[发明专利]一种基于yolov3的行人检测及步态识别的方法

说明书

本发明公开了一种基于yolov3的行人检测及步态识别的方法，包括建立yolov3分类特征模型步骤，使用变粒度HOG和CSLBP的方法提取行人轮廓的全局特征以及行人局部的细节纹理特征；检测行人目标区域及步态识别检测步骤，采用SEF‑GHEI能量图进行检测。该方法主要是先通过yolov3网络对行人进行进行检测定位，然后使用基于SEF‑GHEI及协同表示的步态识别方法对检测到的行人进行身份识别。本发明算法与基于步态高斯及稀疏表示的步态识别准确率相比，本发明所采取的方法使步态识别准确率平均提高了1.5%左右，比基于协同表示的步态识别准确率平均提高了1.13%。

技术领域

本发明涉及行人检测和步态识别技术，更具体地涉及一种基于yolov3的行人检测及步态识别的方法。

背景技术

目前步态识别主要分为两大类，一类是基于模型(model-based)的方法，一类是基于非模型（model-free）的方法。

基于模型的方法主要是通过对建立的人体运动模型进行跟踪分析获取参数，利用获取的参数作为步态特征进行匹配。主要有椭圆模型的方法和基于静态步态参数的表示方法等，但是基于模型的方法对步态视频序列图像质量要求高，并且在建立模型时计算量大，难以实现较理想的结果。

基于非模型的方法不需要预先假定模型，直接提取图像序列中运动目标轮廓产生的时空特性作为步态特征。主要有李占利等提出基于步态高斯及稀疏表示的步态识别，识别效果显著并在跨视角下具有一定的鲁棒性，但是在计算分类的过程中存在着耗时的问题，在较复杂的场景中满足不了实时性的要求。杨旗等提出基于稀疏表示的步态识别，识别准确性高且速度快，但步态特征提取选用的是主动能量图，该能量图只考虑了步态的动态信息而步态的静态信息被完全的丢弃。李占利等提出基于协同表示的步态识别，识别效果良好且计算速度快，但步态特征提取采用的是GEI能量图，由于GEI能量图只能捕获轮廓外部边界信息，忽略了轮廓内部边界信息的原因，对步态的识别率有着一定的影响。

在传统的目标检测方法中，它的检测过程一般分为3个阶段，首先通过使用尺寸大小不一致的滑动窗口从输入图像中选择候选区域，然后从标记的候选区域中提取相关的特征，最后使用训练好的分类器进行分类识别。然而在传统的目标检测方法中，存在着一直没有解决的两个主要问题分别是：

1）在一阶段中使用滑动窗口选择图像的候选区域没有针对性的策略、时间复杂度高以及窗口冗余的问题；

2）由于特征具有多样性变化的原因，导致训练出来的模型鲁棒性很差。

在基于深度学习的目标检测方法中，region proposal（候选区域）利用图像中的纹理、颜色以及边缘等特征预测出图像中目标可能出现的位置，这不仅降低了后续操作的时间复杂度，而且获取的候选区域窗口的质量比传统目标检测方法中滑动窗口的质量更高，很好的解决了滑动窗口的问题，但是当在背景复杂、行人之间遮掩比较严重的时候，存在着误检和漏检的现象，导致检测效果不是很稳定。

变粒度HOG特征主要描述物体形状轮廓的全局特征，而CSLBP特征描述的是物体局部的细节纹理。在实际检测环境中有背景色干扰时，使用变粒度HOG特征描述行人轮廓的全局特征时，提取的行人特征效果降低，由于CSLBP纹理特征对灰度变换具有不变性的原因，因此使用CSLBP纹理特征描述行人局部的细节纹理可以保证行人检测的正确率；若当提取行人的CSLBP纹理特征与背景相似时，利用变粒度HOG特征的鲁棒性描述行人的形状轮廓全局特征，就能起到对行人的主导描述作用，保证行人检测的准确性。因此为了提高行人检测模型的效果，本发明提出使用机器学习与深度学习相结合的方法来实现行人检测，即在yolov3网络的第一层卷积层前添加特征提取层，该特征提取层采用变粒度HOG特征和CSLBP特征融合的方法（HOG-CSLBP）提取行人特征，然后使用yolov3网络对提取的行人特征进行训练及检测。