欧美在线观看视频网站,亚洲熟妇色自偷自拍另类,啪啪伊人网,中文字幕第13亚洲另类,中文成人久久久久影院免费观看 ,精品人妻人人做人人爽,亚洲a视频

一種行人檢測(cè)方法及裝置的制作方法

文檔序號(hào):6424588閱讀:457來(lái)源:國(guó)知局
專利名稱:一種行人檢測(cè)方法及裝置的制作方法
技術(shù)領(lǐng)域
本發(fā)明涉及圖像處理技術(shù)領(lǐng)域,尤其涉及一種行人檢測(cè)方法及裝置。
背景技術(shù)
隨著電子技術(shù)的發(fā)展,基于圖像或視頻的行人檢測(cè)技術(shù)逐漸取代了傳統(tǒng)的紅外或雷達(dá)等方式,基于圖像或視頻的行人檢測(cè)技術(shù)具備更高的可靠性、方便性和低成本越來(lái)越受到關(guān)注,現(xiàn)有的基于圖像或視頻的行人檢測(cè)技術(shù)普遍采用Adaboost級(jí)聯(lián)分類器對(duì)行人進(jìn)行檢測(cè),這種行人檢測(cè)技術(shù)雖然較傳統(tǒng)的行人檢測(cè)技術(shù)取得了不錯(cuò)的效果,但是存在誤檢率偏高的缺點(diǎn)。

發(fā)明內(nèi)容
本發(fā)明提供一種行人檢測(cè)方法及裝置,解決現(xiàn)有技術(shù)中誤檢率偏高的技術(shù)問(wèn)題。為解決上述技術(shù)問(wèn)題,本發(fā)明采用以下技術(shù)方案一種行人檢測(cè)方法,包括采集行人圖像,從所述圖像中提取感興趣區(qū)域;采用Adaboost級(jí)聯(lián)分類器預(yù)定位所述感興趣區(qū)域中的行人區(qū)域;采用支持向量機(jī)SVM分類器在所述Adaboost級(jí)聯(lián)分類器預(yù)定位的行人區(qū)域中進(jìn)一步定位行人區(qū)域。所述Adaboost級(jí)聯(lián)分類器包括采用行人整體樣本和相應(yīng)負(fù)樣本訓(xùn)練成的行人整體Adaboost級(jí)聯(lián)分類器和/或采用行人局部樣本和相應(yīng)負(fù)樣本訓(xùn)練成的行人局部 Adaboost級(jí)聯(lián)分類器;所述SVM分類器包括采用行人整體樣本和相應(yīng)負(fù)樣本訓(xùn)練成的行人整體SVM分類器和/或采用行人局部樣本和相應(yīng)負(fù)樣本訓(xùn)練成的行人局部SVM分類器。采集行人圖像,從所述圖像中提取感興趣區(qū)域的方法具體為將采集到的行人圖像分成至少兩個(gè)圖像塊,按照預(yù)設(shè)的圖像塊循環(huán)檢測(cè)次序從被分成至少兩個(gè)圖像塊的當(dāng)前圖像幀中選擇所要檢測(cè)的圖像塊,并將該圖像塊作為感興趣區(qū)域。采用支持向量機(jī)SVM分類器在所述Adaboost級(jí)聯(lián)分類器預(yù)定位的行人區(qū)域中進(jìn)一步定位行人區(qū)域之后,還包括對(duì)進(jìn)一步定位得到的行人區(qū)域進(jìn)行跟蹤的步驟,包括判斷是否定位到行人區(qū)域,若是則將進(jìn)一步定位得到的行人區(qū)域按照設(shè)定尺寸或比例進(jìn)行擴(kuò)大;在從下一幀圖像中提取感興趣區(qū)域時(shí),將擴(kuò)大的行人區(qū)域在下一幀圖像中所對(duì)應(yīng)區(qū)域和按照?qǐng)D像塊循環(huán)檢測(cè)次序從下一幀圖像幀中選擇的所要檢測(cè)的圖像塊一起作為感興趣區(qū)域。采集行人圖像的方式包括利用設(shè)置于汽車車身的攝像頭采集汽車周邊的行人圖像。利用汽車前置攝像頭采集汽車前方的行人側(cè)身圖像。一種行人檢測(cè)裝置,包括圖像采集模塊、圖像處理模塊、Adaboost級(jí)聯(lián)分類器和支持向量機(jī)SVM分類器,其中,所述圖像采集模塊用于采集行人圖像;所述圖像處理模塊用于從所述圖像中提取感興趣區(qū)域;所述Adaboost級(jí)聯(lián)分類器用于預(yù)定位所述感興趣區(qū)域中的行人區(qū)域;所述支持向量機(jī)SVM分類器用于在所述Adaboost級(jí)聯(lián)分類器預(yù)定位的行人區(qū)域中進(jìn)一步定位行人區(qū)域。所述Adaboost級(jí)聯(lián)分類器包括采用行人整體樣本和相應(yīng)負(fù)樣本訓(xùn)練成的行人整體Adaboost級(jí)聯(lián)分類器和/或采用行人局部樣本和相應(yīng)負(fù)樣本練成的行人局部Adaboost 級(jí)聯(lián)分類器;所述SVM分類器包括采用行人整體樣本和相應(yīng)負(fù)樣本訓(xùn)練成的行人整體SVM 分類器和/或采用行人局部樣本和相應(yīng)負(fù)樣本練成的行人局部SVM分類器。