一种基于区域稀疏积分通道的行人特征提取和表示方法
【专利摘要】本发明提供一种基于区域稀疏积分通道的行人特征表示方法，首先利用均匀随机采样的区域和子区域的空间布局信息，其次提取继承了多种异构源信息的各子区域内的特征通道值，再将子区域特征融合成区域特征，最后级联所有区域特征即为行人描述子。本发明提出的行人特征提取和表示方法，从而在统一框架下解决行人特征提取和表示面临的两难选择问题。既有空间布局信息，又包含多种异构源信息。本发明利用了区域和子区域的细粒度空间布局信息，又自然地集成了子区域内的多种异构源信息，兼顾到描述性和灵活性。
【专利说明】一种基于区域稀疏积分通道的行人特征提取和表示方法
【技术领域】
[0001] 本发明属于计算机视觉【技术领域】，涉及行人检测中的特征提取和表示技术。
【背景技术】
[0002] 行人检测和跟踪是近年来计算机视觉领域研究的热点课题之一，它的目的是在视 频图像序列中准确而实时地找到人体或部分人体或跟踪行人，是实现人体活动分析的基础 和关键步骤。它融合了图像处理、模式识别、人工智能及自动控制等诸多相关领域的知识， 在车辆辅助驾驶、智能视频监控、机器人视觉和高级人机交互等领域有着广泛的应用前景 和潜在经济价值。在实际应用中，由于场景的复杂性、视角与尺度的变化、人体姿态与着装 的多样性以及部分遮挡等因素，使得行人检测和跟踪具有极大的挑战性。
[0003] 为达到实时性的需求，快速行人特征提取和表示是近年来围绕行人检测和跟踪研 究工作的重难点之一。评价特征提取和表示的主要指标有三个：判别能力、鲁棒性、实时性。 不同的特征提取方法往往构建出不同的行人描述子。行人兼具刚性和柔性物体的特性，因 此行人特征提取和表示面临两难选择：一方面如果行人描述子对行人的描述过于精致，会 导致难于处理形变问题，即会降低鲁棒性；另一方面如果行人描述子对形变问题具有高容 忍，会导致对行人的定位不精确或者误检，即会降低判别能力；此外，如果特征提取过程过 于繁琐，会增加运算和存储成本，即减低实时性。行人特征大体可分为三类：底层特征、基 于学习的特征和混合特征。
[0004] 1、底层特征指的是颜色、纹理和梯度等基本的图像特征；例如，HOG特征是目 前广泛使用的行人底层特征描述子。其优点是特征单一，可利用积分图技术快速计算； 缺点是仅利用单一方面的图像特征刻画行人，判别力较差。详见文献：Dalai N，Triggs B. Histograms of oriented gradients for human detection[C]//Computer Vision and Pattern Recognition, IEEE Computer Society Conference on.IEEE,2005,1:886-893.
[0005] 2、基于学习的特征指的是通过机器学习的方法，从大量的行人样本中学习到的行 人特征表示；例如，利用Boosting技术进行特征选择。其优点是通过学习，能从大量的样本 中选择出判别能力较强的特征；缺点是特征的选择与训练样本密切相关，若样本集不具有 代表性，难以选择出判别力强的特征。详见文献：Viola P, Jones M J, Snow D. Detecting pedestrians using patterns of motion and appearance[J]. International Journal of Computer Vision, 2005, 63 (2):153-161.
[0006] 3、混合特征指的是多种底层特征的融合，或者是底层特征的高阶统计特征； 例如，积分通道特征利用积分图技术对图像的多个特征通道进行快速计算。其优点 是能够从不同侧面描述行人特征，提高检测准确率；缺点是随着特征维数的增加，特 征计算开销增加，进而导致分类器的预测时间增加，影响实时性。详见文献：Dolldr P, Tu Z, Perona P, et al. Integral Channel Features[C]//British Machine Vision Conference, 2009, 2 (4) : 5.
