[发明专利]一种快速粗精级联行人检测方法

说明书

本发明公开了一种快速粗精级联行人检测方法，该方法：从视频中分割获取所有行人图像，组成训练样本集；用超分辨率重建方法对训练样本集进行扩充；对每个训练样本抽取特征通道并进行滤波处理；通过Adaboost算法训练获取级联粗分类器；随后对特征通道抽取颜色自相似特征以及卷积通道特征，训练得到级联的精细分类器；对测试图像抽取特征通道，用粗分类器进行粗略检测，产生一系列候选窗口；用精细分类器对这些窗口进行精细分类，排除许多误检窗口；采用非极大值抑制算法合并窗口，获取最终的检测结果。本发明不仅有效剔除了误检窗口的个数，大大提高了检测精度，而且检测速度也能达到不错的效果，具有较好的通用性及鲁棒性。

技术领域

本发明公开了一种快速粗精级联行人检测方法，涉及到超分辨率重建，卷积网络模型，数据降维以及特征表示技术，属于图像处理和模式识别的技术领域。

背景技术

在目前的众多检测技术中，行人检测技术因其特有的主动性和用户友好性等优点，近年来以来一直受到广泛关注。利用模式识别技术对行人采集图片进行自动分析、判别和检测，对于确保相关业务安全、提高工作效率、增加处理准确性都具有非常重要的现实意义。自动行人检测技术以其较高的学术价值和应用价值近年来受到国内外众多研究机构以及学者的广泛重视，该技术主要包含了两方面的内容，第一，对采集图像的预处理，它是各类行人图像检测的前提和基础；第二，对预处理后的图像内容进行建模分析和检测，它是检验行人自动检测技术性能好坏的标准。

目前，在国内外行人检测研究领域中，通过构造有效的特征提取方法实现实时鲁棒的检测技术还不是很成熟。传统的特征提取技术不能保存行人的本质内部特性，所以更多适用于线性可分情况。而研究表明许多在自然界获取的图像尤其行人图像因光照、姿态等因素发生变化时，会造成图像的线性不可分。其次，一些行人图像存在遮挡现象，由此带来特征分析的困难。上述因素使传统特征不能充分表达行人信息，从而导致检测的精度低。在已知的现有技术中，典型的行人检测方法有：HOG特征和SVM分类器结合，Aggregatedchannel features(ACF)，并在实验数据上取得了良好的效果。然而这些方法提取的特征不能充分的描述行人的结构和颜色信息，使得检测效果不佳。该领域新近提出的Locallydecorrelated channel features(LDCF)方法是对ACF方法进行改进，增强了特征的辨别性和无关性，改善了分类器的性能以及最终的检测结果，但是该方法的缺陷是没有充分发现图像的类别信息，未能强化保持图像空间的差异信息，使得最终检测窗口中存在很多的误检窗口，导致检测算法的鲁棒性还不够高。

综合上述理论基础，通过抽取行人内部高分辨特征实现精细化的行人检测包含两个关键要素：高分辨特征抽取和特征融合。高分辨特征抽取需要对行人形状和颜色进行充分剖析，探索差异化信息，但是特征的数目不宜过多，否则会抑制分类器的性能。

发明目的

为了克服现有技术中存在的不足，针对传统行人检测方法在解决复杂背景下行人检测速度慢和精度低的问题，提出一种快速粗精级联行人检测方法，通过粗精表达策略以及多特征融合方法来高效实现行人的采集、处理和检测，操作方便，检测精度高，并且检测速度想比于传统方法也有很大的优势，在速度与精度之间能够达到很好的平衡，具有较好的通用性及鲁棒性。

发明内容

技术方案：一种快速粗精级联行人检测方法，包括如下步骤：

(a)从视频中按帧数获取所有图像，再依次从图像中分割出所有的行人，且每个行人受到不同光照，表情以及遮挡环境的影响，将所有行人图像组合成为训练样本集；

(b)对训练样本集进行超分辨率重建，通过双立方插值方法，对行人样本进行放缩处理，从而扩充了训练样本；

(c)对训练样本提取特征通道，包括LUV3个颜色通道，1个梯度幅值通道以及6个梯度方向直方图通道；

(d)对每个特征通道进行滤波，提取滤波后的特征，训练Adaboost级联粗分类器；