CN108549868A - 一种行人检测方法 - Google Patents
一种行人检测方法 Download PDFInfo
- Publication number
- CN108549868A CN108549868A CN201810326872.5A CN201810326872A CN108549868A CN 108549868 A CN108549868 A CN 108549868A CN 201810326872 A CN201810326872 A CN 201810326872A CN 108549868 A CN108549868 A CN 108549868A
- Authority
- CN
- China
- Prior art keywords
- crlbp
- gradient
- pedestrian detection
- image
- hog
- 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
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
-
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
- G06F18/253—Fusion techniques of extracted features
-
- 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
- G06V10/507—Summing image-intensity values; Histogram projection analysis
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Multimedia (AREA)
- Human Computer Interaction (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及一种行人检测方法,属于检测技术领域,解决了现有技术中实时性差、难以处理遮挡、不适用光照变化明显且噪声较强场合的问题。所述方法包括如下步骤:输入图像,获取其像素点灰度值;根据所述像素点灰度值获取三种CRLBP算子,得到CRLBP纹理特征谱;计算输入图像的HOG特征、CRLBP直方图特征、CRLBP纹理特征谱的HOG特征;将输入图像的HOG特征、CRLBP直方图特征、CRLBP纹理特征谱的HOG特征进行融合,得到图像描述子;然后,使用主成分分析法对图像描述子进行降维,并对降维结果使用分类器实现行人检测和识别。本发明检测效率高,实时性好,且对光照和噪声具有良好的鲁棒性。
Description
技术领域
本发明涉及检测技术领域,尤其涉及一种行人检测方法。
背景技术
行人检测作为检测技术的一种,已经在汽车驾驶辅助、视频监控系统和基于内容的视频检索等领域得到了广泛的应用。行人检测可看作是特征提取和分类器相结合的过程,目的是从一个未知的视频或图像中,自动分析并检测出其中存在的行人。
目前,较为经典的行人检测方法包括:方向梯度直方图(HOG)描述子与支持向量机(SVM)分类器相结合的行人检测方法,利用可变部件模型(DPM)与HOG描述子相结合检测粘连现象严重的行人的方法,以及基于HOG-LBP特征的行人检测方法。
上述三种方法都使用了HOG描述子。但HOG描述子生成过程冗长,导致上述三种方法速度慢、实时性差,很难处理遮挡问题,且对噪点过于敏感。局部二值模式(LBP)作为一种描述图像局部纹理特征的算子,用于提取纹理特征时,具有旋转不变性和灰度不变性等显著优点,但LBP对噪声也很敏感,且相同的二进制码可能表征不同的结构模式(例如,灰度值分别为40和45的两个像素点,按顺时针顺序,其中,第一个像素点相邻像素灰度值为41、45、48、35、30、30、25、15,第二个像素点的相邻像素灰度值为48、49、50、10、42、12、41、44,这是两种不同的结构模式,但是这两个像素点的LBP值均为11100000),对于图像中存在光照变化明显且噪声较强时行人检测问题取得的检测效果一般。
发明内容
鉴于上述的分析,本发明实施例旨在提供一种行人检测方法,用以解决现有现有技术中实时性差、难以处理遮挡、不适用光照变化明显且噪声较强场合的问题。
本发明实施例提供了一种行人检测方法,包括如下步骤:
输入图像,获取其像素点灰度值;
