CN107066928A - 一种基于分类器的行人检测方法及系统 - Google Patents
一种基于分类器的行人检测方法及系统 Download PDFInfo
- Publication number
- CN107066928A CN107066928A CN201710005282.8A CN201710005282A CN107066928A CN 107066928 A CN107066928 A CN 107066928A CN 201710005282 A CN201710005282 A CN 201710005282A CN 107066928 A CN107066928 A CN 107066928A
- Authority
- CN
- China
- Prior art keywords
- grader
- pedestrian
- score
- image
- candidate
- 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
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 29
- 238000000034 method Methods 0.000 claims abstract description 30
- 230000036544 posture Effects 0.000 claims abstract description 16
- 239000000284 extract Substances 0.000 claims description 13
- 230000004927 fusion Effects 0.000 claims description 13
- 238000006243 chemical reaction Methods 0.000 claims description 8
- 238000004364 calculation method Methods 0.000 claims description 7
- 238000000605 extraction Methods 0.000 claims description 7
- 230000009466 transformation Effects 0.000 claims description 6
- 238000001914 filtration Methods 0.000 claims description 4
- 230000007246 mechanism Effects 0.000 abstract description 4
- 238000012549 training Methods 0.000 description 10
- 238000010276 construction Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 4
- 239000003086 colorant Substances 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 241000208340 Araliaceae Species 0.000 description 1
- 235000005035 Panax pseudoginseng ssp. pseudoginseng Nutrition 0.000 description 1
- 235000003140 Panax quinquefolius Nutrition 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 210000003746 feather Anatomy 0.000 description 1
- 244000144992 flock Species 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 235000008434 ginseng Nutrition 0.000 description 1
- 238000003780 insertion Methods 0.000 description 1
- 230000037431 insertion Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000001737 promoting effect Effects 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
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
- G06V40/20—Movements or behaviour, e.g. gesture recognition
- G06V40/23—Recognition of whole body movements, e.g. for sport training
