CN104657717A - 一种基于分层核稀疏表示的行人检测方法 - Google Patents

Abstract

本发明公开了一种基于分层核稀疏表示的行人检测方法，其特征是按如下步骤进行：对采集的交通视频进行预处理，获得需要的正负样本，通过分层的子块划分，获得多尺度的特征向量，并构建两类字典矩阵；对待测的行人图像进行预处理，得到测试样本，用字典构建过程相同的方式进行行人特征提取，形成测试样本的特征向量；采用直方图交叉核函数，对测试样本的特征向量进行核稀疏分解，并在迭代解决过程中采用高斯函数加权，再通过重建误差实现行人检测。本发明可以获得较好的检测性能，有效提高了行人检测在部分遮挡情况下的准确性，增强了行人检测系统对于外观变化的鲁棒性。

Description

一种基于分层核稀疏表示的行人检测方法

技术领域

本发明属于智能交通领域，具体涉及一种基于分层核稀疏表示的行人检测方法。

背景技术

行人检测就是要把视频或者图像中出现的行人从背景中分割出来并精确定位，它在视频监控、智能驾驶等领域有着广泛的应用前景。但由于行人目标无论是在身材、衣着、姿势，还是在视角、光照方面都有着较大的变化，加之复杂的背景场景以及摄像头自身的移动和晃动，同时行人检测要求很高的精度和实时性，使得行人检测成为智能交通领域的最困难的课题之一。

目前行人检测系统一般分为外观特征提取和分类学习两部分，常用的外观特征如Harr小波，方向梯度直方图(Histograms of Oriented Gradient,HOG)，基于Gabor滤波器皮层特征、流形特征、形状特征和颜色特征等。常用的分类学习方法有Adaboost集成学习、支持向量机(Support Vector Machine,SVM)，神经网络(Neural Network,NN)。

在驾驶辅助系统等应用中对行人检测的准确性有较高要求，但现有方法一般采用固定的算法流程提取目标的全局特征，如方向梯度直方图实现方法是先将图像分成小的方格单元连通区域；然后采集方格单元中各像素点的梯度方向或边缘方向直方图；最后把这些直方图组合起来就可以构成特征描述子，这种固有流程提取的全局特征不能够适应场景与行人外观的快速变换。同时由于街道附属物，车辆、树木等形成的部分遮挡，也使得通过分类器训练得到的分类模型难以准确的分辨行人，现有方法难以稳定的处理部分遮挡，视角变换等复杂情况。

发明内容

本发明为克服上述现有技术中存在的问题，提出一种基于分层核稀疏表示的行人检测方法，以期能有效地克服行人外观形变与部分遮挡的影响，增强行人检测对于外观变化的鲁棒性，从而实现行人的高效检测。

本发明为解决技术问题采用如下技术方案：

本发明一种基于分层核稀疏表示的行人检测方法的特点是按如下步骤进行：

步骤1、字典构建：

步骤1.1、从交通视频中获取N幅样本图像，从所述N幅样本图像中提取比例为x:y的行人区域和非行人区域；x表示所述行人区域或非行人区域的宽；y表示所述行人区域或非行人区域的高；且x≤y；将所述行人区域和非行人区域进行大小为a×b的归一化处理，分别获得行人正样本和非行人负样本；

步骤1.2、分别从所述行人正样本和非行人负样本中选取n个行人正样本和n个行人负样本；并分别转换为n个行人正样本的灰度图和n个行人负样本的灰度图；

对所述n个行人正样本的灰度图和n个行人负样本的灰度图分别进行梯度计算，获得n个行人正样本的梯度幅值和n个行人负样本的梯度幅值；

由所述n个行人正样本的梯度幅值构成n个正样本的特征图；由n个行人负样本的梯度幅值构成n个负样本的特征图；

步骤1.3、从所述n个正样本的特征图和n个负样本的特征图中选出第j个样本，1≤j≤2n；对所述第j个样本进行三层划分，第一层以p₁×q₁进行划分，第二层以p₂×q₂进行划分，第三层以p₃×q₃进行划分，从而获得p₁×q₁+p₂×q₂+p₃×q₃＝M个子块，且p₁×q₁＞p₂×q₂＞p₃×q₃；