根据所述像素点灰度值获取三种CRLBP算子,得到CRLBP纹理特征谱;
计算所述输入图像的HOG特征;计算所述CRLBP纹理特征谱的HOG特征;计算CRLBP直方图特征;
将所述输入图像的HOG特征、所述CRLBP纹理特征谱的HOG特征、所述CRLBP直方图特征进行融合,得到图像描述子;
使用主成分分析法对所述图像描述子进行降维,对降维结果使用分类器实现行人检测和识别。
上述技术方案的有益效果如下:不同于刚性目标具有固定的形状和空间结构,行人目标存在着形变、部分遮挡和观察角度变化等问题会影响检测效果。本发明采用完整鲁棒局部二值模式(CRLBP)的方法,并采用主成分分析法降维,不但增强了尺度不变形,提高了检测对光照和噪声的鲁棒性,解决了不同结果具有相同编码的问题,而且在保留原始图像和纹理特征谱的同时,提升了运算效率,提高了方法的实时性,使得检测效果更佳。
基于上述方法的另一个实施例中,具体指出,所述三种算子包括:
RLBP算子,计算公式如下
式中,gc表示中心像素的灰度值,gp表示一个半径为R的圆上第p个相邻像素的灰度值,p=0,…,P-1,P表示邻域的总数,gci表示gc的邻域像素的灰度值,i=0,…,8,α是一个预设参数,s()表示二值函数,当其自变量大于等于0时s()等于1,自变量小于0时s()等于0;
RLBP_M算子,计算公式如下
式中,c表示整个图像的mp的平均值,mp表示在半径为R的圆上第p个邻域像素的加权局部灰度与中心像素加权局部灰度的差异;
RLBP_C算子,计算公式如下
式中,cI为整个图像的平均局部灰度级。
上述技术方案的有益效果是:本发明采用将原始图像的完整鲁棒局部二值模式(CRLBP)直方图特征、CRLBP纹理特征谱的HOG特征与原始图像的HOG特征融合作为新的特征,对光照和噪声具有鲁棒性,且保留了原始图像和纹理特征谱特征。不同于常规的局部二值模式及其改进方法,本发明采用的的CRLBP方法简单有效地解决了对噪声敏感的问题,且从编码规则上解决了相同的二进制码有时会表征不同的结构模式的问题。
进一步,计算所述图像HOG特征的步骤包括:
对输入图像进行归一化处理,得到归一化图像;
计算所述归一化图像的梯度,得到梯度的幅值和方向;
根据所述梯度的方向,对梯度进行加权,得到加权梯度幅值;
选定检测窗口,对窗口内像素进行归一化处理,得到归一化的HOG特征向量。
采用上述进一步方案的有益效果是:采用上述步骤,可以计算所述输入图像的HOG特征,或者计算所述CRLBP纹理特征谱的HOG特征。HOG是一种解决人体目标检测的图像描述子,可以提取人体的外形信息和运动信息,形成丰富的特征集。而CRLBP纹理特征谱的HOG特征,不但能够有效描述图像的纹理特征,还能保留边缘信息和局部细节信息。
进一步,所述输入图像的HOG特征、所述CRLBP纹理特征谱的HOG特征、所述CRLBP直方图特征采用串行方式进行融合,融合结果作为图像描述子:
X=[X11,X12,···,X1n,X21,X22,···,X2m,X31,X32,···,X3l]
其中,所述CRLBP直方图特征向量X1=[X11,X12,···,X1n],所述输入图像的HOG特征向量X2=[X21,X22,···,X2m],所述CRLBP纹理特征谱的HOG特征X3=[X31,X32,···,X3l]。
采用上述进一步方案的有益效果是:融合了原始图像的HOG特征、CRLBP直方图特征和、CRLBP纹理特征谱的HOG特征的新的图像描述子,既不损失任何纹理信息和边缘信息,又对光照、噪声和尺度具有鲁棒性。
进一步,所述归一化处理的方法是图像Gamma和颜色空间归一化。
采用上述进一步方案的有益效果是:采用图像Gamma和颜色空间归一化能够提高检测器对光照的鲁棒性。颜色空间归一化就是对整幅图像的颜色信息作归一化处理从而减少不同光照及背景的影响。
进一步,计算所述归一化图像的梯度的方法是对输入的归一化图像进行一阶微分。
采用上述进一步方案的有益效果是:图像边缘是由图像局部特征包括灰度、颜色和纹理的突变导致的。一幅图像中相邻的像素点之间变化比较少,区域变化比较平坦,则梯度幅值就会比较小,反之,则梯度幅值就会比较大。梯度在图像中对应的就是其一阶导数。
进一步,所述梯度的幅值和方向θ(x,y)分别表示为
式中,f(x,y)表示所述归一化图像,Gx和Gy分别表示归一化图像在水平方向上及垂直方向上的梯度。
进采用上述进一步方案的有益效果是:本发明需要求得梯度的幅值和方向,然后根据梯度的方向,对像素的梯度幅值进行加权。
进一步,梯度的方向表示为
