CN103605966A - 一种识别行人的方法和装置 - Google Patents

Abstract

本发明公开了一种识别行人的方法和装置，属于计算机视觉领域。所述方法包括：将待检测图像中的灰度值进行连接，生成所述待检测图像的灰度对应的向量，计算所述向量与标准行人矩阵之间的第一近似向量以及所述向量与标准非行人矩阵之间的第二近似向量，计算所述向量与所述第一近似向量之间的第一欧氏距离以及所述向量与所述第二近似向量之间的第二欧氏距离；根据所述第一欧氏距离和所述第二欧氏距离判断所述待检测图像中是否包含行人。所述装置包括：第一生成模块、第一计算模块、第二计算模块和判断模块。本发明中的识别方法简单，且在光照变化或者行人姿势变化等复杂条件下，取得了较高的识别率，非常适合在车载等实际场合应用。

Description

一种识别行人的方法和装置

技术领域

本发明涉及计算机视觉领域，特别涉及一种识别行人的方法和装置。

背景技术

随着汽车的日益普及，道路交通事故成为意外死亡和致残的重要原因之一，快速准确识别行人并及时避开行人可以有效地减少道路交通事故的发生。因此，识别行人的方法成为汽车安全领域重要的研究课题。

目前采用的识别行人的方法为：获取待检测图像，该待检测图像为车辆传感器拍摄车辆周围环境得到的图像；提取待检测图像中包括的物体的外观特征，其中，外观特征可以为物体形状、高度、宽度等，事先训练一个分类器，该分类器中存储行人的分类模型；计算待检测图像中包括的物体的外观特征与分类器中已存储的分类模型的置信度，如果该置信度大于预设阈值时，确定出待检测图像中包括行人；如果该置信度不大于预设阈值时，确定出待检测图像中不包括行人。

在实现本发明的过程中，发明人发现现有技术至少存在以下问题：

提取待检测图像中包括的物体的外观特征和训练分类器会耗费大量时间。并且，当行人姿势变化时，待检测图像中包括的物体的外观特征就会发生变化，根据待检测图像中包括的物体的外观特征识别行人可能不准确，造成现有的识别行人的方法的识别率较低。

发明内容

为了使解决现有技术的问题，本发明提供了一种识别行人的方法和装置。所述技术方案如下：

一方面，本发明提供了一种识别行人的方法，所述方法包括：

将待检测图像中的灰度值进行连接，生成所述待检测图像的灰度对应的向量，所述待检测图像为车辆传感器拍摄车辆周围环境得到的图像；

计算所述向量与标准行人矩阵之间的第一近似向量以及所述向量与标准非行人矩阵之间的第二近似向量，所述标准行人矩阵包括第一预设数值个标准行人向量；所述标准非行人矩阵包括第二预设数值个标准非行人向量；所述标准行人向量为将包含行人的图像中的灰度值进行连接得到的向量，所述标准非行人向量为将包含非行人的图像中的灰度值进行连接得到的向量；

计算所述向量与所述第一近似向量之间的第一欧氏距离以及所述向量与所述第二近似向量之间的第二欧氏距离；

根据所述第一欧氏距离和所述第二欧氏距离判断所述待检测图像中是否包含行人。

进一步地，所述将待检测图像中的灰度值进行连接，生成所述待检测图像的灰度对应的向量之前，所述方法还包括：

获取所述第一预设数值张包括行人的行人训练图像；将所述行人训练图像进行灰度变换，得到所述行人训练图像的灰度图像；对所述行人训练图像的灰度图像进行下采样；将所述采样后的行人训练图像的灰度图像的灰度值进行归一化处理，并将所述经归一化处理后的灰度图像的灰度坐标进行连接，生成所述标准行人向量；将第一预设数值个标准行人向量进行叠放，生成所述标准行人矩阵；

获取所述第二预设数值张不包括行人的非行人训练图像；将所述非行人训练图像进行灰度变换，得到所述非行人训练图像的灰度图像；对所述非行人训练图像的灰度图像进行下采样；将所述采样后的非行人训练图像的灰度图像的灰度值进行归一化处理，并将所述经归一化处理后的灰度图像的灰度坐标进行连接，生成所述标准非行人向量；将第二预设数值个标准非行人向量进行叠放，生成所述标准非行人矩阵。

