專利名稱：一種基于視覺注意原理的行人檢測方法和系統(tǒng)的制作方法
技術(shù)領(lǐng)域：
本發(fā)明屬于計算機視覺技術(shù)領(lǐng)用，具體涉及視頻監(jiān)控、智能交通中的行人檢測方法。
背景技術(shù)：
近年來，在圖像和視頻中檢測行人備受人們關(guān)注，該技術(shù)可用于智能監(jiān)控、智能交 通和運動分析等領(lǐng)域。在復(fù)雜的場景中檢測行人異常困難。其中，光照時常發(fā)生變化；景物 復(fù)雜多樣；行人具有多變的服飾和姿態(tài)；行人與行人之間、行人與景物之間常常相互遮擋； 行人圖像分辨率往往較低，只占據(jù)了視野中的一小部分。而這又是智能監(jiān)控和智能交通中 常見的情形，具有重要的研究和應(yīng)用價值。下面介紹幾個與本發(fā)明相近的對比文獻。基于視頻監(jiān)控的行人檢測方法(申請?zhí)?01010227766. 5，公開號 CN101887524A)提供了一種基于視頻監(jiān)控的行人檢測方法，利用擴展梯度直方圖特征與 Adaboost算法來快速檢測行人，然后利用梯度直方圖特征和支持向量機來進一步識別驗證 前面的檢測出來的行人。一種基于小波分形特征的行人檢測方法(申請?zhí)?00910183075. 7，公開號 CN101630369)提供了一種基于小波分形特征的行人檢測方法，該方法用圖像的小波分形特 征訓(xùn)練支持向量機，實現(xiàn)行人檢測。變化場景下行人檢測的方法(申請?zhí)?01010141956. 5，公開號CN101807^0A) 提供了一種變化場景下行人檢測的方法，利用第一場景訓(xùn)練得到級聯(lián)分類器后，用第二場 景的少量樣本數(shù)據(jù)優(yōu)化級聯(lián)分類器，實現(xiàn)變化場景下的行人檢測。以上公開的發(fā)明大多對圖像中豎直邊緣比較敏感，容易將有較長豎直邊緣的景物 當(dāng)作行人，產(chǎn)生較多誤報。此外，在分辨率較低和有遮擋出現(xiàn)時，上述方法也難以有效處理。

發(fā)明內(nèi)容
本發(fā)明的目的在于提供一種利用了人眼視覺注意原理的行人檢測方法，此種方法 能較好的區(qū)分有較長豎直邊緣的景物和行人，能夠處理光照變化和行人被部分遮擋的情 況，在圖像分辨率較低時也有很好的效果。為實現(xiàn)上述目標(biāo)，本發(fā)明采用的技術(shù)方案一種基于視覺注意原理的行人檢測方 法和系統(tǒng)，包括如下步驟(a)利用訓(xùn)練圖像訓(xùn)練行人模型；(b)利用訓(xùn)練圖像和步驟(a)得到的行人模型訓(xùn)練AdaBoost檢測分類器；(c)利用步驟(b)得到的檢測分類器，在不同尺度下，用滑動窗口方法檢測圖像中 的行人。進一步，所述步驟(a)包括以下步驟(al)把訓(xùn)練圖像規(guī)格化為64XU8像素大小，訓(xùn)練圖像為灰度圖像，包含完整的行人；(a2)在按照步驟(al)規(guī)格化后的每幅訓(xùn)練圖像中，隨機、均勻的取32個16X 16 像素的圖像塊，記錄這些圖像塊的左上角坐標(biāo)，并計算圖像塊的基于視覺注意原理的局部 特征直方圖(Histograms of Local Feature based on Vision Attention, HoL)；(a3)對按照步驟(a2)得到的圖像塊的基于視覺注意原理的局部特征直方圖 (HoL)用K-means算法聚類，在聚類結(jié)果中進一步按照圖像塊的左上角坐標(biāo)用K-means算法 聚類，最終的聚類數(shù)量η在800 1200之間；(a4)對按照步驟(a3)得到的圖像塊聚類結(jié)果中，對第i類圖像塊計算基于視覺注 意原理的局部特征直方圖(HoL)均值向量\和左上角坐標(biāo)均值向量Pi,用集合M= KVi, PiM表示行人模型，其中i = l...n，n是步驟(a3)中的聚類數(shù)量。