CN109190456A - 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 - Google Patents
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 Download PDFInfo
- Publication number
- CN109190456A CN109190456A CN201810797332.5A CN201810797332A CN109190456A CN 109190456 A CN109190456 A CN 109190456A CN 201810797332 A CN201810797332 A CN 201810797332A CN 109190456 A CN109190456 A CN 109190456A
- Authority
- CN
- China
- Prior art keywords
- gray level
- feature
- occurrence matrixes
- classifier
- converging channels
- 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.)
- Granted
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
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
- G06F18/2148—Generating training patterns; Bootstrap methods, e.g. bagging or boosting characterised by the process organisation or structure, e.g. boosting cascade
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (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)
- Human Computer Interaction (AREA)
- Multimedia (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及一种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,包含:提取样本训练集中多个聚合通道的ACF特征,获取聚合通道特征向量和灰度共生矩阵特征向量,将两者送入软级联Adaboost分类器训练,获取分类器一和分类器二;读取待测图像,提取其ACF特征,获取聚合通道特征向量;将聚合通道特征向量送入分类器一分类,获取候选的坐标和目标窗口;获取灰度共生矩阵特征向量,将其送入分类器二中排除背景干扰,得到最终目标的输出结果。本发明将颜色、梯度方向直方图、梯度和纹理特征进行融合,过滤掉与人头相似背景,有效降低分类器漏检和误检率,提高存在诸多干扰背景时俯视行人的检测性能,稳定、可靠且高效,具有较强的实际应用价值。
Description
技术领域
本发明属于计算机视觉行人检测技术领域,特别涉及一种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。
背景技术
目前,智能监控场景下的俯视行人检测技术被广泛应用于人流量统计以及行人智能分析中,以实现对人流量密集场所的有效监管。基于俯视的行人检测近些年取得了突飞猛进的发展。然而行人的发型、发色以及复杂的周围背景加大了检测的难度,导致检测效果仍不理想,需进一步改进。俯视行人检测方法有以下几类。第一类是基于形状分析的方法,主要思想是通过描述行人头部的外观形状,逐个筛选图像样本,得到最终检测结果。基于形状分析的方法计算效率高,但是实际检测过程中,容易将外观类似头部的背景误检为目标。随着机器学习的蓬勃发展,基于机器学习的特征提取法逐步成为俯视行人检测的常用方法。此类方法首先借助合适的特征描述子,对样本图片进行特征提取,之后根据大量训练样本构建俯视行人头部检测分类器,在此基础上采用分类器进行分类。相比于形状分析法,机器学习法能适应环境的变化,在很大程度上提高了检测系统的鲁棒性。
