本發(fā)明主要涉及到道路交通智能輔助領(lǐng)域，特指一種道路交通輔助駕駛環(huán)境下的行人檢測(cè)特征提取方法。

背景技術(shù)：

隨著經(jīng)濟(jì)的快速發(fā)展，汽車的數(shù)量越來越多，這給人們的生活帶來便捷的同時(shí)，也帶來了頻發(fā)的交通事故。據(jù)統(tǒng)計(jì)，每年世界范圍內(nèi)的公路交通事故中大約有1000萬人受傷，這些交通事故的發(fā)生不僅造成了嚴(yán)重的經(jīng)濟(jì)損失，而且給人們的生命安全帶來了嚴(yán)重的隱患。為了有效減少或者避免交通道路上的行人受到車輛碰撞的傷害，國(guó)內(nèi)外研究機(jī)構(gòu)和汽車研發(fā)生產(chǎn)廠商越來越關(guān)注行人檢測(cè)技術(shù)領(lǐng)域的研究。為此，行人檢測(cè)技術(shù)已經(jīng)成為道路交通智能輔助領(lǐng)域的關(guān)鍵技術(shù)。

目前，傳統(tǒng)的行人檢測(cè)技術(shù)方法主要有三種：一是模板匹配方法；二是基于統(tǒng)計(jì)分類的方法；三是基于模板和統(tǒng)計(jì)分類混合的方法。行人檢測(cè)系統(tǒng)一般采用第二種方法，通過機(jī)器學(xué)習(xí)從一系列行人特征數(shù)據(jù)中學(xué)習(xí)得到一個(gè)分類器，然后利用該分類器檢測(cè)行人。

模板匹配方法：分割出前景，提取其中的運(yùn)動(dòng)目標(biāo)，然后進(jìn)一步提取特征，分類判別；在存在下雨、下雪、刮風(fēng)、樹葉晃動(dòng)、燈光忽明忽暗等場(chǎng)合，該方法的魯棒性不高，抗干擾能力較差。且背景建模方法的模型過于復(fù)雜，對(duì)參數(shù)較為敏感。

基于統(tǒng)計(jì)分類的方法：

(1)如Pepageorgios等人第一次提出了滑窗的方法用于行人檢測(cè)，他們采用了SVM和多尺度Haar小波過完備基結(jié)合的方式。但該方法檢測(cè)速度和準(zhǔn)確度都無法保證。

(2)如Dalal等人基于行人整體輪廓特征，提出了方向梯度直方圖特征(HOG)，HOG特征結(jié)合SVM分類器，檢測(cè)準(zhǔn)確率取得了革命性的進(jìn)步。其中HOG特征由于能對(duì)局部對(duì)象外觀和形狀進(jìn)行很好的表征，而且對(duì)光照不敏感等優(yōu)點(diǎn)成為目前行人檢測(cè)中較為主流的特征提取算法。同時(shí)，由于HOG特征維數(shù)太高，導(dǎo)致檢測(cè)速度較慢，不能達(dá)到實(shí)時(shí)性的應(yīng)用需求。

(3)如Dollar等人利用積分直方圖技術(shù)來快速計(jì)算HOG特征，提出積分通道特征(ChnFtr)，結(jié)合AdaBoost分類器，大幅度提升了檢測(cè)速度，但是其訓(xùn)練分類器的時(shí)間較長(zhǎng)。該方法雖然提高了行人檢測(cè)速度，但是丟失了圖像部分特征信息，相比Dalal的方法誤檢率高。

基于模板和統(tǒng)計(jì)分類混合的方法：該方法能提高檢測(cè)準(zhǔn)確率，但是特征唯獨(dú)增加，特征的計(jì)算和分類器是預(yù)測(cè)時(shí)間也增加，無法滿則實(shí)時(shí)性要求。