- G06V40/25—Recognition of walking or running movements, e.g. gait 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
- G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
-
- 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
- G06V10/56—Extraction of image or video features relating to colour
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Psychiatry (AREA)
- Social Psychology (AREA)
- Human Computer Interaction (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于分类器的行人检测方法及系统,方法包括:提取图像的颜色特征及梯度特征,根据整体行人模型对图像进行识别,当识别图像为候选行人目标时,对其进行部位划分;提取各个部位的颜色特征及梯度特征,采用聚类算法对同一部位的不同姿态进行类别划分,得到部位类,根据不同部位的部位类构成部位类簇;对各个部位类簇分别建立模型生成对应的部位类簇分类器,根据部位类簇分类器对候选行人目标进行识别后生成最终得分;若检测到最终得分大于第一预定阈值,则判定候选行人目标为行人。本发明通过建立部位类簇模型对行人在不同姿态及环境下的特征进行描述,使用整体模型和部位类簇模型的多重判断机制,提高了行人检测的效率和准确度。
Description
技术领域
本发明涉及图像处理技术领域,尤其涉及一种基于分类器的行人检测方法及系统。
背景技术
视觉传感器具有使用方便、重量小、采集到的信息丰富且相互影响较小的特点,已经广泛地应用于人们的生活与工作场所,其在主动安全领域发挥了重要的作用。人是社会活动的主体,所以视频图像中的行人检测对促进智能安防、交通及自动驾驶领域的发展都有着重大的影响。但是行人是一个非刚性物体,不同的人群其服饰的差异性大,并且容易产生姿态的变换,在复杂环境下受光照变换的影响及被部分遮挡时,高效的行人检测具有高度挑战性。
当前,行人检测的构架一般是首先进行特征提取然后用分类器进行检测。传统的行人特征方法有梯度直方图特征HOG、Gabor特征及纹理形状特征等,其在刚性物体的特征描述中发挥了较好的效果,但是Gabor的计算复杂度较高;HOG的特征维数较大,导致检测效率变低,难以满足实时性的要求。且当检测非刚性的行人时,其效果下降。常用的分类器学习方法有支持向量机SVM、Adaboost方法,以及最近流行的深度神经网络算法等。SVM算法对于大规模存在差异性的训练样本无法实施;深度神经网络的参数量巨大,基本无法在嵌入式的平台上进行实时的检测。
因此,现有技术还有待于改进和发展。
发明内容
鉴于现有技术的不足,本发明目的在于提供一种基于分类器的行人检测方法及系统,旨在解决现有技术中如何建立有效模型对行人在复杂环境及不同姿态下进行准确的描述,并用分类器进行快速而准确地识别的技术问题。
本发明的技术方案如下:
一种基于分类器的行人检测方法,其中,方法包括步骤:
A、获取拍摄的图像,提取图像的颜色特征及梯度特征,根据分类器构造的整体行人模型对图像的颜色特征及梯度特征进行识别,根据识别结果判断图像是否为候选行人目标;
B、当检测到图像中的目标为候选行人目标时,对候选行人目标进行部位划分,分别是头肩部位、躯干部位、左躯干拓展部位、右躯干拓展部位、左腿部位及右腿部位;
C、提取各个部位的颜色特征及梯度特征,采用聚类算法对同一部位的不同姿态进行类别划分,得到部位类,根据不同部位的部位类构成部位类簇;
D、使用分类器对各个部位类簇分别建立模型生成对应的部位类簇分类器,根据部位类簇分类器对候选行人目标进行识别,根据各个部位类的得分进行加权融合后生成最终得分;
E、判断最终得分是否大于第一预定阈值,若最终得分大于第一预定阈值,则判定候选行人目标为行人。
所述的基于分类器的行人检测方法,其中,所述步骤A具体包括步骤:
A1、获取拍摄的图像,将图像的rgb颜色空间转换为hsv颜色空间,分别记录图像中各个像素点的h、s与v通道的颜色值作为颜色特征;
A2、对图像的h、s、v各个通道的各个像素点的梯度值进行滤波得到梯度幅值,对梯度幅值进行非线性变换,构造梯度方向特征向量,提取梯度幅值特征与梯度方向特征向量为梯度特征;
A3、根据分类器对图像的颜色特征及梯度特征进行识别,获取识别后的第一分类器得分,判断第一分类器得分是否大于第二预定阈值,若第一分类器得分大于第二预定阈值,则当前图像中为候选行人目标。
所述的基于分类器的行人检测方法,其中,所述步骤B具体包括步骤:
B1、当检测到图像中的目标为候选行人目标时,获取图像中的候选行人目标的外接矩形框的高度和宽度,以及候选行人目标的中心位置坐标及预设的各部位的偏移量;
B2、根据候选行人目标的外接矩形框的高度和宽度,以及候选行人目标的中心位置坐标及预设的各部位的偏移量将候选行人目标划分为头肩部、躯干部位、左躯干拓展部位、右躯干拓展部位、左腿部位及右腿部位。
