多特征融合的行人檢測(cè)方法
【專利摘要】本發(fā)明公開了一種多特征融合的行人檢測(cè)方法，步驟如下：1）特征設(shè)計(jì)，即對(duì)于輸入樣本圖像計(jì)算隨機(jī)特征，統(tǒng)計(jì)特征概率分布直方圖；2）構(gòu)造樹分類器，即從多個(gè)特征概率分布直方圖中選擇判別能力較強(qiáng)的特征，形成樹分類器；3）構(gòu)造森林分類器，即由多個(gè)樹分類器生成一個(gè)森林分類器；4）構(gòu)造集成森林分類器，即由多個(gè)森林分類器生成集成森林分類器；5）使用集成森林分類器對(duì)行人進(jìn)行檢測(cè)。本發(fā)明方案計(jì)算效率高，為實(shí)時(shí)處理提供了有利條件。另外，從大量隨機(jī)特征中選出較強(qiáng)判別能力的特征，利用多種隨機(jī)特征進(jìn)行融合有效的提高了行人檢測(cè)效率。
【專利說明】多特征融合的行人檢測(cè)方法

【技術(shù)領(lǐng)域】
[0001] 本發(fā)明涉及計(jì)算機(jī)視覺和模式識(shí)別領(lǐng)域，更具體地說，涉及一種使用多種特征融 合的行人檢測(cè)方法。

【背景技術(shù)】
[0002] 行人檢測(cè)是指在輸入圖像或者視頻序列中將人體區(qū)域從背景中分割出來(lái)的過程。 行人檢測(cè)作為人體運(yùn)動(dòng)的視覺分析中的一項(xiàng)關(guān)鍵技術(shù)，近年來(lái)在諸如視頻監(jiān)控、機(jī)器人、智 能交通和高級(jí)人機(jī)交互等計(jì)算機(jī)視覺領(lǐng)域中有著廣泛的應(yīng)用。
[0003] 在行人檢測(cè)中，由于極易受到光照、自身姿態(tài)、服飾等眾多因素的影響，使得準(zhǔn)確 無(wú)誤的檢測(cè)行人有非常大的難度。行人檢測(cè)的常用方法是基于統(tǒng)計(jì)分類的方法，即將行人 檢測(cè)看作是對(duì)行人和非行人兩個(gè)類別進(jìn)行分類的問題。其主要包括兩個(gè)關(guān)鍵步驟：1、提取 行人特征；2、采用模式識(shí)別方法進(jìn)行分類。特征提取的目的是降低數(shù)據(jù)的維數(shù)，得到能反映 模式本質(zhì)屬性的特征，方便后面的分類；分類器設(shè)計(jì)屬于機(jī)器學(xué)習(xí)領(lǐng)域的范疇，其目的是得 到一個(gè)計(jì)算復(fù)雜度較低，并且推廣性較好的分類器。因此，如何提取有效的行人特征對(duì)行人 檢測(cè)至關(guān)重要。
[0004] 根據(jù)特征描述的不同，行人特征可以分為底層特征、基于學(xué)習(xí)的特征和混合特征。
[0005] 底層特征指的是顏色、紋理和梯度等基本的圖像特征。Dalai等提出 HOG (Histogram of Oriented Gradient)是目前廣泛使用的行人特征描述子。H0G刻畫圖像 的局部梯度幅值和方向特征，對(duì)光照變化和小量的偏移并不敏感，能有效地刻畫出人體的 邊緣特征.但H0G也有其缺點(diǎn)，比如維度高、計(jì)算慢。另外還有Ojala等提出的一種用于紋 理分類的特征提取方法，即局部二值模式（Local Binary Pattern, LBP)，其計(jì)算速度相對(duì) 較快，但對(duì)于低分辨率下判別能力較差。
[0006] 基于學(xué)習(xí)的特征指的是通過機(jī)器學(xué)習(xí)的方法，從大量的行人樣本中學(xué)習(xí)到的行 人特征表示?；趯W(xué)習(xí)的特征，利用Boosting進(jìn)行特征選擇，選擇出來(lái)的特征可看作是 行人的中間層表示。利用AdaBoost從大量的Haar特征中選擇判別能力較強(qiáng)的特征（弱分 類器），應(yīng)用在行人檢測(cè)中。