基于机器学习的特征提取法通过提取具有一定鲁棒性的特征来训练分类器,达到了很好的分类效果,但是只利用单一的特征进行训练容易造成较高误检。在实际的监控视频中,存在诸多具有干扰性的背景,比如行人穿着的接近发色的深色衣服,行人随身携带的背包,以及在其他方面与行人头部相似的物体。这些干扰的存在加大了检测的难度。单一的特征分类器在这种场景下的检测率较低,这是因为在背景存在诸多干扰时,单一的特征往往不能够全面地描述行人头部,易使分类器混淆行人头部和其他干扰背景,造成误检与漏检。多特征提取方法利用多种特征刻画行人目标,能够在极大程度上改善分类器的分类效果。然而,几个单一特征的结合不仅提高算法性能的程度有限,并且增大了计算复杂度。所以如何选择合适的特征使分类器在提高检测率的同时保持较快的检测速度是当前的研究重点。目前基于多特征提取的俯视行人检测方法虽然能够减少干扰背景下俯视行人检测的误检,但是提高算法性能的程度有限,并且多个单一特征的结合还会增大计算复杂度。
发明内容
为此,本发明提供一种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,将颜色、梯度、梯度方向以及纹理特征进行融合,过滤掉与人头相似背景,有效降低分类器的漏检和误检率,提高存在诸多干扰背景时俯视行人的检测性能。
按照本发明所提供的设计方案,一种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,包含如下内容:
训练阶段,根据已知的俯视行人数据作为样本训练集,提取样本训练集中多个聚合通道的ACF特征,获取聚合通道特征向量;并针对样本训练集,采用滑动窗口依次计算每个窗口内的灰度共生矩阵特征参数,将每个窗口内的特征参数串联得到灰度共生矩阵特征向量;将聚合通道特征向量和灰度共生矩阵特征向量送入软级联Adaboost分类器进行训练,获取串联的分类器一和分类器二;
测试阶段,将待测图像按帧读取,提取其ACF特征,获取聚合通道特征向量;将聚合通道特征向量送入分类器一中进行分类,获取作为候选目标的坐标和目标窗口;依据坐标和目标窗口获取灰度共生矩阵特征向量,并将其送入分类器二中排除背景干扰,得到最终目标的输出结果。
上述的,训练阶段中,聚合通道为10个,该10个聚合通道包括3个HSV通道、6个HoG通道和1个梯度幅值通道,训练样本集包含两部分,其中一部分包含行人图像集合的正训练样本集,另一部分包含非行人图像集合的负训练样本集。
上述的,HSV通道中颜色参数中色调H、饱和度S和亮度V的计算公式如下:
V=max(R,G,B)。
优选的,HoG通道中,结合行人头部特征,考虑不再将块进一步细分为更小的细胞单元,采集图像角度范围扩展至-180°~180°,并采用无重叠子块,获取HoG通道描述子维数,通过公式计算图像中像素点(x,y)的梯度幅值和梯度方向,计算公式表示如下:
其中,其中,Gx(x,y)和Gy(x,y)分别代表像素点(x,y)水平方向和竖直方向的梯度分量。
优选的,训练阶段中,将训练样本集中的正、负训练样本集首先归一化处理,获取大小一致且灰度化后的图像数据,并对图像数据进行下采样,得到符合预设大小的图像处理数据,然后对图像处理数据进行ACF特征提取。
优选的,针对样本训练集,采用滑动窗口计算归一化处理后的正、负训练样本集中每个样本数据的灰度共生矩阵,利用灰度共生矩阵,分别计算能量、熵、对比度和相关度(如何计算),获取多维的灰度共生矩阵特征向量。
上述的,采用滑动窗口,按照从左至右、从上至下的顺序依次在图像上滑动,计算每个窗口内的灰度共生矩阵特征参数;将每个窗口的特征参数依次串联,获取灰度共生矩阵特征向量。
一种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系统,包含:训练模块和测试模块,其中,
训练模块,用于根据已知的俯视行人数据作为样本训练集,提取样本训练集中多个聚合通道的ACF特征,获取聚合通道特征向量;并针对样本训练集,采用滑动窗口依次计算每个窗口内的灰度共生矩阵特征参数,将每个窗口内的特征参数串联得到灰度共生矩阵特征向量;将聚合通道特征向量和灰度共生矩阵特征向量送入软级联Adaboost分类器进行训练,获取串联的分类器一和分类器二;
测试模块,用于将待测图像按帧读取,提取其ACF特征,获取聚合通道特征向量;将聚合通道特征向量送入分类器一中进行分类,获取作为候选目标的坐标和目标窗口;获取灰度共生矩阵特征向量,并将其送入分类器二中排除背景干扰,得到最终目标的输出结果。
本发明的有益效果:
1、本发明中通过对ACF特征的颜色通道和梯度直方图通道进行了改进,能够更细致的刻画目标和背景之间的灰度差别,通过弱化不必要的细节特征,降低了传统HoG描述子的维数,在有效提升准确率的同时,减少了冗余的计算量;基于小区域计算灰度共生矩阵,不仅大幅度提高了训练效果,并且由于是在局部方格上进行操作,所以提取到的特征对图像的几何和光学形变具有良好的不变性。
