[发明专利]基于第二代曲线波变换的静态人体检测方法

权利要求书

1.一种基于第二代曲线波变换的静态人体检测方法，包括如下过程：

(1)在INRIA数据库中，通过自举操作获取负样本，这些负样本与数据库中其它的正样本一起构成训练样本集；

(2)提取训练样本集中每个训练样本的基于曲线波变换的边缘特征向量，并对提取的边缘特征向量进行了最优统计量的选择；

(3)提取训练样本集中每个训练样本的基于曲线波变换的纹理特征向量，并将该纹理特征向量与步骤(2)提取的边缘特征向量级联，共同构成人体特征向量；

(4)计算训练样本集中所有训练样本的人体特征向量，组成样本特征集，利用AdaBoost分类算法对其进行分类训练，得到一个分类器；

(5)输入任意大小的被测图像，采用滑窗扫描的方法对被测图像进行扫描检测，并计算所有扫描窗口图像的基于曲线波变换的人体特征向量，输入到步骤(4)中所得到的分类器中进行分类；

(6)根据分类器输出的分类结果，利用主窗口合并法，对所有分为人体的扫描窗口进行组合，形成最终的人体检测结果。

2.根据权利要求1所述的人体检测方法，其中步骤(1)所述的在INRIA数据库中，通过自举操作获取负样本，按如下步骤进行：

(2a)先从INRIA数据库中任取一部分正样本与负样本；

(2b)分别使用HOG特征和基于曲线波变换的人体特征提取方法对正负样本进行特征提取，并使用AdaBoost算法进行分类训练，得到两个初始分类器；

(2c)分别使用这两个初始分类器，测试INRIA数据库中的其余非人体图像，对于这些非人体图像，在被错分为人体图像的扫描窗口图像中随机挑选一部分图像与当前负样本组成新的负样本集；

(2d)重复(2b-2c)，从所得的负样本中去除重复的负样本，得到最终的负样本集。

3.根据权利要求1所述的人体检测方法，其中步骤(2)所述的提取训练样本集中每个训练样本的基于曲线波变换的边缘特征向量，并对提取的边缘特征向量进行了最优统计量的选择，按如下步骤进行：

(3a)对每个训练样本做快速离散曲线波变换，曲线波变换的参数设置为实值曲线波变换，且尺度数为3层，次粗糙层具有8个方向子带，最精细层为曲线波系数；

(3b)将次粗糙层和最精细层上大小相同的子带系数矩阵进行拼接形成一个大的系数矩阵，并对每一个尺度的系数矩阵进行8×8像素的剖分，将每个8×8像素的小块作为一个曲线波块；

(3c)计算每个曲线波块中系数的能量、熵、标准差、均值、最大值、最小值和对比度这几个统计量，并将每个曲线波块的统计量进行级联，得到初始的边缘特征向量；提取所有训练样本的初始边缘特征，得到一个样本特征集，并用AdaBoost算法进行分类训练；

(3d)统计训练AdaBoost分类器时每种统计量被选中的次数，对(3c)中的统计量中进行筛选，将被选中的次数较多的统计量作为最优的统计特征量为：能量、熵、对比度、标准差和最大值；

(3e)将所有的曲线波块中系数的最优统计量进行联结，形成一个特征向量，即边缘特征向量。

4.根据权利要求1所述的人体检测方法，其中步骤(3)所述的提取训练样本集中每个训练样本的基于曲线波变换的纹理特征向量，按如下步骤进行：

(4a)对每个训练样本曲线波变换后的最粗糙层的系数矩阵采用1/2重叠的方法进行8×8系数大小的剖分，并对每一个8×8大小的系数小块计算其共生矩阵，该共生矩阵的量化级数为16；

(4b)对于每个8×8大小的系数小块的共生矩阵，计算其角二阶矩、熵、对比度、相关性、均值和和方差和这六项统计量，将所有8×8大小的系数小块的共生矩阵的统计量进行联结，形成一个特征向量，即纹理特征向量。

5.根据权利要求1所述的人体检测方法，其中步骤(4)所述的计算训练样本集中所有训练样本的人体特征向量，组成样本特征集，是利用AdaBoost分类算法对其进行分类训练，具体步骤如下；

(5a)将提取的每个训练样本的边缘特征向量和纹理特征向量进行级联，得到每个训练样本的人体特征向量；

(5b)计算训练样本集中每一个训练样本的人体特征向量，假设人体特征向量为一个M维的向量，训练样本集中训练样本的个数为N，则所有的训练样本提取的特征向量将形成一个N×M维的矩阵，作为AdaBoost算法的输入，训练出一个分类器。

6.根据权利要求1所述的人体检测方法，其中步骤(5)所述的采用滑窗扫描的方法对被测图像进行扫描检测，按如下步骤进行：

(6a)输入任意大小的被测图像，将其按缩放比为[0.4，0.5，0.6，0.7，0.8，0.9]的比例缩放；

(6b)将缩放后的被测图像左上角的与一个样本等大小的区域作为第一个扫描窗口图像，每向右平移8个像素或向下平移8个像素作为一个新的扫描窗口，得到一组扫描窗口；

(6c)对每个扫描窗口部分的图像分别利用步骤(2)和步骤(3)的方法计算其边缘特征向量和纹理特征向量；

(6d)将扫描窗口部分图像提取的边缘特征向量和纹理特征向量进行级联得到最终扫描窗口图像的特征向量，并用步骤(4)所得到的分类器进行人体与非人体的判断。