一種基于線性回歸的行人識別方法
【專利摘要】本發(fā)明提供一種基于線性回歸的行人識別方法，該方法通過選取兩類訓練圖像集合；對選取的兩類訓練圖像進行處理；對處理后的兩類訓練圖像進行建模；對預備測試的圖像進行多尺度縮放；然后滑窗處理選取候選區(qū)域；再對候選區(qū)域進行處理；接著對處理后的數(shù)據(jù)中的最小二乘參數(shù)進行估計；接著計算估計后數(shù)值的最近似向量；再計算觀測向量與近似向量之間的距離；對候選區(qū)域的類別進行判斷；再采用非極大抑制算法對重復檢測部分進行濾除；最后輸出識別結果。該方法無需進行復雜的特征提取與分類器訓練過程，實現(xiàn)結構簡單，有效提高識別方法的實時性。
【專利說明】ー種基于線性回歸的行人識別方法
【技術領域】
[0001]本發(fā)明涉及ー種行人識別方法，具體涉及ー種基于線性回歸的行人識別方法，屬于智能交通【技術領域】。
【背景技術】
[0002]隨著汽車的日益普及，道路交通事故成為意外死亡和致殘的重要原因，發(fā)展車載行人檢測系統(tǒng)成為汽車主動安全領域重要的研究課題。行人檢測從機器視覺的角度是ー個困難的任務，這主要是因為行人的外觀是高度可變的，如人可以穿不同的衣服，攜帯不同的物體，有不同的體型等，同時行人檢測系統(tǒng)的實時性和魯棒性要求非?？量?，要求很低的誤警和虛警概率。
[0003]現(xiàn)有的行人檢測系統(tǒng)可以采用不同的傳感器，如視覺傳感器，近紅外和遠紅外傳感器、激光雷達等，不同的傳感器的特性不同，獲取的信息處理起來難易程度、優(yōu)缺點、方法不盡相同。通過對這些傳感器的比較分析，普通視覺傳感器有著ー些不可替代的優(yōu)勢，它們價格低廉，提供了可批量生產、推廣的解決方案；校準、維護相對容易，如果使用的處理方法得當?shù)脑挘胀ㄒ曈X傳感器也應該能取得很好的性能。
[0004]目前基于視覺傳感器的行人檢測系統(tǒng)一般分為外觀特征提取和分類學習兩部分，常用的外觀特征如Harr小波，方向梯度直方圖，形狀特征和顔色特征等。常用的分類學習方法有Adaboost集成學習、支持向量機，神經網(wǎng)絡等。這些方法的關鍵在于某種最優(yōu)可分的特征表示，計算時間大量耗費在行人特征的提取和分類器模型的訓練上。車載行人檢測系統(tǒng)對于實時性有較高要求，現(xiàn)有方法的計算復雜度普遍較高，每幀的檢測時間難以滿足實車應用的需求。

【發(fā)明內容】

[0005]本發(fā)明的目的是解決上述行人識別方法的缺點。
[0006]為實現(xiàn)上述發(fā)明目的，本發(fā)明采用以下技術方案:
[0007]—種基于線性回歸的行人識別方法，包括以下步驟:
[0008]I)選取兩類訓練圖像集合；
[0009]2)對選取的兩類訓練圖像進行處理；
[0010]3)對處理后的兩類訓練圖像進行建模；
[0011]4)對預備測試的圖像進行多尺度縮放；
[0012]5)滑窗處理選取候選區(qū)域；
[0013]6)對候選區(qū)域進行處理；
[0014]7)對處理后的數(shù)據(jù)中的最小ニ乘參數(shù)進行估計；
[0015]8)計算估計后數(shù)值的最近似向量；
[0016]9)計算觀測向量與近似向量之間的距離；
[0017]10)對候選區(qū)域的類別進行判斷；[0018]11)采用非極大抑制算法對重復檢測部分進行濾除；
[0019]12)輸出識別結果。
[0020]優(yōu)選地，上述步驟I中所選取的兩類訓練圖像為行人和非行人圖像，具體集合的方法是設每類包含P張訓練圖像，所有圖像進行彩色到灰度的轉換，每個灰度圖像大小是aXb,并且表示為Uni' e Raxb, m=l, 2，…，p, i=0為非行人類，i=l為行人類。
