CN109190547B - 快速高效的行人检测方法 - Google Patents

快速高效的行人检测方法 Download PDF

Info

Publication number
CN109190547B
CN109190547B CN201810986642.1A CN201810986642A CN109190547B CN 109190547 B CN109190547 B CN 109190547B CN 201810986642 A CN201810986642 A CN 201810986642A CN 109190547 B CN109190547 B CN 109190547B
Authority
CN
China
Prior art keywords
mlbp
window
block
value
blocks
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.)
Active
Application number
CN201810986642.1A
Other languages
English (en)
Other versions
CN109190547A (zh
Inventor
张永军
秦永彬
许尽染
肖伶
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.)
Beijing Nja Information Technology Co ltd
Original Assignee
Guizhou University
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 Guizhou University filed Critical Guizhou University
Priority to CN201810986642.1A priority Critical patent/CN109190547B/zh
Publication of CN109190547A publication Critical patent/CN109190547A/zh
Application granted granted Critical
Publication of CN109190547B publication Critical patent/CN109190547B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

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
    • G06F18/23—Clustering techniques
    • G06F18/232—Non-hierarchical techniques
    • G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
    • G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Probability & Statistics with Applications (AREA)
  • Human Computer Interaction (AREA)
  • Multimedia (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开了一种快速高效的行人检测方法。本发明在传统的行人检测框架上做出了改进，在提取特征之前提出了一种基于BING特征的改进算法HWEBING对图像进行预检测，预检测能够减少大量的非物体的窗口，筛选出可能是物体的候选窗口。本发明的MLBP特征的检测率比均匀模式LBP和基本模式LBP的检测率分别提高了3.5％和2.1％。并且相比传统的行人检测方法，本方法利用HWEBING算法对图片进行预检测后再提取HOG和MLBP特征比直接提取HOG和MLBP特征的速度提高了5.5倍。使用HWEBING算法与HOG‑MLBP特征结合取得较好的行人检测效果。

