本發(fā)明屬于圖像處理技術(shù)領(lǐng)域，更進(jìn)一步涉及靜態(tài)人體檢測(cè)技術(shù)領(lǐng)域的一種基于快速魯棒性特征的高效匹配核(EfficientMatchKernelEMK)人體檢測(cè)方法。本發(fā)明可用于從靜態(tài)圖像中，將人體信息檢測(cè)出來，以達(dá)到識(shí)別人體目標(biāo)的目的。

背景技術(shù)：
人體檢測(cè)是從自然圖像中判斷出人體信息所在位置的過程，近年來由于其在智能監(jiān)控、駕駛員輔助系統(tǒng)、人體運(yùn)動(dòng)捕捉、色情圖片過濾等領(lǐng)域的應(yīng)用價(jià)值，已經(jīng)成為計(jì)算機(jī)視覺領(lǐng)域中的一項(xiàng)關(guān)鍵技術(shù)。但由于人體姿態(tài)的多樣性，背景的混雜以及衣服紋理，光照條件，自身遮擋等多方面的因素導(dǎo)致人體檢測(cè)成為一個(gè)非常困難的問題。目前，靜態(tài)圖像中人體檢測(cè)的方法主要分為兩大類：基于人體模型的人體檢測(cè)方法和基于學(xué)習(xí)的人體檢測(cè)方法。第一種，基于人體模型的人體檢測(cè)方法。該方法不需要學(xué)習(xí)數(shù)據(jù)庫，有明確的人體模型，然后根據(jù)模型構(gòu)造的各個(gè)部位與人體之間的關(guān)系進(jìn)行人體識(shí)別。北京交通大學(xué)在其申請(qǐng)的專利“一種人體檢測(cè)方法”(專利申請(qǐng)?zhí)朇N201010218630.8，公開號(hào)CN101908150A)公開了一種基于人體模型的檢測(cè)方法。該方法通過多種體形、多種姿勢(shì)的人體樣本建立具有一定模糊性的人體檢測(cè)模板來確定人體候補(bǔ)區(qū)域。該方法能較好的處理遮擋問題，可以推算出人體的姿態(tài)，提高人體檢測(cè)的效率和精度，但是，該方法仍然存在的不足是，由于匹配算法比較復(fù)雜，計(jì)算復(fù)雜度較高，在背景復(fù)雜的情況下難以達(dá)到很好的檢測(cè)結(jié)果。第二種，基于學(xué)習(xí)的人體檢測(cè)方法。該方法通過機(jī)器學(xué)習(xí)從一系列訓(xùn)練數(shù)據(jù)中學(xué)習(xí)得到一個(gè)分類器，然后利用該分類器對(duì)輸入窗口進(jìn)行分類及識(shí)別。哈爾濱工程大學(xué)在其申請(qǐng)的專利“基于AdaBoost框架和頭部顏色的實(shí)時(shí)人體檢測(cè)方法”(專利申請(qǐng)?zhí)朇N201110104892.6，公開號(hào)CN102163281A)中公開了一種結(jié)合多尺度梯度直方圖HOG特征和頭部顏色直方圖特征的人體檢測(cè)方法。該方法提取梯度直方圖HOG特征的同時(shí)結(jié)合了特征模板，增加了頭部特征判別的功能，與傳統(tǒng)方法相比提高了檢測(cè)率，特別是對(duì)于背景變化不大的圖像空間有良好的特征識(shí)別效果，但是，該方法仍然存在的不足是，對(duì)于背景混雜或者光照不均的情況，檢測(cè)結(jié)果會(huì)受到干擾。

技術(shù)實(shí)現(xiàn)要素：