[0007] 行人检测和跟踪最明显的行人特征是不同人体部位的空间布局信息，例如头、肩、 上下肢的位置关系往往是固定的。此外，行人特征还需要集合不同区域内的多异构源信息， 例如颜色、梯度等多种底层特征。采用积分图技术时，若从小区域提取特征容易提供良好的 局部定位能力，但是易受各种变化的影响；从大区域提取特征能够容忍更多的变化，但是欠 缺准确定位能力。底层特征实时性强但判别力弱，混合特征判别力强但实时性差，基于学习 的特征过于依赖样本的选取。
【发明内容】
[0008] 本发明所要解决的技术问题是，提供一种能兼具小区域特征提取与大区域特征提 取优点的特征表示方法。
[0009] 本发明为解决上述技术问题所采用的技术方案是，一种基于区域稀疏积分通道的 行人特征表示方法，包括以下步骤：
[0010] 步骤1)滑动窗口遍历待测图像产生候选区域，在每个候选区域中选取N个子区 域，各子区域之间的相对重叠面积不超过预设比例T ;
[0011] 步骤2)计算候选区域中子区域的积分通道特征：
[0012] 2-1)将候选区域图像转换到LUV色彩空间；
[0013] 2-2)计算候选区域的子区域的各通道内各像素对应的通道值，所述通道包括梯 度幅值通道和方向梯度通道：输入子区域图像，5//&和況/办分别是子区域图像I(x，y) 的水平和垂直方向的梯度，则图像内任意像素（i，j)处的梯度幅值M(i，j)和方向梯度值 〇(i, j)：
【权利要求】
1. 一种基于区域稀疏积分通道的行人特征提取和表示方法，其特征在于，包括以下步 骤： 步骤1)滑动窗口遍历待测图像产生候选区域，在每个候选区域中选取N个子区域，各 子区域之间的相对重叠面积不超过预设比例T; 步骤2)计算候选区域中子区域的积分通道特征： 2-1)将候选区域图像转换到LUV色彩空间； 2-2)计算候选区域的子区域的各通道内各像素对应的通道值，所述通道包括梯度幅值 通道和方向梯度通道：输入子区域图像，以/&和分别是子区域图像I(x，y)的水平和 垂直方向的梯度，则图像内任意像素（i，j)处的梯度幅值M(i，j)和方向梯度值0(i，j):
步骤3)对每一个通道内的所有通道求和得到一阶特征，再将所有通道的一阶特征级 联得到一个高维特征矢量Xtl = (Xl，...，xm)τ作为子区域积分通道特征； 步骤4)计算子区域的稀疏积分通道特征： 将子区域积分通道特征左乘一个稀疏随机度量矩阵A进行降维得到稀疏积分通道特 XjX-AXq; 稀疏随机度量矩阵A中各元素au通过以下方式生成：。
謂 其中，，m是区域积分通道特征的维数； 步骤5)将区域中全部子区域的稀疏积分通道特征进行融合得到区域稀疏积分通道特 征； 步骤6)将所有区域稀疏积分通道特征按照从左到右、从上到下的顺序级联得行人描 述子。
2. 如权利要求1所述一种基于区域稀疏积分通道的行人特征提取和表示方法，其特征 在于，子区域个数N的取值范围为3-5。
3. 如权利要求1所述一种基于区域稀疏积分通道的行人特征提取和表示方法，其特征 在于，预设比例T为40%。
4. 如权利要求1所述一种基于区域稀疏积分通道的行人特征提取和表示方法，其特征 在于，所述通道包括梯度1个幅值通道和6个方向梯度通道，6个方向梯度通道包括0°方 向梯度通道、30°方向梯度通道、60°方向梯度通道、90°方向梯度通道、120°方向梯度通 道、150°方向梯度通道。
5. 如权利要求1所述一种基于区域稀疏积分通道的行人特征提取和表示方法，其特征 在于，将区域中全部子区域的稀疏积分通道特征进行融合得到区域稀疏积分通道特征的具 体方法是，使用maxpooling算法，提取除全部子区域的稀疏积分通道特征中各通道的最大 值组成区域稀疏积分通道特征。
【文档编号】G06K9/00GK104239854SQ201410439293
【公开日】2014年12月24日 申请日期:2014年8月30日 优先权日:2014年8月30日
【发明者】解梅, 蔡勇, 何磊, 蔡家柱 申请人:电子科技大学