CN105354547A - 一种结合纹理和彩色特征的行人检测方法 - Google Patents

一种结合纹理和彩色特征的行人检测方法 Download PDF

Info

Publication number
CN105354547A
CN105354547A CN201510729214.7A CN201510729214A CN105354547A CN 105354547 A CN105354547 A CN 105354547A CN 201510729214 A CN201510729214 A CN 201510729214A CN 105354547 A CN105354547 A CN 105354547A
Authority
CN
China
Prior art keywords
image
proper vector
gradient
steps
lbp
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN201510729214.7A
Other languages
English (en)
Inventor
王敏
曹瑞
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Hohai University HHU
Original Assignee
Hohai University HHU
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Hohai University HHU filed Critical Hohai University HHU
Priority to CN201510729214.7A priority Critical patent/CN105354547A/zh
Publication of CN105354547A publication Critical patent/CN105354547A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
    • G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
    • G06V40/103—Static body considered as a whole, e.g. static pedestrian or occupant recognition
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/50—Extraction of image or video features by performing operations within image blocks; by using histograms, e.g. histogram of oriented gradients [HoG]; by summing image-intensity values; Projection analysis

Abstract

本发明公开了一种结合纹理和彩色特征的行人检测方法。针对单特征行人检测的局限性和缺点，本发明提出了融合梯度、纹理和彩色三种特征的新的行人特征，融合特征在描述性能上比单一特征要丰富。在复杂背景和部分遮挡的情况下，也能取得较好的检测效果。

