一種自然環(huán)境干擾和有遮擋時(shí)的行人目標(biāo)檢測(cè)方法
【專利摘要】本發(fā)明公開(kāi)一種自然環(huán)境干擾和有遮擋時(shí)的行人目標(biāo)檢測(cè)方法，提出了HOG-CLBP特征提取方法結(jié)合NEU-Person樣本庫(kù)和通過(guò)其訓(xùn)練得出的人體部件模型，配合SVM分類器將行人檢測(cè)問(wèn)題轉(zhuǎn)化為二分類問(wèn)題來(lái)進(jìn)行檢測(cè)。隨機(jī)抽取這兩庫(kù)訓(xùn)練集中的正負(fù)樣本來(lái)訓(xùn)練，測(cè)試樣本也隨機(jī)抽取這兩個(gè)庫(kù)的測(cè)試集樣本來(lái)測(cè)試；此處的正樣本是NEU-Person庫(kù)中的測(cè)試集的正樣本。本發(fā)明NEU-Person樣本庫(kù)進(jìn)行訓(xùn)練產(chǎn)生用于檢測(cè)的部件模型，NEU-Person樣本庫(kù)涉及雨、雪、霧、夜間和迷彩等多種環(huán)境的樣本，因此使得行人檢測(cè)具有很強(qiáng)的魯棒性。
【專利說(shuō)明】一種自然環(huán)境干擾和有遮擋時(shí)的行人目標(biāo)檢測(cè)方法
【技術(shù)領(lǐng)域】
[0001]本發(fā)明涉及一種自然環(huán)境干擾和有遮擋的行人目標(biāo)檢測(cè)方法，具體說(shuō)是一種基于機(jī)器視覺(jué)學(xué)習(xí)的高魯棒行人檢測(cè)方法，可用于復(fù)雜自然環(huán)境和有遮擋情況下的行人檢測(cè)。
【背景技術(shù)】
[0002]行人目標(biāo)檢測(cè)是實(shí)現(xiàn)機(jī)械裝備可視化、智能化以及無(wú)人駕駛，同時(shí)也是公共安全，軍事偵察的重要基礎(chǔ)，是計(jì)算機(jī)視覺(jué)領(lǐng)域中的研究熱點(diǎn)，但是行人的狀態(tài)存在所處的環(huán)境不同、所穿的衣物款式多樣、人體體態(tài)的差異、采集信息時(shí)人體的姿態(tài)以及采集時(shí)的相機(jī)拍攝角度等不同的情況對(duì)檢測(cè)效果的影響比較大，需要檢測(cè)效率更高魯棒性更強(qiáng)的檢測(cè)算法，因此如何能夠有效準(zhǔn)確地檢測(cè)行人成為具有挑戰(zhàn)性的課題。
[0003]目前廣泛使用的行人特征描述子是由Dalal等人提出的H0G(Histograms ofOriented Gradients)方法，這種檢測(cè)方法是通過(guò)對(duì)待檢測(cè)圖像進(jìn)行密集掃描的窗口計(jì)算梯度方向直方圖得到的。HOG描述器最重要的思想是:在一副圖像中，局部目標(biāo)的表象和形狀(appearance and shape)能夠被梯度或邊緣的方向密度分布很好地描述。因此HOG能有效地刻畫出人體的梯度信息以及輪廓信息。但是HOG特征維數(shù)較高，計(jì)算緩慢。
[0004]局部二值模式(Local Binary Pattern，LBP)是一種灰度范圍內(nèi)的紋理度量，最初是由Ojala T.等人為了輔助性地度量圖像的局部對(duì)比度而提出的，現(xiàn)已廣泛應(yīng)用在人臉識(shí)別中。LBP算子是從紋理局部鄰近定義中衍生出來(lái)的，是一種灰度級(jí)不變的紋理分析方法，其優(yōu)點(diǎn)為:對(duì)光照強(qiáng)度的變化有較強(qiáng)的魯棒性，計(jì)算速度快，對(duì)單調(diào)變化的灰度特征具有不變性，較好地表征局部信息以及紋理信息，但其在低分辨率情況下判別能力較差。
