基于局部特征共生性和偏最小二乘法的行人檢測(cè)方法
【專利摘要】基于局部特征共生性和偏最小二乘法的行人檢測(cè)方法，涉及計(jì)算機(jī)視覺(jué)技術(shù)。包括以下步驟：準(zhǔn)備訓(xùn)練樣本集，將訓(xùn)練樣本的特征向量組合作為預(yù)測(cè)矩陣X，將訓(xùn)練樣本的類別組合作為響應(yīng)矩陣y；利用偏最小二乘法對(duì)預(yù)測(cè)和響應(yīng)矩陣建立模型，求得權(quán)重矩陣W；根據(jù)權(quán)重矩陣W計(jì)算分?jǐn)?shù)較高的特征作為候選特征，用于生成局部特征共生性；對(duì)局部圖像塊中的候選特征進(jìn)行二值化并組合成局部特征共生性的二值化模式；計(jì)算二值化模式的概率分布，將其用于訓(xùn)練基于Boosted決策樹的行人檢測(cè)分類器；輸入待檢測(cè)圖像，通過(guò)得到的分類器在待檢測(cè)圖像中找出分?jǐn)?shù)較高的目標(biāo)窗口作為可能的行人物體，完成檢測(cè)。
【專利說(shuō)明】
基于局部特征共生性和偏最小二乘法的行人檢測(cè)方法
技術(shù)領(lǐng)域
[0001 ]本發(fā)明涉及計(jì)算機(jī)視覺(jué)技術(shù)，具體是涉及一種基于局部特征共生性和偏最小二乘 法的行人檢測(cè)方法。
【背景技術(shù)】
[0002] 真實(shí)場(chǎng)景下的行人檢測(cè)是計(jì)算機(jī)視覺(jué)中的一個(gè)重要研究方向，并在近些年來(lái)得到 了長(zhǎng)遠(yuǎn)的發(fā)展，同時(shí)行人檢測(cè)的研究也有助于目標(biāo)檢測(cè)和跟蹤等計(jì)算機(jī)視覺(jué)其他領(lǐng)域的發(fā) 展。由于行人的非剛性及在復(fù)雜場(chǎng)景中存在著光照變化大、遮擋等因素，行人檢測(cè)仍然存在 許多難點(diǎn)。因此，能夠?qū)σ曨l和圖像中的行人進(jìn)行精確的檢測(cè)和定位具有重要的理論研究 和實(shí)際應(yīng)用意義。行人檢測(cè)在智能交通領(lǐng)域有著廣泛的應(yīng)用，尤其對(duì)于智能交通控制，視頻 監(jiān)控和自動(dòng)駕駛系統(tǒng)有著重大意義。其中，隨著近些年來(lái)自動(dòng)駕駛系統(tǒng)的高速發(fā)展，對(duì)于交 通場(chǎng)景中的行人檢測(cè)成為研究的熱點(diǎn)。準(zhǔn)確而高效的行人檢測(cè)技術(shù)是對(duì)行人、車輛和乘客 的安全保證，也是判斷自動(dòng)駕駛系統(tǒng)能否運(yùn)用到實(shí)際場(chǎng)景中的重要標(biāo)準(zhǔn)。因此，行人檢測(cè)技 術(shù)成為當(dāng)今自動(dòng)駕駛系統(tǒng)的關(guān)鍵技術(shù)之一。
[0003] 積分通道特征方法是當(dāng)前行人檢測(cè)技術(shù)的熱門方法。特征積分圖的計(jì)算方法最早 由Viola和Jones (Viola P, Jones M J. Robust real - time face detection[J] .International Journal of Computer Vision.2004,57(2):p.l37_154·)提出并應(yīng)用于 人臉檢測(cè)當(dāng)中。Dollar等人（Dollar P，Tu Z，Perona P，et al.Integral channel features[C]. in BMVC. 2009，2(4): p. 5.)在人臉檢測(cè)的基礎(chǔ)上將積分通道特征運(yùn)用于行人 檢測(cè)。