[发明专利]基于快速鲁棒性特征的高效匹配核人体检测方法

说明书

技术领域

本发明属于图像处理技术领域，更进一步涉及静态人体检测技术领域的一种基于快速鲁棒性特征的高效匹配核（Efficient Match Kernel EMK）人体检测方法。本发明可用于从静态图像中，将人体信息检测出来，以达到识别人体目标的目的。

背景技术

人体检测是从自然图像中判断出人体信息所在位置的过程，近年来由于其在智能监控、驾驶员辅助系统、人体运动捕捉、色情图片过滤等领域的应用价值，已经成为计算机视觉领域中的一项关键技术。但由于人体姿态的多样性，背景的混杂以及衣服纹理，光照条件，自身遮挡等多方面的因素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分为两大类：基于人体模型的人体检测方法和基于学习的人体检测方法。

第一种，基于人体模型的人体检测方法。该方法不需要学习数据库，有明确的人体模型，然后根据模型构造的各个部位与人体之间的关系进行人体识别。

北京交通大学在其申请的专利“一种人体检测方法”（专利申请号CN201010218630.8，公开号CN101908150A）公开了一种基于人体模型的检测方法。该方法通过多种体形、多种姿势的人体样本建立具有一定模糊性的人体检测模板来确定人体候补区域。该方法能较好的处理遮挡问题，可以推算出人体的姿态，提高人体检测的效率和精度，但是，该方法仍然存在的不足是，由于匹配算法比较复杂，计算复杂度较高，在背景复杂的情况下难以达到很好的检测结果。

第二种，基于学习的人体检测方法。该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，然后利用该分类器对输入窗口进行分类及识别。

哈尔滨工程大学在其申请的专利“基于AdaBoost框架和头部颜色的实时人体检测方法”（专利申请号CN201110104892.6，公开号CN102163281A）中公开了一种结合多尺度梯度直方图HOG特征和头部颜色直方图特征的人体检测方法。该方法提取梯度直方图HOG特征的同时结合了特征模板，增加了头部特征判别的功能，与传统方法相比提高了检测率，特别是对于背景变化不大的图像空间有良好的特征识别效果，但是，该方法仍然存在的不足是，对于背景混杂或者光照不均的情况，检测结果会受到干扰。

发明内容

本发明的目的在于克服上述已有技术的不足，提出一种基于快速鲁棒性特征的高效匹配核人体检测方法，采用基于学习的人体检测方法，通过分层提取图像的局部信息，然后进行字典学习将特征映射到低维空间，集合成特征集，利用线性分类器对特征集进行训练，得到一个人体检测的分类器，再利用此分类器对待检测的图像进行人体检测。

为实现上述目的，本发明包括得到检测分类器和利用所获得的分类器对图像进行检测两个过程，具体实现步骤如下：

第一个过程，得到检测分类器的具体步骤如下：

（1）选择训练样本集图像：

1a）利用自举操作，从INRIA数据库的非人体自然图像中，获得足够的负样本图像；

1b）将获得的负样本图像与INRIA数据库中的负样本集组成新的负样本集；

1c）将获得的新的负样本集图像与INRIA数据库中的正样本集构成人体训练样本集。

（2）提取图像SURF特征点：

2a）将人体训练样本集中的每幅图像分割成8*8像素的格子，对每个格子，分别按16、25、36像素大小的尺度采样，每个尺度采样形成格子的一个采样层；

2b）对每个8*8像素格子，计算每层采样后格子内采样点的水平方向梯度与垂直方向梯度的平方和，将梯度平方和最大值对应的采样点，作为该像素格子在采样层的快速鲁棒性特征SURF特征点；

2c）对人体训练样本集中的每幅图像，从每个采样层上所有像素格子的快速鲁棒性特征SURF特征点中，随机选取15个特征点，作为人体训练样本集的图像在采样层上的快速鲁棒性特征SURF特征点。

（3）构造每层初始向量基：

利用k均值聚类方法，对人体训练样本集中所有图像在每个采样层上的快速鲁棒性特征SURF特征点进行聚类，定义450个聚类中心，获得整个人体训练样本集在采样层上的450维视觉词汇，构成采样层的初始基向量。

（4）获得采样层的最大核函数特征：

对于每个采样层的初始基向量，分别利用带约束的核奇异值分解CKSVD进行字典学习，得到采样层的最大核函数特征。

（5）获得图像高效匹配核特征：