[发明专利]一种基于类Haar中间层滤波特征的行人检测方法及装置

权利要求书

1.一种基于类Haar中间层滤波特征的行人检测方法，首先提取训练图像集中各训练图像的目标特征，并用所提取的目标特征数据对基于决策树的Adaboost分类器进行训练，得到分类模型；然后提取待检测图像在多个尺度下的目标特征并输入所述分类模型，得到行人检测结果；其特征在于，所述目标特征的提取方法具体如下：对原始图像分别提取多个不同的通道特征，得到该原始图像的多幅通道特征图；对各通道特征图分别进行降采样；对每一幅降采样后的通道特征图，利用一组预设的类Haar特征模板分别提取该通道特征图的相应类Haar特征；将该原始图像的所有类Haar特征聚合，得到该原始图像的目标特征。

2.如权利要求1所述行人检测方法，其特征在于，所述多个不同的通道特征具体为：梯度幅值特征、LUV颜色空间的三个通道特征，以及六个方向的梯度方向直方图特征。

3.如权利要求1所述行人检测方法，其特征在于，所述一组预设的类Haar特征模板包括7个矩形模板，具体如下：

模板1：1×1的矩形模板，单个矩形框的权值为1；

模板2：2×1的矩形模板，两个矩形框的权值分别为1、-1；

模板3：1×2的矩形模板，两个矩形框的权值分别为1、-1；

模板4、2×2的矩形模板，其中4个矩形框的权值均为0.25；

模板5：2×2的矩形模板，其中一列中的两个矩形框的权值均为0.5，另外一列中的两个矩形框的权值均为-0.5；

模板6、2×2的矩形模板，其中一行中的两个矩形框的权值均为0.5，另外一行中的两个矩形框的权值均为-0.5；

模板7：2×2的矩形模板，其中两个对角矩形框的权值均为0.5，另外两个对角矩形框的权值均为-0.5。

4.如权利要求1所述行人检测方法，其特征在于，所述降采样的降采样因子为4。

5.一种基于类Haar中间层滤波特征的行人检测装置，包括：

多尺度变化模块，用于对输入的待检测图像进行多尺度变换；

目标特征提取模块，用于提取多尺度变化模块输出的每一个尺度图像的目标特征；

分类模型，用于根据目标特征提取模块所输入的目标特征对待检测图像进行行人检测，该分类模型通过对基于决策树的Adaboost分类器进行训练得到；

其特征在于，所述目标特征提取模块包括：

通道特征提取模块，用于对输入的原始图像分别提取多个不同的通道特征，得到该原始图像的多幅通道特征图；

降采样模块，用于对通道特征提取模块所输入的每一幅通道特征图进行降采样处理；

类Haar特征提取模块，用于对每一幅降采样后的通道特征图，利用一组预设的类Haar特征模板分别提取该通道特征图的相应类Haar特征；

特征聚合模块，用于将类Haar特征提取模块所提取的原始图像的所有类Haar特征聚合为目标特征。

6.如权利要求5所述行人检测装置，其特征在于，所述多个不同的通道特征具体为：梯度幅值特征、LUV颜色空间的三个通道特征，以及六个方向的梯度方向直方图特征。

7.如权利要求5所述行人检测装置，其特征在于，所述一组预设的类Haar特征模板包括7个矩形模板，具体如下：

模板1：1×1的矩形模板，单个矩形框的权值为1；

模板2：2×1的矩形模板，两个矩形框的权值分别为1、-1；

模板3：1×2的矩形模板，两个矩形框的权值分别为1、-1；

模板4、2×2的矩形模板，其中4个矩形框的权值均为0.25；

模板5：2×2的矩形模板，其中一列中的两个矩形框的权值均为0.5，另外一列中的两个矩形框的权值均为-0.5；

模板6、2×2的矩形模板，其中一行中的两个矩形框的权值均为0.5，另外一行中的两个矩形框的权值均为-0.5；

模板7：2×2的矩形模板，其中两个对角矩形框的权值均为0.5，另外两个对角矩形框的权值均为-0.5。

8.如权利要求5所述行人检测装置，其特征在于，所述降采样的降采样因子为4。