[发明专利]一种基于HIKSVM分类器的多特征融合的行人检测方法

说明书

本发明涉及一种基于HIKSVM分类器的多特征融合的行人检测方法，具体包括以下步骤：确定行人图像序列中的行为区域；在行为区域内提取多项特征，形成融合特征；利用训练好的基于上述融合特征的HIKSVM分类器进行行人检测。本发明改进了特征提取方法，提取出HOG特征之后，通过类比，把梯度场改为光流场，提取HOF特征，保留了物体的形状信息和运动信息，同时避免了使用光流场描述整幅运动物体的计算复杂性，鲁棒性强；通过对LBP算法的改进，使用LQC算法提取纹理特征，不损失纹理信息的基础上，减少了计算复杂度；使用直方图交叉核，通过交叉坐标下降的方法，对SVM分类器进行分类训练，计算复杂度低，检测精度高。

技术领域

本发明涉及计算机视觉和模式识别技术领域，尤其涉及一种基于HIKSVM分类器的多特征融合的行人检测方法。

背景技术

行人检测是一项具有挑战性的任务，因为它们的外观可变性强，姿态种类繁多。如果想要在混乱的背景或困难的照明条件下，都能够正确的检测出人体，一个强大的特征集对于正确区分行人是至关重要的。

针对行人检测的问题，目前提出了很多用于特征提取的描述符。其中定向梯度直方图(HOG)描述符提供了相对于其他特征集(包括小波)的优异性能。但是梯度方向直方图表示的是图像的边缘信息，保留的是目标的形状信息，针对的是单幅图像，但是行人检测一般都是运动的目标，往往需要多幅图像来表示，检测效果不好。

在特征提取的局部算子中，局部二值模式(LBP)方法，通过使用中心像素灰度作为阈值，把其周围邻域像素进行二值化，再把邻域像素的二值化编码组合起来作为局部邻域的编码，最后通过统计编码的出现频次来反映图像的纹理信息，对于鲁棒性强的局部信息可以有效的提取，在纹理识别方面取得很好的效果。但是普遍的纹理特征提取描述符LBP不方便直接提高量化等级，会导致特征长度增大太多，增加计算复杂度。

支持向量机(SVM)理论是由统计学习理论发展得来，其基本思想为：通过非线性变换将输入空间变换到一个高维空间，然后在高维空间中求取最优分类面，非线性变换实质上是由内积函数来实现的。使用常规SVM分类器，数据量很大时，训练时间会很长，不利于实时性。

发明内容

鉴于上述的分析，本发明旨在提供一种基于HIKSVM分类器的多特征融合的行人检测方法，用以解决现有行人检测方法检测精度不高、检测实时性差的问题。

本发明的目的主要是通过以下技术方案实现的：

一种基于HIKSVM分类器的多特征融合的行人检测方法，包括以下步骤：

确定行人图像序列中的行为区域；

在上述行为区域内提取多项特征1，并进行融合，形成融合特征1；

利用训练好的基于上述融合特征1的HIKSVM分类器进行行人检测。

本发明有益效果如下：

通过融合HOG和HOF特征，使检测效果更加突出；运用局部量化编码的算法描述图像的纹理信息，在大幅降低特征维度的同时，并不损失任何纹理信息，对旋转、光照和视角有较强的鲁棒性；通过ICD方法的使用，对HIKSVM(直方图交叉核SVM分类器)的训练时间缩短，分类精度提高。

在上述方案的基础上，本发明还做了如下改进：

进一步，对所述HIKSVM分类器的训练，包括以下步骤：

将训练集的尺度变换到统一大小，检测出行为区域；

在上述行为区域内提取多项特征2，并进行融合，得到融合特征2；

使用直方图交叉核支持向量机，对训练集中的正负样本进行训练过程中，采用了交叉坐标下降的方法。

采用上述进一步方案的有益效果是：