[0021]優(yōu)選地，上述步驟3中的建模過程是對每一個灰度圖像進行下采樣，大小變?yōu)镃Xd，將所有的列連接起來形成ー個向量，其模型為:
【權利要求】
1.ー種基于線性回歸的行人識別方法，其特征在于:包括以下步驟: 1)選取兩類訓練圖像集合； 2)對選取的兩類訓練圖像進行處理； 3)對處理后的兩類訓練圖像進行建模； 4)對預備測試的圖像進行多尺度縮放； 5)滑窗處理選取候選區(qū)域； 6)對候選區(qū)域進行處理； 7)對處理后的數(shù)據(jù)中的最小二乘參數(shù)進行估計； 8)計算估計后數(shù)值的最近似向量； 9)計算觀測向量與近似向量之間的距離； 10)對候選區(qū)域的類別進行判斷； 11)采用非極大抑制算法對重 復檢測部分進行濾除； 12)輸出識別結果。
2.根據(jù)權利要求1所述的基 于線性回歸的行人識別方法，其特征在于:步驟I中所述選取的兩類訓練圖像為行人和非行人圖像，具體集合的方法是設每類包含P張訓練圖像，所有圖像進行彩色到灰度的轉換，每個灰度圖像大小是aXb，并且表示力< e Raxb，m=l, 2，…，p, i=0為非行人類，i=l為行人類。
3.根據(jù)權利要求2所述的基于線性回歸的行人識別方法，其特征在于:步驟3中所述的建模過程是對每一個灰度圖像進行下采樣，大小變?yōu)閏 X d，將所有的列連接起來形成一個向量，其模型為:"rぱ~Hf ^R11 , q=cXd, cd〈〈ab。
4.根據(jù)權利要求2所述的基于線性回歸的行人識別方法，其特征在于:每ー個圖像向量都進行標準化使得最大的像素值為1，基于同一類中的對象分布在ー個線性空間上的概念，將第i類對應的P維向量疊放形成類的模型ん，X,.=[吣^,--?,<], i=0, I。
5.根據(jù)權利要求4所述的基于線性回歸的行人識別方法，其特征在于:步驟4中，是將原始測試圖像進行彩色到灰度的轉換后，再采用多尺度的縮放處理，形成不同尺度的待測圖像 Si, i=l，2，…n。
6.根據(jù)權利要求5所述的基于線性回歸的行人識別方法，其特征在于:步驟5中所述的滑窗處理選取候選區(qū)域，是對所述每ー個待測圖像Si中用大小為aXb的窗進行步長r的滑窗提取候選區(qū)域，并對每一個候選區(qū)域進行下采樣，大小變?yōu)閏 X d。
7.根據(jù)權利要求6所述的基于線性回歸的行人識別方法，其特征在于:所述進行下采樣的候選區(qū)域，還需將該候選區(qū)域轉換和標準化形成ー個和模型中形式相同的向量y，如果y屬于第i類則它能由對應類的模型的線性組合進行表示，即y=Xi P i，i=0, 1，P i e Rp是一個參數(shù)向量，它可以用最小二乘估計進行估算: 為=(XfXy1Xfy。
8.根據(jù)權利要求7所述的基于線性回歸的行人識別方法，其特征在于:步驟8中所述的最近似向量是用估計參數(shù)ガ,乘以訓練模型Xi得到觀測向量I在第i類子空間上的最近似的向量免
9.根據(jù)權利要求8所述的基于線性回歸的行人識別方法，其特征在于:步驟9中所述觀測向量與近似向量之間的距離具體為計算原始的觀測向量y和映射后的近似向量y ^間的歐氏距離:
10.根據(jù)權利要求8所述的基于線性回歸的行人識別方法，其特征在于:步驟10中所述對重復檢測部分進行濾除是在每個尺度圖像Si, i=l, 2，一n檢測到行人區(qū)域后，采用非極大抑制算法對重復檢測部分進行濾除，最終輸出識別結果。
【文檔編號】G06K9/66GK103500346SQ201310469881
【公開日】2014年1月8日 申請日期:2013年10月10日 優(yōu)先權日:2013年10月10日
【發(fā)明者】陳軍, 趙世一, 李紹峰 申請人:揚州瑞控汽車電子有限公司