一種基于顯著區(qū)域的行人檢測方法及系統(tǒng)的制作方法
【專利摘要】一種基于顯著區(qū)域的行人檢測方法及系統(tǒng)，搜集包含行人的正樣本及不包含行人的負(fù)樣本的數(shù)據(jù)集，將歸一化正樣本和負(fù)樣本為預(yù)設(shè)尺寸，然后分別從各正樣本和負(fù)樣本中提取協(xié)方差矩陣特征作為訓(xùn)練數(shù)據(jù)，構(gòu)成級聯(lián)分類器；對于輸入圖像提取有效區(qū)域，進(jìn)行先驗(yàn)概率的分析，對各有效區(qū)域提取協(xié)方差矩陣特征，將所得結(jié)果輸入分類器進(jìn)行行人檢測，得到有效區(qū)域是否為包含行人的局部區(qū)域，根據(jù)貝葉斯分布由統(tǒng)計(jì)學(xué)推導(dǎo)出最優(yōu)結(jié)果。
【專利說明】—種基于顯著區(qū)域的行人檢測方法及系統(tǒng)
【技術(shù)領(lǐng)域】
[0001]本發(fā)明涉及目標(biāo)檢測領(lǐng)域，特別是一種基于顯著區(qū)域的行人檢測方法及系統(tǒng)。
【背景技術(shù)】
[0002]行人檢測，是一種在多圖像訓(xùn)練集的幫助下檢測出含有行人的圖像并把行人的所在位置標(biāo)注出來的技術(shù)。行人檢測常應(yīng)用于智能交通、人機(jī)交互、監(jiān)控視頻、輔助駕駛、老年人及殘疾人的看護(hù)等領(lǐng)域，因此成為目前計(jì)算機(jī)視覺的一個(gè)熱點(diǎn)；但是，行人的大小和姿態(tài)是變化的，這主要受到行人間的本身尺度差異和攝像頭拍攝角度差異的影響，同樣行人檢測也就成為一個(gè)難點(diǎn)。目前大部分的檢測算法都是基于Navneet Dalai and Bill Triggs的在文獻(xiàn)(“Histograms of oriented gradients for human detection,，’in ComputerVision and Pattern Recognition, 2005.CVPR2005.1EEE Computer Society Conferenceon.1EEE, 2005, vol.1, pp.886 - 893.)中提出的梯度直方圖的人體檢測方法，Dalal在提取梯度方向直方圖(Histograms of Oriented Gradients, HOG)特征的基礎(chǔ)上并采用滑動(dòng)窗口多次掃描方法以及支持向量機(jī)(Support VectorMachine, SVM)分類器來做檢測，最后獲得了較好的人體檢測效果。Piotr Dollar等人在文獻(xiàn)(Piotr Doll' ar, SergeBelongie, and Pietro Perona, “The fastest pedestrian detector in the west.,，’inBMVC, 2010，vol.2，p.7.)提到多尺度的縮放來檢測行人，也就是把滑動(dòng)窗口的縮放和原圖的縮放相結(jié)合。
[0003]正是這種尺度縮放帶來的計(jì)算量過大，所有的窗口在高分辨率圖像下的掃描次數(shù)可以到達(dá)上百萬，但是窗口縮放是有一定限度的，而行人在圖像中的位置和尺度是未知的，同時(shí)引起了很高的漏檢。也有相關(guān)研究致力于解決這個(gè)問題，如Lampert et al.’s等人在文獻(xiàn)(Christoph H Lampert, Matthew B Blaschko, and Thomas Hofmann, “Efficient subwindowsearch: A branch and bound framework for object localization,，’Pattern Analysisand Machine Intelligence,IEEE Transactions on, vol.31, n0.12, pp.2129 - 2142, 2009.)