[发明专利]针对十字路口场景的行人检测方法

权利要求书

1.一种针对十字路口场景的行人检测方法，其特征在于，包括如下步骤：

S1、准备并整理十字路口场景的训练样本集合，所述训练样本集合包括正样本集和负样本集；

S2、利用平均背景模型算法建立十字路口场景的背景模型；

S3、使用训练样本，训练得到各个部位的分类器,具体包括如下步骤：

S31、针对每一张训练样本，利用adaboost算法提取出其局部的Shapelet特征,具体包括如下步骤：

S311、提取每张训练样本的底层特征，选择{0度、30度、60度、90度、120度、150度}这六个方向，提取这些方向上训练样本的梯度信息并计算每个像素周围的梯度信息均值；

S312、在每个子窗口中，采用Adaboost算法对S311中得到的底层特征进行训练，筛选出Shapelet特征；

S32、针对所提取出的Shapelet特征，利用改进的级联分类器训练出各个部位的分类器；

S4、利用行为知识空间算法，将各个部位的分类器进行组合，形成最终的分类器；

S5、向模型中输入待检测图片，完成对待检测图片中行人的检测识别。

2.根据权利要求1所述的针对十字路口场景的行人检测方法，其特征在于，S1具体包括如下步骤：

S11、收集准备十字路口场景的训练样本集合，所述正样本集内包括多个正样本，所述正样本为十字路口场景下、包含有行人的样本，所述负样本集内包括多个负样本，所述负样本为十字路口场景下、未包含有行人的样本；

S12、训练样本集合收集完成后，手动裁剪训练样本，并将所有经过裁剪的正样本进行归类、将所有经过裁剪的负样本进行归类。

3.根据权利要求2所述的针对十字路口场景的行人检测方法，其特征在于，在S11所述的收集准备十字路口场景的训练样本集合过程中，当出现正负样本不匹配的情况时，执行如下步骤：

S111、合成样本，通过改变已有训练样本的形态来扩充训练样本集合，改变形态的方式至少包括平移、镜像反转以及旋转；

S112、改变样本权重，增大部分样本类的样本权重，使部分样本类的损失值减小。

4.根据权利要求1所述的针对十字路口场景的行人检测方法，其特征在于，S2中所述平均背景模型算法的流程，具体包括如下步骤：

S21、计算M帧图像的平均值，建立一个初始背景BG；

S22、将当前帧图像减去初始背景BG得到差值D，通过公式检测前景像素和背景像素，所述公式为

d(x，y)＝I(x，y)-u(x，y)，

其中，I(x，y)为当前像素值，u(x，y)为背景模型中相同位置像素的平均值，d(x，y)为I(x，y)与u(x，y)两者的差值，TH为阈值，output(x，y)为输出图像的像素值；

S23、使用被检测的图片对背景模型进行更新；

S24、输入下一张图片，并返回执行S22步骤直至停止。

5.根据权利要求1所述的针对十字路口场景的行人检测方法，其特征在于，S32具体包括如下步骤：

S321、构建改进的级联分类器，所述改进的级联分类器由分类能力逐渐加强的一组分类器级联而成，在所述改进的级联分类器中，各级分类器的分类能力由前至后逐渐增强，且每一级分类器均使用改进的adaboost算法训练；

S322、利用所提取出的Shapelet特征，使用S321中构建的改进的级联分类器训练出各个部位的分类器。

6.根据权利要求1所述的针对十字路口场景的行人检测方法，其特征在于，S4具体包括如下步骤：

S41、构建知识空间样本，使用具有代表性和公认性的类标签来构建行为知识空间，每一个行为知识空间单元的值根据两方面确定、分别是每个类输入样本空间的所有样本和样本最可能落入的类；

S42、进行决策，在决策阶段，分别得到每个样本最可能落入的类，每个分类器中的样本在分类器融合后最可能落入的单元和最后的决策制定根据落入某个分类器的样本数的比例确定；

S43、重复S42步骤直至停止。