[发明专利]面向车载热成像行人检测的分类器训练方法和装置

权利要求书

1.一种面向车载热成像行人检测的分类器训练方法，其特征在于，所述方法包括：

结合正样本标注信息和均衡化技术生成增强正样本，使用聚类方法分析非行人背景图像块的信息分布，辅助筛选不同类别的增强负样本；

通过调整亮度和边界信息对增强正负样本进行预处理；以及

通过聚类预处理的增强正样本获得远、中、近三个距离的样本尺度划分标准，将预处理后的增强正负样本分为三个训练集，分别训练适于分类远、中、近距离行人目标的三个分类器。

2.根据权利要求1所述的分类器训练方法，其特征在于，生成增强正样本包括：基于热成像行人检测数据集，根据标注的行人Ground-Truth边界框和预设指标提取对应图像块信息，获得原始正样本，使用平台直方图均衡化方法对原始正样本的亮度信息逐一进行处理，得到扩展正样本，增强正样本包括原始正样本和扩展正样本。

3.根据权利要求1所述的分类器训练方法，其特征在于，生成增强负样本包括：在热成像行人检测数据集的完整图像中提取图像块信息，去除其中与行人Ground-Truth边界框的重合度(Intersection over Union,IOU)高于30％且尺寸异常的RoIs，保留的图像块记为源负样本，使用K-mean方法对源负样本进行聚类，根据计算得到的比例在聚类结果中均匀随机选取图像块，构成增强负样本。

4.根据权利要求1所述的分类器训练方法，其特征在于，对增强正负样本进行预处理包括：使用像素Y通道提取方法将增强正负样本转换为低计算开销的单通道图像格式；采用边界缩放策略调整增强正负样本的边界坐标数据，减小训练样本和实际提取RoIs的信息差异程度；进一步地，使用伽马校正方法处理增强正负样本，提高样本Y通道信息的动态范围和拉伸对比度。

5.根据权利要求1所述的分类器训练方法，其特征在于，使用K-mean方法对预处理的增强正样本进行聚类分析，设定种类数量k＝3，获得基于像素高度的远、中、近三个距离的样本尺度划分标准；将增强正负样本细分为三个独立的训练集，训练适于远、中、近距离的三个分类器；使用得到的分类器分别检测未用于训练的源负样本，筛选得到困难负样本添加到对应训练集，并重新训练分类器，此过程直到满足预设的迭次训练次数为止。

6.根据权利要求1所述的分类器训练方法，其特征在于，正样本是指基于行人Ground-Truth边界框提取的图像块信息，负样本是指根据数据集完整图像提取的、与行人Ground-Truth边界框的IOU低于30％的图像块信息。

7.根据权利要求5所述的分类器训练方法，其特征在于，困难负样本指被分类器检测为行人目标、实际为背景的图像块信息。

8.一种面向车载热成像行人检测的分类器训练装置，其特征在于，所述装置包括：

增强正负样本生成模块，被配置为结合正样本标注信息和均衡化技术生成增强正样本，使用聚类方法分析非行人背景图像块的信息分布，辅助筛选不同类别的增强负样本；

增强正负样本预处理模块，被配置为通过调整亮度和边界信息对增强正负样本进行预处理；以及

训练集划分与分类器训练模块，被配置为通过聚类预处理的增强正样本获得远、中、近三个距离的样本尺度划分标准，将预处理后的增强正负样本分为三个训练集，分别训练适于分类远、中、近距离行人目标的三个分类器。

9.一种面向车载热成像的行人检测方法，其特征在于，所述方法包括：

提取待检测的RoIs；

对RoIs进行过滤，其中，所述RoIs过滤包括步骤：滤除尺寸异常的RoIs；滤除位置异常的RoIs；以及滤除缺失行人头部的RoIs；

对分类器进行离线训练，其中，结合正样本标注信息和均衡化技术生成增强正样本，使用聚类方法分析非行人背景图像块的信息分布，辅助筛选不同类别的增强负样本；通过调整亮度和边界信息对增强正负样本进行预处理；以及通过聚类预处理的增强正样本获得远、中、近三个距离的样本尺度划分标准，将预处理后的增强正负样本分为三个训练集，分别训练适于分类远、中、近距离行人目标的三个分类器；以及

使用已经过训练的分类器对过滤后的RoIs进行分类检测。