技術(shù)實(shí)現(xiàn)要素：

本發(fā)明要解決的技術(shù)問題就在于：針對(duì)現(xiàn)有技術(shù)存在的技術(shù)問題，本發(fā)明提供一種原理簡(jiǎn)單、易實(shí)現(xiàn)、檢測(cè)速度快、精確度高的道路交通輔助駕駛環(huán)境下的行人檢測(cè)特征提取方法。

為解決上述技術(shù)問題，本發(fā)明采用以下技術(shù)方案：

一種道路交通輔助駕駛環(huán)境下的行人檢測(cè)特征提取方法，其步驟為：

S1：構(gòu)建用于訓(xùn)練的正、負(fù)樣本庫，并對(duì)樣本庫進(jìn)行歸一化處理；

S2：對(duì)步驟S1中的樣本庫圖像分別計(jì)算每幅圖像的兩層HOG特征向量，即分兩次計(jì)算出兩個(gè)不同的HOG特征向量v和w；

S3：對(duì)步驟S2中計(jì)算出來的第一層HOG特征向量v，將所有的正負(fù)樣本的特征向量組合成一個(gè)HOG特征矩陣V，利用投影矩陣P進(jìn)行降維處理，得到PCA降維后的HOG-PCA特征矩陣V':V'＝V*P；

S4：對(duì)步驟S2中計(jì)算出來的第二層HOG特征向量w進(jìn)行對(duì)稱特征計(jì)算，提取出HOG對(duì)稱特征向量s，并且將所有樣本圖像的HOG對(duì)稱特征向量組合成一個(gè)對(duì)稱矩陣S；

S5：將步驟S3和步驟S4中計(jì)算得到的兩個(gè)特征矩陣V'和S進(jìn)行串接合并成一個(gè)新的特征矩陣Q；

S6：將步驟S5中得到的特征矩陣Q，用來訓(xùn)練支持向量機(jī)SVM分類器；

S7：使用訓(xùn)練得到的SVM線性分類器檢測(cè)交通道路圖像。

作為本發(fā)明的進(jìn)一步改進(jìn)：所述步驟S1中用于訓(xùn)練的正、負(fù)樣本庫是將提取的道路圖像經(jīng)過裁剪制作而成的圖像庫。

作為本發(fā)明的進(jìn)一步改進(jìn)：所述圖像庫包括兩類圖像，第一類為圖像中含有完整行人的圖像，即正樣本；第二類為圖像中不包含行人的圖像，即負(fù)樣本。

作為本發(fā)明的進(jìn)一步改進(jìn)：在進(jìn)行步驟S2之前，對(duì)樣本庫的圖像進(jìn)行處理，包括：

(1)：標(biāo)準(zhǔn)化gamma空間和顏色處理；采用gamma校正法對(duì)輸入圖像進(jìn)行顏色空間的標(biāo)準(zhǔn)化；

(2)圖像像素點(diǎn)梯度的計(jì)算；即計(jì)算圖像每個(gè)像素的梯度，包括大小和方向。

作為本發(fā)明的進(jìn)一步改進(jìn)：所述步驟S7中，采用滑動(dòng)窗口法，按照步驟S2提取滑動(dòng)檢測(cè)窗口內(nèi)圖像第一層特征向量的方法得到y(tǒng)，并利用步驟S3中得到的投影矩陣P進(jìn)行降維處理，得到y(tǒng)'＝y(tǒng)*P；按照步驟S4的方法提取該樣本的對(duì)稱特征向量s'；將s'和y'進(jìn)行串接，得到最終用于行人檢測(cè)的特征向量u，將u和步驟S6中訓(xùn)練得到的SVM分類器進(jìn)行對(duì)比檢測(cè)。

作為本發(fā)明的進(jìn)一步改進(jìn)：所述步驟S2中兩層HOG特征向量的計(jì)算如下：

S201：計(jì)算樣本圖像每個(gè)像素點(diǎn)梯度；

圖像中像素點(diǎn)(x,y)的梯度為：

G_x(x,y)＝H(x+1,y)-H(x-1,y)

