[发明专利]一种基于二值图像改进型HOG特征的行人检测方法

权利要求书

1.一种基于二值图像改进型HOG特征的行人检测方法，其特征在于，包括以下步骤：

学习阶段：

S1、建立行人训练样本库；

S2、利用基于行块像素局部自适应二值化方法对样本图像进行二值化处理，得到二值图像；

步骤S2中基于行块像素局部自适应二值化方法具体为：在FPGA中读取视频数据时，只需要在RAM中保存两行图像流信息；利用第i行灰度图灰度值和第i-1行更新后的行向量图像灰度值一起更新第i行像素的灰度值，第1行像素的更新值为原来灰度值本身，如下式：

其中preY(i,j)指更新后的行向量图像灰度值，cur(i,j)指灰度图灰度值；

每一个像素点的二值化阈值确定如下：对更新后的行向量对应像素取1*w行块大小的像素区域，求得该区域的均值E(i,j)，根据行块内像素点均值E(i,j)确定所求像素点二值化的阈值，利用如下公式即可得到二值图像：

其中I(i,j)为二值图像的灰度值,σ为阈值系数；

S3、对二值图像提取改进型HOG特征向量；

利用5*5的梯度模板计算二值图像局部区域的梯度信息，在进行模板计算时，将二值图像局部区域中心像素点与梯度模板对应的像素点h(0,0)对应，然后将二值图像局部区域中心像素点周围的像素点与梯度模板对应的像素点h(a,b)相乘；设f(x,y)＝I(i,j)，利用如下公式计算二值图像局部区域的梯度：

其中f为二值图像，(x,y)为像素点坐标，对于5*5的模板来说，a和b可以取值是±2、±1和0；

利用h_x方向梯度模板计算得到x方向梯度g_x(x,y)，利用h_y方向梯度模板计算得到y方向梯度g_y(x,y)；计算梯度幅值和角度的公式分别为：

再根据每个像素点梯度幅值按照梯度方向进行直方图统计即可得到改进型HOG特征向量；

S4、对改进型HOG特征向量进行高斯归一化，利用正负样本训练，得到SVM模型中各个参数，建立线性SVM模型；

决策阶段：

S5、对待检测视频帧图像进行预处理，得到二值图像；

S6、计算得到当前的改进型HOG特征向量；

S7、将改进型HOG特征向量输入步骤S4得到的线性SVM模型，如果模型输出判定为正样本，则检测到目标，输出目标位置；通过窗口遍历的方式检测遍历的每个窗口是否出现目标。

2.根据权利要求1所述的行人检测方法，其特征在于，步骤S1中行人训练样本库的选择遵循以下两个规则：

规则1：行人负样本与行人正样本数量比例在10:1；

规则2：利用第一次训练的SVM，检测负样本中被误检的负样本作为难负样本，提高这些难负样本的比例，从而可以进一步提高建立的模型的准确度。

3.根据权利要求1所述的行人检测方法，其特征在于，进行直方图统计时采取方向区间不等分方式，将0～π区间按区间分为一个区间、区间按照等间隔分为5个区间、分为一个区间，共7个区间，直方图的通道共7个通道。

4.根据权利要求1所述的行人检测方法，其特征在于，选择图像检测窗口大小64*128，块大小为16*16，单元大小8*8，块偏移为8*8，块数量105，每个单元包括8*8个像素，利用不同方向角度对8*8个像素的二值像素梯度信息进行投票；直方图投票采取加权投票，即每个像素的梯度幅值作为投票权重，得到一个多维的特征向量。

5.根据权利要求1所述的行人检测方法，其特征在于，步骤S4中对改进型HOG特征向量中的每一个元素进行高斯归一化处理，使得到的分量值的取值范围99％将落在[0,1]之间，得到归一化的改进型HOG特征向量；将归一化的改进型HOG特征向量输入支持向量机分类模型进行训练，从而得到改进型HOG特征的行人检测模型；建立线性SVM模型：f(x)＝w^Tx+b，x是归一化的改进型HOG特征向量，w^T和b就是通过正负样本训练得到的SVM参数。