專利名稱：一種針對(duì)頭肩檢測(cè)的混合特征提取方法
技術(shù)領(lǐng)域：
本發(fā)明涉及圖像處理和計(jì)算機(jī)視覺技術(shù)領(lǐng)域，尤其涉及一種針對(duì)頭肩檢測(cè)的混合特征提取方法。
背景技術(shù)：
行人檢測(cè)是計(jì)算機(jī)視覺領(lǐng)域的研究熱點(diǎn)和難點(diǎn)問題，用于找出圖像中是否存在行人，以及行人的大致位置，以矩形框標(biāo)示。行人檢測(cè)的結(jié)果可以應(yīng)用于多個(gè)領(lǐng)域，如智能視頻監(jiān)控，輔助駕駛系統(tǒng)，行為識(shí)別系統(tǒng)等。但由于一些場(chǎng)景的特殊性，會(huì)導(dǎo)致行人身體被嚴(yán)重遮擋，如擁擠的地鐵站，會(huì)議室等。在這些情況下，作為行人檢測(cè)的一種特殊情況，頭肩檢測(cè)將會(huì)發(fā)揮其作用，具有重大的意義。頭肩檢測(cè)的目標(biāo)是將人體的頭肩區(qū)域R(以矩形框表示)在圖像I中標(biāo)示出來。一般的頭肩檢測(cè)系統(tǒng)都是以滑動(dòng)窗口的形式在整幅圖像中進(jìn)行搜索，對(duì)于每一個(gè)滑動(dòng)窗口 W判斷該窗口內(nèi)是否包含頭肩。當(dāng)前針對(duì)頭肩檢測(cè)的研究，大多都是沿用行人檢測(cè)系統(tǒng)的框架，即“特征提取+分類器”。在特征提取上，大致可以分為梯度特征(如方向梯度直方圖H0G)、紋理特征(如局部二值模式LBP)、顏色特征(如顏色自相關(guān)特征CSS)、邊緣特征(如Edgelet特征)。在分類器的選擇上，大致可以分為SVM, Adaboost, Decision Tree及其相關(guān)改進(jìn)。在特征的選擇上，當(dāng)前的研究工作也選擇了和行人檢測(cè)相同的特征，只是進(jìn)行了細(xì)微的參數(shù)調(diào)整，使之適應(yīng)更小的檢測(cè)區(qū)域。然而這些方法卻忽略了頭肩檢測(cè)和行人檢測(cè)的內(nèi)在區(qū)別。相對(duì)于行人檢測(cè)，頭肩檢測(cè)具有其自身的難點(diǎn)和特點(diǎn):(1)頭肩檢測(cè)由于包含的有效信息少，魯棒性弱，容易受到前景背景對(duì)比度低，邊界模糊等因素的影響；(2)頭肩輪廓的形變相對(duì)較少，使得我們可以用較少的邊緣模板來很好的描述頭肩輪廓。從特點(diǎn)(I)我們可以看出，如果我們能夠增強(qiáng)頭肩的邊緣輪廓，使得前景背景的邊界突出，則可以有效的提高檢測(cè)性能。特點(diǎn)(2)則讓我們可以通過學(xué)習(xí)邊緣模板，來實(shí)現(xiàn)這個(gè)假設(shè)，提高檢測(cè)性倉泛。雖然邊緣特征具有其自身的優(yōu)點(diǎn)，受限于現(xiàn)有邊緣提取算子性能的影響，單純基于邊緣特征的檢測(cè)系統(tǒng)的性能很難達(dá)到梯度特征的水平。如果能有效的結(jié)合兩種特征各自的優(yōu)點(diǎn)，則能進(jìn)一步提升檢測(cè)的性能。

發(fā)明內(nèi)容
