[发明专利]一种针对头肩检测的混合特征提取方法

权利要求书

1.一种针对头肩检测的混合特征提取方法，其特征在于，包括以下步骤：

步骤1：针对训练集中正样本进行边缘检测，得到第一原始边缘图像；步骤2：将第一原始边缘图像切分成若干子区域，在每一个子区域里学习并生成边缘模板；

步骤3：对于输入图像，进行边缘检测得到第二原始边缘图像；

步骤4：用边缘模板过滤第二原始边缘图像，得到预测边缘图像；

步骤5：分别计算第二原始边缘图像和预测边缘图像的方向梯度直方图特征；

步骤6：叠加第二原始边缘图像和预测边缘图像梯度直方图特征，生成边缘描述特征；

步骤7：将输入图像转化为灰度图，计算方向梯度直方图特征，得到灰度图描述特征；

步骤8：串联灰度图描述特征和边缘描述特征，得到混合特征。

2.根据权利要求1所述一种针对头肩检测的混合特征提取方法，其特征在于，所述步骤1：针对训练集中正样本进行边缘检测，得到第一原始边缘图像具体包括以下步骤：

步骤101.用gPb边缘检测算子计算边缘响应；

步骤102.利用方向分水岭算法得到第一原始边缘图像。

3.根据权利要求1所述一种针对头肩检测的混合特征提取方法，其特征在于，所述步骤2：将第一原始边缘图像切分成若干子区域，在每一个子区域里学习并生成边缘模板包括以下步骤：

步骤201.将原始边缘图像均匀切分成8×8和16×162种尺寸的块，块之间相互覆盖一半的面积；

步骤202.对于每个正样本i中块j中的每一条边缘，基于ChamferMatching算法，计算它与其他正样本同一位置的块中的所有边缘的相似度，设定第一阈值，如果大于第一阈值，则重现次数R_i，j，k＝R_i，j，k+1；

步骤203.设定第二阈值，对于每个正样本i中块j中的每一条边缘k，如果重现次数大于第二阈值，则将其加入侯选库C_Set中；

步骤204.设定K＝2，利用K-Medoid算法对侯选库C_Set进行聚类，得到子类；

步骤205.设定第三阈值，如果类内距离d_m大于第三阈值，则重复执行步骤204，直到所有子类的类内距离都小于第三阈值为止；

步骤206.将每一个子类的中心定义为一个边缘模板。

4.根据权利要求1所述一种针对头肩检测的混合特征提取方法，其特征在于，所述步骤3：对于输入图像，进行边缘检测得到第二原始边缘图像包括以下步骤：

步骤301.用gPb边缘检测算子计算边缘响应；

步骤302.利用方向分水岭算法得到第二原始边缘图像。

5.根据权利要求1所述一种针对头肩检测的混合特征提取方法，其特征在于，所述步骤4：用边缘模板过第二滤原始边缘图像，得到预测边缘图像包括以下步骤：

步骤401.采用和学习边缘模板时相同的切分方式，将第二原始边缘图像均匀切分成8×8和16×162种尺寸的块，块之间相互覆盖一半的面积，此时每一个块都对应一组学习生成的边缘模板；

步骤402.对于每个块i中的每一条边缘j，基于Chamfer Matching算法，计算它与所有对应边缘模板的最大相似度，设定第四阈值，如果S_max_i,j大于第四阈值，则认为该边缘为真实边缘，将其加入预测边缘图像。

6.根据权利要求1所述一种针对头肩检测的混合特征提取方法，其特征在于，所述步骤5：分别计算第二原始边缘图像和预测边缘图像的方向梯度直方图特征包括以下步骤：

步骤501.计算第二原始边缘图像的方向梯度直方图，得到特征向量；

步骤502.计算预测边缘图像的方向梯度直方图，得到特征向量。

7.根据权利要求1所述一种针对头肩检测的混合特征提取方法，其特征在于，所述步骤6：叠加第二原始边缘图像和预测边缘图像梯度直方图，生成边缘描述特征包括以下步骤：

步骤601.将第二原始边缘图像和预测边缘图像梯度直方图的特征向量和相加，得到边缘描述特征向量；

步骤602.用L2-norm方法对边缘描述特征向量重新做归一化。