CN105160317A - 一种基于区域分块行人性别识别方法 - Google Patents

Abstract

本发明提供一种基于区域分块行人性别识别方法。本发明首先检测图片中的行人，然后将所检测的行人按照一定的准则分为头部、上半身、下半身三个部分，分别提取各个部分的颜色特征、梯度直方图特征、边缘梯度特征，根据这些特征训练性别分类器，从而通过分类器识别行人的性别。本发明通过对行人服装、发型、轮廓的描述来识别行人的性别属性，相比现有的方法通过提取人脸特征识别，能够有效的避免画面中人物面部不清晰的所带来的挑战，基于提取行人全身特征的方法可以快速有效地识别监控画面等场景中的人物性别，针对不同的监控场景具有很高的鲁棒性。

Description

一种基于区域分块行人性别识别方法

技术领域

本发明涉及图片检测与识别技术。

背景技术

人物性别识别的研究开始于二十世纪九十年代，问题起初是由心理学家进行研究，他们致力于研究人类辨别男女的识别机制。接着，有学者从计算机视觉的角度进行研究，其主要目标是得到可以分辨性别的分类器。十多年来，人物的性别识别得到了空前的发展，尤其近年来，更成为一个热门的研究课题，得到大量来自计算机视觉、模式识别、人工智能、系统监控和心理学等领域研究人员的关注。性别识别在多个方面都得到了广泛的应用。性别识别可以在身份识别中充当过滤器的功能，利用检测出的性别信息可以降低身份识别的搜索难度，从而提高身份识别的精度和速度；在安全监控方面，性别识别也起到了巨大的作用，如可以在某些需要限制异常出入的场所设置监控，提供实时的视频监控并报警；在计算机理解方面，性别识别可以对丰富的人物信息加以分类，进一步促进机器智能化程度，改善目前呆板的人机交互环境，提供更为个性化的服务。

人物的性别分类涉及模式识别等多种方法，如贝叶斯决策、支持向量机、主成分分析、人工神经网络以及深度学习等。传统的性别识别主要有基于人工神经网络的算法，这种方法主要是先对样本进行主成分分析，然后训练分层神经元网络用于识别人物性别；支持向量机的方法一般是采用基于RBF核的SVM分类器对人脸图像进行性别分类；AdaBoost方法是基于类Haar基特征，训练并完成自动检测、跟踪和性别识别的一种有效方法；基于主动表观模型的性别与表情识别方法是用AAM提取的特征训练SVM分类器，达到性别识别的目的。这些方法通常计算量大，算法复杂度高，并且通常以人脸为输入信息，浪费了身体其他部位的信息，对于非正面输入图像识别准确率往往不高。

目前，性别识别的方法大多都是通过提取人脸的特征，通过训练分类器来进行性别识别，这种方法在一定的场景下有不错的效果。然而，在诸如监控画面场景下，人脸并不清晰，通过提取人脸特征识别性别相当困难。另一方面，针对人脸提取特征的方法较为复杂，从而降低了实时性。本文尝试通过提取行人整个身体特征，快速准确地识别行人性别。

发明内容

本发明所要解决的技术问题是，提供一种快速有效的行人性别识别方法。

本发明为解决上述技术问题所采用的技术方案是，一种基于区域分块行人性别识别方法：

1)训练步骤：提取样本行人图片的行人特征并标注性别训练支持向量机SVM分类器；

将行人所在的矩形框按预设的比例系数局部重合划分为头部块、上半身块、下半身块；所述头部块为行人肩膀以上的部分，所述上半身块为行人的脖子以下大腿以上部分，所述下半身块为行人的腰部以下的部分；

针对头部块，提取梯度直方图特征与边缘梯度直方图特征2组特征向量；针对上半身块，提取梯度直方图特征，边缘梯度直方图特征与颜色直方图特征3组特征向量；针对下半身块，提取梯度直方图特征与边缘梯度直方图特征2组特征向量；

将7组特征向量分别训练第一层SVM分类器的7个分类器中进行训练，之后用7个分类器的打分结果进行级联形成行人特征训练第二层SVM分类器；

2)识别步骤：

检测待测图像中的行人位置并使用矩形框框选出行人，将行人所在的矩形框按预设的比例系数局部重合划分为头部块、上半身块、下半身块并提取7组特征向量输入至训练好的第一层SVM分类器，将输出分数进行级联得到行人特征后输入至训练好的第二层SVM分类器得到分类结果。

首先运用传统的行人检测方法检测图片中的行人，然后将所检测的行人按照一定的准则分为头部、上半身、下半身三个部分，分别提取各个部分的颜色特征、梯度直方图特征、边缘梯度特征，根据这些特征训练性别分类器，从而通过分类器识别行人的性别。本发明通过对行人服装、发型、轮廓的描述来识别行人的性别属性，相比现有的方法通过提取人脸特征识别，能够有效的避免画面中人物面部不清晰的所带来的挑战，并且该方法针对行人背面，侧面等情况也有着非常高的识别能力，显然这些情况是基于人脸识别所无法做到的。

