一种基于小波分形特征的行人检测方法

摘要

本发明公开了一种基于小波分形特征的行人检测方法，涉及智能交通系统中的智能车辆技术，包括：(1)读入训练样本集，将所有样本图像规格化到48×96像素大小；(2)对样本图像进行3次二维小波变换，取其中2、3两层的6个小波子图；(3)对步骤(2)得到各小波子图取绝对值，再进行拉伸和缩放，使其取值范围统一映射到0～255；(4)对步骤(3)处理后的小波子图分别求取分形维数向量；(5)对步骤(4)得到的各子图对应的分形向量规范化；(6)将步骤(5)规范化后的分形向量进行组合，得到一个6×(n-1)维的小波分形特征向量；(7)将步骤(6)提取的小波分形特征用于训练软支持向量机，用得到判别函数实现行人检测；本发明的特征表达形式简洁，特征分辨能力强，能提高行人检测效率。

主权项

一种基于小波分形特征的行人检测方法，其特征是，该方法包括以下步骤：(1)、读入训练样本集，样本集合包括分类器训练的完整行人图像和不包含行人的自然场景图像，将所有样本图像规格化到48×96像素大小，其中训练样本图像为灰度图像；(2)、对样本图像f(x，y)进行3次二维小波变换，得到3层小波分解后的12个子图，各层对应的尺度分别是2×2、4×4、8×8，取其中尺度为4×4、8×8两层中的6个小波子图，即 { f 2 H , f 2 V , f 2 D , f 3 H , f 3 V , f 3 D } 其中，f(x，y)为图像灰度值，(x，y)为像素坐标，f的上标A、V、D、H为二维小波分解子空间包含的各子图，分别对应LL子图、LH子图、HL子图和HH子图，f的下标代表分解层数；(3)、对步骤(2)得到各小波子图分别取绝对值后再进行适当的拉伸和缩放变换，使其取值范围统一映射到0～255；(4)、对步骤(3)处理后的小波子图分别求取分形维数向量，令尺度ε＝1，2，3，...，n，n取2～100中的正整数，按照下式依次求得D1，D2，...，Dn‑1，即分形维数向量， D k = 2 - ln ( V ϵ k - V ϵ k - 1 ) - ln ( V ϵ k + 1 - V ϵ k ) ln ϵ k - ln ϵ k + 1 V ϵ = Σ i , j ( u ϵ ( i , j ) - b ϵ ( i , j ) ) u ϵ ( i , j ) = max { u ϵ - 1 ( i , j ) , max | ( m , n ) - ( i , j ) ≤ 1 | u ϵ - 1 ( m , n ) } b ϵ ( i , j ) = max { b ϵ - 1 ( i , j ) , max | ( m , n ) - ( i , j ) ≤ 1 | b ϵ - 1 ( m , n ) } 其中：D代表分形维数；k表示对应变量的下标；εk代表尺度取值范围中的一个值；uε表示尺度为ε时的分形目标的上表面面积；bε表示尺度为ε时的分形目标的下表面面积；Vε表示尺度为ε时，分形目标上、下表面面积围成的体积；(5)、对步骤(4)得到的每个子图所对应的分形向量分别做规范化处理；(6)、将步骤(5)规范化后的所有子图对应的规范化后的分形向量进行组合，得到一个6×(n‑1)维向量，即小波分形特征向量；(7)、将步骤(6)提取的小波分形特征用于训练软支持向量分类器，获得用于分类的判别函数，再利用一个与训练样本图像同样尺寸的窗口在被测图像中滑动，用训练后得到的判别函数对滑动窗口中的目标进行分类，判断该模式是否为行人，从而实现行人检测。