本發(fā)明解決的技術(shù)問題在于如何自動(dòng)的增強(qiáng)頭肩邊緣輪廓，融合兩種類型特征的優(yōu)點(diǎn)。本發(fā)明實(shí)施例公開了一種針對(duì)頭肩檢測(cè)的混合特征提取方法，包括以下步驟:步驟1:針對(duì)訓(xùn)練集中正樣本進(jìn)行邊緣檢測(cè)，得到第一原始邊緣圖像；步驟2:將第一原始邊緣圖像切分成若干子區(qū)域，在每一個(gè)子區(qū)域里學(xué)習(xí)并生成邊緣模板；
步驟3:對(duì)于輸入圖像，進(jìn)行邊緣檢測(cè)得到第二原始邊緣圖像；步驟4:用邊緣模板過濾第二原始邊緣圖像，得到預(yù)測(cè)邊緣圖像；步驟5:分別計(jì)算第二原始邊緣圖像和預(yù)測(cè)邊緣圖像的方向梯度直方圖特征；步驟6:疊加第二原始邊緣圖像和預(yù)測(cè)邊緣圖像梯度直方圖特征，生成邊緣描述特征；步驟7:將輸入圖像轉(zhuǎn)化為灰度圖，計(jì)算方向梯度直方圖特征，得到灰度圖描述特征；步驟8:串聯(lián)灰度圖描述特征和邊緣描述特征，得到混合特征。進(jìn)一步，作為優(yōu)選，所述步驟1:針對(duì)訓(xùn)練集中正樣本進(jìn)行邊緣檢測(cè)，得到第一原始邊緣圖像具體包括以下步驟:步驟101. 用gPb邊緣檢測(cè)算子計(jì)算邊緣響應(yīng)；步驟102.利用方向分水嶺算法得到第一原始邊緣圖像。進(jìn)一步，作為優(yōu)選，所述步驟2:將第一原始邊緣圖像切分成若干子區(qū)域，在每一個(gè)子區(qū)域里學(xué)習(xí)并生成邊緣模板包括以下步驟:步驟201.將原始邊緣圖像均勻切分成成8X8和16X 162種尺寸的塊，塊之間相
互覆蓋一半的面積；步驟202.對(duì)于每個(gè)正樣本i中塊j中的每一條邊緣,基于Chamfer Matching算法，計(jì)算它與其他正樣本同一位置的塊中的所有邊緣的相似度，設(shè)定第一閾值，如果大于第一閾值，則重現(xiàn)次數(shù)Ri^k = R^k+1 ；步驟203.設(shè)定第二閾值，對(duì)于每個(gè)正樣本i中塊j中的每一條邊緣k，如果重現(xiàn)次數(shù)大于第二閾值，則將其加入侯選庫C_Set中；步驟204.設(shè)定K = 2,利用Κ-Medoid算法對(duì)侯選庫C_Set進(jìn)行聚類,得到子類；步驟205.設(shè)定第三閾值，如果類內(nèi)距離Clm大于第三閾值，則重復(fù)執(zhí)行步驟204，直到所有子類的類內(nèi)距離都小于第三閾值為止；步驟206.將每一個(gè)子類的中心定義為一個(gè)邊緣模板。進(jìn)一步，作為優(yōu)選，所述步驟3:對(duì)于輸入圖像，進(jìn)行邊緣檢測(cè)得到第二原始邊緣圖像包括以下步驟:步驟301.用gPb邊緣檢測(cè)算子計(jì)算邊緣響應(yīng)；步驟302.利用方向分水嶺算法得到第二原始邊緣圖像。進(jìn)一步，作為優(yōu)選，所述步驟4:用邊緣模板過第二濾原始邊緣圖像，得到預(yù)測(cè)邊緣圖像包括以下步驟:步驟401.采用和學(xué)習(xí)邊緣模板時(shí)相同的切分方式，將第二原始邊緣圖像均勻切分成8X8和16X 162種尺寸的塊，塊之間相互覆蓋一半的面積，此時(shí)每一個(gè)塊都對(duì)應(yīng)一組學(xué)習(xí)生成的邊緣模板；步驟402.