CN105913026A - 一种基于Haar-PCA特征和概率神经网络的行人检测方法 - Google Patents

Abstract

本发明公开了一种基于Haar‑PCA特征和概率神经网络的行人检测方法，通过人工选取大量行人及非行人的图片，分别标记为正负样本；对任意一个正负样本S_i用Haar特征进行表征，生成Haar特征向量H_i，其中，i＝1，2，...，n；所有样本的Haar特征向量H_i通过主成分分析，选取出其中含有绝大部分信息的主元子集向量分类器C_PNN结构确定并对待分类样本判断：同步骤2和步骤3，将带判断样本先以Haar‑PCA特征向量表征，然后将该向量输入到步骤4得到的C_PNN中，待判断样本属于输出神经元为1的类。该方法通过Haar‑PCA特征大大减少了训练特征向量的维数，降低了分类器的训练负担；此外，以概率神经网络(PNN)取代传统的BPANN，大大提高了检测的准确率。

Description

一种基于Haar-PCA特征和概率神经网络的行人检测方法

技术领域

本发明属于图像处理技术领域，涉及图像信息感知，具体涉及一种基于Haar-PCA特征和概率神经网络的行人检测方法。

背景技术

交通安全问题已成为世界性的重大问题，而汽车的安全性对人类生命财产的影响更是不言而喻。随着高速公路的发展和汽车性能的提高，汽车行驶速度也相应加快，加之汽车数量增加以及交通运输日益繁忙，汽车事故增多所引起的人员伤亡和财产损失，已成为一个不容忽视的社会问题，汽车的行车安全更显得非常重要。传统的被动安全已经远远不能避免交通的事故发生，而主动安全技术由于可以预防事故的发生而倍受关注。视觉传感由于具有信息量大、成本低廉的特点，在汽车主动安全领域有着广泛的应用。

行人检测技术是指利用图像传感手段对图像中的行人搜寻和判定，获得图像中行人的多种属性(如位置、速度、形状、外观)的过程。它是汽车主动安全领域，尤其是实现碰撞预警(CW)以及自动紧急刹车(AEB)功能的关键技术之一。但是，由于实际公路环境具有较大的复杂性和不确定性，会存在检测目标被遮挡、背景环境复杂、存在与目标相似的物体(如非行人道路物体)、光线强弱变化大和自车运动速度快等问题。因此，如何提高行人检测的准确性、鲁棒性和实时性，解决实际道路环境下的行人检测一直是人们研究的热点。

目前常用以人工神经网络为核心的基于视觉的目标检测方法通常采用的是基于反向传播人工神经网络(Back Propagation Artificial Neural Network，BPANN)。然而BPANN有两个缺点：1.训练容易陷入局部最小值点而降低检测率；2.BPANN需要通过训练确定网络权值。在样本数量多，维数大时，BPANN训练时间冗长，需要数十小时甚至数天时间。(而概率神经网络是一种无需训练，直接通过训练样本确定网络结构与权值的方法。)

发明内容

基于上述现有技术的不足，本发明提出了一种基于Haar-PCA特征和概率神经网络的行人检测方法，与基于BPANN方法相比，具有检测率高，分类器训练时间短等优点。适用工况较为广泛，尤其在行人出现局部遮挡，运动姿态出现较为明显的变化，或者在图像质量不佳(如夜间、雨雪天气或光强变化剧烈的场景)时，仍然具有良好的检测效果。

本发明详细技术方案如下：

基于Haar-PCA特征和概率神经网络的行人检测方法，采用Haar特征队训练正负样本进行表征，再主成分分析(Principal component analysis，PCA)提取出具有最大信息量的特征向量子集，并实现特征向量降维，形成Haar-PCA特征。采用概率神经网络(Probability Neural Network，PNN)作为分类器对Haar-PCA特征进行训练，得到行人检测器对道路图像中的行人进行检测。如图1所示，包括以下步骤：