步骤1.4、对所述第j个样本的第i个子块进行CENTRIST直方图描述子的提取，获得所述第j个样本的第i个子的m维局部特征向量从而获得所述第j个样本的M个m维局部特征向量1≤i≤M；

将所述M个m维局部特征向量进行级联，获得第j个样本的特征向量x_j；从而获得2n个样本的特征向量{x₁,x₂,…,x_j,…,x_2n}；其中，特征向量{x₁,x₂,…,x_n}为正样本的特征向量；特征向量{x_n+1,x_n+2,…,x_2n}为负样本的特征向量；

步骤1.5、对所述正样本的特征向量{x₁,x₂,…,x_n}按列排序形成正样本字典X₀；对所述负样本的特征向量{x_n+1,x_n+2,…,x_2n}按列排序形成负样本字典X₁；由所述正样本字典X₀和负样本字典X₁构成字典X；由所述n个正样本或n个负样本中所有第i个子块构成的子字典记为第i个子字典X_i；

步骤2：行人检测：

步骤2.1、假设测试图像为I，对所述测试图像I进行尺度为u倍到v倍之间的G次缩放处理，获得G幅不同尺度的待检测图像{S₁,S₂,…,S_g,…S_G}，S_g表示第g幅待检测图像；1≤g≤G；u≥1；0＜v＜1；

步骤2.2、以a×b为检测窗对所述第g幅待检测图像S_g按照扫描步长为c的“Z”字型进行扫描获得若干个候选区域，记任意个候选区域为D；c∈[2,32]；

步骤2.3、对所述任意个候选区域D进行梯度计算，获得所述任意个候选区域D的梯度幅值；由所述任意个候选区域D的梯度幅值构成所述任意个候选区域D的特征图；对所述任意个候选区域D的特征图进行三层划分，从而获得所述任意个候选区域D的M个子块；对所述任意个候选区域D的每个子块进行CENTRIST直方图描述子的提取，从而获得M个m维局部特征向量{y₁,y₂,…,y_s,…,y_M}；y_s表示第s个子块所提取的m维局部特征向量；1≤s≤M；对所述M个m维局部特征向量{y₁,y₂,…,y_s,…,y_M}进行级联，获得所述任意个候选区域D的特征向量y；

步骤2.4、对所述任意个候选区域D的第s个子块利用式(1)进行加权核稀疏表示α_s：

$\underset{{\mathrm{\α}}_s}{\min }\{\underset{s=1}{\overset{M}{\mathrm{\Σ}}}{\mathrm{\ω}}_{s}k(y_s,y_s)+{\mathrm{\α}}_s^T\underset{s=1}{\overset{M}{\mathrm{\Σ}}}{\mathrm{\ω}}_{s}k(X_s,X_s){\mathrm{\α}}_s-2{\mathrm{\α}}_s^T\underset{s=1}{\overset{M}{\mathrm{\Σ}}}{\mathrm{\ω}}_{s}k(X_s,y_s)+\mathrm{\λ}{\left|\right|{\mathrm{\α}}_s\left|\right|}_1\}---\left(1\right)$

式(1)中，ω_s表示第s个子块的加权系数，k(·,·)表示直方图交叉核函数；X_s表示第s个子字典；λ表示正则化因子；

步骤2.5、利用式(2)计算第s个子块的重建误差e_s：

$e_s=k(y_s,y_s)+{\mathrm{\α}}_s^{T}k(X_s,X_s){\mathrm{\α}}_s-2{\mathrm{\α}}_s^{T}k(X_s,y_s)---\left(2\right)$

步骤2.6、利用式(3)所示的高斯加权函数计算第s个子块的加权系数ω_s：

${\mathrm{\ω}}_s=\frac{1}{\sqrt{2\mathrm{\π}{\mathrm{\σ}}^2}}\exp (-\frac{{e_s}^2}{2{\mathrm{\σ}}^2})---\left(3\right)$

式(3)中，σ表示高斯加权函数的方差；

步骤2.7、定义t为迭代次数，并初始化t＝1；令第t次迭代下的第s个子块的加权系数利用式(4)所示的汇聚条件获得第t次迭代下的第s个子块的加权系数和第s个子块的重建误差

