[发明专利]基于局部去相关特征的行人检测方法

说明书

本发明提供了一种基于局部去相关特征的行人检测方法，包括以下步骤：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；训练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；计算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作为平均人体模型；在所有训练样本图像的头肩区域上进行协方差提取以实现去相关处理，并将平均人体模型中的头肩区域通过协方差提取产生矩阵作为滤波器；将滤波器作用于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AdaBoost分类器；将滤波器以及分类器作为最终生成的检测器对待检测图像进行行人检测。

技术领域

本发明涉及计算机视觉及图像处理技术领域，具体涉及一种基于局部去相关特征的行人检测方法。

背景技术

行人检测(Pedestrian Detection)是利用计算机视觉技术判断图像或者视频序列中是否存在行人并给予精确定位。该技术可应用于人工智能系统、车辆辅助驾驶系统、智能机器人、智能视频监控、人体行为分析、智能交通等领域。

LDCF方法是当前用于行人检测的非基于深度学习的方法中常用的方法之一，LDCF方法在训练阶段对训练图片通过HOG变换(即根据图像像素值计算图像像素间的梯度幅值和60度到360度留个方向的变换)和LUV图像通道(L即图像亮度空间，U/V指色度空间)产生的10个变换通道特征进行去相关处理，实现降维的目的，并使用卷积操作进行简化计算。该方法在去相关操作中，对所有正样本的所有区域进行协相关系数计算，并将其平均值用于滤波器生成中。这样将导致产生的滤波器不够丰富，降低了滤波器的容差性。

发明内容

本发明是为了解决上述问题而进行的，目的在于提供一种基于局部去相关特征的行人检测方法。

本发明提供了一种基于局部去相关特征的行人检测方法，具有这样的特征，包括：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，并将平均值作为平均人体模型；步骤四，基于步骤一中的行人区域标注将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头肩区域上进行协方差提取以实现去相关处理，并将平均人体模型中的头肩区域通过协方差提取产生矩阵作为滤波器；步骤六，将步骤五得到的滤波器作用于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AdaBoost分类器；步骤七，将步骤五得到的滤波器以及步骤六得到的分类器作为最终生成的检测器；步骤八，将待检测图像输入检测器中进行行人检测。

在本发明提供的基于局部去相关特征的行人检测方法中，还可以具有这样的特征：其中，在步骤二中，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。

在本发明提供的基于局部去相关特征的行人检测方法中，还可以具有这样的特征：其中，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)。