對(duì)于每個(gè)塊i中的每一條邊緣j,基于Chamfer Matching算法,計(jì)算它與所有對(duì)應(yīng)邊緣模板的最大相似度，設(shè)定第四閾值，如果Sjnaxiu大于第四閾值，則認(rèn)為該邊緣為真實(shí)邊緣，將其加入預(yù)測(cè)邊緣圖像。進(jìn)一步，作為優(yōu)選，所述步驟5:分別計(jì)算第二原始邊緣圖像和預(yù)測(cè)邊緣圖像的方向梯度直方圖特征包括以下步驟:
步驟501.計(jì)算第二原始邊緣圖像的方向梯度直方圖，得到特征向量；步驟502.計(jì)算預(yù)測(cè)邊緣圖像的方向梯度直方圖，得到特征向量。進(jìn)一步，作為優(yōu)選，所述步驟6:疊加第二原始邊緣圖像和預(yù)測(cè)邊緣圖像梯度直方圖，生成邊緣描述特征包括以下步驟:步驟601.將第二原始邊緣圖像和預(yù)測(cè)邊緣圖像梯度直方圖的特征向量和相加，得到邊緣描述特征向量；步驟602.用L2_norm方法對(duì)邊緣描述特征向量重新做歸一化。進(jìn)一步，作為優(yōu)選，所述步驟7:將輸入圖像轉(zhuǎn)化為灰度圖，計(jì)算方向梯度直方圖特征，得到灰度圖描述特征包括以下步驟:步驟701.將輸入圖像從RGB空間轉(zhuǎn)換到GRAY空間，計(jì)算方向梯度直方圖，得到灰度圖描述特征向量。進(jìn)一步，作為優(yōu)選，所述步驟8:串聯(lián)灰度圖描述特征和邊緣描述特征，得到混合特征包括以下步驟:步驟801.將灰度圖描述特征和邊緣描述特征串聯(lián)，得到混合特征。本發(fā)明通過自動(dòng)增強(qiáng)頭肩邊緣輪廓，融合兩種類型特征的優(yōu)點(diǎn)，使得頭肩檢測(cè)的魯棒性增強(qiáng)，性能提高。


當(dāng)結(jié)合附圖考慮時(shí)，通過參照下面的詳細(xì)描述，能夠更完整更好地理解本發(fā)明以及容易得知其中許多伴隨的優(yōu)點(diǎn)，但此處所說明的附圖用來提供對(duì)本發(fā)明的進(jìn)一步理解，構(gòu)成本發(fā)明的一部分，本發(fā)明的示意性實(shí)施例及其說明用于解釋本發(fā)明，并不構(gòu)成對(duì)本發(fā)明的不當(dāng)限定，其中:圖1為本發(fā)明實(shí)施例一種針對(duì)頭肩檢測(cè)的混合特征提取方法流程圖。
具體實(shí)施例方式參照?qǐng)D1對(duì)本發(fā)明的實(shí)施例進(jìn)行說明。為使上述目的、特征和優(yōu)點(diǎn)能夠更加明顯易懂，下面結(jié)合附圖和具體實(shí)施方式
對(duì)本發(fā)明作進(jìn)一步詳細(xì)的說明。如圖1所示，一種針對(duì)頭肩檢測(cè)的混合特征提取方法，包括以下步驟:S1、步驟1:針對(duì)訓(xùn)練集中正樣本進(jìn)行邊緣檢測(cè)，得到第一原始邊緣圖像。我們的邊緣模板學(xué)習(xí)算法基于正樣本的邊緣圖像自動(dòng)學(xué)習(xí)生成，第一原始邊緣圖像將作為學(xué)習(xí)算法的輸入。具體步驟如下:步驟101.用gPb邊緣檢測(cè)算子計(jì)算邊緣響應(yīng)，得到每一個(gè)像素點(diǎn)的邊緣概率E(x, y, Θ)，其中X，y是像素點(diǎn)坐標(biāo)，Θ為邊緣方向；步驟102.