所述的基于分类器的行人检测方法,其中,所述步骤D具体包括步骤:
D1、使用分类器对各个部位类簇进行分类,分别得到头肩部位分类器、躯干部位分类器、左躯干部位分类器、右躯干部位分类器、左腿部位分类器、右腿部位分类器;
D2、根据头肩部位分类器、躯干部位分类器、左躯干部位分类器、右躯干部位分类器、左腿部位分类器、右腿部位分类器分别对候选行人目标进行识别后生成对应的得分为头肩部位得分、躯干部位得分、左躯干部位得分、右躯干部位得分、左腿部位得分、右腿部位得分;
D3、根据头肩部位得分、躯干部位得分、左躯干部位得分、右躯干部位得分、左腿部位得分、右腿部位得分进行加权融合计算,得到候选行人的最终得分。
所述的基于分类器的行人检测方法,其中,所述步骤A3还包括步骤:
A31、若第一分类器得分小于等于第二预定阈值,则判定当前图像中不包含行人,过滤图像。
一种基于分类器的行人检测系统,其中,系统包括:
特征提取模块,用于获取拍摄的图像,提取图像的颜色特征及梯度特征,根据分类器构造的整体行人模型对图像的颜色特征及梯度特征进行识别,根据识别结果判断图像是否为候选行人目标;
部位划分模块,用于当检测到图像中的目标为候选行人目标时,对候选行人目标进行部位划分,分别是头肩部位、躯干部位、左躯干拓展部位、右躯干拓展部位、左腿部位及右腿部位;
部位类簇构造模块,用于提取各个部位的颜色特征及梯度特征,采用聚类算法对同一部位的不同姿态进行类别划分,得到部位类,根据不同部位的部位类构成部位类簇;
识别模块,用于使用分类器对各个部位类簇分别建立模型生成对应的部位类簇分类器,根据部位类簇分类器对候选行人目标进行识别,根据各个部位类的得分进行加权融合后生成最终得分;
行人判定模块,用于判断最终得分是否大于第一预定阈值,若最终得分大于第一预定阈值,则判定候选行人目标为行人。
所述的基于分类器的行人检测系统,其中,所述特征提取模块具体包括:
颜色特征提取单元,用于获取拍摄的图像,将图像的rgb颜色空间转换为hsv颜色空间,分别记录图像中各个像素点的h、s与v通道的颜色值作为颜色特征;
梯度特征提取单元,用于对图像的h、s、v各个通道的各个像素点的梯度值进行滤波得到梯度幅值,对梯度幅值进行非线性变换,构造梯度方向特征向量,提取梯度幅值特征与梯度方向特征向量为梯度特征;
候选行人目标判定单元,用于根据分类器对图像的颜色特征及梯度特征进行识别,获取识别后的第一分类器得分,判断第一分类器得分是否大于第二预定阈值,若第一分类器得分大于第二预定阈值,则当前图像中为候选行人目标。
所述的基于分类器的行人检测系统,其中,所述部位划分模块具体包括:
部位坐标获取单元,用于当检测到图像中的目标为候选行人目标时,获取图像中的候选行人目标的外接矩形框的高度和宽度,以及候选行人目标的中心位置坐标及预设的各部位的偏移量;
部位划分单元,用于根据候选行人目标的外接矩形框的高度和宽度,以及候选行人目标的中心位置坐标及预设的各部位的偏移量将候选行人目标划分为头肩部、躯干部位、左躯干拓展部位、右躯干拓展部位、左腿部位及右腿部位。
所述的基于分类器的行人检测系统,其中,所述识别模块具体包括:
分类单元,用于使用分类器对各个部位类簇进行分类,分别得到头肩部位分类器、躯干部位分类器、左躯干部位分类器、右躯干部位分类器、左腿部位分类器、右腿部位分类器;
识别单元,用于根据头肩部位分类器、躯干部位分类器、左躯干部位分类器、右躯干部位分类器、左腿部位分类器、右腿部位分类器分别对候选行人目标进行识别后生成对应的得分为头肩部位得分、躯干部位得分、左躯干部位得分、右躯干部位得分、左腿部位得分、右腿部位得分;
计算单元,用于根据头肩部位得分、躯干部位得分、左躯干部位得分、右躯干部位得分、左腿部位得分、右腿部位得分进行加权融合计算,得到候选行人的最终得分。
所述的基于分类器的行人检测系统,其中,所述特征提取模块具体包括:
图像过滤单元,用于若第一分类器得分小于等于第二预定阈值,则判定当前图像中不包含行人,过滤图像。
本发明提供了一种基于分类器的行人检测方法及系统,本发明对图像的颜色和梯度特征进行提取,在不同的环境下具有较高的鲁棒性,且计算复杂度低;并提出了建立部位类簇模型的方法更好地对行人在不同姿态及环境下的特征进行描述,同时采用了使用整体模型和部位类簇模型的多重判断机制,提高了行人检测的效率和准确度。
附图说明
图1为本发明的一种基于分类器的行人检测方法的较佳实施例的流程图。
图2为本发明的一种基于分类器的行人检测方法的具体应用实施例的流程图。
图3为本发明的一种基于分类器的行人检测系统的较佳实施例的功能原理框图。
具体实施方式
为使本发明的目的、技术方案及效果更加清楚、明确,以下对本发明进一步详细说明。应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
本发明还提供了一种基于分类器的行人检测方法的的较佳实施例的流程图,如图1所示,方法包括步骤:
S100、获取拍摄的图像,提取图像的颜色特征及梯度特征,根据分类器构造的整体行人模型对图像的颜色特征及梯度特征进行识别,根据识别结果判断图像是否为候选行人目标。
具体实施时,获取拍摄的视频,视频中的图像进行颜色及梯度特征提取,用分类器构造整体行人模型,采用其对图像进行窗口扫描得到候选的目标。