Description

快速高效的行人检测方法
技术领域
本发明涉及图像处理技术领域，尤其是快速高效的行人检测方法。
背景技术
传统的行人检测框架通过对数据集提取特征然后用分类器训练得到行人检测器，在检测阶段将需要检测的图片作为检测器的输入，最后输出检测结果。
BING特征通过对图像进行缩放，然后对缩放后的图像求梯度，用训练好的BING模板对梯度图像的每个像素点进行卷积，当8×8的模板对每一个像素点进行卷积时需要进行64次乘法和63次加法运算，这对于检测的过程来说是非常耗时的操作。
K-Means算法是一种常见的聚类算法。它先随机选择一些初始点作为聚类中心，然后计算每个样本点与各个聚类中心的距离，将它归为距离某个中心点最近的类别。当样本初次聚类完成后，按照上述方法重新计算每个类别的中心点，直到类的中心点达到稳定，最终将这个点作为所属类别的质心。K-Means算法需要经过多次迭代，收敛速度是较缓慢的，并且随机选择初始点对聚类的效果和收敛速度都是有很大影响的。
发明内容
本发明所要解决的技术问题是提供一种快速高效的行人检测方法，它检测的速度获得极大提高。
本发明是这样实现的：快速高效的行人检测方法，包括训练阶段和检测阶段；在训练阶段：
1)创建数据集，对创建的数据集提取特征，训练SVM行人检测模型，得到SVW判别模型；
2)创建数据集，采用K-Means++算法优化训练样本，提取HWEBING特征，训练HWEBING似物性模型，获得HWEBING检测模型；
3)输入检测图像，加载HWEBING检测模型和SVW判别模型；
在检测阶段：1)通过提取HWEBING特征获得似物性窗口，采用非极大值抑制减少窗口数目；
2)提取候选行人窗口的HOG和MLBP特征；
3)采用SVM分类器分类决策，得到检测结果。
所述的采用K-Means++算法优化训练样本具体是，先使用K-Means++算法优化训练样本，对样本进行了筛选提高了检测率；HWEBING算法在训练阶段建立Hash表，将卷积的结果提前放到Hash表中保存，在检测阶段需要卷积时直接查找Hash表来得到卷积的结果；最后在计算窗口的似物性得分时，增强了结构复杂物体的窗口得分。
所述的K-Means++算法，先将样本分为K类，然后生成随机的数据集，在这些数据集中任意选择一个样本点作为第一个类的中心点，然后按照概率选择下一个聚类中心，概率如公式(1)所示，其中Di为第i个样本点和距离它最近中心的距离平方，sum(Di)为所有最近距离的和，最后重复此操作直到找到K个聚类中心点，在找到K个类的中心点以后再执行K-Means算法；
Figure BDA0001779857140000021
所述的Hash表的建立是，通过对第一级SVM训练得到的8*8的模型的每一行前四列和后四列分别建立Hash表，则每个模型对应16个Hash表；每个梯度幅值只取前四位，建立Hash表的过程如下所示，其中h(x,y)为哈希表，x表示前四位或者后四位，x∈{0,1}，y为行数,y∈{0,7}，w(x,y)为(x,y)处的模型值。
1)假设i＝0，b1＝i&0xf，b2＝(i＞＞4)&0xf，b2＝(i＞＞8)&0xf，b2＝(i＞＞12)&0xf；
2)对于y∈{0，7}，计算h(x，y)的值如式(2)和(3)所示：
h(0，y)＝b1*w(y，3)+b2*w(y，2)+b3*w(y，1)+b4*w(y，0) (2)
h(1，y)＝b1*w(y，7)+b2*w(y，6)+b3*w(y，5)+b4*w(y，4) (3)
3)i每次加1，循环上述过程直到i≥216时建表完成。
在建立Hash表之后，卷积时查找表就能得到结果；但是当查找Hash表时，需要创建一个矩阵来实现快速拼接表键；这个矩阵中(x，y)处的值是原来梯度幅值图(x，y)处的后面8个值的前四位。
所述的通过提取HWEBING特征获得似物性窗口，需要采用窗口增强，具体方法为：针对大小为2m×2n的窗口，利用比它小一半的窗口的得分对它进行增强，采用的公式如(4)所示：
Figure BDA0001779857140000031
其中