进一步地，所述将待检测图像中的灰度值进行连接，生成所述待检测图像的灰度对应的向量，包括：

接收所述车辆传感器发送的所述待检测图像；将所述待检测图像进行灰度转换，得到所述待检测图像的灰度图像；对所述待检测图像的灰度图像进行下采样；将所述采样后的待检测图像的灰度图像的灰度值进行归一化处理，并将所述经归一化处理后的灰度图像的灰度坐标进行连接，生成所述待检测图像的灰度对应的向量；或者，

接收所述车辆传感器发送的所述待检测图像；将所述待检测图像进行灰度转换，得到所述待检测图像的灰度图像；对所述待检测图像的灰度图像进行下采样；将所述采样后的待检测图像的灰度图像的灰度值进行归一化处理，并将所述经归一化处理后的灰度图像进行分块处理，得到至少两个待检测子图像；将所述待检测子图像的灰度坐标进行连接，生成所述待检测子图像的灰度对应的向量；将所述待检测子图像的灰度对应的向量作为所述待检测图像的灰度对应的向量。

进一步地，所述计算所述向量与标准行人矩阵之间的第一近似向量，包括：

将所述标准行人矩阵的转置矩阵与所述标准行人矩阵进行点乘，得到第一点乘结果；

将所述第一点乘结果的逆矩阵、所述标准行人矩阵的转置矩阵、所述向量以及所述标准行人矩阵进行点乘，得到所述第一近似向量；

相应的，所述计算所述向量与标准非行人矩阵之间的第二近似向量，包括：

将所述标准非行人矩阵的转置矩阵与所述标准非行人矩阵进行点乘，得到第二点乘结果；

将所述第二点乘结果的逆矩阵、所述标准非行人矩阵的转置矩阵、所述向量以及所述标准非行人矩阵进行点乘，得到所述第二近似向量。

进一步地，所述根据所述第一欧氏距离和所述第二欧氏距离判断所述待检测图像中是否包含行人，包括：

判断所述第一欧氏距离是否大于所述第二欧氏距离；

如果是，确定出所述待检测图像中包含行人。

另一方面，本发明实施例提供了一种识别行人的装置，所述装置包括：

第一生成模块，用于将待检测图像中的灰度值进行连接，生成所述待检测图像的灰度对应的向量，所述待检测图像为车辆传感器拍摄车辆周围环境得到的图像；

第一计算模块，用于计算所述向量与标准行人矩阵之间的第一近似向量以及所述向量与标准非行人矩阵之间的第二近似向量，所述标准行人矩阵包括第一预设数值个标准行人向量；所述标准非行人矩阵包括第二预设数值个标准非行人向量；所述标准行人向量为将包含行人的图像中的灰度值进行连接得到的向量，所述标准非行人向量为将包含非行人的图像中的灰度值进行连接得到的向量；

第二计算模块，用于计算所述向量与所述第一近似向量之间的第一欧氏距离以及所述向量与所述第二近似向量之间的第二欧氏距离；

判断模块，用于根据所述第一欧氏距离和所述第二欧氏距离判断所述待检测图像中是否包含行人。

进一步地，所述装置还包括：

第二生成模块，用于获取所述第一预设数值张包括行人的行人训练图像；将所述行人训练图像进行灰度变换，得到所述行人训练图像的灰度图像；对所述行人训练图像的灰度图像进行下采样；将所述采样后的行人训练图像的灰度图像的灰度值进行归一化处理，并将所述经归一化处理后的灰度图像的灰度坐标进行连接，生成所述标准行人向量；将第一预设数值个标准行人向量进行叠放，生成所述标准行人矩阵；

第三生成模块，用于获取所述第二预设数值张不包括行人的非行人训练图像；将所述非行人训练图像进行灰度变换，得到所述非行人训练图像的灰度图像；对所述非行人训练图像的灰度图像进行下采样；将所述采样后的非行人训练图像的灰度图像的灰度值进行归一化处理，并将所述经归一化处理后的灰度图像的灰度坐标进行连接，生成所述标准非行人向量；将第二预设数值个标准非行人向量进行叠放，生成所述标准非行人矩阵。

进一步地，所述第一生成模块，用于接收所述车辆传感器发送的所述待检测图像；将所述待检测图像进行灰度转换，得到所述待检测图像的灰度图像；对所述待检测图像的灰度图像进行下采样；将所述采样后的待检测图像的灰度图像的灰度值进行归一化处理，并将所述经归一化处理后的灰度图像的灰度坐标进行连接，生成所述待检测图像的灰度对应的向量；或者，

