專利名稱：一種基于改進的hog特征和pca的行人檢測方法
技術領域：
本發明涉及智能監控技術領域，尤其是一種行人檢測方法。
背景技術：
目前的行人檢測技術分類方法主要分為兩個方面，一是模板匹配方法，二是基于不同的行人特征來訓練分類器。目前的行人檢測系統一般采用第二種方法，其中HOG特征由于能對局部對象外觀和形狀進行很好的表征，而且對光照不敏感等優點成為目前行人檢測中較為主流的特征提取算法。HOG的不足之處主要在于對于指定尺寸的樣本集，HOG特征維數太高，導致訓練速度較低。目前應用比較普遍的分類算法主要有AdaBoost級聯分類器和SVM分類器。如專利申請號為201110132331. 1，發明名稱為一種行人檢測方法及裝置的中國發明專利申請，公開了一種基于AdaBoost級聯分類器和SVM分類器結合的行人檢測方法。該算法將兩個分類器級聯，能降低行人的誤檢率，但是兩種分類器的級聯明顯增加了算法的復雜度，降低了檢測速度，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系統所提出的，圖像感興趣區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景，以及圖像左右部分像素的馬路兩邊場景等。在很多場合中的傳感器捕捉到的場景并不相同，因此該算法的應用場合具有一定局限性。

發明內容
為了克服已有的行人檢測方法的訓練速度較低、誤檢率和漏報率較高的不足，本發明提供一種能夠有效減少訓練速度、降低漏報率和誤檢率的基于改進的HOG特征和PCA 的行人檢測方法。本發明解決其技術問題所采用的技術方案是一種基于改進的HOG特征和PCA的行人檢測方法，所述行人檢測方法包括以下步驟I)采用HOG特征塊模塊提取訓練正樣本圖像中行人梯度信息集中區域的HOG特征作為改進的HOG特征，所述訓練正樣本圖像有m個；2)針對上述改進特征矩陣，采用PCA算法，得到用于降低特征維數處理的投影矩陣B，具體過程如下2. I)針對訓練樣本特征矩陣中的每個訓練正樣本Xi, i = l,..., m,計算平均向
權利要求
1 一種基于改進的HOG特征和PCA的行人檢測方法，其特征在于所述行人檢測方法包括以下步驟1)采用HOG特征塊模塊提取訓練正樣本圖像中行人梯度信息集中區域的HOG特征作為改進型的HOG特征，所述訓練正樣本圖像有m個；2)針對上述改進型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)針對訓練樣本特征矩陣中的每個訓練正樣本Xi, i = I, . . . , m,計算平均向量X = -TlL1Xi ；m L I2. 2)計算協方差矩陣右=Xi-X,C=^zr=I ；2. 3)計算C的特征值和特征向量bi;選擇K個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)提取訓練樣本的改進型HOG訓練特征矩陣P，利用投影矩陣B進行降維處理，得到最終訓練特征矩陣P =Pi =PXB，利用P'訓練支持向量機SVM分類器；4)對于任一檢測樣本，提取改進型HOG特征向量y并利用投影矩陣B降維，得到最終用于檢測行人的特征向量太'I' =yXB;將y'輸入步驟3)中訓練得到的SVM分類器進行行人的檢測。
2.如權利要求I所述的基于改進的HOG特征和PCA的行人檢測方法，其特征在于所述步驟3)中，所述支持向量機SVM分類器中，核函數為高斯徑向基核函數K(x,z) = exp(- lll^211 )，其中，( 2 = $ k為訓練樣本的特征維數。
3.如權利要求I或2所述的基于改進的HOG特征和PCA的行人檢測方法，其特征在于 所述步驟I)中，行人梯度信息集中區域為樣本圖像中間區域。
4.如權利要求I或2所述的基于改進的HOG特征和PCA的行人檢測方法，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單元像素大小為8X8，計算樣本HOG特征時所用步長為8個像素。
全文摘要
一種基于改進的HOG特征和PCA的行人檢測方法，該方法采用樣本圖像中行人梯度信息集中區域的HOG特征級聯PCA主元分析的特征提取算法來提取樣本特征；利用訓練樣本提取的上述特征訓練SVM分類器；對于檢測樣本利用上述特征提取方法提取特征向量，并利用訓練得到的SVM分類器進行行人檢測。本發明提供一種能夠有效減少訓練速度、降低誤檢率和漏報率的基于改進的HOG特征和PCA的行人檢測方法。
文檔編號G06K9/62GK102609716SQ20121000553
公開日2012年7月25日 申請日期2012年1月10日 優先權日2012年1月10日
發明者吳越, 孟利民, 壽娜, 張標標, 彭宏, 杜克林, 王輝, 裘加林 申請人:杭州銀江智慧醫療集團有限公司, 銀江股份有限公司