中針對檢測中的計(jì)算復(fù)雜提出的界定算法，F(xiàn)elzenszwalb et al.等人在文獻(xiàn)(Pedro FFelzenszwalb, Ross B Girshick, and David McAllester, “Cascade object detection withdeformable part models,，’in Computer vision and pattern recognition (CVPR), 2010IEEEconference on.1EEE, 2010, pp.2241 - 2248.)中提出的多尺度特征檢測算法。據(jù)文獻(xiàn)(Piotr Dollar, Christian Wojek, Bernt Schiele, and Pietro Perona, “Pedestriandetection:An evaluation of the state of the art, ，’Pattern Analysis and MachineIntelligence, IEEE Transactions on, vol.34, n0.4, pp.743 - 761, 2012.)調(diào)研顯不，這些檢測算法的計(jì)算復(fù)雜度仍很高。主要是因?yàn)檫@些算法是基于整張圖像的檢測算法，而忽略了圖像的有效區(qū)域(含有行人概率比較大的區(qū)域)。
[0004]由上述分析可以很容易發(fā)現(xiàn)，目前各種改進(jìn)的行人檢測方法盡管取得了不錯(cuò)的檢測效果，但是在減小計(jì)算量、提高檢測效率和減小誤檢率等方面仍然需要改進(jìn)。
【發(fā)明內(nèi)容】

[0005]本發(fā)明的目的是提出一種基于顯著區(qū)域的行人檢測方法及系統(tǒng)，解決現(xiàn)有的同類算法計(jì)算復(fù)雜度高，檢測率低的問題，通過利用貝葉斯準(zhǔn)則計(jì)算后驗(yàn)概率獲得最優(yōu)的結(jié)果。
[0006]為了達(dá)到以上目的，本發(fā)明采用的技術(shù)方案包括一種基于顯著區(qū)域的行人檢測方法，包含以下步驟，
[0007]步驟1，輸入包含行人的正樣本及不包含行人的負(fù)樣本的數(shù)據(jù)集，歸一化正樣本和負(fù)樣本為預(yù)設(shè)尺寸，然后分別從各正樣本和負(fù)樣本中提取協(xié)方差矩陣特征作為訓(xùn)練數(shù)據(jù)，構(gòu)造若干弱分類器，再根據(jù)級聯(lián)AdaBoost算法將若干弱分類器組成強(qiáng)分類器，多個(gè)強(qiáng)分類器構(gòu)成級聯(lián)分類器；
[0008]步驟2，對于輸入圖像I*提取有效區(qū)域，進(jìn)行先驗(yàn)概率的分析，包括以下子步驟，
[0009]步驟2.1，提取輸入圖像I*的任意像素/I的顯著度；
[0010]步驟2.2，以輸入圖像的每個(gè)像素為中心分別建立預(yù)設(shè)尺寸的局部區(qū)域R，獲取每個(gè)局部區(qū)域R的顯著概率值；
[0011]步驟2.3，根據(jù)步驟2.2所得每個(gè)局部區(qū)域R的顯著概率值判斷出有效區(qū)域；
[0012]步驟2.4，設(shè)p(EK)表示的是以輸入圖像的任一像素為中心建立的局部區(qū)域R是有效區(qū)域的概率，有效區(qū)域中包含行人的概率P (Pek I Ek)根據(jù)步驟2.3所得有效區(qū)域Ek通過步驟I訓(xùn)練所得級聯(lián)分類器得到，其中Pek是從有效區(qū)域中檢測到行人的結(jié)果，
[0013]貝葉斯準(zhǔn)則的先驗(yàn)部分P (Ee, Pee)表示為，
[0014]P (Ee, Pee) = P (Pee I Ee) p (Ee)
[0015]步驟3，對各有效區(qū)域提取協(xié)方差矩陣特征；
