[发明专利]基于Gabor特征和HOG特征融合的行人检测系统

说明书

本发明涉及智能监控技术领域，且公开了基于Gabor特征和HOG特征融合的行人检测系统，包括首先对输入图像进行预处理，若图像不是人脸图像，需要先对图像进行人脸检测、人脸截图和人脸对齐，然后针对人脸图像进行灰度化、滤波和归一化，构造Gabor滤波器组，设置滤波器的核尺寸和方向，构造Gabor滤波器组。本发明通过计算每个单元的每个像素的梯度，并统计细胞单元的梯度方向直方图，以30°为间隔划分6个bin，则每个细胞单元可以得到一个6维的特征向量，最后将块归一化的特征向量进行串联，合成HOG特征向量，通过此过程，可以得到20张特征图，该特征图为二级特征，采用PCA对融合特征进行降维，最后用SVM作为分类器进行人脸识别，简化操作，提高人脸识别的效率。

技术领域

本发明涉及智能监控技术领域，具体为基于Gabor特征和HOG特征融合的行人检测系统。

背景技术

人脸识别技术是一种利用人脸特征进行身份认证的技术，和虹膜识别技术与指纹识别技术一样属于生物特征识别技术。但是相比虹膜和指纹特征，人脸特征不仅具有唯一性和持久性，最重要的是不需要接触即可进行身份认证，因此人脸识别技术逐渐成为了身份认证方式的主流，也相继落地了大量基于人脸识别的产品，极大地便利了人们的生活。

Gabor特征提取算法可以在不同方向上提取人脸图像的细节纹理特征，对光照、遮挡和表情变化都具有一定的鲁棒性，而HOG特征更加注重人脸图像的边缘特征。本文将Gabor特征和HOG特征进行融合，设计了一个融合特征(本文称G-H特征)提取算法。该融合特征提取算法得到的融合特征的维数太大，不利于计算，采用PCA对融合特征进行降维，最后用SVM作为分类器进行人脸识别。

发明内容

本发明的目的在于提供了基于Gabor特征和HOG特征融合的行人检测系统，达到采用PCA对融合特征进行降维，最后用SVM作为分类器进行人脸识别，简化操作，提高人脸识别的效率。

为实现上述目的，本发明提供如下技术方案：

基于Gabor特征和HOG特征融合的行人检测系统，包括以下步骤：

S1、首先对输入图像进行预处理，若图像不是人脸图像，需要先对图像进行人脸检测、人脸截图和人脸对齐，然后针对人脸图像进行灰度化、滤波和归一化。

S2、构造Gabor滤波器组，设置滤波器的核尺寸和方向，构造Gabor滤波器组。

S3、对归一化人脸图像进行Gabor变换得到Gabor特征，共20个Gabor特征图，该特征图为一级特征。

S4、对大小为96X112的Gabor特征图提取HOG特征，采用Gamma校正消除光照不均对图像的影响，针对图像中的每个像素点(x，y)，分别沿水平方向和垂直方向计算梯度，把图像分成若干区称为细胞单元。

S5、将二级特征图压缩成一维的特征向量，再将特征向量进行串联构成融合特征。

S6、使用主成分分析对融合特征进行降维，得到降维后的数据特征，用SVM对降维后的G-H数据进行分类，最后输出结果。

优选的，所述S2中将滤波器核尺寸设置为3、5、7、9、11，方向设置为0°、45°、90°、135°，生成一个Gabor滤波器组，此时可以获得4X5＝20个不同的Gabor滤波器。

优选的，所述S4中将96X112划分成12X14个细胞单元，每个细胞单元的大小为8X8，并把每2X2个细胞单元划分为一个块，可以划分6X7个块。

优选的，所述S4中计算每个单元的每个像素的梯度，并统计细胞单元的梯度方向直方图，以30°为间隔划分6个bin，则每个细胞单元可以得到一个6维的特征向量，最后将块归一化的特征向量进行串联，合成HOG特征向量，通过此过程，可以得到20张特征图，该特征图为二级特征。