CN112232162B - 一种基于多特征融合级联分类器的行人检测方法及装置 - Google Patents

一种基于多特征融合级联分类器的行人检测方法及装置 Download PDF

Info

Publication number
CN112232162B
CN112232162B CN202011067326.8A CN202011067326A CN112232162B CN 112232162 B CN112232162 B CN 112232162B CN 202011067326 A CN202011067326 A CN 202011067326A CN 112232162 B CN112232162 B CN 112232162B
Authority
CN
China
Prior art keywords
blocks
pedestrian detection
image
cascade classifier
classifier
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
CN202011067326.8A
Other languages
English (en)
Other versions
CN112232162A (zh
Inventor
彭凯
毛薇
邓天平
彭麟雅
王栋云
胡国亮
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.)
Wuhan Fenghuo Kaizhuo Technology Co ltd
Huazhong University of Science and Technology
Original Assignee
Wuhan Fenghuo Kaizhuo Technology Co ltd
Huazhong University of Science and Technology
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 Wuhan Fenghuo Kaizhuo Technology Co ltd, Huazhong University of Science and Technology filed Critical Wuhan Fenghuo Kaizhuo Technology Co ltd
Priority to CN202011067326.8A priority Critical patent/CN112232162B/zh
Publication of CN112232162A publication Critical patent/CN112232162A/zh
Application granted granted Critical
Publication of CN112232162B publication Critical patent/CN112232162B/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
    • G06F18/21—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
    • 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
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
    • Y02T10/00—Road transport of goods or passengers
    • Y02T10/10—Internal combustion engine [ICE] based vehicles
    • Y02T10/40—Engine management systems

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多特征融合级联分类器的行人检测方法及装置，该方法包括如下步骤：获取已检测到行人的样本图像，将其划分为多个大小相同、部分重叠的分块；对每个所述分块的多种图像特征进行提取，并将所述多种图像特征进行结合，将结合后的特征作为所述分块的图像特征；根据所述分块的图像特征训练分块分类器，计算各个分块对应的行人检测率，舍弃行人检测率低于阈值的分块；对保留下来的分块进行特征融合，将分块的融合特征作为级联分类器的输入，并对所述级联分类器进行训练。本发明通过分块以及图像的多种特征融合的方法，降低行人特征向量的维度，节省了大量重复训练时间，提高了最终的检测速度和精度。