所述圖像處理模塊具體用于將采集到的行人圖像分成至少兩個(gè)圖像塊,按照預(yù)設(shè)的圖像塊循環(huán)檢測(cè)次序從被分成至少兩個(gè)圖像塊的當(dāng)前圖像幀中選擇所要檢測(cè)的圖像塊, 并將該圖像塊作為感興趣區(qū)域。所述圖像采集模塊包括設(shè)置于汽車車身的攝像頭,用于采集汽車周邊的行人圖像。本發(fā)明提供一種行人檢測(cè)方法及裝置,該方法首先通過(guò)Adaboost級(jí)聯(lián)分類器對(duì)感興趣區(qū)域中的行人區(qū)域進(jìn)行預(yù)定位,再通過(guò)支持向量機(jī)SVM分類器對(duì)預(yù)定位的行人區(qū)域進(jìn)一步檢測(cè),進(jìn)一步精確定位行人區(qū)域,本發(fā)明通過(guò)Adaboost級(jí)聯(lián)分類器和支持向量機(jī) SVM分類器的配合,較現(xiàn)有技術(shù)中僅通過(guò)Adaboost級(jí)聯(lián)分類器對(duì)行人進(jìn)行檢測(cè)的方式,降低了誤檢率,提高了檢測(cè)效率。進(jìn)一步,本發(fā)明的Adaboost級(jí)聯(lián)分類器采用行人整體樣本和相應(yīng)負(fù)樣本訓(xùn)練成的行人整體Adaboost級(jí)聯(lián)分類器和/或采用行人局部樣本和相應(yīng)負(fù)樣本練成的行人局部 Adaboost級(jí)聯(lián)分類器,支持向量機(jī)SVM分類器包括采用行人整體樣本和相應(yīng)負(fù)樣本訓(xùn)練成的行人整體SVM分類器和/或采用行人局部樣本和相應(yīng)負(fù)樣本練成的行人局部SVM分類器,相比于現(xiàn)有技術(shù)中采用行人整體樣本和相應(yīng)負(fù)樣本訓(xùn)練成的分類器,采用局部樣本和相應(yīng)負(fù)樣本訓(xùn)練成的分類器能夠進(jìn)一步降低誤檢率,同時(shí)提升檢測(cè)速度。進(jìn)一步,本發(fā)明從圖像中提取感興趣區(qū)域的方法包括將采集到的行人圖像分成至少兩個(gè)圖像塊,按照預(yù)設(shè)的圖像塊循環(huán)檢測(cè)次序從被分成至少兩個(gè)圖像塊的當(dāng)前圖像幀中選擇所要檢測(cè)的圖像塊,并將該圖像塊作為感興趣區(qū)域。本發(fā)明通過(guò)分塊和預(yù)設(shè)圖像塊循環(huán)檢測(cè)次序有效的提高了分類器算法的實(shí)時(shí)性,提升了檢測(cè)速度。進(jìn)一步,本發(fā)明在采用SVM分類器進(jìn)一步定位行人區(qū)域之后,還包括對(duì)進(jìn)一步定位的行人區(qū)域進(jìn)行跟蹤,從而降低了漏檢率,同時(shí),也間接地提升了檢測(cè)速度。進(jìn)一步,將本發(fā)明應(yīng)用于汽車領(lǐng)域,利用設(shè)置于汽車車身的攝像頭采集汽車周邊的行人圖像,對(duì)圖像中的行人進(jìn)行檢測(cè),保證了駕駛員的行車安全,有效避免了車禍?zhǔn)录陌l(fā)生。進(jìn)一步,利用汽車前置攝像頭采集汽車前方的行人側(cè)身圖像,對(duì)行人側(cè)身圖像中的行人進(jìn)行檢測(cè),在汽車前方事故發(fā)生率較高的位置,通過(guò)本發(fā)明可以有效保證駕駛員的行車安全,有效避免車禍?zhǔn)录陌l(fā)生。


圖1為本發(fā)明實(shí)施例一種行人檢測(cè)方法流程圖;圖2為本發(fā)明實(shí)施例汽車前置攝像頭示意圖;圖3為本發(fā)明實(shí)施例圖像分塊示意圖;圖4為本發(fā)明實(shí)施例行人局部區(qū)域示意圖;圖5為本發(fā)明另一實(shí)施例一種行人檢測(cè)方法流程圖;圖6為本發(fā)明實(shí)施例一種行人檢測(cè)裝置模塊圖。
具體實(shí)施例方式下面通過(guò)具體實(shí)施方式