采用上述进一步方案的有益效果是:梯度方向一般采用无符号的范围,采用上述方案可以限定在0°~180°范围内。
进一步,所述主成分分析法的步骤包括,
给定m个空间样本x1,x2,···,xm,协方差矩阵为
对此协方差矩阵S进行分解,得到其前k个最大的特征值对应的特征向量构成的矩阵
Uk=[u1,u2,···,uk]
得到降维后的特征向量
采用上述进一步方案的有益效果是:得到了最终的图像描述子之后,需要使用主成分分析法对得到的特征进行降维,得到低维度的图像描述特征,然后才能用分类器进行行人检测和识别。
进一步,对所述降维后的特征向量使用HIKSVM分类器实现行人检测。
采用上述进一步方案的有益效果是:在目标识别领域,HIKSVM分类器具有分类块且准确率高的优点,采用该方案,行人检测和识别的效率得以进一步提高。即计算复杂度降低,分类效率提高。
本发明中,上述各技术方案之间还可以相互组合,以实现更多的优选组合方案。本发明的其他特征和优点将在随后的说明书中阐述,并且,部分优点可从说明书中变得显而易见,或者通过实施本发明而了解。本发明的目的和其他优点可通过说明书、权利要求书以及附图中所特别指出的内容中来实现和获得。
附图说明
附图仅用于示出具体实施例的目的,而并不认为是对本发明的限制,在整个附图中,相同的参考符号表示相同的部件。
图1为本发明实施例1行人检测方法示意图;
图2为本发明实施例2行人检测方法流程图;
图3为实本发明施例2的HOG特征向量生成过程示意图;
图4为实本发明施例2的CRLBP直方图特征生成示意图。
具体实施方式
下面结合附图来具体描述本发明的优选实施例,其中,附图构成本申请一部分,并与本发明的实施例一起用于阐释本发明的原理,并非用于限定本发明的范围。
实施例1
如图1所示,本发明的一个具体实施例,公开了一种行人检测方法,包括如下步骤:
1.输入图像,获取其像素点灰度值;
2.根据所述像素点灰度值获取三种CRLBP算子,得到CRLBP纹理特征谱;
3.计算所述输入图像的HOG特征;计算所述CRLBP纹理特征谱的HOG特征;计算CRLBP直方图特征;
4.将所述输入图像的HOG特征、所述CRLBP纹理特征谱的HOG特征、所述CRLBP直方图特征进行融合,得到图像描述子;
5.使用主成分分析法对所述图像描述子进行降维,对降维结果使用分类器实现行人检测和识别。
实施时,首先,定义平均局部灰度(ALG)为:
式中,g表示中心像素的灰度值,gi表示相邻像素的灰度值,i=0,…,8,ALG表示局部纹理的平均灰度,它明显比中心像素的灰度值对噪声的鲁棒性更强。
使用ALG作为阈值替代灰度值来应用LBP过程,称为鲁棒局部二值模式(RLBP)。定义RLBP如下:
x=gp-ALGc
式中,gc表示中心像素的灰度值,gp表示一个半径为R的圆上第p个相邻像素的灰度值,p=0,…,P-1,P为邻域的总数,gci表示gc的邻域像素的灰度值,i=0,…,8,α是一个预设参数,由用户设置,s()表示二值函数,当其自变量大于等于0时s()等于1,自变量小于0时s()等于0。
因为像素的平均局部灰度级被用作阈值,所以RLBP对噪声不敏感。此外,由于每个相邻像素的邻域也被考虑,所以具有相同LBP编码的两个不同模式会具有不同的RLBP码。因此,RLBP可以克服上述原始LBP的缺点。
ALG忽略了单个像素的特定值,但是有时需要中心像素的特定信息。为了在抗噪声和单个像素的信息之间取得平衡,定义一个加权局部灰度(WLG)如下:
式中,α是用户设置的一个参数。
应该注意的是,如果α被设置为1,则WLG等同于传统的ALG。现在,本实施例的RLBP计算如下:
当α设置为8,9,10时,RLBP鉴别能力更好。当α设置为1时,RLBP的抗噪声性能最好,如果α大于8,则RLBP对噪声更为敏感。因此,本实施例将α设为8,因为这种情况下RLBP提取了局部相邻集和单个像素的灰度级信息,在复杂的光照和视点变化条件下表现更稳定,且不会对噪声更敏感。
为了区分LBP令人混淆的模式,在本实施例中,RLBP继承了CLBP的有效框架。mp的量级通常定义如下:
式中,WLGc表示中心像素的加权局部灰度,WLGp表示一个半径为R的圆上第p个相邻像素的加权局部灰度。
用RLBP_M表示WLG的局部方差,定义RLBP_M如下:
式中,c表示整个图像的mp的平均值,mp表示在半径为R的圆上第p个邻域像素的加权局部灰度与中心像素加权局部灰度的差异,表示图像中央灰度级的中心像素也具有辨别性信息。
定义了RLBP_C运算符来提取局部中心信息如下:
式中,cI为整个图像的平均局部灰度级,即整个图像所有像素点的WLG的平均值。
最后,为RLBP、RLBP_M和RLBP_C这三个算子建立三维联合(3D-joint)方程,记为CRLBP:
CRLBP=[RLBP,RLBP_M,RLBP_C] (8)
三个CRLBP算子均能够在抗噪声和单个像素的信息之间取得平衡,在复杂的光照和视点变化条件下表现稳定,不会对噪声更敏感。
使用HOG来提取人体的外形和运动信息,能够形成丰富的特征集。三种特征进行融合后得到的图像描述子,不但包含原始图像的全部纹理信息和边缘信息,而且对光照、噪声和尺度具有鲁棒性。
与现有技术相比,本实施例提供的方案采用了完整鲁棒局部二值模式(CRLBP)的方法,并采用主成分分析法降维,不但增强了尺度不变性,提高了对光照和噪声的鲁棒性,解决了不同结果具有相同编码的问题,而且在保留原始图像和纹理特征谱的同时,提升了运算效率,提高了方法的实时性,使得检测效果更佳。
实施例2
在上述实施例的基础上进行优化,如图2所示,描述了本实施例行人检测方法流程。首先,提取原始图像的CRLBP直方图特征,同时提取基于CRLBP纹理特征谱的方向梯度直方图特征,计算原始图像的方向梯度直方图。然后再将获得原始图像的CRLBP直方图特征、基于CRLBP纹理特征谱的HOG特征和原始图像的HOG特征按串行融合的方式融合特征之后,可得到最终的图像描述子,并使用主成分分析法对该图像描述子降维。最后,使用HIKSVM分类器实现输入图像的检测与识别。
如图3所示,计算图像HOG特征的步骤包括:
1.对输入图像进行归一化处理,得到归一化图像;
2.计算所述归一化图像的梯度,得到梯度的幅值和方向;
3.根据所述梯度的方向,对梯度进行加权,得到加权梯度幅值;
4.选定检测窗口,对窗口内像素进行归一化处理,得到归一化的HOG特征向量。
通过上述步骤,可以求得输入图像的HOG特征、CRLBP纹理特征谱的HOG特征。
具体地,首先,对输入图像进行归一化。归一化图像的主要目的是提高检测器对光照的鲁棒性,颜色空间归一化就是对整幅图像的颜色信息作归一化处理从而减少不同光照及背景的影响,也为了提高检测的鲁棒性。优选地,采用图像Gamma和颜色空间归一化来作为特征提取的预处理手段。
然后,利用一阶微分计算图像梯度。边缘是由图像局部特征包括灰度、颜色和纹理的突变导致的。一幅图像中相邻的像素点之间变化比较少,区域变化比较平坦,则梯度幅值就会比较小,反之,则梯度幅值就会比较大。梯度在图像中对应的就是其一阶导数。模拟图像f(x,y)中任意像素点的梯度是一个矢量
式中,Gx是沿x方向上的梯度,Gy是沿y方向上的梯度。
梯度的幅值和方向角θ(x,y)表示如下:
因为模值的计算量较大,一般用如下公式近似求解:
采用模板[-1,0,1]为例计算图像梯度以及方向,通过梯度模板计算水平和垂直方向上的梯度分别如下:
式中,Gx、Gy和H(x,y)分别表示的是像素点(x,y)在水平方向上及垂直方向上的梯度以及像素的灰度值。
通过使用上述梯度模板可以优化对人体的检测效果。
梯度的幅值G(x,y)及方向θ(x,y)计算公式如下:
对于梯度方向的范围一般采用无符号的范围,故梯度方向可表示为:
接着,基于梯度幅值的方向权重投影。对于整个目标窗口,本发明需要将其分成互不重叠大小相同的细胞单元(cell),然后分别计算出每个cell的梯度信息,包括梯度大小和梯度方向。本实施例将像素的梯度方向在0°-180°区间内平均划分为9个bins(这样操作可以忽略方向的正负极,使检测效果更好),而超过9个时不仅检测性能没有明显的提高,反而增加了检测运算量。每个cell内的像素为其所在的梯度方向直方图进行加权投票的结果,加权的权值为像素本身的梯度幅值。
对局部细胞单元进行归一化处理,减少梯度幅值绝对值的大小容易受到前景与背景对比度及局部光照的影响,以得到较准确的检测效果。将几个细胞单元(cell)组合成更大的块(block),这时整幅图像就可看成是待检测窗口,将更大的块看成是滑动窗口,依次从左到右从上到下进行滑动,得到一些有重复细胞单元的块及一些相同细胞单元(cell)在不同块(block)中的梯度信息,再对这些块(block)信息分别作归一化处理,不同的细胞单元尺寸大小及不同块的尺寸大小会影响最终的检测效果。优选地,在本实施例中,采用块的大小为3×3个单元格,单元格的大小为6×6个像素,此时检测效果是最好的。块的尺寸太大时标准化的作用被削弱了从而导致错误率上升,而如果块的尺寸太小时,有用的信息反而会被过滤掉。