进一步的实施例中,步骤S100具体包括步骤:
S101、获取拍摄的图像,将图像的rgb颜色空间转换为hsv颜色空间,分别记录图像中各个像素点的h、s与v通道的颜色值作为颜色特征;
S102、对图像的h、s、v各个通道的各个像素点的梯度值进行滤波得到梯度幅值,对梯度幅值进行非线性变换,构造梯度方向特征向量,提取梯度幅值特征与梯度方向特征向量为梯度特征;
S103、根据分类器对图像的颜色特征及梯度特征进行识别,获取识别后的第一分类器得分,判断第一分类器得分是否大于第二预定阈值,若第一分类器得分大于第二预定阈值,则当前图像中为候选行人目标。
具体实施时,步骤S101具体为提取行人的颜色特征。具体是将图像转换为hsv颜色空间,分别记录各个像素点的h、s与v通道的颜色值作为颜色特征。
步骤S102提取行人的梯度特征。为了减少噪声的影响,对于hsv各个通道的颜色值,首先采用平均滤波的方法对每个像素点的横轴方向和纵轴方向的梯度值进行滤波,如公式(1)(2)所示;然后采用sigmod函数对梯度幅g(x,y)值进行了非线性的变换,使得梯度值越大的像素其特征的重要系数越大,如公式(3)所示;接着构造梯度方向特征向量将方向角O(x,y)平均划分为n(n为常量)个方向,当π/n*(k-1)<O(x,y)<π/n*k(0<k<n)时,将对应的第k个元素值设为1,其他的元素值为0;最后,提取g(x,y)幅度值特征与向量作为梯度特征。
gx(x,y)=|(∑rv(x+r,y)-∑rv(x-r,y))|/r (公式1)
gy(x,y)=|(∑rv(x,y+r)-∑rv(x,y-r))|/r (公式2)
O(x,y)=arctan(gy(x,y)/gx(x,y)) (公式4)
其中,(x,y)表示像素点的坐标位置,v(x,y)表示坐标为(x,y)的像素点的颜色值;r表示核半径,为常数,最小值为1,这里r设置为3;gx(x,y)表示横向坐标方向的梯度值;gy(x,y)表示纵向坐标方向的梯度值。
步骤S103具体为构造整体行人的模型。首先对行人的外接矩形框包含的图像进行特征提取,然后使用adaboost分类器训练,得到模型Mwhole,最后使用该模型对目标进行识别,其得分设为Swhole,当Swhole大于第二预定阈值时,则判断为行人。第二预定阈值由人工设定,第二预定阈值优选为0.6。
进一步地,步骤S103还包括步骤:
S131、若第一分类器得分小于等于第二预定阈值,则判定当前图像中不包含行人,过滤图像。首先使用整体分类器模型用窗口滑动的方法对图像进行扫描,得到候选目标,即当Swhole<=threshwhole(设threshwhole为第二预定阈值)时为非行人,对其进行过滤。
S200、当检测到图像中的目标为候选行人目标时,对候选行人目标进行部位划分,分别是头肩部位、躯干部位、左躯干拓展部位、右躯干拓展部位、左腿部位及右腿部位。对候选行人目标进行部位划分,分别是:头肩部位、躯干部位、左躯干拓展部位、右躯干拓展部位、左腿部位及右腿部位。
进一步地实施例中,步骤S200具体包括:
S201、当检测到图像中的目标为候选行人目标时,获取图像中的候选行人目标的外接矩形框的高度和宽度,以及候选行人目标的中心位置坐标及预设的各部位的偏移量;
S202、根据候选行人目标的外接矩形框的高度和宽度,以及候选行人目标的中心位置坐标及预设的各部位的偏移量将候选行人目标划分为头肩部、躯干部位、左躯干拓展部位、右躯干拓展部位、左腿部位及右腿部位。
具体实施时,对候选行人目标的部位模块的划分,其划分的内容包括6个部位,分别是:头肩部位、躯干部位、左躯干拓展部位、右躯干拓展部位、左腿部位及右腿部位。其具体的定义为设行人的外接矩形框高度设为h,宽度设为w,偏移量设为σ1~σ11,行人中心位置的坐标为(Cx,Cy);头肩部位的横向坐标取值范围为[0,w],纵向坐标的取值范围[0,Cy-0.25*h+σ1];躯干部位的横向坐标取值范围为[0,w],纵向坐标的取值范围[Cy-0.3*h+σ2,Cy+0.1*h+σ3];左躯干拓展部位的横向坐标取值范围为[0,0.5*w+σ4],纵向坐标的取值范围[Cy-0.3*h+σ5,Cy+0.1*h+σ6];右躯干拓展部位的横向坐标取值范围为[0.5*w+σ7,w],纵向坐标的取值范围[Cy-0.3*h+σ5,Cy+0.1*h+σ6];左腿部位的横向坐标取值范围为[0,0.5*w+σ8],纵向坐标的取值范围[Cy-0.1*h+σ9,Cy+0.5*h+σ10];右腿部位的横向坐标取值范围为[0.5*w+σ11,w],纵向坐标的取值范围[Cy-0.1*h+σ9,Cy+0.5*h+σ10]。
S300、提取各个部位的颜色特征及梯度特征,采用聚类算法对同一部位的不同姿态进行类别划分,得到部位类,根据不同部位的部位类构成部位类簇。由于不同姿态的行人的同一部位特征具有较大差异性,且每个部位的特征产生的差异不一致,因此为了更好地建立同一部位在不同姿态下的模型,提出使用kmeans聚类的方法自动地对同一部位进行不同姿态的划分,形成部位类。不同部位的部位类聚合在一起形成部位类簇。设头肩部位的特征使用Kmeans方法划分为N1类;设躯干部位的特征划分为N2类;设左躯干拓展部位的特征划分为N3类;设右躯干拓展部位的特征划分为N4类;设左腿部位的特征划分为N5类;设右腿部位的特征划分为N6类。其中N1~N6为常数,最小值为1。