其基本思路為:對(duì)輸入圖像的特征進(jìn)行各種線性和非線性變換(例如梯度運(yùn)算、局部 求和和直方圖統(tǒng)計(jì)等)生成多個(gè)積分通道特征，其中在運(yùn)算的過(guò)程當(dāng)中運(yùn)用了積分圖方法， 在運(yùn)算速度上得到了很大的提高。積分通道特征對(duì)人體的形變和遮擋的特性具有較好的處 理能力，因此在行人檢測(cè)中取得了相當(dāng)好的實(shí)驗(yàn)效果。Nam等人(Nam W,Dollar P,Han J Η . Local decorrelation for improved detection[J]·Advances in Neural Information Processing Systems·2014,1:p.424-432·)在積分通道特征的基礎(chǔ)上利用局 部去相關(guān)性得出了更加魯棒的通道特征并取得了更好的檢測(cè)效果。然而目前絕大多數(shù)基于 積分通道特征的行人檢測(cè)方法在訓(xùn)練分類決策樹的每個(gè)結(jié)點(diǎn)時(shí)只利用了單個(gè)積分通道特 征，而單個(gè)特征對(duì)檢測(cè)的精確度的提高具有一定的局限性。
[0004] 從以往的研究成果表明，利用多特征共生性可以獲得比單個(gè)特征更多的信息量。 目前利用多特征共生性的方法主要可分為是否利用空間信息兩個(gè)類別。其中利用空間信息 的方法主要通過(guò)局部區(qū)域內(nèi)多個(gè)特征之間的聯(lián)系提取這些特征的共性，以達(dá)到獲得更多特 征信息量的目的。
[0005] 傳統(tǒng)的偏最小二乘法主要應(yīng)用于特征降維，然而，在訓(xùn)練降維過(guò)程得到的投影矩 陣的權(quán)重向量可以為每個(gè)特征提供一種評(píng)分機(jī)制，該特征在權(quán)重向量中對(duì)應(yīng)的分?jǐn)?shù)高低表 不其對(duì)于分類效果的貢獻(xiàn)值（Wold H.Partial least squares[M] .Encyclopedia of statistical sciences·1985:p·581-591·)〇

【發(fā)明內(nèi)容】

[0006] 本發(fā)明的目的在于提供一種基于局部特征共生性和偏最小二乘法的行人檢測(cè)方 法。
[0007] 本發(fā)明包括以下步驟：
[0008] A)準(zhǔn)備訓(xùn)練樣本集，將訓(xùn)練樣本的特征向量組合作為預(yù)測(cè)矩陣X，將訓(xùn)練樣本的類 別組合作為響應(yīng)矩陣y;
[0009] B)利用偏最小二乘法對(duì)預(yù)測(cè)和響應(yīng)矩陣建立模型，求得權(quán)重矩陣W;
[0010] C)根據(jù)權(quán)重矩陣W計(jì)算分?jǐn)?shù)較高的特征作為候選特征，用于生成局部特征共生性；
[0011] D)對(duì)局部圖像塊中的候選特征進(jìn)行二值化并組合成局部特征共生性的二值化模 式；
[0012] E)計(jì)算步驟D)中二值化模式的概率分布，將其用于訓(xùn)練基于Boosted決策樹的行 人檢測(cè)分類器；
[0013] F)輸入待檢測(cè)圖像，通過(guò)步驟E)得到的分類器在待檢測(cè)圖像中找出分?jǐn)?shù)較高的目 標(biāo)窗口作為可能的行人物體，完成檢測(cè)。
[0014]在步驟A)中，所述訓(xùn)練樣本集包括:包含行人圖像的正樣本集、不包含行人圖像的 負(fù)樣本集;所有正樣本集和負(fù)樣本集中的樣本均為統(tǒng)一像素大小的彩色圖像塊;提取所有 訓(xùn)練樣本集的積分通道特征，構(gòu)成特征向量;所述積分通道特征包括3個(gè)LUV顏色特征通道、 1個(gè)梯度幅值特征通道和6個(gè)梯度直方圖特征通道。