G_y(x,y)＝H(x,y+1)-H(x,y-1)

式中的H(x,y)表示輸入圖像中像素點(diǎn)(x,y)處的像素值，G_x(x,y)、G_y(x,y)分別表示該像素點(diǎn)處的水平方向、垂直方向的梯度；

像素點(diǎn)(x,y)處的梯度幅值和梯度方向分別為：

S202：第一層HOG特征向量v的計(jì)算步驟如下：

步驟A:為每個(gè)細(xì)胞單元cell構(gòu)建梯度方向直方圖；

將圖像分成若干個(gè)大小相同的矩形“單元格cell”，將每個(gè)cell的360°([0°,180°]∪[-180°,0°])梯度方向劃分為9個(gè)bin，根據(jù)每個(gè)像素的梯度幅值和梯度方向在梯度方向直方圖進(jìn)行加權(quán)投影，即得到每個(gè)cell的梯度方向直方圖，也就形成每個(gè)cell的9維特征向量；

步驟B:把4個(gè)細(xì)胞單元組合成大的塊block，塊內(nèi)歸一化梯度直方圖；

步驟C:區(qū)域塊block的移動(dòng)步長(zhǎng)為一個(gè)單元，得到每個(gè)區(qū)域塊的梯度向量，將所有的區(qū)域塊向量串接成第一層HOG特征向量v；

S203：第二層HOG特征向量w的計(jì)算步驟如下：

步驟A:為每個(gè)細(xì)胞單元cell構(gòu)建梯度方向直方圖；

將圖像分成4個(gè)大小相同的矩形“單元格cell”，將每個(gè)cell的360°([0°,180°]∪[-180°,0°])梯度方向劃分為8個(gè)bin，根據(jù)每個(gè)像素的梯度幅值和梯度方向在梯度方向直方圖進(jìn)行加權(quán)投影，即得到每個(gè)cell的梯度方向直方圖，也就形成每個(gè)cell的8維特征向量；

步驟B:將細(xì)胞單元cell作為塊block將塊內(nèi)歸一化梯度直方圖；

步驟C:區(qū)域塊block的移動(dòng)步長(zhǎng)為一個(gè)單元，得到每個(gè)區(qū)域塊的梯度向量，將所有的區(qū)域塊向量串接成第二層HOG特征向量w。

作為本發(fā)明的進(jìn)一步改進(jìn)：所述步驟S3中得到投影矩陣P的方法為：假設(shè)樣本庫中的正樣本個(gè)數(shù)為m個(gè)，采用第一層HOG特征提取的方法提取正樣本的特征矩陣M，采用PCA算法，得到用于降低特征維數(shù)的投影矩陣P；步驟為：

S301：針對(duì)正樣本特征矩陣M中的每個(gè)用于訓(xùn)練的正樣本x_i，其中i＝1,2,...,m，計(jì)算平均向量：

S302：計(jì)算協(xié)方差矩陣：

S303：計(jì)算C的特征值和特征向量p_i，選擇K個(gè)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P:P＝[p₁,p₂,…,p_k]^T。

作為本發(fā)明的進(jìn)一步改進(jìn)：所述步驟S4中對(duì)提取的第二層HOG特征向量w進(jìn)行對(duì)稱特征計(jì)算，提取出圖像的HOG對(duì)稱特征向量s的過程如下：

S401：按照以下公式計(jì)算樣本圖像上半部分的HOG對(duì)稱特征向量s₁:

s₁＝[s₁₁ s₁₂ s₁₃ s₁₄ s₁₅ s₁₆ s₁₇ s₁₈]

其中的

其中HOG對(duì)稱向量s₁的每個(gè)元素s_1i表示了h_1i和h'_2i的相似性，其中0<s_1i<1；h_1i來自樣本圖像上半部分左邊block的8維HOG特征向量HOG1，h'_2i來自樣本圖像上半部分右邊block的8維HOG特征向量HOG2調(diào)整元素順序之后的HOG2',其中：

HOG1＝[h₁₁ h₁₂ h₁₃ h₁₄ h₁₅ h₁₆ h₁₇ h₁₈]^T,

HOG2＝[h₂₁ h₂₂ h₂₃ h₂₄ h₂₅ h₂₆ h₂₇ h₂₈]^T,

HOG2'＝[h₂₅ h₂₄ h₂₃ h₂₂ h₂₁ h₂₈ h₂₇ h₂₆]^T

＝[h'₂₁ h'₂₂ h'₂₃ h'₂₄ h'₂₅ h'₂₆ h'₂₇ h'₂₈]^T

S402：同理，按照以下公式計(jì)算樣本圖像下半部分的HOG對(duì)稱特征向量s₂:

s₂＝[s₂₁ s₂₂ s₂₃ s₂₄ s₂₅ s₂₆ s₂₇ s₂₈]

其中的

其中HOG對(duì)稱向量s₂的每個(gè)元素s_2i表示了h_3i和h'_4i的相似性，其中0<s_2i<1；h_3i來自樣本圖像下半部分左邊block的8維HOG特征向量HOG3，h'_4i來自樣本圖像下半部分右邊block的8維HOG特征向量HOG4調(diào)整元素順序之后的HOG4'，其中：

HOG3＝[h₃₁ h₃₂ h₃₃ h₃₄ h₃₅ h₃₆ h₃₇ h₃₈]^T,

HOG4＝[h₄₁ h₄₂ h₄₃ h₄₄ h₄₅ h₄₆ h₄₇ h₄₈]^T,

HOG2'＝[h₄₅ h₄₄ h₄₃ h₄₂ h₄₁ h₄₈ h₄₇ h₄₆]^T

＝[h'₄₁ h'₄₂ h'₄₃ h'₄₄ h'₄₅ h'₄₆ h'₄₇ h'₄₈]^T

S403：將樣本圖像上半部分HOG對(duì)稱特征向量s₁和下半部分HOG對(duì)稱特征向量s₂串接成對(duì)稱特征向量s，

s＝[s₁₁ s₁₂ s₁₃ s₁₄ s₁₅ s₁₆ s₁₇ s₁₈ s₂₁ s₂₂ s₂₃ s₂₄ s₂₅ s₂₆ s₂₇ s₂₈]。

與現(xiàn)有技術(shù)相比，本發(fā)明的優(yōu)點(diǎn)在于：

本發(fā)明的道路交通輔助駕駛環(huán)境下的行人檢測(cè)特征提取方法，原理簡(jiǎn)單、易實(shí)現(xiàn)、檢測(cè)速度快，通過提取道路交通圖像中的雙層HOG特征，使用PCA降維方法提取第一層HOG特征的HOG-PCA特征，并且利用行人軀體具有對(duì)稱性的特點(diǎn)提取第二次HOG特征中的對(duì)稱性特征，最后將這兩種特征融合，組成訓(xùn)練分類器的特征以及檢測(cè)行人時(shí)的對(duì)比特征。本發(fā)明的特征描述方法與單層HOG特征相比，具有更強(qiáng)的行人描述能力，并且通過降維的方法，大大提高了算法的檢測(cè)速度，也就是說本發(fā)明的方法能夠提高行人的檢測(cè)準(zhǔn)確率和算法的檢測(cè)速度。

附圖說明

圖1是本發(fā)明方法的流程示意圖。

圖2是本發(fā)明在具體應(yīng)用實(shí)例中兩層HOG特征提取方法的流程示意圖。

具體實(shí)施方式

以下將結(jié)合說明書附圖和具體實(shí)施例對(duì)本發(fā)明做進(jìn)一步詳細(xì)說明。

如圖1所示，本發(fā)明的道路交通輔助駕駛環(huán)境下的行人檢測(cè)特征提取方法，為基于統(tǒng)計(jì)分類的方法，在Dalal算法的基礎(chǔ)上進(jìn)行改進(jìn)，解決了HOG特征維數(shù)高、檢測(cè)速度慢、不滿足實(shí)時(shí)性要求的問題，并保證了檢測(cè)準(zhǔn)確率。