优选地,本实施例使用(ε是个很小的常数,避免分母为0,v表示未归一化的特征向量)的归一化函数,对block块内的HOG特征向量进行归一化,使特征向量空间对光照、阴影和边缘变化具有鲁棒性。
本实施例按照以上步骤最终得到一个由β×ζ×η个数据组成的高维度向量,其中β表示每个cell中方向单元(bin)的个数,ζ和η分别表示block的个数以及一个block中cell的数目。至此,HOG对于图像的图像描述子(特征向量)生成。
如图4所示,描述了计算CRLBP纹理特征谱的HOG特征的计算流程。本实施例采用对原始图像的CRLBP纹理特征谱的边缘进行描述的方法,即对CRLBP纹理特征谱构建方向梯度直方图。该方法能有效地描述图像的纹理特征,并保留边缘信息和局部细节信息。
在特征融合阶段,假设原始图像的CRLBP直方图特征向量表示为X1=[X11,X12,···,X1n],原始图像的HOG特征向量表示为X2=[X21,X22,···,X2m],CRLBP纹理特征谱的HOG特征表示为X3=[X31,X32,···,X3l],则串行融合后的图像描述子特征向量为:X=[X11,X12,···,X1n,X21,X22,···,X2m,X31,X32,···,X3l]。
在得到上述最终的图像描述子后,需要使用主成分分析法(PCA)对其进行降维。主成分分析法是一种基于K-L变换的线性特征提取方法,可简述成如下过程:
给定m个d维空间样本x1,x2,···,xm,根据公式(15)计算协方差矩阵:
式中,xi表示第i个d维空间样本,表示m个空间样本的平均值。
对此协方差矩阵S进行分解,求出其前k个最大的特征值对应的特征向量构成的矩阵
Uk=[u1,u2,···,uk] (16)
根据公式(17)得到降维后的特征:
最后,对得到的降维后的特征使用HIKSVM分类器实现行人检测。使用HIKSVM分类器能够降低计算复杂度,提高分类运算速度。
本领域技术人员可以理解,实现上述实施例方法的全部或部分流程,可以通过计算机程序来指令相关的硬件来完成,所述的程序可存储于计算机可读存储介质中。其中,所述计算机可读存储介质为磁盘、光盘、只读存储记忆体或随机存储记忆体等。
以上所述,仅为本发明较佳的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,可轻易想到的变化或替换,都应涵盖在本发明的保护范围之内。
Claims (10)
1.一种行人检测方法,其特征在于,包括如下步骤:
输入图像,获取其像素点灰度值;
根据所述像素点灰度值获取三种CRLBP算子,得到CRLBP纹理特征谱;
计算所述输入图像的HOG特征;计算所述CRLBP纹理特征谱的HOG特征;计算CRLBP直方图特征;
将所述输入图像的HOG特征、所述CRLBP纹理特征谱的HOG特征、所述CRLBP直方图特征进行融合,得到图像描述子;
使用主成分分析法对所述图像描述子进行降维,对降维结果使用分类器实现行人检测和识别。
2.根据权利要求1所述的行人检测方法,其特征在于,所述三种算子包括:
RLBP算子,计算公式如下
式中,gc表示中心像素的灰度值,gp表示一个半径为R的圆上第p个相邻像素的灰度值,p=0,…,P-1,P表示邻域的总数,gci表示gc的邻域像素的灰度值,i=0,…,8,α是一个预设参数,s()表示二值函数,当其自变量大于等于0时s()等于1,自变量小于0时s()等于0;
RLBP_M算子,计算公式如下
式中,c表示整个图像的mp的平均值,mp表示在半径为R的圆上第p个邻域像素的加权局部灰度与中心像素加权局部灰度的差异;
RLBP_C算子,计算公式如下
式中,cI为整个图像的平均局部灰度级。
3.根据权利要求1或2所述的行人检测方法,其特征在于,所述计算图像HOG特征的步骤包括:
对输入图像进行归一化处理,得到归一化图像;
计算所述归一化图像的梯度,得到梯度的幅值和方向;
根据所述梯度的方向,对梯度幅值进行加权,得到加权梯度幅值;
选定检测窗口,对窗口内像素进行归一化处理,得到归一化的HOG特征向量。
4.根据权利要求3所述的行人检测方法,其特征在于,所述输入图像的HOG特征、所述CRLBP纹理特征谱的HOG特征、所述CRLBP直方图特征采用串行方式进行融合,融合结果作为图像描述子:
X=[X11,X12,…,X1n,X21,X22,…,X2m,X31,X32,…,X3l]
其中,所述CRLBP直方图特征向量X1=[X11,X12,…,X1n],所述输入图像的HOG特征向量X2=[X21,X22,…,X2m],所述CRLBP纹理特征谱的HOG特征X3=[X31,X32,…,X3l]。