Description

一种结合纹理和彩色特征的行人检测方法
技术领域
本发明涉及一种结合纹理和彩色特征的行人检测方法，属于计算机视觉中行人检测技术领域。
背景技术
行人检测具有极其广泛的应用，涉及智能辅助驾驶，智能监控，行人分析以及智能机器人等领域。从2005年以来行人检测进入了一个快速的发展阶段，但是也存在很多问题还有待解决，主要是在性能和速度方面还不能达到一个权衡。
基于统计学习的方法是目前行人检测最常用的方法，根据大量的样本构建行人检测分类器。提取的特征主要有目标的灰度、边缘、纹理、颜色、梯度直方图等信息。分类器主要包括神经网络、SVM、adaboost以及现在被计算机视觉视为宠儿的深度学习。现有的行人检测技术存在检测速度慢、检测准确率低、误报率高等缺点。
发明内容
发明目的：针对现有技术中存在的问题，本发明提供了一种检测速度快、检测准确率高的结合纹理和彩色特征的行人检测方法。
技术方案：一种结合纹理和彩色特征的行人检测方法，包括以下步骤：
步骤A：采集图像；
步骤B：对步骤A采集到的图像抽取HOG特征向量；
步骤C：对步骤A采集到的图像抽取LBP特征向量；
步骤D：对步骤A采集到的图像抽取HSV特征向量；
步骤E：将步骤B得到的HOG特征向量、步骤C得到的LBP特征向量和步骤D得到的HSV特征向量级联在一起，得到HOG-LBP-HSV特征向量。
步骤F：将步骤E获得的HOG-LBP-HSV特征向量送入RBF核-SVM进行分类，输出分类结果。
步骤B中，对步骤A采集到的图像抽取HOG特征向量的过程如下：
步骤B-1：对步骤A采集到的图像的伽马(gamma)空间和颜色空间进行标准化处理；
步骤B-2：对步骤B-1中获得的图像进行像素梯度的计算；
步骤B-3：对步骤B-2获得的图像像素梯度的计算结果进行单元内梯度直方图的统计；
步骤B-4：对步骤B-3统计获得的单元内梯度直方图块归一化处理得到块归一化直方图；
步骤B-5：对步骤B-4得到块归一化直方图提取特征，得到维度为3780*3780维的HOG特征向量；
步骤C中，对步骤A采集到的图像抽取LBP特征向量的过程如下：
步骤C-1：对于步骤A采集的图像进行图像分割；
步骤C-2：求取步骤C-1分割后的图像中每块的LBP特征直方图；
步骤C-3：对于步骤C-2得到的LBP特征直方图进行归一化直方图处理；
步骤C-4：对于步骤C-3得到归一化处理后的直方图提取纹理LBP特征。
有益效果：与现有技术相比，本发明通过对图像中行人抽取梯度、纹理和彩色特征来检测行人，融合特征在描述性能上比单一特征要丰富，能弥补单一特征的局限性从而提高行人检测准确率。在复杂背景和部分遮挡的情况下，也能取得较好的检测效果。
附图说明
图1为本发明的流程示意图；
图2为抽取HOG特征的流程示意图；
图3为抽取LBP特征的流程示意图。
具体实施方式
下面结合具体实施例，进一步阐明本发明，应理解这些实施例仅用于说明本发明而不用于限制本发明的范围，在阅读了本发明之后，本领域技术人员对本发明的各种等价形式的修改均落于本申请所附权利要求所限定的范围。
如图1所示，结合纹理和彩色特征的行人检测方法，其步骤如下：
步骤A：采集图像；
如图2所示，步骤B：对步骤A采集到的图像抽取HOG特征向量；
步骤B-1：对步骤A采集到的图像的伽马(gamma)空间和颜色空间进行标准化处理。
平方根gamma标准化可以很好地消除图像整体光照和对比度的影响。本实施例中采用平方根和log压缩对采集到的图像进行去噪，并缩放到相同尺寸。在颜色空间的每个通道上都要使用这两种方法进行计算。
步骤B-2：对步骤B-1中获得的图像进行像素梯度的计算；
计算图像的一阶梯度。计算导数不仅能够获得人体轮廓和纹理信息，还能进一步减弱光照的影响。由于HOG特征的运算对模板算子非常的敏感，经过试验对比发现，反而是最简单的一维离散微分模板(1,0,+1)及其转置在水平和垂直两个方向上对图像各个像素进行梯度计算能够取得最好的检测效果。可以通过公式分别计算像素点(x,y)的梯度模值和方向角：
G ( x , y ) = ( H ( x + 1 , y ) - H ( x - 1 , y ) ) 2 + ( H ( x , y + 1 ) - H ( x , y - 1 ) ) 2