結(jié)合附圖對(duì)本發(fā)明作進(jìn)一步詳細(xì)說(shuō)明。一種行人檢測(cè)方法,包括采集行人圖像,并對(duì)圖像進(jìn)行預(yù)處理,從預(yù)處理后的圖像中提取感興趣區(qū)域;采用 Adaboost級(jí)聯(lián)分類器預(yù)定位感興趣區(qū)域中的行人區(qū)域;采用SVM分類器在Adaboost級(jí)聯(lián)分類器預(yù)定位的行人區(qū)域中進(jìn)一步定位行人區(qū)域。以應(yīng)用于汽車領(lǐng)域,利用汽車前置攝像頭采集汽車前方的行人側(cè)身圖像為例,圖1 為本發(fā)明實(shí)施例一種行人檢測(cè)方法流程圖,請(qǐng)參考圖1 S11、采集汽車前方的圖像,對(duì)圖像進(jìn)行預(yù)處理。圖2為本發(fā)明實(shí)施例汽車前置攝像頭示意圖,包括汽車21和攝像頭22,通過(guò)汽車21上的前置攝像頭22 (例如紅外CXD攝像頭或CMOS攝像頭)采集汽車21前方的實(shí)時(shí)圖像,并對(duì)圖像進(jìn)行預(yù)處理,例如根據(jù)數(shù)據(jù)格式的需要,將獲取的圖像轉(zhuǎn)換成單通道灰度圖像、對(duì)圖像進(jìn)行直方圖均衡化操作,減少光照和背景的影響;還可以對(duì)圖像的尺寸進(jìn)行適當(dāng)調(diào)整等;基于采集的實(shí)時(shí)圖像中行人可能發(fā)生碰撞的位置信息估計(jì),對(duì)部分不可能出現(xiàn)行人及行人不處于危險(xiǎn)區(qū)域的圖像不計(jì)入檢測(cè), 例如去除圖像上下部分像素的天空和地面場(chǎng)景,以及圖像左右部分像素的馬路兩邊場(chǎng)景, 只在較小范圍內(nèi)檢測(cè)行人,減少圖像處理面積,從而減少數(shù)據(jù)處理量,提高算法實(shí)時(shí)性。S12、從預(yù)處理后的圖像中提取感興趣區(qū)域。將采集到的行人圖像分成至少兩個(gè)圖像塊,按照預(yù)設(shè)的圖像塊循環(huán)檢測(cè)次序從被分成至少兩個(gè)圖像塊的當(dāng)前圖像幀中選擇所要檢測(cè)的圖像塊,并將該圖像塊作為感興趣區(qū)域。本實(shí)施例圖像塊與圖像塊之間可以有重疊區(qū)域,重疊區(qū)域可以為5-10m遠(yuǎn)的行人在圖像中的大小,對(duì)每一幀圖像按照預(yù)設(shè)的圖像塊循環(huán)檢測(cè)次序選擇其中一個(gè)圖像塊進(jìn)行檢測(cè)。請(qǐng)參考圖3,圖3為本發(fā)明實(shí)施例圖像分塊示意圖,將采集到的行人圖像分成η個(gè)圖像塊,η大于或等于2,比如圖像塊1、圖像塊2至圖像塊η,預(yù)設(shè)的圖像塊循環(huán)檢測(cè)次序包括從圖像塊1到圖像塊η進(jìn)行檢測(cè),檢測(cè)到圖像塊η之后,下一幀再?gòu)膱D像塊η回到圖像塊1 循環(huán)檢測(cè),從當(dāng)前圖像幀中選擇所要檢測(cè)的圖像塊。比如η等于3,前一幀圖像中選擇檢測(cè)的圖像塊是圖像塊1,即前一幀圖像中以圖像塊1作為感興趣區(qū)域,當(dāng)前幀圖像中選擇檢測(cè)的圖像塊是圖像塊2,即當(dāng)前幀圖像中以圖像塊2作為感興趣區(qū)域,下一幀圖像中選擇檢測(cè)的圖像塊是圖像塊3,即下一幀圖像中以圖像塊3作為感興趣區(qū)域,再下一幀圖像中選擇檢測(cè)的圖像塊又是圖像塊1,即再下一幀圖像中以圖像塊1作為感興趣區(qū)域,依次循環(huán)。S13、對(duì)提取出的感興趣區(qū)域進(jìn)行一倍的縮小,縮小到原始大小的1/2,最小檢測(cè)框大小也同比例的縮小,在不影響檢測(cè)結(jié)果的情況下,減少了圖像的處理時(shí)間,提高了算法的實(shí)時(shí)性,在后續(xù)標(biāo)定時(shí)還原檢測(cè)框大小,即擴(kuò)大一倍。S14、采用Adaboost級(jí)聯(lián)分類器預(yù)定位感興趣區(qū)域中的行人區(qū)域,根據(jù)Adaboost 級(jí)聯(lián)分類器輸出結(jié)果判斷是否預(yù)定位到行人區(qū)域,如果是,則執(zhí)行S15,同時(shí),Adaboost級(jí)聯(lián)分類器判斷是否需要檢測(cè)下一幀圖像,如果不需要,則結(jié)束,如果需要,則繼續(xù)檢測(cè)下一幀圖像;如果沒(méi)有預(yù)定位到行人區(qū)域,則Adaboost級(jí)聯(lián)分類器判斷是否需要檢測(cè)下一幀圖像,如果不需要,則結(jié)束,如果需要,則繼續(xù)檢測(cè)下一幀圖像。本實(shí)施例的應(yīng)用場(chǎng)景是汽車前方的行人橫穿街道,根據(jù)行人橫穿街道的特定場(chǎng)景下行人的側(cè)身姿態(tài),本實(shí)施例為了提高檢測(cè)效率,可以僅對(duì)圖像中的側(cè)身行人進(jìn)行檢測(cè),那么本實(shí)施例的Adaboost級(jí)聯(lián)分類器可以是采用大量的行人側(cè)身樣本和負(fù)樣本訓(xùn)練成的行人側(cè)身的Adaboost級(jí)聯(lián)分類器,進(jìn)一步,由于本實(shí)施例的Adaboost級(jí)聯(lián)分類器只是預(yù)定位感興趣區(qū)域中的行人區(qū)域,因此,為了提高檢測(cè)效率,本實(shí)施例的Adaboost級(jí)聯(lián)分類器優(yōu)選的為行人整體Adaboost級(jí)聯(lián)分類器,采用算法對(duì)大量的行人側(cè)身整體樣本和負(fù)樣本進(jìn)行訓(xùn)練,提取Haar特征(矩形特征),生成本實(shí)施例的行人側(cè)身整體Adaboost級(jí)聯(lián)分類器,根據(jù)已訓(xùn)練好的行人側(cè)身整體Adaboost級(jí)聯(lián)分類器,在感興趣區(qū)域中預(yù)定位行人區(qū)域,獲取最匹配的行人區(qū)域。