[0015] 在步驟B)中，所述利用偏最小二乘法對(duì)預(yù)測(cè)和響應(yīng)矩陣建立模型，求得權(quán)重矩陣W 的具體步驟可為：
[0016] B1)分別對(duì)X和y進(jìn)行中心化；
[0017] B2)根據(jù)非線性迭代偏最小二乘法，反復(fù)求解下列優(yōu)化問(wèn)題，直到求出k個(gè)權(quán)重向 量wk(k=l,......,P，k為自然數(shù)）構(gòu)成的矩陣W=(wi,w2, · · .wP):
[0018]
。 : u'/ U',: = 1，η.,: (A" )' Α" η:, = 0 (/ = 1，-1)
[0019] 在步驟C)中，所述根據(jù)權(quán)重矩陣W計(jì)算分?jǐn)?shù)較高的特征作為候選特征的公式為：
[0020]
[0021] 式中，wjk是權(quán)重向量wk的第j個(gè)元素
g示第k個(gè)潛在向量的回歸權(quán)重。
[0022] 在步驟D)中，對(duì)局部圖像塊中的候選特征進(jìn)行二值化并組合成局部特征共生性的 二值化模式的具體步驟可為：
[0023] D1)隨機(jī)選取一個(gè)候選特征及其3 X 3鄰域內(nèi)的相鄰特征組成特征對(duì)；
[0024] D2)對(duì)該特征對(duì)的每個(gè)特征進(jìn)行二值化；
[0025] D3)將二值化后的特征組合成局部特征共生性的二值化模式。
[0026] 在步驟E)中，所述計(jì)算步驟D)中二值化模式的概率分布，將其用于訓(xùn)練基于 Boosted決策樹的行人檢測(cè)分類器的具體步驟可為：
[0027] El)計(jì)算特征對(duì)的二值化模式的概率分布；
[0028] E2)將二值化模式的概率分布用于訓(xùn)練Boos ted決策樹，每個(gè)決策樹的結(jié)點(diǎn)對(duì)應(yīng)一 個(gè)特征對(duì)，將特征對(duì)的二值化模式的概率分布用于切分決策樹的每個(gè)結(jié)點(diǎn)，直到達(dá)到樹的 葉子結(jié)點(diǎn)結(jié)束；
[0029] E3)將訓(xùn)練得到的由Boosted決策樹構(gòu)成的弱分類器組合成一個(gè)強(qiáng)分類器。
[0030] 在步驟F)中，所述輸入待檢測(cè)圖像，通過(guò)步驟E)得到的分類器在圖像中找出分?jǐn)?shù) 車父尚的目標(biāo)窗口的具體步驟可為：
[0031] F1)對(duì)輸入的待檢測(cè)圖像的每個(gè)檢測(cè)窗口提取特征；
[0032] F2)從提取的特征中選擇特征對(duì)生成特征共生性的二值化模式，其中特征對(duì)的選 擇由步驟E訓(xùn)練好的Boosted決策樹決定；
[0033] F3)對(duì)于Boosted決策樹某個(gè)結(jié)點(diǎn)，判斷該結(jié)點(diǎn)二值化模式的值對(duì)應(yīng)的在步驟E得 到二值化模式條件下正負(fù)樣本的概率分布；當(dāng)正樣本的概率大于負(fù)樣本時(shí)，將其歸類到正 樣本(左子結(jié)點(diǎn)）；反之將其歸類到負(fù)樣本(右子結(jié)點(diǎn)）；當(dāng)達(dá)到葉子結(jié)點(diǎn)時(shí)，若其歸類到正樣 本，該檢測(cè)窗口的分?jǐn)?shù)加1，反之加0;
[0034] F4)將分類器的所有決策樹得出的分?jǐn)?shù)之和較高的目標(biāo)窗口作為可能的行人物 體，完成檢測(cè)。