S400、使用分类器对各个部位类簇分别建立模型生成对应的部位类簇分类器,根据部位类簇分类器对候选行人目标进行识别,根据各个部位类的得分进行加权融合后生成最终得分。使用分类器对各个部位类簇分别建立模型,最后用部位类簇分类器对目标进行识别,将各个部位类的得分进行加权融合生成最终得分。
进一步的实施例中,步骤S400具体包括步骤:
S401、使用分类器对各个部位类簇进行分类,分别得到头肩部位分类器、躯干部位分类器、左躯干部位分类器、右躯干部位分类器、左腿部位分类器、右腿部位分类器;
S402、根据头肩部位分类器、躯干部位分类器、左躯干部位分类器、右躯干部位分类器、左腿部位分类器、右腿部位分类器分别对候选行人目标进行识别后生成对应的得分为头肩部位得分、躯干部位得分、左躯干部位得分、右躯干部位得分、左腿部位得分、右腿部位得分;
S403、根据头肩部位得分、躯干部位得分、左躯干部位得分、右躯干部位得分、左腿部位得分、右腿部位得分进行加权融合计算,得到候选行人的最终得分。
具体实施时,使用adaboost分类器对部位类簇进行分类,得到头肩部位分类器设为Mhead1、Mhead2、…、MheadN1,使用该模型进行目标识别后对应得分设为Shead1、Shead2、…、SheadN1;躯干部位分类器设为Mtrunk1、Mtrunk2、…、MtrunkN2,使用该模型进行目标识别后对应得分设为Strunk1、Strunk2、…、StrunkN2;左躯干部位分类器设为Mltrunk1、Mltrunk2、…、MltrunkN3,使用该模型进行目标识别后对应得分设为Sltrunk1、Sltrunk2、…、SltrunkN3;右躯干部位分类器设为Mrtrunk1、Mrtrunk2、…、MrtrunkN4,使用该模型进行目标分类后对应得分设为Srtrunk1、Srtrunk2、…、SrtrunkN4;左腿部位分类器设为Mlleg1、Mlleg2、…、MllegN5,使用该模型进行目标分类后对应得分设为Slleg1、Slleg2、…、SllegN5;右腿部位分类器设为Mrleg1、Mrleg2、…、MrlegN6,使用该模型进行目标分类后对应得分设为Srleg1、Srleg2、…、SrlegN6。
对部位类簇的识别分数进行加权融合计算,如公式(5)所示,得到行人的最终得分Sfinal,
其中,λi为权重因子,这里λi设置为1/Ni。
S500、判断最终得分是否大于第一预定阈值,若最终得分大于第一预定阈值,则判定候选行人目标为行人。当Sfinal>threshfinal(设threshfinal为第一预定阈值)时判断为行人。
本发明还提供了一种基于分类器的行人检测方法的具体应用实施例的流程图,如图2所示,方法包括步骤:
S10、开始;
S20、视频图像输入;
S30、行人整体模型、部位类簇模型导入;其中行人整体模型需预先训练,具体的,获取行人整体正训练样本、行人整体负训练样本后,进行颜色、梯度特征提取,通过分类器训练后,生成整体行人模型。
S40、整体模型继续判断是否为候选行人目标,若是,则执行步骤S50,若否,则执行步骤S80;
S50、部位簇模型继续判断是否为行人,若是,则执行步骤S60,若否,则执行步骤S80;其中获取取行人整体正训练样本、行人部位划分、构建行人部位类簇后生成的第一训练样本,将行人整体负训练样本后进行行人部位划分后生成第二训练样本,将第一训练样本、第二训练样本分别进行颜色、特征提取后,用分类器进行训练,生成行人部位类簇模型;
S60、输出行人的坐标位置信息;
S70、视频图像输入是否结束,若是,则执行步骤S80,若否,则执行步骤S20;
S80、结束。
由以上方法实施例可知,本发明还提供了一种基于分类器的行人检测方法,本发明对行人的颜色和梯度特征进行提取,在不同的环境下具有较高的鲁棒性,且计算复杂度低;并提出了建立部位类簇模型的方法更好地对行人在不同姿态及环境下的特征进行描述,同时采用了使用整体模型和部位类簇模型的多重判断机制具有更高的效率和准确性。
本发明还提供了一种基于分类器的行人检测系统的较佳实施例的功能原理框图,如图3所示,其中,系统包括:
特征提取模块100,用于获取拍摄的图像,提取图像的颜色特征及梯度特征,根据分类器构造的整体行人模型对图像的颜色特征及梯度特征进行识别,根据识别结果判断图像是否为候选行人目标;具体如方法实施例所述。
部位划分模块200,用于当检测到图像中的目标为候选行人目标时,对候选行人目标进行部位划分,分别是头肩部位、躯干部位、左躯干拓展部位、右躯干拓展部位、左腿部位及右腿部位;具体如方法实施例所述。
部位类簇构造模块300,用于提取各个部位的颜色特征及梯度特征,采用聚类算法对同一部位的不同姿态进行类别划分,得到部位类,根据不同部位的部位类构成部位类簇;具体如方法实施例所述。
识别模块400,用于使用分类器对各个部位类簇分别建立模型生成对应的部位类簇分类器,根据部位类簇分类器对候选行人目标进行识别,根据各个部位类的得分进行加权融合后生成最终得分;具体如方法实施例所述。
行人判定模块500,用于判断最终得分是否大于第一预定阈值,若最终得分大于第一预定阈值,则判定候选行人目标为行人;具体如方法实施例所述。