具體方法如下在采用特征模板對(duì)圖像進(jìn)行遍歷之前對(duì)圖像進(jìn)
行積分圖計(jì)算,積分圖計(jì)算如下公式所述:卻《,力=廠J" /「X,力&辦,其中(u,ν)代表
'X=O ^y=O
積分圖中的坐標(biāo)點(diǎn),(X,y)代表原圖像的坐標(biāo)點(diǎn),s(u,ν)代表積分圖中(U,ν)點(diǎn)積分值, Ι(χ, y)代表原圖像(χ,y)點(diǎn)像素值,積分圖像上每一點(diǎn)的灰度值等于原圖像中以原點(diǎn)和該點(diǎn)為對(duì)角點(diǎn)的矩形區(qū)域的灰度總和,由此來(lái)得到每一個(gè)特征值,用Adaboost算法,針對(duì)特征模板,訓(xùn)練12級(jí)的級(jí)聯(lián)分類器。使用12級(jí)的級(jí)聯(lián)分類器中記錄的行人Haar特征值 (矩形特征)對(duì)感興趣區(qū)域進(jìn)行檢測(cè)和定位,從而獲取最匹配的行人區(qū)域,其判斷公式為
H(x) = sign(j^atht(x)),其中H(X)為一級(jí)強(qiáng)分類器的表達(dá)式,T表示一級(jí)強(qiáng)分類器所包含的
t=l
弱分類器個(gè)數(shù),ht(x)表示第t個(gè)弱分類器的表達(dá)式,α t表示第t個(gè)弱分類器的權(quán)重,由12 級(jí)的級(jí)聯(lián)分類器對(duì)感興趣區(qū)域的圖像進(jìn)行計(jì)算,若每一級(jí)都輸出H(X) = 1,則代表定位到行人區(qū)域,若有其中一級(jí)輸出H(X) = 0,則代表未檢測(cè)到行人區(qū)域。本實(shí)施例的Adaboost級(jí)聯(lián)分類器不局限于采用大量的行人側(cè)身樣本和負(fù)樣本訓(xùn)練成的對(duì)圖像中的側(cè)身行人進(jìn)行檢測(cè)的行人側(cè)身Adaboost級(jí)聯(lián)分類器,如果想要檢測(cè)到圖像中的正身行人,可以采用大量的行人正身樣本和負(fù)樣本訓(xùn)練成的對(duì)圖像中的正身行人進(jìn)行檢測(cè)的Adaboost級(jí)聯(lián)分類器;同時(shí),本實(shí)施例的Adaboost級(jí)聯(lián)分類器不局限于采用大量的行人整體樣本和負(fù)樣本訓(xùn)練成的對(duì)圖像中的行人整體進(jìn)行檢測(cè)的行人整體Adaboost 級(jí)聯(lián)分類器,本實(shí)施例中的Adaboost級(jí)聯(lián)分類器還可以是采用大量的行人局部樣本和負(fù)樣本訓(xùn)練成的對(duì)圖像中的行人局部進(jìn)行檢測(cè)的行人局部Adaboost級(jí)聯(lián)分類器,或者是采用大量的行人側(cè)身局部樣本和負(fù)樣本訓(xùn)練成的對(duì)圖像中的行人側(cè)身局部進(jìn)行檢測(cè)的行人側(cè)身局部Adaboost級(jí)聯(lián)分類器。S15、采用SVM分類器在Adaboost級(jí)聯(lián)分類器預(yù)定位的行人區(qū)域中進(jìn)一步定位行人區(qū)域,根據(jù)SVM分類器輸出結(jié)果判斷是否進(jìn)一步定位到行人區(qū)域,如果是,則將得到的行人區(qū)域顯示給用戶,同時(shí),SVM分類器判斷是否需要檢測(cè)下一幀圖像,如果不需要,則結(jié)束,如果需要,則繼續(xù)檢測(cè)下一幀圖像;如果進(jìn)一步定位沒(méi)有得到行人區(qū)域,則SVM分類器判斷是否需要檢測(cè)下一幀圖像,如果不需要,則結(jié)束,如果需要,則繼續(xù)檢測(cè)下一幀圖像。