[0007] 混合特征指的是多種底層特征的融合，或者是底層特征的高階統(tǒng)計(jì)特征。Tuzel 等利用各種不同特征，如象素的坐標(biāo)、灰度的一階導(dǎo)數(shù)、二階導(dǎo)數(shù)和梯度方向等的協(xié)方差矩 陣來(lái)描述行人的局部區(qū)域特征。Watanabe等則采用類似灰度共生矩陣的特征，提出了共生 梯度方向直方圖特征（Co-occurrence Histograms of Oriented Gradients,簡(jiǎn)稱 CoHOG)。 CoHOG通過"梯度對(duì)"更好地描述了梯度的空間分布特征，其缺點(diǎn)主要是向量維度太高。


【發(fā)明內(nèi)容】

[0008] 本發(fā)明的目的在于，針對(duì)上述行人檢測(cè)技術(shù)中，行人檢測(cè)實(shí)時(shí)性差或者準(zhǔn)確率低 的問題，提出一種提取隨機(jī)特征的方法，并且從大量隨機(jī)特征中選出較強(qiáng)判別能力的特征， 利用多種隨機(jī)特征進(jìn)行融合來(lái)達(dá)到有效行人檢測(cè)的目的。
[0009] 實(shí)現(xiàn)本發(fā)明目的的技術(shù)方案為：該方法包括以下過程。
[0010] 1)特征設(shè)計(jì)，即對(duì)于輸入樣本圖像計(jì)算隨機(jī)特征，統(tǒng)計(jì)特征概率分布直方圖；
[0011] 2)構(gòu)造樹分類器，即從多個(gè)特征概率分布直方圖中選擇判別能力較強(qiáng)的特征，形 成樹分類器；
[0012] 3)構(gòu)造森林分類器，即由多個(gè)樹分類器生成一個(gè)森林分類器；
[0013] 4)構(gòu)造集成森林分類器，即由多個(gè)森林分類器生成集成森林分類器；
[0014] 5)使用集成森林分類器對(duì)行人進(jìn)行檢測(cè)。
[0015] 上述方法中，所述步驟1)中的樣本分為正例樣本和反例樣本，正例樣本是指含有 行人的圖像，反例樣本是指不含有行人的圖像，正例樣本和反例樣本均統(tǒng)一為相同尺寸大 小的圖像。
[0016] 上述方法中，所述步驟1)的特征設(shè)計(jì)包括以下過程：
[0017] 11)計(jì)算樣本隨機(jī)特征；
[0018] 12)計(jì)算特征序列概率分布直方圖。
[0019] 上述方法中，所述步驟11)包括以下具體步驟：
[0020] 111)針對(duì)樣本圖像隨機(jī)初始化fn個(gè)的相同大小的區(qū)域塊，fn的取值范圍為 1000?10000,每個(gè)區(qū)域塊隨機(jī)初始化tn個(gè)的坐標(biāo)點(diǎn)對(duì)，這里可以設(shè)tn = {4, 8, 16, 32};
[0021] 112)針對(duì)每一個(gè)區(qū)域塊，計(jì)算坐標(biāo)點(diǎn)對(duì)的像素差值，若差值大于在自定義的閾值 p，則該坐標(biāo)點(diǎn)對(duì)的形成的特征值為1，反之為0,因此，每個(gè)區(qū)域塊的特征是由0和1組成， 長(zhǎng)度為tn的序列；
[0022] 113)對(duì)于每一個(gè)樣本圖像，計(jì)算fn個(gè)區(qū)域塊的特征，所有區(qū)域塊的特征最終形成 樣本圖像的特征T。特征T是由fn個(gè)長(zhǎng)度為tn的序列組成。
[0023] 上述方法中，所述步驟12)包括以下具體步驟：
[0024] 121)對(duì)于第i個(gè)特征序列，其二進(jìn)制值為Vi，統(tǒng)計(jì)該序列值分別在正例樣本和反 例樣本中出現(xiàn)的次數(shù)，其值分別為I；·，p;
[0025] 122)將其對(duì)應(yīng)的二進(jìn)制值進(jìn)行歸一化處理，方法如下： =L" / nn
[0026] ° ° ° ⑴ L',* =L^ / rtj
[0027] 其中，1?為正例樣本個(gè)數(shù)，&為反例樣本個(gè)數(shù)；
[0028] 123)重復(fù)上述步驟121)?步驟122)直至計(jì)算完所有的fn個(gè)特征序列為止，得到

【權(quán)利要求】
