行人檢測方法和裝置制造方法
【專利摘要】本發(fā)明是關(guān)于一種行人檢測方法和裝置，屬于計(jì)算機(jī)視覺【技術(shù)領(lǐng)域】。所述方法包括：分別獲取行人樣本和非行人樣本；通過K-SVD算法得到行人樣本字典和非行人樣本字典；獲取待測樣本在行人樣本字典和非行人樣本字典中的殘留誤差；當(dāng)待測樣本在行人樣本字典中的殘留誤差小于在非行人樣本字典中的殘留誤差時(shí)，確定待測樣本中包含有行人。本發(fā)明通過K-SVD算法將行人樣本和非行人樣本分別訓(xùn)練為兩類字典，并根據(jù)待測樣本在兩類字典中的殘留誤差的大小關(guān)系，判斷待測樣本中是否含有行人；解決了相關(guān)技術(shù)中應(yīng)用于存在遮擋和光照變化的環(huán)境時(shí)，存在誤報(bào)率高的問題，達(dá)到了可以有效地應(yīng)用于存在遮擋和光照變化的環(huán)境時(shí)的行人檢測的效果。
【專利說明】行人檢測方法和裝置

【技術(shù)領(lǐng)域】
[0001]本發(fā)明涉及計(jì)算機(jī)視覺【技術(shù)領(lǐng)域】，特別涉及一種行人檢測方法和裝置。

【背景技術(shù)】
[0002] 近年來，行人檢測越來越受到人們的關(guān)注，在圖像和視頻中行人檢測可用于智能 監(jiān)控、智能交通和運(yùn)動(dòng)分析等領(lǐng)域。與此同時(shí)，人們對行人檢測的各種要求也越來越多。
[0003] 相關(guān)技術(shù)中有一種行人檢測方法，首先通過計(jì)算出的目標(biāo)特征訓(xùn)練 AdaBoost(Adaptive Boosting，自適應(yīng)增強(qiáng)）檢測分類器，在得到需要進(jìn)行檢測的圖像之 后，利用AdaBoost檢測分類器通過滑動(dòng)窗口的方法分塊檢測該圖像中是否有行人出現(xiàn)。 [0004] 發(fā)明人在實(shí)現(xiàn)本發(fā)明的過程中，發(fā)現(xiàn)上述方式至少存在如下缺陷：上述方法通過 固定的特征提取過程，無法從多個(gè)角度對圖像信息進(jìn)行描述，分類器的訓(xùn)練過程也較為復(fù) 雜，在應(yīng)用于存在遮擋和光照變化的環(huán)境時(shí)，誤報(bào)率較高。


【發(fā)明內(nèi)容】

[0005] 為了解決相關(guān)技術(shù)中無法從多個(gè)角度對圖像信息進(jìn)行描述，分類器的訓(xùn)練過程也 較為復(fù)雜，在應(yīng)用于存在遮擋和光照變化的環(huán)境時(shí)，誤報(bào)率較高的問題，本發(fā)明實(shí)施例提供 了一種行人檢測方法和裝置，所述技術(shù)方案如下：
[0006] 根據(jù)本發(fā)明實(shí)施例的第一方面，提供一種行人檢測方法，所述方法包括：
[0007] 分別獲取行人樣本和非行人樣本；
[0008] 通過K-奇異值分解K-SVD算法將所述行人樣本訓(xùn)練為行人樣本字典；
[0009] 通過所述K-SVD算法將所述非行人樣本訓(xùn)練為非行人樣本字典；
[0010] 獲取待測樣本在所述行人樣本字典中的殘留誤差，所述待測樣本為需要進(jìn)行行人 檢測的樣本；
[0011] 獲取所述待測樣本在所述非行人樣本字典中的殘留誤差；
[0012] 當(dāng)所述待測樣本在所述行人樣本字典中的殘留誤差小于所述待測樣本在所述非 行人樣本字典中的殘留誤差時(shí)，確定所述待測樣本中包含有行人。
[0013] 可選地，所述通過K-奇異值分解K-SVD算法將所述行人樣本訓(xùn)練為行人樣本字 典，包括：
[0014] 將所述行人樣本轉(zhuǎn)化為行人邊緣特征樣本；
[0015] 通過所述K-SVD算法將所述行人邊緣特征樣本訓(xùn)練為行人樣本字典；
[0016] 所述通過所述K-SVD算法將所述非行人樣本訓(xùn)練為非行人樣本字典，包括：
[0017] 將所述非行人樣本轉(zhuǎn)化為非行人邊緣特征樣本；
[0018] 通過所述K-SVD算法將所述非行人邊緣特征樣本訓(xùn)練為非行人樣本字典。
[0019] 可選地，所述通過所述K-SVD算法將所述行人邊緣特征樣本訓(xùn)練為行人樣本字 典，包括：
[0020] 通過求解訓(xùn)練方程將所述行人邊緣特征樣本訓(xùn)練為行人樣本字典；
[0021] 所述通過所述K-SVD算法將所述非行人邊緣特征樣本訓(xùn)練為非行人樣本字典，包 括： >
[0022] 通過求解訓(xùn)練方程將所述非行人邊緣特征樣本訓(xùn)練為非行人樣本字典；
[0023] 其中所述訓(xùn)練方程為：
[0024]

【權(quán)利要求】
1. 一種行人檢測方法，其特征在于，所述方法包括： 分別獲取行人樣本和非行人樣本； 通過K-奇異值分解K-SVD算法將所述行人樣本訓(xùn)練為行人樣本字典； 通過所述K-SVD算法將所述非行人樣本訓(xùn)練為非行人樣本字典； 獲取待測樣本在所述行人樣本字典中的殘留誤差，所述待測樣本為需要進(jìn)行行人檢測 的樣本； 獲取所述待測樣本在所述非行人樣本字典中的殘留誤差； 當(dāng)所述待測樣本在所述行人樣本字典中的殘留誤差小于所述待測樣本在所述非行人 樣本字典中的殘留誤差時(shí)，確定所述待測樣本中包含有行人。
2. 根據(jù)權(quán)利要求1所述的方法，其特征在于， 所述通過K-奇異值分解K-SVD算法將所述行人樣本訓(xùn)練為行人樣本字典，包括： 將所述行人樣本轉(zhuǎn)化為行人邊緣特征樣本； 通過所述K-SVD算法將所述行人邊緣特征樣本訓(xùn)練為行人樣本字典； 所述通過所述K-SVD算法將所述非行人樣本訓(xùn)練為非行人樣本字典，包括： 將所述非行人樣本轉(zhuǎn)化為非行人邊緣特征樣本； 通過所述K-SVD算法將所述非行人邊緣特征樣本訓(xùn)練為非行人樣本字典。
3. 根據(jù)權(quán)利要求2所述的方法，其特征在于， 所述通過所述K-SVD算法將所述行人邊緣特征樣本訓(xùn)練為行人樣本字典，包括： 通過求解訓(xùn)練方程將所述行人邊緣特征樣本訓(xùn)練為行人樣本字典； 所述通過所述K-SVD算法將所述非行人邊緣特征樣本訓(xùn)練為非行人樣本字典，包括： 通過求解訓(xùn)練方程將所述非行人邊緣特征樣本訓(xùn)練為非行人樣本字典； 其中，所述訓(xùn)練方程為：
所述訓(xùn)練方程的約束條件為：V/，I I I〇<L;其中Di表示字典，表示所述行人邊 緣特征樣本或非行人邊緣特征樣本，i=〇或l，i=〇時(shí)Di表示非行人樣本字典，Yij表示 非行人邊緣特征樣本，i= 1時(shí)Di表示行人樣本字典，Yij表示行人邊緣特征樣本，Xj表示 稀疏編碼，I<j<K且j為整數(shù)，L為稀疏度控制系數(shù)。
4. 根據(jù)權(quán)利要求1所述的方法，其特征在于， 所述獲取待測樣本在所述行人樣本字典中的殘留誤差，所述待測樣本為需要進(jìn)行行人 檢測的樣本，包括： 通過求解稀疏編碼方程得到所述待測樣本在所述行人樣本字典中的行人稀疏編碼，所 述待測樣本為需要進(jìn)行行人檢測的樣本； 根據(jù)所述行人稀疏編碼計(jì)算所述待測樣本在所述行人樣本字典中的殘留誤差； 所述獲取所述待測樣本在非行人樣本字典中的殘留誤差，包括： 通過求解稀疏編碼方程得到所述待測樣本在所述非行人樣本字典中的非行人稀疏編 碼； 根據(jù)所述非行人稀疏編碼計(jì)算所述待測樣本在所述非行人樣本字典中的殘留誤差； 其中，所述稀疏編碼方程為： Xi=argminI IXiI 10 所述稀疏編碼方程的約束條件為：DiXi =q，i=O或1 ;其中Xi表示稀疏編碼，Di表示 字典，i=O時(shí)Di表示非行人樣本字典，Xi表示非行人稀疏編碼，i= 1時(shí)Di表示行人樣本 字典，Xi表示行人稀疏編碼，q表示待測樣本的邊緣特征樣本。
5. 根據(jù)權(quán)利要求4所述的方法，其特征在于， 所述根據(jù)所述行人稀疏編碼計(jì)算所述待測樣本在所述行人樣本字典中的殘留誤差，包 括： 通過求解殘留誤差方程獲得所述待測樣本在所述行人樣本字典中的殘留誤差； 所述根據(jù)所述非行人稀疏編碼計(jì)算所述待測樣本在所述非行人樣本字典中的殘留誤 差，包括： 通過求解殘留誤差方程獲得所述待測樣本在所述非行人樣本字典中的殘留誤差； 所述殘留誤差方程為： Ti (y)= I IQ-DiXiI 12 其中，A(y)表示殘留誤差，i=O或1，i=O時(shí)!Ti (y)表示所述待測樣本在所述非行 人樣本字典中的殘留誤差，i= 1時(shí)^(7)表示所述待測樣本在所述行人樣本字典中的殘留 誤差。
6. -種行人檢測裝置，其特征在于，所述裝置包括： 樣本獲取模塊，用于分別獲取行人樣本和非行人樣本； 行人字典模塊，用于通過K-奇異值分解K-SVD算法將所述行人樣本訓(xùn)練為行人樣本字 血. 非行人字典模塊，用于通過所述K-SVD算法將所述非行人樣本訓(xùn)練為非行人樣本字 血. 行人誤差模塊，用于獲取待測樣本在所述行人樣本字典中的殘留誤差，所述待測樣本 為需要進(jìn)行行人檢測的樣本； 非行人誤差模塊，用于獲取所述待測樣本在所述非行人樣本字典中的殘留誤差； 行人確定模塊，用于當(dāng)所述待測樣本在所述行人樣本字典中的殘留誤差小于所述待測 樣本在所述非行人樣本字典中的殘留誤差時(shí)，確定所述待測樣本中包含有行人。
7. 根據(jù)權(quán)利要求6所述的裝置，其特征在于， 所述行人字典模塊，包括： 行人特征單元，用于將所述行人樣本轉(zhuǎn)化為行人邊緣特征樣本； 行人訓(xùn)練單元，用于通過所述K-SVD算法將所述行人邊緣特征樣本訓(xùn)練為行人樣本字 血. 所述非行人字典模塊，包括： 非行人特征單元，用于將所述非行人樣本轉(zhuǎn)化為非行人邊緣特征樣本； 非行人訓(xùn)練單元，用于通過所述K-SVD算法將所述非行人邊緣特征樣本訓(xùn)練為非行人 樣本字典。
8. 根據(jù)權(quán)利要求7所述的裝置，其特征在于， 所述行人訓(xùn)練單元，具體用于通過求解訓(xùn)練方程將所述行人邊緣特征樣本訓(xùn)練為行人 樣本字典； 所述非行人訓(xùn)練單元，具體用于通過求解訓(xùn)練方程將所述非行人邊緣特征樣本訓(xùn)練為 非行人樣本字典； 其中，所述訓(xùn)練方程為：
所述訓(xùn)練方程的約束條件為I|\| 10彡L;其中Di表示字典，k表示所述行人邊 緣特征樣本或非行人邊緣特征樣本，i=〇或l，i=〇時(shí)Di表示非行人樣本字典，Yij表示 非行人邊緣特征樣本，i= 1時(shí)Di表示行人樣本字典，Yij表示行人邊緣特征樣本，Xj表示 稀疏編碼，I<j<K且j為整數(shù)，L為稀疏度控制系數(shù)。
9. 根據(jù)權(quán)利要求6所述的裝置，其特征在于， 所述行人誤差模塊，包括： 行人編碼單元，用于通過求解稀疏編碼方程得到所述待測樣本在所述行人樣本字典中 的行人稀疏編碼，所述待測樣本為需要進(jìn)行行人檢測的樣本； 行人誤差單元，用于根據(jù)所述行人稀疏編碼計(jì)算所述待測樣本在所述行人樣本字典中 的殘留誤差； 所述非行人誤差模塊，包括： 非行人編碼單元，用于通過求解稀疏編碼方程得到所述待測樣本在所述非行人樣本字 典中的非行人稀疏編碼； 非行人誤差單元，用于根據(jù)所述非行人稀疏編碼計(jì)算所述待測樣本在所述非行人樣本 字典中的殘留誤差； 其中，所述稀疏編碼方程為： Xi=argminIIXiI10 所述稀疏編碼方程的約束條件為：DiXi =q，i=O或1 ;其中Xi表示稀疏編碼，Di表示 字典，i=O時(shí)Di表示非行人樣本字典，Xi表示非行人稀疏編碼，i= 1時(shí)Di表示行人樣本 字典，Xi表示行人稀疏編碼，q表示待測樣本的邊緣特征樣本。
10. 根據(jù)權(quán)利要求9所述的裝置，其特征在于， 所述行人誤差單元，具體用于通過求解殘留誤差方程獲得所述待測樣本在所述行人樣 本字典中的殘留誤差； 所述非行人誤差單元，具體用于通過求解殘留誤差方程獲得所述待測樣本在所述非行 人樣本字典中的殘留誤差； 所述殘留誤差方程為： Ti (y)= I IQ-DiXiI 12 其中，A(y)表示殘留誤差，i= 0或1，i= 0時(shí)!Ti (y)表示所述待測樣本在所述非行 人樣本字典中的殘留誤差，i= 1時(shí)^(7)表示所述待測樣本在所述行人樣本字典中的殘留 誤差。
【文檔編號】G06K9/00GK104268503SQ201410431439
【公開日】2015年1月7日 申請日期:2014年8月28日 優(yōu)先權(quán)日:2014年8月28日
【發(fā)明者】孫銳, 谷明琴, 王海, 王繼貞 申請人:奇瑞汽車股份有限公司