[发明专利]一种基于深度图与特征融合的行人检测方法

权利要求书

1.一种基于深度图与特征融合的行人检测方法，其特征在于，所述方法包括以下步骤：

S1:获取颜色图和深度图，并对图像进行预处理；

S2:在混合高斯背景建模的基础上进行阴影检测，然后提取出前景目标，过程如下：

S2-1：使用混合高斯模型，计算观测点x_t处像素的混合高斯分布概率密度函数，公式如下：

其中k为分布模式总数，η(x_t,μ_i,t,τ_i,t)为t时刻第i个高斯分布，μ_i,t为其均值，τ_i,t为其协方差矩阵，δ_i,t为方差，I为三维单位矩阵，w_i,t为t时刻第i个高斯分布的权重；

S2-2：从混合模型中选择与新观测点最佳匹配的高斯分布，并标记其位置为k_hit，用如下公式定量分析新值与高斯分布的距离：

其中μ_t-1，∑_t-1分别是每个单高斯分布的均值与协方差矩阵，x_t就是t时刻新的观测值，更新各高斯分布对应权值系数的值：

S2-3:如果没有满足条件的高斯分布，则重新初始化一个新的高斯分布，替换权值最小的分布，同时单高斯分布依据w_k,t-1/σ值降序重新排序，而对于核心高斯分布，通过如下的公式选择：

其中T是用于划分核心高斯分布的阈值；

S2-4:比较最佳匹配高斯分布标识k_hit与核心高斯分布数目B，当最佳匹配分布属于核心高斯分布，那么当前的观测值分类为背景模型；

S2-5:如果最佳匹配分布不属于核心高斯分布，则再对每个像素选择一个合适数目的高斯分布，根据亮度变化引起的场景变化，能够检测出阴影并标记出来，从而得到真正的前景；

S3：提取颜色图的HOG特征和深度图的CLBC特征，通过并行方式将两个特征进行融合得到融合特征，过程如下：

S3-1:提取颜色图的HOG特征

S3-2:提取改进LBP特征-CLBC特征，先将深度图的局部差分解为两个互补成分，即符号S_p和幅值m_p，分别为:

其中：g_p为在半径为R的圆上的相邻像素的灰度值，g_c为中心像素的灰度值，P为相邻像素的总数；

S3-3:提取完整的局部纹理信息,公式如下：

分别计算S_CLBC、M_CLBC、C_CLBC三个算子，其中S_CLBC等同于传统的LBP，M_CLBC测量局部的幅度变化，C_CLBC用来取局部中心信息，定义如下：

C_CLBC(P,R)＝t(g_c,c_I), (11)

其中,c为整幅图片m_p的均值，c_I为整幅图片的平均灰度级；

S3-4:组合S_CLBC、M_CLBC和C_CLBC算子，得到CLBC特征；

S3-5:将HOG特征和CLBC特征的特征向量利用并行方式融合成一个复向量，然后在复向量空间中提取特征，即融合特征；

S4：将特征输入到分类器中进行分析处理，判断是否有行人，完成检测。

2.如权利要求1所述的一种基于深度图与特征融合的行人检测方法，其特征在于，所述步骤S1的处理过程如下：

S1-1 将原图像分割成若干个子图像，并使子图像间存在一定的区域重叠，按照梯度直方图统计特性，自动的设定各子图像的阈值；

S1-2 根据梯度直方图特性，生成一种自适应识别边缘区域与非边缘区域的方法。

3.如权利要求1或2所述的一种基于深度图与特征融合的行人检测方法，其特征在于，所述S3-1的步骤如下：

S3-1-1 灰度化，将图像看做一个x,y,z的三维图像；

S3-1-2 采用Gamma校正的方法对输入的图像进行颜色空间的标准化，Gamma压缩公式：

I(x，y)＝I(x，y)^gamma

S3-1-3 计算视频图像的每个像素值的梯度，包括大小和方向，并据此计算每个像素位置的梯度方向值，图像中像素点(x,y)的梯度为：

G_x(x,y)＝H(x+1,y)-H(x-1,y)

G_y(x,y)＝H(x,y+1)-H(x,y-1)

式中G_x(x,y),G_y(x,y),H(x,y)分别表示输入图像中像素点(x,y)处的水平方向梯度、垂直方向梯度和像素值，像素点(x,y)处的梯度幅值和梯度方向分别为：

S3-1-4 将图像划分成小单元；为局部图像区域提供一个编码，同时对图像中人体对象的姿势和外观的弱敏感性能够基本保持不变；

S3-1-5 统计每个单元的不同梯度的个数，得到每个单元的特征；

S3-1-6 将每几个单元组成一个区域块，一个块内所有单元的特征串联起来便得到该块的HOG特征，将检测窗口中所有重叠的块进行HOG特征的收集，并将它们结合成最终的特征向量供分类使用。