进一步的，相比现有的识别问题通过所构建的特征一次分类来得到最终识别结果，其识别精度是有限的。而本发明所采用的通过构建不同特征，训练不同分类器，并将一次分类结果级联二次分类的方法能够大大地提高识别精度。

本发明的有益效果是，基于提取行人全身特征的方法可以快速有效地识别监控画面等场景中的人物性别，针对不同的监控场景具有很高的鲁棒性。

附图说明

图1：本发明的性别识别流程图

图2：行人身体拆分示意图

具体实施方式

本发明分为行人性别识别分类器训练和测试两个阶段。具体步骤如图1所示，

训练阶段：

步骤一、收集数据库。通过监控设备采集监控视频，从监控视频中人工截取行人作为数据库，所截取的行人按性别分为男女两个图像集。随机选取一半的样本作为训练数据，人工标注行人的位置。

步骤二、给定一张行人图片，通过人工标注的位置信息图框选出行人区域，接下来将行人拆分为头部、上半身、下半身部分。为了得到最佳拆分比例，挑选部分行人图片，测量分割比例，区域分割按照四个参数拆分，分别脖子位置系数0.15，肩位置系数0.2，腰位置系数0.5，腿部位置系数0.65。分割示意图如附图2所示。

步骤三、针对不同身体区域，计算相应的特征向量。

将行人肩膀以上的部分分割出来作为行人头部块。针对头部块，提取梯度直方图特征，边缘梯度直方图特征。提取特征之前，先将所分割出来的头部块缩放到80*80的图像块，将其转换为灰度图。接下来提取图像块的梯度直方图特征，采用了N.Dalal和B.Triggs所提出的直方图构建方法，直方图考虑9个方向，考虑到图像特征的对齐需求，直方图运用金字塔结构特征，将图像按金字塔结构计算每一层梯度直方图f_i，具体步骤如下：

将每一层图像划分为不同大小的网格，然后计算每个网格梯度直方图(36维)，第i层划分网格的大小为C_i×C_i，N为图像分层总数，其中

$C_i=\frac{S}{2^{i-1}}---\left(1\right)$

这里，S表示图像的大小，如头部区域所对应S＝80。将每个网格的梯度直方图按照从左到右，从上到下的方式级联起来得到每层的梯度直方图特征表示

$f_i=\[f_{c_1},f_{c_2},...,f_{c_N}\]---\left(2\right)$

其中n为每一层网格的个数，其大小为

$n_i={\left(\frac{S}{C_i}\right)}^2---\left(3\right)$

容易看出，每一层梯度直方图的维度为W_i＝36×n_i维。将每一层的特征级联起来，用于表示该区域的梯度直方图

F＝[f₁,f₂,…,f_N](4)

其维度W_F＝n₁+n₂+…+n_N。

以4层为例，梯度直方图计算步骤如下：

(1)计算第一层特征，计算整个块(即80*80)的梯度直方图，得到36维的特征向量。

(2)计算第二层特征，将块分割4个块，每一块的大小为40*40，分别计算每个小块的梯度直方图，再将所计算的梯度直方图按块从左到右，从上到下的顺序将直方图级联起来，从而得到第二层一个144维的特征向量。

(3)计算第三、四层特征，和计算第二层特征类似，依次将块二分割，因此三、四层子块的大小分别为20*20和10*10，计算出相应的级联直方图向量的维度为576维和2304维。

(4)将一至四层的向量依次级联以来，得到3060维向量，该向量即为所求的头部块的梯度特征向量。

提取头部边缘的的梯度特征与上诉方法类似，首先运用Canny算子对该头部区域的灰度图像提取边缘，由于Canny算子不同的阀值对图像的边缘化影响较大，为了能够得到完整的边缘图像，将Canny算子阀值设置较小。本实施例将Canny算子的阈值设定为0.01，使得检测到的边缘尽量的完整。然后按照对灰度图求梯度直方图的步骤得到边缘图像梯度直方图特征。

针对上半身块，提取梯度直方图特征，边缘梯度直方图特征，颜色直方图特征。其中，梯度直方图特征和边缘梯度直方图特征与构建头部区域特征方法一样，得到了两个3060维的特征向量。对于行人的上半身与下半身区域，计算梯度直方图特征与边缘梯度直方图特征的步骤与上诉过程一致，只不过区别在于上、下半身区域分割出来的图像缩放大小为120*120，此时，公式(1)中的值S＝120。

考虑到男女服装颜色在一定程度上是有差异的，行人上半身区域提取了颜色直方图特征。提取颜色直方图过程如下：首先得到身体区域的彩色图像后，针对每一个像素，分别将RGB空间值转化为Lab颜色空间值和HSV颜色空间值。由于Lab颜色空间和HSV颜色空间各通道值范围不同，需要将Lab空间与HSV空间各个通道值都归一化为0-255。归一化过程如下：