計(jì)算每一個(gè)像素點(diǎn)在各個(gè)方向上的最大邊緣響應(yīng)；步驟103.利用分水嶺算法，得到邊緣弧線Vtl，并將Vtl用直線段近似表示；步驟104.令Ψ(ι上的每一點(diǎn)的邊緣概率等于E(X，y，Θ s)，其中Θ s等于該點(diǎn)所屬直線段的方向，此時(shí)的Ψο即為最終的邊緣圖像；S2、步驟2:將第一原始邊緣圖像切分成若干子區(qū)域，在每一個(gè)子區(qū)域里學(xué)習(xí)并生成邊緣模板。將頭肩邊緣輪廓看成由多條線段組合生成，使得我們可以用少量的線段來描述大量的邊緣輪廓形狀。所以我們將圖像切分成子區(qū)域，在子區(qū)域內(nèi)學(xué)習(xí)(局部)邊緣模板。具體步驟如下:步驟201.將原始邊緣圖像均勻切分成8X8和16X 162種尺寸的塊，塊之間相互覆蓋一半的面積。原始邊緣圖像的大小為32X32，因此會(huì)生成8X8的塊25個(gè)，16X16的塊9個(gè)；步驟202.對(duì)于每個(gè)正樣本i中塊j中的每一條邊緣k,基于Chamfer Matching算法，計(jì)算它與其他正樣本同一位置的塊中的所有邊緣的相似度S^k，如果大于閾值，則重現(xiàn)次數(shù) Ri,j，k = Ri,j，k+i;步驟203.對(duì)于每個(gè)正樣本i中塊j中的每一條邊緣k，如果重現(xiàn)次數(shù)Rqk大于閾值，則將其加入侯選庫C_Set中。步驟204.設(shè)定,利用K-Medoid算法對(duì)侯選庫C_Set進(jìn)行聚類,得到子類Cm, m =1, 2。步驟205.如果類內(nèi)距離dm大于閾值，則重復(fù)執(zhí)行步驟204，直到所有子類的類內(nèi)距離都小于閾值為止。步驟206.將每一個(gè)子類的中心Cenm, m = I, 2定義為一個(gè)邊緣模板。S3、步驟3:對(duì)于輸入圖像，進(jìn)行邊緣檢測(cè)得到第二原始邊緣圖像。對(duì)于每一張輸入圖像，都需要得到2張邊緣圖像:第二原始邊緣圖像和預(yù)測(cè)邊緣圖像。且預(yù)測(cè)邊緣圖像也是基于原始邊緣圖像生成。具體步驟如下:步驟301.用gPb邊緣檢測(cè)算子計(jì)算邊緣響應(yīng)，得到每一個(gè)像素點(diǎn)的邊緣概率E(x, y, Θ)，其中X，y是像素點(diǎn)坐標(biāo)，Θ為邊緣方向；步驟302.計(jì)算每一個(gè)像素點(diǎn)在各個(gè)方向上的最大邊緣響應(yīng)；步驟303.利用分水嶺算法，得到邊緣弧線Vtl，并將Vtl用直線段近似表示；步驟304.令Ψ(ι上的每一點(diǎn)的邊緣概率等于E(X，y，Θ s)，其中Θ s等于該點(diǎn)所屬直線段的方向，此時(shí)的Ψο即為最終的邊緣圖像；S4、步驟4:用學(xué)習(xí)生成的邊緣模板過濾第二原始邊緣圖像，得到預(yù)測(cè)邊緣圖像。第二原始邊緣圖像記錄了輸入圖像中所有可能的邊緣，包括前景內(nèi)部邊緣，背景內(nèi)部邊緣和前景背景邊緣。本發(fā)明的目的是需要突出前景背景邊緣，壓縮前景內(nèi)部邊緣和背景內(nèi)部邊緣。