所述第一生成模块，用于接收所述车辆传感器发送的所述待检测图像；将所述待检测图像进行灰度转换，得到所述待检测图像的灰度图像；对所述待检测图像的灰度图像进行下采样；将所述采样后的待检测图像的灰度图像的灰度值进行归一化处理，并将所述经归一化处理后的灰度图像进行分块处理，得到至少两个待检测子图像；将所述待检测子图像的灰度坐标进行连接，生成所述待检测子图像的灰度对应的向量；将所述待检测子图像的灰度对应的向量作为所述待检测图像的灰度对应的向量。

进一步地，所述第一计算模块，用于将所述标准行人矩阵的转置矩阵与所述标准行人矩阵进行点乘，得到第一点乘结果；将所述第一点乘结果的逆矩阵、所述标准行人矩阵的转置矩阵、所述向量以及所述标准行人矩阵进行点乘，得到所述第一近似向量；

所述第一计算模块，还用于将所述标准非行人矩阵的转置矩阵与所述标准非行人矩阵进行点乘，得到第二点乘结果；将所述第二点乘结果的逆矩阵、所述标准非行人矩阵的转置矩阵、所述向量以及所述标准非行人矩阵进行点乘，得到所述第二近似向量。

进一步地，所述判断模块，包括：

判断单元，用于判断所述第一欧氏距离是否大于所述第二欧氏距离；

如果是，确定单元，用于确定出所述待检测图像中包含行人。

在本发明实施例中，计算待检测图像的灰度对应的向量与标准行人向量之间的第一近似向量以及待检测图像的灰度对应的向量与标准非行人向量之间的第二近似向量；根据第一近似向量和第二近似向量计算待检测图像的灰度对应的向量与第一近似向量之间的第一欧氏距离以及待检测图像的灰度对应的向量与第二近似向量之间的第二欧氏距离；根据第一欧氏距离和第二欧氏距离判断待检测图像中是否包含行人，识别方法简单；并且，在光照变化或者行人姿势变化等复杂条件下，取得了较高的识别率，非常适合在车载等实际场合应用。

附图说明

为了更清楚地说明本发明实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1是本发明实施例1提供的一种识别行人的方法流程图；

图2是本发明实施例2提供的一种识别行人的方法流程图；

图3是本发明实施例3提供的一种识别行人的装置结构示意图。

具体实施方式

为使本发明的目的、技术方案和优点更加清楚，下面将结合附图对本发明实施方式作进一步地详细描述。

实施例1

本发明实施例提供了一种识别行人的方法。参见图1，其中，该方法包括：

步骤101：将待检测图像中的灰度值进行连接，生成待检测图像的灰度对应的向量，该待检测图像为车辆传感器拍摄车辆周围环境得到的图像；

步骤102：计算向量与标准行人矩阵之间的第一近似向量以及向量与标准非行人矩阵之间的第二近似向量，标准行人矩阵包括第一预设数值个标准行人向量；标准非行人矩阵包括第二预设数值个标准非行人向量；标准行人向量为将包含行人的图像中的灰度值进行连接得到的向量，标准非行人向量为将包含非行人的图像中的灰度值进行连接得到的向量；

步骤103：计算该向量与第一近似向量之间的第一欧氏距离以及该向量与第二近似向量之间的第二欧氏距离；

步骤104：根据第一欧氏距离和第二欧氏距离判断待检测图像中是否包含行人。

在本发明实施例中，计算待检测图像的灰度对应的向量与标准行人向量之间的第一近似向量以及待检测图像的灰度对应的向量与标准非行人向量之间的第二近似向量；根据第一近似向量和第二近似向量计算待检测图像的灰度对应的向量与第一近似向量之间的第一欧氏距离以及待检测图像的灰度对应的向量与第二近似向量之间的第二欧氏距离；根据第一欧氏距离和第二欧氏距离判断待检测图像中是否包含行人，识别方法简单；并且，在光照变化或者行人姿势变化等复杂条件下，取得了较高的识别率，非常适合在车载等实际场合应用。

实施例2

本发明实施例提供了一种识别行人的方法。参见图2，其中，该方法包括：

步骤201：生成标准行人矩阵和标准非行人矩阵；

其中，标准行人矩阵包括第一预设数值个标准行人向量；标准非行人矩阵包括第二预设数值个标准非行人向量。标准行人向量为将包含行人的图像中的灰度值进行连接得到的向量，标准非行人向量为将包含非行人的图像中的灰度值进行连接得到的向量。