進一步，所述步驟(b)包括以下步驟(bl)把包含完整行人的訓(xùn)練圖像規(guī)格化為64XU8像素大小，稱為正樣本。在不 包含行人的訓(xùn)練圖像中，按照16像素為步長，順序取64X 1 像素大小的圖像塊做為負(fù)樣 本。訓(xùn)練圖像為灰度圖像；(b2)對步驟(bl)得到的每一個訓(xùn)練樣本1(」=1. . . m，其中m為訓(xùn)練樣本數(shù)量)， 根據(jù)步驟(a)得到的行人模型M= {(\斤)}，對所有的土 = 1...η(其中η是步驟(a3)中 的聚類數(shù)量)，計算以Pi為中心、大小為32X32像素范圍內(nèi)所有大小為16X16像素圖像塊 的基于視覺注意原理的局部特征直方圖(HoL)，計算它們到Vi的最小歐氏距離，記為Clij ；(b3)用步驟(b2)得到的向量集 Wj = ((IljjCl2j,.. .，dnj) I j = l...m}以及與之對 應(yīng)的正負(fù)樣本標(biāo)記訓(xùn)練AdaBoost檢測分類器。進一步，所述步驟(C)包括以下步驟(cl)在測試圖像中，在水平和垂直方向上以8個像素為步長，取一系列64XU8像 素大小的圖像塊，做為檢測窗口 ；(c2)對步驟(cl)中得到的每一個檢測窗口，根據(jù)步驟(a)得到的行人模型M = KVi, PiM，對所有的i = 1... η(其中η是步驟(a3)中的聚類數(shù)量)，計算以Pi為中心、大 小為32X32像素范圍內(nèi)所有大小為16X16像素圖像塊的基于視覺注意原理的局部特征 直方圖(HoL)，計算它們到Vi的最小歐氏距離，記為ti;把測試向量(t1; t2，. . .，tn)輸入到 步驟(b3)得到的AdaBoost檢測分類器中，標(biāo)記輸出為正的測試樣本為行人出現(xiàn)的檢測窗 Π ；(c3)把測試圖像的高和寬縮小2%，做為新的測試圖像，如果新的測試圖像的高 大于1 像素并且寬大于64像素則轉(zhuǎn)到步驟(cl)，否則執(zhí)行步驟(c4)；(c4)合并重疊面積超過80%的有行人出現(xiàn)的檢測窗口。更進一步，基于視覺注意原理的局部特征直方圖(HoL)的計算方法包括以下步 驟(dl)對每一個像素點按照下式計算基于視覺注意的局部特征(Local Feature based on Vision Attention. LFVA)LFVAn r2 n{x,y) =丨’,)-/(U2’,)).2'
/=0其中，k是圓周上采樣點的個數(shù)，ri、r2分別是外圓和內(nèi)圓半徑，(Χμ,ΥΜ)表示半徑為r的圓周上第i個采樣點坐標(biāo)，采樣點均勻分布在圓周上，采樣點的坐標(biāo)按下式計算
權(quán)利要求
1.一種基于視覺注意原理的行人檢測方法和系統(tǒng)，其特征是，包括以下步驟(a)利用訓(xùn)練圖像訓(xùn)練基于特征塊的行人模型；(b)利用訓(xùn)練圖像和步驟(a)得到的基于特征塊的行人模型訓(xùn)練AdaBoost檢測分類器；(c)利用步驟(b)得到的檢測分類器，在不同尺度下，用滑動窗口方法檢測圖像中的行人。