[0005]單一的方法提取的特征都存在自身的局限性,針對(duì)這些不足,Xiaoyu Wang等人提出將HOG和LPB方法結(jié)合來(lái)提取特征的HOG-LBP方法，既包含了人體豐富的紋理信息和顏色信息(LBP)，也很好的表征了人體的輪廓信息和局部梯度信息(HOG)，在INRIA行人數(shù)據(jù)庫(kù)測(cè)試中取得了較好的實(shí)驗(yàn)結(jié)果，但是在不同比例的遮擋、能見(jiàn)度不同程度條件下的復(fù)雜自然環(huán)境和不同程度的偽裝檢測(cè)上存在不足。

【發(fā)明內(nèi)容】

[0006]本發(fā)明的目的是在于針對(duì)上述現(xiàn)有技術(shù)存在的問(wèn)題，提供一種自然環(huán)境干擾和有遮擋時(shí)的行人目標(biāo)檢測(cè)方法。
[0007]為了實(shí)現(xiàn)上述目的，本發(fā)明采用如下技術(shù)方案:
[0008]一種自然環(huán)境干擾和有遮擋時(shí)的行人目標(biāo)檢測(cè)方法，該方法包括如下步驟:
[0009]步驟1、建立行人訓(xùn)練樣本集，樣本集分為有行人的正樣本集和沒(méi)有行人的負(fù)樣本集；樣本來(lái)自NEU-Person樣本庫(kù)和INRIA行人數(shù)據(jù)庫(kù)；
[0010]步驟2、采用HOG-CLBP特征提取方法提取樣本集中的人體特征，通過(guò)分塊處理圖像，在對(duì)提取的特征進(jìn)行PCA降維，得到行人訓(xùn)練樣本集樣本的整體特征；
[0011]步驟3、將提取的特征送入SVM分類器進(jìn)行分類，得到基于NEU-Person樣本庫(kù)的行人分類器；
[0012]步驟4、提取NEU-Person樣本庫(kù)的行人,計(jì)算出NEU-person樣本庫(kù)中行人的各個(gè)部件的近似的權(quán)重值；
[0013]步驟5、完成訓(xùn)練階段后進(jìn)行行人檢測(cè)，用密集掃描檢測(cè)待測(cè)圖像，通過(guò)滑窗操作，利用訓(xùn)練好的分類器掃描每個(gè)窗口并進(jìn)行判決，判斷出有行人的窗口進(jìn)行標(biāo)記，最后將所有標(biāo)記的窗口進(jìn)行融合；
[0014]步驟6、通過(guò)圖像金字塔和多尺度滑窗操作，將圖像不同的尺度下的矩形框合并成一個(gè)框，進(jìn)而得到目標(biāo)準(zhǔn)確的位置，即將待測(cè)行人檢測(cè)出來(lái)。
[0015]本發(fā)明的優(yōu)點(diǎn)是:
[0016]1、本發(fā)明利用HOG-CLBP結(jié)合的方法來(lái)提取特征，充分考慮到了直立的人體不僅具有大量的輪廓梯度信息，而且在外觀和衣著上還有大量的紋理信息，可以更好地識(shí)別行人。
[0017]2、本發(fā)明NEU-Person樣本庫(kù)進(jìn)行訓(xùn)練產(chǎn)生用于檢測(cè)的部件模型，NEU-Person樣本庫(kù)涉及雨、雪、霧、夜間和迷彩等多種環(huán)境的樣本，因此使得行人檢測(cè)具有很強(qiáng)的魯棒性。
[0018]3、本發(fā)明經(jīng)過(guò)PCA降維和多尺度分析，通過(guò)正負(fù)樣本的訓(xùn)練和學(xué)習(xí)，產(chǎn)生用于分類的行人特征，這樣就減少了訓(xùn)練和檢測(cè)所需要的時(shí)間，提高檢測(cè)精度。
[0019]4、本發(fā)明使用SVM分類器進(jìn)行分類檢測(cè)，這樣就將行人檢測(cè)問(wèn)題轉(zhuǎn)化為二分類問(wèn)題，即只需要區(qū)分行人目標(biāo)和非行人目標(biāo)，設(shè)計(jì)簡(jiǎn)單運(yùn)算快。