2、本发明中,ACF特征将颜色、梯度和梯度直方图有效的聚合在一起,灰度共生矩阵特征能够有效提取纹理特征描述子,将以上两种特征同时用于俯视行人检测,能够在不增大计算复杂度的同时融合颜色、梯度、梯度方向直方图和纹理特征,从不同角度描述行人来有效检测行人头部,减小了干扰背景对分类的影响,大幅提高了检测性能,性能稳定、可靠,且高效,具有较强的实际应用价值。
附图说明:
图1为本发明的流程示意图;
图2为实施例仿真实验中特征参数对比图;
图3为实施例仿真实验中俯视行人检测结果对比图。
具体实施方式:
下面结合附图和技术方案对本发明作进一步详细的说明,并通过优选的实施例详细说明本发明的实施方式,但本发明的实施方式并不限于此。
针对现有多特征提取俯视行人检测过程中将多个单一特征结合,大大增加计算复杂度,检测效率、检测性能无法保证。为此,本发明实施例,参见图1所示,一种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,包含如下内容:
训练阶段,根据已知的俯视行人数据作为样本训练集,提取样本训练集中多个聚合通道的ACF特征,获取聚合通道特征向量;并针对样本训练集,采用滑动窗口依次计算每个窗口内的灰度共生矩阵特征参数,将每个窗口内的灰度共生矩阵特征参数串联得到灰度共生矩阵特征向量;将聚合通道特征向量和灰度共生矩阵特征向量送入软级联Adaboost分类器进行训练,获取串联的分类器一和分类器二;
测试阶段,将待测图像按帧读取,提取其ACF特征,获取聚合通道特征向量;将聚合通道特征向量送入分类器一中进行分类,获取作为候选目标的坐标和目标窗口;依据候选目标的坐标和目标窗口获取灰度共生矩阵特征向量,并将其送入分类器二中排除背景干扰,得到最终目标的输出结果。
通过改进非单一的聚合通道特征ACF和灰度共生矩阵GLCM,在简化计算的同时,提高行人检测率;采用多特征融合将改进后的非单一特征融合处理,分别提取目标的颜色、梯度、梯度方向直方图以及纹理特征,输入Adaboost算法进行训练检测得到结果。多种复杂特征融合处理,能够过滤掉与人头相似的背景,有效降低分类器的漏检与误检率,实现较高的检测性能。
非单一的聚合通道特征ACF和灰度共生矩阵GLCM,对于ACF特征,首先对其颜色通道进行改进。ACF特征通道中融合LUV颜色描述子。对于颜色通道的选择,本发明的再一个实施例中选用更适合的HSV颜色通道代替LUV颜色通道。HSV(Hue,Sturation,Value)颜色空间属于非线性色彩表示系统,它的颜色参数分别是:色调(H),饱和度(S)和亮度(V)。HSV颜色空间对色彩的感知和人十分接近,它能够从人类的视角,非常直观地表达色彩信息,达到更好的颜色对比效果。HSV颜色通道能够更细致的刻画目标和背景之间的灰度差别,有效提高检测率。利用RGB计算HSV颜色空间的计算公式如下。
V=max(R,G,B) (3)
HoG描述子对几何和光学形变有良好鲁棒性,但同时,它也存在着计算量大的缺陷。为了提高算法的实时性,本发明的另一个实施例中,结合行人头部的特点,对HoG描述子,在不影响检测性能的基础上缩短提取特征的时间。图像中像素点的梯度幅值和梯度方向计算公式如式(4)和式(5)所示:
其中,Gx(x,y)和Gy(x,y)分别代表像素点(x,y)水平方向和竖直方向的梯度分量。
首先,由于俯视行人的头部特征形状近似圆形,较为统一,细节特征较少,所以考虑不再将块进一步细分为更小的细胞单元。并且采用无重叠的子块,减少提取到的冗余信息。其次,本发明的实施例中,将0°~180°的角度范围扩展至-180°~180°,这样能够更完整的体现目标的变化特征。
将改进前后的HoG特征维数进行对比。例如,当检测图像大小为64*64时,传统HoG描述子的维数为6*4*7*7=1176。而本发明实施例可将图像等分成4*4共16个方形块,块与块之间互不重叠。则改进后的HoG描述子只有16*6=96维。相比于传统方法,改进后的特征突出了俯视行人的纹理和颜色特征,弱化了不必要的细节特征,大大降低了传统HoG描述子的维数,在保证分类准确率的前提下,减少了冗余的计算量。对于灰度共生矩阵,可采用4种具有代表性的特征参数构造特征描述子,同时在训练过程中采用大小为8*8,步长为6的窗口,按照从左至右,从上至下的顺序依次在图像上滑动,计算每个窗口内的特征参数。将每个窗口的4维特征参数依次串联起来,得到最终的灰度共生矩阵描述子,维数为10*10*4=400。这种基于小区域计算共生矩阵的方法不仅大幅度提高了训练效果,并且由于是在局部方格上进行操作,所以提取到的特征对图像的几何和光学形变具有良好的不变性。