5.根据权利要求3所述的行人检测方法,其特征在于,所述归一化处理的方法是图像Gamma和颜色空间归一化。
6.根据权利要求3所述的行人检测方法,其特征在于,计算所述归一化图像的梯度的方法是对输入的归一化图像进行一阶微分。
7.根据权利要求4-6之一所述的行人检测方法,其特征在于,所述梯度的幅值和方向θ(x,y)分别表示为
式中,f(x,y)表示所述归一化图像,Gx和Gy分别表示归一化图像在水平方向上及垂直方向上的梯度。
8.根据权利要求7所述的行人检测方法,其特征在于,梯度的方向表示为
9.根据权利要求1-2、4-6或8之一所述的行人检测方法,其特征在于,所述主成分分析法的步骤包括,
给定m个空间样本x1,x2,…,xm,协方差矩阵为
对此协方差矩阵S进行分解,得到其前k个最大的特征值对应的特征向量构成的矩阵
Uk=[u1,u2,…,uk]
进一步得到降维后的特征向量
10.根据权利要求9所述的行人检测方法,其特征在于,对所述降维后的特征向量使用HIKSVM分类器实现行人检测。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810326872.5A CN108549868A (zh) | 2018-04-12 | 2018-04-12 | 一种行人检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810326872.5A CN108549868A (zh) | 2018-04-12 | 2018-04-12 | 一种行人检测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN108549868A true CN108549868A (zh) | 2018-09-18 |
Family
ID=63514859
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810326872.5A Pending CN108549868A (zh) | 2018-04-12 | 2018-04-12 | 一种行人检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108549868A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110188646A (zh) * | 2019-05-23 | 2019-08-30 | 南京邮电大学 | 基于梯度方向直方图与局部二值模式融合的人耳识别方法 |
CN112426163A (zh) * | 2019-08-26 | 2021-03-02 | 上海西门子医疗器械有限公司 | X-射线医疗设备的辅助摆位方法和系统及计算机存储介质 |
CN113343939A (zh) * | 2021-07-19 | 2021-09-03 | 安徽炬视科技有限公司 | 一种基于级联分类器攀爬行为检测识别算法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105117688A (zh) * | 2015-07-29 | 2015-12-02 | 重庆电子工程职业学院 | 基于纹理特征融合和svm的人脸识别方法 |
CN106874912A (zh) * | 2016-12-20 | 2017-06-20 | 银江股份有限公司 | 一种基于改进lbp算子的图像目标检测方法 |
CN107886066A (zh) * | 2017-11-07 | 2018-04-06 | 中国矿业大学 | 一种基于改进hog‑sslbp的行人检测方法 |
CN107886067A (zh) * | 2017-11-07 | 2018-04-06 | 中国矿业大学 | 一种基于hiksvm分类器的多特征融合的行人检测方法 |
-
2018
- 2018-04-12 CN CN201810326872.5A patent/CN108549868A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105117688A (zh) * | 2015-07-29 | 2015-12-02 | 重庆电子工程职业学院 | 基于纹理特征融合和svm的人脸识别方法 |