【專利附圖】

【附圖說(shuō)明】
[0020]圖1-1是HOG-CLBP特征提取示意圖之一。
[0021]圖1-2是HOG-CLBP特征提取示意圖之二。
[0022]圖2是NEU-person樣本庫(kù)部件模型圖。
[0023]圖3是本發(fā)明系統(tǒng)框圖。
[0024]圖4是本發(fā)明與已有方法進(jìn)行實(shí)驗(yàn)后的性能對(duì)比結(jié)果圖。
[0025]圖5是單目標(biāo)檢測(cè)結(jié)果采樣圖。
[0026]圖6是多目標(biāo)檢測(cè)結(jié)果采樣圖。
[0027]圖7是人為由上到下遮擋檢測(cè)結(jié)果采樣圖。
[0028]圖8是人為由左到右遮擋檢測(cè)結(jié)果采樣圖。
[0029]圖9是人為遮擋不同比例的檢測(cè)結(jié)果采樣圖。
[0030]圖10是實(shí)際物體遮擋檢測(cè)結(jié)果采樣圖。
[0031]圖11是雨雪天氣干擾下的行人檢測(cè)結(jié)果采樣圖。
[0032]圖12是大霧天氣干擾下的行人檢測(cè)結(jié)果采樣圖。
[0033]圖13是加入高斯噪聲條件下的行人檢測(cè)結(jié)果采樣圖。
[0034]圖14是夜間環(huán)境行人檢測(cè)結(jié)果采樣圖。
[0035]圖15是偽裝條件下的行人檢測(cè)結(jié)果采樣圖。
【具體實(shí)施方式】
[0036]結(jié)合附圖圖1-15具體說(shuō)明本發(fā)明的實(shí)施方式；[0037]—種自然環(huán)境干擾和有遮擋時(shí)的行人目標(biāo)檢測(cè)方法，該方法包括如下步驟:
[0038]步驟1、建立行人訓(xùn)練樣本集，樣本集分為有行人的正樣本集和沒(méi)有行人的負(fù)樣本集；樣本來(lái)自NEU-Person樣本庫(kù)和INRIA行人數(shù)據(jù)庫(kù)；
[0039]步驟2、采用HOG-CLBP特征提取方法提取樣本集中的人體特征，通過(guò)分塊處理圖像，在對(duì)提取的特征進(jìn)行PCA降維，得到行人訓(xùn)練樣本集樣本的整體特征；
[0040]步驟3、將提取的特征送入SVM分類器進(jìn)行分類，得到基于NEU-Person樣本庫(kù)的行人分類器；
[0041]步驟4、提取NEU-Person樣本庫(kù)的行人,計(jì)算出NEU-person樣本庫(kù)中行人的各個(gè)部件的近似的權(quán)重值；
[0042]步驟5、完成訓(xùn)練階段后進(jìn)行行人檢測(cè)，用密集掃描檢測(cè)待測(cè)圖像，通過(guò)滑窗操作，利用訓(xùn)練好的分類器掃描每個(gè)窗口并進(jìn)行判決，判斷出有行人的窗口進(jìn)行標(biāo)記，最后將所有標(biāo)記的窗口進(jìn)行融合；
[0043]步驟6、通過(guò)圖像金字塔和多尺度滑窗操作，將圖像不同的尺度下的矩形框合并成一個(gè)框，進(jìn)而得到目標(biāo)準(zhǔn)確的位置，即將待測(cè)行人檢測(cè)出來(lái)。
[0044]所述步驟2中HOG-CLBP特征提取方法，采用分塊移動(dòng)進(jìn)行HOG-CLBP融合特征的提取，檢測(cè)窗口中的圖像為64X128像素，對(duì)這個(gè)圖像分塊，每塊大小為16X16像素，再將每塊平均分成4個(gè)單元，則每個(gè)單元大小為8X8像素，如圖1-1所示；統(tǒng)計(jì)每塊的CLBP直方圖，每塊會(huì)得到一個(gè)59維的向量A ;然后分別統(tǒng)計(jì)一個(gè)塊中的4個(gè)單元的梯度直方圖，并將其合并，可以得到一個(gè)36維的向量B ;因此一個(gè)塊就能用向量A，B表示。