训练阶段中,将训练样本集中的正、负训练样本集首先归一化处理,获取大小一致且灰度化后的图像数据,并对图像数据进行下采样,得到符合预设大小的图像处理数据,然后对图像处理数据进行ACF特征提取。针对样本训练集,采用滑动窗口计算归一化处理后的正、负训练样本集中每个样本数据的灰度共生矩阵,利用灰度共生矩阵,分别计算能量、熵、对比度和相关度,获取多维的灰度共生矩阵特征向量。其中,能量的计算公式如下:
熵的计算公式如下:
对比度计算公式如下:
相关的计算公式如下:
其中μi,μj,和的定义如下:
基于上述方法,本发明实施例还提供一种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系统,包含:训练模块和测试模块,其中,
训练模块,用于根据已知的俯视行人数据作为样本训练集,提取样本训练集中多个聚合通道的ACF特征,获取聚合通道特征向量;并针对样本训练集,采用滑动窗口依次计算每个窗口内的灰度共生矩阵特征参数,将每个窗口内的特征参数串联得到灰度共生矩阵特征向量;将聚合通道特征向量和灰度共生矩阵特征向量送入软级联Adaboost分类器进行训练,获取串联的分类器一和分类器二;
测试模块,用于将待测图像按帧读取,提取其ACF特征,获取聚合通道特征向量;将聚合通道特征向量送入分类器一中进行分类,获取作为候选目标的坐标和目标窗口;获取灰度共生矩阵特征向量,并将其送入分类器二中排除背景干扰,得到最终目标的输出结果。
为了进一步验证本发明的有效性,下面通过具体的仿真实验做进一步解释说明:
融合ACF特征和GLCM特征检测俯视行人检测中的两个阶段内容如下:
训练阶段:
1)将训练的正样本和负样本归一化至64*64大小,灰度化之后作为输入。对样本进行下采样得到大小为16*16的图像,分别计算训练样本10个通道的ACF特征,其中包括3个HSV通道、6个改进的HoG通道以及1个梯度幅值通道。计算得到特征向量。
2)采用区域法计算归一化后正负样本的灰度共生矩阵,选取块大小为8,步长为6,灰度级为16,距离为1,方向为0°。利用得到的共生矩阵,分别计算能量、熵、对比度和相关度,得到4维的特征参数。最终每个样本得到400维特征向量。
3)将得到的聚合通道特征向量和灰度共生矩阵特征向量分别送入软级联Adaboost分类器进行训练,其中软级联阈值设置为-1,弱分类器个数为128。得到分类器1和分类器2,用于后续的测试。
检测阶段:
1)首先按帧读入图像,进行图像灰度化。采用滑动窗口法计算原图的ACF特征,窗口大小为64*64。利用特征金字塔的思想直接对图像特征进行缩放,得到不同尺度图像下的特征向量。
2)将计算得到的特征向量送入Adaboost分类器1进行分类得到检测结果的坐标(bounding box)和目标窗口。将检测到的行人头部窗口以及其坐标作为候选目标,进行下一步的筛选。计算该目标的共生矩阵参数向量,输入分类器2,排除干扰背景,得到最终的输出结果。
仿真一:考查本发明实施例所采用的四种灰度共生矩阵特征参数(能量、熵、对比度和相关度)对于俯视行人检测的有效性,随机选取100张行人头部图片以及100张干扰背景图片(包括深色背包、衣服等),分别计算所有行人头部和所有干扰背景在0°、45°、90°、135°四个方向上的特征参数,取平均值进行对比,结果如图2所示,实验中取灰度级为L=16,距离d=1。可以看出头部目标和干扰背景的特征值之间存在明显差异,因此将灰度共生矩阵作为附加的特征输入分类器能够有效减少因干扰背景导致的误检率。
仿真二:对比本专利实施例所公开的俯视行人检测方法(方法一)与Fast FeaturePyramids for Object Detection[J].IEEE Trans Pattern Anal Mach Intell目快速特征金字塔目标检测机器智能转换算法(方法二)的检测能力。将某学校食堂抓拍的监控图像序列作为实验样本图像,每帧分辨率为320*240。选取850张正样本和4000张负样本分别采用上述两种算法进行训练,训练样本大小为64*64。结果如表1和图3所示。其中正样本通过人工裁剪头部目标区域得到,负样本则通过随机截取不含行人头部的图片得到。测试视频图像选取完整连续的三段视频图像序列,每段视频有200帧。测试集样本与训练集样本没有重叠。
表1
从表1和图3中可以看出,本发明实施例提出的方法明显缩减了漏检和误检人数,在准确率和召回率上都比方法二略高。一方面,本发明实施例采用的HSV颜色通道相比LUV通道能够达到更好的颜色对比效果,能够提取出鲁棒性更强的颜色特征;另一方面,本发明实施例结合了颜色、梯度、梯度方向直方图以及纹理四种特征,把改进后的聚合通道特征和灰度共生矩阵融合起来,将聚合特征描述子检测到的目标窗口输入灰度共生矩阵纹理描述子中进行筛选,极大程度上减少了误检目标,提高了准确率和召回率。
