[发明专利]基于快速鲁棒性特征的高效匹配核人体检测方法

摘要

本发明提出了一种基于快速鲁棒性特征的高效匹配核人体检测方法，主要解决传统方法不能较好处理图像背景混杂或光照不均问题。其实现步骤为（1）选择训练样本集图像；（2）提取图像的SURF特征点；（3）构造每层初始向量基；（4）获得采样层的最大核函数特征；（5）获得图像高效匹配核特征；（6）分类训练；（7）输入图像进行扫描；（8）检测扫描窗口；（9）输出检测结果。本发明通过分层提取图像的局部信息，进行特征学习将特征映射到低维空间，集合成特征集，然后利用线性分类器对特征进行训练，得到一个人体检测的分类器。本发明可在图像处理领域准确的检测出自然图像中的人体信息。

主权项

一种基于快速鲁棒性特征的高效匹配核人体检测方法，包括得到检测分类器和利用所获得的分类器对图像进行检测两个过程，具体实现步骤如下：第一个过程，得到检测分类器的具体步骤如下：(1)选择训练样本集图像：1a)利用自举操作，从INRIA数据库的非人体自然图像中，获得足够的负样本图像；1b)将获得的负样本图像与INRIA数据库中的负样本集组成新的负样本集；1c)将获得的新的负样本集图像与INRIA数据库中的正样本集构成人体训练样本集；(2)提取图像SURF特征点：2a)将人体训练样本集中的每幅图像分割成8*8像素的格子，对每个格子，分别按16、25、36像素大小的尺度采样，每个尺度采样形成格子的一个采样层；2b)对每个8*8像素格子，计算每层采样后格子内采样点的水平方向梯度与垂直方向梯度的平方和，将梯度平方和最大值对应的采样点，作为该像素格子在采样层的快速鲁棒性特征SURF特征点；2c)对人体训练样本集中的每幅图像，从每个采样层上所有像素格子的快速鲁棒性特征SURF特征点中，随机选取15个特征点，作为人体训练样本集的图像在采样层上的快速鲁棒性特征SURF特征点；(3)构造每层初始基向量：利用k均值聚类方法，对人体训练样本集中所有图像在每个采样层上的快速鲁棒性特征SURF特征点进行聚类，定义450个聚类中心，获得整个人体训练样本集在采样层上的450维视觉词汇，构成采样层的初始基向量；所述k均值聚类方法的具体步骤如下：第一步，对每个采样层，随机从人体训练样本集的所有样本图像在采样层的快速鲁棒性特征SURF特征点中，选取450个快速鲁棒性特征SURF特征点，作为采样层的初始聚类中心，分别将450个初始聚类中心的数据值，作为所在初始聚类中心的聚类中心值；第二步，计算人体训练样本集在采样层的所有快速鲁棒性特征SURF特征点到各个聚类中心的欧式距离；第三步，将采样层的每个快速鲁棒性特征SURF特征点归到与自身距离最近的聚类中心所在的类别中；第四步，判断归类后每一类的快速鲁棒性特征SURF特征点的数据平均值是否等于聚类中心值，如果是，执行第五步，否则，将所求每一类的特征点的数据平均值作为新的聚类中心值，返回第二步；第五步，保存450个聚类中心值，用450个聚类中心值构成列向量，将该列向量作为整个人体训练样本集在采样层上的初始基向量输出；(4)获得采样层的最大核函数特征：对于每个采样层的初始基向量，分别利用带约束的核奇异值分解CKSVD进行字典学习，得到采样层的最大核函数特征；所述字典学习的具体步骤如下：第一步，对于每个采样层，将采样层的初始基向量投影到一个450维的空间上，通过下式计算，获得采样层的初始基向量的投影向量：R＝R1×[v1,...vj...,vN]其中，R表示采样层的初始基向量的投影向量，R1表示采样层的初始基向量，vj表示人体训练样本集的所有样本图像在采样层上提取的第j个特征点的投影系数的向量，vj＝[v1j,v2j,...vsj,vMj]T，vsj表示人体训练样本集中第s幅样本图像在采样层上提取的第j个特征点的投影系数，M表示人体训练样本集的样本图像个数，j＝1,2,...,N，N表示人体训练样本集中的每一幅样本图像在采样层上随机选取的特征点的个数；第二步，按下式构造一个逼近函数，在投影空间上去拟合逼近采样层上的初始基向量的投影向量：f(r)＝arg min||r‑R||其中，r表示采样层上的最大核函数特征，||·||表示2范数，arg min||·||表示 求最小值；第三步，计算逼近函数，获得下式来迭代更新采样层上的最大核函数特征，构成低维的图像特征表示：其中，r(k+1)表示迭代k+1次得到的采样层上的最大核函数特征，k表示迭代次数，r(k)表示迭代k次得到的采样层上的最大核函数特征，η表示学习率，是个常量，表示计算括号里的式子对r的导数，rj表示人体训练样本集中的所有样本图像在采样层上提取的第j个特征点的最大核特征向量，R1T表示采样层上的初始基向量R1的转置向量，设定迭代次数为1000次，迭代完成后得到的r(1000)作为采样层上的最终的最大核函数特征；(5)获得图像高效匹配核特征：5a)对每个采样层，按降序排列采样层的最大核函数特征的元素值，判断最大元素值的元素个数是否为1，如果是，将采样层的最大核函数特征作为采样层的特征向量输出，否则，将采样层的最大核函数特征中元素值与最大值相等的元素置成零，将置零后的采样层的最大核函数特征作为采样层的特征向量输出；5b)对所有采样层的特征向量进行加权求和，得到所有尺度特征，储存所有尺度特征；所述加权求和的方式如下：G*＝Gi×Ai其中，G*表示所有尺度特征，Gi表示每个采样层的特征向量，i＝1,2,3，Ai表示每个采样层对应的权重，wi＝1/pi，pi表示每个采样层的采样尺度的像素大小，pi＝{16,25,36}；5c)对所有尺度特征向量的每行元素求均值，在坐标横轴上对应的均值点进行均值个数的累加，得到所有尺度特征向量所有行的元素均值的分布，选择所有行的元素均值分布中类似高斯分布的特征，作为最终图像的快速鲁棒性特性的高效匹配核特征；(6)分类训练：使用支持向量机SVM分类器对提取到的快速鲁棒性特性的高效匹配核特征进行分类训练，得到检测分类器；第二个过程，利用所获得的检测分类器对图像进行检测的具体步骤如下：(7)输入图像进行扫描：输入一幅被检测图像，用窗口扫描法扫描整幅被检测图像，得到一组扫描窗口图像，将该组扫描窗口图像输入到检测分类器；(8)检测扫描窗口：8a)用检测分类器判断所输入的扫描窗口图像中是否包含有人体信息，若不存在人体信息，则将该被检测图像定位为非人体自然图像，否则，从判断出的所有有人体信息的扫描窗口图像中，找出检测分类器分数最高的扫描窗口图像作为主窗口图像；8b)从主窗口图像以外剩余的有人体信息的扫描窗口图像中，将与主窗口图像重叠大于50％的扫描窗口图像与主窗口图像进行窗口组合操作，将窗口组合得到的窗口作为一个检测结果保存，删除所有参与窗口组合的图像；8c)判断有人体信息的扫描窗口图像是否还有剩余，如果有，找出剩余的扫描窗口图像中检测分类器分数最高的图像作为主窗口图像，执行步骤8b)，否则，执行步骤(9)；(9)输出检测结果：将窗口组合得到的所有窗口在被检测图像上标出，输出标出后的图像，作为被检测图像的人体检测结果。