本發(fā)明的目的在于克服上述已有技術(shù)的不足，提出一種基于快速魯棒性特征的高效匹配核人體檢測(cè)方法，采用基于學(xué)習(xí)的人體檢測(cè)方法，通過分層提取圖像的局部信息，然后進(jìn)行字典學(xué)習(xí)將特征映射到低維空間，集合成特征集，利用線性分類器對(duì)特征集進(jìn)行訓(xùn)練，得到一個(gè)人體檢測(cè)的分類器，再利用此分類器對(duì)待檢測(cè)的圖像進(jìn)行人體檢測(cè)。為實(shí)現(xiàn)上述目的，本發(fā)明包括得到檢測(cè)分類器和利用所獲得的分類器對(duì)圖像進(jìn)行檢測(cè)兩個(gè)過程，具體實(shí)現(xiàn)步驟如下：第一個(gè)過程，得到檢測(cè)分類器的具體步驟如下：(1)選擇訓(xùn)練樣本集圖像：1a)利用自舉操作，從INRIA數(shù)據(jù)庫的非人體自然圖像中，獲得足夠的負(fù)樣本圖像；1b)將獲得的負(fù)樣本圖像與INRIA數(shù)據(jù)庫中的負(fù)樣本集組成新的負(fù)樣本集；1c)將獲得的新的負(fù)樣本集圖像與INRIA數(shù)據(jù)庫中的正樣本集構(gòu)成人體訓(xùn)練樣本集。(2)提取圖像SURF特征點(diǎn)：2a)將人體訓(xùn)練樣本集中的每幅圖像分割成8*8像素的格子，對(duì)每個(gè)格子，分別按16、25、36像素大小的尺度采樣，每個(gè)尺度采樣形成格子的一個(gè)采樣層；2b)對(duì)每個(gè)8*8像素格子，計(jì)算每層采樣后格子內(nèi)采樣點(diǎn)的水平方向梯度與垂直方向梯度的平方和，將梯度平方和最大值對(duì)應(yīng)的采樣點(diǎn)，作為該像素格子在采樣層的快速魯棒性特征SURF特征點(diǎn)；2c)對(duì)人體訓(xùn)練樣本集中的每幅圖像，從每個(gè)采樣層上所有像素格子的快速魯棒性特征SURF特征點(diǎn)中，隨機(jī)選取15個(gè)特征點(diǎn)，作為人體訓(xùn)練樣本集的圖像在采樣層上的快速魯棒性特征SURF特征點(diǎn)。(3)構(gòu)造每層初始基向量：利用k均值聚類方法，對(duì)人體訓(xùn)練樣本集中所有圖像在每個(gè)采樣層上的快速魯棒性特征SURF特征點(diǎn)進(jìn)行聚類，定義450個(gè)聚類中心，獲得整個(gè)人體訓(xùn)練樣本集在采樣層上的450維視覺詞匯，構(gòu)成采樣層的初始基向量。(4)獲得采樣層的最大核函數(shù)特征：對(duì)于每個(gè)采樣層的初始基向量，分別利用帶約束的核奇異值分解CKSVD進(jìn)行字典學(xué)習(xí)，得到采樣層的最大核函數(shù)特征。(5)獲得圖像高效匹配核特征：5a)對(duì)每個(gè)采樣層，按降序排列采樣層的最大核函數(shù)特征的元素值，判斷最大元素值的元素個(gè)數(shù)是否為1，如果是，將采樣層的最大核函數(shù)特征作為采樣層的特征向量輸出，否則，將采樣層的最大核函數(shù)特征中元素值與最大值相等的元素置成零，將置零后的采樣層的最大核函數(shù)特征作為采樣層的特征向量輸出；5b)對(duì)所有采樣層的特征向量進(jìn)行加權(quán)求和，得到所有尺度特征，儲(chǔ)存所有尺度特征；5c)對(duì)所有尺度特征向量的每行元素求均值，在坐標(biāo)橫軸上對(duì)應(yīng)的均值點(diǎn)進(jìn)行均值個(gè)數(shù)的累加，得到所有尺度特征向量所有行的元素均值的分布，選擇所有行的元素均值分布中類似高斯分布的特征，作為最終圖像的快速魯棒性特性的高效匹配核特征。(6)分類訓(xùn)練：使用支持向量機(jī)SVM分類器對(duì)提取到的快速魯棒性特性的高效匹配核特征進(jìn)行分類訓(xùn)練，得到檢測(cè)分類器。