一种自然环境干扰和有遮挡时的行人目标检测方法

摘要

本发明公开一种自然环境干扰和有遮挡时的行人目标检测方法，提出了HOG‑CLBP特征提取方法结合NEU‑Person样本库和通过其训练得出的人体部件模型，配合SVM分类器将行人检测问题转化为二分类问题来进行检测。随机抽取这两库训练集中的正负样本来训练，测试样本也随机抽取这两个库的测试集样本来测试；此处的正样本是NEU‑Person库中的测试集的正样本。本发明NEU‑Person样本库进行训练产生用于检测的部件模型，NEU‑Person样本库涉及雨、雪、雾、夜间和迷彩等多种环境的样本，因此使得行人检测具有很强的鲁棒性。

主权项

一种自然环境干扰和有遮挡时的行人目标检测方法，其特征在于：该方法包括如下步骤：步骤1、建立行人训练样本集，样本集分为有行人的正样本集和没有行人的负样本集；样本来自NEU‑Person样本库和INRIA行人数据库；步骤2、采用HOG‑CLBP特征提取方法提取样本集中的人体特征，通过分块处理图像，在对提取的特征进行PCA降维，得到行人训练样本集样本的整体特征；所述步骤2中HOG‑CLBP特征提取方法，采用分块移动进行HOG‑CLBP融合特征的提取，检测窗口中的图像为64×128像素，对这个图像分块，每块大小为16×16像素，再将每块平均分成4个单元，则每个单元大小为8×8像素；统计每块的CLBP直方图，每块会得到一个59维的向量A；然后分别统计一个块中的4个单元的梯度直方图，并将其合并，可以得到一个36维的向量B；因此一个块就能用向量A,B表示；步骤3、将提取的特征送入SVM分类器进行分类，得到基于NEU‑Person样本库的行人分类器；步骤4、提取NEU‑Person样本库的行人，计算出NEU‑person样本库中行人的各个部件的近似的权重值；步骤4中将NEU‑Person样本库的行人人体划分为5部分，5部分分别为头部，左臂与左半身躯部，右臂与右半身躯部，左右大腿为一部分和左右小腿及脚为一部分，这样划分可以有效的处理遮挡问题；通过NEU‑person样本库计算各个部件的近似的权重值，头部的权重值为0.2，左臂与左半身躯的权重值为0.29，右臂与右半身躯的权重值为0.29，左右两个大腿的权重值为0.15，小腿及脚的权重值为0.07；步骤5、完成训练阶段后进行行人检测，用密集扫描检测待测图像，通过滑窗操作，利用训练好的分类器扫描每个窗口并进行判决，判断出有行人的窗口进行标记，最后将所有标记的窗口进行融合；步骤6、通过图像金字塔和多尺度滑窗操作，将图像不同的尺度下的矩形框合并成一个框，进而得到目标准确的位置，即将待测行人检测出来。