基于Omega形狀特征的人體目標檢測方法
【技術領域】
[0001] 本發明屬于計算機視覺技術領域，更為具體地講，涉及一種基于Omega形狀特征 的人體目標檢測方法。
【背景技術】
[0002] 人體檢測是隸屬于計算機視覺領域的一項重要的人工智能技術。它賦予機器類似 人體視覺的功能，以人體為檢索目標，通過圖像采集裝置獲得環境圖像并將其轉換成數字 信號，并利用不同的圖像處理技術對圖像進行統計和分析，進而對人體進行識別及定位，為 后續的應用需求，例如人體跟蹤，行為分析，場景分割等，奠定一定的識別基礎。近年來，隨 著檢測算法的不斷完善和計算機計算能力的大幅增加，人體檢測技術已經廣泛應用于智能 監控，智能家居，智能交通，機器人視覺導航，游戲娛樂等方面。對于人體目標檢測算法的要 求在于如何魯棒地進行人體目標檢測、降低誤檢率、提高檢測率。
[0003] 目前，有很多研宄人員對人體目標檢測相關領域進行了研宄工作。現有技術 大多采用基于特征與分類器的檢測方法對人體目標進行檢測。具體算法可以參考文 獻 Viola P,Jones M J, Snow D.Detecting pedestrians using patterns of motion and appearance[C]. Computer Vision, 2003. Proceedings. Ninth IEEE International Conference on. IEEE, 2003:734-741.文獻 Dalai N, Triggs B. Histograms of oriented gradients for human detection[C]. Computer Vision and Pattern Recognition, 2005. CVPR 2005. IEEE Computer Society Conference on. IEEE, 2005，1:886-893.文 獻 Sermanet P, Kavukcuoglu K, Chintala S, et al. Pedestrian detection with unsupervised multi-stage feature learning[C]. Computer Vision and Pattern Recognition(CVPR)，2013 IEEE Conference on. IEEE, 2013:3626-3633.以及文獻 Doll(ir P, Tu Z1Perona P, et al. Integral Channel Features [C]. BMVC. 2009, 2 (3) : 5.
[0004] 上述方法都是基于人體全局特征對人體目標進行檢測，這些方法能在一定程度上 實現人體目標的檢測。然而在實際場景中，人體目標的檢測存在著許多難點。首先，由于人 體是非剛性物體，隨著人身體動作的不同，人體的外部形狀輪廓會發生顯著的變化，這些非 剛性特性給人體目標的檢測帶來了一定難度；其次，運動中的人體目標很容易被各種障礙 物所遮擋，人與人之間也會發生較為嚴重的遮擋，此時基于人體全局特征的方法往往會因 為遮擋而受到很大影響，造成嚴重的漏檢；再次，復雜的背景也會在多個方面給行人檢測造 成困難，降低檢測的精度；最后，通過已有方法得到的人體目標特征通常維度較高，這增加 了訓練和檢測的時間，并使分類器模型求解困難，構造復雜，而傳統的降維方法，例如主成 分分析法等，雖然降低了特征維度，但無法保證分解結果的非負性，而負值結果在實際問題 中往往沒有意義，無法解釋。并且傳統的降維方法對數據的表達方法一般是基于整體的而 不是基于局部的，而在實際問題中，通過刻畫數據的局部、本質的特征，對數據進行降維，對 于降低數據冗余，提高檢測精度具有重要意義。
