[发明专利]一种基于分层核稀疏表示的行人检测方法

说明书

技术领域

本发明属于智能交通领域，具体涉及一种基于分层核稀疏表示的行人检测方法。

背景技术

行人检测就是要把视频或者图像中出现的行人从背景中分割出来并精确定位，它在视频监控、智能驾驶等领域有着广泛的应用前景。但由于行人目标无论是在身材、衣着、姿势，还是在视角、光照方面都有着较大的变化，加之复杂的背景场景以及摄像头自身的移动和晃动，同时行人检测要求很高的精度和实时性，使得行人检测成为智能交通领域的最困难的课题之一。

目前行人检测系统一般分为外观特征提取和分类学习两部分，常用的外观特征如Harr小波，方向梯度直方图(Histograms of Oriented Gradient,HOG)，基于Gabor滤波器皮层特征、流形特征、形状特征和颜色特征等。常用的分类学习方法有Adaboost集成学习、支持向量机 (Support Vector Machine,SVM)，神经网络(Neural Network,NN)。

在驾驶辅助系统等应用中对行人检测的准确性有较高要求，但现有方法一般采用固定的算法流程提取目标的全局特征，如方向梯度直方图实现方法是先将图像分成小的方格单元连通区域；然后采集方格单元中各像素点的梯度方向或边缘方向直方图；最后把这些直方图组合起来就可以构成特征描述子，这种固有流程提取的全局特征不能够适应场景与行人外观的快速变换。同时由于街道附属物，车辆、树木等形成的部分遮挡，也使得通过分类器训练得到的分类模型难以准确的分辨行人，现有方法难以稳定的处理部分遮挡，视角变换等复杂情况。

发明内容

本发明为克服上述现有技术中存在的问题，提出一种基于分层核稀疏表示的行人检测方法，以期能有效地克服行人外观形变与部分遮挡的影响，增强行人检测对于外观变化的鲁棒性，从而实现行人的高效检测。

本发明为解决技术问题采用如下技术方案：

本发明一种基于分层核稀疏表示的行人检测方法的特点是按如下步骤进行：

步骤1、字典构建：

步骤1.1、从交通视频中获取N幅样本图像，从所述N幅样本图像中提取比例为x:y的行人区域和非行人区域；x表示所述行人区域或非行人区域的宽；y表示所述行人区域或非行人区域的高；且x≤y；将所述行人区域和非行人区域进行大小为a×b的归一化处理，分别获得行人正样本和非行人负样本；

步骤1.2、分别从所述行人正样本和非行人负样本中选取n个行人正样本和n个行人负样本；并分别转换为n个行人正样本的灰度图和n个行人负样本的灰度图；

对所述n个行人正样本的灰度图和n个行人负样本的灰度图分别进行梯度计算，获得n个行人正样本的梯度幅值和n个行人负样本的梯度幅值；

由所述n个行人正样本的梯度幅值构成n个正样本的特征图；由n个行人负样本的梯度幅值构成n个负样本的特征图；

步骤1.3、从所述n个正样本的特征图和n个负样本的特征图中选出第j个样本， 1≤j≤2n；对所述第j个样本进行三层划分，第一层以p₁×q₁进行划分，第二层以p₂×q₂进行划分，第三层以p₃×q₃进行划分，从而获得p₁×q₁+p₂×q₂+p₃×q₃＝M个子块，且 p₁×q₁＞p₂×q₂＞p₃×q₃；

步骤1.4、对所述第j个样本的第i个子块进行CENTRIST直方图描述子的提取，获得所述第j个样本的第i个子的m维局部特征向量从而获得所述第j个样本的M个m维局部特征向量1≤i≤M；

将所述M个m维局部特征向量进行级联，获得第j个样本的特征向量x_j；从而获得2n个样本的特征向量{x₁,x₂,…,x_j,…,x_2n}；其中，特征向量 {x₁,x₂,…,x_n}为正样本的特征向量；特征向量{x_n+1,x_n+2,…,x_2n}为负样本的特征向量；