本说明书中各个实施例采用递进的方式描述,每个实施例重点说明的都是与其他实施例的不同之处,各个实施例之间相同相似部分互相参见即可。对于实施例公开的装置而言,由于其与实施例公开的方法相对应,所以描述的比较简单,相关之处参见方法部分说明即可。
结合本文中所公开的实施例描述的各实例的单元及方法步骤,能够以电子硬件、计算机软件或者二者的结合来实现,为了清楚地说明硬件和软件的可互换性,在上述说明中已按照功能一般性地描述了各示例的组成及步骤。这些功能是以硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束条件。本领域普通技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不认为超出本发明的范围。
本领域普通技术人员可以理解上述方法中的全部或部分步骤可通过程序来指令相关硬件完成,所述程序可以存储于计算机可读存储介质中,如:只读存储器、磁盘或光盘等。可选地,上述实施例的全部或部分步骤也可以使用一个或多个集成电路来实现,相应地,上述实施例中的各模块/单元可以采用硬件的形式实现,也可以采用软件功能模块的形式实现。本发明不限制于任何特定形式的硬件和软件的结合。
对所公开的实施例的上述说明,使本领域专业技术人员能够实现或使用本申请。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的,本文中所定义的一般原理可以在不脱离本申请的精神或范围的情况下,在其它实施例中实现。因此,本申请将不会被限制于本文所示的这些实施例,而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。
Claims (8)
1.一种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,其特征在于,包含如下内容:
训练阶段,根据已知的俯视行人数据作为样本训练集,提取样本训练集中多个聚合通道的ACF特征,获取聚合通道特征向量;并针对样本训练集,采用滑动窗口依次计算每个窗口内的灰度共生矩阵特征参数,将每个窗口内的灰度共生矩阵特征参数串联得到灰度共生矩阵特征向量;将聚合通道特征向量和灰度共生矩阵特征向量送入软级联Adaboost分类器进行训练,获取级联的分类器一和分类器二;
测试阶段,将待测图像按帧读取,提取其ACF特征,获取聚合通道特征向量;将聚合通道特征向量送入分类器一中进行分类,获取作为候选目标的坐标和目标窗口;依据坐标和目标窗口获取灰度共生矩阵特征向量,并将其送入分类器二中排除背景干扰,得到最终目标的输出结果。
2.根据权利要求1所述的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,其特征在于,训练阶段中,聚合通道为10个,该10个聚合通道包括3个HSV通道、6个HoG通道和1个梯度幅值通道,训练样本集包含两部分,其中一部分包含行人图像集合的正训练样本集,另一部分包含非行人图像集合的负训练样本集。
3.根据权利要求2所述的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,其特征在于,HSV通道中颜色参数中色调H、饱和度S和亮度V的计算公式如下:
V=max(R,G,B)。
4.根据权利要求2所述的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,其特征在于,HoG通道中,结合行人头部特征,采集图像角度范围扩展至-180°~180°,并采用无重叠子块,获取HoG通道描述子维数,通过公式计算图像中像素点(x,y)的梯度幅值和梯度方向,计算公式表示如下:
其中,Gx(x,y)和Gy(x,y)分别代表像素点(x,y)水平方向和竖直方向的梯度分量。
5.根据权利要求2所述的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,其特征在于,训练阶段中,将训练样本集中的正、负训练样本集首先归一化处理,获取大小一致且灰度化后的图像数据,并对图像数据进行下采样,得到符合预设大小的图像处理数据,然后对图像处理数据进行ACF特征提取。
