CN108288041B - 一种行人目标错检去除的预处理方法 - Google Patents

Abstract

一种行人目标错检去除的预处理方法，属于行人检测预处理领域，用于解决图像中行人检测结果常见的错检现象，技术要点是：S1.归一化宽度处理；S2.直方图规定化均衡化处理；S3.锐化处理，效果是：有效去除了行人检测过程中的出现的冗余行人检测框，提升后续行人跟踪算法应用的有效性，避免错检目标给行人检测系统带来的额外判决计算消耗。

Description

一种行人目标错检去除的预处理方法

技术领域

本发明属于行人检测预处理领域，具体的说是一种降低图像中检测到的错误行人目标数量的方法。

背景技术

随着机器人应用领域的迅速发展，对智能机器人的需求也是日益增长。近些年，行人检测技术已成为热点研究方向之一，也是计算机视觉领域的重要组成部分。常用的行人检测方法均是模拟人眼，实现机器对周围环境或事物进行图像采集，随后对采集的图像内容进行分析与识别，完成机器对三维世界的感知。

目前主流的行人检测器的检测思想主要分两大类：机器学习检测方法和深度学习检测方法。这两类方法的共同点均以图片作为主要信息来源，运用视觉信息处理技术，实现对行人目标的圈选。

在行人检测处理过程中，待检测图像会因不同场景差异、不均匀光线、密集遮挡物等因素而导致检测信息的复杂程度提升，很容易使行人的特征信息出现误检的可能，从而降低检测系统的识别准确性。一般来说，行人检测框的错检、冗余等错检现象，也成为自主驾驶、车载辅助驾驶、机器人视觉以及行人避障等应用中无法回避的难题。

对于实际的城市道路等环境，由于包含建筑物、道路标识、灯光橱窗、车辆载具等信息，任何包含有行人的图像均为复杂背景条件，不存在实验室或摄影棚那种理想环境。所以，针对这种场景的行人错检去除技术是十分必要的。

一般来说，通过多检测器融合法、基于部件模型检测法、基于组合特征算法等不同的针对性算法来保证系统的准确性，但如上述针对性的算法仅能对特殊场景使用，不具有应用的普适性。申请公布号为CN106650667A的中国发明专利申请公开了一种基于支持向量机的行人检测方法及系统，其提及支持向量机不能很好的控制特征权重分配而降低行人目标检测准确度问题，提出模拟退火接受准则的遗传算法，综合考虑图像中特征之间联系，为所有维度的特征制定权值，从而提高行人检测的准确度；根据申请公布号CN105913003A的中国发明专利申请记载的一种多特征多模型的行人检测方法，其则是分析了多种行人检测方法的优缺点，提出一种多特征多模型的行人检测方法，综合多种行人检测器的内容，实现同时兼容高检测率和低误报率的目的。

发明内容

本发明重点是对利用已有图像处理手段的组合来预处理监测图像，从而实现去除冗杂行人检测信息的目的。根据轮廓特征机器学习“黑盒子”内部特征参数，确定出错检目标去除预处理的特定处理顺序，以及每一种处理方法的适用参数。

该发明仅适用于输入图像分辨率的宽度大于等于75像素，且小于等于1080像素的图像，即图像宽度在[75,1080]闭区间内，同时要求，输入图像的高度小于等于1920像素。

由于采集图像的设备不同，原始待检测图像中所包含各种各样的噪声和畸变，由此产生错检目标。目前，基于视觉图像的行人检测器通过计算待检测图像的图像特征，实现对图像中物体的正确分类。而基于轮廓特征的行人检测器则对图像中形状特征更为敏感，除外界环境等因素，在实际的行人检测过程中，反应细节的纹理信息在一定程度上降低了此类行人检测器的检测精度。所以，针对行人检测结果中常见的错检现象设计了一种行人目标错检去除预处理方法，该方法首先利用归一化宽度处理去除原始待检测图像中的冗余的高频分量，滤除扰动因素；随后对处理后的图像引入直方图规定化均衡处理和锐化处理使图像轮廓信息尖锐化，凸显图像中的边缘信息，增加形状特征的可识别性。

进一步说，该方法由归一化宽度处理、直方图规定化均衡处理和锐化处理三个先后有序的处理环节组成，且处理顺序不可更改，三个处理环节手段有机地串联在一起，形成一个有效的图像预处理链组合。同时，每个环节都有着严格的内在参数规定，具体如下。

