[发明专利]一种基于深度图与特征融合的行人检测方法

摘要

一种基于深度图与特征融合的行人检测方法，包括以下步骤：S1从视频中获取颜色图和深度图，并对图像进行预处理；S2在混合高斯背景建模的基础上进行阴影检测，提取出前景目标；S3提取颜色图的HOG特征和深度图的CLBC特征，通过并行方式将两个特征进行融合得到融合特征；S4将融合特征输入到分类器中进行分析处理，判断是否有行人，完成检测。本分卖给你将颜色图的HOG特征和深度图的CLBC特征相融合，有效地克服了由于行人的身材、姿势、视角和衣着、光照等因素产生的干扰，能够更准确的从视频中将行人检测出来。

主权项

1.一种基于深度图与特征融合的行人检测方法，其特征在于，所述方法包括以下步骤：S1:获取颜色图和深度图，并对图像进行预处理；S2:在混合高斯背景建模的基础上进行阴影检测，然后提取出前景目标，过程如下：S2‑1：使用混合高斯模型，计算观测点x_t处像素的混合高斯分布概率密度函数，公式如下：其中k为分布模式总数，η(x_t,μ_i,t,τ_i,t)为t时刻第i个高斯分布，μ_i,t为其均值，τ_i,t为其协方差矩阵，δ_i,t为方差，I为三维单位矩阵，w_i,t为t时刻第i个高斯分布的权重；S2‑2：从混合模型中选择与新观测点最佳匹配的高斯分布，并标记其位置为k_hit，用如下公式定量分析新值与高斯分布的距离：其中μ_t‑1，∑_t‑1分别是每个单高斯分布的均值与协方差矩阵，x_t就是t时刻新的观测值，更新各高斯分布对应权值系数的值：S2‑3:如果没有满足条件的高斯分布，则重新初始化一个新的高斯分布，替换权值最小的分布，同时单高斯分布依据w_k,t‑1/σ值降序重新排序，而对于核心高斯分布，通过如下的公式选择：其中T是用于划分核心高斯分布的阈值；S2‑4:比较最佳匹配高斯分布标识k_hit与核心高斯分布数目B，当最佳匹配分布属于核心高斯分布，那么当前的观测值分类为背景模型；S2‑5:如果最佳匹配分布不属于核心高斯分布，则再对每个像素选择一个合适数目的高斯分布，根据亮度变化引起的场景变化，能够检测出阴影并标记出来，从而得到真正的前景；S3：提取颜色图的HOG特征和深度图的CLBC特征，通过并行方式将两个特征进行融合得到融合特征，过程如下：S3‑1:提取颜色图的HOG特征S3‑2:提取改进LBP特征‑CLBC特征，先将深度图的局部差分解为两个互补成分，即符号S_p和幅值m_p，分别为:其中：g_p为在半径为R的圆上的相邻像素的灰度值，g_c为中心像素的灰度值，P为相邻像素的总数；S3‑3:提取完整的局部纹理信息,公式如下：分别计算S_CLBC、M_CLBC、C_CLBC三个算子，其中S_CLBC等同于传统的LBP，M_CLBC测量局部的幅度变化，C_CLBC用来取局部中心信息，定义如下：C_CLBC(P,R)＝t(g_c,c_I),  (11)其中,c为整幅图片m_p的均值，c_I为整幅图片的平均灰度级；S3‑4:组合S_CLBC、M_CLBC和C_CLBC算子，得到CLBC特征；S3‑5:将HOG特征和CLBC特征的特征向量利用并行方式融合成一个复向量，然后在复向量空间中提取特征，即融合特征；S4：将特征输入到分类器中进行分析处理，判断是否有行人，完成检测。