[发明专利]一种行人检测方法

权利要求书

1.一种行人检测方法，其特征在于，包括步骤：

S100训练SVM分类器，以人头和双腿为正样本，以行人背景作为负样本，训练两个SVM分类器；

S200将待检测的图像构造图像金字塔；

S300滑动窗口，在图像金字塔的各个尺度上截取目标窗口；

S400对目标窗口提取HOG特征；

S500将S400中提取的HOG特征送入SVM分类器中，分类判断目标窗口是行人的头部、行人的双腿或行人背景；

S600根据S500中检测到的头部和双腿结果来组合行人，判断待检图像中是否含有行人。

2.根据权利要求1所述的行人检测方法，其特征在于，所述步骤S200具体包括步骤：对图像进行下采样或上采样，降低图像的分辨率，识别不同尺度的目标，其中，金字塔的底部是待处理图像的高分辨率表示，顶部是低分辨率的近似。

3.根据权利要求1所述的行人检测方法，其特征在于，所述步骤S500具体包括步骤：将提取的HOG特征送入训练的两个SVM分类器，其中一个SVM分类器负责判断是否是行人的头部，如果是则终止判别并记录下坐标值，如果不是则送入下一个SVM分类器，判断是否是行人的双腿，如果是记录下坐标值，两个都不是则判断为行人背景。

4.根据权利要求2所述的行人检测方法，其特征在于，所述步骤S500具体包括步骤：将提取的HOG特征送入训练的两个SVM分类器，其中一个SVM分类器负责判断是否是行人的头部，如果是则终止判别并记录下坐标值，如果不是则送入下一个SVM分类器，判断是否是行人的双腿，如果是记录下坐标值，两个都不是则判断为行人背景。

5.根据权利要求1～4中任一所述的行人检测方法，其特征在于，所述步骤S100中的训练SVM分类器包括步骤：

S110截取正样本，正样本是在行人正样本的基础上裁剪出行人的头部；

S120再裁剪出行人的双腿，采集的双腿要求站立，为基本垂直的双腿；

S130训练出两个SVM分类器，其中一个SVM分类器识别是否是行人头部，另一个SVM分类器识别是否是行人的双腿。

6.根据权利要求5所述的行人检测方法，其特征在于，所述步骤S600将检测到的行人头部和双腿进行组合，通过非极大值抑制的方法，选出最优框，其中，所述非极大值抑制的过程是一个迭代-遍历-消除的过程，其包括步骤：

S610将所有框的得分排序，选中最高分及其对应的框；

S620遍历其余的框，如果和当前最高分框的重叠面积大于一定阈值，将此框删除；

S630从未处理的框中继续选一个得分最高的，重复上述过程。

7.根据权利要求6所述的行人检测方法，其特征在于，所述步骤S100中的SVM设置参数如下：

svm->setType(cv::ml::SVM::Types::C_SVC)；//选择opencv的C类支持向量机，n类分组(n\geq 2)，允许用异常值惩罚因子C进行不完全分类；

svm->setKernel(cv::ml::SVM::KernelTypes::POLY)；//采用多项式核函数，opencv中定义的多项式和函数为：K(x,y)＝(gamma x^T y+coef0)^degree；

svm->setDegree(10.0)；//设置多项式核函数的degree为10；

svm->setGamma(0.09)；//设置多项式核函数的gamma为0.09；

svm->setCoef0(1.0)；//设置多项式核函数的coef0为1；

svm->setC(10.0)；//设置的错误代价参数C为10。

8.根据权利要求7所述的行人检测方法，其特征在于，所述步骤S400中的HOG特征提取算法的实现过程，包括步骤：

S410灰度化；

S420采用Gamma校正法对输入图像进行颜色空间的标准化；

S430计算图像每个像素的梯度，包括大小和方向；

S440将图像划分成小细胞单元；

S450统计每个细胞单元的梯度直方图，形成每个细胞单元的描述符；

S460将每几个细胞单元组成一个区间，一个区间内所有细胞单元的特征描述符串联起来便得到所述区间的HOG特征描述符；

S470将图像内的所有区间的HOG特征描述符串联起来得到所述图像的HOG特征描述符，这个就是最终的可供分类使用的特征向量。