降低误检、漏检率，并且能够达到实时的要求。

技术领域

本发明属于数字图像处理技术领域，具体涉及一种基于聚合通道特征的行人检测方法。

背景技术

随着经济和科学技术的飞速发展，人们对生活质量的要求也越来越高，智能化生活成为人们追求的生活方式。其中，智能交通，智能监控是重要组成部分，也是当今计算机视觉领域的一大研究热点。行人作为智能交通和智能监控领域的主要目标物之一，其检测技术，尤其是基于图像处理的行人检测技术的发展与该领域的智能化实现具有紧密的联系。

目前，基于图像处理的行人检测方法主要分为两类。

(1)特征结合分类器的检测方法：

目前基于特征和分类器分方法有很多，这类方法首先根据行人目标设计能够有效区分行人与非行人的特征，常用的有Haar-like特征、LBP(局部纹理)、HOG(梯度方向直方图)、颜色空间特征、边缘信息等，或者将多种特征相结合，例如ICF(积分通道特征)、ACF(聚合通道特征)等。分类器多采用SVM、Adaboost等。主流方法有：HOG+SVM方法、ICF+Adaboost方法、DPM+LSVM方法、ACF+Adaboost方法。

(2)深度学习方法：

基于深度学习的检测方法主要采用卷积神经网络来实现，这类方法针对多目标检测，目前，此类方法主要有Faster RCNN，SSD等方法。但是这类算法计算量大，对硬件要求比较高。

在行人检测领域，行人目标多尺度问题是检测一大难点，目前多采用两种方式来应对该问题，一种是多采用单一模板在特征金字塔上滑窗的方式，另外一种是采用多个模板在单层特征上滑窗的方式。但是由于多模型训练时间长，检测效率低等原因，多采用第一种方式。其中，在行人检测领域的优秀算法ACF，就采用了单一模型结合特征金字塔的方式。但是采用单一模型，由于固定了模型的尺度，存在以下问题：

基于滑窗的模型匹配方法，只能检测到大于该模型尺度的目标，在需要检测小目标的应用场合，若采用的模型尺度较大，会造成大量的漏检。

若基于上述问题，单纯的减小模型的尺度，又会因小尺度模型所包含特征数减少而造成大量的误检问题，同时单纯使用小尺度模型也会造成金字塔特征尺度多，检测速度慢，难以达到实时的要求。

发明内容

本发明的发明目的在于：针对传统的检测方法，改进使用单一模型的聚合通道算法(ACF)，提出一种基于多模型的聚合通道特征的行人检测方法，将多模型与ACF相结合，并提出一种融合模型尺度比信息的非极大值抑制算法，从而大大降低漏检与误检率。

本发明的基于聚合通道特征的行人检测方法，包括下列步骤：

步骤S1：设置大尺度模型和小尺度模型，其中大尺度模型的滑窗尺度小于图像中行人目标的分辨率，小尺度模型的滑窗小于或等于图像中期望检测到的小目标尺度(预设值)；

步骤S2：输入训练样本，按照步骤S1设置的大小模型尺寸抽取正样本中的行人目标窗口，以及负样本的随机窗口，并对所提取的窗口(行人目标窗口和随机窗口)进行聚合通道特征(AFC)提取，得到正负训练样本特征向量；

步骤S3：训练强分类器：采用决策树作为弱分类器，根据正负训练样本特征向量，通过多次分类组合训练，最终由各个弱分类器加权形成应用于行人目标的强分类器；