[0035] 本發(fā)明使多特征的信息能夠融合而訓(xùn)練出更加魯棒的分類器。同時(shí)，為了更高效 得到具有較高分類性能的特征共生性，本發(fā)明引入了偏最小二乘法中的評(píng)分機(jī)制實(shí)現(xiàn)特征 選擇。本發(fā)明首先將訓(xùn)練樣本的特征向量組合作為預(yù)測(cè)矩陣X，將訓(xùn)練樣本的類別組合作為 響應(yīng)矩陣y，利用偏最小二乘法對(duì)預(yù)測(cè)和響應(yīng)矩陣建立模型求得權(quán)重矩陣W，權(quán)重矩陣中對(duì) 應(yīng)分?jǐn)?shù)較高的特征作為候選特征用于生成局部特征共生性;然后，對(duì)局部圖像塊中的多個(gè) 候選特征進(jìn)行二值化，并組合成局部特征共生性的二值化模式;最后計(jì)算二值化模式的概 率分布，將其用于訓(xùn)練基于Boosted決策樹的行人檢測(cè)分類器。對(duì)于待檢測(cè)圖像，通過(guò)訓(xùn)練 階段得到的分類器在圖像中找出分?jǐn)?shù)較高的目標(biāo)窗口，將其作為可能的行人物體，完成檢 測(cè) 。
[0036] 本發(fā)明在積分通道特征的基礎(chǔ)上，為了高效地得到分類性能較好的特征共生性用 于行人檢測(cè)，引入一種利用偏最小二乘法的評(píng)分機(jī)制用于特征選擇。傳統(tǒng)的偏最小二乘法 主要應(yīng)用于特征降維，然而，在訓(xùn)練降維過(guò)程得到的投影矩陣的權(quán)重向量可以為每個(gè)特征 提供一種評(píng)分機(jī)制，該特征在權(quán)重向量中對(duì)應(yīng)的分?jǐn)?shù)高低表示其對(duì)于分類效果的貢獻(xiàn)值。 因此，本發(fā)明利用這一特性，在數(shù)量巨大的特征當(dāng)中找出投影矩陣對(duì)應(yīng)分?jǐn)?shù)較高的特征作 為候選特征用于訓(xùn)練分類器，這樣能夠提高分類器的訓(xùn)練速度和檢測(cè)精度。在建立偏最小 二乘法的模型時(shí)，本發(fā)明運(yùn)用了經(jīng)典的非線性迭代偏最小二乘法進(jìn)行求解。
【附圖說(shuō)明】
[0037] 圖1為本發(fā)明實(shí)施例的根據(jù)PLS中的特征分?jǐn)?shù)選擇不同比例的候選特征的行人檢 測(cè)實(shí)驗(yàn)結(jié)果圖。在圖1中，曲線1~4分別對(duì)應(yīng)選擇前25 %、50%、75%和100%的候選特征的 實(shí)驗(yàn)結(jié)果曲線圖。
[0038] 圖2為本發(fā)明實(shí)施例的特征共生性的二值化模式的生成過(guò)程。
[0039] 圖3為本發(fā)明實(shí)施例的特征對(duì)的二值化模式的概率分布實(shí)例圖。
[0040] 圖4為本發(fā)明與其它幾種行人檢測(cè)方法對(duì)比的實(shí)驗(yàn)結(jié)果圖。在圖4中，曲線1對(duì)應(yīng)本 發(fā)明的方法；曲線2對(duì)應(yīng)Lim等人提出的SketchTokens(Lim J J，Zitnick C L，Doll^r L. Sketch tokens: A learned midlevel representation for contour and object detection, in CVPR，2013，p.3158_3165·);曲線3對(duì)應(yīng)Benenson等人提出的Roerei (Benenson R,Mathias M,Tuytelaars T, Van Gool L. Seeking the strongest rigid