步骤1：通过人工选取大量行人及非行人的图片，分别标记为正负样本。将所有正负样本都归一化到长宽均为32像素的尺寸。设正负样本数共为n

步骤2：将任意一个正负样本S_i用Haar特征进行表征，生成Haar特征向量H_i，(i＝1，2，...，n)。

步骤2-1：选取如图2所示的10类Haar特征。

步骤2-2：不同类型、尺度和位置的Haar特征计算数值就构成了某个样本的一个多维Haar特征列向量H_i，(i＝1，2，...，n)。

步骤3：将步骤2计算得到的所有样本的Haar特征向量H_i通过主成分分析，选取出其中含有绝大部分信息的主元子集向量

步骤3-1：采用公式(1)计算所有Haar特征向量H_i，(i＝1，2，...，n)的平均值：

$\mathrm{\Ψ}=\frac{1}{n}\underset{i=1}{\overset{i=n}{\Σ}}{H}_i---\left(1\right)$

步骤3-2：采用公式(2)计算每一个特征向量H_i和平均值Ψ的差值d_i：

d_i＝H_i-Ψ，i＝1，2，...，n (2)

步骤3-3：依据公式(3)，构建协方差矩阵C：

$C=\frac{1}{n}\underset{i=1}{\overset{n}{\Σ}}{d}_i{d_i}^T=\frac{1}{n}{\mathrm{AA}}^T,A=(d_1,d_2,...,d_n)---\left(3\right)$

步骤3-4：求出AA^T的特征值λ_j及其正交归一化特征向量v_j，选取贡献率达到99％的前p个最大特征向量及其对应的特征值。

步骤3-5：步骤3-4中选取的p个特征值所对应的原始Haar特征向量H_i中的p特征值h构成

步骤4：该步骤为分类器结构确定。分类器结构由训练样本个数及待分类类数确定。

步骤5：该步骤为待分类样本判断。同步骤2和步骤3，将带判断样本先以Haar-PCA特征向量表征。然后将该向量输入到步骤4得到的C_PNN中，待判断样本属于输出神经元为1的类。

步骤5-1：C_PNN输入层接收来自待判断样本的Haar-PCA特征向量

步骤5-2：模式层神经元的输出为：

$f(H_i^{PCA},W_i)=\exp \[-\frac{{(W_i-H_i^{PCA})}^T(W_i-H_i^{PCA})}{2{\mathrm{\σ}}^2}\]---\left(5\right)$

其中：W_i为输入层到模式层连接的权值；σ为平滑参数。

步骤5-3：求和层按式(2)计算，对步骤5-2中每个模式单元的输出求和。

步骤5-4：输出层中的概率密度函数最大的那个神经元输出为1，，其他神经元的输出全为0。输出为1的类即为待判断的样本类别。

本发明具有以下技术效果：采用本方法，首先通过Haar-PCA特征的提出，在几乎不影响样本信息量的情况下，大大减少了样本对应特征向量的维数，减低了硬件系统的要求；此外，创造性的将概率神经网络应用到行人识别分类器的构建中，极大的降低了分类器训练时间(该训练时间约为原有BPANN训练时间的5％)，提升了分类性能。采用本发明所述的行人检测方法和该方法在多个公开数据库的比较结果，充分显示本发明的有效性。

本发明分析了目前计算机视觉领域比较典型的行人检测方法，并细致的分析了已有方法的不足。提出了一种基于Haar-PCA特征和概率神经网络的行人检测方法。该方法通过Haar-PCA特征大大减少了训练特征向量的维数，降低了分类器的训练负担；此外，以概率神经网络(PNN)取代传统的BPANN，大大提高了检测的准确率。

附图说明

图1为本发明实施方案流程图；

图2为本发明选取的10类Haar特征示意图；

图3为本发明使用的概率神经网络(PNN)的结构图。

图4为本发明的方法与其它分类方法检测效果对比图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述。

步骤1：通过人工选取大量行人及非行人的图片，分别标记为正负样本。将所有正负样本都归一化到长宽均为32像素的尺寸。设正负样本数共为n。

步骤2：将任意一个正负样本S_i用Haar特征进行表征，生成Haar特征向量H_i，(i＝1，2，...，n)。

步骤2-1：Haar矩形特征类型多样，考虑到行人在图像中呈现较多的水平和垂直线条特征，选取如图2所示的10类Haar特征。Haar特征模板内有白色和黑色两种矩形，图像中某一个Haar特征的大小定义为为白色矩形像素和减去黑色矩形像素和。通过改变特征模板的大小和位置，可在图像子窗口中计算出大量的特征值。所有特征值排列成一个向量即为一幅图像的Haar特征向量。结合行人样本特点，本发明选取其中10个。