[0045]步驟2中的圖像分塊處理，其中塊的移動(dòng)步長(zhǎng)為一個(gè)單元的大小，如圖1-2所示，一個(gè)單元內(nèi)從左到右，由上到下移動(dòng)，即由AEFD開(kāi)始，下一次移動(dòng)到BGHC，再下一次移動(dòng)到EIJF,直到遍歷整個(gè)檢測(cè)窗口，最終將會(huì)產(chǎn)生
[0046](64/8-1) X (128/8-1)=105個(gè)塊，則整張圖片可用一個(gè)
[0047]105X (59+36) =9975 維的向量表示。
[0048]步驟4中將NEU-Person樣本庫(kù)的行人人體劃分為5部分，5部分分別為頭部，左臂與左半身軀部，右臂與右半身軀部，左右大腿為一部分和左右小腿及腳為一部分，這樣劃分可以有效的處理遮擋問(wèn)題；通過(guò)NEU-person樣本庫(kù)計(jì)算各個(gè)部件的近似的權(quán)重值，頭部的權(quán)重值為0.2，左臂與左半身軀的權(quán)重值為0.29，右臂與右半身軀的權(quán)重值為0.29，左右兩個(gè)大腿的權(quán)重值為0.15，小腿及腳的權(quán)重值為0.07。部件模型如圖2所示。
[0049]步驟6中構(gòu)建圖像金字塔:
[0050]用(n+2)元數(shù)組(Ftl, P1,…，Pn，b)定義含有n個(gè)子部件的行人目標(biāo)部件模型；其中F0用來(lái)表示整體濾波器(H0G-CLBP特征模型)，Pi是第i個(gè)子部件的模型，b為偏移量；部件模型用三元數(shù)組(FpVi, (Ii)表示,其中,Fi是第i個(gè)部件的濾波器,大小是WiXhyVi是部件i相對(duì)整體模型的固定位置，Cli是目標(biāo)部件相對(duì)固定位置變化損失的函數(shù)，即子部件偏離它模型中正確位置；通過(guò)多組模型的學(xué)習(xí)可以得到同一種目標(biāo)的不同的模型，然后再組合成部件模型。
[0051]步驟6中目標(biāo)圖像通過(guò)多尺度滑窗檢測(cè)確定目標(biāo):
[0052]在目標(biāo)圖像中行人的位置往往是隨機(jī)和不固定的，而且行人的大小也會(huì)超過(guò)64*128的標(biāo)準(zhǔn)檢測(cè)窗口的大小，在檢測(cè)的時(shí)候首先對(duì)目標(biāo)圖像進(jìn)行密集的掃描，其次對(duì)目標(biāo)圖像進(jìn)行縮小；將目標(biāo)圖像按3層或4層進(jìn)行縮小，直到目標(biāo)圖像的高度或者寬度小于等于標(biāo)準(zhǔn)檢測(cè)窗口的高度或者寬度，可以獲得一系列標(biāo)準(zhǔn)目標(biāo)圖像。
[0053]所述目標(biāo)圖像滑窗的密集檢測(cè)過(guò)程中，可以得到很多個(gè)矩形框；然而，這些矩形框并不在同一個(gè)位置，原因在于同一個(gè)行人在不同的尺度下，相對(duì)于原圖會(huì)有位置的偏移，則產(chǎn)生的矩形框就不會(huì)重合；會(huì)對(duì)目標(biāo)最終位置的確定產(chǎn)生影響；因此，需要將這些矩形框合并成一個(gè)框，并得到目標(biāo)準(zhǔn)確的位置。
[0054]步驟I中樣本來(lái)自NEU-Person樣本庫(kù)和INRIA行人數(shù)據(jù)庫(kù)；
[0055]所述NEU-Person樣本庫(kù)中訓(xùn)練集有正樣本613張，包含2362個(gè)行人，涉及雨、雪、霧、夜間和迷彩等環(huán)境；負(fù)樣本227張；
