[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

说明书

本发明公开面向车载热成像行人检测的分类器训练方法和装置。分类器训练方法指生成强化分类器训练样本的方法：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；通过聚类正样本获得远、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。本方法能够在兼顾行人检测准确率的前提下，降低行人检测的计算开销和增强分类器的场景适应性。分类器训练装置包括增强正负样本生成模块、增强正负样本预处理模块、训练集划分与分类器训练模块。

技术领域

本发明涉及行人检测，更具体地，涉及面向车载热成像行人检测的分类器训练方法和装置。

背景技术

车载热成像行人检测技术指通过红外热像仪作为视觉传感器，捕获车载交通场景的图像/视频，在计算机或嵌入式平台使用机器学习等方法，识别图像/视频中存在的所有行人目标，并以最小外接矩形框的坐标信息标识每个行人在图像上的位置。

此过程包含两个关键阶段：RoIs(Regions of Interest)提取和RoIs分类检测，其中影响计算开销和准确率的重要因素是提取的RoIs数量和所使用分类器的性能。在RoIs分类检测环节，一般使用机器学习方法或近年来热门的深度学习方法，构造分类器检测提取的RoIs为行人目标或背景。为了提升准确率，通常分类器模型较为复杂，如模型融合方法或深度学习模型，相应地增加计算开销。能否在提升分类器性能时尽可能减少计算开销，是一个值得关注的研究点。

相对计算机而言，车载嵌入式平台具有明显的计算性能瓶颈，很多已发表的行人检测方法，特别是运用深度学习算法的技术，无法应用到此类平台，对实际应用的检测率和实时性造成影响。例如德州仪器公司生产的DM6437车载平台，该平台具有较强的稳定性，但是其处理器为单核、主频最高处理速度每秒仅有600Mhz，基于“HOG特征+线性SVM”分类器对单个RoIs的处理时间约为3毫秒，在计算性能方面远远无法和普通计算机相比。在行人检测推广到实际应用的过程中，需要找到权衡计算开销和检测性能的解决方案。

在RoIs提取阶段，目前发表的一部分方法是根据图像中目标的特性规律筛选行人可能存在的前景区域。例如：

现有技术1：Ge J,Luo Y,Tei G.Real-Time Pedestrian Detection andTracking at Nighttime for Driver-Assistance Systems.[J].IntelligentTransportation Systems IEEE Transactions on,2009,10(2):283-298。根据同一水平线上行人目标像素相较于周围背景亮度更高的经验，通过计算每个像素局部邻域内的分割阈值上限和下限，对近红外图像提取RoIs。

在RoIs分类检测阶段，数量、质量合格的正负样本是提升分类器性能的一种有效途径。目前公开可用的热成像行人检测基准数据集非常稀缺，本发明使用实验室发布的数据集SCUT Dataset(http://www2.scut.edu.cn/cv/scut_fir_pedestrian_dataset/)。该数据集面向广州市的交通道路场景，包含100个红外热成像视频，总帧数大约为20万，标注的行人Ground-Truth信息数量有40万左右，具有不同行人目标类型，如“单一走路行人、单一骑车行人”等。与其他公开的热成像行人检测数据集如KAIST Dataset相比，具有图像帧数、Ground-Truth信息类型和数量、道路场景类型等方面的优势。