而前景背景邊緣，即頭肩輪廓，區(qū)別于其他兩種邊緣的隨機(jī)特性，具有一定的形狀模式，本發(fā)明的學(xué)習(xí)生成的邊緣模板則記錄了這種形狀模式。具體步驟如下:步驟401.采用和學(xué)習(xí)邊緣模板時(shí)相同的切分方式，將原始邊緣圖像均勻切分成8X8和16X162種尺寸的塊，塊之間相互覆蓋一半的面積。此時(shí)每一個(gè)塊都對(duì)應(yīng)一組學(xué)習(xí)生成的邊緣模板；步驟402.對(duì)于每個(gè)塊i中的每一條邊緣j，我們以ei,」表示，基于Chamfer Mat ching算法，計(jì)算它與所有對(duì)應(yīng)邊緣模板Pk的最大相似度X — maxM =mpxi77—;，八)，如果S_maXi,」大于閾值，則認(rèn)為該邊緣為真實(shí)邊緣，將其加入預(yù)測(cè)邊緣圖像；S5-6、步驟5:分別計(jì)算第二原始邊緣圖像和預(yù)測(cè)邊緣圖像的方向梯度直方圖特征(HOG)。為了和梯度特征保持相同的權(quán)重，即和梯度特征具有相同的維數(shù)，我們用HOG來描述邊緣特征。具體步驟如下:步驟501.計(jì)算第二原始邊緣圖像的方向梯度直方圖(H0G)，得到特征向量；步驟502.計(jì)算預(yù)測(cè)邊緣圖像的方向梯度直方圖(H0G)，得到特征向量。S7、步驟6:疊加兩種方向梯度直方圖，生成邊緣描述特征。本發(fā)明的目的是需要突出前景背景邊緣，壓縮前景內(nèi)部邊緣和背景內(nèi)部邊緣，所以在特征中重復(fù)加入一次前景背景邊緣，在歸一化之后則可以實(shí)現(xiàn)本發(fā)明的目的。具體步驟如下:步驟601.將兩種直方圖的特征向量和相加，得到邊緣描述特征向量；步驟602.用L2_norm方法對(duì)邊緣描述特征向量重新做歸一化；S8、步驟7:將輸入圖像轉(zhuǎn)化為灰度圖，計(jì)算方向梯度直方圖特征，得到灰度圖描述特征。具體步驟如下:步驟701.將輸入圖像從RGB空間轉(zhuǎn)換到GRAY空間，計(jì)算方向梯度直方圖，得到灰度圖描述特征向量。S9、步驟8:串聯(lián)灰度圖描述特征和邊緣描述特征，得到混合特征。受限于現(xiàn)有邊緣提取算子的性能，單純的邊緣特征仍然無法達(dá)到梯度特征的性能，我們將兩種特征融合，結(jié)合兩種特征的優(yōu)點(diǎn)。具體步驟如下:步驟801.將灰度圖描述特征和邊緣描述特征串聯(lián)，得到混合特征。雖然以上描述了本發(fā)明的具體實(shí)施方式
，但是本領(lǐng)域的技術(shù)人員應(yīng)當(dāng)理解，這些具體實(shí)施方式
僅是舉例說明，本領(lǐng)域的技術(shù)人員在不脫離本發(fā)明的原理和實(shí)質(zhì)的情況下，可以對(duì)上述方法和系統(tǒng)的細(xì)節(jié)進(jìn)行各種省略、替換和改變。例如，合并上述方法步驟，從而按照實(shí)質(zhì)相同的方法執(zhí)行實(shí)質(zhì)相同的功能以實(shí)現(xiàn)實(shí)質(zhì)相同的結(jié)果則屬于本發(fā)明的范圍。因此，本發(fā)明的范圍僅由所附權(quán)利要求書限定。
權(quán)利要求