第二個(gè)過程，利用所獲得的檢測(cè)分類器對(duì)圖像進(jìn)行檢測(cè)的具體步驟如下：(7)輸入圖像進(jìn)行掃描：輸入一幅被檢測(cè)圖像，用窗口掃描法掃描整幅被檢測(cè)圖像，得到一組掃描窗口圖像，將該組掃描窗口圖像輸入到檢測(cè)分類器。(8)檢測(cè)掃描窗口：8a)用檢測(cè)分類器判斷所輸入的掃描窗口圖像中是否包含有人體信息，若不存在人體信息，則將該被檢測(cè)圖像定位為非人體自然圖像，否則，從判斷出的所有有人體信息的掃描窗口圖像中，找出檢測(cè)分類器分?jǐn)?shù)最高的掃描窗口圖像作為主窗口圖像；8b)從主窗口圖像以外剩余的有人體信息的掃描窗口圖像中，將與主窗口圖像重疊大于50％的掃描窗口圖像與主窗口圖像進(jìn)行窗口組合操作，將窗口組合得到的窗口作為一個(gè)檢測(cè)結(jié)果保存，刪除所有參與窗口組合的圖像；8c)判斷有人體信息的掃描窗口圖像是否還有剩余，如果有，找出剩余的掃描窗口圖像中檢測(cè)分類器分?jǐn)?shù)最高的圖像作為主窗口圖像，執(zhí)行步驟8b)，否則，執(zhí)行步驟(9)。(9)輸出檢測(cè)結(jié)果：將窗口組合得到的所有窗口在被檢測(cè)圖像上標(biāo)出，輸出標(biāo)出后的圖像，作為被檢測(cè)圖像的人體檢測(cè)結(jié)果。本發(fā)明與現(xiàn)有技術(shù)相比具有以下優(yōu)點(diǎn)：第一，本發(fā)明在人體檢測(cè)的特征提取過程中采用了快速魯棒性特征，快速魯棒性特征通過計(jì)算局部的圖像梯度變化情況對(duì)區(qū)域圖像進(jìn)行統(tǒng)計(jì)，構(gòu)成整幅圖像的帶有統(tǒng)計(jì)性質(zhì)的特征，可以避免現(xiàn)有技術(shù)中基于邊緣和基于輪廓的圖像表示方法產(chǎn)生的模糊表示的問題，使得本發(fā)明在處理混雜背景和光照不均圖像時(shí)，可以獲得更好的檢測(cè)結(jié)果。第二，本發(fā)明在人體檢測(cè)的特征提取過程中對(duì)圖像分層提取特征，有效利用了不同尺度上的特征點(diǎn)信息，避免現(xiàn)有技術(shù)中尺度過小帶來的局部匹配誤差，使得本發(fā)明可以取得較好的檢測(cè)結(jié)果。第三，本發(fā)明將提取的圖像特征采用字典學(xué)習(xí)方法將圖像特征映射到低維空間，集合成特征集，與現(xiàn)有技術(shù)相比降低了圖像特征的維數(shù)，有效縮減了圖像特征的計(jì)算時(shí)間和數(shù)據(jù)的計(jì)算量。附圖說明圖1是本發(fā)明的流程圖；圖2是本發(fā)明中使用的樣本圖像；圖3是本發(fā)明與基于梯度直方圖HOG特征人體檢測(cè)方法的分類器分類性能比較圖；圖4是本發(fā)明方法與基于梯度直方圖HOG特征人體檢測(cè)方法對(duì)光照不均圖像進(jìn)行人體檢測(cè)的仿真圖；圖5是本發(fā)明方法與基于梯度直方圖HOG特征人體檢測(cè)方法對(duì)復(fù)雜背景圖像進(jìn)行人體檢測(cè)的仿真圖。具體實(shí)施方式下面結(jié)合附圖對(duì)本發(fā)明做進(jìn)一步的描述。參照附圖1，本發(fā)明的具體步驟如下：步驟1，選擇訓(xùn)練樣本集圖像。利用自舉操作，從INRIA數(shù)據(jù)庫的非人體自然圖像中，獲得足夠的負(fù)樣本圖像。自舉操作的具體步驟如下：第一步，從INRIA數(shù)據(jù)庫中隨機(jī)選取m個(gè)正樣本圖像與n個(gè)負(fù)樣本圖像，其中100≤m≤500,100≤n≤800,且n≤m≤3n，使用梯度方向直方圖HOG特征提取方法，對(duì)所選取的所有正負(fù)樣本圖像進(jìn)行特征提取，利用支持向量機(jī)SVM分類器對(duì)提取的特征進(jìn)行分類訓(xùn)練，得到初始分類器。第二步，連續(xù)隨機(jī)選取INRIA數(shù)據(jù)庫中的非人體自然圖像，采用樣本圖像大小的掃描窗口，從左至右以8個(gè)像素為移動(dòng)單位，從上至下以16個(gè)像素為移動(dòng)單位，掃描整幅被檢測(cè)的非人體自然圖像；將所有的掃描窗口里的圖像輸入到初始分類器進(jìn)行檢測(cè)，保存分類器錯(cuò)分的掃描窗口圖像，直至錯(cuò)分的掃描窗口圖像數(shù)量達(dá)到a張，200≤a≤500,停止選取非人體自然圖像；從錯(cuò)分的掃描窗口圖像中隨機(jī)挑選b張圖像，1/5a≤b≤1/3a，與當(dāng)前的負(fù)樣本圖像組成新的負(fù)樣本集。第三步，對(duì)隨機(jī)選取的m個(gè)正樣本圖像和新的負(fù)樣本集，進(jìn)行梯度方向直方圖HOG特征提取、訓(xùn)練分類器、檢測(cè)非人體自然圖像及更新負(fù)樣本集。第四步，重復(fù)執(zhí)行第三步操作，直至更新后的最終的訓(xùn)練樣本集由2416個(gè)正樣本圖像與13500個(gè)負(fù)樣本圖像組成，樣本的大小均為128×64像素。將獲得的負(fù)樣本圖像與INRIA數(shù)據(jù)庫中的負(fù)樣本集組成新的負(fù)樣本集。將獲得的新的負(fù)樣本集圖像與INRIA數(shù)據(jù)庫中的正樣本集構(gòu)成人體訓(xùn)練樣本集。本發(fā)明的實(shí)施例中，最終的人體訓(xùn)練樣本集中，訓(xùn)練樣本集由2416個(gè)正樣本與13500個(gè)負(fù)樣本組成，測(cè)試樣本集由1132個(gè)正樣本與4050個(gè)負(fù)樣本組成，樣本圖像的大小均為128×64像素。圖2是本發(fā)明使用的部分樣本圖像，其中圖2(a)為本發(fā)明中使用的部分正樣本圖像，圖2(b)為本發(fā)明中使用的為部分負(fù)樣本圖像。步驟2，提取圖像的SURF特征點(diǎn)。將人體訓(xùn)練樣本集中的每幅圖像分割成8*8像素的格子，對(duì)每個(gè)格子，分別按16、25、36像素大小的尺度采樣，每個(gè)尺度采樣形成格子的一個(gè)采樣層。對(duì)每個(gè)8*8像素格子，計(jì)算每層采樣后格子內(nèi)采樣點(diǎn)的水平方向梯度與垂直方向梯度的平方和，將梯度平方和最大值對(duì)應(yīng)的采樣點(diǎn)，作為該像素格子在采樣層的快速魯棒性特征SURF特征點(diǎn)。對(duì)人體訓(xùn)練樣本集中的每幅圖像，從每個(gè)采樣層上所有像素格子的快速魯棒性特征SURF特征點(diǎn)中，隨機(jī)選取15個(gè)特征點(diǎn)，作為人體訓(xùn)練樣本集的圖像在采樣層上的快速魯棒性特征SURF特征點(diǎn)。步驟3，構(gòu)造每層初始基向量。利用k均值聚類方法，對(duì)所有訓(xùn)練樣本圖像在每個(gè)采樣層上所有快速魯棒性特征SURF特征點(diǎn)進(jìn)行聚類，定義450個(gè)聚類中心，獲得整個(gè)訓(xùn)練樣本在采樣層的450維視覺詞匯，構(gòu)成采樣層的初始基向量。k均值聚類方法的具體步驟如下：第一步，對(duì)每個(gè)采樣層，隨機(jī)從人體訓(xùn)練樣本集的所有樣本圖像在采樣層的快速魯棒性特征SURF特征點(diǎn)中，選取450個(gè)快速魯棒性特征SURF特征點(diǎn)，作為采樣層的初始聚類中心，分別將450個(gè)初始聚類中心的數(shù)據(jù)值，作為所在初始聚類中心的聚類中心值。第二步，計(jì)算人體訓(xùn)練樣本集在采樣層的所有快速魯棒性特征SURF特征點(diǎn)到各個(gè)聚類中心的歐式距離。第三步，將采樣層的每個(gè)快速魯棒性特征SURF特征點(diǎn)歸到與自身距離最近的聚類中心所在的類別中。第四步，判斷歸類后每一類的快速魯棒性特征SURF特征點(diǎn)的數(shù)據(jù)平均值是否等于聚類中心值，如果是，執(zhí)行第五步，否則，將所求每一類的特征點(diǎn)的數(shù)據(jù)平均值作為新的聚類中心值，返回第二步。第五步，保存450個(gè)聚類中心值，用450個(gè)聚類中心值構(gòu)成列向量，將該列向量作為整個(gè)人體訓(xùn)練樣本集在采樣層上的初始基向量輸出。步驟4，獲得采樣層的最大核函數(shù)特征。對(duì)于每個(gè)采樣層的初始基向量，分別利用帶約束的核奇異值分解CKSVD進(jìn)行字典學(xué)習(xí)，得到采樣層的最大核函數(shù)特征。自舉操作的步驟如下：第一步，對(duì)于每個(gè)采樣層，將采樣層的初始基向量投影到一個(gè)450維的空間上，通過下式計(jì)算，獲得采樣層的初始基向量的投影向量：R＝R1×[v1,...vj...,vN]其中，R表示采樣層的初始基向量的投影向量，R1表示采樣層的初始基向量，vj表示人體訓(xùn)練樣本集的所有樣本圖像在采樣層上提取的第j個(gè)特征點(diǎn)的投影系數(shù)的向量，vj＝|v1j,v2j,...vsj,vMj|T，vsj表示人體訓(xùn)練樣本集中第s幅樣本圖像在采樣層上提取的第j個(gè)特征點(diǎn)的投影系數(shù)，M表示人體訓(xùn)練樣本集的所有樣本圖像個(gè)數(shù)，j＝1,2,...,N，N表示人體訓(xùn)練樣本集中的每一幅樣本圖像在采樣層上隨機(jī)選取的特征點(diǎn)的個(gè)數(shù)。第二步，按下式構(gòu)造一個(gè)逼近函數(shù)，在投影空間上去擬合逼近采樣層上的初始基向量的投影向量：f(r)＝argmin||r-P||其中，r表示采樣層上最大核函數(shù)特征，R表示采樣層的初始基向量p的投影向量，||·||表示2范數(shù)，argmin||·||表示求最小值。將R＝R1×[v1,...vj...,vN]代入上式，并將r按r＝[r1,...rj...,rN]展開，按下式得到最大核函數(shù)特征r對(duì)初始基向量R1的2次逼近函數(shù)f(v,r)：其中，v表示人體訓(xùn)練樣本集的所有樣本圖像提取的所有特征點(diǎn)的低維投影系數(shù)向量，且v＝[v1,...vj...,vN]，vj表示人體訓(xùn)練樣本集的所有樣本圖像在采樣層上提取的第j個(gè)特征點(diǎn)的投影系數(shù)的向量，N表示人體訓(xùn)練樣本集中的每一幅樣本圖像在采樣層上隨機(jī)選取的特征點(diǎn)的個(gè)數(shù)，rj表示人體訓(xùn)練樣本集的所有樣本圖像提取的第j個(gè)特征點(diǎn)的最大核特征向量，R1表示采樣層的初始基向量。第三步，使用隨機(jī)梯度下降法求解逼近函數(shù)，獲得下式來迭代更新該采樣層上的最大核函數(shù)特征，構(gòu)成低維的圖像特征表示：其中，r(k+1)表示迭代k+1次得到的采樣層上的最大核函數(shù)特征，k表示迭代次數(shù)，r(k)表示迭代k次得到的采樣層上的最大核函數(shù)特征，η表示學(xué)習(xí)率，是個(gè)常量，表示計(jì)算括號(hào)里的式子對(duì)r的導(dǎo)數(shù)，rj表示人體訓(xùn)練樣本集中的所有樣本圖像在采樣層上提取的第j個(gè)特征點(diǎn)的最大核特征向量，R1表示采樣層上的初始基向量，R1T表示采樣層上的初始基向量R1的轉(zhuǎn)置向量，設(shè)定迭代次數(shù)為1000次，迭代完成后得到的r(1000)作為采樣層上的最終的最大核函數(shù)特征，j＝1,2,...,N，N表示人體訓(xùn)練樣本集中的每一幅樣本圖像在采樣層上的隨機(jī)選取的特征點(diǎn)的數(shù)量。步驟5，獲得圖像高效匹配核特征。對(duì)每個(gè)采樣層，按降序排列采樣層的最大核函數(shù)特征的元素值，判斷最大元素值的元素個(gè)數(shù)是否為1，如果是，將采樣層的最大核函數(shù)特征作為采樣層的特征向量輸出，否則，將采樣層的最大核函數(shù)特征中元素值與最大值相等的元素置成零，將置零后的采樣層的最大核函數(shù)特征作為采樣層的特征向量輸出。對(duì)所有采樣層的特征向量進(jìn)行加權(quán)求和，得到所有尺度特征，儲(chǔ)存所有尺度特征。加權(quán)求和的方式如下：G*＝Gi×Ai其中，G*表示所有采樣層特征，Gi表示每個(gè)采樣層的特征向量，i＝1,2,3，Ai表示每個(gè)采樣層對(duì)應(yīng)的權(quán)重，wi＝1/pi，pi表示每個(gè)采樣層的采樣尺度的像素大小，pi＝{16,25,36}。對(duì)所有尺度特征向量的每行元素求均值，在坐標(biāo)橫軸上對(duì)應(yīng)的均值點(diǎn)進(jìn)行均值個(gè)數(shù)的累加，得到所有尺度特征向量所有行的元素均值的分布，選擇所有行的元素均值分布中類似高斯分布的特征，作為最終圖像的快速魯棒性特性的高效匹配核特征。步驟6，分類訓(xùn)練。使用支持向量機(jī)SVM分類器對(duì)提取到的快速魯棒性特性的高效匹配核特征進(jìn)行分類訓(xùn)練，得到檢測(cè)分類器。步驟7，輸入圖像進(jìn)行掃描。輸入一幅被檢測(cè)圖像，用窗口掃描法掃描整幅被檢測(cè)圖像，得到一組掃描窗口圖像，將該組掃描窗口圖像輸入到檢測(cè)分類器。窗口掃描的具體步驟如下：第一步，將輸入的被檢測(cè)圖像左上角的一個(gè)人體訓(xùn)練樣本集中樣本圖像大小的區(qū)域作為第一個(gè)掃描窗口，將該掃描窗口作為當(dāng)前掃描窗口，保存當(dāng)前掃描窗口圖像。第二步，將當(dāng)前掃描窗口在被檢測(cè)的圖像上向右平移8個(gè)像素或下移16個(gè)像素得到一個(gè)新的掃描窗口，用新的掃描窗口去替換當(dāng)前掃描窗口，保存當(dāng)前掃描窗口圖像。第三步，按上述方法移動(dòng)當(dāng)前掃描窗口，用移動(dòng)后的掃描窗口去替換當(dāng)前掃描窗口直至掃描完整幅被檢測(cè)的圖像為止，保存所有的掃描窗口圖像。步驟8，檢測(cè)掃描窗口。8a)用檢測(cè)分類器判斷所輸入的掃描窗口圖像中是否包含有人體信息，若不存在人體信息，則將該被檢測(cè)圖像定位為非人體自然圖像，否則，從判斷出的所有有人體信息的掃描窗口圖像中，找出檢測(cè)分類器分?jǐn)?shù)最高的掃描窗口圖像作為主窗口圖像。8b)從主窗口圖像以外剩余的有人體信息的掃描窗口圖像中，將與主窗口圖像重疊大于50％的掃描窗口圖像與主窗口圖像進(jìn)行窗口組合操作，將窗口組合得到的窗口作為一個(gè)檢測(cè)結(jié)果保存，刪除所有參與窗口組合的圖像。窗口組合的具體步驟如下：第一步，將所有需要窗口組合的圖像從1開始順序編號(hào)；第二步，將每幅需要窗口組合圖像的分類器分?jǐn)?shù)在所有需要窗口組合的圖像檢測(cè)分類器分?jǐn)?shù)之和中占的比重作為圖像邊界加權(quán)的權(quán)重；第三步，利用下式，對(duì)需要窗口組合的圖像的每條邊界進(jìn)行加權(quán)：其中，X表示加權(quán)后得到的窗口邊界在被檢測(cè)圖像上的所在行的像素值或所在列的像素值，x1,x2,...xM分別表示參與窗口組合的圖像邊界在被檢測(cè)圖像上的所在行的像素值或所在列的像素值，m1,m2,...mM分別表示參與窗口組合的圖像對(duì)應(yīng)的分類器分?jǐn)?shù)，M表示參與窗口組合的圖像個(gè)數(shù)，A表示參與窗口組合的圖像分類器分?jǐn)?shù)之和，M表示參與窗口組合的圖像個(gè)數(shù)，g表示窗口組合圖像的編號(hào)，mg表示第g幅參與窗口組合的圖像的分類器分?jǐn)?shù)。第四步，將加權(quán)后的邊界組成一個(gè)窗口。8c)判斷有人體信息的掃描窗口圖像是否還有剩余，如果有，找出剩余的掃描窗口圖像中檢測(cè)分類器分?jǐn)?shù)最高的圖像作為主窗口圖像，執(zhí)行步驟8b)，否則，執(zhí)行步驟9。步驟9，輸出檢測(cè)結(jié)果。將窗口組合得到的所有窗口在被檢測(cè)圖像上標(biāo)出，輸出標(biāo)出后的圖像，作為被檢測(cè)圖像的人體檢測(cè)結(jié)果。本發(fā)明的效果可通過以下仿真進(jìn)一步說明：1、仿真實(shí)驗(yàn)條件設(shè)置：本發(fā)明的仿真實(shí)驗(yàn)在Matlab2009a上編譯完成，仿真環(huán)境為Windows框架下的HP工作站。實(shí)驗(yàn)所需的正樣本圖像和負(fù)樣本圖像均取自于INRIA數(shù)據(jù)庫，訓(xùn)練樣本包括2416個(gè)正樣本與13500個(gè)負(fù)樣本，測(cè)試樣本集包括1132個(gè)正樣本與4050個(gè)負(fù)樣本，正樣本與負(fù)樣本圖像的大小均為128×64像素，圖2是本發(fā)明中使用的部分樣本圖像，其中圖2(a)為本發(fā)明中使用的部分正樣本圖像，圖2(b)為本發(fā)明中使用的部分負(fù)樣本圖像。2、仿真內(nèi)容及結(jié)果分析：仿真1：分類器訓(xùn)練完成后得到的準(zhǔn)確率是判斷分類器性能的重要指標(biāo)之一。為了得到較好性能的分類器，我們對(duì)提取樣本圖像特征時(shí)，對(duì)樣本圖像的采樣層數(shù)和初始基向量低維投影時(shí)的投影維數(shù)這兩個(gè)參數(shù)的選取做了大量的實(shí)驗(yàn)，將不同的采樣層數(shù)對(duì)樣本圖像進(jìn)行采樣、不同的投影維數(shù)對(duì)初始基向量進(jìn)行投影訓(xùn)練分類器得到的準(zhǔn)確率進(jìn)行了對(duì)比，對(duì)比結(jié)果如表1所示。從表1可以看出，對(duì)于相同的投影維數(shù)，對(duì)樣本圖像進(jìn)行3層采樣時(shí)的分類器準(zhǔn)確率高于對(duì)樣本圖像進(jìn)行2層采樣時(shí)的分類器準(zhǔn)確率；而對(duì)于相同的采樣層數(shù)，并不一定是投影維數(shù)越高，分類器準(zhǔn)確率就越高。