[0056]測(cè)試集有正樣本187張，包含713個(gè)行人，負(fù)樣本150張；樣本庫(kù)中的行人大部分為站立姿勢(shì)且高度大于100個(gè)象素。
[0057]NEU-Person樣本庫(kù)數(shù)據(jù)集是由東北大學(xué)機(jī)械學(xué)院智能檢測(cè)與質(zhì)量控制研究室所對(duì)外公開(kāi)的，該樣本庫(kù)中訓(xùn)練集有正樣本613張(包含2362個(gè)行人，涉及雨、雪、霧、夜間和迷彩等環(huán)境)，負(fù)樣本227張；測(cè)試集有正樣本187張(包含713個(gè)行人)，負(fù)樣本150張。圖庫(kù)中的行人大部分為站立姿勢(shì)且高度大于100個(gè)象素，圖像的來(lái)源圖片的清晰度較高，可以正常讀取和顯示。
[0058]實(shí)驗(yàn)內(nèi)容與結(jié)果分析
[0059]實(shí)驗(yàn)一:應(yīng)用本發(fā)明和現(xiàn)有的CLBP方法，HOG方法以及HOG-CLBP方法的性能進(jìn)行對(duì)比，實(shí)驗(yàn)結(jié)果如圖4所示。由圖可知本發(fā)明所述的HOG-CLBP方法配合部件模型有著姣好的檢測(cè)結(jié)果。
[0060]從圖4中可以看出，在IO-3FFPW時(shí)，基于LBP曲線的漏檢率很高，原因是:LBP特征對(duì)紋理描述能力強(qiáng)，但對(duì)邊緣信息不敏感。基于HOG特征的行人檢測(cè)的結(jié)果為0.19，可見(jiàn)HOG特征在行人檢測(cè)方面有很強(qiáng)的優(yōu)勢(shì)，原因是:H0G特征對(duì)人體的邊緣信息的描述有很強(qiáng)的表征能力，并且在提取HOG特征時(shí)會(huì)將大量的背景信息過(guò)濾，即將大量的無(wú)效信息過(guò)濾，而人體與背景之間的邊緣變化是比較明顯的。有特征融合的HOG-CLBP曲線所得到的漏檢率大約為0.06，可見(jiàn)特征融合對(duì)檢測(cè)率的提高確實(shí)有很大幫助，集合了 HOG特征與CLBP特征的優(yōu)勢(shì)。加入部件模型之后漏檢率的更低達(dá)到0.02，可見(jiàn)部件模型使檢測(cè)更加準(zhǔn)確，證明了本發(fā)明方法的有效性。
[0061]實(shí)驗(yàn)二:應(yīng)用本發(fā)明對(duì)不同自然環(huán)境下及不同遮擋條件下的行人進(jìn)行檢測(cè)。其中圖5為單目標(biāo)檢測(cè)結(jié)果圖，圖6為多目標(biāo)檢測(cè)結(jié)果圖，圖7為人為遮擋(由上到下)檢測(cè)結(jié)果圖，圖8為人為遮擋(由左到右)檢測(cè)結(jié)果圖，圖9為人為遮擋(不同比例)檢測(cè)結(jié)果圖，圖10為實(shí)際物體遮擋檢測(cè)結(jié)果圖，圖11為雨雪天氣干擾下的行人檢測(cè)結(jié)果圖，圖12為大霧天氣干擾下的行人檢測(cè)結(jié)果圖，圖13為加入高斯噪聲條件下的行人檢測(cè)結(jié)果圖，圖14為夜間環(huán)境行人檢測(cè)結(jié)果圖，圖15為偽裝條件下的行人檢測(cè)結(jié)果圖。
[0062]實(shí)驗(yàn)結(jié)果表明本方法對(duì)不同比例和類型的行人遮擋，不同能見(jiàn)度自然環(huán)境及不同程度的偽裝等復(fù)雜環(huán)境的檢測(cè)具有很好的魯棒性。同時(shí)對(duì)加入不同種高斯噪聲的圖片和夜間圖片中行人的檢測(cè)上也取得了很好的檢測(cè)效果。因此本文提出的方法適用于多種不同的自然和人為遮擋環(huán)境，進(jìn)一步證明了本發(fā)明方法的有效性。