Figure BDA0001779857140000032
是滤波得分图在(x，y)处窗口大小为2m×2n的得分值，
Figure BDA0001779857140000033
为
Figure BDA0001779857140000034
增强后的得分值，A和B分别为对(x+i，y)和(x，y+i)处得分增强的系数。
所述的非极大值抑制包括
1)将窗口的得分按照从大到小的顺序排列，选取得分最高的点作为建议窗口，然后把其它窗口和此得分最高的窗口计算面积重叠比，当重叠比达到阈值就将这个窗口去除；然后重复此过程，直到所有的窗口被计算完；
2)对滤波得分图进行均值滤波，当滤波后某点的值变小达到阈值，将它保留，反之将它去；然后再将均值滤波后的值从大到小排列，设置一个阈值t，把以当前窗口为中心的t*t区域内的其它窗口去除。
所述的MLBP的阈值计算公式如式(5)所示：
Figure BDA0001779857140000035
其中，p为块内邻域点的个数，Max为块内邻域的最大灰度值，Min为块内邻域的最小灰度值，Lp为p点的灰度值，Lcenter为块的中心像素值；
MLBP的值为如式(6)所示：
Figure BDA0001779857140000041
其中，Li为i点的灰度值，Ln为式(13)得到的阈值，当i>0，t(i)＝1,i≤0,t(i)＝0；
所述的MLBP特征提取的流程图包括如下步骤：
1)图像分块
将一幅图像分为许多个大小相同的块，由于按照一定的步长对整幅图像进行逐步的移动，所以块与块之间定会存在重叠部分。对于一幅大小为x×y像素的图像而言，若规定块的宽高分别为width和height，则水平上滑动的块的个数为xn，垂直上滑动的块的个数为yn，stride为块移动的步长，计算的公式如式(7)所示：
Figure BDA0001779857140000042
Figure BDA0001779857140000043
2)统计块的直方图
根据上述的MLBP计算方法先计算图像每个块中的所有像素点的MLBP值，然后将MLBP模式按照ULBP的映射方法映射到59维的bin中，然后统计块内像素点对bin的加权投票，每次的投票加一；
3)直方图归一化
在得到图像中每个块的直方图之后，需要对块的直方图进行归一化；
4)直方图级联
将一幅图像划分为若干个块之后会得到每个块的直方图，再将所有块归一化后的直方图进行级联，最终得到的直方图为xn×yn×59维；若图像的大小为64×128，每个块的大小为16*16，块滑动的步长为8个像素，所以水平方向的滑动块数为7个，垂直方向的滑动的块数为15个，总共块的个数为7×15＝105个块，所以最终的维数为105×59＝6195维；
HOG特征描述图像的边缘信息，LBP特征描述图像的纹理信息，它们在一定程度是互补的。对LBP特征改进的MLBP特征能够更好地提高LBP特征的性能，将HOG特征和MLBP特征结合可以进一步地提高检测率。
所述的直方图归一化的方法为L2-Norm，归一化使得MLBP特征更具有鲁棒性。
与现有技术相比，本发明在传统的行人检测框架上做出了改进，在提取特征之前提出了一种基于BING(Binarized Normed Gradients)特征的改进算法HWEBING(Hash andWindow Enhancement of Binarized Normed Gradients)对图像进行预检测，预检测能够减少大量的非物体的窗口，筛选出可能是物体的候选窗口。然后在提取特征的过程中提出了一种基于均匀模式LBP改进的局部纹理特征MLBP(Mean of Local Binary Pattern)。因为均匀模式LBP在提取的过程中没有考虑到噪声的影响，并且也没有考虑到块的中心像素和邻域像素的突变，所以MLBP特征针对这点做出了改进。最后在使用HWEBING算法获得候选窗口后，在候选窗口上提取MLBP特征和HOG特征以提高检测率。本发明的MLBP特征的检测率比均匀模式LBP和基本模式LBP的检测率分别提高了3.5％和2.1％。并且相比传统的行人检测方法，本方法利用HWEBING算法对图片进行预检测后再提取HOG和MLBP特征比直接提取HOG和MLBP特征的速度提高了5.5倍。使用HWEBING算法与HOG-MLBP特征结合取得较好的行人检测效果。