$\underset{s=1}{\overset{M}{\mathrm{\&Sigma;}}}{({\mathrm{\&omega;}}_s^{\left(t\right)}-{\mathrm{\&omega;}}_s^{(t-1)})}^2/\underset{s=1}{\overset{M}{\mathrm{\&Sigma;}}}{\left({\mathrm{\&omega;}}_s^{(t-1)}\right)}^2<\mathrm{\&tau;}---\left(4\right)$

式(4)中，τ为迭代终止参数；

步骤2.8、利用所述第t次迭代下的所有子块的加权系数与重建误差的乘积和分别计算所述正样本字典X₀的总重建误差和负样本字典X₁的总重建误差；

步骤2.9、判断所述正样本字典X₀的总重建误差是否小于所述负样本字典X₁的总重建误差；若小于，则所述任意个候选区域D为行人区域；否则，所述任意个候选区域D为非行人区域；从而获得检测结果区域；进而获得所述第g幅待检测图像S_g中所有候选区域的检测结果区域；

步骤2.10、重复步骤2.2-步骤2.9，从而获得所述G幅不同尺度的待检测图像{S₁,S₂,…,S_g,…S_G}的所有检测结果区域；

步骤2.11、利用非极大抑制算法对所述所有检测结果区域中的重复的检测结果区域进行合并；从而输出行人区域。

与已有技术相比，本发明有益效果体现在：

1、本发明首先采用分层特征提取的方式，多尺度的提取图像的区分信息；然后选取典型的行人与非行人样本构成两类字典，不需要冗长的模型训练环节，提高了对不同场景的适应性；再次，采用加权核稀疏表示技术，充分利用嵌入在分层特征中的区分信息实现行人分类；最后，采用高斯模型有效测度行人的遮挡程度，自动降低遮挡对于检测性能的影响，从而解决了交通场景中外观形变与部分遮挡下的行人检测问题，提高行人检测的准确性，实现了行人的高效检测。

2、本发明采用分层特征提取的方式，将待测区域由密到疏划分成多个子块，从整体和局部多尺度的提取局部特征向量，构成可区分性的特征描述子，提高对外观形变和部分遮挡的适应能力。

3、本发明选取典型的行人与非行人样本，通过分层划分子块，提取每个子块的CENTRIST特征描述子构成样本的特征向量，级联构成两类字典，不需要冗长的模型训练环节，样本的多样性也提高了对不同场景的适应性。

4、本发明采用核稀疏表示分类算法提高了方法的分类性能，稀疏表示使得待测候选区域在两类字典上做映射，并通过重建误差的大小实现行人分类，直方图核函数可以有效提高数据在非线性条件下的可区分性。

5、本发明采用高斯模型有效测度行人的遮挡程度，在稀疏表示求解过程中，对重建误差大的子块赋以比较小的加权系数，通过加权系数来降低行人的遮挡部分的影响，有效提高了行人检测在部分遮挡情况下的准确性。

附图说明

图1为本发明行人检测方法的流程图；

图2(a)为本发明示例行人图像；

图2(d)为本发明基于特征图的分层划分的示例行人图像的4×3划分；

图2(c)为本发明基于特征图的分层划分的示例行人图像的3×2划分；

图2(d)为本发明基于特征图的分层划分的示例行人图像的2×2划分。

具体实施方式

如图1所示，一种基于分层核稀疏表示的行人检测方法是对采集的交通视频进行预处理，获得需要的正负样本，通过分层的子块划分，获得多尺度的特征向量，并构建两类字典矩阵；对待测的行人图像进行预处理，得到测试样本，用字典构建过程相同的方式进行行人特征提取，形成测试样本的特征向量；采用直方图交叉核函数，对测试样本的特征向量进行核稀疏分解，并在迭代解决过程中采用高斯函数加权，再通过重建误差实现行人检测；具体地说，是按如下步骤进行：

步骤1、字典构建：

步骤1.1、从车载图像采集设备中采集交通视频，并从中获取N幅样本图像，从N幅样本图像中提取比例为x:y的行人区域和非行人区域；x表示行人区域或非行人区域的宽；y表示行人区域或非行人区域的高；且x≤y，具体实施时，比例x:y可为3:1或2:1；将行人区域和非行人区域进行大小为a×b的归一化处理，具体实施时，归一化大小a×b可为108:36或128:64，从而分别获得行人正样本和非行人负样本；

步骤1.2、分别从行人正样本和非行人负样本中选取n个行人正样本和n个行人负样本；样本的选择尽可能多的覆盖各类型外观和视角的行人目标，并分别转换为n个行人正样本的灰度图和n个行人负样本的灰度图；

对n个行人正样本的灰度图和n个行人负样本的灰度图分别进行梯度计算，获得n个行人正样本的梯度幅值和n个行人负样本的梯度幅值；具体实施中，可以使用Sobel梯度计算，样本中任一像素的梯度幅值为X方向的梯度幅值加上Y方向的梯度幅值，其中X方向和Y方向的3×3的梯度算子分别为

${\left(\begin{array}{ccc}-1& -2& 1\\ 0& 0& 0\\ 1& 2& 1\end{array}\right)}_X,{\left(\begin{array}{ccc}-1& 0& 1\\ -2& 0& 2\\ -1& 0& 1\end{array}\right)}_Y$

由n个行人正样本的梯度幅值构成n个正样本的特征图；由n个行人负样本的梯度幅值构成n个负样本的特征图；特征图主要包含样本图像的边缘轮廓信息。

步骤1.3、从n个正样本的特征图和n个负样本的特征图中选出第j个样本，1≤j≤2n；对第j个样本进行三层划分，第一层以p₁×q₁进行划分，第二层以p₂×q₂进行划分，第三层以p₃×q₃进行划分，从而获得p₁×q₁+p₂×q₂+p₃×q₃＝M个子块，且p₁×q₁＞p₂×q₂＞p₃×q₃；

如图2(a)所示的一个正样本示例，对其做步骤1.2的处理后，第一层以4×3进行划分后，如图2(b)所示；第二层以3×2进行划分后，如图2(c)所示；第三层以2×2进行划分后，如图2(d)所示；从而获得22个子块。

步骤1.4、对第j个样本的第i个子块进行CENTRIST直方图描述子的提取，获得第j个样本的第i个子的m维局部特征向量从而获得第j个样本的M个m维局部特征向量1≤i≤M；

CENTRIST(Census Transform Histogram)是针对场景分类提出的一种新型特征描述子，能很好的描述物体的轮廓，具体实现可以参考吴建军在2011年IEEE模式识别与人工智能汇刊第8期发表的引入文章。

将M个m维局部特征向量进行级联，获得第j个样本的特征向量x_j；从而获得2n个样本的特征向量{x₁,x₂,…,x_j,…,x_2n}；其中，特征向量{x₁,x₂,…,x_n}为正样本的特征向量；特征向量{x_n+1,x_n+2,…,x_2n}为负样本的特征向量；

步骤1.5、对正样本的特征向量{x₁,x₂,…,x_n}按列排序形成正样本字典X₀；对负样本的特征向量{x_n+1,x_n+2,…,x_2n}按列排序形成负样本字典X₁；由正样本字典X₀和负样本字典X₁构成字典X；由n个正样本或n个负样本中所有第i个子块构成的子字典记为第i个子字典X_i；

构建的正负样本的字典以矩阵的形式表示，该矩阵的列数应大于行数，若CENTRIST直方图的维数是16，则要求n≥M×16。

步骤2：行人检测：

步骤2.1、假设测试图像为I，对测试图像I进行尺度为u倍到v倍之间的G次缩放处理，获得G幅不同尺度的待检测图像{S₁,S₂,…,S_g,…S_G}，S_g表示第g幅待检测图像；1≤g≤G；u≥1；0＜v＜1；

具体实施中，可以对测试图像为I进行尺度为1.2倍到0.4倍之间的9次缩放处理，获得9幅不同尺度的待检测图像，尺度缩放的原因是应对在测试图像中检测不同大小行人目标的需求。

步骤2.2、以a×b为检测窗对第g幅待检测图像S_g按照扫描步长为c的“Z”字型进行扫描获得若干个候选区域用于行人检测，记任意个候选区域为D；c∈[2,32]；本实施例中，扫描步长可取8或16。

步骤2.3、对任意个候选区域D进行梯度计算，获得任意个候选区域D的梯度幅值；由任意个候选区域D的梯度幅值构成任意个候选区域D的特征图；对任意个候选区域D的特征图进行三层划分，从而获得任意个候选区域D的M个子块；对任意个候选区域D的每个子块进行CENTRIST直方图描述子的提取，从而获得M个m维局部特征向量{y₁,y₂,…,y_s,…,y_M}；y_s表示第s个子块所提取的m维局部特征向量；1≤s≤M；对M个m维局部特征向量{y₁,y₂,…,y_s,…,y_M}进行级联，获得任意个候选区域D的特征向量y；

步骤2.4、对任意个候选区域D的第s个子块利用式(1)进行加权核稀疏表示α_s：

$\underset{{\mathrm{\&alpha;}}_s}{\min }\{\underset{s=1}{\overset{M}{\mathrm{\&Sigma;}}}{\mathrm{\&omega;}}_{s}k(y_s,y_s)+{\mathrm{\&alpha;}}_s^T\underset{s=1}{\overset{M}{\mathrm{\&Sigma;}}}{\mathrm{\&omega;}}_{s}k(X_s,X_s){\mathrm{\&alpha;}}_s-2{\mathrm{\&alpha;}}_s^T\underset{s=1}{\overset{M}{\mathrm{\&Sigma;}}}{\mathrm{\&omega;}}_{s}k(X_s,y_s)+\mathrm{\&lambda;}{\left|\right|{\mathrm{\&alpha;}}_s\left|\right|}_1\}---\left(1\right)$

式(1)中，ω_s表示第s个子块的加权系数，k(·,·)表示直方图交叉核函数；X_s表示第s个子字典；λ表示正则化因子；

式(1)的最优化是一个NP难问题，没有一个确定解，只能通过算法迭代获得，这里各子块加权系数ω_s的初始值为1，正则化因子λ可取0到1之间的数，本实例中其为0.3，直方图交叉核函数为：

k(u,v)＝∑min(u,v)

其中，u,v泛指任意向量或矩阵。

步骤2.5、利用式(2)计算第s个子块的重建误差e_s：

$e_s=k(y_s,y_s)+{\mathrm{\&alpha;}}_s^{T}k(X_s,X_s){\mathrm{\&alpha;}}_s-2{\mathrm{\&alpha;}}_s^{T}k(X_s,y_s)---\left(2\right)$

步骤2.6、利用式(3)所示的高斯加权函数计算第s个子块的加权系数ω_s：

${\mathrm{\&omega;}}_s=\frac{1}{\sqrt{2\mathrm{\&pi;}{\mathrm{\&sigma;}}^2}}\exp (-\frac{{e_s}^2}{2{\mathrm{\&sigma;}}^2})---\left(3\right)$

式(3)中，σ表示高斯加权函数的方差；高斯加权函数在0和1之间取值，所以方差σ＝0.4，若子块没有被遮挡，重建误差较小，加权系数接近于1，若子块遮挡严重时，重建误差较大，加权系数接近于0，这样处理降低了遮挡部分对检测结果的影响。

步骤2.7、定义t为迭代次数，并初始化t＝1；令第t次迭代下的第s个子块的加权系数利用式(4)所示的汇聚条件获得第t次迭代下的第s个子块的加权系数和第s个子块的重建误差

$\underset{s=1}{\overset{M}{\mathrm{\&Sigma;}}}{({\mathrm{\&omega;}}_s^{\left(t\right)}-{\mathrm{\&omega;}}_s^{(t-1)})}^2/\underset{s=1}{\overset{M}{\mathrm{\&Sigma;}}}{\left({\mathrm{\&omega;}}_s^{(t-1)}\right)}^2<\mathrm{\&tau;}---\left(4\right)$

式(4)中，τ为迭代终止参数；本实例中，τ＝0.005。

步骤2.8、利用第t次迭代下的所有子块的加权系数与重建误差的乘积和分别计算正样本字典X₀的总重建误差和负样本字典X₁的总重建误差；

步骤2.9、判断正样本字典X₀的总重建误差是否小于负样本字典X₁的总重建误差；若小于，则任意个候选区域D为行人区域；否则，任意个候选区域D为非行人区域；从而获得检测结果区域；进而获得第g幅待检测图像S_g中所有候选区域的检测结果区域；

步骤2.10、重复步骤2.2-步骤2.9，从而获得G幅不同尺度的待检测图像{S₁,S₂,…,S_g,…S_G}的所有检测结果区域；

步骤2.11、利用非极大抑制算法对所有检测结果区域中的重复的检测结果区域进行合并；从而输出行人区域。因所采用的检测窗口一般大于行人目标，所以在扫描形成的候选窗口可能有多个窗口都包含目标，为了保证输出结果的唯一性，所以采用非极大抑制算法对同一目标的多次检测结果进行合并，合并的原则是当检测出行人的若干候选区域重合度大于50％时，认为这些候选区域是对同一目标的多次响应，仅保留最小重建误差的候选区域(即与目标最大相似的候选区域)作为最终输出。

Claims (1)

1.一种基于分层核稀疏表示的行人检测方法，其特征是按如下步骤进行：

步骤1、字典构建：

步骤1.1、从交通视频中获取N幅样本图像，从所述N幅样本图像中提取比例为x:y的行人区域和非行人区域；x表示所述行人区域或非行人区域的宽；y表示所述行人区域或非行人区域的高；且x≤y；将所述行人区域和非行人区域进行大小为a×b的归一化处理，分别获得行人正样本和非行人负样本；

步骤1.2、分别从所述行人正样本和非行人负样本中选取n个行人正样本和n个行人负样本；并分别转换为n个行人正样本的灰度图和n个行人负样本的灰度图；

对所述n个行人正样本的灰度图和n个行人负样本的灰度图分别进行梯度计算，获得n个行人正样本的梯度幅值和n个行人负样本的梯度幅值；

由所述n个行人正样本的梯度幅值构成n个正样本的特征图；由n个行人负样本的梯度幅值构成n个负样本的特征图；

步骤1.3、从所述n个正样本的特征图和n个负样本的特征图中选出第j个样本，1≤j≤2n；对所述第j个样本进行三层划分，第一层以p₁×q₁进行划分，第二层以p₂×q₂进行划分，第三层以p₃×q₃进行划分，从而获得p₁×q₁+p₂×q₂+p₃×q₃＝M个子块，且p₁×q₁＞p₂×q₂＞p₃×q₃；

步骤1.4、对所述第j个样本的第i个子块进行CENTRIST直方图描述子的提取，获得所述第j个样本的第i个子的m维局部特征向量从而获得所述第j个样本的M个m维局部特征向量1≤i≤M；

将所述M个m维局部特征向量进行级联，获得第j个样本的特征向量x_j；从而获得2n个样本的特征向量{x₁,x₂,…,x_j,…,x_2n}；其中，特征向量{x₁,x₂,…,x_n}为正样本的特征向量；特征向量{x_n+1,x_n+2,…,x_2n}为负样本的特征向量；

步骤1.5、对所述正样本的特征向量{x₁,x₂,…,x_n}按列排序形成正样本字典X₀；对所述负样本的特征向量{x_n+1,x_n+2,…,x_2n}按列排序形成负样本字典X₁；由所述正样本字典X₀和负样本字典X₁构成字典X；由所述n个正样本或n个负样本中所有第i个子块构成的子字典记为第i个子字典X_i；

步骤2：行人检测：

步骤2.1、假设测试图像为I，对所述测试图像I进行尺度为u倍到v倍之间的G次缩放处理，获得G幅不同尺度的待检测图像{S₁,S₂,…,S_g,…S_G}，S_g表示第g幅待检测图像；1≤g≤G；u≥1；0＜v＜1；