[0016]步驟4，將步驟3中所得結(jié)果輸入步驟I訓(xùn)練所得級聯(lián)分類器進(jìn)行行人檢測，得到有效區(qū)域Ek是否為包含行人Pek的局部區(qū)域R，從概率學(xué)角度分析表示為P (R| Ee, Pee)，作為貝葉斯的似然函數(shù)；
[0017]步驟5，利用步驟4所得p(R|EK，Pee)和步驟2.4中得到的P (Pek I Ek)和p (Ek)結(jié)合成貝葉斯分布，由統(tǒng)計(jì)學(xué)推導(dǎo)出最后結(jié)果，實(shí)現(xiàn)如下，
[0018]通過結(jié)合成貝葉斯分布，得出后驗(yàn)部分如下，
[0019]P (Ee, Pee I R) P (RI Ee, Pee) p (PEEI Ee) p (Ee)
[0020]從聯(lián)合概率分布(Ek，Pek)的角度把上式補(bǔ)全，檢測結(jié)果如下，
【權(quán)利要求】
1.一種基于顯著區(qū)域的行人檢測方法，其特征在于:包含以下步驟， 步驟I,輸入包含行人的正樣本及不包含行人的負(fù)樣本的數(shù)據(jù)集,歸一化正樣本和負(fù)樣本為預(yù)設(shè)尺寸，然后分別從各正樣本和負(fù)樣本中提取協(xié)方差矩陣特征作為訓(xùn)練數(shù)據(jù)，構(gòu)造若干弱分類器，再根據(jù)級聯(lián)AdaBoost算法將若干弱分類器組成強(qiáng)分類器，多個(gè)強(qiáng)分類器構(gòu)成級聯(lián)分類器； 步驟2，對于輸入圖像I提取有效區(qū)域，進(jìn)行先驗(yàn)概率的分析，包括以下子步驟， 步驟2.1，提取輸入圖像I的任意像素的顯著度； 步驟2.2，以輸入圖像的每個(gè)像素為中心分別建立預(yù)設(shè)尺寸的局部區(qū)域R，獲取每個(gè)局部區(qū)域R的顯著概率值； 步驟2.3，根據(jù)步驟2.2所得每個(gè)局部區(qū)域R的顯著概率值判斷出有效區(qū)域； 步驟2.4，設(shè)P (Ee)表示的是以輸入圖像的任一像素為中心建立的局部區(qū)域R是有效區(qū)域的概率，有效區(qū)域中包含行人的概率P (Pee I Ee)根據(jù)步驟2.3所得有效區(qū)域Ek通過步驟I訓(xùn)練所得級聯(lián)分類器得到，其中Pek是從有效區(qū)域中檢測到行人的結(jié)果， 貝葉斯準(zhǔn)則的先驗(yàn)部分P (EK，Pek)表示為，
P (Er, Pee) = P (Pee I Ee) P (Ee) 步驟3，對各有效區(qū)域提取協(xié)方差矩陣特征； 步驟4，將步驟3中所得結(jié)果輸入步驟I訓(xùn)練所得級聯(lián)分類器進(jìn)行行人檢測，得到有效區(qū)域Ek是否為包含行人Pek的局部區(qū)域R，從概率學(xué)角度分析表示為P (RI Ee, Pee)，作為貝葉斯的似然函數(shù)； 步驟5，利用步驟4所得P (R| EK，Pek)和步驟2.4中得到的P(PekIEk)和p (Ek)結(jié)合成貝葉斯分布，由統(tǒng)計(jì)學(xué)推導(dǎo)出最后結(jié)果，實(shí)現(xiàn)如下， 通過結(jié)合成貝葉斯分布，得出后驗(yàn)部分如下，
P (Er, Pee IR) P (RI Ee, Pee) P (Pee I Ee) p (Ee) 從聯(lián)合概率分布(Ek，Pek)的角度把上式補(bǔ)全，檢測結(jié)果如下，
2.根據(jù)權(quán)利要求1所述基于顯著區(qū)域的行人檢測方法，其特征在于:步驟I從各正樣本和負(fù)樣本中提取協(xié)方差矩陣特征和步驟3對各有效區(qū)域提取協(xié)方差矩陣特征時(shí)，將提取對象視為局部區(qū)域R，所采用的提取方式如下，設(shè)局部區(qū)域R相應(yīng)亮度圖為I，在這個(gè)亮度圖1內(nèi)的協(xié)方差特征被表示為，