由于上一步驟中預(yù)定位的行人區(qū)域有較多的誤檢,通過(guò)對(duì)這些區(qū)域進(jìn)行特征提取,根據(jù)已訓(xùn)練好的SVM分類器對(duì)提取的特征進(jìn)行判斷,去除誤檢區(qū)域,從而更準(zhǔn)確定位行人區(qū)域。由于本實(shí)施例的SVM分類器是對(duì)前一步驟中預(yù)定位的行人區(qū)域進(jìn)一步定位,因此,為了提高檢測(cè)的準(zhǔn)確性,本實(shí)施例的SVM分類器包括行人整體SVM分類器和行人局部 SVM分類器,可以根據(jù)實(shí)際情況,選擇其一或兩者結(jié)合來(lái)對(duì)預(yù)定位的行人區(qū)域進(jìn)一步定位, 同時(shí),為了配合本實(shí)施例的應(yīng)用場(chǎng)景,即汽車前方的行人橫穿街道,可以僅對(duì)圖像中的側(cè)身行人進(jìn)行檢測(cè),來(lái)提高檢測(cè)效率,那么本實(shí)施例的SVM分類器可以是采用大量的行人側(cè)身整體樣本和負(fù)樣本訓(xùn)練成的行人側(cè)身整體SVM分類器,以及采用大量的行人側(cè)身局部樣本和負(fù)樣本訓(xùn)練成的行人側(cè)身局部SVM分類器。本實(shí)施例的行人側(cè)身整體SVM分類器的訓(xùn)練方法如下對(duì)大量的行人側(cè)身整體樣本和負(fù)樣本進(jìn)行HOG特征(梯度方向直方圖特征) 提取,使用訓(xùn)練工具得到SVM權(quán)值和閾值,生成行人側(cè)身整體SVM分類器,HOG特征是描述給定圖像窗口梯度統(tǒng)計(jì)信息的特征向量,為了更好的對(duì)待檢區(qū)域進(jìn)行特征提取,可將所有待檢區(qū)域擴(kuò)大或縮小至相同大小,例如64*1觀大小,計(jì)算其HOG特征向量,比如64*1觀大小的檢測(cè)框包括105個(gè)16*16大小的塊,塊與塊間有重疊,每個(gè)塊表示為36維的特征,整個(gè)檢測(cè)框用3780的特征向量描述,利用SVM算法,針對(duì)HOG特征,訓(xùn)練側(cè)面行人的整體和局部的支持向量機(jī)SVM分類器,分類器提供了權(quán)重w和閾值b,根據(jù)已訓(xùn)練好的支持向量機(jī)SVM分類器和所求的3780維HOG特征χ對(duì)預(yù)定位的行人區(qū)域進(jìn)行判斷,其判斷公式為
η
/(χ) = sgn{(w ·χ) + Β} = sgn{^^yi(xt · x) +列,其中w禾Π b分別為分類器的權(quán)重和閾值,χ
i=l
表示輸入的預(yù)定位區(qū)域的HOG特征向量,η為分類器B的支持向量數(shù),(Xi,Yi)表示第i個(gè)支持向量,Xi為拉格朗日系數(shù),若f(x) = 1,則表示檢測(cè)為行人。本實(shí)施例的行人側(cè)身局部 SVM分類器的訓(xùn)練方法如下對(duì)大量的行人側(cè)身局部樣本和負(fù)樣本進(jìn)行HOG特征(梯度方向直方圖特征)提取,使用訓(xùn)練工具得到SVM權(quán)值和閾值,生成行人側(cè)身局部SVM分類器, 行人局部區(qū)域包括行人頭部區(qū)域、行人肩部區(qū)域、行人軀干部區(qū)域、行人腿部區(qū)域中的一種或多種,相應(yīng)的行人局部樣本包括行人頭部樣本、行人肩部樣本、行人軀干部樣本、行人腿部樣本中的一種或多種。圖4為本發(fā)明實(shí)施例行人局部區(qū)域示意圖,請(qǐng)參考圖4 本實(shí)施例根據(jù)具體的應(yīng)用場(chǎng)景,將行人等分成三個(gè)區(qū)域,分別是頭肩部41、軀干部42和腿部區(qū)域43, 相鄰區(qū)域之間有重疊,分別對(duì)這三個(gè)區(qū)域結(jié)合指定行人側(cè)身局部樣本進(jìn)行訓(xùn)練,分別得到這三個(gè)區(qū)域的行人側(cè)身局部SVM分類器,頭肩部通過(guò)“凹”字型特征對(duì)預(yù)定位的行人區(qū)域做出快速的篩選或判斷,軀干部通過(guò)“木”字型特征對(duì)預(yù)定位的行人區(qū)域做出快速的篩選或判斷,腿部通過(guò)“人”字型特征對(duì)預(yù)定位的行人區(qū)域做出快速的篩選或判斷,以腿部區(qū)域?yàn)槔?使用50*50的窗口大小,20*20的塊大小,塊與塊間的步長(zhǎng)為10,總共有16個(gè)塊,每個(gè)塊表示為36維的特征向量,故窗口的總特征維數(shù)即為16*36 = 576維,相比行人整體3780維特征向量顯著減小,因而對(duì)橫穿街道的行人具有高效篩選的特點(diǎn),提高了實(shí)時(shí)性。通過(guò)對(duì)大量行人側(cè)身腿部樣本和負(fù)樣本計(jì)算特征向量,利用SVM訓(xùn)練得出行人側(cè)身腿部SVM分類器,用 50*50的窗口遍歷所有的待檢測(cè)框,使用該SVM分類器進(jìn)行判斷,若函數(shù)輸出為1,則代表檢測(cè)到人腿,若輸出為0,則未檢測(cè)到。