Description

一种基于多特征融合级联分类器的行人检测方法及装置
技术领域
本发明涉及计算机视觉识别领域，具体地，涉及基于多特征融合级联分类器的行人检测方法及装置。
背景技术
随着人们生活水平的提高，公共安全问题也得到越来越广泛的关注，安防产业也随之迅速发展。行人检测是典型的目标检测问题之一，通过相关技术检测图像或视频中是否出现行人，若存在则用矩形框对行人进行定位。行人检测与行人跟踪、行人再识别等相关技术，在智能视频监控以及无人驾驶汽车系统中对人体行为分析等领域得到广泛应用。因此，随着科技日益快速的发展，行人检测成为图像处理领域中研究的热点和难点问题。
行人检测算法主要分为两类：基于模板匹配的方法和基于统计学习的方法。前者在检测时较难获得目标的准确轮廓，而且需要运用模板对目标的形状进行描述，具有较为明显的缺点。目前，基于统计学习的方法已成为主流的行人检测方法，该方法使用大量样本对行人检测分类器进行训练，样本的特征主要包括颜色、纹理、方向梯度直方图(Histogramof Oriented Gradient,HOG)等，分类器主要包括支持向量机(Support vector machine,SVM)、Adaboost分类器、人工神经网络等。
特征提取主要是通过某种算法模型得到相关图像的信息，如图像的颜色、形状、纹理和空间的关系。梯度方向直方图(HOG)特征是目前应用最广泛的底层特征描述符，HOG利用分块图像的局部梯度幅度和方向特征有效地表示边缘特征，对光照变化以及微小空间的平移有较高的鲁棒性。然而，HOG特征的不足是维度高导致计算缓慢。为解决这一问题，有学者在大小可变的图像内运用积分直方图来计算HOG特征，再通过AdaBoost分类器筛选出表征能力较强的特征向量，该方法的检测速度比仅用HOG特征的方法快70倍。此外，有学者提出了用于提取纹理特征的局部二值模式(LBP)算法，该算法起初应用在人脸中，后来广泛应用于其他领域中。LBP特征在图像像素太低或图像成像条件太差时，并不能有效刻画纹理特征，可见LBP特征对图像质量要求较高。此外，有学者提出了积分通道特征，其结合多个特征来提高特征表达能力的方法，该方法解决了多个特征融合后计算速度缓慢的问题。一些研究人员结合行人的颜色、形状和纹理等特征信息来实现更稳定的检测。有学者就将HOG特征与颜色、纹理和边沿等特征相结合来形成高维特征描述符，再采用偏最小二乘法进行降维。
行人检测仍是一个具有极大挑战的研究方向，不仅因为人体自身的特殊性导致不同人体的姿态及外观和形状千差万别，还因为人体外观会受到姿态、穿着、摄影视角、光照、遮挡等因素的影响。现有的行人检测方法主要是通过提取待测图像中固定矩阵区域内的特征来进行行人检测，然而，由于行人形状不规则且随姿态的变化而随之改变，使得特征中混入大量背景，导致行人检测不准确。此外，虽然现有的特征提取的方法颇多，但仍存在传统特征提取方法提取的特征较为单一而多特征融合方法提取的特征维度大的问题。
发明内容
本发明针对现有技术中存在的特征较为单一而多特征融合方法提取的特征维度大的技术问题，第一方面，提供一种基于多特征融合级联分类器的行人检测方法，包括如下步骤：
获取已检测到行人的样本图像，将其划分为多个大小相同、部分重叠的分块；对每个所述分块的多种图像特征进行提取，并将所述多种图像特征进行结合，将结合后的特征作为所述分块的图像特征；根据所述分块的图像特征训练分块分类器，计算各个分块对应的行人检测率，舍弃行人检测率低于阈值的分块；对保留下来的分块进行特征融合，将分块的融合特征作为级联分类器的输入，并对所述级联分类器进行训练直至误差小于阈值，将训练完成的级联分类器用于行人检测。。
在本发明的一些实施例中，所述对每个所述分块的多种图像特征进行提取，并将所述多种图像特征进行结合，将结合后的特征作为该分块的图像特征包括如下步骤：计算每个所述分块内的每一个像素的HOG、SILTP、HSC特征值并绘制各自对应的特征值直方图，将所述特征值直方图融合以构成特征向量。
进一步的，所述对每个所述分块的多种图像特征进行提取，并将所述多种图像特征进行结合，将结合后的特征作为该分块的图像特征还包括如下步骤：将所述特征值直方图至少与深度图的CLBC特征、运动信息特征、LBP特征中的一种进行进一步融合，得到特征向量。
在本发明的一些实施例中，所述对保留下来的分块进行特征融合，将分块的融合特征作为级联分类器的输入，并对所述级联分类器进行训练直至误差小于阈值，将训练完成的级联分类器用于行人检测。包括如下步骤：对保留下来的分块通过并联融合，将融合后的特征作为级联分类器的输入，并对所述级联分类器进行训练直至误差小于阈值。
进一步的，所述级联分类器为级联AdaBoost分类器。
更进一步的，所述级联AdaBoost分类器是由若干个弱分类器层叠式累加而成的强分类器。
第二方面，本公共的实施例中提供了一种视频行人检测方法，包括第一方面实施例提供的基于多特征融合级联分类器的行人检测方法。
第三方面，本公共的实施例中提供了一种基于多特征融合级联分类器的行人检测装置，包括获取模块、提取模块、缩减模块、融合模块、级联分类器，所述获取模块，用于获取已检测到行人的样本图像或待检测图像，将其划分为多个大小相同、部分重叠的分块；所述提取模块，用于对每个所述分块的多种图像特征进行提取，并将所述多种图像特征进行结合，将结合后的特征作为所述分块的图像特征；所述缩减模块，用于根据所述分块的图像特征训练分块分类器，计算各个分块对应的行人检测率，舍弃行人检测率低于阈值的分块；所述融合模块，用于对保留下来的分块进行特征融合，将分块的融合特征作为级联分类器的输入；所述级联分类器，用于根据所述分块的融合特征进行训练或输出行人检测结果。
第四方面，本公共的实施例中提供了一种电子设备，包括：一个或多个处理器；存储装置，用于存储一个或多个程序，当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现第一方面提供的基于多特征融合级联分类器的行人检测方法。
第五方面，本公共的实施例中提供了一种计算机可读介质，所述计算机程序被处理器执行时实现第一方面提供的基于多特征融合级联分类器的行人检测方法。
本发明的有益效果是：通过分块以及图像的多种特征融合的方法，降低行人特征向量的维度，避免了大量的非检测目标样本全部进入下一级分类器训练，节省了大量重复训练时间，提高了最终的检测速度和精度。
附图说明
图1为本发明的一些实施例的基于多特征融合级联分类器的行人检测方法的基本流程图；
图2为本发明的一些实施例的基于多特征融合级联分类器的行人检测方法的具体流程图；
图3为本发明一些实施例的基于多特征融合级联分类器的行人检测装置的基本结构图；
图4为适于用来实现本发明的公开实施例的电子设备的计算机系统的结构示意图。
具体实施方式
以下结合附图对本发明的原理和特征进行描述，所举实例只用于解释本发明，并非用于限定本发明的范围。
参考图1，一种基于多特征融合级联分类器的行人检测方法，包括如下步骤：S101.获取已检测到行人的样本图像，将其划分为多个大小相同、部分重叠的分块；S102.对每个所述分块的多种图像特征进行提取，并将所述多种图像特征进行结合，将结合后的特征作为所述分块的图像特征；S103根据所述分块的图像特征训练分块分类器，计算各个分块对应的行人检测率，舍弃行人检测率低于阈值的分块；S104.对保留下来的分块进行特征融合，将分块的融合特征作为级联分类器的输入，并对所述级联分类器进行训练直至误差小于阈值，将训练完成的级联分类器用于行人检测。。
参考图2，在本发明的一些实施例中的步骤S102，对每个所述分块的多种图像特征进行提取，并将所述多种图像特征进行结合，将结合后的特征作为该分块的图像特征包括如下步骤：计算每个所述分块内的每一个像素的HOG、SILTP、HSC特征值并绘制各自对应的特征值直方图，将所述特征值直方图融合以构成特征向量。需要说明的是，上述“结合”可理解为融合，“分块”可理解为或等同于“部分”、“窗口”、“滑窗”、“单元”等代表图像经划分之后的部分或图像区域。
应该理解的是，方向梯度直方图(HOG)特征能有效刻画图像的目标边缘结构信息，因此它可用来描述行人的轮廓。HOG特征可通过对样本图像中行人所在局部区域的梯度方向密度分布进行统计计算，来表征该区域的特征信息。HOG的实现方法是将图像分割为小的连通区域，也称为细胞单元，再对细胞单元的梯度方向直方图进行统计，最后将所有直方图组合在一起构成特征描述子。为了进一步提高HOG特征的性能，还可以将局部直方图在更大的区域中进行对比度归一化，因为归一化能进一步减小光照变化以及阴影区域对检测的影响。
尺度不变局部三元模式(SILTP)特征能有效刻画图像纹理信息，该特征对于光照变化具有很好的鲁棒性。SILTP是局部二值模式(LBP)的扩展和改进，LBP用于描述局部图像的纹理特征，其不足是当图像相邻像素较为相似时，LBP对于局部图像噪声不具有鲁棒性。SILTP特征具有强度尺度不变性，该属性是极其重要的。因为图像中存在光照的变化，无论是全局还是局部的变化，都会导致图像相邻像素的灰度尺度强度发生剧变，这相当于一个常数因子的尺度变换。显然，SILTP的优点在于：SILTP特征本身的尺度不变性使得其对光照变化不敏感，当光照变化很明显时SILTP特征是保持不变的。
稀疏编码直方图(HSC)特征是一种构造方法类似于HOG特征的目标检测特征描述子，两者的区别为HOG特征利用的是图像的梯度幅值和方向统计直方图，而HSC特征利用的是稀疏编码构造直方图。HSC的实现方法是根据样本图像学习一个字典，再通过字典对样本图像中每个像素点处的稀疏编码进行计算，然后用与HOG特征一样的分块方法来对样本图像进行分块，最后对分块中各像素点关于字典的稀疏编码直方图进行统计，并进行归一化处理。
融合特征比单特征的行人检测效果好，但是简单的融合特征性能虽然提升了，但依旧受到本身图片复杂程度的影响，并且检测时间并没有得到提升。所以从图像本身来考虑，由于深度图比较稳定，不受光照、阴影以及行人衣服颜色的影响，可以体现出更多的行人信息，因此考虑将特征与深度图融合。深度图表达的是场景中各个点到摄像机的距离，图中每一个像素值都可以表示出场景中该点与摄像机之间的距离。而深度图的CLBC特征是通过将深度图的局部差分解为符号和幅值两个互补成分，提取完整的局部纹理信息得到。
当背景的形状或轮廓与行人类似的时候，只利用静态图像特征分辨背景与行人的难度较大。如果需要检测视频中的行人，则除了可以使用前述所有静态图像特征，还可以利用行人包含的丰富的运动信息以提升检测性能。采用弱稳像方法可提取运动信息特征，该方法在计算光流时保留帧间的大尺度光流(比如摄像头的移动，行人整体的移动)，而忽略小尺度光流(比如手臂、腿部的摆动)，在使用这种光流对齐各帧时，帧间的大尺度运动被消除，行人部件相对身体的运动则被保留，然后采用帧间差分就可以提取出运动信息特征。
参考图2，进一步的，在本发明的一些实施例的步骤S102中，对每个所述分块的多种图像特征进行提取，并将所述多种图像特征进行结合，将结合后的特征作为该分块的图像特征还包括如下步骤：将所述特征值直方图至少与深度图的CLBC(Completed LocalBinary Count,局部二进制计数)特征、运动信息特征、LBP特征中的一种进行进一步融合，得到特征向量。
应该理解，上述图像特征包括但不局限于SILTP、HSC、CLBC、LBP，还应包括常见的颜色特征(通常以颜色直方图、颜色集、颜色矩表征)、纹理特征(统计方法、几何法、模型法、信号处理所表征)、形状特征、空间关系特征以及其相关的统计特征等。
考虑到样本图像中行人所在的区域并不是规则的，即使行人所在区域集中在样本图像的中心，但其周围大部分区域仍是背景区域，因此需要对样本图像的分块进行收缩，舍弃容易受到背景影响的分块，保留能对行人特征进行更好描述的分块。在本发明的一些实施例的中的步骤S103中，根据所述分块的图像特征训练分块分类器，计算各个分块对应的行人检测率，舍弃行人检测率低于阈值的分块。分块的舍弃和保留是由分块的收缩阈值来决定的，分块收缩阈值决定了分块的取舍程度。分块收缩是对所有样本都进行的，即一旦分块收缩阈值确定，则所有样本只计算保留下来的分块的特征。
在本发明的一些实施例的中的步骤S104中，对保留下来的分块进行特征融合，将分块的融合特征作为级联分类器的输入，并对所述级联分类器进行训练直至误差小于阈值，将训练完成的级联分类器用于行人检测。包括如下步骤：对保留下来的分块通过并联融合，将融合后的特征作为级联分类器的输入，并对所述级联分类器进行训练直至误差小于阈值。
应当理解，特征融合的方法分为特征选择和特征组合两类。特征选择，是将所有特征向量集中在一起形成一种新的特征，新特征的每一个位置都来源于原有特征中选择的向量元素。特征组合，是通过某种策略将多个特征向量组合成一种新的特征，比较典型的两个策略为：串联融合和并联融合。串联融合，是将两个或多个特征进行串联得到新的特征，新特征的向量维数为多个特征向量维数之和；并联融合，是将两个或多个特征按某一比例进行相加得到维数不变的新特征。优选的，上述特征融合方法为特征组合，是通过并联融合将以上多个特征向量组合成一种新的特征。
上述级联分类器为级联AdaBoost分类器。可选的，所述级联AdaBoost分类器是由若干个弱分类器层叠式累加而成的强分类器。
作为上述基于多特征融合级联分类器的行人检测方法的实现，本公开提供了一种视频行人检测方法，包括上述基于多特征融合级联分类器的行人检测方法。通常的，结合图像处理技术将视频转换为图像序列，并将该图像序列划分为若干个关键帧，将关键帧作为上述基于多特征融合级联分类器的行人检测方法的输入，即可完成行人检测。
参考图3，本公共的实施例中提供了一种基于多特征融合级联分类器的行人检测装置1，包括获取模块11、提取模块12、缩减模块13、融合模块14、级联分类器15，所述获取模块11，用于获取已检测到行人的样本图像或待检测图像，将其划分为多个大小相同、部分重叠的分块；所述提取模块12，用于对每个所述分块的多种图像特征进行提取，并将所述多种图像特征进行结合，将结合后的特征作为所述分块的图像特征；所述缩减模块13，用于根据所述分块的图像特征训练分块分类器，计算各个分块对应的行人检测率，舍弃行人检测率低于阈值的分块；所述融合模块14，用于对保留下来的分块进行特征融合，将分块的融合特征作为级联分类器的输入；所述级联分类器15，用于根据所述分块的融合特征进行训练或输出行人检测结果。
参考图4，电子设备500可以包括处理装置(例如中央处理器、图形处理器等)501，其可以根据存储在只读存储器(ROM)502中的程序或者从存储装置508加载到随机访问存储器(RAM)503中的程序而执行各种适当的动作和处理。在RAM503中，还存储有电子设备500操作所需的各种程序和数据。处理装置501、ROM502以及RAM503通过总线504彼此相连。输入/输出(I/O)接口505也连接至总线504。
通常以下装置可以连接至I/O接口505：包括例如触摸屏、触摸板、键盘、鼠标、摄像头、麦克风、加速度计、陀螺仪等的输入装置506；包括例如液晶显示器(LCD)、扬声器、振动器等的输出装置507；包括例如硬盘等的存储装置508；以及通信装置509。通信装置509可以允许电子设备500与其他设备进行无线或有线通信以交换数据。虽然图4示出了具有各种装置的电子设备500，但是应理解的是，并不要求实施或具备所有示出的装置。可以替代地实施或具备更多或更少的装置。图4中示出的每个方框可以代表一个装置，也可以根据需要代表多个装置。
特别地，根据本公开的实施例，上文参考流程图描述的过程可以被实现为计算机软件程序。例如，本公开的实施例包括一种计算机程序产品，其包括承载在计算机可读介质上的计算机程序，该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中，该计算机程序可以通过通信装置509从网络上被下载和安装，或者从存储装置508被安装，或者从ROM502被安装。在该计算机程序被处理装置501执行时，执行本公开的实施例的方法中限定的上述功能。需要说明的是，本公开的实施例所描述的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本公开的实施例中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本公开的实施例中，计算机可读信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读信号介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于：电线、光缆、RF(射频)等等，或者上述的任意合适的组合。
上述计算机可读介质可以是上述电子设备中所包含的；也可以是单独存在，而未装配入该电子设备中。上述计算机可读介质承载有一个或者多个计算机程序，当上述一个或者多个程序被该电子设备执行时，使得该电子设备：
可以以一种或多种程序设计语言或其组合来编写用于执行本公开的实施例的操作的计算机程序代码，程序设计语言包括面向对象的程序设计语言—诸如Java、Smalltalk、C++、Python，还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)——连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
附图中的流程图和框图，图示了按照本公开各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分，该模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。
以上所述仅为本发明的较佳实施例，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (7)

1.一种基于多特征融合级联分类器的行人检测方法，其特征在于，包括如下步骤：
获取已检测到行人的样本图像，将其划分为多个大小相同、部分重叠的分块；
对每个所述分块的多种图像特征进行提取，并将所述多种图像特征进行结合，将结合后的特征作为所述分块的图像特征:计算每个所述分块内的每一个像素的HOG、SILTP、HSC特征值并绘制各自对应的特征值直方图，将所述特征值直方图至少与深度图的CLBC特征、运动信息特征、LBP特征中的一种进行进一步融合，得到特征向量;
根据所述分块的图像特征训练分块分类器，计算各个分块对应的行人检测率，舍弃行人检测率低于阈值的分块；
对保留下来的分块进行特征融合，将分块的融合特征作为级联分类器的输入，并对所述级联分类器进行训练直至误差小于阈值，将训练完成的级联分类器用于行人检测:对保留下来的分块通过并联融合，将融合后的特征作为级联分类器的输入，并对所述级联分类器进行训练直至误差小于阈值。
2.根据权利要求1所述的基于多特征融合级联分类器的行人检测方法，其特征在于，所述级联分类器为级联AdaBoost分类器。
3.根据权利要求2所述的基于多特征融合级联分类器的行人检测方法，其特征在于，所述级联AdaBoost分类器是由若干个弱分类器层叠式累加而成的强分类器。
4.一种视频行人检测方法，其特征在于，包括权利要求1-3中任一所述的基于多特征融合级联分类器的行人检测方法。
5.一种基于多特征融合级联分类器的行人检测装置，其特征在于，包括获取模块、提取模块、缩减模块、融合模块、级联分类器，
所述获取模块，用于获取已检测到行人的样本图像或待检测图像，将其划分为多个大小相同、部分重叠的分块；
所述提取模块，用于对每个所述分块的多种图像特征进行提取，并将所述多种图像特征进行结合，将结合后的特征作为所述分块的图像特征:计算每个所述分块内的每一个像素的HOG、SILTP、HSC特征值并绘制各自对应的特征值直方图，将所述特征值直方图至少与深度图的CLBC特征、运动信息特征、LBP特征中的一种进行进一步融合，得到特征向量;
所述缩减模块，用于根据所述分块的图像特征训练分块分类器，计算各个分块对应的行人检测率，舍弃行人检测率低于阈值的分块；
所述融合模块，用于对保留下来的分块进行特征融合，将分块的融合特征作为级联分类器的输入，并对所述级联分类器进行训练直至误差小于阈值，将训练完成的级联分类器用于行人检测:对保留下来的分块通过并联融合，将融合后的特征作为级联分类器的输入，并对所述级联分类器进行训练直至误差小于阈值;
所述级联分类器，用于根据所述分块的融合特征进行训练或输出行人检测结果。
6.一种电子设备，包括：一个或多个处理器；存储装置，用于存储一个或多个程序，当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如权利要求1-3中任一所述的方法。
7.一种计算机可读介质，其上存储有计算机程序，其中，所述计算机程序被处理器执行时实现如权利要求1-3中任一所述的方法。
CN202011067326.8A 2020-10-06 2020-10-06 一种基于多特征融合级联分类器的行人检测方法及装置 Active CN112232162B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011067326.8A CN112232162B (zh) 2020-10-06 2020-10-06 一种基于多特征融合级联分类器的行人检测方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011067326.8A CN112232162B (zh) 2020-10-06 2020-10-06 一种基于多特征融合级联分类器的行人检测方法及装置

Publications (2)

Publication Number Publication Date
CN112232162A CN112232162A (zh) 2021-01-15
CN112232162B true CN112232162B (zh) 2023-04-18

Family

ID=74121202

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011067326.8A Active CN112232162B (zh) 2020-10-06 2020-10-06 一种基于多特征融合级联分类器的行人检测方法及装置

Country Status (1)

Country Link
CN (1) CN112232162B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113190701A (zh) * 2021-05-07 2021-07-30 北京百度网讯科技有限公司 图像检索方法、装置、设备、存储介质以及计算机程序产品

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103310236A (zh) * 2013-06-27 2013-09-18 上海数据分析与处理技术研究所 基于局部二维特征的拼接图像检测方法及系统
CN110490194A (zh) * 2019-07-24 2019-11-22 广东工业大学 一种自适应权值的多特征分块融合交通标志的识别方法

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US9449259B1 (en) * 2012-07-25 2016-09-20 Hrl Laboratories, Llc Opportunistic cascade and cascade training, evaluation, and execution for vision-based object detection
US10685428B2 (en) * 2018-11-09 2020-06-16 Hong Kong Applied Science And Technology Research Institute Co., Ltd. Systems and methods for super-resolution synthesis based on weighted results from a random forest classifier

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103310236A (zh) * 2013-06-27 2013-09-18 上海数据分析与处理技术研究所 基于局部二维特征的拼接图像检测方法及系统
CN110490194A (zh) * 2019-07-24 2019-11-22 广东工业大学 一种自适应权值的多特征分块融合交通标志的识别方法

Also Published As

Publication number Publication date
CN112232162A (zh) 2021-01-15

Similar Documents

Publication Publication Date Title
WO2019169816A1 (zh) 一种用于精细化识别车辆属性的深度神经网络及训练方法
CN112132119B (zh) 客流统计方法、装置、电子设备和存储介质
WO2021139324A1 (zh) 图像识别方法、装置、计算机可读存储介质及电子设备
CN110929593B (zh) 一种基于细节辨别区别的实时显著性行人检测方法
CN110334762B (zh) 一种基于四叉树结合orb和sift的特征匹配方法
US20150371360A1 (en) Systems and methods for obtaining structural information from a digital image
CN103310194A (zh) 视频中基于头顶像素点梯度方向的行人头肩部检测方法
CN101142584A (zh) 面部特征检测的方法
WO2019071976A1 (zh) 基于区域增长和眼动模型的全景图像显著性检测方法
CN107766864B (zh) 提取特征的方法和装置、物体识别的方法和装置
CN114758288A (zh) 一种配电网工程安全管控检测方法及装置
Cho et al. Semantic segmentation with low light images by modified CycleGAN-based image enhancement
CN110222572A (zh) 跟踪方法、装置、电子设备及存储介质
CN110795975B (zh) 人脸误检优化方法及装置
CN112836625A (zh) 人脸活体检测方法、装置、电子设备
Prasad et al. HOG, LBP and SVM based traffic density estimation at intersection
Drożdż et al. FPGA implementation of multi-scale face detection using HOG features and SVM classifier
WO2023279799A1 (zh) 对象识别方法、装置和电子系统
CN113221770A (zh) 基于多特征混合学习的跨域行人重识别方法及系统
CN115577768A (zh) 半监督模型训练方法和装置
CN112508989A (zh) 一种图像处理方法、装置、服务器以及介质
Hou et al. A cognitively motivated method for classification of occluded traffic signs
CN116030364A (zh) 无人机轻量级目标检测方法、系统、介质、设备及终端
Chen et al. Contrast limited adaptive histogram equalization for recognizing road marking at night based on YOLO models
CN112232162B (zh) 一种基于多特征融合级联分类器的行人检测方法及装置

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