附图说明
附图1为现有技术的行人检测框架；
附图2为本发明的行人检测框架；
附图3为本发明的窗口增强原理；
附图4为本发明的MLBP特征提取流程图。
具体实施方式
本发明的实施例：快速高效的行人检测方法，包括训练阶段和检测阶段；在训练阶段：
1)创建数据集，对创建的数据集提取特征，训练SVM行人检测模型，得到SVW判别模型；
2)创建数据集，采用K-Means++算法优化训练样本，提取HWEBING特征，训练HWEBING似物性模型，获得HWEBING检测模型；
3)输入检测图像，加载HWEBING检测模型和SVW判别模型；
在检测阶段：1)通过提取HWEBING特征获得似物性窗口，采用非极大值抑制减少窗口数目；
2)提取候选行人窗口的HOG和MLBP特征；
3)采用SVM分类器分类决策，得到检测结果。
所述的采用K-Means++算法优化训练样本具体是，先使用K-Means++算法优化训练样本，对样本进行了筛选提高了检测率；HWEBING算法在训练阶段建立Hash表，将卷积的结果提前放到Hash表中保存，在检测阶段需要卷积时直接查找Hash表来得到卷积的结果；最后在计算窗口的似物性得分时，增强了结构复杂物体的窗口得分。
所述的K-Means++算法，先将样本分为K类，然后生成随机的数据集，在这些数据集中任意选择一个样本点作为第一个类的中心点，然后按照概率选择下一个聚类中心，概率如公式(1)所示，其中Di为第i个样本点和距离它最近中心的距离平方，sum(Di)为所有最近距离的和，最后重复此操作直到找到K个聚类中心点，在找到K个类的中心点以后再执行K-Means算法；
Figure BDA0001779857140000071
所述的Hash表的建立是，通过对第一级SVM训练得到的8*8的模型的每一行前四列和后四列分别建立Hash表，则每个模型对应16个Hash表；每个梯度幅值只取前四位，建立Hash表的过程如下所示，其中h(x，y)为哈希表，x表示前四位或者后四位，x∈{0，1}，y为行数，y∈{0，7}，w(x，y)为(x，y)处的模型值。
1)假设i＝0，b1＝i&0xf，b2＝(i＞＞4)&0xf，b2＝(i＞＞8)&0xf，b2＝(i＞＞12)&0xf；
2)对于y∈{0，7}，计算h(x，y)的值如式(2)和(3)所示：
h(0，y)＝b1*w(y，3)+b2*w(y，2)+b3*w(y，1)+b4*w(y，0) (2)
h(1，y)＝b1*w(y，7)+b2*w(y，6)+b3*w(y，5)+b4*w(y，4) (3)
3)i每次加1，循环上述过程直到i≥216时建表完成。
在建立Hash表之后，卷积时查找表就能得到结果；但是当查找Hash表时，需要创建一个矩阵来实现快速拼接表键；这个矩阵中(x，y)处的值是原来梯度幅值图(x，y)处的后面8个值的前四位。
BING算法在计算窗口的得分时对于结构比较复杂的物体并不能给出完全正确的得分，如图3所示，人的上半身红色的衣服和下半身浅蓝色的裤子可能会被BING算法视做两个不同的物体，从而导致这两个部分的建议窗口得分较高。这两个部分中间衔接的梯度幅值相差太大，所以对于行人来说不一定可以形成较好的封闭轮廓，可能会导致蓝色窗口的得分会降低。
因此针对这一点本发明提出了窗口增强的方法。所述的通过提取HWEBING特征获得似物性窗口，需要采用窗口增强，具体方法为：针对大小为2m×2n的窗口，利用比它小一半的窗口的得分对它进行增强，采用的公式如(4)所示：
Figure BDA0001779857140000072
其中
Figure BDA0001779857140000073
是滤波得分图在(x，y)处窗口大小为2m×2n的得分值，
Figure BDA0001779857140000074
为
Figure BDA0001779857140000075
增强后的得分值，A和B分别为对(x+i，y)和(x，y+i)处得分增强的系数。