本實(shí)施例的SVM分類器不局限于行人側(cè)身整體SVM分類器,以及行人側(cè)身局部SVM 分類器,如果想要檢測(cè)到圖像中的正身行人,可以采用大量的行人正身樣本和負(fù)樣本訓(xùn)練成的對(duì)圖像中的正身行人進(jìn)行檢測(cè)的SVM分類器;從預(yù)處理后的圖像中提取感興趣區(qū)域的方法有多種,不局限于本實(shí)施例S12中所列舉的一種方式,比如還可以采用現(xiàn)有技術(shù)中慣用的方式,即將預(yù)處理后的圖像整體作為感興趣區(qū)域,而不對(duì)其進(jìn)行分塊。進(jìn)一步,本實(shí)施例還包括對(duì)S15中進(jìn)一步定位得到的行人區(qū)域進(jìn)行跟蹤的步驟, 圖5為本發(fā)明另一實(shí)施例一種行人檢測(cè)方法流程圖,請(qǐng)參考圖5 步驟Sll至S15如同上述,在S15中SVM分類器進(jìn)一步定位得到行人區(qū)域之后,將得到的行人區(qū)域顯示給用戶的同時(shí),執(zhí)行S16。S16、對(duì)進(jìn)一步定位得到的行人區(qū)域進(jìn)行跟蹤,執(zhí)行以下步驟將進(jìn)一步定位得到的行人區(qū)域按照設(shè)定尺寸或比例進(jìn)行擴(kuò)大;在從下一幀圖像中提取感興趣區(qū)域時(shí),將擴(kuò)大的行人區(qū)域在下一幀圖像中所對(duì)應(yīng)區(qū)域和按照?qǐng)D像塊循環(huán)檢測(cè)次序從下一幀圖像幀中選擇的所要檢測(cè)的圖像塊一起作為感興趣區(qū)域。比如,當(dāng)前幀圖像中選擇檢測(cè)的圖像塊是圖像塊2,即當(dāng)前幀圖像中以圖像塊2作為感興趣區(qū)域,經(jīng)步驟S13至S16得到進(jìn)一步定位后的行人區(qū)域,將當(dāng)前幀圖像中進(jìn)一步定位得到的行人區(qū)域按照設(shè)定尺寸或比例進(jìn)行擴(kuò)大,擴(kuò)大的行人區(qū)域可以大于、等于或小于圖像塊2的尺寸,也可以是將圖像塊2整體放大,在從下一幀圖像中提取感興趣區(qū)域時(shí),將擴(kuò)大的行人區(qū)域在下一幀圖像中所對(duì)應(yīng)區(qū)域,和按照?qǐng)D像塊循環(huán)檢測(cè)次序從下一幀圖像中選擇檢測(cè)的圖像塊(即圖像塊幻一起作為下一幀圖像的感興趣區(qū)域。采用支持向量機(jī)SVM分類器在Adaboost級(jí)聯(lián)分類器預(yù)定位的行人區(qū)域中進(jìn)一步定位行人區(qū)域之后,還包括對(duì)進(jìn)一步定位得到的行人區(qū)域進(jìn)行跟蹤,將進(jìn)一步定位得到的行人區(qū)域按照設(shè)定尺寸或比例進(jìn)行擴(kuò)大,在從下一幀圖像中提取感興趣區(qū)域時(shí),將擴(kuò)大的行人區(qū)域在下一幀圖像中所對(duì)應(yīng)區(qū)域,和按照?qǐng)D像塊循環(huán)檢測(cè)次序從下一幀圖像幀中選擇的所要檢測(cè)的圖像塊一起作為感興趣區(qū)域,這樣可以防止漏檢,提升檢測(cè)的準(zhǔn)確性,同時(shí)提升算法的實(shí)時(shí)性。圖6為本發(fā)明實(shí)施例一種行人檢測(cè)裝置的模塊圖,請(qǐng)參考圖6 —種行人檢測(cè)裝置,包括圖像采集模塊61、圖像處理模塊62、Adaboost級(jí)聯(lián)分類器63和SVM分類器64,其中,圖像采集模塊61用于采集行人圖像,圖像處理模塊62用于對(duì)采集到的圖像進(jìn)行預(yù)處理,從預(yù)處理后的圖像中提取感興趣區(qū)域,Adaboost級(jí)聯(lián)分類器63用于預(yù)定位感興趣區(qū)域中的行人區(qū)域,SVM分類器64用于在Adaboost級(jí)聯(lián)分類器63預(yù)定位的行人區(qū)域中進(jìn)一步定位行人區(qū)域。Adaboost級(jí)聯(lián)分類器63包括采用行人整體特征訓(xùn)練成的Adaboost級(jí)聯(lián)分類器和/或采用行人局部特征練成的Adaboost級(jí)聯(lián)分類器;SVM分類器64包括采用行人整體特征訓(xùn)練成的SVM分類器和/或采用行人局部特征練成的SVM分類器。進(jìn)一步,圖像處理模塊62具體用于將采集到的行人圖像分成至少兩個(gè)圖像塊,按照預(yù)設(shè)的圖像塊循環(huán)檢測(cè)次序從被分成至少兩個(gè)圖像塊的當(dāng)前圖像幀中選擇所要檢測(cè)的圖像塊,并將該圖像塊作為感興趣區(qū)域。