一種基于邊緣分級和centrist特征的行人檢測方法
【專利摘要】本發(fā)明公開一種基于邊緣分級和CENTRIST特征的行人檢測方法，步驟為：用3D-Harris?Detector計算邊緣尺度，用合適的邊緣尺度閾值濾除局部細(xì)節(jié)紋理而保留顯著目標(biāo)的輪廓；對圖像進(jìn)行CENTRIST編碼值的提取，用一個8bit的二進(jìn)制數(shù)來編碼每個像素點(diǎn)；采用滑動窗口方式進(jìn)行目標(biāo)框掃描，對每個目標(biāo)框提取6144維CENTRIST直方圖特征向量，由SVM分類器得出是否檢測目標(biāo)。本發(fā)明基于CENTRIST特征提出了一種行人檢測方法，通過邊緣分級的技術(shù)可以有效的濾除復(fù)雜內(nèi)部紋理細(xì)節(jié)，減少背景的干擾提高檢測準(zhǔn)確率，對光照變化、形態(tài)變換、遮擋下的行人檢測有較高的魯棒性。
【專利說明】一種基于邊緣分級和CENTRIST特征的行人檢測方法

【技術(shù)領(lǐng)域】
[0001] 本發(fā)明屬于計算機(jī)視頻處理【技術(shù)領(lǐng)域】，具體為一種基于圖像紋理的行人檢測方 法，尤其適用于背景變化的單幀圖像行人檢測的應(yīng)用場合。

【背景技術(shù)】
[0002] 行人檢測在視頻監(jiān)控的應(yīng)用中扮演越來越重要的角色，比如住宅安全監(jiān)控、機(jī)場 安全監(jiān)控、異常事件檢測，還包括軍事上的敵對目標(biāo)檢測，娛樂中包括動作感知等等，都 是依賴于對人的準(zhǔn)確檢測和目標(biāo)定位。雖然目前有很多行人檢測方法被提出，但是復(fù)雜 的背景和不確定性因素（比如遮擋問題）給行人檢測提出了很多新的挑戰(zhàn)。現(xiàn)有技術(shù) 分為背景提?。˙ackground Subtraction)和直接檢測（Direct Detection)兩大策略。 比如以高斯背景建模（參見：Wren, C. R.，Azarbayejani, A.，Darrell, T.，&Pentland, A. P. (1997). Pfinder: Real-time tracking of the human body. Pattern Analysis and Machine Intelligence, IEEE Transactions on, 19 (7), 780-785.)為代表的背景提取方法，要求背 景緩慢變化的，并且背景更新的過程非常耗時。而以HOG為代表的基于圖像紋理的直接 檢測方法（參見：Dalal, N.，&Triggs, B. (2005, June) · Histograms of oriented gradients for human detection. In Computer Vision and Pattern Recognition, 2005. CVPR2005. IEEE Computer Society Conference on(Vol. l，pp. 886-893). IEEE.)很容易受到圖像噪聲和復(fù) 雜環(huán)境紋理的影響，并且圖像的絕對灰度值梯度信息在SVM的學(xué)習(xí)中魯棒性不強(qiáng)。


【發(fā)明內(nèi)容】

[0003] 本發(fā)明的目的是基于直接檢測的方法上克服現(xiàn)有技術(shù)的不足，提出了一種基于邊 緣分級和CENTRIST特征的行人檢測方法，通過邊緣分級的技術(shù)可以有效的濾除復(fù)雜內(nèi)部 紋理細(xì)節(jié)，減少背景的干擾提高檢測準(zhǔn)確率，對光照變化、形態(tài)變換、遮擋下的行人檢測有 較高的魯棒性。
[0004] 本發(fā)明是通過以下技術(shù)方案實(shí)現(xiàn)的，包括以下幾個步驟：
[0005] 第一步：對待檢測圖像進(jìn)行邊緣分級，提取顯著邊緣特征。
[0006] 具體步驟為：
[0007] 1.用 3D_Harris Detector 計算邊緣像素尺度。由 2D_Harris Detector 引入 3D_Harris Detector 自相關(guān)矩陣：
[0008]

【權(quán)利要求】
1. 一種基于邊緣分級和CENTRIST特征的行人檢測方法，其特征在于，包括以下步驟： 第一步：對待檢測圖像進(jìn)行邊緣分級，提取顯著邊緣特征； (1) 用3D-Harris Detector計算邊緣像素尺度，像素點(diǎn)的邊緣尺度定量為：
X，y表示像素坐標(biāo)，r表示圖像尺度，R則代表Harris檢測算子響應(yīng)； (2) 將像素尺度轉(zhuǎn)換到邊緣尺度，基于邊緣的結(jié)構(gòu)信息將分離的點(diǎn)聚合起來，根據(jù)尺度 相似和方向連續(xù)兩個結(jié)構(gòu)一致性進(jìn)行邊緣的聚類； (3) 將同一邊緣中的邊緣點(diǎn)統(tǒng)一到同一個邊緣尺度上，其中：統(tǒng)一尺度與3D-Harris檢 測尺度吻合，同一集合中的像素要有相似的邊緣尺度； (4) 選取邊緣尺度S e [2, 3]，濾除局部細(xì)節(jié)紋理而保留顯著目標(biāo)的輪廓，作為邊緣圖 像；作為下一步提取CENTRIST特征的輸入； 第二步：然后對圖像進(jìn)行CENTRIST特征的提取獲得6144維特征向量； 第三步：對數(shù)據(jù)集中的訓(xùn)練樣本分別獲取6144維特征向量并輸入SVM分類器進(jìn)行正負(fù) 樣本的二值分類器訓(xùn)練； 第四步：采用滑動窗口方式進(jìn)行目標(biāo)框掃描，對每個目標(biāo)框提取6144維的CENTRIST直 方圖特征向量，由SVM分類器得出是否檢測目標(biāo)。
2. 根據(jù)權(quán)利要求1所述的一種基于邊緣分級和CENTRIST特征的行人檢測方法，其特征 是：第一步中用3D-Harris Detector計算邊緣像素尺度： R = det (A) - a trace3 (A) = λ i λ 2 λ 3_ α ( λ 丄+ λ 2+ λ 3)3， 其中λ1; λ2, λ3是自相關(guān)矩陣Α的特征值，R為負(fù)值表示像素點(diǎn)為邊緣點(diǎn)，而且幅值越 大表示邊緣性越強(qiáng)烈。
3. 根據(jù)權(quán)利要求1所述的一種基于CENTRIST特征的行人檢測方法，其特征是：第一步 中將像素尺度轉(zhuǎn)換到邊緣尺度，具體公式為 ：
其中Pi表示圖像像素，λ為權(quán)重系數(shù)，N(Pi)表示點(diǎn)Pi的鄰域范圍。
4. 根據(jù)權(quán)利要求1所述的一種基于邊緣分級和CENTRIST特征的行人檢測方法，其特征 是：將C中的邊緣點(diǎn)統(tǒng)一到同一個邊緣尺度上，求得使代價函數(shù)
最小的f ，然后用的算數(shù)均值作為此邊緣的尺度，其中Si，Sj表示像素值的邊 緣尺度，和μ都表示權(quán)重系數(shù)。
5. 根據(jù)權(quán)利要求1所述的一種基于邊緣分級和CENTRIST特征的行人檢測方法，其特征 是：第二步中對圖像進(jìn)行CENTRIST編碼值的提取，具體為： (1)用一個8bit的二進(jìn)制數(shù)來編碼每個像素點(diǎn)，對邊緣圖的每個像素p，考慮其周圍8 個像素值Pi e N(P)的相對大小，若p > Pi，則對應(yīng)bit位置為0,否則相應(yīng)bit位置為1， 得到8bit的值范圍在[0, 255]之間，作為每個像素的CENTRIST值； (2)對于一個高寬為hB*wB大小的檢測塊，將其在寬高方向上分割為3*8個大小為 hB/8*wB/3的子塊，對每個子塊求出CENTRIST值的直方圖統(tǒng)計，這樣每個子塊的特征由一個 256維度的直方圖向量，而對于一個檢測塊的CENTRIST特征則是由3*8個子塊特征拼接成 3*8*256 = 6144維特征向量。
6.根據(jù)權(quán)利要求1-5任一項所述的一種基于邊緣分級和CENTRIST特征的行人檢測方 法，其特征是：第四步中：對每一幀待檢測圖進(jìn)行全圖的掃描，用圖像寬度/10和高度/10 為步長獲取掃描目標(biāo)框，對每個目標(biāo)框提取上述6144維特征向量，輸入SVM分類器，標(biāo)記出 相應(yīng)的正樣本則認(rèn)為是有行人目標(biāo)。
【文檔編號】G06K9/62GK104063682SQ201410243315
【公開日】2014年9月24日 申請日期:2014年6月3日 優(yōu)先權(quán)日:2014年6月3日
【發(fā)明者】楊華, 鄧長友 申請人:上海交通大學(xué)