6.根据权利要求5所述的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,其特征在于,针对样本训练集,采用滑动窗口计算归一化处理后的正、负训练样本集中每个样本数据的灰度共生矩阵,利用灰度共生矩阵,分别计算能量、熵、对比度和相关度,获取多维的灰度共生矩阵特征向量。
7.根据权利要求1所述的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,其特征在于,采用滑动窗口,按照从左至右、从上至下的顺序依次在图像上滑动,计算每个窗口内的灰度共生矩阵特征参数;将每个窗口的特征参数依次串联,获取灰度共生矩阵特征向量。
8.一种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系统,其特征在于,包含:训练模块和测试模块,其中,
训练模块,用于根据已知的俯视行人数据作为样本训练集,提取样本训练集中多个聚合通道的ACF特征,获取聚合通道特征向量;并针对样本训练集,采用滑动窗口依次计算每个窗口内的灰度共生矩阵特征参数,将每个窗口内的灰度共生矩阵特征参数串联得到灰度共生矩阵特征向量;将聚合通道特征向量和灰度共生矩阵特征向量送入软级联Adaboost分类器进行训练,获取串联的分类器一和分类器二;
测试模块,用于将待测图像按帧读取,提取其ACF特征,获取聚合通道特征向量;将聚合通道特征向量送入分类器一中进行分类,获取作为候选目标的坐标和目标窗口;依据坐标和目标窗口获取灰度共生矩阵特征向量,并将其送入分类器二中排除背景干扰,得到最终目标的输出结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810797332.5A CN109190456B (zh) | 2018-07-19 | 2018-07-19 | 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 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810797332.5A CN109190456B (zh) | 2018-07-19 | 2018-07-19 | 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 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109190456A true CN109190456A (zh) | 2019-01-11 |
CN109190456B CN109190456B (zh) | 2020-11-20 |
Family
ID=64936329
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810797332.5A Active CN109190456B (zh) | 2018-07-19 | 2018-07-19 | 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 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109190456B (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111242076A (zh) * | 2020-01-20 | 2020-06-05 | 江铃汽车股份有限公司 | 行人检测方法及系统 |
CN111507931A (zh) * | 2019-01-14 | 2020-08-07 | 阿里巴巴集团控股有限公司 | 一种数据处理方法和装置 |
CN112215103A (zh) * | 2020-09-27 | 2021-01-12 | 武汉理工大学 | 一种基于改进acf的车辆行人多类别检测方法及设备 |
CN112949484A (zh) * | 2021-03-01 | 2021-06-11 | 浙江大学 | 一种基于聚合通道特征和纹理特征的高速铁路落石实时检测方法 |
CN113780464A (zh) * | 2021-09-26 | 2021-12-10 | 唐山百川智能机器股份有限公司 | 转向架紧固件防松标识检测方法 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103984315A (zh) * | 2014-05-15 | 2014-08-13 | 成都百威讯科技有限责任公司 | 一种家用多功能智能机器人 |