detector[C] · in CVPR,2013,p.3666-3673);曲線4對(duì)應(yīng)Mathias等人提出的Franken (Mathias M,Benenson R,Timofte R,Van Gool L.Handling occlusions with franken-classifiers, in ICCV,2013,p.1505-1512·);曲線5對(duì)應(yīng)Nam等人提出的LDCF(Nam W,Doll;i r P,Han J H.Local decorrelation for improved detection[J].Advances in Neural Information Processing Systems·2014,1:p·424-432·)〇
【具體實(shí)施方式】
[0041] 下面結(jié)合附圖和實(shí)施例對(duì)本發(fā)明的方法作詳細(xì)說(shuō)明，本實(shí)施例在以本發(fā)明技術(shù)方 案為前提下進(jìn)行實(shí)施，給出了實(shí)施方式和具體操作過(guò)程，但本發(fā)明的保護(hù)范圍不限于下述 的實(shí)施例。
[0042] 本發(fā)明實(shí)施例的實(shí)施方式包括以下步驟：
[0043] S1.準(zhǔn)備訓(xùn)練樣本集，將訓(xùn)練樣本的特征向量組合作為預(yù)測(cè)矩陣Χ=(Χ1，χ2,...， Xn)T，n為訓(xùn)練樣本數(shù)，η為自然數(shù)。每個(gè)訓(xùn)練樣本中又包含的m個(gè)特征，m為自然數(shù)。將訓(xùn)練樣 本的類別組合作為響應(yīng)矩陣Y=(yi，y2,...，y n)T，yi表示樣本類別：
[0044]
[0045] 特征向量的提取具體包括以下步驟:首先選擇某一特定的數(shù)據(jù)集，例如在INRIA數(shù) 據(jù)集中包括包含行人的正樣本圖像及不包含行人的負(fù)樣本圖像。在正樣本圖像中框圖獲得 64X128像素包含行人的彩色圖像塊，這些圖像塊及其反向?qū)ΨQ共同構(gòu)成正樣本數(shù)據(jù)集；同 理，在負(fù)樣本圖像中框圖（不必進(jìn)行反向?qū)ΨQ操作)獲得不包含行人的負(fù)樣本數(shù)據(jù)集。對(duì)所 有樣本集提取積分通道特征(包括LUV顏色特征通道3個(gè)、梯度幅值特征通道1個(gè)和梯度直方 圖特征通道6個(gè)），構(gòu)成特征向量。
[0046] S2.利用偏最小二乘法對(duì)預(yù)測(cè)和響應(yīng)矩陣建立模型求得權(quán)重矩陣W。
[0047]具體包括:分別對(duì)X和y進(jìn)行中心化：
[0048]
[0049]
[0050] 利用偏最小二乘法分解預(yù)測(cè)和響應(yīng)矩陣得到方程組：
[0051]
[0052] 式中，T和U是mXp的潛在矩陣，p為自然數(shù)，P和q是分別表示mXp的載重矩陣和pX 1的載重向量，nXm的矩陣E和nX 1的向量f表示殘差。
[0053] 根據(jù)非線性迭代偏最小二乘法，以上方程組可通過(guò)反復(fù)求解下列優(yōu)化問(wèn)題解決：
[0054]
[0055]該求解過(guò)程為迭代過(guò)程，直到求出k個(gè)權(quán)重向量wk(k=l，......，p，k為自然數(shù))構(gòu) 成的矩陣W=(W1，W2,….Wp)時(shí)結(jié)束。
[0056] S3.根據(jù)權(quán)重矩陣得到分?jǐn)?shù)較高的特征作為候選特征用于生成局部特征對(duì)的共生 性。候選特征的分?jǐn)?shù)計(jì)算公式為：
[0057]
[0058] 式中，wjk是權(quán)重向量wk的第j個(gè)元素
表示第k個(gè)潛在向量的回歸權(quán)重。通 過(guò)圖1可以看出，當(dāng)選擇分?jǐn)?shù)值前50%的特征作為候選特征時(shí)，誤檢率(miss rate)達(dá)到最 低。因此，在后續(xù)實(shí)驗(yàn)中本發(fā)明都選擇前50%的特征作為候選特征
[0059] S4.如圖2所示隨機(jī)選取一個(gè)候選特征及其3X3鄰域內(nèi)的相鄰特征組成特征對(duì)，對(duì) 該特征對(duì)的每個(gè)特征進(jìn)行二值化：
[0060]
[0061] 式中，λ用于控制不等式的方向，.νμ)]表示在分類決策樹中的第j個(gè)樹結(jié)點(diǎn)的特征 值，i和k分別表示該特征是本結(jié)點(diǎn)對(duì)應(yīng)特征對(duì)的第i個(gè)和所有特征的第k個(gè)，τμ;]是由分類 決策樹的訓(xùn)練誤差決定的閾值，即其為使得被誤分類的樣本數(shù)最小時(shí)得到的值。
[0062] 將二值化后的特征組合成局部特征共生性的二值化模式：
[0063]
[0064] 式中，Zj(x)是分類決策樹中的第j個(gè)樹結(jié)點(diǎn)二值化序列。
[0065] S5.計(jì)算特征對(duì)的二值化模式的概率分布：
[0066]
[0067]式中，ye {+1 ,-1}是樣本的分類標(biāo)簽，Pj(y =+11 Z)和Pj(y = -1 I z)表示正負(fù)樣本在 二值化模式z下的條件概率，Xl表示第i個(gè)訓(xùn)練樣本，wt(i)表示樣本在訓(xùn)練過(guò)程中的權(quán)重。
[0068] 每個(gè)分類Boosted決策樹的結(jié)點(diǎn)對(duì)應(yīng)一個(gè)從候選特征中隨機(jī)選擇的特征對(duì)。將特 征對(duì)的二值化模式的概率分布用于切分決策樹的每個(gè)結(jié)點(diǎn)，結(jié)點(diǎn)的切分用h(x)表示：
[0069] hj(x)=pjsign(Pj(z =+l | y)-Pj(z = -l | y)),
[0070] 式中，Pje{+1，-1}表示符號(hào)參數(shù)。sign( ·)表示符號(hào)函數(shù)。
[0071] 圖3給出了一個(gè)根據(jù)特征對(duì)的二值化模式的概率分布的例子，對(duì)于決策樹某個(gè)結(jié) 點(diǎn)，當(dāng)該樣本特征對(duì)的二值化模式的值為(01)2和（11)2時(shí)，對(duì)應(yīng)的概率分布Pj (y =+11 Z)大 于Pj(y = -l|z)，該訓(xùn)練樣本被歸類為正樣本;反之二值化模式的值為(00)2和（10)2時(shí)將其 歸類為負(fù)樣本，直到達(dá)到樹的葉子結(jié)點(diǎn)結(jié)束。
[0072] 將訓(xùn)練得到的由Boosted決策樹構(gòu)成的T個(gè)弱分類器結(jié)合組成一個(gè)強(qiáng)分類器：
[0073]
[0074]式中，at為每個(gè)弱分類器的權(quán)重。
[0075] S6.對(duì)輸入的待檢測(cè)圖像的每個(gè)檢測(cè)窗口提取積分通道特征。
[0076]從提取的特征中選擇特征對(duì)生成特征共生性的二值化模式，其中特征對(duì)的選擇由 步驟S5訓(xùn)練好的Boosted決策樹決定。
[0077]對(duì)于Boosted決策樹某個(gè)結(jié)點(diǎn)，判斷該檢測(cè)圖像選擇的特征共生性的二值化模式 的值對(duì)應(yīng)在步驟E得到二值化模式條件下正負(fù)樣本的概率分布大小。當(dāng)正樣本的概率分布 Pj(y =+11 Z)大于負(fù)樣本的概率分布Pj(y = -11 Z)，將其歸類到正樣本(左子結(jié)點(diǎn)）；反之將其 歸類到負(fù)樣本(右子結(jié)點(diǎn)）。當(dāng)達(dá)到葉子結(jié)點(diǎn)時(shí)，若其歸類到正樣本該檢測(cè)窗口的分?jǐn)?shù)加1， 反之加0。
[0078]將分類器的所有決策樹得出的分?jǐn)?shù)之和較高的檢測(cè)窗口作為可能的行人物體，完 成檢測(cè)。
[0079] 為了驗(yàn)證本發(fā)明的性能，運(yùn)用Matlab及C++語(yǔ)言編程實(shí)現(xiàn)上述的改進(jìn)算法，該代碼 運(yùn)行的硬件平臺(tái)為3.4GHZ的8核處理器。本發(fā)明選擇INRIA行人數(shù)據(jù)庫(kù)作為實(shí)驗(yàn)測(cè)試數(shù)據(jù) 集，通過(guò)幾輪的訓(xùn)練不斷添加難分類的樣本，最終的訓(xùn)練集中包括22,266個(gè)正樣本和10， 〇〇〇個(gè)負(fù)樣本。所有的樣本均為64X128像素大小的圖像塊。圖4給出了本發(fā)明方法與目前的 常用的積分通道相關(guān)的改進(jìn)方法的比較結(jié)果。從圖中結(jié)果可以看出本發(fā)明方法明顯優(yōu)于其 他方法，取得了最低的漏檢率（11.37 % )。同時(shí)，本發(fā)明的算法處理一幅圖像的時(shí)間大約為 0.2秒，基本能達(dá)到檢測(cè)的實(shí)時(shí)性。綜上所述，本發(fā)明提出的行人檢測(cè)方法能夠達(dá)到高效準(zhǔn) 確的效果，從而為行人檢測(cè)的實(shí)際應(yīng)用提供更好的理論基礎(chǔ)。
【主權(quán)項(xiàng)】
1. 基于局部特征共生性和偏最小二乘法的行人檢測(cè)方法，其特征在于包括W下步驟： A) 準(zhǔn)備訓(xùn)練樣本集，將訓(xùn)練樣本的特征向量組合作為預(yù)測(cè)矩陣X，將訓(xùn)練樣本的類別組 合作為響應(yīng)矩陣y; B) 利用偏最小二乘法對(duì)預(yù)測(cè)和響應(yīng)矩陣建立模型，求得權(quán)重矩陣W; C) 根據(jù)權(quán)重矩陣W計(jì)算分?jǐn)?shù)較高的特征作為候選特征，用于生成局部特征共生性； D) 對(duì)局部圖像塊中的候選特征進(jìn)行二值化并組合成局部特征共生性的二值化模式； E) 計(jì)算步驟D)中二值化模式的概率分布，將其用于訓(xùn)練基于Boosted決策樹的行人檢 測(cè)分類器； F) 輸入待檢測(cè)圖像，通過(guò)步驟E)得到的分類器在待檢測(cè)圖像中找出分?jǐn)?shù)較高的目標(biāo)窗 口作為可能的行人物體，完成檢測(cè)。2. 如權(quán)利要求1所述基于局部特征共生性和偏最小二乘法的行人檢測(cè)方法，其特征在 于在步驟A)中，所述訓(xùn)練樣本集包括:包含行人圖像的正樣本集、不包含行人圖像的負(fù)樣本 集;所有正樣本集和負(fù)樣本集中的樣本均為統(tǒng)一像素大小的彩色圖像塊;提取所有訓(xùn)練樣 本集的積分通道特征，構(gòu)成特征向量;所述積分通道特征包括3個(gè)LUV顏色特征通道、1個(gè)梯 度幅值特征通道和6個(gè)梯度直方圖特征通道。3. 