步骤2-2：某一个尺度的某一种Haar特征在样本图像上某一个位置上进行相应计算会得到一个数值h。这样，不同类型、尺度和位置的Haar特征计算数值就构成了某个样本的一个多维Haar特征列向量H_i，(i＝1，2，...，n)。设H_i的维数为m。

步骤3：将步骤2计算得到的所有样本的Haar特征向量H_i通过主成分分析，选取出其中含有绝大部分信息的主元子集向量

步骤3-1：采用公式(1)计算所有Haar特征向量H_i，(i＝1，2，...，n)的平均值：

$\mathrm{\Ψ}=\frac{1}{n}\underset{i=1}{\overset{i=n}{\Σ}}{H}_i---\left(1\right)$

步骤3-2：采用公式(2)计算每一个特征向量H_i和平均值Ψ的差值d_i：

d_i＝H_i-Ψ，i＝1，2，...，n (2)

步骤3-3：依据公式(3)，构建协方差矩阵C：

$C=\frac{1}{n}\underset{i=1}{\overset{n}{\Σ}}{d}_i{d_i}^T=\frac{1}{n}{\mathrm{AA}}^T,A=(d_1,d_2,...,d_n)---\left(3\right)$

步骤3-4：求出AA^T的特征值λ_j及其正交归一化特征向量v_j，选取贡献率达到99％的前p个最大特征向量及其对应的特征值。其中贡献率是指选取的特征值的和与占所有特征值的和比，即(数学定理表明，此处协方差阵AA^T是一个半正定矩阵，因此所有特征值非负)：

$\mathrm{\φ}=\frac{\underset{i=1}{\overset{i=p}{\Σ}}{\mathrm{\λ}}_i}{\underset{i=1}{\overset{i=n}{\Σ}}{\mathrm{\λ}}_i}---\left(4\right)$

步骤3-5：步骤3-4中选取的p个(贡献率达到99％的特征值个数为p)特征值所对应的原始Haar特征向量H_i中的p特征值h构成

步骤4：该步骤为分类器C_PNN结构确定。分类器结构由训练样本个数及待分类类数确定。概率神经网络是一个前馈的神经网络结构，并由输入层、模式层、求和层与输出层构成(如图3)。输入层神经元个数为样本的维数。模式层神经元个数为所有训练样本个数之和。求和层神经元个数为待分类类数。输出层神经元个数与模式层相同。

步骤5：该步骤为待分类样本判断。同步骤2和步骤3，将待判断样本先以Haar-PCA特征向量表征。然后将该向量输入到步骤4得到的C_PNN中，待判断样本属于输出神经元为1的类。

步骤5-1：C_PNN输入层接收来自待判断样本的Haar-PCA特征向量

步骤5-2：C_PNN模式层计算输入特征向量与训练样本集中各个模式的匹配关系，该层每个模式神经元j的输出为：

$f(H_i^{PCA},W_j)=\exp \[-\frac{{(W_j-H_i^{PCA})}^T(W_j-H_i^{PCA})}{2{\mathrm{\σ}}^2}\]---\left(5\right)$

其中：W_j为输入层到模式层神经元j连接的权值，其值为神经元j对应训练样本的特征向量；σ为平滑参数，σ取0.25。

步骤5-3：求和层按式(5)计算，对步骤5-2中j个模式单元的输出按照类别分别求和。求和层神经元对应值即为样本属于该类的估计概率密度。

步骤5-4：输出层在各个分类模式求和层中选择一个具有最大输出的神经元作为整个系统的输出。具有最大输出的求和层想对应的输出层神经元输出为1，即所对应的那一类即为待判断的样本类别，输出层其他神经元的输出全为0。输出为1的类即为待判断的样本类别。

