[发明专利]一种基于稀疏编码和神经网络的行人图片检测方法

说明书

技术领域

本发明涉及图片检索方法，特别涉及一种基于稀疏编码和神经网络的行人 图片检测方法。

背景技术

随着科技的进步，计算机等智能设备在人们的日常生活中应用越来越广泛， 计算机在处理重复的，数据密集的任务时，比人类更有效，更准确。自然地人 们希望计算机能够像人类一样处理一些更智能的问题。在计算机新的应用领域 中计算机视觉是一个重要的部分，由计算机代替或辅助人类完成对目标的检测 与跟踪是计算机视觉最核心也是最广泛的应用，从日常生活中用到的指纹或人 脸解锁，到汽车的自动驾驶，机器人控制等都与计算机视觉技术息息相关。人 类是社会生活的主体，对行人的识别理所当然的也是计算机视觉应用中最重要 的任务之一。但由于人体姿态多变，外形不固定且随着衣着的变化表现的颜色 特征也不同，目前仍然是一个极富挑战的课题，但因其广泛的应用前景，虽然 行人检测任务面临着众多困难，仍然吸引了大量研究者的目光。

基于计算机视觉的行人检测主要任务就是计算机判断输入的图片(或视频 帧)是否包含行人，如果包含行人就给出行人的位置信息。在对输入图像处理 的过程中要用到计算机视觉与数字图像处理的知识，对目标模型的判定与分类 则需要用到机器学习模式识别的相关知识，是一个多学科相结合的复杂的研究 课题。行人检测具有广泛的应用前景，在智能汽车辅助驾驶系统、智能视频监 控系统、机器人智能控制系统等方面都有很高的应用价值，同时行人检测也是 人体行为分析应用中的第一步。近年来在航拍图像、受害者营救等新兴领域也 得到应用。目前的检测方法多是基于HOG+SVM行人分类方法，但当图片场景 有较大变化时不能够保证鲁棒性，无法适用于多个场景(即背景固定的图，可 移植性不好)，而且SVM分类器对于样本线性可分的情况效果较好，但是对于 样本线性不可分的情况就不够理想，而且SVM对于大规模的训练样本无法实施 (如今是大数据时代，数据可以达到数以万计)，而且传统支持向量机算法只给 出了二类分类的算法，而在行人检测的实际应用中，一般要解决多类的分类问 题(比如性别、大人、小孩等等)。

发明内容

针对在样本数目很大时行人检测流行的Adboost+SVM模型难以实施训练的 问题，本发明提供了一种适用于样本数量大、检测速度快和准确率高的基于稀 疏编码和神经网络的行人图片检索方法。

为了实现上述发明目的，本发明提供了一种基于稀疏编码和神经网络的行 人图片检测方法，其中，所述图片检测方法具体为：

步骤S101：首先对样本数据集中的正样本和负样本做图像预处理，然后再 提取聚合通道特征；

步骤S102：构建BP-AdaBoost强分类器模型，并利用步骤S101得到的聚合 通道特征对BP-AdaBoost强分类器进行训练；

步骤S103：获取待检测视频帧，并对视频帧进行图像预处理，并根据缩放 因子进行不同尺度的缩放得到图片金字塔，所述图片金字塔是由视频帧的原图 像和若干缩放图像组成的层图像集；

步骤S104：利用快速图像特征金字塔计算方法结合滑动窗口检测法，对层 图像集每一层图像所处的窗口图像进行计算得出聚合通道特征，并利用训练好 的BP-AdaBoost强分类器进行分类识别；

步骤S105：当窗口图像的检测结果为正样本，则BP-AdaBoost强分类器输 出检测窗口，将所有层图像对应的检测窗口进行融合得到准确的定位窗口；当 窗口图像的检测结果为负样本，则无输出。

其中，所述步骤S101中，所述样本数据集为INRIA训练样本集和INRIA 训练样本集的对称变换样本集。

所述步骤S101和所述步骤S103中，所述图像预处理包括尺寸归一化处理 和图像降噪处理；所述降噪预处理采用的滤波器为小波滤波器，平滑半径与检 测精度的关系，r＝1时检测效果最佳。小波滤波器能通过大多数频率分量，但将 某些范围的频率分量衰减到极低水平，有着较好的可调性，小波滤波可以较快 的给出结果，提高整体检测速度。

所述步骤S101和所述步骤S103中，所述聚合通道特征包括三种通道特征： 3个HSV颜色空间、6个量化的梯度方向直方图和1个梯度强度特征。使用HSV颜 色空间变换方法，HSV相比LUV颜色空间变换计算量小，避免LUV中求立方根 问题，加快了ACF特征提取速度，变换速度相对传统方法提高了一个数量级。