[发明专利]一种行人检测方法

说明书

本发明提供了一种行人检测方法，采用倾斜安装的鱼眼摄像机进行图像采集，在不进行鱼眼畸变校正的情况下，保证以最佳监控视角地进行行人的检测，其中利用鱼眼图像下获得的样本集进行训练，通过ACF方法提取聚合通道特征，并通过软级联的AdaBoost方法进行分类器的训练，可以在不进行鱼眼畸变校正的情况下提高行人统计特征的准确性；在检测过程中，在对8个特征进行快速提取后，使用固定大小尺寸的金字塔式聚合模板，对8个特征图像进行聚合形成金字塔聚合通道特征，可以避免使用全部金字塔通道特征，从而减少运算数据量，提高计算速度，最后通过贪婪非极大值抑制的方法合并重叠候选窗口，提高行人检测的鲁棒性和准确率。

技术领域

本发明涉及视觉检测技术领域，具体涉及一种行人检测方法。

背景技术

随着计算机视觉、安防智能监控和安全领域等相关技术的快速发展，需要进行智能监控的场合越来越多。目前传统的监控技术中，一般采用普通镜头的监控设备成像视野较小，监控范围有限，在需要多台监控设备才能解决视频盲区的问题，增加了成本的同时也增加了系统的复杂性(比如：多个监控设备带来的视频数据量激增，过多的监控设备影响美观，且不利于安装、部署和管理等)；而鱼眼镜头虽然具有超大的成像视野，同时也带来了成像的畸变，即使在软硬件中增加鱼眼校正的办法来解决畸变问题，在增加了运算量的同时，还会损失部分图像信息，这都非常不利于监控中智能检测的使用。

随着人脸检测/识别技术受到越来越多的关注和运用，但是人脸对于远距离的、大范围的、较差光照环境等场景监控下的检测/识别，需要比较高的图像分辨率以及比较清晰的图像质量，这需要更换更好的监控设备，并且对于监控场景的选择也是受限制的，而使用行人检测来则更有效，适用性更强。

在过去常用的行人检测中，采用刚性模板匹配的方法，其模板表达能力不强，从而检测效果不是太好；可变性部件模型(DPM)的方法则模型复杂，不利于运用在监控设备上；类Haar特征或者HOG特征结合AdaBoost或者SVM分类器的方法，在特征的计算上，类Haar特征设计的越丰富或者HOG维度越高，则越需要进行大量的计算，虽然积分图的思想加快了特征的求取，但是还是无法满足检测速度的要求，而聚合通道特征(Aggregate ChannelFeatures,ACF)的提出，加快了检测速度，并且达到同样的检测效果，而基于软级联的AdaBoost的提出比硬级联的AdaBoost提高了分类器的准确度，并且随着贪婪非极大值抑制算法(Non-maximum suppression,NMS)的出现，可以快速搜索局部极大值，抑制非极大值元素，在人脸检测中可以消除多余(交叉重复)的窗口，找到最佳物体检测位置。

公开号为CN102842045A的中国专利申请公开了“一种基于组合特征的行人检测方法”，该方法将一定数量、尺寸相同的训练样本，该训练样本包括包含行人的正样本和随机截取一些不包含行人的背景的负样本；对所述的训练样本提取统计结构梯度特征(Statistical Structural Gradient Feature，SSGF)，然后送入支持向量机(SupportVector Machine，SVM)中训练得到一个分类器，然后使用级联结构(bootstrap)训练一个n(一般2～4)层的级联分类器，得到一个离线的级联分类器作为最终的判别行人的分类器，通过该分类器去检测图像中的行人，并将其标注出来，利用了图像边缘的多种属性，如边缘的方向特性、结构特性，属于多特征融合方法，因而能更准确描述行人的统计特征，同时因为本发明在进行计算时能够采用积分图等技术提高技术速度，能够很好地平衡检测精度与检测速度。但是该方法使用普通摄像机，图像采集的范围有限，而且容易出现盲区，而且检测过程中需要进行大量的计算，虽然积分图的思想加快了特征的求取，但是还是无法满足检测速度的要求。

发明内容

针对现有技术的不足，本发明提供了一种行人检测方法，本行人检测方法可适用于大范围监控的场景，对于摄像机和场景的选择，更具有鲁棒性和适应性，倾斜安装方式下，可以在不进行鱼眼畸变校正的情况下，保证以最佳监控视角地进行行人的检测，节省了计算资源和监控系统部署的成本。