Lab值范围：0≤L≤100,-127≤a≤127,-127≤b≤127

归一化：L＝L×255/100，a＝a+128，b＝b+128

(5)

HSV值范围：0≤H≤360,0≤S≤1,0≤V≤1

归一化：H＝H/2,S＝S·255,V＝V·255

针对每一种颜色空间，分别各自的3个通道值量化到8个数量级，将各个空间颜色直方图级联起来作为身体区域的颜色特征

F_color＝[H_rgb,H_lab,H_hsv](6)

这样针对每一种颜色空间，所统计的颜色直方图为512维。分别将三个颜色空间的直方图级联起来，得到身体部分的颜色特征，该特征的维度为1536维。

将行人的腰部以下分割出来作为行人的下半身区域，与头部区域特征提取方式一样，先将其缩放到120*120的图像块，并分别提取其梯度直方图特征与便于那梯度直方图特征。针对下半身，并没有提取颜色特征。

对于单个行人，头部、身体、下半身分别得到了2、3、2个特征向量。

步骤四、训练SVM分类器。通过步骤三计算出所有训练样本的特征，其中每一个行人样本对应有7个特征向量表示。

对于一类特征(如头部梯度直方图特征)，从训练样本数据中选取一半的样本训练SVM分类器，将余下的一半样本输入到分类器中预测结果，该结果以打分的形式表示输入的样本属于正样本和负样本的概率。这样所训练的7个SVM分类器针对同一个行人会产生7组打分来估计其属于正样本和负样本的可能性。将7组打分结果串联起来，得到14维的分数向量，以该向量作为整个行人的特征。得到所有训练行人的分数特征，按照其类别再次训练线性核的SVM分类器。这里需要说明，在训练第二层分类器时，由于二层训练数据是第一层分类器的预测结果，所以二层分类器训练数据是训练样本图片的一半，为了解决这样问题，在第一层分类器训练过程中，采用交叉训练的方式，即将训练样本分为A、B集，集合A训练后集合B测试得到预测分数，然后集和B训练，集合A测试得到预测分数。这样便能保证在训练第二层分类器时，训练样本不会变少。

交叉训练的过称：

将训练样本分为A，B两个集合，首先，运用A集合中的样本针对每一类特征，按性别给定标签，训练线性核的SVM分类器，然后测试B集合中对应样本的预测分数，得到7组预测分数，将7组预测分数级联起来，用于表征该行人样本的第二层特征，级联方式如下：

其中po,ne表示属于正，负标签的概率，并且有po+ne＝1。

接下来训练B集合中的样本，测试A集合得到预测分数并组合形成A集合中各自样本的分数特征。

得到所有训练样本的分数特征，根据其标签训练第二层SVM分类器。

测试阶段：

步骤一、给定一张测试图片，用行人检测方法检测行人位置，并将行人分割出来。

步骤二、与训练阶段步骤二一样，通过4个分割系数将行人分为头部区域、上半身区域、下半身区域。

步骤三、按照训练阶段步骤三的方法，计算该行人的7个特征向量。

步骤四、所计算的7组特征向量输入到对应的分类器中，得到7组预测分数。

步骤五、将7组预测分数级联，得到分数特征。

步骤六、将分数特征输入第二层分类器，根据预测结果判定行人的性别。

Claims (2)

1.一种基于区域分块行人性别识别方法，其特征在于，包括以下步骤：

训练步骤：

将行人所在的矩形框按预设的比例系数局部重合划分为头部块、上半身块、下半身块；所述头部块为行人肩膀以上的部分，所述上半身块为行人的脖子以下大腿以上部分，所述下半身块为行人的腰部以下的部分；

针对头部块，提取梯度直方图特征与边缘梯度直方图特征2组特征向量；针对上半身块，提取梯度直方图特征，边缘梯度直方图特征与颜色直方图特征3组特征向量；针对下半身块，提取梯度直方图特征与边缘梯度直方图特征2组特征向量；

将7组特征向量分别训练第一层SVM分类器的7个分类器中进行训练，之后用7个分类器的打分结果进行级联形成行人特征训练第二层SVM分类器；

1)识别步骤：

检测待测图像中的行人位置并使用矩形框框选出行人，将行人所在的矩形框按预设的比例系数局部重合划分为头部块、上半身块、下半身块并提取7组特征向量输入至训练好的第一层SVM分类器，将输出分数进行级联得到行人特征后输入至训练好的第二层SVM分类器得到分类结果。

2.如权利要求1所述一种基于区域分块行人性别识别方法，其特征在于，SVM分类器为2层SVM分类器；

第一层SVM分类器包括针对头部块的梯度直方图特征的分类器、针对头部块的边缘梯度直方图特征的分类器、针对上半身块的梯度直方图特征的分类器、针对上半身块的边缘梯度直方图特征的分类器、针对上半身块的颜色直方图特征的分类器、针对下半身块的梯度直方图特征的分类器以及针对下半身块的边缘梯度直方图特征的分类器的7组分类器；

第2层分类器为针对级联7组分类器输出分数的分类器。