所述的非极大值抑制包括
1)将窗口的得分按照从大到小的顺序排列，选取得分最高的点作为建议窗口，然后把其它窗口和此得分最高的窗口计算面积重叠比，当重叠比达到阈值就将这个窗口去除；然后重复此过程，直到所有的窗口被计算完；
2)对滤波得分图进行均值滤波，当滤波后某点的值变小达到阈值，将它保留，反之将它去；然后再将均值滤波后的值从大到小排列，设置一个阈值t，把以当前窗口为中心的t*t区域内的其它窗口去除。
MLBP特征是对均匀模式LBP特征的改进，本方法分别提取了方形的MLBP特征(方形代表领域点在一个正方形区域)和圆形的MLBP特征(圆形代表领域点在一个圆形区域)，在不增加ULBP计算的复杂度情况下，提高了LBP的性能。MLBP是通过改进ULBP的计算方法，ULBP是将每个区域的中心像素的灰度值作为一个阈值，然后再计算每个区域的邻域像素和阈值的差值，通过比较差值的大小得到一个二进制序列。这样计算的阈值没有考虑到中心像素与周围的邻域像素的突变情况，缺少平滑稳定性。而MLBP将图像分为多个块，先找到每个块中邻域像素的最大灰度值和最小灰度值，然后计算块内除去最值后的所有像素的均值，将这个均值作为每个块的阈值，然后再按照计算均匀模式LBP的方法计算块中每个点的MLBP值，再统计每个块的直方图，最后将所有块的直方图串联得到MLBP特征描述子。除去最大值和最小值减少了噪声对检测的影响。行人与背景在灰度值上是存在一些差异的，而且大部分的差异值是较大的，所以通过求取均值能增加阈值的稳定性。而中心像素对计算区域的LBP信息是比较重要的，所以通过加上中心像素的灰度能够更全面地描述局部区域的纹理信息。下面以3*3方形的小分块为例，计算MLBP值如图1所示：
表1为MLBP计算实例
Figure BDA0001779857140000081
Figure BDA0001779857140000091
所述的MLBP的阈值计算公式如式(5)所示：
Figure BDA0001779857140000092
其中，p为块内邻域点的个数，Max为块内邻域的最大灰度值，Min为块内邻域的最小灰度值，Lp为p点的灰度值,Lcenter为块的中心像素值；
MLBP的值为如式(6)所示：
Figure BDA0001779857140000093
其中，Li为i点的灰度值，Ln为式(13)得到的阈值，当i>0，t(i)＝1,i≤0,t(i)＝0；
所述的MLBP特征提取的流程图包括如下步骤：
1)图像分块
将一幅图像分为许多个大小相同的块，由于按照一定的步长对整幅图像进行逐步的移动，所以块与块之间定会存在重叠部分。对于一幅大小为x×y像素的图像而言，若规定块的宽高分别为width和height，则水平上滑动的块的个数为xn，垂直上滑动的块的个数为yn，stride为块移动的步长，计算的公式如式(7)所示：
Figure BDA0001779857140000094
Figure BDA0001779857140000095
2)统计块的直方图
根据上述的MLBP计算方法先计算图像每个块中的所有像素点的MLBP值，然后将MLBP模式按照ULBP的映射方法映射到59维的bin中，然后统计块内像素点对bin的加权投票，每次的投票加一；
3)直方图归一化
在得到图像中每个块的直方图之后，需要对块的直方图进行归一化；
4)直方图级联
将一幅图像划分为若干个块之后会得到每个块的直方图，再将所有块归一化后的直方图进行级联，最终得到的直方图为xn×yn×59维；若图像的大小为64×128，每个块的大小为16*16，块滑动的步长为8个像素，所以水平方向的滑动块数为7个，垂直方向的滑动的块数为15个，总共块的个数为7×15＝105个块，所以最终的维数为105×59＝6195维；
HOG特征描述图像的边缘信息，LBP特征描述图像的纹理信息，它们在一定程度是互补的。对LBP特征改进的MLBP特征能够更好地提高LBP特征的性能，将HOG特征和MLBP特征结合可以进一步地提高检测率。
所述的直方图归一化的方法为L2-Norm，归一化使得MLBP特征更具有鲁棒性。