α ( x , y ) = tan - 1 ( H ( x , y + 1 ) - H ( x , y - 1 ) H ( x + 1 , y ) - H ( x - 1 , y ) )
其中，G(x,y)，α(x,y)，H(x,y)分别表示像素点的梯度幅值、梯度方向以及像素点的灰度值。对于彩色图像可以分别计算它们各个颜色通道的梯度，选择其中幅值最大的值作为该像素点的梯度。
步骤B-3：对步骤B-2获得的图像进行单元内梯度直方图的统计；
该步骤的本质是对局部图像区域编码，且可以保持对图像中人体对象的外观和姿势的弱敏感性。我们把图像窗口划分为若干个小区域，这些小区域被称为“单元格”，即cell。把图像平均分成若干正方形的单元格(cell)，每个细胞包含8×8个像素，每个单元格内把的梯度方向平均分成9个区间(bin)，然后在每个cell内所有像素的梯度值再分别在各个bin区间进行直方图统计，这样一个cell得到一个9维的特征向量。
步骤B-4：对步骤B-3统计获得的单元内梯度直方图块归一化处理得到块归一化直方图；
梯度值的变化范围非常广的主要原因是由于图像中局部的曝光率和前景-背景的对比度的多样化。因而要得到好的检测效果，必须进行有效地局部对比标准化。标准化的方法有很多，一般的方法都是将一组cell放到一个块中，然后分别标准化每个块。2×2个cell形成一个块，这样一个块就形成36维的特征向量，再利用L2-范数对整个块进行归一化，得到最终的特征向量。
步骤B-5：对步骤B-4得到块归一化直方图提取特征，得到维度为3780*3780维的HOG特征向量；
实施例中采集的图像为64×128，cell为8×8，块为16×16，那么一幅图像就包含105个块，每个块是36维向量，所以一幅64×128大小的图像的HOG特征向量为36×105＝3780维。
如图3所示，步骤C：对步骤A采集到的图像抽取LBP特征向量；步骤C-1：对于步骤A采集的图像进行图像分割；
本实施例中将原始的64×128大小的图片按照16×16块进行分割，主要是因为在提取纹理特征时，8×8的块过小，会增加计算复杂度，而32×32的块又过大，会丢失部分纹理信息。但是实际过程所求的LBP特征时基于灰度图像的，所以彩色图像，首先应该转化为灰度图像。
进一步，步骤C-1中采用16×16块进行分割对步骤A中采集的图像进行图像分割。这样有助在对分割后的图像进行纹理特征提取时，在不增加计算复杂度的同时保证提取大部分的纹理信息。
步骤C-2：求取步骤C-1分割后的图像中每块LBP特征直方图；
针对每块16×16的子图像，根据LBP8 2算子求取图像的纹理特征，得到256维特征向量，再将256维特征向量转化为59维特征向量。
步骤C-3：对于步骤C-2得到的LBP特征直方图进行归一化直方图处理；
为了提高特征向量的鲁棒性，克服一些噪声的干扰，同HOG特征类似，需要对提取的59维特征向量进行归一化操作。考虑到不同的归一化因子，对向量特征的抗干扰性会有较大的影响，本实施例中采用L2-norm归一化因子，取得的效果好。
步骤C-4：对于步骤C-3得到归一化处理后的直方图提取纹理LBP特征；
本实施例中图像为64×128，检测窗口分为32个cell，每个cell的特征向量为59维，所以最终得到1888维的LBP特征向量。
步骤D：对步骤A采集到的图像抽取HSV特征向量；
步骤E：将步骤B得到的HOG特征向量、步骤C得到的LBP特征向量和步骤D得到的HSV特征向量级联在一起，得到HOG-LBP-HSV特征向量。
步骤F：将步骤E获得的特征向量送入RBF核-SVM进行分类，输出分类结果。
实验采用HOG特征、HOG-LBP特征及本发明提出的HOG-LBP-HSV特征的方法来验证检测效果，结果如表1所示。实验数据表明本文提出的方法相比于Dalal和Wang的方法具有明显优势，在训练时间上本文方法所用时间大约是HOG的一半，是HOG-LBP的大约1/3。在测试时间上也有类似效果。在识别率方面，HOG-LBP的识别率比HOG提高了3.4％并且能很好的处理遮挡问题。本发明方法相比较HOG-LBP，虽然识别率提高不多，特别地，在处理遮挡问题时和前者相当，但是所用时间却大大减少(约为95.7％)，所以本发明方法有效。
表1

