專利名稱：基于surf高效匹配核的人體檢測方法
技術(shù)領(lǐng)域：
本發(fā)明屬于圖像處理技術(shù)領(lǐng)域，涉及靜態(tài)人體檢測方法，可用于智能監(jiān)控、駕駛員輔助系統(tǒng)、人體運動捕捉、色情圖片過濾和虛擬視頻。
背景技術(shù)：
在計算機視覺領(lǐng)域中人體檢測是一門應(yīng)用前景十分廣闊的技術(shù)，人體檢測在多個領(lǐng)域都有較好的應(yīng)用前景，但是由于人體姿態(tài)的多祥性，背景的混雜以及衣服紋理，光照條件，自身遮擋等多方面的因素導(dǎo)致人體檢測成為ー個非常困難的問題。目前，靜態(tài)圖像中人體檢測的方法主要有基于運動特性的檢測方法、基于人體模型的方法和基于統(tǒng)計分類的方法。基于運動特性的檢測方法是利用人體穩(wěn)定時的姿態(tài)變化以及人體的対稱性呈周 期變化這一特性，在時域里構(gòu)造自相似矩陣，通過人體周期性的運動變化反映出不同與其他物質(zhì)運動的性質(zhì)，并利用這種分析方法把運動人體檢測出來，但是該方法算法復(fù)雜度大，對人體運動穩(wěn)定性要求較高。基于人體模型的方法，要有明確的人體模型，然后根據(jù)模型構(gòu)造的各個部位與人體之間的關(guān)系進行人體識別。這種方法可以處理遮擋問題，并且可以推斷出人體的姿態(tài)。但是這種方法的不足是模型的構(gòu)建困難，求解復(fù)雜?；诮y(tǒng)計分類的方法，通過機器學(xué)習(xí)從一系列訓(xùn)練數(shù)據(jù)中學(xué)習(xí)得到一個分類器，用該分類器來表示人體，然后利用該分類器對輸入進行分類及識別?；诮y(tǒng)計分類的方法的優(yōu)點是檢測結(jié)果穩(wěn)定，效果較好，缺點是需要很多訓(xùn)練數(shù)據(jù)，并且很難解決光線不足和背景混雜的問題。其中基于SURF Speed Up Robust Feature高效匹配核的人體檢測方法,其輸入分類器的圖像特征是ー種基于局部的圖像表征方法，能避免傳統(tǒng)的背景復(fù)雜問題，可以得到更好的人體檢測結(jié)果。

發(fā)明內(nèi)容
本發(fā)明目的是針對上述已有技術(shù)的不足，提出的一種基于SURF高效匹配核的人體檢測方法，以降低圖像特征提取的復(fù)雜度，提高特征的表征能力，有效的提高人體檢測的
正確率。本發(fā)明的技術(shù)方案通過如下步驟實現(xiàn)(I)從法國國家信息與自動化研究所INRIA數(shù)據(jù)庫中通過自舉操作獲取負樣本，并與數(shù)據(jù)庫中其它的正樣本一起構(gòu)成整個人體訓(xùn)練樣本集；(2)將每幅訓(xùn)練樣本圖像分割為8X8像素格子，每個格子分別按16和25像素大小的圖像尺度采樣，提取所有訓(xùn)練圖像的SURF描述子特征點F ；(3)通過對所有訓(xùn)練圖像的SURF描述子特征點F進行隨機采樣，獲得整個訓(xùn)練樣本350維的視覺詞匯，用獲得的350維視覺詞匯構(gòu)成初始基向量R ；(4)將初始基向量R，利用帶約束的核奇異值分解CKSVD進行字典學(xué)習(xí)，得到最大核函數(shù)特征r;(5)通過最大化特征值提取抑制相似的最大核函數(shù)特征r，并按降序提取核函數(shù)特征值，刪除最大值ー樣的元素，得到特征向量G，對每個不同圖像尺度的圖像特征G進行加權(quán)求和，得到所有圖像尺度的特征G'
權(quán)利要求
1.一種基于SURF高效匹配核的人體檢測方法，包括如下步驟 (1)從法國國家信息與自動化研究所INRIA數(shù)據(jù)庫中通過自舉操作獲取負樣本，并與數(shù)據(jù)庫中其它的正樣本一起構(gòu)成整個人體訓(xùn)練樣本集； (2)將每幅訓(xùn)練樣本圖像分割為8X8像素格子，每個格子分別按16和25像素大小的圖像尺度采樣，提取所有訓(xùn)練圖像的SURF Speed Up Robust Feature描述子特征點F ； (3)通過對所有訓(xùn)練圖像的SURF描述子特征點F進行隨機采樣，獲得整個訓(xùn)練樣本350維的視覺詞匯，用獲得的350維視覺詞匯構(gòu)成初始基向量R ； (4)將初始基向量R，利用帶約束的核奇異值分解CKSVD進行字典學(xué)習(xí)，得到最大核函數(shù)特征r ； (5)通過最大化特征值提取法，抑制相似的最大核函數(shù)特征r，并按降序提取核函數(shù)特 