[发明专利]多模板轮廓特征和灰度相结合的红外图像实时行人检测

摘要

本发明公开了一种多模板的轮廓特征和灰度相结合的红外图像实时行人检测方法，模板参数提取的过程中考虑边界的影响，根据检测窗口大小保存成不同大小的样本库。正样本要包括不同体形和动作的行人，负样本要包括少部分容易引起误判的图像。实时检测部分对所有像素进行一遍计算就可以计算出整幅图像的轮廓特征，并且SVM分类的判决给与较低的门限，以保证不会漏检。在DSP中再根据人体形态学对检测结果进行进一步的判断，剔除虚假目标。本发明由于采用了多模板的检测方法，虽然训练的复杂度略有提高，但是实时检测时需要的硬件资源较少，并且由于采用了轮廓特征和人体形态学相结合的方法，保证了漏检概率较小，正确率也较高。

主权项

多模板轮廓特征和灰度相结合的红外图像实时行人检测方法，其特征在于按照以下步骤进行：步骤1：进行模板参数提取，包括不同检测窗口的SVM分类器参数和block的四个权重；步骤2：对整个输入图像，以8*8个像素为单元，计算每个单元的平均灰度值和每个单元的最大灰度值；步骤3：对于输入图像，计算出每一个像素的梯度及角度φ值；步骤4：将0°‑180°平均分成9个区间，根据步骤3计算的每一个像素的梯度和角度φ，按照线性距离的概念投影到这9个区间；设每个像素影响的下相邻区间为Low_region，影响的上相邻区间为High_region，则每个像素对所影响的上下两个区间的权重分别定义为幅度*该角度到区间中心角度的归一化线性距离，即分别为：gradweight_high＝l*dh，gradweight_low＝l*dl，其中幅度和分别是步骤3计算出的每一个象素的X方向和Y方向的梯度，dl是该角度到下相邻区间Low_region的归一化距离，dh是其到上相邻区间的归一化距离dh＝1‑dl；步骤5：对整个输入图像，按照16*16个像素为单元，首先在水平方向以8个像素为单位从左往右滑动，到达最右端后再返回最左端，然后在竖直方向向下滑动8个像素，再以8个像素为单位从左往右滑动，依次进行直到图像的右下角；把整个图像分成(img_width/8‑ 1)*(img_height/8‑1)个block，其中img_width表示图像的宽度，img_height表示图像的高度；步骤6：对整个输入图像，按照8*8个像素为单元，把整个图像分成img_width*img_height/64个cell；设当前像素在每个cell的下标为(i，j)，取出当前像素的下相邻区间t，依次取出他所影响到的四个block的hist，依次令mx＝i+8，ny＝j+8；mx＝i+8，ny＝j；mx＝i，ny＝j+8；mx＝i，ny＝j进行如下计算：hist(t)＝hist(t)+WEIGHT1(mx，ny)*gradweight_low；hist(t+9)＝hist(t+9)+WEIGHT2(mx，ny)*gradweight_low；hist(t+18)＝hist(t+18)+WEIGHT3(mx，ny)*gradweight_low；hist(t+27)＝hist(t+27)+WEIGHT4(mx，ny)*gradweight_low；然后取出当前像素的上相邻区间，用权重gradweight_high重复以上过程，当一个block的hist计算完毕后，利用公式对其直方图进行归一化，所有cell计算完成后，整幅图像的block计算完成；步骤7：在原始图像上滑动检测窗口，三个窗口的大小分别为24*48，32*64，40*80，根据窗口的位置，依次取出相应的block的归一化直方图newhist，且最后插入一个数值1；将此数组和SVM分类器参数进行点乘，如果结果result_windows大于0，则将其记录到当前窗口的windows_result，并对以其为中心的9个窗口的累积结果windows_leiji都加上t1*result_windows；最终每个窗口的结果为： t2*windows_result+t3*windows_leiji，如果此值大于判决门限threshold1，则记录此窗口左上角的坐标和长宽；一帧图像计算完毕后，将记录窗口的结果上传给DSP，且令windows_leiji＝t4*windows_leiji；通过t1，t2和t3调节窗口的累积效果，通过t4调节目标跟踪效果；步骤8：将步骤7上传的窗口进行合并，形成和别的窗口都没有重叠的独立窗口；步骤9：利用步骤2中计算的每个单元的最大灰度信息和平均灰度信息在DSP中结合人体形态学对行人做进一步的筛选；步骤10：按照一定比例缩小目标窗口，并在图像上用方框标出目标。