從圖中的數(shù)據(jù)可以看出，對(duì)樣本圖像進(jìn)行3層采樣，將初始基向量向450維投影時(shí)獲得的分類器準(zhǔn)確率是最高的，獲得的分類性能是最好的。仿真2：分別使用本發(fā)明和基于梯度直方圖HOG特征人體檢測(cè)方法對(duì)人體訓(xùn)練樣本集進(jìn)行特征提取，訓(xùn)練分類器，對(duì)獲得的分類器性能進(jìn)行對(duì)比。分類器性能對(duì)比示意圖參照附圖3，圖3中選擇通過比較真陽率TPR(TruePositiveRate)和假陽率FPR(FalsePositivesRates)關(guān)系的接收者操作特征ROC(ReceiverOperatingCharacteristic)曲線來評(píng)價(jià)分類器的性能。ROC曲線越靠上傾向左頂角，其對(duì)應(yīng)的分類器就越優(yōu)秀。附圖3中的橫坐標(biāo)軸表示假陽率FPR(FalsePositivesRates)，縱坐標(biāo)軸表示真陽率TPR(TruePositiveRate)。附圖3中以方塊標(biāo)示的曲線表示本發(fā)明分類器真陽率和假陽率關(guān)系的ROC曲線，以十字標(biāo)示的曲線表示基于梯度直方圖HOG特征人體檢測(cè)方法的分類器真陽率和假陽率關(guān)系的ROC曲線。從圖3可見，本發(fā)明得到的ROC曲線相比基于梯度直方圖HOG特征人體檢測(cè)方法得到的ROC曲線，更靠上傾向于左頂角，說明本發(fā)明的分類性能優(yōu)于基于梯度直方圖HOG特征人體檢測(cè)方法的分類性能。仿真3：用本發(fā)明與基于梯度直方圖HOG特征人體檢測(cè)方法對(duì)來自INRIA數(shù)據(jù)庫的自然圖像進(jìn)行人體檢測(cè)，檢測(cè)結(jié)果如圖4和圖5所示。圖4是一幅光照不均的圖像，圖像4(a)表示本發(fā)明的人體檢測(cè)結(jié)果，圖中的白色方框，表示本發(fā)明的檢測(cè)分類器檢測(cè)圖像中人體信息后窗口合并的結(jié)果。圖像4(b)表示基于梯度直方圖HOG特征人體檢測(cè)方法的人體檢測(cè)結(jié)果，圖中的白色方框，表示該方法的檢測(cè)分類器檢測(cè)圖像中人體信息后窗口合并的結(jié)果。從圖4可以看出，在光照不均的情況下，本發(fā)明的方法相較于基于梯度直方圖HOG特征人體檢測(cè)方法，能大大的降低虛警率，能更準(zhǔn)確的檢測(cè)出待檢測(cè)圖像中的所有人體信息。圖5是一幅帶有復(fù)雜背景和人物遮擋的圖像，圖像5(a)表示本發(fā)明的人體檢測(cè)結(jié)果，圖中的白色方框，表示本發(fā)明的檢測(cè)分類器檢測(cè)圖像中人體信息后窗口合并的結(jié)果。圖像5(b)表示基于梯度直方圖HOG特征人體檢測(cè)方法的人體檢測(cè)結(jié)果，圖中的白色方框，表示該方法的檢測(cè)分類器檢測(cè)圖像中人體信息后窗口合并的結(jié)果。從圖5可以看出，在有復(fù)雜背景和人物遮擋的情況下，使用本發(fā)明方法能更準(zhǔn)確的標(biāo)出人體信息，且窗口合并后得到的窗口大小較于基于梯度直方圖HOG特征人體檢測(cè)方法更合適，具有更高的人體檢測(cè)正確率。綜上所述，本發(fā)明方法能夠在光照不均勻，背景復(fù)雜及存在部分遮擋的情況下將人體檢測(cè)出來。從而說明本方法非常適合于自然圖像中的人體檢測(cè)。