一种基于边缘分级和centrist特征的行人检测方法
【专利摘要】本发明公开一种基于边缘分级和CENTRIST特征的行人检测方法，步骤为：用3D-Harris?Detector计算边缘尺度，用合适的边缘尺度阈值滤除局部细节纹理而保留显著目标的轮廓；对图像进行CENTRIST编码值的提取，用一个8bit的二进制数来编码每个像素点；采用滑动窗口方式进行目标框扫描，对每个目标框提取6144维CENTRIST直方图特征向量，由SVM分类器得出是否检测目标。本发明基于CENTRIST特征提出了一种行人检测方法，通过边缘分级的技术可以有效的滤除复杂内部纹理细节，减少背景的干扰提高检测准确率，对光照变化、形态变换、遮挡下的行人检测有较高的鲁棒性。
【专利说明】一种基于边缘分级和CENTRIST特征的行人检测方法
【技术领域】
[0001] 本发明属于计算机视频处理【技术领域】，具体为一种基于图像纹理的行人检测方 法，尤其适用于背景变化的单帧图像行人检测的应用场合。
【背景技术】
[0002] 行人检测在视频监控的应用中扮演越来越重要的角色，比如住宅安全监控、机场 安全监控、异常事件检测，还包括军事上的敌对目标检测，娱乐中包括动作感知等等，都 是依赖于对人的准确检测和目标定位。虽然目前有很多行人检测方法被提出，但是复杂 的背景和不确定性因素（比如遮挡问题）给行人检测提出了很多新的挑战。现有技术 分为背景提取（Background Subtraction)和直接检测（Direct Detection)两大策略。 比如以高斯背景建模（参见：Wren, C. R.，Azarbayejani, A.，Darrell, T.，&Pentland, A. P. (1997). Pfinder: Real-time tracking of the human body. Pattern Analysis and Machine Intelligence, IEEE Transactions on, 19 (7), 780-785.)为代表的背景提取方法，要求背 景缓慢变化的，并且背景更新的过程非常耗时。而以HOG为代表的基于图像纹理的直接 检测方法（参见：Dalal, N.，&Triggs, B. (2005, June) · Histograms of oriented gradients for human detection. In Computer Vision and Pattern Recognition, 2005. CVPR2005. IEEE Computer Society Conference on(Vol. l，pp. 886-893). IEEE.)很容易受到图像噪声和复 杂环境纹理的影响，并且图像的绝对灰度值梯度信息在SVM的学习中鲁棒性不强。
【发明内容】
[0003] 本发明的目的是基于直接检测的方法上克服现有技术的不足，提出了一种基于边 缘分级和CENTRIST特征的行人检测方法，通过边缘分级的技术可以有效的滤除复杂内部 纹理细节，减少背景的干扰提高检测准确率，对光照变化、形态变换、遮挡下的行人检测有 较高的鲁棒性。
[0004] 本发明是通过以下技术方案实现的，包括以下几个步骤：
[0005] 第一步：对待检测图像进行边缘分级，提取显著边缘特征。
[0006] 具体步骤为：
[0007] 1.用 3D_Harris Detector 计算边缘像素尺度。由 2D_Harris Detector 引入 3D_Harris Detector 自相关矩阵：
[0008]
【权利要求】
1. 一种基于边缘分级和CENTRIST特征的行人检测方法，其特征在于，包括以下步骤： 第一步：对待检测图像进行边缘分级，提取显著边缘特征； (1) 用3D-Harris Detector计算边缘像素尺度，像素点的边缘尺度定量为：
X，y表示像素坐标，r表示图像尺度，R则代表Harris检测算子响应； (2) 将像素尺度转换到边缘尺度，基于边缘的结构信息将分离的点聚合起来，根据尺度 相似和方向连续两个结构一致性进行边缘的聚类； (3) 将同一边缘中的边缘点统一到同一个边缘尺度上，其中：统一尺度与3D-Harris检 测尺度吻合，同一集合中的像素要有相似的边缘尺度； (4) 选取边缘尺度S e [2, 3]，滤除局部细节纹理而保留显著目标的轮廓，作为边缘图 像；作为下一步提取CENTRIST特征的输入； 第二步：然后对图像进行CENTRIST特征的提取获得6144维特征向量； 第三步：对数据集中的训练样本分别获取6144维特征向量并输入SVM分类器进行正负 样本的二值分类器训练； 第四步：采用滑动窗口方式进行目标框扫描，对每个目标框提取6144维的CENTRIST直 方图特征向量，由SVM分类器得出是否检测目标。
2. 根据权利要求1所述的一种基于边缘分级和CENTRIST特征的行人检测方法，其特征 是：第一步中用3D-Harris Detector计算边缘像素尺度： R = det (A) - a trace3 (A) = λ i λ 2 λ 3_ α ( λ 丄+ λ 2+ λ 3)3， 其中λ1; λ2, λ3是自相关矩阵Α的特征值，R为负值表示像素点为边缘点，而且幅值越 大表示边缘性越强烈。
3. 根据权利要求1所述的一种基于CENTRIST特征的行人检测方法，其特征是：第一步 中将像素尺度转换到边缘尺度，具体公式为 ：
其中Pi表示图像像素，λ为权重系数，N(Pi)表示点Pi的邻域范围。
4. 根据权利要求1所述的一种基于边缘分级和CENTRIST特征的行人检测方法，其特征 是：将C中的边缘点统一到同一个边缘尺度上，求得使代价函数
最小的f ，然后用的算数均值作为此边缘的尺度，其中Si，Sj表示像素值的边 缘尺度，和μ都表示权重系数。
5. 根据权利要求1所述的一种基于边缘分级和CENTRIST特征的行人检测方法，其特征 是：第二步中对图像进行CENTRIST编码值的提取，具体为： (1)用一个8bit的二进制数来编码每个像素点，对边缘图的每个像素p，考虑其周围8 个像素值Pi e N(P)的相对大小，若p > Pi，则对应bit位置为0,否则相应bit位置为1， 得到8bit的值范围在[0, 255]之间，作为每个像素的CENTRIST值； (2)对于一个高宽为hB*wB大小的检测块，将其在宽高方向上分割为3*8个大小为 hB/8*wB/3的子块，对每个子块求出CENTRIST值的直方图统计，这样每个子块的特征由一个 256维度的直方图向量，而对于一个检测块的CENTRIST特征则是由3*8个子块特征拼接成 3*8*256 = 6144维特征向量。
6.根据权利要求1-5任一项所述的一种基于边缘分级和CENTRIST特征的行人检测方 法，其特征是：第四步中：对每一帧待检测图进行全图的扫描，用图像宽度/10和高度/10 为步长获取扫描目标框，对每个目标框提取上述6144维特征向量，输入SVM分类器，标记出 相应的正样本则认为是有行人目标。
【文档编号】G06K9/62GK104063682SQ201410243315
【公开日】2014年9月24日 申请日期:2014年6月3日 优先权日:2014年6月3日
【发明者】杨华, 邓长友 申请人:上海交通大学