Claims (7)

1.一种快速高效的行人检测方法，其特征在于：包括训练阶段和检测阶段；在训练阶段：
1)创建数据集，对创建的数据集提取特征，训练SVM行人检测模型，得到SVW判别模型；
2)创建数据集，采用K-Means++算法优化训练样本，提取HWEBING特征，训练HWEBING似物性模型，获得HWEBING检测模型；
3)输入检测图像，加载HWEBING检测模型和SVW判别模型；
在检测阶段：1)通过提取HWEBING特征获得似物性窗口，采用非极大值抑制减少窗口数目；
2)提取候选行人窗口的HOG和MLBP特征；
3)采用SVM分类器分类决策，得到检测结果；
所述的通过提取HWEBING特征获得似物性窗口，需要采用窗口增强，具体方法为：针对大小为2m×2n的窗口，利用比它小一半的窗口的得分对它进行增强，采用的公式如(4)所示：
Figure FDA0003218301200000011
其中
Figure FDA0003218301200000012
是滤波得分图在(x，y)处窗口大小为2m×2n的得分值，
Figure FDA0003218301200000013
为
Figure FDA0003218301200000014
增强后的得分值，A和B分别为对(x+i，y)和(x，y+i)处得分增强的系数；
所述的非极大值抑制包括：
将窗口的得分按照从大到小的顺序排列，选取得分最高的点作为建议窗口，然后把其它窗口和此得分最高的窗口计算面积重叠比，当重叠比达到阈值就将这个窗口去除；然后重复此过程，直到所有的窗口被计算完；
对滤波得分图进行均值滤波，当滤波后某点的值变小达到阈值，将它保留，反之将它去；然后再将均值滤波后的值从大到小排列，设置一个阈值t，把以当前窗口为中心的t*t区域内的其它窗口去除。
2.根据权利要求1所述的快速高效的行人检测方法，其特征在于：所述的采用K-Means++算法优化训练样本具体是，先使用K-Means++算法优化训练样本，对样本进行了筛选提高了检测率；HWEBING算法在训练阶段建立Hash表，将卷积的结果提前放到Hash表中保存，在检测阶段需要卷积时直接查找Hash表来得到卷积的结果；最后在计算窗口的似物性得分时，增强了结构复杂物体的窗口得分。
3.根据权利要求1或2所述的快速高效的行人检测方法，其特征在于：所述的K-Means++算法，先将样本分为K类，然后生成随机的数据集，在这些数据集中任意选择一个样本点作为第一个类的中心点，然后按照概率选择下一个聚类中心，概率如公式(1)所示，其中Di为第i个样本点和距离它最近中心的距离平方，sum(Di)为所有最近距离的和，最后重复此操作直到找到K个聚类中心点，在找到K个类的中心点以后再执行K-Means算法；
Figure FDA0003218301200000021
4.根据权利要求2所述的快速高效的行人检测方法，其特征在于：所述的Hash表的建立是，通过对第一级SVM训练得到的8*8的模型的每一行前四列和后四列分别建立Hash表，则每个模型对应16个Hash表；每个梯度幅值只取前四位，建立Hash表的过程如下所示，其中h(x，y)为哈希表，x表示前四位或者后四位，x∈{0，1}，y为行数，y∈{0，7}，w(x，y)为(x，y)处的模型值；
1)假设i＝0，b1＝i&0xf，b2＝(i＞＞4)&0xf，b2＝(i＞＞8)&0xf，b2＝(i＞＞12)&0xf；
2)对于y∈{0，7}，计算h(x，y)的值如式(2)和(3)所示：
h(0，y)＝b1*w(y，3)+b2*w(y，2)+b3*w(y，1)+b4*w(y，0) (2)
h(1，y)＝b1*w(y，7)+b2*w(y，6)+b3*w(y，5)+b4*w(y，4) (3)
3)i每次加1，循环上述过程直到i≥216时建表完成。
5.根据权利要求4所述的快速高效的行人检测方法，其特征在于：在建立Hash表之后，卷积时查找表就能得到结果；但是当查找Hash表时，需要创建一个矩阵来实现快速拼接表键；这个矩阵中(x,y)处的值是原来梯度幅值图(x,y)处的后面8个值的前四位。
6.根据权利要求1所述的快速高效的行人检测方法，其特征在于：所述的MLBP的阈值计算公式如式(5)所示：
Figure FDA0003218301200000031
其中，p为块内邻域点的个数，Max为块内邻域的最大灰度值，Min为块内邻域的最小灰度值，Lp为p点的灰度值,Lcenter为块的中心像素值；
MLBP的值为如式(6)所示：
Figure FDA0003218301200000032
其中，Li为i点的灰度值，Ln为式(13)得到的阈值，当i>0，t(i)＝1,i≤0,t(i)＝0；
所述的MLBP特征提取的流程图包括如下步骤：
1)图像分块
将一幅图像分为许多个大小相同的块，由于按照一定的步长对整幅图像进行逐步的移动，所以块与块之间定会存在重叠部分；对于一幅大小为x×y像素的图像而言，若规定块的宽高分别为width和height，则水平上滑动的块的个数为xn，垂直上滑动的块的个数为yn，stride为块移动的步长，计算的公式如式(7)所示：
Figure FDA0003218301200000041
Figure FDA0003218301200000042
2)统计块的直方图
根据上述的MLBP计算方法先计算图像每个块中的所有像素点的MLBP值，然后将MLBP模式按照ULBP的映射方法映射到59维的bin中，然后统计块内像素点对bin的加权投票，每次的投票加一；
3)直方图归一化
在得到图像中每个块的直方图之后，需要对块的直方图进行归一化；
4)直方图级联
将一幅图像划分为若干个块之后会得到每个块的直方图，再将所有块归一化后的直方图进行级联，最终得到的直方图为xn×yn×59维；若图像的大小为64×128，每个块的大小为16*16，块滑动的步长为8个像素，所以水平方向的滑动块数为7个，垂直方向的滑动的块数为15个，总共块的个数为7×15＝105个块，所以最终的维数为105×59＝6195维。
7.根据权利要求6所述的快速高效的行人检测方法，其特征在于：所述的直方图归一化的方法为L2-Norm。
CN201810986642.1A 2018-08-28 2018-08-28 快速高效的行人检测方法 Active CN109190547B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810986642.1A CN109190547B (zh) 2018-08-28 2018-08-28 快速高效的行人检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810986642.1A CN109190547B (zh) 2018-08-28 2018-08-28 快速高效的行人检测方法