1.一種針對(duì)頭肩檢測(cè)的混合特征提取方法，其特征在于，包括以下步驟: 步驟1:針對(duì)訓(xùn)練集中正樣本進(jìn)行邊緣檢測(cè)，得到第一原始邊緣圖像；步驟2:將第一原始邊緣圖像切分成若干子區(qū)域，在每一個(gè)子區(qū)域里學(xué)習(xí)并生成邊緣模板； 步驟3:對(duì)于輸入圖像，進(jìn)行邊緣檢測(cè)得到第二原始邊緣圖像； 步驟4:用邊緣模板過濾第二原始邊緣圖像，得到預(yù)測(cè)邊緣圖像； 步驟5:分別計(jì)算第二原始邊緣圖像和預(yù)測(cè)邊緣圖像的方向梯度直方圖特征； 步驟6:疊加第二原始邊緣圖像和預(yù)測(cè)邊緣圖像梯度直方圖特征，生成邊緣描述特征； 步驟7:將輸入圖像轉(zhuǎn)化為灰度圖，計(jì)算方向梯度直方圖特征，得到灰度圖描述特征； 步驟8:串聯(lián)灰度圖描述特征和邊緣描述特征，得到混合特征。
2.根據(jù)權(quán)利要求1所述一種針對(duì)頭肩檢測(cè)的混合特征提取方法，其特征在于，所述步驟1:針對(duì)訓(xùn)練集中正樣本進(jìn)行邊緣檢測(cè)，得到第一原始邊緣圖像具體包括以下步驟: 步驟101.用gPb邊緣檢測(cè)算子計(jì)算邊緣響應(yīng)； 步驟102.利用方向分水嶺算法得到第一原始邊緣圖像。
3.根據(jù)權(quán)利要求1所述一種針對(duì)頭肩檢測(cè)的混合特征提取方法，其特征在于，所述步驟2:將第一原始邊緣圖像切分成若干子區(qū)域，在每一個(gè)子區(qū)域里學(xué)習(xí)并生成邊緣模板包括以下步驟: 步驟201.將原始邊緣圖像均勻切分成8X8和16X 162種尺寸的塊，塊之間相互覆蓋一半的面積； 步驟202.對(duì)于每個(gè)正樣本i中塊`j中的每一條邊緣，基于ChamferMatching算法,計(jì)算它與其他正樣本同一位置的塊中的所有邊緣的相似度，設(shè)定第一閾值，如果大于第一閾值，則重現(xiàn)次數(shù)Ruk = H 步驟203.設(shè)定第二閾值，對(duì)于每個(gè)正樣本i中塊j中的每一條邊緣k，如果重現(xiàn)次數(shù)大于第二閾值，則將其加入侯選庫C_Set中； 步驟204.設(shè)定K = 2,利用K-Medoid算法對(duì)侯選庫C_Set進(jìn)行聚類,得到子類； 步驟205.設(shè)定第三閾值，如果類內(nèi)距離dm大于第三閾值，則重復(fù)執(zhí)行步驟204，直到所有子類的類內(nèi)距離都小于第三閾值為止； 步驟206.將每一個(gè)子類的中心定義為一個(gè)邊緣模板。
4.根據(jù)權(quán)利要求1所述一種針對(duì)頭肩檢測(cè)的混合特征提取方法，其特征在于，所述步驟3:對(duì)于輸入圖像，進(jìn)行邊緣檢測(cè)得到第二原始邊緣圖像包括以下步驟: 步驟301.用gPb邊緣檢測(cè)算子計(jì)算邊緣響應(yīng)； 步驟302.利用方向分水嶺算法得到第二原始邊緣圖像。
5.根據(jù)權(quán)利要求1所述一種針對(duì)頭肩檢測(cè)的混合特征提取方法，其特征在于，所述步驟4:用邊緣模板過第二濾原始邊緣圖像，得到預(yù)測(cè)邊緣圖像包括以下步驟: 步驟401.采用和學(xué)習(xí)邊緣模板時(shí)相同的切分方式，將第二原始邊緣圖像均勻切分成8X8和16X162種尺寸的塊，塊之間相互覆蓋一半的面積，此時(shí)每一個(gè)塊都對(duì)應(yīng)一組學(xué)習(xí)生成的邊緣模板； 步驟402.對(duì)于每個(gè)塊i中的每一條邊緣j,基于Chamfer Matching算法,計(jì)算它與所有對(duì)應(yīng)邊緣模板的最大相似度，設(shè)定第四閾值，如果S_maxu大于第四閾值，則認(rèn)為該邊緣為真實(shí)邊緣，將其加入預(yù)測(cè)邊緣圖像。
6.根據(jù)權(quán)利要求1所述一種針對(duì)頭肩檢測(cè)的混合特征提取方法，其特征在于，所述步驟5:分別計(jì)算第二原始邊緣圖像和預(yù)測(cè)邊緣圖像的方向梯度直方圖特征包括以下步驟: 步驟501.計(jì)算第二原始邊緣圖像的方向梯度直方圖，得到特征向量； 步驟502.計(jì)算預(yù)測(cè)邊緣圖像的方向梯度直方圖，得到特征向量。
7.根據(jù)權(quán)利要求1所述一種針對(duì)頭肩檢測(cè)的混合特征提取方法，其特征在于，所述步驟6:疊加第二原始邊緣圖像和預(yù)測(cè)邊緣圖像梯度直方圖，生成邊緣描述特征包括以下步驟: 步驟601.將第二原始邊緣圖像和預(yù)測(cè)邊緣圖像梯度直方圖的特征向量和相加，得到邊緣描述特征向量； 步驟602.用L2-norm方法對(duì)邊緣描述特征向量重新做歸一化。
8.根據(jù)權(quán)利要求1所述一種針對(duì)頭肩檢測(cè)的混合特征提取方法，其特征在于，所述步驟7:將輸入圖像轉(zhuǎn)化為灰度圖，計(jì)算方向梯度直方圖特征，得到灰度圖描述特征包括以下步驟: 步驟701.將輸入圖像從RGB空間轉(zhuǎn)換到GRAY空間，計(jì)算方向梯度直方圖，得到灰度圖描述特征向量。
9.根據(jù)權(quán)利要求1所述一種針對(duì)頭肩檢測(cè)的混合特征提取方法，其特征在于，所述步驟8:串聯(lián)灰度圖描述特征和邊緣描述特征，得到混合特征包括以下步驟: 步驟801.將灰度圖描述特征和邊緣描述特征串聯(lián)，得到混合特征。
全文摘要
本發(fā)明公開了一種針對(duì)頭肩檢測(cè)的混合特征提取方法，包括以下步驟1針對(duì)訓(xùn)練集中正樣本進(jìn)行邊緣檢測(cè)，得到第一原始邊緣圖像；2將第一原始邊緣圖像切分成若干子區(qū)域，在每一個(gè)子區(qū)域里學(xué)習(xí)并生成邊緣模板；3對(duì)于輸入圖像，進(jìn)行邊緣檢測(cè)得到第二原始邊緣圖像；4用邊緣模板過濾第二原始邊緣圖像，得到預(yù)測(cè)邊緣圖像；5分別計(jì)算第二原始邊緣圖像和預(yù)測(cè)邊緣圖像的方向梯度直方圖特征；6疊加第二原始邊緣圖像和預(yù)測(cè)邊緣圖像梯度直方圖特征，生成邊緣描述特征；7將輸入圖像轉(zhuǎn)化為灰度圖，計(jì)算方向梯度直方圖特征，得到灰度圖描述特征；8串聯(lián)灰度圖描述特征和邊緣描述特征，得到混合特征。
文檔編號(hào)G06K9/46GK103106409SQ201310033229
公開日2013年5月15日 申請(qǐng)日期2013年1月29日 優(yōu)先權(quán)日2013年1月29日
發(fā)明者苗振江, 王樹 申請(qǐng)人:北京交通大學(xué)