技術(shù)特征：

1.一種道路交通輔助駕駛環(huán)境下的行人檢測特征提取方法，其特征在于，步驟為：

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

S2：對步驟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)算出兩個不同的HOG特征向量v和w；

S3：對步驟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：對步驟S2中計(jì)算出來的第二層HOG特征向量w進(jìn)行對稱特征計(jì)算，提取出HOG對稱特征向量s，并且將所有樣本圖像的HOG對稱特征向量組合成一個對稱矩陣S；

S5：將步驟S3和步驟S4中計(jì)算得到的兩個特征矩陣V'和S進(jìn)行串接合并成一個新的特征矩陣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線性分類器檢測交通道路圖像。

2.根據(jù)權(quán)利要求1所述的道路交通輔助駕駛環(huán)境下的行人檢測特征提取方法，其特征在于，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。

3.根據(jù)權(quán)利要求1所述的道路交通輔助駕駛環(huán)境下的行人檢測特征提取方法，其特征在于，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。

4.根據(jù)權(quán)利要求1或2或3所述的道路交通輔助駕駛環(huán)境下的行人檢測特征提取方法，其特征在于，在進(jìn)行步驟S2之前，對樣本庫的圖像進(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)算圖像每個像素的梯度，包括大小和方向。

5.根據(jù)權(quán)利要求1或2或3所述的道路交通輔助駕駛環(huán)境下的行人檢測特征提取方法，其特征在于，所述步驟S7中，采用滑動窗口法，按照步驟S2提取滑動檢測窗口內(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)行對比檢測。

6.根據(jù)權(quán)利要求1或2或3所述的道路交通輔助駕駛環(huán)境下的行人檢測特征提取方法，其特征在于，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：

$G(x,y)=\sqrt{G_x{(x,y)}^2+G_y{(x,y)}^2}$

$\mathrm{\θ}(x,y)={\tan }^{-1}\left(\frac{G_y(x,y)}{G_x(x,y)}\right)$

S202：第一層HOG特征向量v的計(jì)算步驟如下：

步驟A:為每個細(xì)胞單元cell構(gòu)建梯度方向直方圖；

將圖像分成若干個大小相同的矩形“單元格cell”，將每個cell的360°([0°,180°]∪[-180°,0°])梯度方向劃分為9個bin，根據(jù)每個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cell的梯度方向直方圖，也就形成每個cell的9維特征向量；

步驟B:把4個細(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的移動步長為一個單元，得到每個區(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:為每個細(xì)胞單元cell構(gòu)建梯度方向直方圖；

將圖像分成4個大小相同的矩形“單元格cell”，將每個cell的360°([0°,180°]∪[-180°,0°])梯度方向劃分為8個bin，根據(jù)每個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cell的梯度方向直方圖，也就形成每個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的移動步長為一個單元，得到每個區(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。

7.根據(jù)權(quán)利要求6所述的道路交通輔助駕駛環(huán)境下的行人檢測特征提取方法，其特征在于，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數(shù)為m個，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：針對正樣本特征矩陣M中的每個用于訓(xùn)練的正樣本x_i，其中i＝1,2,...,m，計(jì)算平均向量：

$\stackrel{\‾}{x}=\frac{1}{m}{\mathrm{\Σ}}_{i=1}^m{x}_i;$

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。

8.根據(jù)權(quán)利要求6所述的道路交通輔助駕駛環(huán)境下的行人檢測特征提取方法，其特征在于，所述步驟S4中對提取的第二層HOG特征向量w進(jìn)行對稱特征計(jì)算，提取出圖像的HOG對稱特征向量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對稱特征向量s₁:

s₁＝[s₁₁ s₁₂ s₁₃ s₁₄ s₁₅ s₁₆ s₁₇ s₁₈]

其中的

其中HOG對稱向量s₁的每個元素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對稱特征向量s₂:

s₂＝[s₂₁ s₂₂ s₂₃ s₂₄ s₂₅ s₂₆ s₂₇ s₂₈]

其中的

其中HOG對稱向量s₂的每個元素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對稱特征向量s₁和下半部分HOG對稱特征向量s₂串接成對稱特征向量s，

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