[发明专利]基于特征组合的行人检测方法及装置

说明书

技术领域

本发明涉及车辆的安全驾驶和图像处理技术领域，尤其涉及一种基于特征组合的行人检测方法及装置。

背景技术

在智能监控、智能交通和机器人等领域，行人的检测具有很高的应用价值。如今，计算机发展十分迅速，计算机的性能越来越强，而价格却越来越低。人们希望通过计算机的介入，帮助实现图像中行人的快速检测。因此，行人检测成了研究的热点。

典型的行人检测方法包括基于轮廓的图像匹配和基于特征的统计学方法。在运动情况下，行人检测不仅具有服饰变化、姿态变化等难点，还受到路况、天气和光线的影响，因此对算法的鲁棒性和实时性要求很高。现有的行人检测技术普遍采用基于Haar特征的Adaboost分类方法，虽然在行人检测的效率上比较好，但却有较多的误检，因此需要提高检测的准确率。

发明内容

本发明所要解决的技术问题是，提供一种基于特征组合的行人检测方法及装置，并解决降低误检率和提高准确率的技术问题。

为达到上述目的，本发明提供一种行人检测方法和行人检测装置，行人检测方法包括：行人的正负样本的训练，提取样本的Hog特征和LBP特征，并组合成样本的特征向量，然后通过一个由简到繁的级联的线性SVM分类器将级联拒绝的机制与样本特征向量相结合，实现了一个级联的线性SVM分类器；行人检测装置包括：（1）图像采集模块：利用车载摄像头采集汽车前方的图像；（2）图像检测和处理模块：对采集的图像进行去噪，增强处理，再利用加载的分类器进行行人检测；（3）图像显示模块：将采集的图像中的行人用矩形框标识出来，并在车载DVD显示屏上进行提示。

上述的一种基于特征组合的行人检测方法及装置，所述的Hog特征的提取包括以下步骤：（1）行人样本的Hog特征提取：读取每一个行人样本进行gamma压缩，Gamma压缩是减少光照变化和局部阴影对图像分析计算的影响。计算每个样本的各个通道的梯度，将每个样本从空间上分割成成若干个相同大小的单元，几个相邻的单元组合块，并计算单元方向梯度直方图，将每一个样本的所有Hog描述器进行归一化，所有的Hog描述器集合成一个大的描述器，代表每一个样本的Hog特征向量。

上述的一种基于特征组合的行人检测方法及装置，所述的LBP特征的提取主要包括：根据上述Hog特征的提取对样本图像分块，然后对每个组合块子图像使用LBP算子进行特征提取，最后对提取的特征向量归一化处理。

上述的一种基于特征组合的行人检测方法及装置，所述的特征组合是将上述每个样本的Hog特征向量和LBP特征向量串联起来组合成样本新的特征向量。

上述的一种基于特征组合的行人检测方法及装置，所述的级联的线性SVM行人分类器是一个分段线性判别函数，它的训练从根本上说是分层学习问题，每层都是一个线性分类器，通过逐级增加特征的精度来实现由简到繁，逐级地滤除非人体窗口，且每层都要保证极高的正样本检测率，允许适当的负样本错分；在当前负样本集中，每层的分类器都尽可能多的排除负样本，以求用最少的线性分类器解决问题。

附图说明

图1是本发明实施例中的行人检测装置模块图；

图2是本发明实施例中的梯度处理后的样本对比图；

图3是本发明实施例中的样本被划分为若干相同大小的单位方向的示意图；

图4是本发明实施例中的SVM分类器训练流程图。

具体实施方式

下面通过具体实施方式结合附图对本发明作进一步详细说明，本实施例在本发明技术方案为前提下进行实施，给出了详细的实施方式和具体的操作过程，但本发明的保护范围不限于下述的实施例。

本发明的主要是先采集大量的行人的正负样本，在计算机上分别提取样本的Hog特征和LBP特征，并将提取的特征串联组合成样本新的特征向量；然后用级联的线性SVM的方法分类器将级联拒绝的机制与样本特征向量相结合，实现了一个级联的线性SVM行人分类器，最后将分类器加载到图像处理模块进行行人检测。

本发明实施例中分类器的训练如图1所示，主要包括：样本Hog特征的提取，LBP特征的提取，特征组合，级联SVM的训练学习。

分类器的训练在计算机上完成的，采集了m张正样本，正样本图像包括各种姿态的行人，如蹲着，横跨马路，打着雨伞等，采集了n张负样本，负样本为不包含行人的图像，如马路，汽车，天空等，对所有的样本图片进行归一化为相同的尺寸。

本发明实施案例样本的Hog特征的提取主要包括以下步骤：