[发明专利]一种结合静态底层特征和运动信息的快速行人检测方法

权利要求书

1.一种结合静态底层特征和运动信息的快速行人检测方法，其特征在于，包括以下步骤：

步骤1、针对待检测的视频序列中的单一图像帧，采用多尺度滑动窗口法提取其中指定大小的检测窗口，并采用快速金字塔特征计算方法计算每个检测窗口内图像的静态底层特征，静态底层特征包括方向梯度、梯度幅值和颜色通道，基于各个检测窗口内图像的静态底层特征对各个检测窗口进行行人与非行人预分类；

步骤2、利用行人特有的移动速度特征，通过检测窗口像素差均值法，去除预分类中误检为行人的检测窗口，最终检测为行人的检测窗口在图像中的位置即该图像帧中的行人的位置；所述步骤2具体包括以下步骤：

步骤2.1、获取训练样本图像，包括误检为行人的背景图像以及含真实行人的前景图像；

步骤2.2、采用帧差法计算各个训练样本图像的像素差矩阵，并计算各个矩阵中所有元素绝对值的均值；

其中，I_b表示误检为行人的背景图像的像素差矩阵集合，简称为误检差集，I_p表示前景中含真实行人的前景图像的像素差矩阵集合，简称为真实差集；k＝1,2,···,K，l＝1,2,···,L，K和L分别为背景图像和前景图像的个数；表示误检差集I_b中第k个背景图像的像素差矩阵中第u行第v列的元素，m和n分别为矩阵的行数和列数；表示矩阵中所有元素绝对值的均值；表示真实差集I_p中第l个前景图像的像素差矩阵中第u行第v列的元素，s和t分别为矩阵的行数和列数；表示矩阵中所有元素绝对值的均值；

步骤2.3、计算和的均值μ_b和μ_p；

步骤2.4、计算和的标准差σ_b和σ_p；

步骤2.4、用正态分布曲线近似两类像素差矩阵元素绝对值均值的概率分布，计算两个正态分布相邻侧交点的横坐标x；

步骤2.5、将x作为第二次筛选的阈值，排除在步骤1中的误检为行人的检测窗口；针对第一次筛选留下的每一个预分类行人的检测窗口，采用帧差法计算检测窗口内图像的像素差矩阵，并计算像素差矩阵中所有元素绝对值的均值A；若A大于x，则该检测窗口为真实的行人窗口，否则，则检测窗口为误检为行人的检测窗口；真实行人窗口在当前图像帧中的位置即该图像帧中行人的位置。

2.根据权利要求1所述的结合静态底层特征和运动信息的快速行人检测方法，其特征在于，

1)图像的梯度幅值特征由图像上各个像素点处的梯度幅值构成；图像上像素点(i,j)处的梯度幅值M(i,j)²的计算公式为：

其中，I是图像上像素点(i,j)处的像素值；

2)图像的方向梯度特征由图像上各个像素点处的梯度方向值构成；图像上像素点(i,j)处的梯度方向值D(i,j)的计算公式为：

3)图像的颜色通道特征值为图像上LUV或RGB三个颜色通道内的像素值。

3.根据权利要求1所述的结合静态底层特征和运动信息的快速行人检测方法，其特征在于，所述步骤1中对检测窗口进行行人与非行人预分类，具体包括以下步骤：

步骤1.1、获取与检测窗口大小相同的训练样本图像，包括行人和非行人图像；

步骤1.2、提取训练样本图像的静态底层特征；

步骤1.3、采用AdaBoost算法，基于训练样本图像提取出的静态底层特征训练多个弱分类器，并将多个弱分类器加权组成一个强分类器；每个弱分类器的判断阈值经样本训练而成；

步骤1.4、将检测窗口内图像的静态底层特征输入步骤1.3得到的强分类器，得到检测窗口被分类为行人的置信度，根据置信度阈值对检测窗口进行行人与非行人预分类。

4.根据权利要求3所述的结合静态底层特征和运动信息的快速行人检测方法，其特征在于，采用非最大值抑制方法，对步骤1.4中预分类为行人的检测窗口进行一次筛选，针对经多尺度分析后同一图像帧中同一行人对应的多个检测窗口，只保留置信度最高的检测窗口，去除其它检测窗口。