Publications (2)

Publication Number Publication Date
CN109190547A CN109190547A (zh) 2019-01-11
CN109190547B true CN109190547B (zh) 2021-11-19

Family

ID=64916387

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810986642.1A Active CN109190547B (zh) 2018-08-28 2018-08-28 快速高效的行人检测方法

Country Status (1)

Country Link
CN (1) CN109190547B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110008963A (zh) * 2019-02-25 2019-07-12 广东工业大学 一种机器视觉检测方法

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103679187A (zh) * 2012-09-12 2014-03-26 深圳先进技术研究院 图像识别方法和系统
CN105138968A (zh) * 2015-08-05 2015-12-09 北京天诚盛业科技有限公司 人脸认证方法和装置
CN107092884A (zh) * 2017-04-20 2017-08-25 宋佳颖 一种快速粗精级联行人检测方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103679187A (zh) * 2012-09-12 2014-03-26 深圳先进技术研究院 图像识别方法和系统
CN105138968A (zh) * 2015-08-05 2015-12-09 北京天诚盛业科技有限公司 人脸认证方法和装置
CN107092884A (zh) * 2017-04-20 2017-08-25 宋佳颖 一种快速粗精级联行人检测方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
基于背景差与HOG-LBP的快速运动人体检测;张慧等;《计算机技术与发展》;20150228;第25卷(第2期);第47-51页 *

Also Published As

Publication number Publication date
CN109190547A (zh) 2019-01-11

Similar Documents

Publication Publication Date Title
CN106127196B (zh) 基于动态纹理特征的人脸表情的分类与识别方法
CN104992191B (zh) 基于深度学习的特征和最大置信路径的图像分类方法
CN109614922A (zh) 一种动静态手势识别方法和系统
CN107316031A (zh) 用于行人重识别的图像特征提取方法
CN110706235B (zh) 一种基于双级级联分割的远红外行人检测方法
CN105447503B (zh) 基于稀疏表示lbp和hog融合的行人检测方法
CN104778476B (zh) 一种图像分类方法
US20170236292A1 (en) Method and device for image segmentation
CN111507334B (zh) 一种基于关键点的实例分割方法
CN106372624B (zh) 人脸识别方法及系统
Jamil et al. Edge-based features for localization of artificial Urdu text in video images
CN105701495A (zh) 图像纹理特征提取方法
CN109325507A (zh) 一种结合超像素显著性特征与hog特征的图像分类算法和系统
CN103186776A (zh) 基于多特征和深度信息的人体检测方法
CN114863464A (zh) 一种pid图纸图件信息的二阶识别方法
CN109190547B (zh) 快速高效的行人检测方法
Kim et al. A code based fruit recognition method via image convertion using multiple features
Murphy-Chutorian et al. N-tree Disjoint-Set Forests for Maximally Stable Extremal Regions.
Rassem et al. Performance evaluation of completed local ternary patterns (CLTP) for medical, scene and event image categorisation
Youlian et al. Face detection method using template feature and skin color feature in rgb color space
JP2016071800A (ja) 情報処理装置、情報処理方法及びプログラム
CN102129569A (zh) 基于多尺度对比特征的对象检测设备和方法
CN112101283A (zh) 一种交通标志智能识别方法及系统
Anggraeny et al. Texture feature local binary pattern for handwritten character recognition
Tavallali et al. Robust skin detector based on AdaBoost and statistical luminance features

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
TR01 Transfer of patent right

Effective date of registration: 20231030

Address after: 709, 7th Floor, Building 1, No. 138 Malianwa North Road, Haidian District, Beijing, 100000

Patentee after: Beijing Zhifeng Zhendao Technology Development Co.,Ltd.

Address before: 550025 science and technology office, north campus, Guizhou University, Huaxi District, Guiyang, Guizhou

Patentee before: Guizhou University

TR01 Transfer of patent right
TR01 Transfer of patent right

Effective date of registration: 20231212

Address after: Room 206, 2nd Floor, Building 13, Sun Garden, Dazhongsi East Road, Haidian District, Beijing, 100080

Patentee after: BEIJING NJA INFORMATION TECHNOLOGY CO.,LTD.

Address before: 709, 7th Floor, Building 1, No. 138 Malianwa North Road, Haidian District, Beijing, 100000

Patentee before: Beijing Zhifeng Zhendao Technology Development Co.,Ltd.

TR01 Transfer of patent right