其中，步骤201中生成标准行人矩阵的步骤可以包括如下步骤（1）至（5）：

（1）、获取第一预设数值张包括行人的行人训练图像；

其中，第一预设数值为大于1的任一整数；且第一预设数值可以根据需要进行设置并更改，在本发明实施例中，对第一预设数值不做具体限定。

（2）、将行人训练图像进行灰度变换，得到行人训练图像的灰度图像；

其中，行人训练图像为彩色图像，对每个行人训练图像进行彩色到灰度的灰度变换，得到每个行人训练图像的灰度图像。

其中，对行人训练图像进行彩色到灰度的灰度变换的步骤，可以为：

将行人训练图像中的红、绿和蓝三种像素的灰度值求平均值。

其中，每个行人训练图像的图像大小相同；例如，图像大小为a×b，并且第一预设数值n张包括行人的行人训练图像可以表示为

m取为1，2，……n。

（3）、对行人训练图像的灰度图像进行下采样；

具体地，对每个行人训练图像中的灰度图像进行下采样，大小变为c×d。

（4）、将采样后的行人训练图像的灰度图像的灰度值进行归一化处理，并将经归一化处理后的灰度图像的灰度坐标进行连接，生成标准行人向量；

具体地，将每个采样后的行人训练图像的灰度图像的灰度值进行标准化使得最大的像素值变为1，将经归一化处理后的灰度图像的灰度坐标中的所有列连接起来形成一个标准行人向量。

（5）、将第一预设数值个标准行人向量进行叠放，生成标准行人矩阵。

其中，步骤201中生成标准非行人矩阵的步骤可以包括如下步骤（1）至（5）：

（1）、获取第二预设数值张不包括行人的非行人训练图像；

其中，第二预设数值为大于1的任一整数；且第二预设数值可以等于第一预设数值，第二预设数值也可以不等于第一预设阈值；第二预设数值可以根据需要进行设置并更改，在本发明实施例中，对第二预设数值不做具体限定。

其中，需要说明的是，非行人训练图像为包括非行人的图像。

（2）、将非行人训练图像进行灰度变换，得到非行人训练图像的灰度图像；

其中，非行人训练图像为彩色图像，对每个非行人训练图像进行彩色到灰度的灰度变换，得到每个非行人训练图像的灰度图像。

其中，对非行人训练图像进行彩色到灰度的灰度变换的步骤，可以为：

将非行人训练图像中的红、绿和蓝三种像素的灰度值求平均值。

其中，每个非行人训练图像的图像大小相同；例如，图像大小也为a×b，并且第二预设数值p张不包括行人的非行人训练图像可以表示为

m取为1，2，……p。

（3）、对非行人训练图像的灰度图像进行下采样；

具体地，对每个非行人训练图像中的灰度图像进行下采样，大小变为c×d。

（4）、将采样后的非行人训练图像的灰度图像的灰度值进行归一化处理，并将经归一化处理后的灰度图像的灰度坐标进行连接，生成标准非行人向量；

具体地，将每个采样后的非行人训练图像的灰度图像的灰度值进行标准化使得最大的像素值变为1，将经归一化处理后的灰度图像的灰度坐标中的所有列连接起来形成一个标准非行人向量。

（5）、将第二预设数值个标准非行人向量进行叠放，生成标准非行人矩阵。

步骤202：获取待检测图像，将待检测图像中的灰度值进行连接，生成待检测图像的灰度对应的向量；

其中，待检测图像为车辆传感器拍摄车辆周围环境得到的图像。

其中，步骤202可以包括如下步骤（1）至（4）：

（1）、接收车辆传感器发送的待检测图像；

其中，车辆传感器实时拍摄车辆的周围环境，得到待检测图像；并将待检测图像发送给车辆识别模块，车辆识别模块接收车辆传感器发送的待检测图像。

（2）、将待检测图像进行灰度转换，得到待检测图像的灰度图像；

其中，待检测图像为彩色图像，对待检测图像进行彩色到灰度的灰度变换。得到待检测图像的灰度图像。

其中，对待检测图像进行彩色到灰度的灰度变换的步骤，可以为：

将待检测图像中的红、绿和蓝三种像素的灰度值求平均值。

其中，在步骤（2）之前，可以对待检测图像的图像大小进行放大或者缩小处理，得到不同图像大小的待检测图像。

具体地，将待检测图像的图像大小乘以系数q，得到不同图像大小的待检测图像。

其中，q为大于0且不等于1的任意数；当q取0到1之间的任意数时，是对待检测图像进行缩小处理；当q取大于1的任意数时，是对待检测图像进行放大处理。优选地，q取0.4～1.2之间的任意数。