CN105678268A (zh) * | 2016-01-11 | 2016-06-15 | 华东理工大学 | 一种基于双区域学习的地铁站场景行人计数实现方法 |
CN105678231A (zh) * | 2015-12-30 | 2016-06-15 | 中通服公众信息产业股份有限公司 | 一种基于稀疏编码和神经网络的行人图片检测方法 |
CN106407899A (zh) * | 2016-08-30 | 2017-02-15 | 电子科技大学 | 基于局部纹理特征的人群密度谱估计方法 |
KR101748412B1 (ko) * | 2016-02-17 | 2017-06-19 | 중앙대학교 산학협력단 | 특징값 결합 방식을 이용하는 보행자 검출 방법 및 그 장치 |
CN107066963A (zh) * | 2017-04-11 | 2017-08-18 | 福州大学 | 一种自适应人群计数方法 |
CN107301378A (zh) * | 2017-05-26 | 2017-10-27 | 上海交通大学 | 图像中多分类器集成的行人检测方法和系统 |
CN107491762A (zh) * | 2017-08-23 | 2017-12-19 | 珠海安联锐视科技股份有限公司 | 一种行人检测方法 |
CN108241869A (zh) * | 2017-06-23 | 2018-07-03 | 上海远洲核信软件科技股份有限公司 | 一种基于快速可变形模型和机器学习的图像目标识别方法 |
-
2018
- 2018-07-19 CN CN201810797332.5A patent/CN109190456B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103984315A (zh) * | 2014-05-15 | 2014-08-13 | 成都百威讯科技有限责任公司 | 一种家用多功能智能机器人 |
CN105678231A (zh) * | 2015-12-30 | 2016-06-15 | 中通服公众信息产业股份有限公司 | 一种基于稀疏编码和神经网络的行人图片检测方法 |
CN105678268A (zh) * | 2016-01-11 | 2016-06-15 | 华东理工大学 | 一种基于双区域学习的地铁站场景行人计数实现方法 |
KR101748412B1 (ko) * | 2016-02-17 | 2017-06-19 | 중앙대학교 산학협력단 | 특징값 결합 방식을 이용하는 보행자 검출 방법 및 그 장치 |
CN106407899A (zh) * | 2016-08-30 | 2017-02-15 | 电子科技大学 | 基于局部纹理特征的人群密度谱估计方法 |
CN107066963A (zh) * | 2017-04-11 | 2017-08-18 | 福州大学 | 一种自适应人群计数方法 |
CN107301378A (zh) * | 2017-05-26 | 2017-10-27 | 上海交通大学 | 图像中多分类器集成的行人检测方法和系统 |
CN108241869A (zh) * | 2017-06-23 | 2018-07-03 | 上海远洲核信软件科技股份有限公司 | 一种基于快速可变形模型和机器学习的图像目标识别方法 |
CN107491762A (zh) * | 2017-08-23 | 2017-12-19 | 珠海安联锐视科技股份有限公司 | 一种行人检测方法 |
Non-Patent Citations (4)
Title |
---|
CHUNHUI TANG 等: "Zenithal people counting using histogram of oriented gradients", 《2012 5TH INTERNATIONAL CONGRESS ON IMAGE AND SIGNAL PROCESSING》 * |
ZHANG, S 等: "Adaptive algorithm selection, with applications in pedestrian detection", 《2016 IEEE INTERNATIONAL CONFERENCE ON IMAGE PROCESSING (ICIP)》 * |
杨帆 等编著: "《精通图像处理经典算法 MATLAB版》", 30 April 2014 * |
韩建栋 等: "结合纹理与轮廓特征的多通道行人检测算法", 《计算机应用》 * |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111507931A (zh) * | 2019-01-14 | 2020-08-07 | 阿里巴巴集团控股有限公司 | 一种数据处理方法和装置 |