采用本方法，首先通过Haar-PCA特征的提出，在几乎不影响样本信息量的情况下，大大减少了样本对应特征向量的维数，减低了硬件系统的要求；此外，创造性的将概率神经网络应用到行人识别分类器的构建中，极大的降低了分类器训练时间(该训练时间约为原有BPANN训练时间的5％)，提升了分类性能。采用本发明所述的行人检测方法和该方法在多个公开数据库【对照算法为Haar+BPANN、HOG+DPM(梯度方向直方图特征+可变部件分类模型)、HOG+SVM(梯度方向直方图特征+支持向量机分类模型)】的比较结果如图4所示。

在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示意性实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不一定指的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。

尽管已经示出和描述了本发明的实施例，本领域的普通技术人员可以理解：在不脱离本发明的原理和宗旨的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由权利要求及其等同物限定。

Claims (3)

1.一种基于Haar-PCA特征和概率神经网络的行人检测方法，其特征在于，包括以下步骤：

步骤1：通过人工选取大量行人及非行人的图片，分别标记为正负样本；将所有正负样本都归一化到长宽均为32像素的尺寸，设正负样本数共为n；

步骤2：将步骤1中的任意一个正负样本S_i用Haar特征进行表征，生成Haar特征向量H_i，其中，i＝1，2，...，n；

步骤2-1：Haar矩形特征类型多样，考虑到行人在图像中呈现较多的水平和垂直线条特征，选取10类Haar特征；

步骤2-2：不同类型、尺度和位置的Haar特征计算数值就构成了某个样本的一个多维Haar特征列向量H_i，其中，i＝1，2，...，n；

步骤3：将步骤2计算得到的所有样本的Haar特征向量H_i通过主成分分析，选取出其中含有绝大部分信息的主元子集向量

步骤3-1：采用公式(1)计算所有Haar特征向量H_i的平均值：

$\mathrm{\Ψ}=\frac{1}{n}\underset{i=1}{\overset{i=n}{\Σ}}{H}_i---\left(1\right)$

步骤3-2：采用公式(2)计算每一个特征向量H_i和平均值Ψ的差值d_i：

d_i＝H_i-Ψ，i＝1，2，...，n (2)

步骤3-3：依据公式(3)，构建协方差矩阵C：

$C=\frac{1}{n}\underset{i=1}{\overset{n}{\Σ}}{d}_i{d_i}^T=\frac{1}{n}{\mathrm{AA}}^T,A=(d_1,d_2,...,d_n)---\left(3\right)$

步骤3-4：求出AA^T的特征值λ_j及其正交归一化特征向量v_j，选取贡献率达到99％的前p个最大特征向量及其对应的特征值；

步骤3-5：步骤3-4中选取的p个特征值所对应的原始Haar特征向量H_i中的p特征值h构成

步骤4：分类器C_PNN结构确定：分类器结构由训练样本个数及待分类类数确定，概率神经网络为前馈的神经网络结构，并由输入层、模式层、求和层与输出层构成；输入层神经元个数为样本的维数，模式层神经元个数为所有训练样本个数之和，求和层神经元个数为待分类类数，输出层神经元个数与模式层相同；

步骤5：待分类样本判断：同步骤2和步骤3，将带判断样本先以Haar-PCA特征向量表征，然后将该向量输入到步骤4得到的C_PNN中，待判断样本属于输出神经元为1的类。

2.根据权利要求1所述的一种基于Haar-PCA特征和概率神经网络的行人检测方法，其特征在于，所述步骤5的具体实现过程为：

步骤5-1：C_PNN输入层接收来自待判断样本的Haar-PCA特征向量

步骤5-2：模式层神经元的输出为：

$f(H_i^{PCA},W_i)=\exp \[-\frac{{(W_i-H_i^{PCA})}^T(W_i-H_i^{PCA})}{2{\mathrm{\σ}}^2}\]---\left(5\right)$

其中：W_i为输入层到模式层连接的权值；σ为平滑参数；

步骤5-3：求和层按式(2)计算，对步骤5-2中每个模式单元的输出求和；

步骤5-4：输出层中的概率密度函数最大的那个神经元输出为1，，其他神经元的输出全为0，输出为1的类即为待判断的样本类别。

3.根据权利要求2所述的一种基于Haar-PCA特征和概率神经网络的行人检测方法，其特征在于，所述平滑参数σ取0.25。