3.根據(jù)權(quán)利要求1或2所述基于顯著區(qū)域的行人檢測方法，其特征在于:步驟2.1，提取輸入圖像f的任意像素I:的顯著度如下， 首先，像素Itk的顯著度通過下式獲得，
4.根據(jù)權(quán)利要求3所述基于顯著區(qū)域的行人檢測方法，其特征在于:步驟2.2的實(shí)現(xiàn)如下， 設(shè)Rk代表的是以像素€為中心的局部區(qū)域R，代表該局部區(qū)域的顯著度，設(shè)局部區(qū)域Rk中的顯著度.\符合高斯分布，相應(yīng)顯著概率值6--)如下，
5.根據(jù)權(quán)利要求4所述基于顯著區(qū)域的行人檢測方法，其特征在于:步驟2.3的實(shí)現(xiàn)方式為，通過顯著概率值0?)是否大于預(yù)設(shè)閾值，判斷相應(yīng)局部區(qū)域Rk是否為有效區(qū)域。
6.一種基于顯著區(qū)域的行人檢測系統(tǒng)，其特征在于:包含以下模塊， 訓(xùn)練模塊，用于搜集包含行人的正樣本及不包含行人的負(fù)樣本的數(shù)據(jù)集，將歸一化正樣本和負(fù)樣本為預(yù)設(shè)尺寸，然后分別從各正樣本和負(fù)樣本中提取協(xié)方差矩陣特征作為訓(xùn)練數(shù)據(jù)，構(gòu)造若干弱分類器，再根據(jù)級聯(lián)AdaBoost算法將若干弱分類器組成強(qiáng)分類器，多個(gè)強(qiáng)分類器構(gòu)成級聯(lián)分類器； 先驗(yàn)概率分析模塊，用于輸入圖像1'提取有效區(qū)域，進(jìn)行先驗(yàn)概率的分析，包括以下子模塊， 顯著度子模塊，用于提取輸入圖像1'的任意像素€的顯著度； 顯著概率值子模塊，用于以輸入圖像的每個(gè)像素為中心分別建立預(yù)設(shè)尺寸的局部區(qū)域R，獲取每個(gè)局部區(qū)域R的顯著概率值； 有效區(qū)域子模塊，用于根據(jù)顯著概率值子模塊所得每個(gè)局部區(qū)域R的顯著概率值判斷出有效區(qū)域； 分析子模塊，用于執(zhí)行分析，包括設(shè)P (Ek)表示的是以輸入圖像的任一像素為中心建立的局部區(qū)域R是有效區(qū)域的概率，有效區(qū)域中包含行人的概率P (Pee I Ee)根據(jù)有效區(qū)域子模塊所得有效區(qū)域Ek通過訓(xùn)練模塊所得級聯(lián)分類器得到，其中Pek是從有效區(qū)域中檢測到行人的結(jié)果， 貝葉斯準(zhǔn)則的先驗(yàn)部分P (EK，Pek)表示為，
P (Er, Pee) = P (Pee I Ee) P (Ee) 特征提取模塊，對各有效區(qū)域提取協(xié)方差矩陣特征； 似然函數(shù)模塊，用于將特征提取模塊所得結(jié)果輸入訓(xùn)練模塊所得級聯(lián)分類器進(jìn)行行人檢測，得到有效區(qū)域Ek是否為包含行人Pek的局部區(qū)域R，從概率學(xué)角度分析表示為P (R| Ee, Pek)，作為貝葉斯的似然函數(shù)； 結(jié)果模塊，用于利用似然函數(shù)模塊所得P (RI Ee, Pee)和分析子模塊中得到的P (Pee I Ee)和P(Ek)結(jié)合成貝葉斯分布，由統(tǒng)計(jì)學(xué)推導(dǎo)出最后結(jié)果，實(shí)現(xiàn)如下， 通過結(jié)合成貝葉斯分布，得出后驗(yàn)部分如下，
P (Er, Pee IR) P (RI Ee, Pee) P (Pee I Ee) p (Ee) 從聯(lián)合概率分布(Ek，Pek)的角度把上式補(bǔ)全，檢測結(jié)果如下，
【文檔編號】G06K9/62GK104008380SQ201410266759
【公開日】2014年8月27日 申請日期:2014年6月16日 優(yōu)先權(quán)日:2014年6月16日
【發(fā)明者】胡瑞敏, 方穩(wěn)華, 梁超, 王曉, 南源源, 溫屹, 陳軍 申請人:武漢大學(xué)