進(jìn)一步,圖像處理模塊62還用于在采用SVM分類器在Adaboost級(jí)聯(lián)分類器預(yù)定位的行人區(qū)域中進(jìn)一步定位行人區(qū)域之后,對(duì)進(jìn)一步定位得到的行人區(qū)域進(jìn)行跟蹤,包括 判斷是否定位到行人區(qū)域,若否,繼續(xù)采集行人圖像并從所述圖像中提取感興趣區(qū)域,若是,則執(zhí)行以下步驟將進(jìn)一步定位得到的行人區(qū)域按照設(shè)定尺寸或比例進(jìn)行擴(kuò)大,在從下一幀圖像中提取感興趣區(qū)域時(shí),將擴(kuò)大的行人區(qū)域在下一幀圖像中所對(duì)應(yīng)區(qū)域和按照?qǐng)D像塊循環(huán)檢測(cè)次序從下一幀圖像幀中選擇的所要檢測(cè)的圖像塊一起作為感興趣區(qū)域。進(jìn)一步,圖像采集模塊62包括設(shè)置于汽車車身的攝像頭,用于采集汽車周邊的行人圖像,尤其是設(shè)置于汽車前方的攝像頭,用于采集汽車前方的行人側(cè)身圖像。本實(shí)施例對(duì)行人區(qū)域進(jìn)行預(yù)定位的Adaboost級(jí)聯(lián)分類器為預(yù)先訓(xùn)練的適合行人橫穿街道的特定場(chǎng)景下行人側(cè)身整體的特征分類器,對(duì)行人區(qū)域進(jìn)一步定位的SVM分類器為預(yù)先訓(xùn)練的行人側(cè)身整體及局部的特征分類器,本實(shí)施例的Adaboos t級(jí)聯(lián)分類器具有檢測(cè)速度快、較強(qiáng)的普適性等特點(diǎn),SVM分類器具有高度的精確性,采用行人局部SVM分類器精確性更高、速度更快。本實(shí)施例應(yīng)用于汽車領(lǐng)域,模糊了汽車前方行人之間的個(gè)體特征,減少了個(gè)體性差異、光照等對(duì)檢測(cè)結(jié)果的影響,減少了誤檢率,提高了檢測(cè)效率,進(jìn)一步,通過(guò)采用側(cè)面行人局部特征的分類器檢測(cè)道路上的橫過(guò)馬路的行人姿態(tài),針對(duì)特定的應(yīng)用場(chǎng)景,減少了不同姿態(tài)非橫過(guò)馬路行人對(duì)檢測(cè)結(jié)果的影響,提高了算法的有效性與實(shí)時(shí)性。由于現(xiàn)在的交通工具和道路設(shè)施越來(lái)越發(fā)達(dá),交通狀況的復(fù)雜度也隨之大大增加,而駕駛員的信息判斷能力相對(duì)而言越來(lái)越受到局限,這樣便造成了交通事故發(fā)生率提高和隱患風(fēng)險(xiǎn)的加大,本實(shí)施例利用汽車前置攝像頭采集汽車前方的行人圖像,對(duì)圖像中的行人進(jìn)行檢測(cè),保證了駕駛員的行車安全,有效避免了車禍?zhǔn)录陌l(fā)生。以上內(nèi)容是結(jié)合具體的實(shí)施方式對(duì)本發(fā)明所作的進(jìn)一步詳細(xì)說(shuō)明,不能認(rèn)定本發(fā)明的具體實(shí)施只局限于這些說(shuō)明。對(duì)于本發(fā)明所屬技術(shù)領(lǐng)域的普通技術(shù)人員來(lái)說(shuō),在不脫離本發(fā)明構(gòu)思的前提下,還可以做出若干簡(jiǎn)單推演或替換,都應(yīng)當(dāng)視為屬于本發(fā)明的保護(hù)范圍。
權(quán)利要求
1.一種行人檢測(cè)方法,其特征在于,包括采集行人圖像,從所述圖像中提取感興趣區(qū)域;采用Adaboost級(jí)聯(lián)分類器預(yù)定位所述感興趣區(qū)域中的行人區(qū)域;采用支持向量機(jī)SVM分類器在所述Adaboost級(jí)聯(lián)分類器預(yù)定位的行人區(qū)域中進(jìn)一步定位行人區(qū)域。
2.如權(quán)利要求1所述的方法,其特征在于,所述Adaboost級(jí)聯(lián)分類器包括采用行人整體樣本和相應(yīng)負(fù)樣本訓(xùn)練成的行人整體Adaboost級(jí)聯(lián)分類器和/或采用行人局部樣本和相應(yīng)負(fù)樣本訓(xùn)練成的行人局部Adaboost級(jí)聯(lián)分類器;所述SVM分類器包括采用行人整體樣本和相應(yīng)負(fù)樣本訓(xùn)練成的行人整體SVM分類器和/或采用行人局部樣本和相應(yīng)負(fù)樣本訓(xùn)練成的行人局部SVM分類器。
