[发明专利]一种多层次描述的人体特征提取方法

说明书

技术领域

本发明涉及计算机视觉和模式识别领域，更具体地说，是一种多层次描述的人体特征提取方法。

背景技术

人体检测是指在输人图像或者视频序列中确定所有人体的位置及大小的过程。人体检测作为人体运动的视觉分析中的一项关键技术，近年来成为生物特征识别和计算机视觉领域内的研究热点。

由于衣着、姿态和光照等因素的影响，使得人体数据的类内散度非常大。因此，如何提取有效的特征对人体数据进行描述并使之能够在特征空间中有比较紧致的分布，成为影响人体检测性能的关键因素。根据特征类型的不同，可以分为基于灰度的特征和基于梯度的特征以及基于多特征融合的方法。对于人体外观存在的差异，很多研究结果表明，基于梯度的人体表达方式较基于灰度的表达方式对于光照等变化具有更好的鲁棒性。而相对近期的很多研究结果表明，基于梯度统计信息的方法对于边缘的平移和旋转具有更好的鲁棒性，而对于具有多自由度的人体而言，这种边缘的变化又是非常常见的，因此基于梯度统计的方法在人体检测方面取得了很好的效果。例如：Lowe提出了著名的尺度不变描述子（Scale-Invariant Feature Transform，SIFT）进行物体检测，Mikolajczyk等提出了位置-方向直方图特征。

由于人体衣着、姿态的变化，人体比例的差异，视角的变化和遮挡问题等，造成了很难将人体的各个部分进行比较好的对齐的问题，即弱配准问题。这一问题目前仍然是人体检测中的难点问题之一。

发明内容

本发明的目的在于，针对上述人体检测技术中，人体数据难以进行配准的问题，提出了一种多层次描述的人体特征提取方法。

实现本发明目的的技术解决方案为：一种多层次描述的人体特征提取方法，包括以下步骤：

1）输入原始图像，计算图像梯度得到梯度图像；

2）根据方向量化步长                                               ，对梯度图像进行方向划分，获得不同的通道；

3）根据空间量化步长，对每个通道进行空间划分；

4）在每个通道中，生成一个矩形特征窗口；

5）在特征窗口内计算特征描述子；

6）将所有通道的特征描述子串接起来，形成一组特征描述子。

7）按照不同的步长调节参数和，重复步骤2）~ 步骤6），直到生成预设组数的具有不同描述能力的特征描述子。

上述方法中，所述步骤1）中原始图像可以是灰度图像或彩色图像，如果是彩色图像，则转换为灰度图像。

上述方法中，所述步骤2）包括以下具体步骤：

21）计算梯度角度即梯度图像每个像素的切线角度；

22）根据方向量化步长对梯度角度进行量化，将梯度图像划分成不同方向的通道，每个通道的角度，通道的个数=，=1，2…；

23）对于每个角度为的通道，保留那些量化后梯度角度为的像素点，其他的像素点置0； 

上述方法中，所述步骤22）中与梯度特征的旋转鲁棒性成正比，与方向确定性成反比。

上述方法中，所述步骤3）中空间划分是指，对于角度为的通道，利用一组切线角度为的间距为的平行线将其分割成多个划分；

上述方法中，所述步骤3）中与梯度特征的平移鲁棒性成正比，与位置确定性成反比。 

上述方法中，所述步骤4）中特征窗口可以是随机生成的，也可以是按照一定步长有规则地生成的。

上述方法中，所述步骤5）包括以下具体步骤：

51）在特征窗口内，计算每个划分的梯度强度；

52）选择具有最大梯度强度的划分，计算和归一化其特征描述子；

上述方法中，所述步骤51）中划分的梯度强度是指划分内的所有像素的梯度强度的和；

上述方法中，所述步骤52）中的特征描述子是一个7维的异质的向量，对于角度为的通道，该特征描述子为，该向量的各个分量的意义和计算方式如下： 

a）是具有最大梯度强度的划分的索引值，将这个索引值归一化为，其中是任意划分的梯度强度；

b） 是每个划分的梯度强度中的最大值, 将其归一化为 ；

c）是所有划分的梯度强度的标准差，用如下公式计算, 其中；

d）和是具有最大梯度强度的划分内所有非零像素点的位置的均值，通过如下公式来计算，，其中表示非零像素点的数目；表示特征窗口的中心，表示特征窗口的宽和高；