本發(fā)明的具體步驟為：

S1：構(gòu)建用于訓(xùn)練的正、負(fù)樣本庫，并對(duì)樣本庫進(jìn)行歸一化處理。

用于訓(xùn)練的正、負(fù)樣本庫，是將提取的道路圖像經(jīng)過裁剪制作而成的圖像庫。在具體應(yīng)用中，可以選擇從車載前視攝像頭采集到的視頻中提取道路圖像。

根據(jù)實(shí)際需要，本實(shí)例中圖像庫包括兩類圖像，第一類為圖像中含有完整行人的圖像(即正樣本)，第二類為圖像中不包含行人的圖像(即負(fù)樣本)，正負(fù)樣本圖像統(tǒng)一歸一化為64*128像素大小。

S2：標(biāo)準(zhǔn)化gamma空間和顏色處理。

采用gamma校正法對(duì)輸入圖像進(jìn)行顏色空間的標(biāo)準(zhǔn)化(歸一化)；目的是調(diào)節(jié)圖像的對(duì)比度，降低圖像局部的陰影和光照變化所造成的影響，同時(shí)可以抑制噪音的干擾；將圖像灰度化。

S3：圖像像素點(diǎn)梯度的計(jì)算。

即計(jì)算圖像每個(gè)像素的梯度(包括大小和方向)，主要是為了捕獲輪廓信息，同時(shí)進(jìn)一步弱化光照的干擾。

S4：對(duì)步驟S1中的樣本庫圖像分別計(jì)算每幅圖像的兩層HOG特征向量。HOG(Histogram of Oriented Gradient方向梯度直方圖)是一種在計(jì)算機(jī)視覺和圖像處理中用來進(jìn)行物體檢測(cè)的特征描述子；它通過計(jì)算和統(tǒng)計(jì)圖像局部區(qū)域的梯度方向直方圖來構(gòu)成特征。

計(jì)算每幅圖像兩層HOG特征向量是指對(duì)同一幅圖像按照block、cell和bin的大小不同，分兩次計(jì)算出兩個(gè)不同的HOG特征向量v和w；

S5：對(duì)步驟S4中計(jì)算出來的第一層HOG特征向量v，將所有的正負(fù)樣本的特征向量組合成一個(gè)HOG特征矩陣V，利用投影矩陣P進(jìn)行降維處理，得到PCA降維后的HOG-PCA特征矩陣V':V'＝V*P；PCA(Principal Component Analysis主成分分析)是一種掌握事物主要矛盾的統(tǒng)計(jì)分析方法，它可以從多元事物中解析出主要影響因素，揭示事物的本質(zhì)，簡(jiǎn)化復(fù)雜的問題。

S6：對(duì)步驟S4中計(jì)算出來的第二層HOG特征向量w進(jìn)行對(duì)稱特征計(jì)算，提取出HOG對(duì)稱特征向量s，并且將所有樣本圖像的HOG對(duì)稱特征向量組合成一個(gè)對(duì)稱矩陣S；

S7：將步驟S5和步驟S6中計(jì)算得到的兩個(gè)特征矩陣V'和S進(jìn)行串接合并成一個(gè)新的特征矩陣Q；

S8：將步驟S7中得到的特征矩陣Q，用來訓(xùn)練支持向量機(jī)SVM分類器。

S9：使用訓(xùn)練得到的SVM線性分類器檢測(cè)交通道路圖像。SVM(Support Vector Machine支持向量機(jī))是一個(gè)有監(jiān)督的學(xué)習(xí)模型，通常用來進(jìn)行模式識(shí)別、分類、以及回歸分析。