1. 一種多特征融合的行人檢測(cè)方法，其特征在于包括以下步驟： 1) 特征設(shè)計(jì)，即對(duì)于輸入樣本圖像計(jì)算隨機(jī)特征，統(tǒng)計(jì)特征概率分布直方圖； 2) 構(gòu)造樹分類器，即從多個(gè)特征概率分布直方圖中選擇判別能力較強(qiáng)的特征，形成樹 分類器； 3) 構(gòu)造森林分類器，即由多個(gè)樹分類器生成一個(gè)森林分類器； 4) 構(gòu)造集成森林分類器，即由多個(gè)森林分類器生成集成森林分類器； 5) 使用集成森林分類器對(duì)行人進(jìn)行檢測(cè)。
2. 根據(jù)權(quán)利要求1所述的多特征融合的行人檢測(cè)方法，其特征在于所述步驟1)中的樣 本分為正例樣本和反例樣本，正例樣本是指含有行人的圖像，反例樣本是指不含有行人的 圖像，正例樣本和反例樣本均統(tǒng)一為相同尺寸大小的圖像。 所述步驟1)特征設(shè)計(jì)包括以下步驟： 11) 計(jì)算樣本隨機(jī)特征； 12) 計(jì)算特征序列概率分布直方圖。
3. 根據(jù)權(quán)利要求2所述的多特征融合的行人檢測(cè)方法，其特征在于所述步驟11)包括 以下具體步驟： 111) 針對(duì)樣本圖像隨機(jī)初始化fn個(gè)的相同大小的區(qū)域塊，fn的取值范圍為1000? 10000,每個(gè)區(qū)域塊隨機(jī)初始化tn個(gè)的坐標(biāo)點(diǎn)對(duì)，設(shè)tn = {4, 8, 16, 32}; 112) 針對(duì)每一個(gè)區(qū)域塊，計(jì)算坐標(biāo)點(diǎn)對(duì)的像素差值，若差值大于在自定義的閾值P， 則該坐標(biāo)點(diǎn)對(duì)的形成的特征值為1，反之為0,因此，每個(gè)區(qū)域塊的特征是由0和1組成，長(zhǎng) 度為tn的序列； 113) 對(duì)于每一個(gè)樣本圖像，計(jì)算fn個(gè)區(qū)域塊的特征，所有區(qū)域塊的特征最終形成樣本 圖像的特征T，特征T是由fn個(gè)長(zhǎng)度為tn的序列組成。
4. 根據(jù)權(quán)利要求2所述的多特征融合的行人檢測(cè)方法，其特征在于所述步驟12)包括 以下具體步驟： 121) 對(duì)于第i個(gè)特征序列，其二進(jìn)制值為Vi，統(tǒng)計(jì)該序列值分別在正例樣本和反例樣 本中出現(xiàn)的次數(shù)，其值分別為L(zhǎng)》，L?; 122) 將其對(duì)應(yīng)的二進(jìn)制值進(jìn)行歸一化處理，方法如下： Lo=Lo ⑴ =V{ / nx 其中，1?為正例樣本個(gè)數(shù)，ni為反例樣本個(gè)數(shù)； 123) 重復(fù)上述步驟121)?步驟122)直至計(jì)算完所有的fn個(gè)特征序列為止，得到
124) 在U和Q中，其最大值分別記為列對(duì)應(yīng)的最大值和Pm，若，則記ρπ = PmO, Pi = 0 ;若 PmO 彡 pnl，則記 Pm = Pm, Pi = 1 ; 125) 若pm小于閾值P則pm = 0, Pl = -1。
5. 根據(jù)權(quán)利要求1所述的多特征融合的行人檢測(cè)方法，其特征在于所述步驟2)構(gòu)造樹 分類器包括以下具體步驟： 21)在構(gòu)造樹分類器之前，樹分類器為空，對(duì)于含有1?個(gè)正例樣本，其每一個(gè)正例樣本 初始化權(quán)重為Di = 0. 5/rv對(duì)于含有]^個(gè)反例樣本，其每一個(gè)反例樣本初始化權(quán)重為Di = 0. 5/n1 ； 22) 對(duì)于第i個(gè)特征序列，第j個(gè)樣本圖像在該特征序列下對(duì)應(yīng)的標(biāo)簽為Pl，若樣本標(biāo) 簽與Pl不同，則需計(jì)算錯(cuò)誤率，方法如下： ei = ei+Dj (2) 23) 重復(fù)步驟22)直至計(jì)算完所有的正例樣本和反例樣本為止； 24) 重復(fù)步驟21)?步驟22)直至計(jì)算完所有fn個(gè)特征序列為止，并標(biāo)記其最小錯(cuò)誤 率對(duì)應(yīng)的特征序列ind ; 25) 對(duì)于第j個(gè)樣本圖像，若樣本標(biāo)簽與特征序列ind所對(duì)應(yīng)的Pi不同，則更新樣本權(quán) 重為，方法如下：