Claims (4)

1.一种结合纹理和彩色特征的行人检测方法，其特征在于，包括以下步骤：
步骤A：采集图像；
步骤B：对步骤A采集到的图像抽取HOG特征向量；
步骤C：对步骤A采集到的图像抽取LBP特征向量；
步骤D：对步骤A采集到的图像抽取HSV特征向量；
步骤E：将步骤B得到的HOG特征向量、步骤C得到的LBP特征向量和步骤D得到的HSV特征向量级联在一起，得到HOG-LBP-HSV特征向量；
步骤F：将步骤E获得的HOG-LBP-HSV特征向量送入RBF核-SVM进行分类，输出分类结果。
2.如权利要求1所述的结合纹理和彩色特征的行人检测方法，其特征在于，
步骤B中，对步骤A采集到的图像抽取HOG特征向量的过程如下：
步骤B-1：对步骤A采集到的图像的伽马(gamma)空间和颜色空间进行标准化处理；
步骤B-2：对步骤B-1中获得的图像进行像素梯度的计算；
步骤B-3：对步骤B-2获得的图像像素梯度的计算结果进行单元内梯度直方图的统计；
步骤B-4：对步骤B-3统计获得的单元内梯度直方图块归一化处理得到块归一化直方图；
步骤B-5：对步骤B-4得到块归一化直方图提取特征，得到维度为3780*3780维的HOG特征向量。
3.如权利要求1所述的结合纹理和彩色特征的行人检测方法，其特征在于，步骤C中，对步骤A采集到的图像抽取LBP特征向量的过程如下：
步骤C-1：对于步骤A采集的图像进行图像分割；
步骤C-2：求取步骤C-1分割后的图像中每块的LBP特征直方图；
步骤C-3：对于步骤C-2得到的LBP特征直方图进行归一化直方图处理；
步骤C-4：对于步骤C-3得到归一化处理后的直方图提取纹理LBP特征。
4.如权利要求2所述的结合纹理和彩色特征的行人检测方法，其特征在于，步骤B-2中通过公式分别计算像素点(x,y)的梯度模值和方向角：
G ( x , y ) = ( H ( x + 1 , y ) - H ( x - 1 , y ) ) 2 + ( H ( x , y + 1 ) - H ( x , y - 1 ) ) 2
α ( x , y ) = tan - 1 ( H ( x , y + 1 ) - H ( x , y - 1 ) H ( x + 1 , y ) - H ( x - 1 , y ) )
其中，G(x,y)，α(x,y)，H(x,y)分别表示像素点的梯度幅值、梯度方向以及像素点的灰度值；对于彩色图像可以分别计算它们各个颜色通道的梯度，选择其中幅值最大的值作为该像素点的梯度。
CN201510729214.7A 2015-10-30 2015-10-30 一种结合纹理和彩色特征的行人检测方法 Pending CN105354547A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201510729214.7A CN105354547A (zh) 2015-10-30 2015-10-30 一种结合纹理和彩色特征的行人检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201510729214.7A CN105354547A (zh) 2015-10-30 2015-10-30 一种结合纹理和彩色特征的行人检测方法

Publications (1)

Publication Number Publication Date
CN105354547A true CN105354547A (zh) 2016-02-24

Family

ID=55330515

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201510729214.7A Pending CN105354547A (zh) 2015-10-30 2015-10-30 一种结合纹理和彩色特征的行人检测方法

Country Status (1)

Country Link
CN (1) CN105354547A (zh)

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105976354A (zh) * 2016-04-14 2016-09-28 广州视源电子科技股份有限公司 基于颜色和梯度的元件定位方法和系统
CN106952212A (zh) * 2017-03-14 2017-07-14 电子科技大学 一种基于向量同态加密的hog 图像特征提取算法
CN107220629A (zh) * 2017-06-07 2017-09-29 上海储翔信息科技有限公司 一种智能汽车高识别率人形识别的方法
CN107633226A (zh) * 2017-09-19 2018-01-26 北京师范大学珠海分校 一种人体动作跟踪识别方法及系统
CN108898047A (zh) * 2018-04-27 2018-11-27 中国科学院自动化研究所 基于分块遮挡感知的行人检测方法及系统

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103680145A (zh) * 2013-12-06 2014-03-26 河海大学 一种基于局部图像特征的人车自动识别方法
CN104091157A (zh) * 2014-07-09 2014-10-08 河海大学 一种基于特征融合的行人检测方法
CN104657724A (zh) * 2015-03-12 2015-05-27 福建依图网络科技有限公司 一种交通视频行人检测方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103680145A (zh) * 2013-12-06 2014-03-26 河海大学 一种基于局部图像特征的人车自动识别方法
CN104091157A (zh) * 2014-07-09 2014-10-08 河海大学 一种基于特征融合的行人检测方法
CN104657724A (zh) * 2015-03-12 2015-05-27 福建依图网络科技有限公司 一种交通视频行人检测方法

