基于Omega形状特征的人体目标检测方法

摘要

本发明公开了一种基于Omega形状特征的人体目标检测方法，首先提取训练样本中各个样本的HOG特征，分别将正样本和负样本的特征列向量组合得到两个特征矩阵，对正样本的特征矩阵进行正交非负矩阵分解，将得到的正交基矩阵作为特征投影矩阵的初始值，根据所有样本的特征列向量采用LMNN算法得到最终的特征投影矩阵，然后根据特征投影矩阵对两个特征矩阵进行映射，将得到的新特征矩阵中的每个特征列向量与相对应的类标签信息输入SVM分类器进行训练，然后用得到的SVM分类器进行人体目标检测。本发明在HOG特征的基础上应用了基于正交非负矩阵分解和大间隔最近邻距离测度学方法来降低数据冗余，提高检测精度。

主权项

一种基于Omega形状特征的人体目标检测方法，其特征在于，包括以下步骤：S1：预先选择包含有人体上半身头‑肩Omega形状的图像作为正样本，选择不含人体目标的背景图作为负样本，对每个样本的灰度图提取HOG特征，得到d维特征列向量；将正样本库中n个正样本得到的d维特征列向量组合成为特征矩阵V_pos，将负样本库中m个负样本得到的d维特征列向量组合成为特征矩阵V_pos，${\left[V_{\mathrm{pos}}\right]}_{d\times m}=[V_1^{-}...V_m^{-}];$S2：对特征矩阵V_pos进行正交非负矩阵分解，得到正交基矩阵W_f；S3：根据步骤S1得到的所有样本特征列向量，采用LMNN算法得到特征投影矩阵L，LMNN算法求解过程中将正交基矩阵W_f作为特征投影矩阵L的初始值；S4：根据步骤S3得到的特征投影矩阵L，对正、负样本的特征矩阵进行映射，得到新的特征矩阵V_pos'、V_neg'，映射公式为：[V_pos',V_neg']＝L*[V_pos,V_neg]将特征矩阵V_pos'和V_neg'中的每个特征列向量与相对应的类标签信息输入SVM分类器中进行训练，得到SVM分类器；S5：采用步骤S4得到的SVM分类器对待检测图像进行人体目标检测，具体方法为：将待检测图像按照预设的各个缩放尺度进行调整，以预设大小的搜索框遍历各个调整后图像的搜索区域，提取搜索框内图像的HOG特征列向量V_o，计算得到对应的决策值f；计算公式为：f＝sv_coef*SVs*V_o'V_o'＝(L*V_o)对所有搜索框进行逐个判断，如果其决策值f大于预设阈值F，则该搜索框内含有人体目标，将搜索框位置信息存储为搜索结果；最后对搜索结果中的搜索框进行融合，得到最终的检测结果。