步骤2.2、以a×b为检测窗对所述第g幅待检测图像S_g按照扫描步长为c的“Z”字型进行扫描获得若干个候选区域，记任意个候选区域为D；c∈[2,32]；

步骤2.3、对所述任意个候选区域D进行梯度计算，获得所述任意个候选区域D的梯度幅值；由所述任意个候选区域D的梯度幅值构成所述任意个候选区域D的特征图；对所述任意个候选区域D的特征图进行三层划分，从而获得所述任意个候选区域D的M个子块；对所述任意个候选区域D的每个子块进行CENTRIST直方图描述子的提取，从而获得M个m维局部特征向量{y₁,y₂,…,y_s,…,y_M}；y_s表示第s个子块所提取的m维局部特征向量；1≤s≤M；对所述M个m维局部特征向量{y₁,y₂,…,y_s,…,y_M}进行级联，获得所述任意个候选区域D的特征向量y；

步骤2.4、对所述任意个候选区域D的第s个子块利用式(1)进行加权核稀疏表示α_s：

$\underset{{\mathrm{\&alpha;}}_s}{\min }\{\underset{s=1}{\overset{M}{\mathrm{\&Sigma;}}}{\mathrm{\&omega;}}_{s}k(y_s,y_s)+{\mathrm{\&alpha;}}_s^T\underset{s=1}{\overset{M}{\mathrm{\&Sigma;}}}{\mathrm{\&omega;}}_{s}k(X_s,X_s){\mathrm{\&alpha;}}_s-2{\mathrm{\&alpha;}}_s^T\underset{s=1}{\overset{M}{\mathrm{\&Sigma;}}}{\mathrm{\&omega;}}_{s}k(X_s,y_s)+\mathrm{\&lambda;}{\left|\right|{\mathrm{\&alpha;}}_s\left|\right|}_1\}---\left(1\right)$

式(1)中，ω_s表示第s个子块的加权系数，k(·,·)表示直方图交叉核函数；X_s表示第s个子字典；λ表示正则化因子；

步骤2.5、利用式(2)计算第s个子块的重建误差e_s：

$e_s=k(y_s,y_s)+{\mathrm{\&alpha;}}_s^{T}k(X_s,X_s){\mathrm{\&alpha;}}_s-2{\mathrm{\&alpha;}}_s^{T}k(X_s,y_s)---\left(2\right)$

步骤2.6、利用式(3)所示的高斯加权函数计算第s个子块的加权系数ω_s：

${\mathrm{\&omega;}}_s=\frac{1}{\sqrt{2\mathrm{\&pi;}{\mathrm{\&sigma;}}^2}}\exp (-\frac{{e_s}^2}{2{\mathrm{\&sigma;}}^2})---\left(3\right)$

式(3)中，σ表示高斯加权函数的方差；

步骤2.7、定义t为迭代次数，并初始化t＝1；令第t次迭代下的第s个子块的加权系数利用式(4)所示的汇聚条件获得第t次迭代下的第s个子块的加权系数和第s个子块的重建误差

$\underset{s=1}{\overset{M}{\mathrm{\&Sigma;}}}{({\mathrm{\&omega;}}_s^{\left(t\right)}-{\mathrm{\&omega;}}_s^{(t-1)})}^2/\underset{s=1}{\overset{M}{\mathrm{\&Sigma;}}}{\left({\mathrm{\&omega;}}_s^{(t-1)}\right)}^2<\mathrm{\&tau;}---\left(4\right)$

式(4)中，τ为迭代终止参数；

步骤2.8、利用所述第t次迭代下的所有子块的加权系数与重建误差的乘积和分别计算所述正样本字典X₀的总重建误差和负样本字典X₁的总重建误差；

步骤2.9、判断所述正样本字典X₀的总重建误差是否小于所述负样本字典X₁的总重建误差；若小于，则所述任意个候选区域D为行人区域；否则，所述任意个候选区域D为非行人区域；从而获得检测结果区域；进而获得所述第g幅待检测图像S_g中所有候选区域的检测结果区域；

步骤2.10、重复步骤2.2-步骤2.9，从而获得所述G幅不同尺度的待检测图像{S₁,S₂,…,S_g,…S_G}的所有检测结果区域；

步骤2.11、利用非极大抑制算法对所述所有检测结果区域中的重复的检测结果区域进行合并；从而输出行人区域。