【權(quán)利要求】
1.一種自然環(huán)境干擾和有遮擋時(shí)的行人目標(biāo)檢測(cè)方法，其特征在于: 該方法包括如下步驟: 步驟1、建立行人訓(xùn)練樣本集，樣本集分為有行人的正樣本集和沒(méi)有行人的負(fù)樣本集；樣本來(lái)自NEU-Person樣本庫(kù)和INRIA行人數(shù)據(jù)庫(kù)； 步驟2、采用HOG-CLBP特征提取方法提取樣本集中的人體特征，通過(guò)分塊處理圖像，在對(duì)提取的特征進(jìn)行PCA降維，得到行人訓(xùn)練樣本集樣本的整體特征； 步驟3、將提取的特征送入SVM分類器進(jìn)行分類，得到基于NEU-Person樣本庫(kù)的行人分類器； 步驟4、提取NEU-Person樣本庫(kù)的行人,計(jì)算出NEU-person樣本庫(kù)中行人的各個(gè)部件的近似的權(quán)重值； 步驟5、完成訓(xùn)練階段后進(jìn)行行人檢測(cè)，用密集掃描檢測(cè)待測(cè)圖像，通過(guò)滑窗操作，利用訓(xùn)練好的分類器掃描每個(gè)窗口并進(jìn)行判決，判斷出有行人的窗口進(jìn)行標(biāo)記，最后將所有標(biāo)記的窗口進(jìn)行融合； 步驟6、通過(guò)圖像金字塔和多尺度滑窗操作，將圖像不同的尺度下的矩形框合并成一個(gè)框，進(jìn)而得到目標(biāo)準(zhǔn)確的位置，即將待測(cè)行人檢測(cè)出來(lái)。
2.根據(jù)權(quán)利要求1所述的一種自然環(huán)境干擾和有遮擋時(shí)的行人目標(biāo)檢測(cè)方法，其特征在于: 所述步驟2中HOG-CLBP特征提取方法，采用分塊移動(dòng)進(jìn)行HOG-CLBP融合特征的提取，檢測(cè)窗口中的圖像為64X 128像素 ，對(duì)這個(gè)圖像分塊，每塊大小為16 X 16像素，再將每塊平均分成4個(gè)單元，則每個(gè)單元大小為8X8像素，;統(tǒng)計(jì)每塊的CLBP直方圖，每塊會(huì)得到一個(gè)59維的向量A ;然后分別統(tǒng)計(jì)一個(gè)塊中的4個(gè)單元的梯度直方圖，并將其合并，可以得到一個(gè)36維的向量B ;因此一個(gè)塊就能用向量A, B表不。
3.根據(jù)權(quán)利要求1所述的一種自然環(huán)境干擾和有遮擋時(shí)的行人目標(biāo)檢測(cè)方法，其特征在于: 步驟2中的圖像分塊處理，其中塊的移動(dòng)步長(zhǎng)為一個(gè)單元的大小，一個(gè)單元內(nèi)從左到右，由上到下移動(dòng)，即由AEFD開(kāi)始，下一次移動(dòng)到BGHC，再下一次移動(dòng)到EIJF，直到遍歷整個(gè)檢測(cè)窗口，最終將會(huì)產(chǎn)生 (64/8-1) X (128/8-1) =105個(gè)塊，則整張圖片可用一個(gè) 105X (59+36) =9975維的向量表示。
4.根據(jù)權(quán)利要求1所述的一種自然環(huán)境干擾和有遮擋時(shí)的行人目標(biāo)檢測(cè)方法，其特征在于: 步驟4中將NEU-Person樣本庫(kù)的行人人體劃分為5部分，5部分分別為頭部，左臂與左半身軀部，右臂與右半身軀部，左右大腿為一部分和左右小腿及腳為一部分，這樣劃分可以有效的處理遮擋問(wèn)題；通過(guò)NEU-person樣本庫(kù)計(jì)算各個(gè)部件的近似的權(quán)重值，頭部的權(quán)重值為0.2，左臂與左半身軀的權(quán)重值為0.29，右臂與右半身軀的權(quán)重值為0.29，左右兩個(gè)大腿的權(quán)重值為0.15，小腿及腳的權(quán)重值為0.07。
5.根據(jù)權(quán)利要求1所述的一種自然環(huán)境干擾和有遮擋時(shí)的行人目標(biāo)檢測(cè)方法，其特征在于: 步驟6中構(gòu)建圖像金字塔:用(n+2)元數(shù)組(Ftl, P1,…，Pn，b)定義含有n個(gè)子部件的行人目標(biāo)部件模型；其中Ftl用來(lái)表示整體濾波器，Pi是第i個(gè)子部件的模型，b為偏移量；部件模型用三元數(shù)組(Fi, Vi, (Ii)表示，其中，F(xiàn)i是第i個(gè)部件的濾波器，大小是WiXhi, Vi是部件i相對(duì)整體模型的固定位置，Cli是目標(biāo)部件相對(duì)固定位置變化損失的函數(shù)；通過(guò)多組模型的學(xué)習(xí)可以得到同一種目標(biāo)的不同的模型，然后再組合成部件模型。
6.根據(jù)權(quán)利要求1所述的一種自然環(huán)境干擾和有遮擋時(shí)的行人目標(biāo)檢測(cè)方法，其特征在于: 步驟6中目標(biāo)圖像通過(guò)多尺度滑窗檢測(cè)確定目標(biāo): 在目標(biāo)圖像中行人的位置往往是隨機(jī)和不固定的，而且行人的大小也會(huì)超過(guò)64*128的標(biāo)準(zhǔn)檢測(cè)窗口的大小，在檢測(cè)的時(shí)候首先對(duì)目標(biāo)圖像進(jìn)行密集的掃描，其次對(duì)目標(biāo)圖像進(jìn)行縮??；將目標(biāo)圖像按3層或4層進(jìn)行縮小，直到目標(biāo)圖像的高度或者寬度小于等于標(biāo)準(zhǔn)檢測(cè)窗口的高度或者寬度，可以獲得一系列標(biāo)準(zhǔn)目標(biāo)圖像。
7.根據(jù)權(quán)利要求6所述的一種自然環(huán)境干擾和有遮擋時(shí)的行人目標(biāo)檢測(cè)方法，其特征在于: 所述目標(biāo)圖像滑窗的密集檢測(cè)過(guò)程中，可以得到很多個(gè)矩形框；然而，這些矩形框并不在同一個(gè)位置，原因在于同一個(gè)行人在不同的尺度下，相對(duì)于原圖會(huì)有位置的偏移，則產(chǎn)生的矩形框就不會(huì)重合；會(huì)對(duì)目標(biāo)最終位置的確定產(chǎn)生影響；因此，需要將這些矩形框合并成一個(gè)框，并得到目標(biāo)準(zhǔn)確的位置。
8.根據(jù)權(quán)利要求6所述的一種自然環(huán)境干擾和有遮擋時(shí)`的行人目標(biāo)檢測(cè)方法，其特征在于: 步驟I中樣本來(lái)自NEU-Person樣本庫(kù)和INRIA行人數(shù)據(jù)庫(kù)； 所述NEU-Person樣本庫(kù)中訓(xùn)練集有正樣本613張，包含2362個(gè)行人，涉及雨、雪、霧、夜間和迷彩等環(huán)境；負(fù)樣本227張； 測(cè)試集有正樣本187張，包含713個(gè)行人，負(fù)樣本150張；樣本庫(kù)中的行人大部分為站立姿勢(shì)且高度大于100個(gè)象素。
【文檔編號(hào)】G06K9/46GK103617426SQ201310643883
【公開(kāi)日】2014年3月5日 申請(qǐng)日期:2013年12月4日 優(yōu)先權(quán)日:2013年12月4日
【發(fā)明者】顏云輝, 胡少鵬, 宋克臣, 李駿, 王展 申請(qǐng)人:東北大學(xué)