[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

说明书

技术领域

本发明涉及模式识别、图像处理和计算机视觉相交叉的技术领域，尤其涉及一种基于类Harr(Haar-like)中间层滤波特征的行人检测方法及装置。

背景技术

随着计算机视觉技术的发展，行人检测技术成为了现阶段乃至今后很长一段时间的研究热点。行人检测可以分为运动中的行人检测(或者称为目标跟踪)，与静态图片中的行人检测，即本发明所研究的静态图片中的行人检测。静态图片中的行人检测，就是使用计算机对给定的单张图像或是视频中的某一帧，判断其中是否包含行人，如果包含行人还需要进一步定位出行人位置的一个过程。行人检测是对人体进行步态分析，行为识别以及跟踪等研究的前提和基础。因此如何能为后者的研究提供有力的保障和支持，是行人检测研究领域所要思考和亟待解决的问题。行人检测技术在社会中的需求量日趋加大，应用范围、场景也不断拓展。行人检测技术在智能监控系统、智能汽车系统、行人流量统计、行人分析以及智能机器人、智能家居等领域均有着广泛的应用前景。相信以后只要有人存在的场景，以及给人提供服务、需要对人进行安全保护和管理的地方，都会需要行人检测技术。

积分通道特征(IntegralChannelFeatures，ICF)是一种组合型行人描述特征，是在2009年由Dollar等人[DollárP,TuZ,PeronaP,etal.IntegralChannelFeatures[C].BMVC.2009,2(3):5.]提出的。ICF特征是在多个通道上进行行人特征提取，包括LUV颜色通道，若干梯度方向直方图通道以及梯度幅值通道。由于其从不同角度更加全面的对行人进行描述，使得其检测性能相比传统检测方法有了一定提升。但是一方面由于ICF特征选择的随机性较强，使得其检测性能不能够得到保证；另一方面ICF特征池的维数过高使得其检测精度和检测速度不能得到很好地平衡。鉴于此，在2014年Dollar等人[DollárP,AppelR,BelongieS,etal.Fastfeaturepyramidsforobjectdetection[J].PatternAnalysisandMachineIntelligence,IEEETransactionson,2014,36(8):1532-1545.]在ICF特征的基础之上又提出了更为高效的聚合通道特征(AggregatedChannelFeatures，ACF)。ACF特征仍然使用通道特征作为先验特征，所使用的通道同ICF特征。其计算流程如图1所示，对于输入图像I，先计算各通道特征C＝Ω(I)；对各通道特征图做降采样处理；对降采样之后的通道特征图做平滑滤波处理；对之后的各特征图中的特征点进行向量化生成最终的目标特征向量ACF特征。该特征相比ICF特征有一下两点变化：1、特征维数大大降低；2、特征信息更佳全面，这里每一个特征点作为一个候选特征。

上述基于ACF特征的行人检测方法虽然可以从总体上描述行人信息，也取得了较好的检测效果，但由于该算法缺乏对人体局部结构特征的描述，使得该算法在过滤一些非行人检测窗口上还有进一步的改进空间。如果能够更加全面地描述人体结构的局部特征，则可更全面地过滤掉一些非行人检测窗口，进而提升检测性能。

发明内容

本发明所要解决的技术问题在于克服现有技术不足，提供一种基于类Harr中间层滤波特征的行人检测方法及装置，能够有效降低行人漏检率及误检率，提高行人检测性能。

本发明技术方案具体如下：

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；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。

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；

所述目标特征提取模块包括：