(3) 若樣本標(biāo)簽與特征序列ind所對(duì)應(yīng)的？1相同，則更新權(quán)重為：
(4) 26) 重復(fù)以上步驟25)直至所有的正例樣本和反例樣本計(jì)算完畢為止； 27) 正例樣本和反例樣本進(jìn)行歸一化權(quán)重，正例樣本歸一化方法如下：
(5) 反例樣本歸一化方法如下：
(6) 28) 將該特征序列ind加入到樹分類器中。重復(fù)步驟25)?步驟27)直至Cff特征序 列加入到樹分類器中，最終形成樹分類器。
6. 根據(jù)權(quán)利要求1所述的多特征融合的行人檢測(cè)方法，其特征在于所述步驟3)構(gòu)造森 林分類器包括以下具體步驟： 31) 在構(gòu)造森林分類器之前，森林分類器為空，初始化樹分類器個(gè)數(shù)為nt_，每個(gè)樹分 類器所含特征序列個(gè)數(shù)為c f ; 32) 對(duì)于第i個(gè)樹分類器，按照上述步驟1)和步驟2)構(gòu)造樹分類器； 33) 重復(fù)上述步驟32)直至所有樹分類器構(gòu)造完畢，最終形成森林分類器。
7. 根據(jù)權(quán)利要求1所述的多特征融合的行人檢測(cè)方法，其特征在于所述步驟4)包括以 下具體步驟： 41) 在構(gòu)造集成森林分類器之前，集成森林分類器為空，初始化森林的個(gè)數(shù)nfOTe;st ; 42) 對(duì)于第i個(gè)森林分類器，按照上述步驟3)構(gòu)造森林分類器； 43) 重復(fù)上述步驟42)直至所有森林分類器構(gòu)造完畢，最終形成集成森林分類器。
8. 根據(jù)權(quán)利要求1所述的多特征融合的行人檢測(cè)方法，其特征在于所述步驟5)包括以 下具體步驟： 51) 對(duì)于樹分類器中的第i個(gè)特征序列，根據(jù)步驟11)計(jì)算該特征序列的特征值； 52) 該特征序列對(duì)應(yīng)標(biāo)簽為Pl，若Pl不等于-1則計(jì)算下該標(biāo)簽的分?jǐn)?shù)，方法如下：
(7) 53) 重復(fù)以上步驟51)?52)直至該樹分類器的所有(^個(gè)特征序列計(jì)算完為止； 54) 根據(jù)以上步驟51)?步驟53)得到最大的分?jǐn)?shù)及其對(duì)應(yīng)的標(biāo)簽； 55) 對(duì)于森林分類器中第i個(gè)樹分類器，按照步驟51)?步驟54)計(jì)算得到標(biāo)簽，并對(duì) 標(biāo)簽進(jìn)行計(jì)數(shù)； 56) 重復(fù)步驟55)直至所有的nt_個(gè)樹分類器計(jì)算完畢為止，比較正例標(biāo)簽和反例標(biāo) 簽所對(duì)應(yīng)的分?jǐn)?shù)，記錄最大的分?jǐn)?shù)和該分?jǐn)?shù)對(duì)應(yīng)的標(biāo)簽； 57) 對(duì)于集成森林分類器中的第i個(gè)森林分類器，按照步驟56)計(jì)算的到標(biāo)簽，并對(duì)標(biāo) 簽進(jìn)行計(jì)數(shù)； 58) 重復(fù)步驟57)直至所有的nfOTest個(gè)森林分類器計(jì)算完畢為止，比較正例標(biāo)簽和反例 標(biāo)簽所對(duì)應(yīng)的分?jǐn)?shù)，記錄最大的分?jǐn)?shù)和該分?jǐn)?shù)對(duì)應(yīng)的標(biāo)簽。
【文檔編號(hào)】G06K9/62GK104050460SQ201410307455
【公開日】2014年9月17日 申請(qǐng)日期:2014年6月30日 優(yōu)先權(quán)日:2014年6月30日
【發(fā)明者】劉亞洲, 袁文, 孫權(quán)森 申請(qǐng)人:南京理工大學(xué)