[发明专利]基于第二代曲线波变换的静态人体检测方法

说明书

技术领域

本发明属于模式识别技术领域，涉及人体检测方法，可用于对图像中的人体及其它复杂目标的分类与检测。

背景技术

人体检测在计算机视觉中有许多重要的应用，如视频监控、智能汽车及智能交通、机器人和高级人机交互等。然而，由于人体自身姿态的变化、衣服的多样性和光照等因素的影响，人体的外观变化非常大，导致人体检测成为一个非常困难的问题。

目前，静态图像中人体检测的方法主要有基于人体模型的方法、基于模板匹配的方法和基于统计分类的方法。基于人体模型的方法有明确的模型，可以处理遮挡问题，并且可以推断出人体的姿态。缺点是模型的构建比较难，求解也比较复杂。基于模板匹配的方法计算简单，缺点是由于人体姿态的复杂性，很难构造出足够的模板以处理不同的姿态。基于统计分类的方法通过机器学习从一系列训练数据中学习得到一个分类器，用该分类器来表示人体，然后利用该分类器对输入窗口进行分类及识别。基于统计分类的方法的优点是比较鲁棒，缺点是需要很多训练数据，并且很难解决姿态和遮挡的问题。

基于统计分类的方法主要包括两个步骤：特征提取和分类器设计。其中所选特征的表征能力将直接影响分类器的性能。目前所选的特征包括：原始灰度特征空间、Haar小波特征、形状描述符特征、Gabor特征、有向梯度直方图HOG特征和SIFT特征等。其中HOG特征提取方法的提取速度快，检测正确率也较高，由此，近年来得到了广泛的应用。如何进一步提高检测的正确率，成为该研究领域的核心问题之一。

根据分类器的设计方法，现有的基于统计分类的方法可分为基于神经网络NN的方法、基于支持向量机SVM的方法和基于AdaBoost的方法。AdaBoost是一种具有自适应性的Boosting算法，它通过建立多学习机组合使得弱学习机的性能得到提升，由于其独有的对学习机性能的自适应和对过学习现象的免疫性，近年来引起了广泛的关注。

经典的人体特征提取的方法是Dalal和Trigg提出的方向梯度直方图HOG的方法，他们的结果表明HOG方法较之前的方法在检测正确率上有了很大的提高；另外一种方法是edgelet方法，它利用一种称作edgelet的边缘方向特征作为描述子；edgelet就是检测出的边缘上的一段直线或者曲线；粒度可调梯度分区GGP描述子融合了异质特征，通过粒度的概念表示出来。由于在背景中存在干扰边缘时，HOG特征表现的比较差，存在把一些背景中的特征判断为人体特征的情况，因此检测的虚警率较高。

Candes和Donoho介绍了一种新的多尺度分析系统称为曲线波变换。曲线波变换是一个多尺度的金字塔，在每一个尺度有很多的方向和位置。曲线波能有效地表示图像中边缘的不连续性。

MohamedElAroussi等人已经将曲线波变换的方法应用到了人脸检测中，提出了基于块的曲线波变换的人脸检测方法，利用从曲线波变换的系数划分的块中提取的统计特征作为特征向量进行人脸检测，在ORL，YALE和FERET数据集上取得了好的检测效果，但目前还没有人将曲线波变换用于人体的检测。

发明内容

本发明的目的在于克服上述HOG方法在存在嘈杂背景时虚警率高的问题，提出了一种基于曲线波变换的边缘与纹理联合特征提取的人体检测方法，以降低人体检测的虚警率，从而提高了检测的正确率。

实现本发明目的的技术原理是将上述的基于块的曲线波变换的人脸检测的方法应用到人体检测中，并对上述的方法进行了改进，提出了基于曲线波变换的人体边缘特征的提取方法，并加入了提取自曲线波变换后的系数的纹理特征，提取人体训练样本集的特征，通过AdaBoost算法训练这些特征，得到分类器，并使用滑窗扫描的方法实现对静态图像中人体的检测。具体过程如下：

(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；