本发明专利技术公开了一种融合多特征的行人检测方法及装置,用于智能视频监控技术领域,所述方法包括:预先利用行人样本库,提取梯度特征和线性边缘特征,并将所述梯度特征和线性边缘特征融合为新特征作为输入数据,训练生成行人分类器;根据所选取的简单行人特征,来提取待检测区域形成该特征所需的图像处理结果;利用所选取的简单的行人特征和所述图像处理结果,排除待检测区域中不为行人的区域,得到初步定位的行人区域;利用所述行人分类器来进行行人判决和定位,得到最终的行人检测结果。本发明专利技术通过以上方法及装置使得行人检测速度较快、准确性较高,并且从实际工程应用来看,能对监控视频进行准确的、实时的行人检测。
【技术实现步骤摘要】
本专利技术涉及智能视频监控
,尤其涉及一种融合多特征的行人检测方法及装置。
技术介绍
基于视频技术的行人检测有着广泛的市场和应用,如智能交通中行人违章事件检测、车载中的行人保护系统、警戒区行人入侵检测、高速路行人出现检测等。目前,基于视频监控的行人检测方法,主要有行人轮廓寻找和模板匹配法、人脸检测法、分类器判决法。在实际应用中,这些方法存在应用场景存在局限性、准确性不高或难以达到实时的缺陷,难以应用于复杂的室外场景,比如,行人轮廓寻找和模板匹配,常受周围目标、光照和天气等的影响,检测精度较低;人脸检测要求图像细节较为清晰,从而造成无法检测出较大场景中远处的较小目标;利用训练所得的性能较好的行人分类器,常因特征提取较为复杂、分类器特征维数较高的原因,运算较为耗时,难以实时使用。
技术实现思路
本专利技术实施例的目的是针对现有的基于视频或图像的行人检测方法的不足,而提出一种融合多特征的行人检测方法及装置,使得行人检测速度较快、准确性较高,并且从实际工程应用来看,能对监控视频进行准确的、实时的行人检测。为了达到上述专利技术目的,本专利技术实施例提出的一种融合多特征的行人检测方法是通过以下技术方案实现的一种融合多特征的行人检测方法,所述方法包括预先利用行人样本库,提取梯度特征和线性边缘特征,并将所述梯度特征和线性边缘特征融合为新特征作为输入数据,训练生成行人分类器;根据所选取的简单行人特征,来提取待检测区域形成该特征所需的图像处理结果;利用所选取的简单的行人特征和所述图像处理结果,排除待检测区域中不为行人的区域,得到初步定位的行人区域;利用所述行人分类器来进行行人判决和定位,得到最终的行人检测结果。进一步优选地,所述根据所选取的简单行人特征,来提取待检测区域形成该特征所需的图像处理结果具体包括若采用边缘对称性特征作为初步行人特征,则提取图像的边缘结果,和/或若采用梯度直方图特征作为初步行人特征,则提取图像的梯度结果,进行初步图像处理。进一步优选地,所述利用所述行人分类器来对其进行行人判决和定位,得到最终的行人检测结果具体包括扩展初步定位的行人区域,缩放扩展区域以归一化到训练样本的尺寸,提取归一化后的行人扩展区域的梯度结果和线性边缘结果;构造行人扩展区域内的行人区域的梯度结果为梯度特征,构造扩展区域内的线性边缘结果为线性边缘特征,并融合所述梯度特征和线性边缘特征为新特征,并利用所述行人分类器来对其进行行人判决和定位,得到最终的行人检测结果。进一步优选地,所述线性边缘包括线段和/或可拟合为线段的边缘。进一步优选地,所述梯度特征为各种梯度直方图。为了实现前述专利技术目的,本专利技术实施例还提出了一种融合多特征的行人检测装置,所述装置是通过以下技术方案实现的一种融合多特征的行人检测装置,所述装置包括分类器生成模块,用来预先利用行人样本库,提取梯度特征和线性边缘特征,并将 所述梯度特征和线性边缘特征融合为新特征作为输入数据,训练生成行人分类器;非行人区域过滤模块,用来对输入区域中不含行人区域进行过滤得到待检测区域;行人初步定位模块,用来对待检测区域根据所选取的简单的行人特征进行图像处理,以得到初步定位的行人区域;行人最终定位模块,用来利用所述行人分类器来进行行人判决和定位,得到最终的行人检测结果。进一步优选地,所述行人最终定位模块具体包括特征提取子模块,用于对初步定位的行人区域进行扩展和尺寸归一化,对所述扩展区域提取行人区域的梯度结果和全区域提取线性边缘结果;特征融合子模块,用来构造初步定位的行人区域的梯度结果为梯度特征,构造扩展区域内的线性边缘结果为线性边缘特征,并融合所述梯度特征和线性边缘特征为新特征;行人定位子模块,用来根据所述新特征,利用预先设定的行人分类器进行判决,得到精细行人检测结果。与现有技术相比,本专利技术实施例通过初步的处理和分析减少了行人精准判决和定位的区域,本专利技术所采用的梯度特征对外界条件(光照和天气等)的干扰不敏感,本专利技术实施例所采用的边缘特征考虑到了刚性目标上普遍存在的线性元结构,能较好地排除人造物(如车、车道标志线、路标、灯杆、栏栅等)的干扰,故检测速度较快、准确性较高。从实际工程应用结果来看,本专利技术能对监控视频进行准确的、实时的行人检测。