其中，当对待检测图像的图像大小进行放大或者缩小处理时，对不同图像大小的待检测图像进行灰度转换，得到不同图像大小的待检测图像的灰度图像。

（3）、对待检测图像的灰度图像进行下采样；

具体地，对不同图像大小的待检测图像的灰度图像进行下采样。

（4）、将采样后的待检测图像的灰度图像的灰度值进行归一化处理，并将经归一化处理后的灰度图像的灰度坐标进行连接，生成待检测图像的灰度对应的向量；

其中，步骤（4）还可以为：将采样后的待检测图像的灰度图像的灰度值进行归一化处理，并将经归一化处理后的灰度图像进行分块处理，得到至少两个待检测子图像；将待检测子图像的灰度坐标进行连接，生成待检测子图像的灰度对应的向量；将待检测子图像的灰度对应的向量作为待检测图像的灰度对应的向量。

其中，将经归一化处理后的灰度图像进行分块处理，得到至少两个待检测子图像的步骤，可以为：

将经归一化处理后的灰度图像进行滑窗处理，得到至少两个待检测子图像；例如，在经归一化处理后的灰度图像上以之字型滑动，步长为16，得到至少两个待检测子图像。

其中，需要说明的是，需要对不同图像大小的待检测图像进行灰度转换，得到每一个图像大小的待检测图像的灰度图像；对每一个图像大小的待检测图像的灰度图像进行下采样，并采样后的每一个图像大小的待检测图像的灰度图像的灰度值进行归一化处理，并将归一化处理后的灰度图像的灰度坐标进行连接，生成每一个图像大小的待检测图像的灰度对应的向量。

步骤203：计算该向量与标准行人矩阵之间的第一近似向量以及该向量与标准非行人矩阵之间的第二近似向量；

其中，步骤203中计算该向量与标准行人矩阵之间的第一近似向量的步骤可以包括如下步骤（1）至（2）：

（1）、将标准行人矩阵的转置矩阵与标准行人矩阵进行点乘，得到第一点乘结果；

（2）、将第一点乘结果的逆矩阵、标准行人矩阵的转置矩阵、该向量以及标准行人矩阵进行点乘，得到第一近似向量。

其中，步骤203中计算该向量与标准非行人矩阵之间的第二近似向量的步骤可以包括如下步骤（1）至（2）：

（1）、将标准非行人矩阵的转置矩阵与标准非行人矩阵进行点乘，得到第二点乘结果；

（2）、将第二点乘结果的逆矩阵、标准非行人矩阵的转置向量、该向量以及标准非行人矩阵进行点乘，得到第二近似向量。

步骤204：计算该向量与第一近似向量之间的第一欧氏距离以及该向量与第二近似向量之间的第二欧氏距离；

其中，欧氏距离d的计算方法可以为：d=sqrt(∑（xi1-xi2）^{^2}）。

其中，xi1表示第一个点的第i维坐标；xi2表示第二个点的第i维坐标；例如，在二维欧氏空间中，欧氏距离d=sqrt（（x1-x2）^{^2}+（y1-y2）^{^2}）；在三维欧氏空间中，欧氏距离d=sqrt（（x1-x2）^{^2}+（y1-y2）^{^2}+（z1-z2）^{^2}）。

步骤205：根据第一欧氏距离和第二欧氏距离判断待检测图像中是否包含行人；

具体地，判断第一欧氏距离是否大于第二欧氏距离；如果第一欧氏距离大于第二欧氏距离，确定出待检测图像中包含行人；如果第一欧氏距离不大于第二欧氏距离，确定出待检测图像中不包含行人。

其中，需要说明的是，当确定出待检测子图像中包含行人时，采用非极大抑制算法对待检测子图像重复检查部分进行滤除。也即如果第一待检测子图像和第二待检测子图像中均包含行人，且，第一待检测子图像和第二待检测子图像为相邻子图像；则判断第一待检测子图像对应的第一欧氏距离和第二待检测子图像对应的第一欧氏距离，如果第一待检测子图像对应的第一欧氏距离大于第二待检测子图像对应的第一欧氏距离，确定出第一待检测子图像中包含行人，第二待检测子图像中不包含行人；如果第一待检测子图像对应的第一欧氏距离不大于第二待检测子图像对应的第一欧氏距离，确定出第二待检测子图像中包含行人，第一待检测子图像中不包含行人。