所述的基于分类器的行人检测系统,其中,所述特征提取模块具体包括:
颜色特征提取单元,用于获取拍摄的图像,将图像的rgb颜色空间转换为hsv颜色空间,分别记录图像中各个像素点的h、s与v通道的颜色值作为颜色特征;具体如方法实施例所述。
梯度特征提取单元,用于对图像的h、s、v各个通道的各个像素点的梯度值进行滤波得到梯度幅值,对梯度幅值进行非线性变换,构造梯度方向特征向量,提取梯度幅值特征与梯度方向特征向量为梯度特征;具体如方法实施例所述。
候选行人目标判定单元,用于根据分类器对图像的颜色特征及梯度特征进行识别,获取识别后的第一分类器得分,判断第一分类器得分是否大于第二预定阈值,若第一分类器得分大于第二预定阈值,则当前图像中为候选行人目标;具体如方法实施例所述。
所述的基于分类器的行人检测系统,其中,所述部位划分模块具体包括:
部位坐标获取单元,用于当检测到图像中的目标为候选行人目标时,获取图像中的候选行人目标的外接矩形框的高度和宽度,以及候选行人目标的中心位置坐标及预设的各部位的偏移量;具体如方法实施例所述。
部位划分单元,用于根据候选行人目标的外接矩形框的高度和宽度,以及候选行人目标的中心位置坐标及预设的各部位的偏移量将候选行人目标划分为头肩部、躯干部位、左躯干拓展部位、右躯干拓展部位、左腿部位及右腿部位;具体如方法实施例所述。
所述的基于分类器的行人检测系统,其中,所述识别模块具体包括:
分类单元,用于使用分类器对各个部位类簇进行分类,分别得到头肩部位分类器、躯干部位分类器、左躯干部位分类器、右躯干部位分类器、左腿部位分类器、右腿部位分类器;具体如方法实施例所述。
识别单元,用于根据头肩部位分类器、躯干部位分类器、左躯干部位分类器、右躯干部位分类器、左腿部位分类器、右腿部位分类器分别对候选行人目标进行识别后生成对应的得分为头肩部位得分、躯干部位得分、左躯干部位得分、右躯干部位得分、左腿部位得分、右腿部位得分;具体如方法实施例所述。
计算单元,用于根据头肩部位得分、躯干部位得分、左躯干部位得分、右躯干部位得分、左腿部位得分、右腿部位得分进行加权融合计算,得到候选行人的最终得分;具体如方法实施例所述。
所述的基于分类器的行人检测系统,其中,所述特征提取模块具体包括:
图像过滤单元,用于若第一分类器得分小于等于第二预定阈值,则判定当前图像中不包含行人,过滤图像;具体如方法实施例所述。
综上所述,本发明提出了一种基于分类器的行人检测方法及系统,方法包括:提取图像的颜色特征及梯度特征,根据整体行人模型对图像进行识别,当识别图像为候选行人目标时,对其进行部位划分;提取各个部位的颜色特征及梯度特征,采用聚类算法对同一部位的不同姿态进行类别划分,得到部位类,根据不同部位的部位类构成部位类簇;对各个部位类簇分别建立模型生成对应的部位类簇分类器,根据部位类簇分类器对候选行人目标进行识别后生成最终得分;若检测到最终得分大于第一预定阈值,则判定候选行人目标为行人。本发明通过建立部位类簇模型的方法对行人在不同姿态及环境下的特征进行描述,使用整体模型和部位类簇模型的多重判断机制,提高了行人检测的效率和准确度。
应当理解的是,本发明的应用不限于上述的举例,对本领域普通技术人员来说,可以根据上述说明加以改进或变换,所有这些改进和变换都应属于本发明所附权利要求的保护范围。
Claims (10)
1.一种基于分类器的行人检测方法,其特征在于,方法包括步骤:
A、获取拍摄的图像,提取图像的颜色特征及梯度特征,根据分类器构造的整体行人模型对图像的颜色特征及梯度特征进行识别,根据识别结果判断图像是否为候选行人目标;
B、当检测到图像中的目标为候选行人目标时,对候选行人目标进行部位划分,分别是头肩部位、躯干部位、左躯干拓展部位、右躯干拓展部位、左腿部位及右腿部位;
C、提取各个部位的颜色特征及梯度特征,采用聚类算法对同一部位的不同姿态进行类别划分,得到部位类,根据不同部位的部位类构成部位类簇;
D、使用分类器对各个部位类簇分别建立模型生成对应的部位类簇分类器,根据部位类簇分类器对候选行人目标进行识别,根据各个部位类的得分进行加权融合后生成最终得分;
E、判断最终得分是否大于第一预定阈值,若最终得分大于第一预定阈值,则判定候选行人目标为行人。
2.根据权利要求1所述的基于分类器的行人检测方法,其特征在于,所述步骤A具体包括步骤:
A1、获取拍摄的图像,将图像的rgb颜色空间转换为hsv颜色空间,分别记录图像中各个像素点的h、s与v通道的颜色值作为颜色特征;
A2、对图像的h、s、v各个通道的各个像素点的梯度值进行滤波得到梯度幅值,对梯度幅值进行非线性变换,构造梯度方向特征向量,提取梯度幅值特征与梯度方向特征向量为梯度特征;
A3、根据分类器对图像的颜色特征及梯度特征进行识别,获取识别后的第一分类器得分,判断第一分类器得分是否大于第二预定阈值,若第一分类器得分大于第二预定阈值,则当前图像中为候选行人目标。
3.根据权利要求2所述的基于分类器的行人检测方法,其特征在于,所述步骤B具体包括步骤:
B1、当检测到图像中的目标为候选行人目标时,获取图像中的候选行人目标的外接矩形框的高度和宽度,以及候选行人目标的中心位置坐标及预设的各部位的偏移量;
B2、根据候选行人目标的外接矩形框的高度和宽度,以及候选行人目标的中心位置坐标及预设的各部位的偏移量将候选行人目标划分为头肩部、躯干部位、左躯干拓展部位、右躯干拓展部位、左腿部位及右腿部位。