附图说明通过下面结合附图对其示例性实施例进行的描述,本专利技术上述特征和优点将会变得更加清楚和容易理解。图I为本专利技术实施例I 一种融合多特征的行人检测方法的流程图;图2为本专利技术实施例2 —种融合多特征的行人检测装置组成示意图;图3为本专利技术实施例3另一种融合多特征的行人检测装置组成示意图。具体实施例方式下面结合附图对本专利技术作进一步详细说明。如图I所示,为本专利技术实施例I 一种融合多特征的行人检测方法,所述方法包括S101.预先利用行人样本库,提取梯度特征和线性边缘特征,并将所述梯度特征和线性边缘特征融合为新特征作为输入数据,训练生成行人分类器;S102.根据所选取的简单行人特征,来提取待检测区域形成该特征所需的图像处理结果; S103.利用所选取的简单的行人特征和所述图像处理结果,排除待检测区域中不为行人的区域,得到初步定位的行人区域;S104.利用所述行人分类器来进行行人判决和定位,得到最终的行人检测结果。因为相对于交通场景中的背景和非人目标,行人具有较为明显和简单的特征来进行区分,通过提取和分析这类特征,能较快过滤掉大量的不为行人的区域,确定候选的行人区域,进而进行初步的行人判决和定位。本专利技术实施例可通过采用各类方法(如背景建模和前景分割、提取和分析图像的竖直梯度)及其组合来快速排除较为明显的、不存在行人的区域(如背景区域、车辆区域等)的干扰,来获取得到当前帧的可能的行人区域以作为待检测区域,以减少检测区域的范围的目的,也可将全图作为待检测区域来进行检测。但是由于场景的复杂性,仅利用简单特征完成检测会得到大量误检测结果且难以得到较为精确的行人位置,因此,另外需要采用一种融合多种特征的、更为鲁棒和精准的分类器,来对初步判决和定位结果进一步进行检测。因此,本专利技术实施例融合多特征的行人检测方法如下预先利用行人样本库,提取梯度特征和线性边缘特征,将这两种特征融合为一种新的特征作为输入数据,训练生成一个行人分类器。融合多种特征的行人检测方法中所用到的梯度特征,其采用的梯度可以是正常定义的梯度,也可以为进行各种矫正或变种的梯度;其采用的梯度特征可以为各种梯度直方图,但不受限于梯度直方图。融合多种特征的行人检测方法中所用到的线性边缘特征,其线性边缘可以是采用线段提取方法来提取得到的线段,也可以是提取边缘后所拟合得到的近似线段的边缘;其线性边缘特征的计算,是通过将线性边缘的各种信息(如线段边缘的方向值、线段的长度、线段的位置等)加以利用所形成的。将梯度特征和线性边缘特征相融合(可采用首尾联接或其他多种方式),形成一种新的特征作为输入数据,采用各种学习方法(如Boosting方法、SVM方法、决策树分类方法等)来进行行人分类器的自动学习,产生行人分类器模型。其次,提取待检测区域较为简单的、用于行人判决的特征,利用所述特征对待检测区进行初步的行人区域判决和定位;然后,对初步定位的候选行人区域提取其梯度、线性边缘等多种特征,并融合成为一种用于行人判决的特征,再利用针对该特征所训练好的行人分类本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.一种融合多特征的行人检测方法,其特征在于,所述方法包括 预先利用行人样本库,提取梯度特征和线性边缘特征,并将所述梯度特征和线性边缘特征融合为新特征作为输入数据,训练生成行人分类器; 根据所选取的简单行人特征,来提取待检测区域形成该特征所需的图像处理结果; 利用所选取的简单的行人特征和所述图像处理结果,排除待检测区域中不为行人的区域,得到初步定位的行人区域; 利用所述行人分类器来进行行人判决和定位,得到最终的行人检测结果。2.如权利要求I所述的融合多特征的行人检测方法,其特征在于,所述根据所选取的简单行人特征,来提取待检测区域形成该特征所需的图像处理结果具体包括 若采用边缘对称性特征作为初步行人特征,则提取图像的边缘结果,和/或若采用梯度直方图特征作为初步行人特征,则提取图像的梯度结果,进行初步图像处理。3.如权利要求I所述的融合多特征的行人检测方法,其特征在于,所述利用所述行人分类器来对其进行行人判决和定位,得到最终的行人检测结果具体包括 扩展初步定位的行人区域,缩放扩展区域以归一化到训练样本的尺寸,提取归一化后的行人扩展区域的梯度结果和线性边缘结果; 构造行人扩展区域内的行人区域的梯度结果为梯度特征,构造扩展区域内的线性边缘结果为线性边缘特征,并融合所述梯度特征和线性边缘特征为新特征,并利用所述行人分类器来对其进行行人判决和定位,得到...
【专利技术属性】
技术研发人员:贺岳平,杨凯鹏,吴旭宾,张如高,虞正华,
申请(专利权)人:北京博康智能信息技术有限公司,
类型:发明
国别省市:
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。