(1)冗余信息去除

1)归一化宽度处理

归一化宽度处理作为整个预处理方法的第一环节，将所有输入都进行宽度约束。其本质是利用数字图像处理技术中的常用手段，将图像等比例缩放至指定像素宽度，该宽度由基于轮廓特征的机器学习中特征金字塔推导得出。该数值越接近特征金字塔的特征化参数，所需要的计算量不仅越小，而且使得基于轮廓特征的行人检测器的检测结果也越精确。最终该数值被确定为75、150和225。

设原始待检测图像的高、宽分别为H₀和W₀，则该图像比例r为：

另设归一化宽度处理后的高、宽分别为H₁和W₁，则处理后的图像分辨率尺寸计算如下：

经过第一环节，归一化宽度处理后，全部输入图像均被等比例缩放至固定宽度的分辨率尺寸。

(2)轮廓特征增强

1)直方图规定化均衡处理

行人目标错检去除预处理方法的第二个环节是对前一环节处理完毕的图像进行直方图规定化均衡处理。该增强处理最重要的目的是将明与暗的事物分离，从而提升基于轮廓特征的行人检测器区分目标的概率。

本发明采用具有两个高斯函数的多模态高斯方法进行规定化均衡处理。第一个高斯函数的均值和方差分别是：0.136和0.045；第二个高斯函数的均值0.764和0.045。

经过第二环节，图像可在规定范围内进行色度增强。

2)锐化处理

行人目标错检去除预处理方法的第三个环节，对前一环节处理完毕的图像进行锐化处理。其目的是要有效地提高目标边缘轮廓，从而加强场景中前后景物的区分程度，以此提高基于轮廓特征的行人检测器的检测能力。其锐化模为：

经过以上三个连贯有序的环节后，图像经规定化处理得到了纹理等得到了恰当的增强，从而非常适合进一步送入行人检测器进行处理。

有益效果：

本发明就是使图像经上述方法的预处理后，检测到的错误行人目标数量会大幅降低，可以作为现今流行行人检测器的输入预处理手段，能够适用于街道场景的行人目标错检消除需求。可以有效将行人检测中由于算法精度不高、输入图像场景过于复杂以及不相干特性信息等因素而导致的冗余、错检行人检测框的去除，从而提升行人检测系统的检测准确程度；通过错检行人目标去除预处理方法，使系统能够避免在实际应用中因拍摄镜头角度、拍摄场景光照不均匀等因素导致复杂背景待检测图像在检测运算时可能出现的检测错误情况。本发明有效去除了行人检测过程中的出现的冗余行人检测框，提升后续行人跟踪算法应用的有效性，避免错检目标给行人检测系统带来的额外判决计算消耗。

本发明首先采用归一化宽度处理，对原始待检测图像的图像质量进行改善，以归一化宽度处理作为滤除图像中高频冗余信息的主要手段；直方图规定化均衡处理用于增加图像对比度，扩大量化间隔，使各区域间边界明显，锐化处理则是提高区域间的反差，使边界更加明显，突出图像的轮廓特征，直方图规定化均衡处理和锐化处理共同对图像实施处理，使图像边缘形状特征尖锐化，凸显出图像中的形状特点减少冗余的信息量，增加可识别性。

本发明适用于作为任意行人检测器的预处理器，处理方法简单，可实现性强；归一化宽度、直方图规定化均衡、锐化三种处理步骤，参数固定，无需先验知识即可使用；所采用的处理方法也属于经典图像处理手段，易于在各种软硬件设备实现。