4.根据权利要求3所述的基于分类器的行人检测方法,其特征在于,所述步骤D具体包括步骤:
D1、使用分类器对各个部位类簇进行分类,分别得到头肩部位分类器、躯干部位分类器、左躯干部位分类器、右躯干部位分类器、左腿部位分类器、右腿部位分类器;
D2、根据头肩部位分类器、躯干部位分类器、左躯干部位分类器、右躯干部位分类器、左腿部位分类器、右腿部位分类器分别对候选行人目标进行识别后生成对应的得分为头肩部位得分、躯干部位得分、左躯干部位得分、右躯干部位得分、左腿部位得分、右腿部位得分;
D3、根据头肩部位得分、躯干部位得分、左躯干部位得分、右躯干部位得分、左腿部位得分、右腿部位得分进行加权融合计算,得到候选行人的最终得分。
5.根据权利要求2所述的基于分类器的行人检测方法,其特征在于,所述步骤A3还包括步骤:
A31、若第一分类器得分小于等于第二预定阈值,则判定当前图像中不包含行人,过滤图像。
6.一种基于分类器的行人检测系统,其特征在于,系统包括:
特征提取模块,用于获取拍摄的图像,提取图像的颜色特征及梯度特征,根据分类器构造的整体行人模型对图像的颜色特征及梯度特征进行识别,根据识别结果判断图像是否为候选行人目标;
部位划分模块,用于当检测到图像中的目标为候选行人目标时,对候选行人目标进行部位划分,分别是头肩部位、躯干部位、左躯干拓展部位、右躯干拓展部位、左腿部位及右腿部位;
部位类簇构造模块,用于提取各个部位的颜色特征及梯度特征,采用聚类算法对同一部位的不同姿态进行类别划分,得到部位类,根据不同部位的部位类构成部位类簇;
识别模块,用于使用分类器对各个部位类簇分别建立模型生成对应的部位类簇分类器,根据部位类簇分类器对候选行人目标进行识别,根据各个部位类的得分进行加权融合后生成最终得分;
行人判定模块,用于判断最终得分是否大于第一预定阈值,若最终得分大于第一预定阈值,则判定候选行人目标为行人。
7.根据权利要求6所述的基于分类器的行人检测系统,其特征在于,所述特征提取模块具体包括:
颜色特征提取单元,用于获取拍摄的图像,将图像的rgb颜色空间转换为hsv颜色空间,分别记录图像中各个像素点的h、s与v通道的颜色值作为颜色特征;
梯度特征提取单元,用于对图像的h、s、v各个通道的各个像素点的梯度值进行滤波得到梯度幅值,对梯度幅值进行非线性变换,构造梯度方向特征向量,提取梯度幅值特征与梯度方向特征向量为梯度特征;
候选行人目标判定单元,用于根据分类器对图像的颜色特征及梯度特征进行识别,获取识别后的第一分类器得分,判断第一分类器得分是否大于第二预定阈值,若第一分类器得分大于第二预定阈值,则当前图像中为候选行人目标。
8.根据权利要求7所述的基于分类器的行人检测系统,其特征在于,所述部位划分模块具体包括:
部位坐标获取单元,用于当检测到图像中的目标为候选行人目标时,获取图像中的候选行人目标的外接矩形框的高度和宽度,以及候选行人目标的中心位置坐标及预设的各部位的偏移量;
部位划分单元,用于根据候选行人目标的外接矩形框的高度和宽度,以及候选行人目标的中心位置坐标及预设的各部位的偏移量将候选行人目标划分为头肩部、躯干部位、左躯干拓展部位、右躯干拓展部位、左腿部位及右腿部位。
9.根据权利要求8所述的基于分类器的行人检测系统,其特征在于,所述识别模块具体包括:
分类单元,用于使用分类器对各个部位类簇进行分类,分别得到头肩部位分类器、躯干部位分类器、左躯干部位分类器、右躯干部位分类器、左腿部位分类器、右腿部位分类器;
识别单元,用于根据头肩部位分类器、躯干部位分类器、左躯干部位分类器、右躯干部位分类器、左腿部位分类器、右腿部位分类器分别对候选行人目标进行识别后生成对应的得分为头肩部位得分、躯干部位得分、左躯干部位得分、右躯干部位得分、左腿部位得分、右腿部位得分;
计算单元,用于根据头肩部位得分、躯干部位得分、左躯干部位得分、右躯干部位得分、左腿部位得分、右腿部位得分进行加权融合计算,得到候选行人的最终得分。
10.根据权利要求7所述的基于分类器的行人检测系统,其特征在于,所述特征提取模块具体包括:
图像过滤单元,用于若第一分类器得分小于等于第二预定阈值,则判定当前图像中不包含行人,过滤图像。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710005282.8A CN107066928A (zh) | 2017-01-04 | 2017-01-04 | 一种基于分类器的行人检测方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710005282.8A CN107066928A (zh) | 2017-01-04 | 2017-01-04 | 一种基于分类器的行人检测方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN107066928A true CN107066928A (zh) | 2017-08-18 |
Family
ID=59624143
