[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

说明书

本发明公开了一种基于二值图像改进型HOG特征的行人检测方法，包括以下步骤：建立行人训练样本库；对样本图像进行二值化处理；对二值化图像提取改进型HOG特征向量；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；对待检测视频帧图像进行预处理，得到二值化图像；计算得到当前的改进型HOG特征向量；将改进型HOG特征向量输入线性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。本发明能够有效解决行人检测过程中内存消耗大、检测速度慢的缺点。

技术领域

本发明涉及计算机视觉行人检测领域，特别涉及一种基于二值图像改进型HOG特征的行人检测方法。

背景技术

目前，行人检测方法主要分为两类：基于模板匹配的方法和基于统计学习的方法。其中基于统计学习的行人检测算法因其统计算法的多样性能满足多种应用场合而逐步得到了广泛应用。

在基于统计学习的方法中，梯度方向直方图(Histogram of oriented gradient，HOG)特征是一种非常有效的梯度特征，其在光照变化和颜色变化下对图像行人检测具有很好的鲁棒性。该方法首先将图像分成小的连通区域，定义为细胞单元，通过采集细胞单元中各像素点的梯度或边缘的方向直方图，随后将直方图组合起来构成特征描述器。获得局部直方图后，需将细胞单元统计的局部直方图在图像的更大的范围内进行对比度归一化。一般地，计算由四个细胞单元组成的块内局部直方图特征，然后将块内的4细胞单元分别归一化。归一化的特征使得被检测图像对光照变化和阴影获得更好的鲁棒性。归一化后的四个局部直方图特征级联即可获得一个HOG特征向量。HOG特征在行人检测等基于形状的物体检测中效果很好，后续很多目标检测算法都是在此基础上的延伸。

现阶段智能安防领域中的行人检测仍然存在着一些问题：在实时检测领域，实时性要求非常高，特征检测运算量增大导致实时性变差；在视频行人检测中，灰度图像的金字塔模型需要占用很大的内存资源。为此，寻求一种克服上述问题的行人检测方法，具有重要的研究意义和实用价值。

发明内容

本发明的目的在于克服现有技术的缺点与不足，提供一种基于二值图像改进型HOG特征的行人检测方法，能够有效解决行人检测过程中内存消耗大、检测速度慢的缺点。

本发明的目的通过以下的技术方案实现：一种基于二值图像改进型HOG特征的行人检测方法，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，得到二值化图像；

S3、对二值化图像提取改进型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，得到二值化图像；

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。

优选的，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。