2.如權(quán)利要求1所述的一種基于視覺注意原理的行人檢測方法和系統(tǒng)，其特征在于， 步驟(a)包括(al)訓(xùn)練圖像為灰度圖像，包含完整的行人，規(guī)格化為64XU8像素大小； (a2)在按照步驟(al)規(guī)格化后的每幅訓(xùn)練圖像中，隨機、均勻的取32個16X16像素 的圖像塊，記錄這些圖像塊的左上角坐標(biāo)，并計算圖像塊的基于視覺注意原理的局部特征 直方圖(Histograms of Local Feature based on Vision Attention, HoL)；(a3)對按照步驟(a2)得到的圖像塊的HoL用K-means算法聚類，在聚類結(jié)果中進一步 按照圖像塊的左上角坐標(biāo)用K-means算法聚類，最終的聚類數(shù)量η在800 1200之間；(a4)對按照步驟(a3)得到的圖像塊聚類結(jié)果中，對第i類圖像塊計算基于視覺注意原 理的局部特征直方圖(HoL)均值向量\和左上角坐標(biāo)均值向量Pi,用集合M= KVi, PiM 表示行人模型，其中i = l...n，n是步驟(a3)中的聚類數(shù)量。
3.如權(quán)利要求1所述的一種基于視覺注意原理的行人檢測方法和系統(tǒng)，其特征在于， 步驟(b)包括(bl)把包含完整行人的訓(xùn)練圖像規(guī)格化為64XU8像素大小，稱為正樣本，在不包含 行人的訓(xùn)練圖像中，按照16像素為步長，順序取64X 128像素大小的圖像塊做為負(fù)樣本，訓(xùn) 練圖像為灰度圖像；(b2)對步驟(bl)得到的每一個訓(xùn)練樣本1(」=1. . .m，m為訓(xùn)練樣本數(shù)量)，根據(jù)步驟 (a4)得到的行人模型M= {(^》}，對所有的土 = 1...11(11是步驟(33)中的聚類數(shù)量)， 計算以Pi為中心的，大小為32X32像素范圍內(nèi)所有大小為16X16像素圖像塊的基于視覺 注意原理的局部特征直方圖(HoL)，計算它們到Vi的最小歐氏距離，記為Clij ；(b3)用步驟(b2)得到的向量集 Wj = ((Ilj, d2J, ... , dnJ) I j = l...m}訓(xùn)練 AdaBoost 檢測分類器。
4.如權(quán)利要求1所述的一種基于視覺注意原理的行人檢測方法和系統(tǒng)，其特征在于， 步驟(c)中窗口滑動水平方向和豎直方向的步長均為8像素，每次改變尺度時測試圖像的 長和寬縮小2%，檢測窗口的大小為64X 128像素。
5.如權(quán)利要求1 4所述的一種基于視覺注意原理的行人檢測方法和系統(tǒng)，其特征在 于，計算圖像塊的基于視覺注意原理的局部特征直方圖(HoL)的方法是(dl)對每一個像素點按照下式計算基于視覺注意的局部特征(Local Feature based
6.如權(quán)利要求5所述的一種基于視覺注意原理的行人檢測方法和系統(tǒng)，其特征在于， 參數(shù)ri、r2、k、b的取值分別是巧=2、r2 = l、k = 8、b = 256。
全文摘要
本發(fā)明公開了一種基于視覺注意原理的行人檢測方法和系統(tǒng)，利用基于視覺注意原理的局部特征直方圖來訓(xùn)練基于特征塊的行人表示模型和AdaBoost檢測分類器，用滑動窗口的方法在測試圖像中檢測行人。本發(fā)明能夠有效的區(qū)分有豎直邊緣的景物和行人，能夠處理光照的變化以及部分遮擋的情況，在低分辨率下也有較好的檢測效果。本發(fā)明能廣泛的用于視頻監(jiān)控、智能交通等領(lǐng)域。
文檔編號G06K9/66GK102081741SQ201110020920
公開日2011年6月1日 申請日期2011年1月15日 優(yōu)先權(quán)日2011年1月15日
發(fā)明者劉俊濤, 劉文予, 張陽, 李雄偉, 王紅勝, 鄭見靈 申請人:中國人民解放軍軍械工程學(xué)院