征值，刪除最大值ー樣的元素，得到特征向量G，對每個不同圖像尺度的圖像特征G進行加權(quán)求和，得到所有圖像尺度的特征G' G' =GXA1, 其中，A1為不同圖相尺度的權(quán)重，I = [I, 2], A1，Wl = l/Pl，P是提取的SURF特征點的圖像尺度的像素大小，p = {16，25}； (6)儲存所有圖像尺度的特征G'，選擇G'中類似高斯分布的低維特征h，作為最終圖像的SURF高效匹配核特征X ； (7)使用支持矢量機SVM分類器對所得到的SURF高效匹配核特征X進行分類訓(xùn)練，得到最終用于檢測的分類器； (8)輸入待檢測圖像，利用已經(jīng)得到的分類器確定最終的檢測結(jié)果。
2.根據(jù)權(quán)利要求I所述的方法，其中步驟2)中所述的提取所有訓(xùn)練圖像的SURF描述子特征點F，按如下步驟進行 2a)將第j幅訓(xùn)練圖像分割為8X8像素格子，每個格子分別按16和25像素大小的圖像尺度采樣，獲得第i幅訓(xùn)練圖像的SURF SpeedUp Robust Feature特征點Fj ； 2b)按照步驟2a)提取所有訓(xùn)練圖像的SURF描述子特征點F，其中，F(xiàn)= (F1. . . , Fj. . . , FJ，j G [I, M]，M 為訓(xùn)練樣本數(shù)。
3.根據(jù)權(quán)利要求I所述的方法，其中步驟(3)中所述的獲得整個訓(xùn)練樣本350維的視覺詞匯，按如下步驟進行 3a)對每一幅訓(xùn)練樣本圖像，在8X8的圖像格子上，按照16，25個像素大小尺度，分別隨機抽樣15個由步驟(2)得到的SURF特征點，記為廠.i表示第i幅訓(xùn)練圖像； 3b)重復(fù)步驟3a)，提取所有的訓(xùn)練樣本的SURF特征點，記為F'，定義350個聚類中心，利用k-means聚類方法對F'中相似的SURF特征點進行聚類，獲得整個訓(xùn)練樣本350維的視覺詞匯。
4.根據(jù)權(quán)利要求I所述方法，其中步驟(8)所述的輸入待檢測圖像，利用已經(jīng)得到的分類器確定最終的檢測結(jié)果，按如下步驟進行 (Sa)輸入被檢測的圖像，將被檢測圖像左上角的ー個大小為128X64像素的區(qū)域作為第一個掃描窗ロ，每向右平移8個像素或向下平移16個像素作為ー個新的掃描窗ロ，由此得到ー組掃描窗ロ，輸入步驟(7)所得分類器，得到各個掃描窗ロ的分類器分數(shù)；(8b)根據(jù)掃描窗ロ的分類器分數(shù)判斷被測圖像中是否包含人體，若分類器輸出的掃描窗ロ含有人體，則從所有的含有人體的掃描窗口中，找出分類器分數(shù)最高的掃描窗ロ作為主窗ロ ； (8c)對主窗ロ與其他人體窗ロ進行組合判定，當(dāng)其他人體窗ロ處于主窗ロ周圍且重疊大于1/2時,將此窗ロ與主窗ロ組合,獲得組合后的人體窗ロ ； (Sd)保留組合后的人體窗ロ，刪除主窗ロ及所有參與組合的人體窗ロ ； (8e)若 還有剩余的人體窗ロ，則再找出其中分類器分數(shù)最高的人體窗ロ作為主窗ロ，并重復(fù)步驟(Sb)-(Sd)； (Sf)在被測人體圖像上標出所有檢測結(jié)果，作為被測圖像最終的人體檢測結(jié)果，采用矩形框表示檢測結(jié)果，將被檢測出的人體處于矩形框內(nèi)。
全文摘要
本發(fā)明提出了一種基于SURF高效匹配核人體檢測方法，主要解決現(xiàn)有方法不能較好處理圖像背景混雜的問題。其實現(xiàn)過程是:在INRIN數(shù)據(jù)庫中通過自舉獲得負樣本，與數(shù)據(jù)庫中正樣本一起構(gòu)成整個人體的訓(xùn)練樣本集；對訓(xùn)練樣本在不同圖像尺度下提取SURF描述子特征點；隨機采樣提取特征點構(gòu)成視覺詞匯的初始向量基；對初始向量基使用帶約束的奇異值分解獲得最大核函數(shù)特征；對不同圖像尺度下的最大核函數(shù)特征進行加權(quán)獲得所有圖像尺度下的特征；對得到的特征利用SVM分類器進行分類訓(xùn)練，得到檢測分類器；將待檢測圖像輸入到分類器中得到最終的檢測結(jié)果。本發(fā)明能夠準確檢測人體，可用于智能監(jiān)控、駕駛員輔助系統(tǒng)和虛擬視頻。
文檔編號G06K9/62GK102810159SQ20121019652
公開日2012年12月5日 申請日期2012年6月14日 優(yōu)先權(quán)日2012年6月14日
發(fā)明者韓紅, 王瑞, 謝福強, 李曉君, 顧建銀, 張紅蕾, 韓啟強, 劉三軍, 郭玉言, 甘露 申請人:西安電子科技大學(xué)