Cited By (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105976354A (zh) * 2016-04-14 2016-09-28 广州视源电子科技股份有限公司 基于颜色和梯度的元件定位方法和系统
WO2017177717A1 (zh) * 2016-04-14 2017-10-19 广州视源电子科技股份有限公司 基于颜色和梯度的元件定位方法和系统
CN105976354B (zh) * 2016-04-14 2019-02-01 广州视源电子科技股份有限公司 基于颜色和梯度的元件定位方法和系统
CN106952212A (zh) * 2017-03-14 2017-07-14 电子科技大学 一种基于向量同态加密的hog 图像特征提取算法
CN106952212B (zh) * 2017-03-14 2019-10-15 电子科技大学 一种基于向量同态加密的hog图像特征提取算法
CN107220629A (zh) * 2017-06-07 2017-09-29 上海储翔信息科技有限公司 一种智能汽车高识别率人形识别的方法
CN107220629B (zh) * 2017-06-07 2018-07-24 上海储翔信息科技有限公司 一种智能汽车高识别率人形识别的方法
CN107633226A (zh) * 2017-09-19 2018-01-26 北京师范大学珠海分校 一种人体动作跟踪识别方法及系统
CN107633226B (zh) * 2017-09-19 2021-12-24 北京师范大学珠海分校 一种人体动作跟踪特征处理方法
CN108898047A (zh) * 2018-04-27 2018-11-27 中国科学院自动化研究所 基于分块遮挡感知的行人检测方法及系统
CN108898047B (zh) * 2018-04-27 2021-03-19 中国科学院自动化研究所 基于分块遮挡感知的行人检测方法及系统

Similar Documents

Publication Publication Date Title
CN105261017B (zh) 基于路面约束的图像分割法提取行人感兴趣区域的方法
CN107316031B (zh) 用于行人重识别的图像特征提取方法
CN103049763B (zh) 一种基于上下文约束的目标识别方法
CN109145872B (zh) 一种基于CFAR与Fast-RCNN融合的SAR图像舰船目标检测方法
CN107358258B (zh) 基于nsct双cnn通道和选择性注意机制的sar图像目标分类
CN109284669A (zh) 基于Mask RCNN的行人检测方法
CN105574534A (zh) 基于稀疏子空间聚类和低秩表示的显著性目标检测方法
CN104091157A (zh) 一种基于特征融合的行人检测方法
CN107273832B (zh) 基于积分通道特征与卷积神经网络的车牌识别方法及系统
CN107038416B (zh) 一种基于二值图像改进型hog特征的行人检测方法
CN110569782A (zh) 一种基于深度学习目标检测方法
CN104751142A (zh) 一种基于笔划特征的自然场景文本检测算法
CN107480643B (zh) 一种智能垃圾分类处理的机器人
CN105740945A (zh) 一种基于视频分析的人群计数方法
CN105354547A (zh) 一种结合纹理和彩色特征的行人检测方法
CN110008900B (zh) 一种由区域到目标的可见光遥感图像候选目标提取方法
CN108734200B (zh) 基于bing特征的人体目标视觉检测方法和装置
CN110659550A (zh) 交通标志牌识别方法、装置、计算机设备和存储介质
CN105868734A (zh) 基于bow图像表征模型的输电线路大型施工车辆识别方法
CN109165658B (zh) 一种基于Faster-RCNN的强负样本水下目标检测方法
Wang et al. An overview of 3d object detection
CN105405138A (zh) 基于显著性检测的水面目标跟踪方法
Ouyang et al. The research of the strawberry disease identification based on image processing and pattern recognition
CN110852327A (zh) 图像处理方法、装置、电子设备及存储介质
CN109190456A (zh) 基于聚合通道特征和灰度共生矩阵的多特征融合俯视行人检测方法

Legal Events

Date Code Title Description
C06 Publication
PB01 Publication
C10 Entry into substantive examination
SE01 Entry into force of request for substantive examination
RJ01 Rejection of invention patent application after publication
RJ01 Rejection of invention patent application after publication

Application publication date: 20160224