CN111507931B (zh) * | 2019-01-14 | 2023-04-18 | 阿里巴巴集团控股有限公司 | 一种数据处理方法和装置 |
CN111242076A (zh) * | 2020-01-20 | 2020-06-05 | 江铃汽车股份有限公司 | 行人检测方法及系统 |
CN112215103A (zh) * | 2020-09-27 | 2021-01-12 | 武汉理工大学 | 一种基于改进acf的车辆行人多类别检测方法及设备 |
CN112215103B (zh) * | 2020-09-27 | 2024-02-23 | 武汉理工大学 | 一种基于改进acf的车辆行人多类别检测方法及设备 |
CN112949484A (zh) * | 2021-03-01 | 2021-06-11 | 浙江大学 | 一种基于聚合通道特征和纹理特征的高速铁路落石实时检测方法 |
CN112949484B (zh) * | 2021-03-01 | 2022-04-26 | 浙江大学 | 一种高速铁路落石实时检测方法 |
CN113780464A (zh) * | 2021-09-26 | 2021-12-10 | 唐山百川智能机器股份有限公司 | 转向架紧固件防松标识检测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN109190456B (zh) | 2020-11-20 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108446617B (zh) | 抗侧脸干扰的人脸快速检测方法 | |
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 | |
CN102214298B (zh) | 基于选择性视觉注意机制的遥感图像机场目标检测与识别方法 | |
Shao et al. | Car detection from high-resolution aerial imagery using multiple features | |
CN104050471B (zh) | 一种自然场景文字检测方法及系统 | |
CN102831447B (zh) | 多类别面部表情高精度识别方法 | |
CN102332092B (zh) | 一种基于视频分析的火焰检测方法 | |
CN108717524B (zh) | 一种基于双摄手机和人工智能系统的手势识别系统 | |
CN110569905B (zh) | 基于生成对抗网络和注意力网络的细粒度图像分类方法 | |
CN102509104B (zh) | 基于置信度图的增强现实场景虚拟对象判别和检测方法 | |
CN107122777A (zh) | 一种基于视频文件的车辆分析系统及分析方法 | |
CN107092884B (zh) | 一种快速粗精级联行人检测方法 | |
CN108647625A (zh) | 一种表情识别方法及装置 | |
CN103632170A (zh) | 基于特征组合的行人检测方法及装置 | |
CN110309781A (zh) | 基于多尺度光谱纹理自适应融合的房屋损毁遥感识别方法 | |
Zhang et al. | A survey on face anti-spoofing algorithms | |
CN108734200B (zh) | 基于bing特征的人体目标视觉检测方法和装置 | |
CN109977887A (zh) | 一种抗年龄干扰的人脸识别方法 | |
CN111126240A (zh) | 一种三通道特征融合人脸识别方法 | |
CN106874825A (zh) | 人脸检测的训练方法、检测方法和装置 | |
CN106709438A (zh) | 一种基于视频会议的人数统计方法 | |
CN110599463A (zh) | 一种基于轻量级联神经网络的舌像检测及定位算法 | |
CN108073940A (zh) | 一种非结构化环境中的3d目标实例物体检测的方法 | |
CN105354547A (zh) | 一种结合纹理和彩色特征的行人检测方法 | |
CN109086657A (zh) | 一种基于机器学习的耳朵检测方法、系统及模型 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |