[发明专利]一种针对头肩检测的混合特征提取方法

说明书

技术领域

本发明涉及图像处理和计算机视觉技术领域，尤其涉及一种针对头肩检测的混合特征提取方法。

背景技术

行人检测是计算机视觉领域的研究热点和难点问题，用于找出图像中是否存在行人，以及行人的大致位置，以矩形框标示。行人检测的结果可以应用于多个领域，如智能视频监控，辅助驾驶系统，行为识别系统等。但由于一些场景的特殊性，会导致行人身体被严重遮挡，如拥挤的地铁站，会议室等。在这些情况下，作为行人检测的一种特殊情况，头肩检测将会发挥其作用，具有重大的意义。

头肩检测的目标是将人体的头肩区域R（以矩形框表示）在图像I中标示出来。一般的头肩检测系统都是以滑动窗口的形式在整幅图像中进行搜索，对于每一个滑动窗口W判断该窗口内是否包含头肩。

当前针对头肩检测的研究，大多都是沿用行人检测系统的框架，即“特征提取+分类器”。在特征提取上，大致可以分为梯度特征（如方向梯度直方图HOG）、纹理特征（如局部二值模式LBP）、颜色特征（如颜色自相关特征CSS）、边缘特征（如Edgelet特征）。在分类器的选择上，大致可以分为SVM，Adaboost，Decision Tree及其相关改进。

在特征的选择上，当前的研究工作也选择了和行人检测相同的特征，只是进行了细微的参数调整，使之适应更小的检测区域。然而这些方法却忽略了头肩检测和行人检测的内在区别。相对于行人检测，头肩检测具有其自身的难点和特点：（1）头肩检测由于包含的有效信息少，鲁棒性弱，容易受到前景背景对比度低，边界模糊等因素的影响；（2）头肩轮廓的形变相对较少，使得我们可以用较少的边缘模板来很好的描述头肩轮廓。从特点（1）我们可以看出，如果我们能够增强头肩的边缘轮廓，使得前景背景的边界突出，则可以有效的提高检测性能。特点（2）则让我们可以通过学习边缘模板，来实现这个假设，提高检测性能。

虽然边缘特征具有其自身的优点，受限于现有边缘提取算子性能的影响，单纯基于边缘特征的检测系统的性能很难达到梯度特征的水平。如果能有效的结合两种特征各自的优点，则能进一步提升检测的性能。

发明内容

本发明解决的技术问题在于如何自动的增强头肩边缘轮廓，融合两种类型特征的优点。

本发明实施例公开了一种针对头肩检测的混合特征提取方法，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。

进一步，作为优选，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。

进一步，作为优选，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Chamfer Matching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。