[0005] 在實際應用中，作為圖像采集裝置的監控攝像頭安裝位置一般位于高空，其所在 視角獲得的人體圖像中，人體下半身往往容易被桌椅，路障等障礙物所阻擋，而人體頭-肩 因其所處人體上半身，被遮擋的概率也較小。同時，相較于人體目標的整體檢測，人體上 半身的頭-肩類似Omega形狀特征受姿態、視角影響比較小。圖1是人體上半身頭肩 Omega形狀示例圖。學術界對通過人體頭-肩模型進行人體目標檢測的方法已有一定的 石開宄，如文獻 Li M, Zhang Z, Huang K, et al. Rapid and robust human detection and tracking based on omega-shape features[C] · Image Processing(ICIP), 200916th IEEE International Conference on. IEEE, 2009:2545-2548.已有算法主要米用H0G(Histogram of Oriented Gradient，梯度方向直方圖）對目標進行特征表述，并結合SVM線性分類器的 方法對人體頭-肩目標進行檢測，這種方式提高了人體目標的檢測率，但還是無法解決特 征維度較高與復雜背景對檢測造成的影響。

【發明內容】

[0006] 本發明的目的在于克服現有技術的不足，提供一種基于Omega形狀特征的人體目 標檢測方法，通過提取人體上半身頭肩類似Omega形狀的HOG特征來解決人體非剛性形形 變影響檢測結果的問題，并在HOG特征的基礎上應用了基于正交非負矩陣分解和大間隔最 近鄰距離測度學習方法來降低數據冗余，提高檢測精度。
[0007] 為實現上述發明目的，本發明基于Omega形狀特征的人體目標檢測方法包括以下 步驟：
[0008] Sl :預先選擇包含有人體上半身頭-肩Omega形狀的圖像作為正樣本，選擇不 含人體目標的背景圖作為負樣本，對每個樣本的灰度圖提取HOG特征，得到d維特征列向 量；將正樣本庫中η個正樣本得到的d維特征列向量組合成為特征矩陣V ptjs,
[匕。=[6+·.，+];將負樣本庫中m個負樣本得到的d維特征列向量CAV-Fm組合成為 特征矩陣Vneg，[lg Lxm = [K…匕];
[0009] S2 :對特征矩陣Vptjs進行正交非負矩陣分解，得到正交基矩陣Wf;
[0010] S3 :根據步驟Sl得到的樣本特征列向量，采用LMNN算法得到特征投影矩陣L， LMNN算法求解過程中將正交基矩陣Wf作為特征投影矩陣L的初始值；
[0011] S4 :根據步驟S3得到的特征投影矩陣L，對正、負樣本的特征矩陣進行映射，得到 新的特征矩陣VpJ、VMg'，映射公式為： _2] [Vpo； , Vne； ] =L* [Vpos, VnJ
[0013] 將特征矩陣Vptjs'和Vneg'中的每個特征列向量與相對應的類標簽信息輸入SVM分 類器中進行訓練，得到SVM分類器；
[0014] S5 :采用步驟S4得到的SVM分類器對待檢測圖像進行人體目標檢測，具體方法為： 將待檢測圖像按照預設的各個縮放尺度進行調整，以預設大小的搜索框遍歷各個調整后圖 像的搜索區域，提取搜索框內圖像的HOG特征列向量V。，計算得到對應的決策值f ;計算公 式為：
[0015] f = sv_coef*SVs*V。'
[0016] V; = (L*V0)
[0017] 對所有搜索框進行逐個判斷，如果其決策值f大于預設閾值F，則該搜索框內含有 人體目標，將搜索框位置信息存儲為搜索結果；最后對搜索結果中的搜索框進行融合，得到 最終的檢測結果。
[0018] 本發明基于Omega形狀特征的人體目標檢測方法，首先提取訓練樣本中各個樣本 的HOG特征，分別將正樣本和負樣本的特征列向量組合得到兩個特征矩陣，對正樣本的特 征矩陣進行正交非負矩陣分解，將得到的正交基矩陣作為特征投影矩陣的初始值，根據所 有樣本的特征列向量采用LMNN算法得到最終的特征投影矩陣，然后根據特征投影矩陣對 兩個特征矩陣進行映射，將得到的新特征矩陣中的每個特征列向量與相對應的類標簽信息 輸入SVM分類器進行訓練，然后用得到的SVM分類器進行人體目標檢測，在進行人體目標檢 測時，也需要使用特征投影矩陣對待檢測圖像的HOG特征列向量進行映射。
[0019] 本發明具有以下有益效果：
[0020] (1)基于人體上半身頭-肩Omega形狀模型框架，進行人體目標檢測，減少了被檢 測對象發生非剛性形變與被遮擋的概率，降低了人體目標檢測的漏檢率；
[0021] (2)采用了 HOG來提取目標邊緣特征信息，該特征能更好地表征人