專利名稱：一種基于改進(jìn)的hog特征和pca的行人檢測(cè)方法
技術(shù)領(lǐng)域：
本發(fā)明涉及智能監(jiān)控技術(shù)領(lǐng)域，尤其是一種行人檢測(cè)方法。
背景技術(shù)：
目前的行人檢測(cè)技術(shù)分類方法主要分為兩個(gè)方面，一是模板匹配方法，二是基于不同的行人特征來訓(xùn)練分類器。目前的行人檢測(cè)系統(tǒng)一般采用第二種方法，其中HOG特征由于能對(duì)局部對(duì)象外觀和形狀進(jìn)行很好的表征，而且對(duì)光照不敏感等優(yōu)點(diǎn)成為目前行人檢測(cè)中較為主流的特征提取算法。HOG的不足之處主要在于對(duì)于指定尺寸的樣本集，HOG特征維數(shù)太高，導(dǎo)致訓(xùn)練速度較低。目前應(yīng)用比較普遍的分類算法主要有AdaBoost級(jí)聯(lián)分類器和SVM分類器。如專利申請(qǐng)?zhí)枮?01110132331. 1，發(fā)明名稱為一種行人檢測(cè)方法及裝置的中國發(fā)明專利申請(qǐng)，公開了一種基于AdaBoost級(jí)聯(lián)分類器和SVM分類器結(jié)合的行人檢測(cè)方法。該算法將兩個(gè)分類器級(jí)聯(lián)，能降低行人的誤檢率，但是兩種分類器的級(jí)聯(lián)明顯增加了算法的復(fù)雜度，降低了檢測(cè)速度，而且并沒有考慮漏檢行人的情況，并不能在真正意義上提高行人的檢出率。并且該算法是基于車載行人檢測(cè)系統(tǒng)所提出的，圖像感興趣區(qū)域的處理具有一定局限性，如去除圖像上下部分像素的天空和地面場(chǎng)景，以及圖像左右部分像素的馬路兩邊場(chǎng)景等。在很多場(chǎng)合中的傳感器捕捉到的場(chǎng)景并不相同，因此該算法的應(yīng)用場(chǎng)合具有一定局限性。

發(fā)明內(nèi)容
為了克服已有的行人檢測(cè)方法的訓(xùn)練速度較低、誤檢率和漏報(bào)率較高的不足，本發(fā)明提供一種能夠有效減少訓(xùn)練速度、降低漏報(bào)率和誤檢率的基于改進(jìn)的HOG特征和PCA 的行人檢測(cè)方法。本發(fā)明解決其技術(shù)問題所采用的技術(shù)方案是一種基于改進(jìn)的HOG特征和PCA的行人檢測(cè)方法，所述行人檢測(cè)方法包括以下步驟I)采用HOG特征塊模塊提取訓(xùn)練正樣本圖像中行人梯度信息集中區(qū)域的HOG特征作為改進(jìn)的HOG特征，所述訓(xùn)練正樣本圖像有m個(gè)；2)針對(duì)上述改進(jìn)特征矩陣，采用PCA算法，得到用于降低特征維數(shù)處理的投影矩陣B，具體過程如下2. I)針對(duì)訓(xùn)練樣本特征矩陣中的每個(gè)訓(xùn)練正樣本Xi, i = l,..., m,計(jì)算平均向
權(quán)利要求
1 一種基于改進(jìn)的HOG特征和PCA的行人檢測(cè)方法，其特征在于所述行人檢測(cè)方法包括以下步驟1)采用HOG特征塊模塊提取訓(xùn)練正樣本圖像中行人梯度信息集中區(qū)域的HOG特征作為改進(jìn)型的HOG特征，所述訓(xùn)練正樣本圖像有m個(gè)；2)針對(duì)上述改進(jìn)型HOG特征矩陣，采用PCA算法，得到投影矩陣B，具體過程如下2.I)針對(duì)訓(xùn)練樣本特征矩陣中的每個(gè)訓(xùn)練正樣本Xi, i = I, . . . , m,計(jì)算平均向量X = -TlL1Xi ；m L I2. 2)計(jì)算協(xié)方差矩陣右=Xi-X,C=^zr=I ；2. 3)計(jì)算C的特征值和特征向量bi;選擇K個(gè)最大的特征向量作為特征子空間的基， 由這些基組成投影矩陣B :B = [b1； b2，. . .，bK]T ;3)提取訓(xùn)練樣本的改進(jìn)型HOG訓(xùn)練特征矩陣P，利用投影矩陣B進(jìn)行降維處理，得到最終訓(xùn)練特征矩陣P =Pi =PXB，利用P'訓(xùn)練支持向量機(jī)SVM分類器；4)對(duì)于任一檢測(cè)樣本，提取改進(jìn)型HOG特征向量y并利用投影矩陣B降維，得到最終用于檢測(cè)行人的特征向量太'I' =yXB;將y'輸入步驟3)中訓(xùn)練得到的SVM分類器進(jìn)行行人的檢測(cè)。
2.如權(quán)利要求I所述的基于改進(jìn)的HOG特征和PCA的行人檢測(cè)方法，其特征在于所述步驟3)中，所述支持向量機(jī)SVM分類器中，核函數(shù)為高斯徑向基核函數(shù)K(x,z) = exp(- lll^211 )，其中，( 2 = $ k為訓(xùn)練樣本的特征維數(shù)。
3.如權(quán)利要求I或2所述的基于改進(jìn)的HOG特征和PCA的行人檢測(cè)方法，其特征在于 所述步驟I)中，行人梯度信息集中區(qū)域?yàn)闃颖緢D像中間區(qū)域。
4.如權(quán)利要求I或2所述的基于改進(jìn)的HOG特征和PCA的行人檢測(cè)方法，其特征在于 所述步驟I)中，所述HOG特征塊模塊為高寬比(H : W)為(I I) ,16X16像素大小的塊， 塊中平均分割而成的四個(gè)單元像素大小為8X8，計(jì)算樣本HOG特征時(shí)所用步長(zhǎng)為8個(gè)像素。
全文摘要
一種基于改進(jìn)的HOG特征和PCA的行人檢測(cè)方法，該方法采用樣本圖像中行人梯度信息集中區(qū)域的HOG特征級(jí)聯(lián)PCA主元分析的特征提取算法來提取樣本特征；利用訓(xùn)練樣本提取的上述特征訓(xùn)練SVM分類器；對(duì)于檢測(cè)樣本利用上述特征提取方法提取特征向量，并利用訓(xùn)練得到的SVM分類器進(jìn)行行人檢測(cè)。本發(fā)明提供一種能夠有效減少訓(xùn)練速度、降低誤檢率和漏報(bào)率的基于改進(jìn)的HOG特征和PCA的行人檢測(cè)方法。
文檔編號(hào)G06K9/62GK102609716SQ20121000553
公開日2012年7月25日 申請(qǐng)日期2012年1月10日 優(yōu)先權(quán)日2012年1月10日
發(fā)明者吳越, 孟利民, 壽娜, 張標(biāo)標(biāo), 彭宏, 杜克林, 王輝, 裘加林 申請(qǐng)人:杭州銀江智慧醫(yī)療集團(tuán)有限公司, 銀江股份有限公司