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710005282.8A Pending CN107066928A (zh) | 2017-01-04 | 2017-01-04 | 一种基于分类器的行人检测方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107066928A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108307158A (zh) * | 2018-02-13 | 2018-07-20 | 山东顺国电子科技有限公司 | 人防自动调控方法、装置及系统 |
CN108502692A (zh) * | 2018-04-15 | 2018-09-07 | 曾洁 | 踏板间距可调节式扶梯 |
CN109740671A (zh) * | 2019-01-03 | 2019-05-10 | 北京妙医佳信息技术有限公司 | 一种图像识别方法及装置 |
-
2017
- 2017-01-04 CN CN201710005282.8A patent/CN107066928A/zh active Pending
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108307158A (zh) * | 2018-02-13 | 2018-07-20 | 山东顺国电子科技有限公司 | 人防自动调控方法、装置及系统 |
CN108502692A (zh) * | 2018-04-15 | 2018-09-07 | 曾洁 | 踏板间距可调节式扶梯 |
CN109740671A (zh) * | 2019-01-03 | 2019-05-10 | 北京妙医佳信息技术有限公司 | 一种图像识别方法及装置 |
CN109740671B (zh) * | 2019-01-03 | 2021-02-23 | 北京妙医佳信息技术有限公司 | 一种图像识别方法及装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN103824059B (zh) | 一种基于视频图像序列的人脸表情识别方法 | |
CN108520226B (zh) | 一种基于躯体分解和显著性检测的行人重识别方法 | |
WO2018107760A1 (zh) | 一种用于行人检测的协同式深度网络模型方法 | |
CN103942577B (zh) | 视频监控中基于自建立样本库及混合特征的身份识别方法 | |
CN102663413B (zh) | 一种面向多姿态和跨年龄的人脸图像认证方法 | |
CN103473571B (zh) | 一种人体检测方法 | |
CN103186775B (zh) | 基于混合描述子的人体运动识别方法 | |
CN102194108B (zh) | 一种聚类线性鉴别分析特征选择的笑脸表情识别方法 | |
CN107463920A (zh) | 一种消除局部遮挡物影响的人脸识别方法 | |
CN102096823A (zh) | 基于高斯模型和最小均方差的人脸检测方法 | |
CN108182409A (zh) | 活体检测方法、装置、设备及存储介质 | |
CN107066972B (zh) | 基于多通道极值区域的自然场景文本检测方法 | |
CN104166841A (zh) | 一种视频监控网络中指定行人或车辆的快速检测识别方法 | |
CN105160319A (zh) | 一种在监控视频下实现行人再识别的方法 | |
CN102915446A (zh) | 基于svm机器学习的植物病虫害检测方法 | |
CN107545536A (zh) | 一种智能终端的图像处理方法及图像处理系统 | |
CN110532850B (zh) | 一种基于视频关节点和混合分类器的跌倒检测方法 | |
CN103984948A (zh) | 一种基于人脸图像融合特征的软双层年龄估计方法 | |
CN101923652A (zh) | 一种基于肤色和特征部位联合检测的色情图片识别方法 | |
CN101620673A (zh) | 一种鲁棒的人脸检测及跟踪方法 | |
CN110032932B (zh) | 一种基于视频处理和决策树设定阈值的人体姿态识别方法 | |
CN104021384B (zh) | 一种人脸识别方法及装置 | |
CN110929687B (zh) | 一种基于关键点检测的多人行为识别系统及工作方法 | |
CN106845328A (zh) | 一种基于双摄像头的智能人脸识别方法及系统 | |
CN106203356A (zh) | 一种基于卷积网络特征提取的人脸识别方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
DD01 | Delivery of document by public notice | ||
DD01 | Delivery of document by public notice |
Addressee: Xue Liantong Document name: Notice of commencement of preservation procedure |