[发明专利]基于梯度直方图和Canny边缘检测器的行人检测方法

说明书

本发明提供了一种基于梯度直方图和Canny边缘检测器的行人检测方法，方法包括步骤：步骤1，对获取的图像一次进行图像灰度化、伽马校正、图像高斯滤波的处理；步骤2，利用Canny边缘检测器提取图像的边缘信息，计算图像中的梯度直方图信息，得到描述行人特征的特征向量；步骤3，利用包含人体头肩部分的正样本和不包含人体头肩部分的负样本训练支持向量机分类器；步骤4，利用训练得到的分类器对所有图像的局部窗口进行检测并判断窗口中是否存在人体头肩目标。

技术领域

本发明涉及一种图像处理技术，特别是一种基于梯度直方图和Canny边缘检测器的行人检测方法。

背景技术

随着人工智能的迅速发展，机器视觉在实际生活中有着越来越广泛的应用。而人体检测算法在自动驾驶，智能监控及灾难环境下的自动搜救等都有着很好的应用前景。人类生活的环境复杂多变，人体也并非固定不变的刚体，相反，人体灵活的构造是人体的形态非常多样。背景环境的复杂多变和人体形态的多样化使得人体检测具有较高的难度。

目前主流的行人检测方法是通过提取人体的特征信息，然后用这些特征信息训练分类器，通过训练好的分类器检测图像中的人体目标。代表性的算法有HOG(梯度直方图)特征，LBP(局部二值模式)特征等。此类特征主要是根据人体的轮廓信息，纹理信息等来描述人体形状。当人体存在部分遮挡或者人体偏离直立状态较大时，检测效果明显降低。分类器主要采用SVM(支持向量机)，Adboost等方法。算法深度学习的发展，神经网络算法。但是算法复杂度很高，运算量巨大。

传统梯度直方图行人检测算法中采用离散一阶导数计算图像边缘，提取的边缘较为粗糙，梯度变化不显著的位置，提取的边缘不连续，边缘图像中包含较多噪声，不利于对图像中行人轮廓的准确描述，影响后续的行人检测效果。传统的梯度直方图行人检测算法采用全身的检测方法，行人轮廓特征中垂直特征信息占了很大比重，这使得检测过程中更容易把环境中大量存在的柱状物体误检为行人。

发明内容

本发明的目的在于提供一种基于梯度直方图和Canny边缘检测器的行人检测方法，本发明可以准确地描述人体特征信息，并采用分类器检测行人目标并避免由于人体信息部分遮挡造成的漏检。

实现本发明目的的技术方案为：一种基于梯度直方图和Canny边缘检测器的行人检测方法，其特征在于，方法包括步骤：

步骤1，对获取的图像一次进行图像灰度化、伽马校正、图像高斯滤波的处理；

步骤2，利用Canny边缘检测器提取图像的边缘信息，计算图像中的梯度直方图信息，得到描述行人特征的特征向量；

步骤3，利用包含人体头肩部分的正样本和不包含人体头肩部分的负样本训练支持向量机分类器；

步骤4，利用训练得到的分类器对所有图像的局部窗口进行检测并判断窗口中是否存在人体头肩目标。

本发明与现有技术相比，具有以下优点：(1)本发明提出的方法使用Canny边缘检测器，在计算边缘图像的过程中，该检测器能够检测到更精细的图像边缘，边缘信息更完整，高斯滤波器减小了高频噪声的干扰，因此对行人轮廓描述更准确，从而提高了行人检测的效果；(2)本发明提出的方法采用人体头肩部分的局部检测方法，只检测行人头肩部分，人体头肩部分的特殊的轮廓形状更具有代表性，能够降低误检的概率；人体头肩部分能够保持相对稳定的形状，即使行人不是出于直立状态或者存在部分遮挡，也有可能检测到行人。因此本发明提出的方法能够提高检测率。

下面结合说明书附图对本发明作进一步描述。

附图说明

图1位本发明基于梯度直方图和Canny边缘检测器的行人检测方法的流程图。

图2(a)是原始图像；图2(b)是传统HOG算法中的边缘检测器的边缘检测效果；图2(c)是本发明方法中Canny边缘检测器的边缘检测效果。