[发明专利]一种基于运动平台的红外行人检测方法

摘要

本发明公开一种基于运动平台的红外行人检测方法，属于模式识别和图像处理技术领域。该方法利用连接于运动平台的红外摄像头获取红外图像；对红外图像提取梯度范数特征，利用级联线性支持向量机获取行人候选区域；对行人候选区域进行方向梯度直方图特征提取，利用极限学习机对行人候选区域进行检测，最终得到包含行人的区域。本发明方法中通过候选区域选取大大减少了计算量，同时本发明方法中采用的极限学习机与支持向量机等现有分类算法相比具有更高的实时性和更高的检测精度。

主权项

一种基于运动平台的红外行人检测方法，其特征在于该方法包括以下步骤：(1)训练一个用于对运动平台的红外摄像头拍摄的图像中的行人候选区域进行选取的分类器w、增益系数v_i和偏置系数t_i，具体过程如下：(1‑1)将包含行人的红外图像作为训练样本，通过插值方法，将训练样本中的图像调整成长宽分别为W和H的图像，其中W，H∈{10，20，40，80，160，320}，计算调整后的图像的梯度范数，对长宽为8×8的图像窗口的梯度求范数，得到8×8图像窗口的64维梯度范数特征，记为g_train；(1‑2)设T为图像中所有包含行人的窗口，S为图像中的任意窗口，则窗口t∈T和窗口s∈S的叠加面积o(t，s)为：$o(t,s)=\frac{t\∩s}{t\∪s},$采用8×8图像窗口对步骤(1‑1)中调整大小后的训练样本进行滑动采样，得到多个8×8滑动窗口，计算与8×8滑动窗口相对应的o(t，s)，将与o(t，s)≥0.5的8×8滑动窗口相对应的64维梯度范数作为正样本，与o(t，s)＜0.5的8×8滑动窗口相对应的64维梯度范数作为负样本，利用线性支持向量机，计算得到分类器w；(1‑3)利用下述公式，计算训练样本的排序得分score_train：score_train＝〈w，g_train〉其中，〈·，·〉表示内积；(1‑4)利用非极大抑制方法，从每个大小为i的原始图像窗口中任意选择多个原始图像窗口作为训练样本，将上述score_train作为原始图像窗口的一维特征，利用线性支持向量机，计算得到增益系数v_i及偏置系数t_i；(2)训练一个用于对运动平台的红外摄像头拍摄的图像中的行人候选区域进行判断的极限学习机，具体过程如下：(2‑1)设定权重c_i以及阈值a_i，通过下式计算得到一个输出隐藏层矩阵H_test：$H_{\mathrm{test}}=\left[\begin{array}{ccc}G(x_1;c_1,a_1)& ...& G(x_1;c_{\tilde{N}},a_{\tilde{N}})\\ .& & .\\ .& ...& .\\ .& & .\\ G(x_N;c_1,a_1)& ...& G(x_N;c_{\tilde{N}},a_{\tilde{N}})\end{array}\right]$其中，x₁，...，x_N为N个训练样本的方向梯度直方图特征，为隐藏节点数量，G为极限学习机的激励函数；(2‑2)通过下式，计算得到一个输出权重矩阵β：β＝H⁺T其中，为隐藏层输出矩阵H_test的广义逆矩阵，T为训练样本的标签；(3)将红外摄像头分别连接到运动平台及直流移动电源上；(4)对红外摄像头的焦距和显示模式进行初始设置，采集红外图像，实时读取红外摄像头拍摄的原始红外图像；(5)对上述读取的原始红外图像进行候选区域选取，具体过程如下：(5‑1)将读取的原始红外图像通过插值方法，调整成长宽分别为W和H的图像，其中W，H∈{10，20，40，80，160，320}，计算调整后的图像的梯度范数，对长宽为8×8的图像窗口的梯度求范数，得到8×8图像窗口的64维梯度范数特征，记为g；(5‑2)采用8×8图像窗口对步骤(5‑1)中调整大小后的原始红外图像进行滑动采样，得到多个8×8滑动窗口；(5‑3)利用下述公式，计算原始红外图像的排序得分score：score＝〈w，g〉其中，〈·，·〉表示内积，w为步骤(1‑2)得到的分类器；(5‑4)通过下式，分别计算与多个8×8大小的滑动窗口相对应的调整大小之前的原始红外图像窗口得分为o：o＝v_i·score+t_i其中v_i为步骤(1‑4)得到的增益系数，t_i为步骤(1‑4)得到的偏置系数；(5‑5)对上述多个得分o从高到低进行排序，得分越高，则原始红外图像窗口中包含行人的可能性越大；(5‑6)从排序后的原始红外图像窗口中选取前M个原始红外图像窗口作为行人候选区域；(6)对M个行人候选区域进行方向梯度直方图特征提取，具体过程如下：(6‑1)分别计算M个行人候选区域在原始红外图像中的横坐标方向和纵坐标方向的梯度：G_x(x，y)＝H(x+1，y)‑H(x‑1，y)G_y(x，y)＝H(x，y+1)‑H(x，y‑1)其中，G_x(x，y)和G_y(x，y)分别为行人候选区域中像素点(x，y)的横坐标方向和纵坐标方向的梯度，H(x，y)为该像素点(x，y)的像素值；分别计算行人候选区域中每个像素点(x，y)的梯度幅值G(x，y)和梯度方向α(x，y)：$G(x,y)=\sqrt{G_x{(x,y)}^2+G_y{(x,y)}^2}$$\mathrm{\α}(x,y)={\tan }^{-1}\left(\frac{G_y(x,y)}{G_x(x,y)}\right)$(6‑2)将行人候选区域分成多个单元格，将每个单元格的梯度方向360度分成9个方向块，分别对每个单元格内的每个像素点(x，y)按照梯度方向在直方图中进行加权投影，得到与多个单元格相对应的多个9维特征向量；(6‑3)将行人候选区域内的多个单元格组合成空间上连通的多个块，块与块之间互有重叠区域，将同一个块内的多个单元格的9维特征向量串联，得到该块的方向梯度直方图特征，对多个块的方向梯度直方图特征进行归一化处理，将归一化处理后的多个块的方向梯度直方图特征作为该行人候选区域的方向梯度直方图特征；(6‑4)重复步骤(6‑1)～步骤(6‑3)，得到M个行人候选区域的方向梯度直方图特征；(7)利用极限学习机，对M个行人候选区域的方向梯度直方图特征进行检测，得到检测结果，具体过程如下：(7‑1)将上述M个行人候选区域的方向梯度直方图特征作为测试样本，利用下式，计算测试样本的输出隐藏层矩阵H及输出权重矩阵β：.........G(xM;c1,a1)...G(xM;cM~,aM~)]]>β＝H⁺T其中，x₁，...，x_M为M个行人候选区域的方向梯度直方图特征，c_i和a_i为任意设定的权重和阈值，为隐藏节点数量，G为极限学习机的激励函数，H⁺为隐藏层输出矩阵H的广义逆矩阵；(7‑2)通过判断函数f(x)，对原始红外图像的行人候选区域进行判定：$f\left(x\right)=\mathrm{sign}\left(h\left(x\right)H^T{(\frac{I}{c}+{\mathrm{HH}}^T)}^{-1}T\right),$若f(x)＝1，则判定原始红外图像中的行人候选区域包含行人，若f(x)＝‑1，则判定原始红外图像中的行人候选区域不包含行人，其中，