采用滑動(dòng)窗口法，按照步驟S4提取滑動(dòng)檢測(cè)窗口內(nèi)圖像第一層特征向量的方法得到y(tǒng),并利用步驟S5中得到的投影矩陣P進(jìn)行降維處理，得到y(tǒng)'＝y(tǒng)*P；按照步驟S6的方法提取該樣本的對(duì)稱特征向量s′；將s′和y′進(jìn)行串接，得到最終用于行人檢測(cè)的特征向量u。將u和步驟S8中訓(xùn)練得到的SVM分類器進(jìn)行對(duì)比檢測(cè)。

作為較佳的實(shí)施例，如圖2所示，上述步驟S4中的兩層HOG特征向量的計(jì)算如下：

S401：計(jì)算樣本圖像每個(gè)像素點(diǎn)梯度；

圖像中像素點(diǎn)(x,y)的梯度為：

G_x(x,y)＝H(x+1,y)-H(x-1,y)

G_y(x,y)＝H(x,y+1)-H(x,y-1)

式中的H(x,y)表示輸入圖像中像素點(diǎn)(x,y)處的像素值，G_x(x,y)、G_y(x,y)分別表示該像素點(diǎn)處的水平方向、垂直方向的梯度。

像素點(diǎn)(x,y)處的梯度幅值和梯度方向分別為：

S402：第一層HOG特征向量v的計(jì)算步驟如下：

步驟A:為每個(gè)細(xì)胞單元cell構(gòu)建梯度方向直方圖；

將圖像分成若干個(gè)大小相同的矩形“單元格cell”，將每個(gè)cell的360°([0°,180°]∪[-180°,0°])梯度方向劃分為9個(gè)bin,根據(jù)每個(gè)像素的梯度幅值和梯度方向在梯度方向直方圖進(jìn)行加權(quán)投影，即可得到每個(gè)cell的梯度方向直方圖，也就形成每個(gè)cell的9維特征向量；

步驟B:把4個(gè)細(xì)胞單元組合成大的塊(block),塊內(nèi)歸一化梯度直方圖；

步驟C:區(qū)域塊block的移動(dòng)步長(zhǎng)為一個(gè)單元，得到每個(gè)區(qū)域塊的梯度向量，將所有的區(qū)域塊向量串接成第一層HOG特征向量v；

S403：第二層HOG特征向量w的計(jì)算步驟如下：

步驟A:為每個(gè)細(xì)胞單元cell構(gòu)建梯度方向直方圖；

將圖像分成4個(gè)大小相同的矩形“單元格cell”，將每個(gè)cell的360°([0°,180°]∪[-180°,0°])梯度方向劃分為8個(gè)bin,根據(jù)每個(gè)像素的梯度幅值和梯度方向在梯度方向直方圖進(jìn)行加權(quán)投影，即可得到每個(gè)cell的梯度方向直方圖，也就形成每個(gè)cell的8維特征向量；

步驟B:將細(xì)胞單元cell作為塊(block),將塊內(nèi)歸一化梯度直方圖；

步驟C:區(qū)域塊block的移動(dòng)步長(zhǎng)為一個(gè)單元，得到每個(gè)區(qū)域塊的梯度向量，將所有的區(qū)域塊向量串接成第二層HOG特征向量w。

作為較佳的實(shí)施例，上述步驟S5中投影矩陣P的計(jì)算方法如下：

假設(shè)樣本庫中的正樣本個(gè)數(shù)為m個(gè)，采用第一層HOG特征提取的方法提取正樣本的特征矩陣M，采用PCA算法，得到用于降低特征維數(shù)的投影矩陣P，具體過程如下：

S501：針對(duì)正樣本特征矩陣M中的每個(gè)用于訓(xùn)練的正樣本x_i(i＝1,2,...,m),計(jì)算平均向量：

S502：計(jì)算協(xié)方差矩陣：

S503：計(jì)算C的特征值和特征向量p_i，選擇K個(gè)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P:P＝[p₁,p₂,…,p_k]^T。