步骤206：如果待检测图像中包含行人，在待检测图像中标记行人。

在本发明实施例中，计算待检测图像的灰度对应的向量与标准行人向量之间的第一近似向量以及待检测图像的灰度对应的向量与标准非行人向量之间的第二近似向量；根据第一近似向量和第二近似向量计算待检测图像的灰度对应的向量与第一近似向量之间的第一欧氏距离以及待检测图像的灰度对应的向量与第二近似向量之间的第二欧氏距离；根据第一欧氏距离和第二欧氏距离判断待检测图像中是否包含行人，识别方法简单；并且，在光照变化或者行人姿势变化等复杂条件下，取得了较高的识别率，非常适合在车载等实际场合应用。

实施例3

本发明实施例提供了一种识别行人的装置。参见图3，其中，该装置包括：

第一生成模块301，用于将待检测图像中的灰度值进行连接，生成待检测图像的灰度对应的向量，待检测图像为车辆传感器拍摄车辆周围环境得到的图像；

第一计算模块302，用于计算向量与标准行人矩阵之间的第一近似向量以及向量与标准非行人矩阵之间的第二近似向量，标准行人矩阵包括第一预设数值个标准行人向量；标准非行人矩阵包括第二预设数值个标准非行人向量；标准行人向量为将包含行人的图像中的灰度值进行连接得到的向量，标准非行人向量为将包含非行人的图像中的灰度值进行连接得到的向量；

第二计算模块303，用于计算向量与第一近似向量之间的第一欧氏距离以及向量与第二近似向量之间的第二欧氏距离；

判断模块304，用于根据第一欧氏距离和第二欧氏距离判断待检测图像中是否包含行人。

进一步地，装置还包括：

第二生成模块，用于获取第一预设数值张包括行人的行人训练图像；将行人训练图像进行灰度变换，得到行人训练图像的灰度图像；对行人训练图像的灰度图像进行下采样；将采样后的行人训练图像的灰度图像的灰度值进行归一化处理，并将经归一化处理后的灰度图像的灰度坐标进行连接，生成标准行人向量；将第一预设数值个标准行人向量进行叠放，生成标准行人矩阵；

第三生成模块，用于获取第二预设数值张不包括行人的非行人训练图像；将非行人训练图像进行灰度变换，得到非行人训练图像的灰度图像；对非行人训练图像的灰度图像进行下采样；将采样后的非行人训练图像的灰度图像的灰度值进行归一化处理，并将经归一化处理后的灰度图像的灰度坐标进行连接，生成标准非行人向量；将第二预设数值个标准非行人向量进行叠放，生成标准非行人矩阵。

进一步地，第一生成模块301，用于接收车辆传感器发送的待检测图像；将待检测图像进行灰度转换，得到待检测图像的灰度图像；对待检测图像的灰度图像进行下采样；将采样后的待检测图像的灰度图像的灰度值进行归一化处理，并将经归一化处理后的灰度图像的灰度坐标进行连接，生成待检测图像的灰度对应的向量；或者，

第一生成模块301，用于接收车辆传感器发送的待检测图像；将待检测图像进行灰度转换，得到待检测图像的灰度图像；对待检测图像的灰度图像进行下采样；将采样后的待检测图像的灰度图像的灰度值进行归一化处理，并将经归一化处理后的灰度图像进行分块处理，得到至少两个待检测子图像；将待检测子图像的灰度坐标进行连接，生成待检测子图像的灰度对应的向量；将待检测子图像的灰度对应的向量作为待检测图像的灰度对应的向量。

进一步地，第一计算模块302，用于将标准行人矩阵的转置矩阵与标准行人矩阵进行点乘，得到第一点乘结果；将第一点乘结果的逆矩阵、标准行人矩阵的转置矩阵、向量以及标准行人矩阵进行点乘，得到第一近似向量；

第一计算模块302，还用于将标准非行人矩阵的转置矩阵与标准非行人矩阵进行点乘，得到第二点乘结果；将第二点乘结果的逆矩阵、标准非行人矩阵的转置矩阵、向量以及标准非行人矩阵进行点乘，得到第二近似向量。

进一步地，判断模块304，包括：

判断单元，用于判断第一欧氏距离是否大于第二欧氏距离；

如果是，确定单元，用于确定出待检测图像中包含行人。

在本发明实施例中，计算待检测图像的灰度对应的向量与标准行人向量之间的第一近似向量以及待检测图像的灰度对应的向量与标准非行人向量之间的第二近似向量；根据第一近似向量和第二近似向量计算待检测图像的灰度对应的向量与第一近似向量之间的第一欧氏距离以及待检测图像的灰度对应的向量与第二近似向量之间的第二欧氏距离；根据第一欧氏距离和第二欧氏距离判断待检测图像中是否包含行人，识别方法简单；并且，在光照变化或者行人姿势变化等复杂条件下，取得了较高的识别率，非常适合在车载等实际场合应用。

需要说明的是：上述实施例提供的识别行人的装置在识别行人时，仅以上述各功能模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能模块完成，即将装置的内部结构划分成不同的功能模块，以完成以上描述的全部或者部分功能。另外，上述实施例提供的识别行人的装置与识别行人的方法实施例属于同一构思，其具体实现过程详见方法实施例，这里不再赘述。

本领域普通技术人员可以理解实现上述实施例的全部或部分步骤可以通过硬件来完成，也可以通过程序来指令相关的硬件完成，所述的程序可以存储于一种计算机可读存储介质中，上述提到的存储介质可以是只读存储器，磁盘或光盘等。

以上所述仅为本发明的较佳实施例，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (10)

1.一种识别行人的方法，其特征在于，所述方法包括：

将待检测图像中的灰度值进行连接，生成所述待检测图像的灰度对应的向量，所述待检测图像为车辆传感器拍摄车辆周围环境得到的图像；

计算所述向量与标准行人矩阵之间的第一近似向量以及所述向量与标准非行人矩阵之间的第二近似向量，所述标准行人矩阵包括第一预设数值个标准行人向量；所述标准非行人矩阵包括第二预设数值个标准非行人向量；所述标准行人向量为将包含行人的图像中的灰度值进行连接得到的向量，所述标准非行人向量为将包含非行人的图像中的灰度值进行连接得到的向量；

计算所述向量与所述第一近似向量之间的第一欧氏距离以及所述向量与所述第二近似向量之间的第二欧氏距离；

根据所述第一欧氏距离和所述第二欧氏距离判断所述待检测图像中是否包含行人。

2.如权利要求1所述的方法，其特征在于，所述将待检测图像中的灰度值进行连接，生成所述待检测图像的灰度对应的向量之前，所述方法还包括：

获取所述第一预设数值张包括行人的行人训练图像；将所述行人训练图像进行灰度变换，得到所述行人训练图像的灰度图像；对所述行人训练图像的灰度图像进行下采样；将所述采样后的行人训练图像的灰度图像的灰度值进行归一化处理，并将所述经归一化处理后的灰度图像的灰度坐标进行连接，生成所述标准行人向量；将第一预设数值个标准行人向量进行叠放，生成所述标准行人矩阵；

获取所述第二预设数值张不包括行人的非行人训练图像；将所述非行人训练图像进行灰度变换，得到所述非行人训练图像的灰度图像；对所述非行人训练图像的灰度图像进行下采样；将所述采样后的非行人训练图像的灰度图像的灰度值进行归一化处理，并将所述经归一化处理后的灰度图像的灰度坐标进行连接，生成所述标准非行人向量；将第二预设数值个标准非行人向量进行叠放，生成所述标准非行人矩阵。

3.如权利要求1所述的方法，其特征在于，所述将待检测图像中的灰度值进行连接，生成所述待检测图像的灰度对应的向量，包括：

接收所述车辆传感器发送的所述待检测图像；将所述待检测图像进行灰度转换，得到所述待检测图像的灰度图像；对所述待检测图像的灰度图像进行下采样；将所述采样后的待检测图像的灰度图像的灰度值进行归一化处理，并将所述经归一化处理后的灰度图像的灰度坐标进行连接，生成所述待检测图像的灰度对应的向量；或者，

接收所述车辆传感器发送的所述待检测图像；将所述待检测图像进行灰度转换，得到所述待检测图像的灰度图像；对所述待检测图像的灰度图像进行下采样；将所述采样后的待检测图像的灰度图像的灰度值进行归一化处理，并将所述经归一化处理后的灰度图像进行分块处理，得到至少两个待检测子图像；将所述待检测子图像的灰度坐标进行连接，生成所述待检测子图像的灰度对应的向量；将所述待检测子图像的灰度对应的向量作为所述待检测图像的灰度对应的向量。