附图说明

图1是应用行人目标错检去除预处理方法的行人检测方法的原理逻辑图；

图2是针对选取的待检测图像未经行人目标错检去除预处理方法而得到的检测结果；

图3是针对选取的待检测图像经过行人目标错检去除预处理方法处理后得到的检测结果；

图4是实施例1的检测结果图；

图5是实施例2的检测结果图；

图6是实施例3的检测结果图。

具体实施方式

下面结合附图与具体实施方式对本发明作进一步详细描述：

一种行人目标错检去除的预处理方法的原理逻辑图如图1所示，该算法具体实施步骤如下：

下面结合附图与具体实施方式对本发明作进一步详细描述：

一种行人目标错检去除的预处理方法的原理逻辑图如图1所示，该算法具体实施步骤如下：

第1步：获取图像宽W₀、高H₀，计算待检测图片的比例r；

第2步：判断图片宽度W₀的所属范围，实施第一个环节的归一化宽度处理；

第3步：当W₀∈[75,200)时，归一化后的宽、高分别为W₁＝75，H₁＝r×W₁，转至第6步；

第4步：当W₀∈[200,800)时，归一化后的宽、高分别为W₁＝150，H₁＝r×W₁，转至第6步；

第5步：当W₀∈[800,1080)时，归一化后的宽、高分别为W₁＝225，H₁＝r×W₁，转至第6步；

第6步：进入第二个环节。归一化后图像的宽、高为W₁和H₁，使用多模态高斯函数对图像做直方图规定化均衡处理；

第7步：进入第三个环节。直方图规定化均衡处理后的图像宽、高为W₁和H₁，利用模板A做锐化处理；

第8步：得到处理完毕的待检测图像。

上述方法，是一种对检测器的输入进行预处理，从而使行人目标错件数量减低的方法。该处理方法采用归一化宽度处理、直方图规定化均衡处理、锐化处理三种手段对检测器的输入图片进行变换。经大量仿真测试，本发明方法可以提升行人检测算法的可靠性，大幅减少检测器错检目标行人的现象，在特征计算、卷积神经网络等方向拥有很强的实用性。

本发明首先“抑制噪声”，采用归一化宽度处理实现对原始待检测图像的降噪处理，滤除图像中高频分量；随后“增强图像”，对滤除高频噪声的图像实施轮廓特征增强处理，这里引入直方图规定化均衡处理手段扩大图像动态范围，使图像区域划分明显，锐化处理手段则增加区域间的反差，突出图像边缘信息。该处理方法采用归一化宽度处理、直方图规定化均衡处理、锐化处理三种手段对检测器的输入图片进行变换。在各种文献中可以看到，这种“先抑制后增强”的处理方式较为普遍，但是“抑制”手段和“增强”手段数不胜数，可是机器学习类和深度学习类的方法最大的难题在于它们本身就是一个“黑盒子”，你无法干预控制学习的走势，那么如何针对轮廓特征特定的机器学习特性进行筛选需要大量的理论指导和实践基础。经仿真测试，本发明所确定的标准流程方法可以提升行人检测算法的可靠性，大幅减少检测器错检目标行人的现象，在特征计算、卷积神经网络等方向拥有很强的实用性。

实施例1：

本实施例子针对图像宽度W₀∈[75,200)的实际行人检测器的输入图像帧，将本发明应用于行人检测器的输入预处理，处理前的检测结果与处理后的检测结果对比图如图4中的(a)、(b)所示，有效去除错检的行人目标。

实施例2：

本实施例针对图像宽度W₀∈[200,800)的实际行人检测器的输入图像帧进行验证，实际待检测图像特征信息复杂导致输出的行人目标框错检现象，应用本发明前后的检测结果对比图如图5中的(a)、(b)所示，成功去除错检行人目标的输出结果。

实施例3：

本实施例针对图像宽度W₀∈[800,1080)的实际行人检测器的输入图像帧进行实验，本发明可有效去除由于实际待检测行人不可抗形导致输出的行人目标错检现象，其最终预处理前后的行人检测结果对比图如图6中的(a)、(b)所示。

Claims (1)

1.一种行人目标错检去除的预处理方法，其特征在于，该方法由归一化宽度处理、直方图规定化均衡处理和锐化处理三个先后有序的处理环节组成，且处理顺序不可更改，所述预处理方法仅适用于输入图像分辨率的宽度大于等于75像素，且小于等于1080像素的图像，输入图像的高度小于等于1920像素，将行人检测中的冗余、错检行人检测框去除；

所述预处理方法由如下步骤组成：

第1步：获取图像宽W₀、高H₀，计算待检测图片的比例r；

第2步：判断图片宽度W₀的所属范围，实施归一化宽度处理；

第3步：当W₀∈[75,200)时，归一化后的宽、高分别为W₁＝75，H₁＝r×W₁，转至第6步；

第4步：当W₀∈[200,800)时，归一化后的宽、高分别为W₁＝150，H₁＝r×W₁，转至第6步；

第5步：当W₀∈[800,1080)时，归一化后的宽、高分别为W₁＝225，H₁＝r×W₁，转至第6步；

第6步：归一化后图像的宽、高为W₁和H₁，使用多模态高斯函数对图像做直方图规定化均衡处理；

第7步：直方图规定化均衡处理后的图像宽、高为W₁和H₁，利用模板A做锐化处理；

第8步：得到处理完毕的待检测图像；

其中：

归一化宽度处理的步骤如下：设原始待检测图像的高、宽分别为H₀和W₀，则该图像比例r为：

另设归一化宽度处理后的高、宽分别为H₁和W₁，则处理后的图像分辨率尺寸计算如下：

直方图规定化均衡化处理的步骤如下：采用具有两个高斯函数的多模态高斯方法进行规定化均衡处理，第一个高斯函数的均值和方差分别是：0.136和0.045；第二个高斯函数的均值0.764和0.045；

锐化处理的模板A为：

Images