[发明专利]基于局部去相关特征的行人检测方法

权利要求书

1.一种基于局部去相关特征的行人检测方法，其特征在于，包括以下步骤：

步骤一，对样本图像集中的所有样本图像进行行人区域标注，并将标注后的所有样本图像作为行人检测数据集；

步骤二，对所述行人检测数据集中的每个样本图像进行10个通道变换处理，得到训练样本数据集；

步骤三，计算所述训练样本数据集中的所有训练样本图像的10个变换通道的平均值，并将所述平均值作为平均人体模型；

步骤四，基于步骤一中的所述行人区域标注将所述训练样本数据集中所有训练样本图像均裁剪出头肩区域作为高辨别区域；

步骤五，在所有训练样本图像的所述头肩区域上进行协方差提取以实现去相关处理，并将所述平均人体模型中的头肩区域通过所述协方差提取产生矩阵作为滤波器；

步骤六，将步骤五得到的所述滤波器作用于所述训练样本数据集得到最终特征，并将得到的最终特征输入基于决策树的AdaBoost分类器中，以训练所述AdaBoost分类器；

步骤七，将步骤五得到的所述滤波器以及步骤六得到的所述分类器作为最终生成的检测器；

步骤八，将待检测图像输入所述检测器中进行行人检测。

2.根据权利要求1所述的基于局部去相关特征的行人检测方法，其特征在于：

其中，在步骤二中，所述10个通道变换处理包含1个HOG梯度幅值通道、6个HOG方向通道以及3个颜色空间通道。

3.根据权利要求2所述的基于局部去相关特征的行人检测方法，其特征在于：

其中，所述HOG梯度幅值通道的具体计算过程如下：

对于任意一个样本图像I(x,y)，首先用[-1，0，1]梯度算子进行卷积运算，得到水平方向的梯度分量G_x：

G_x＝I(x+1,y)-I(x-1,y)，

再用[1,0,-1]^T梯度算子进行卷积运算，得到垂直方向的梯度分量G_y:

G_y＝I(x,y+1)-I(x,y-1)，

在点(x,y)处的梯度幅度G_xy为：

G_xy＝sqrt(G_x^2+G_y^2)。

4.根据权利要求2所述的基于局部去相关特征的行人检测方法，其特征在于：

其中，所述6个HOG方向通道的具体计算过程如下：

对于任意一个样本图像，将图像划分为8×8的方格单元，2×2的所述方格单元组成一个方块单元，所述方块单元内的任意一个像素点(x,y)的梯度方向Alpha(x,y)为：

Alpha(x,y)＝arctan(G_y(x,y)/G_x(x,y))，

HOG在进行特征描述时，将角度theta的梯度方向在360度区间划分为6个均匀的空间Sk，每个区间为60度，像素点(x,y)在k个梯度方向上的投影L_k(x,y)为：

然后对属于所述方块单元内的像素点进行投票统计，将所述方块单元内的每个像素点的梯度方向都采用线性插值来计算得出每一个所述方块单元内的梯度方向特征，将所有所述方块单元的梯度方向特征组合在一起进行统计。

5.根据权利要求2所述的基于局部去相关特征的行人检测方法，其特征在于：

其中，所述3个颜色空间通道变换处理为由RGB通道转换为LUV通道，公式如下：

式中，XYZ为图像LUV通道值；b₁₁、b₁₂、b₁₃、b₂₁、b₂₂、b₂₃、b₃₁、b₃₂、b₃₃均为所示转换常数；RGB为图像原始RGB通道像素值。

6.根据权利要求1所述的基于局部去相关特征的行人检测方法，其特征在于：

其中，步骤五的所述去相关处理中的自相关矩阵提取过程为：

式中，R_x为自相关矩阵，E为数学期望，x为随机向量，r_ij为x的互相关系数，H为转置共轭。