4.如权利要求1所述的方法，其特征在于，所述计算所述向量与标准行人矩阵之间的第一近似向量，包括：

将所述标准行人矩阵的转置矩阵与所述标准行人矩阵进行点乘，得到第一点乘结果；

将所述第一点乘结果的逆矩阵、所述标准行人矩阵的转置矩阵、所述向量以及所述标准行人矩阵进行点乘，得到所述第一近似向量；

相应的，所述计算所述向量与标准非行人矩阵之间的第二近似向量，包括：

将所述标准非行人矩阵的转置矩阵与所述标准非行人矩阵进行点乘，得到第二点乘结果；

将所述第二点乘结果的逆矩阵、所述标准非行人矩阵的转置矩阵、所述向量以及所述标准非行人矩阵进行点乘，得到所述第二近似向量。

5.如权利要求1所述的方法，其特征在于，所述根据所述第一欧氏距离和所述第二欧氏距离判断所述待检测图像中是否包含行人，包括：

判断所述第一欧氏距离是否大于所述第二欧氏距离；

如果是，确定出所述待检测图像中包含行人。

6.一种识别行人的装置，其特征在于，所述装置包括：

第一生成模块，用于将待检测图像中的灰度值进行连接，生成所述待检测图像的灰度对应的向量，所述待检测图像为车辆传感器拍摄车辆周围环境得到的图像；

第一计算模块，用于计算所述向量与标准行人矩阵之间的第一近似向量以及所述向量与标准非行人矩阵之间的第二近似向量，所述标准行人矩阵包括第一预设数值个标准行人向量；所述标准非行人矩阵包括第二预设数值个标准非行人向量；所述标准行人向量为将包含行人的图像中的灰度值进行连接得到的向量，所述标准非行人向量为将包含非行人的图像中的灰度值进行连接得到的向量；

第二计算模块，用于计算所述向量与所述第一近似向量之间的第一欧氏距离以及所述向量与所述第二近似向量之间的第二欧氏距离；

判断模块，用于根据所述第一欧氏距离和所述第二欧氏距离判断所述待检测图像中是否包含行人。

7.如权利要求6所述的装置，其特征在于，所述装置还包括：

第二生成模块，用于获取所述第一预设数值张包括行人的行人训练图像；将所述行人训练图像进行灰度变换，得到所述行人训练图像的灰度图像；对所述行人训练图像的灰度图像进行下采样；将所述采样后的行人训练图像的灰度图像的灰度值进行归一化处理，并将所述经归一化处理后的灰度图像的灰度坐标进行连接，生成所述标准行人向量；将第一预设数值个标准行人向量进行叠放，生成所述标准行人矩阵；

第三生成模块，用于获取所述第二预设数值张不包括行人的非行人训练图像；将所述非行人训练图像进行灰度变换，得到所述非行人训练图像的灰度图像；对所述非行人训练图像的灰度图像进行下采样；将所述采样后的非行人训练图像的灰度图像的灰度值进行归一化处理，并将所述经归一化处理后的灰度图像的灰度坐标进行连接，生成所述标准非行人向量；将第二预设数值个标准非行人向量进行叠放，生成所述标准非行人矩阵。

8.如权利要求6所述的装置，其特征在于，

所述第一生成模块，用于接收所述车辆传感器发送的所述待检测图像；将所述待检测图像进行灰度转换，得到所述待检测图像的灰度图像；对所述待检测图像的灰度图像进行下采样；将所述采样后的待检测图像的灰度图像的灰度值进行归一化处理，并将所述经归一化处理后的灰度图像的灰度坐标进行连接，生成所述待检测图像的灰度对应的向量；或者，

所述第一生成模块，用于接收所述车辆传感器发送的所述待检测图像；将所述待检测图像进行灰度转换，得到所述待检测图像的灰度图像；对所述待检测图像的灰度图像进行下采样；将所述采样后的待检测图像的灰度图像的灰度值进行归一化处理，并将所述经归一化处理后的灰度图像进行分块处理，得到至少两个待检测子图像；将所述待检测子图像的灰度坐标进行连接，生成所述待检测子图像的灰度对应的向量；将所述待检测子图像的灰度对应的向量作为所述待检测图像的灰度对应的向量。

9.如权利要求6所述的装置，其特征在于，

所述第一计算模块，用于将所述标准行人矩阵的转置矩阵与所述标准行人矩阵进行点乘，得到第一点乘结果；将所述第一点乘结果的逆矩阵、所述标准行人矩阵的转置矩阵、所述向量以及所述标准行人矩阵进行点乘，得到所述第一近似向量；

所述第一计算模块，还用于将所述标准非行人矩阵的转置矩阵与所述标准非行人矩阵进行点乘，得到第二点乘结果；将所述第二点乘结果的逆矩阵、所述标准非行人矩阵的转置矩阵、所述向量以及所述标准非行人矩阵进行点乘，得到所述第二近似向量。

10.如权利要求6所述的装置，其特征在于，所述判断模块，包括：

判断单元，用于判断所述第一欧氏距离是否大于所述第二欧氏距离；

如果是，确定单元，用于确定出所述待检测图像中包含行人。

Images