[发明专利]一种基于样例迁移学习的人体检测方法

说明书

技术领域

本发明属于智能视频监控技术领域，具体涉及一种基于样例迁移学习的人体检测方法。

背景技术

人体检测是视频监控中高层语义理解的基础，这种技术的进步可以极大地促进视频监控技术的发展。尽管特定场景下的行人检测技术已经得到了很好的发展，但是广义场景下的人体检测技术还存在许多的挑战，这主要是由于人体外观的变化和人体姿态的变化。为了解决人体外观的变化，很多研究者提出了对于背景、光照、衣服颜色等鲁棒的特征。Dalal等人提出一种梯度直方图的特征，该特征对于光照具有很强的鲁棒性。Tuzel等人利用幅值、梯度、空间位置信息来进一步提高梯度直方图特征的性能。Mu等人提出一种局部二元特征的扩展方法来克服梯度直方图特征的一些缺陷。Schwartz等人利用纹理和颜色信息来增加梯度直方图特征的判别性能。对于人体姿态的变化，许多研究者提出将一个整体的人体划分成几个局部的子部件，然后基于这些局部的子部件之间的空间关系进行建模。Felzenszwalb等人提出一种目标检测的框架：图形结构，该方法将一个目标表示成一个局部子部件的空间关系集合。他进一步发展了这种方法，提出一种判别式学习的方法，通过判别式学习得到的模型能够区分人体和背景。Yang等人进一步发展了这种方法，将以前的子部件分解成更加细小的部件。由于这些细小的部件忽略了方向信息，因此这种表示方法能够大大减少搜索的空间，而且他们对这些细小子部件之间的共生关系进行了建模。Andriluka等人利用运动学上的先验对各部分之间的关系进行了建模，而且通过判别式学习的方法得到了各子部件的外观信息。

发明内容

本发明的目的是为了解决复杂场景下的人体检测问题，为此，本发明提供一种基于样例迁移学习的人体检测方法。

为了实现所述目的，本发明提出一种基于样例迁移学习的人体检测方法，该方法包括以下步骤：

步骤S1，对于训练集中的每个正样本进行归一化，并在得到的归一化图像上分别提取梯度直方图特征；对于所述训练集中的负样本，随机从不包含人体的图片上选取与所述归一化图像相同大小的图像，并提取其梯度直方图特征，从而分别得到所述正样本和负样本的多维的人体特征；

步骤S2，基于所述步骤S1得到的所述正样本和负样本的人体特征，利用支持向量机对所述训练集中的正样本和负样本图片进行训练，得到一个初始的人体检测器；

步骤S3，将所述步骤S2得到的初始的人体检测器划分为v个小的网格，每一个网格代表一个小的部件，并用相应网格里的权重来表示这个部件；同时基于所述网格建立一个图G=(ν,ε)，其中，ν表示图G中的节点，ε表示图G中的边；根据所述步骤S1提取得到的人体特征，分别建立图G′=(ν′,ε′)来表示对应的正样本和负样本；

步骤S4，对于所述步骤S3中的网格权重进行更新，得到更新后的人体检测器；

步骤S5，基于所述更新后的人体检测器，采用多尺度滑动框扫描的方式对于待检测图像进行人体检测，得到人体检测结果。

本发明方法对于输入图像提取梯度直方图特征，通过多尺度滑动框扫描进行检测，同时本发明中的检测器能够自适应的进行结构调整与测试框里的样例的结构进行匹配，并将匹配的损失计入得分函数中。总之，本发明方法能够自适应地对每个样例进行结构迁移，因此可以处理人体的形变等情况。

附图说明

图1是本发明提出的基于样例迁移学习的人体检测方法流程图；

图2是本发明方法在INRIA数据库上学习得到的权重可视化示意图；

图3是本发明方法与其他方法在INRIA数据库上的检测结果对比示意图。

具体实施方式

为使本发明的目的、技术方案和优点更加清楚明白，以下结合具体实施例，并参照附图，对本发明进一步详细说明。

图1是本发明提出的基于样例迁移学习的人体检测方法流程图，如图1所示，所述基于样例迁移学习的人体检测方法包含以下步骤：

步骤S1，对于训练集中的每个正样本进行归一化，并在得到的归一化图像上分别提取梯度直方图特征；对于所述训练集中的负样本，随机从不包含人体的图片上选取与所述归一化图像相同大小的图像，并提取其梯度直方图特征，从而分别得到所述正样本和负样本的多维的人体特征；