如權(quán)利要求1所述基于局部特征共生性和偏最小二乘法的行人檢測(cè)方法，其特征在 于在步驟B)中，所述利用偏最小二乘法對(duì)預(yù)測(cè)和響應(yīng)矩陣建立模型，求得權(quán)重矩陣W的具體 步驟為： B1)分別對(duì)X和y進(jìn)行中屯、化； B2)根據(jù)非線性迭代偏最小二乘法，反復(fù)求解下列優(yōu)化問(wèn)題，直到求出k個(gè)權(quán)重向量wk構(gòu) 成的矩陣W=(W1,W2,. . .Wp)，k=l,......，P，k為自然數(shù)：4. 如權(quán)利要求1所述基于局部特征共生性和偏最小二乘法的行人檢測(cè)方法，其特征在 于在步驟C)中，所述根據(jù)權(quán)重矩陣W計(jì)算分?jǐn)?shù)較高的特征作為候選特征的公式為：式中，Wjk是權(quán)重向量Wk的第j個(gè)元素I示第k個(gè)潛在向量的回歸權(quán)重。5. 如權(quán)利要求1所述基于局部特征共生性和偏最小二乘法的行人檢測(cè)方法，其特征在 于在步驟D)中，對(duì)局部圖像塊中的候選特征進(jìn)行二值化并組合成局部特征共生性的二值化 模式的具體步驟為： D1)隨機(jī)選取一個(gè)候選特征及其3 X 3鄰域內(nèi)的相鄰特征組成特征對(duì)； D2)對(duì)該特征對(duì)的每個(gè)特征進(jìn)行二值化； D3)將二值化后的特征組合成局部特征共生性的二值化模式。6. 如權(quán)利要求1所述基于局部特征共生性和偏最小二乘法的行人檢測(cè)方法，其特征在 于在步驟E)中，所述計(jì)算步驟D)中二值化模式的概率分布，將其用于訓(xùn)練基于Boosted決策 樹的行人檢測(cè)分類器的具體步驟為： E1)計(jì)算特征對(duì)的二值化模式的概率分布； E2)將二值化模式的概率分布用于訓(xùn)練Boo S ted決策樹，每個(gè)決策樹的結(jié)點(diǎn)對(duì)應(yīng)一個(gè)特 征對(duì)，將特征對(duì)的二值化模式的概率分布用于切分決策樹的每個(gè)結(jié)點(diǎn)，直到達(dá)到樹的葉子 結(jié)點(diǎn)結(jié)束； E3)將訓(xùn)練得到的由Boosted決策樹構(gòu)成的弱分類器組合成一個(gè)強(qiáng)分類器。7.如權(quán)利要求1所述基于局部特征共生性和偏最小二乘法的行人檢測(cè)方法，其特征在 于在步驟F)中，所述輸入待檢測(cè)圖像，通過(guò)步驟E)得到的分類器在圖像中找出分?jǐn)?shù)較高的 目標(biāo)窗口的具體步驟為： F1)對(duì)輸入的待檢測(cè)圖像的每個(gè)檢測(cè)窗口提取特征； F2)從提取的特征中選擇特征對(duì)生成特征共生性的二值化模式，其中特征對(duì)的選擇由 步驟E訓(xùn)練好的Boosted決策樹決定； F3)對(duì)于Boosted決策樹某個(gè)結(jié)點(diǎn)，判斷該結(jié)點(diǎn)二值化模式的值對(duì)應(yīng)的在步驟E得到二 值化模式條件下正負(fù)樣本的概率分布；當(dāng)正樣本的概率大于負(fù)樣本時(shí)，將其歸類到正樣本 即左子結(jié)點(diǎn)；反之將其歸類到負(fù)樣本即右子結(jié)點(diǎn)；當(dāng)達(dá)到葉子結(jié)點(diǎn)時(shí)，若其歸類到正樣本， 該檢測(cè)窗口的分?jǐn)?shù)加1，反之加0; F4)將分類器的所有決策樹得出的分?jǐn)?shù)之和較高的目標(biāo)窗口作為可能的行人物體，完 成檢測(cè)。
【文檔編號(hào)】G06K9/62GK105975921SQ201610279313
【公開日】2016年9月28日
【申請(qǐng)日】2016年4月29日
【發(fā)明人】王菡子, 李琦銘, 嚴(yán)嚴(yán)
【申請(qǐng)人】廈門大學(xué)