CN106874912A (zh) * | 2016-12-20 | 2017-06-20 | 银江股份有限公司 | 一种基于改进lbp算子的图像目标检测方法 |
CN107886066A (zh) * | 2017-11-07 | 2018-04-06 | 中国矿业大学 | 一种基于改进hog‑sslbp的行人检测方法 |
CN107886067A (zh) * | 2017-11-07 | 2018-04-06 | 中国矿业大学 | 一种基于hiksvm分类器的多特征融合的行人检测方法 |
Non-Patent Citations (1)
Title |
---|
李啸宇,张秋菊: "融合局部纹理特征的颗粒图像SLIC超像素分割方法", 《食品与机械》 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110188646A (zh) * | 2019-05-23 | 2019-08-30 | 南京邮电大学 | 基于梯度方向直方图与局部二值模式融合的人耳识别方法 |
CN110188646B (zh) * | 2019-05-23 | 2022-08-02 | 南京邮电大学 | 基于梯度方向直方图与局部二值模式融合的人耳识别方法 |
CN112426163A (zh) * | 2019-08-26 | 2021-03-02 | 上海西门子医疗器械有限公司 | X-射线医疗设备的辅助摆位方法和系统及计算机存储介质 |
CN113343939A (zh) * | 2021-07-19 | 2021-09-03 | 安徽炬视科技有限公司 | 一种基于级联分类器攀爬行为检测识别算法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108830188B (zh) | 基于深度学习的车辆检测方法 | |
CN104091147B (zh) | 一种近红外眼睛定位及眼睛状态识别方法 | |
CN111695482A (zh) | 一种管道缺陷识别方法 | |
CN104008370A (zh) | 一种视频人脸识别方法 | |
CN108470354A (zh) | 视频目标跟踪方法、装置和实现装置 | |
CN105488809A (zh) | 基于rgbd描述符的室内场景语义分割方法 | |
CN107945153A (zh) | 一种基于深度学习的路面裂缝检测方法 | |
CN106096557A (zh) | 一种基于模糊训练样本的半监督学习人脸表情识别方法 | |
CN106529448A (zh) | 利用聚合通道特征进行多视角人脸检测的方法 | |
CN103984953A (zh) | 基于多特征融合与Boosting决策森林的街景图像的语义分割方法 | |
CN103136504A (zh) | 人脸识别方法及装置 | |
CN107886066A (zh) | 一种基于改进hog‑sslbp的行人检测方法 | |
CN104036284A (zh) | 基于Adaboost算法的多尺度行人检测方法 | |
CN109934287A (zh) | 一种基于lbp与glcm的服装纹理识别分类方法 | |
CN108549868A (zh) | 一种行人检测方法 | |
CN108256462A (zh) | 一种商场监控视频中的人数统计方法 | |
CN112784722B (zh) | 基于YOLOv3和词袋模型的行为识别方法 | |
CN106971158A (zh) | 一种基于CoLBP共生特征与GSS特征的行人检测方法 | |
CN103020614A (zh) | 基于时空兴趣点检测的人体运动识别方法 | |
CN104598889A (zh) | 人体行为识别的方法和装置 | |
CN107886539A (zh) | 一种工业场景下高精度齿轮视觉检测方法 | |
CN113392856A (zh) | 图像伪造检测装置和方法 | |
CN108073940A (zh) | 一种非结构化环境中的3d目标实例物体检测的方法 | |
Vasudevan et al. | Dynamic scene classification using spatial and temporal cues | |
CN106548195A (zh) | 一种基于改进型hog‑ulbp特征算子的目标检测方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination |