一種基於視覺注意原理的行人檢測方法和系統的製作方法

2023-04-25 11:16:01 1

專利名稱：一種基於視覺注意原理的行人檢測方法和系統的製作方法
技術領域：
本發明屬於計算機視覺技術領用，具體涉及視頻監控、智能交通中的行人檢測方法。
背景技術：
近年來，在圖像和視頻中檢測行人備受人們關注，該技術可用於智能監控、智能交 通和運動分析等領域。在複雜的場景中檢測行人異常困難。其中，光照時常發生變化；景物 複雜多樣；行人具有多變的服飾和姿態；行人與行人之間、行人與景物之間常常相互遮擋； 行人圖像解析度往往較低，只佔據了視野中的一小部分。而這又是智能監控和智能交通中 常見的情形，具有重要的研究和應用價值。下面介紹幾個與本發明相近的對比文獻。基於視頻監控的行人檢測方法(申請號201010227766. 5，公開號 CN101887524A)提供了一種基於視頻監控的行人檢測方法，利用擴展梯度直方圖特徵與 Adaboost算法來快速檢測行人，然後利用梯度直方圖特徵和支持向量機來進一步識別驗證 前面的檢測出來的行人。一種基於小波分形特徵的行人檢測方法(申請號200910183075. 7，公開號 CN101630369)提供了一種基於小波分形特徵的行人檢測方法，該方法用圖像的小波分形特 徵訓練支持向量機，實現行人檢測。變化場景下行人檢測的方法(申請號201010141956. 5，公開號CN101807^0A) 提供了一種變化場景下行人檢測的方法，利用第一場景訓練得到級聯分類器後，用第二場 景的少量樣本數據優化級聯分類器，實現變化場景下的行人檢測。以上公開的發明大多對圖像中豎直邊緣比較敏感，容易將有較長豎直邊緣的景物 當作行人，產生較多誤報。此外，在解析度較低和有遮擋出現時，上述方法也難以有效處理。

發明內容
本發明的目的在於提供一種利用了人眼視覺注意原理的行人檢測方法，此種方法 能較好的區分有較長豎直邊緣的景物和行人，能夠處理光照變化和行人被部分遮擋的情 況，在圖像解析度較低時也有很好的效果。為實現上述目標，本發明採用的技術方案一種基於視覺注意原理的行人檢測方 法和系統，包括如下步驟(a)利用訓練圖像訓練行人模型；(b)利用訓練圖像和步驟(a)得到的行人模型訓練AdaBoost檢測分類器；(c)利用步驟(b)得到的檢測分類器，在不同尺度下，用滑動窗口方法檢測圖像中 的行人。進一步，所述步驟(a)包括以下步驟(al)把訓練圖像規格化為64XU8像素大小，訓練圖像為灰度圖像，包含完整的行人；(a2)在按照步驟(al)規格化後的每幅訓練圖像中，隨機、均勻的取32個16X 16 像素的圖像塊，記錄這些圖像塊的左上角坐標，並計算圖像塊的基於視覺注意原理的局部 特徵直方圖(Histograms of Local Feature based on Vision Attention, HoL)；(a3)對按照步驟(a2)得到的圖像塊的基於視覺注意原理的局部特徵直方圖 (HoL)用K-means算法聚類，在聚類結果中進一步按照圖像塊的左上角坐標用K-means算法 聚類，最終的聚類數量η在800 1200之間；(a4)對按照步驟(a3)得到的圖像塊聚類結果中，對第i類圖像塊計算基於視覺注 意原理的局部特徵直方圖(HoL)均值向量\和左上角坐標均值向量Pi,用集合M= KVi, PiM表示行人模型，其中i = l...n，n是步驟(a3)中的聚類數量。進一步，所述步驟(b)包括以下步驟(bl)把包含完整行人的訓練圖像規格化為64XU8像素大小，稱為正樣本。在不 包含行人的訓練圖像中，按照16像素為步長，順序取64X 1 像素大小的圖像塊做為負樣 本。訓練圖像為灰度圖像；(b2)對步驟(bl)得到的每一個訓練樣本1(」=1. . . m，其中m為訓練樣本數量)， 根據步驟(a)得到的行人模型M= {(\斤)}，對所有的土 = 1...η(其中η是步驟(a3)中 的聚類數量)，計算以Pi為中心、大小為32X32像素範圍內所有大小為16X16像素圖像塊 的基於視覺注意原理的局部特徵直方圖(HoL)，計算它們到Vi的最小歐氏距離，記為Clij ；(b3)用步驟(b2)得到的向量集 Wj = ((IljjCl2j,.. .，dnj) I j = l...m}以及與之對 應的正負樣本標記訓練AdaBoost檢測分類器。進一步，所述步驟(C)包括以下步驟(cl)在測試圖像中，在水平和垂直方向上以8個像素為步長，取一系列64XU8像 素大小的圖像塊，做為檢測窗口 ；(c2)對步驟(cl)中得到的每一個檢測窗口，根據步驟(a)得到的行人模型M = KVi, PiM，對所有的i = 1... η(其中η是步驟(a3)中的聚類數量)，計算以Pi為中心、大 小為32X32像素範圍內所有大小為16X16像素圖像塊的基於視覺注意原理的局部特徵 直方圖(HoL)，計算它們到Vi的最小歐氏距離，記為ti;把測試向量(t1; t2，. . .，tn)輸入到 步驟(b3)得到的AdaBoost檢測分類器中，標記輸出為正的測試樣本為行人出現的檢測窗 Π ；(c3)把測試圖像的高和寬縮小2%，做為新的測試圖像，如果新的測試圖像的高 大於1 像素並且寬大於64像素則轉到步驟(cl)，否則執行步驟(c4)；(c4)合併重疊面積超過80%的有行人出現的檢測窗口。更進一步，基於視覺注意原理的局部特徵直方圖(HoL)的計算方法包括以下步 驟(dl)對每一個像素點按照下式計算基於視覺注意的局部特徵(Local Feature based on Vision Attention. LFVA)LFVAn r2 n{x,y) =丨』,)-/(U2』,)).2'
/=0其中，k是圓周上採樣點的個數，ri、r2分別是外圓和內圓半徑，(Χμ,ΥΜ)表示半徑為r的圓周上第i個採樣點坐標，採樣點均勻分布在圓周上，採樣點的坐標按下式計算
權利要求
1.一種基於視覺注意原理的行人檢測方法和系統，其特徵是，包括以下步驟(a)利用訓練圖像訓練基於特徵塊的行人模型；(b)利用訓練圖像和步驟(a)得到的基於特徵塊的行人模型訓練AdaBoost檢測分類器；(c)利用步驟(b)得到的檢測分類器，在不同尺度下，用滑動窗口方法檢測圖像中的行人。
2.如權利要求1所述的一種基於視覺注意原理的行人檢測方法和系統，其特徵在於， 步驟(a)包括(al)訓練圖像為灰度圖像，包含完整的行人，規格化為64XU8像素大小； (a2)在按照步驟(al)規格化後的每幅訓練圖像中，隨機、均勻的取32個16X16像素 的圖像塊，記錄這些圖像塊的左上角坐標，並計算圖像塊的基於視覺注意原理的局部特徵 直方圖(Histograms of Local Feature based on Vision Attention, HoL)；(a3)對按照步驟(a2)得到的圖像塊的HoL用K-means算法聚類，在聚類結果中進一步 按照圖像塊的左上角坐標用K-means算法聚類，最終的聚類數量η在800 1200之間；(a4)對按照步驟(a3)得到的圖像塊聚類結果中，對第i類圖像塊計算基於視覺注意原 理的局部特徵直方圖(HoL)均值向量\和左上角坐標均值向量Pi,用集合M= KVi, PiM 表示行人模型，其中i = l...n，n是步驟(a3)中的聚類數量。
3.如權利要求1所述的一種基於視覺注意原理的行人檢測方法和系統，其特徵在於， 步驟(b)包括(bl)把包含完整行人的訓練圖像規格化為64XU8像素大小，稱為正樣本，在不包含 行人的訓練圖像中，按照16像素為步長，順序取64X 128像素大小的圖像塊做為負樣本，訓 練圖像為灰度圖像；(b2)對步驟(bl)得到的每一個訓練樣本1(」=1. . .m，m為訓練樣本數量)，根據步驟 (a4)得到的行人模型M= {(^》}，對所有的土 = 1...11(11是步驟(33)中的聚類數量)， 計算以Pi為中心的，大小為32X32像素範圍內所有大小為16X16像素圖像塊的基於視覺 注意原理的局部特徵直方圖(HoL)，計算它們到Vi的最小歐氏距離，記為Clij ；(b3)用步驟(b2)得到的向量集 Wj = ((Ilj, d2J, ... , dnJ) I j = l...m}訓練 AdaBoost 檢測分類器。
4.如權利要求1所述的一種基於視覺注意原理的行人檢測方法和系統，其特徵在於， 步驟(c)中窗口滑動水平方向和豎直方向的步長均為8像素，每次改變尺度時測試圖像的 長和寬縮小2%，檢測窗口的大小為64X 128像素。
5.如權利要求1 4所述的一種基於視覺注意原理的行人檢測方法和系統，其特徵在 於，計算圖像塊的基於視覺注意原理的局部特徵直方圖(HoL)的方法是(dl)對每一個像素點按照下式計算基於視覺注意的局部特徵(Local Feature based
6.如權利要求5所述的一種基於視覺注意原理的行人檢測方法和系統，其特徵在於， 參數ri、r2、k、b的取值分別是巧=2、r2 = l、k = 8、b = 256。
全文摘要
本發明公開了一種基於視覺注意原理的行人檢測方法和系統，利用基於視覺注意原理的局部特徵直方圖來訓練基於特徵塊的行人表示模型和AdaBoost檢測分類器，用滑動窗口的方法在測試圖像中檢測行人。本發明能夠有效的區分有豎直邊緣的景物和行人，能夠處理光照的變化以及部分遮擋的情況，在低解析度下也有較好的檢測效果。本發明能廣泛的用於視頻監控、智能交通等領域。
文檔編號G06K9/66GK102081741SQ201110020920
公開日2011年6月1日 申請日期2011年1月15日 優先權日2011年1月15日
發明者劉俊濤, 劉文予, 張陽, 李雄偉, 王紅勝, 鄭見靈 申請人:中國人民解放軍軍械工程學院