3.如權(quán)利要求1或2所述的方法,其特征在于,采集行人圖像,從所述圖像中提取感興趣區(qū)域的方法具體為將采集到的行人圖像分成至少兩個(gè)圖像塊,按照預(yù)設(shè)的圖像塊循環(huán)檢測(cè)次序從被分成至少兩個(gè)圖像塊的當(dāng)前圖像幀中選擇所要檢測(cè)的圖像塊,并將該圖像塊作為感興趣區(qū)域。
4.如權(quán)利要求3所述的方法,其特征在于,采用支持向量機(jī)SVM分類器在所述 Adaboost級(jí)聯(lián)分類器預(yù)定位的行人區(qū)域中進(jìn)一步定位行人區(qū)域之后,還包括對(duì)進(jìn)一步定位得到的行人區(qū)域進(jìn)行跟蹤的步驟,包括判斷是否定位到行人區(qū)域,若是則將進(jìn)一步定位得到的行人區(qū)域按照設(shè)定尺寸或比例進(jìn)行擴(kuò)大;在從下一幀圖像中提取感興趣區(qū)域時(shí),將擴(kuò)大的行人區(qū)域在下一幀圖像中所對(duì)應(yīng)區(qū)域和按照?qǐng)D像塊循環(huán)檢測(cè)次序從下一幀圖像幀中選擇的所要檢測(cè)的圖像塊一起作為感興趣區(qū)域。
5.如權(quán)利要求1或2所述的方法,其特征在于,采集行人圖像的方式包括利用設(shè)置于汽車車身的攝像頭采集汽車周邊的行人圖像。
6.如權(quán)利要求5所述的方法,其特征在于,利用汽車前置攝像頭采集汽車前方的行人側(cè)身圖像。
7.一種行人檢測(cè)裝置,其特征在于,包括圖像采集模塊、圖像處理模塊、Adaboost級(jí)聯(lián)分類器和支持向量機(jī)SVM分類器,其中,所述圖像采集模塊用于采集行人圖像;所述圖像處理模塊用于從所述圖像中提取感興趣區(qū)域;所述Adaboost級(jí)聯(lián)分類器用于預(yù)定位所述感興趣區(qū)域中的行人區(qū)域;所述支持向量機(jī)SVM分類器用于在所述Adaboost級(jí)聯(lián)分類器預(yù)定位的行人區(qū)域中進(jìn)一步定位行人區(qū)域。
8.如權(quán)利要求7所述的裝置,其特征在于,所述Adaboost級(jí)聯(lián)分類器包括采用行人整體樣本和相應(yīng)負(fù)樣本訓(xùn)練成的行人整體Adaboost級(jí)聯(lián)分類器和/或采用行人局部樣本和相應(yīng)負(fù)樣本練成的行人局部Adaboost級(jí)聯(lián)分類器;所述SVM分類器包括采用行人整體樣本和相應(yīng)負(fù)樣本訓(xùn)練成的行人整體SVM分類器和/或采用行人局部樣本和相應(yīng)負(fù)樣本練成的行人局部SVM分類器。
9.如權(quán)利要求7或8所述的裝置,其特征在于,所述圖像處理模塊具體用于將采集到的行人圖像分成至少兩個(gè)圖像塊,按照預(yù)設(shè)的圖像塊循環(huán)檢測(cè)次序從被分成至少兩個(gè)圖像塊的當(dāng)前圖像幀中選擇所要檢測(cè)的圖像塊,并將該圖像塊作為感興趣區(qū)域。
10.如權(quán)利要求7或8所述的裝置,其特征在于,所述圖像采集模塊包括設(shè)置于汽車車身的攝像頭,用于采集汽車周邊的行人圖像。
全文摘要
本發(fā)明公開一種行人檢測(cè)方法及裝置,該方法包括采集行人圖像,并對(duì)所述圖像進(jìn)行預(yù)處理,從預(yù)處理后的圖像中提取感興趣區(qū)域;采用Adaboost級(jí)聯(lián)分類器預(yù)定位所述感興趣區(qū)域中的行人區(qū)域;采用支持向量機(jī)SVM分類器在Adaboost級(jí)聯(lián)分類器預(yù)定位的行人區(qū)域中進(jìn)一步定位行人區(qū)域。本發(fā)明通過(guò)以上技術(shù)方案有效解決現(xiàn)有技術(shù)中誤檢率偏高的技術(shù)問(wèn)題。
文檔編號(hào)G06K9/00GK102201059SQ20111013233
公開日2011年9月28日 申請(qǐng)日期2011年5月20日 優(yōu)先權(quán)日2011年5月20日
發(fā)明者呂少亭, 王新安, 程如中, 許家堯, 趙勇, 邢文峰 申請(qǐng)人:北京大學(xué)深圳研究生院
網(wǎng)友詢問(wèn)留言 已有0條留言
  • 還沒(méi)有人留言評(píng)論。精彩留言會(huì)獲得點(diǎn)贊!
1
尖扎县| 四川省| 昭苏县| 连云港市| 荣昌县| 蓬莱市| 康乐县| 林西县| 绩溪县| 屏南县| 凭祥市| 合江县| 新绛县| 浑源县| 平湖市| 兰溪市| 商水县| 安达市| 武功县| 黎川县| 高碑店市| 盘锦市| 桃园县| 郯城县| 延边| 大冶市| 太康县| 新宁县| 丹棱县| 凯里市| 内江市| 福安市| 肥西县| 新干县| 鄂尔多斯市| 东兰县| 南投县| 玛曲县| 肥城市| 金昌市| 兴海县|