作為較佳的實(shí)施例，上述步驟S6中關(guān)于對(duì)提取的第二層HOG特征向量w進(jìn)行對(duì)稱特征計(jì)算，提取出圖像的HOG對(duì)稱特征向量s的過程如下：

S601：按照以下公式計(jì)算樣本圖像上半部分的HOG對(duì)稱特征向量s₁:

s₁＝[s₁₁ s₁₂ s₁₃ s₁₄ s₁₅ s₁₆ s₁₇ s₁₈]

其中的

其中HOG對(duì)稱向量s₁的每個(gè)元素s_1i表示了h_1i和h'_2i的相似性，其中0<s_1i<1。h_1i來自樣本圖像上半部分左邊block的8維HOG特征向量HOG1，h'_2i來自樣本圖像上半部分右邊block的8維HOG特征向量HOG2調(diào)整元素順序之后的HOG2',其中：

HOG1＝[h₁₁ h₁₂ h₁₃ h₁₄ h₁₅ h₁₆ h₁₇ h₁₈]^T,

HOG2＝[h₂₁ h₂₂ h₂₃ h₂₄ h₂₅ h₂₆ h₂₇ h₂₈]^T,

HOG2'＝[h₂₅ h₂₄ h₂₃ h₂₂ h₂₁ h₂₈ h₂₇ h₂₆]^T

＝[h'₂₁ h'₂₂ h'₂₃ h'₂₄ h'₂₅ h'₂₆ h'₂₇ h'₂₈]^T

S602：同理，按照以下公式計(jì)算樣本圖像下半部分的HOG對(duì)稱特征向量s₂:

s₂＝[s₂₁ s₂₂ s₂₃ s₂₄ s₂₅ s₂₆ s₂₇ s₂₈]

其中的其中HOG對(duì)稱向量s₂的每個(gè)元素s_2i表示了h_3i和h'_4i的相似性，其中0<s_2i<1。h_3i來自樣本圖像下半部分左邊block的8維HOG特征向量HOG3，h'_4i來自樣本圖像下半部分右邊block的8維HOG特征向量HOG4調(diào)整元素順序之后的HOG4',其中：

HOG3＝[h₃₁ h₃₂ h₃₃ h₃₄ h₃₅ h₃₆ h₃₇ h₃₈]^T,

HOG4＝[h₄₁ h₄₂ h₄₃ h₄₄ h₄₅ h₄₆ h₄₇ h₄₈]^T,

HOG2'＝[h₄₅ h₄₄ h₄₃ h₄₂ h₄₁ h₄₈ h₄₇ h₄₆]^T

＝[h'₄₁ h'₄₂ h'₄₃ h'₄₄ h'₄₅ h'₄₆ h'₄₇ h'₄₈]^T

S603：將樣本圖像上半部分HOG對(duì)稱特征向量s₁和下半部分HOG對(duì)稱特征向量s₂串接成對(duì)稱特征向量s，

s＝[s₁₁ s₁₂ s₁₃ s₁₄ s₁₅ s₁₆ s₁₇ s₁₈ s₂₁ s₂₂ s₂₃ s₂₄ s₂₅ s₂₆ s₂₇ s₂₈]。

以上僅是本發(fā)明的優(yōu)選實(shí)施方式，本發(fā)明的保護(hù)范圍并不僅局限于上述實(shí)施例，凡屬于本發(fā)明思路下的技術(shù)方案均屬于本發(fā)明的保護(hù)范圍。應(yīng)當(dāng)指出，對(duì)于本技術(shù)領(lǐng)域的普通技術(shù)人員來說，在不脫離本發(fā)明原理前提下的若干改進(jìn)和潤(rùn)飾，應(yīng)視為本發(fā)明的保護(hù)范圍。