基于Gabor特征和HOG特征融合的行人检测系统

基于gabor特征和hog特征融合的行人检测系统
技术领域
1.本发明涉及智能监控技术领域，具体为基于gabor特征和hog特征融合的行人检测系统。


背景技术：

2.人脸识别技术是一种利用人脸特征进行身份认证的技术，和虹膜识别技术与指纹识别技术一样属于生物特征识别技术。但是相比虹膜和指纹特征，人脸特征不仅具有唯一性和持久性，最重要的是不需要接触即可进行身份认证，因此人脸识别技术逐渐成为了身份认证方式的主流，也相继落地了大量基于人脸识别的产品，极大地便利了人们的生活。
3.gabor特征提取算法可以在不同方向上提取人脸图像的细节纹理特征，对光照、遮挡和表情变化都具有一定的鲁棒性，而hog特征更加注重人脸图像的边缘特征。本文将gabor特征和hog特征进行融合，设计了一个融合特征(本文称g-h特征)提取算法。该融合特征提取算法得到的融合特征的维数太大，不利于计算，采用pca对融合特征进行降维，最后用svm作为分类器进行人脸识别。


技术实现要素：

4.本发明的目的在于提供了基于gabor特征和hog特征融合的行人检测系统，达到采用pca对融合特征进行降维，最后用svm作为分类器进行人脸识别，简化操作，提高人脸识别的效率。
5.为实现上述目的，本发明提供如下技术方案：
6.基于gabor特征和hog特征融合的行人检测系统，包括以下步骤：
7.s1、首先对输入图像进行预处理，若图像不是人脸图像，需要先对图像进行人脸检测、人脸截图和人脸对齐，然后针对人脸图像进行灰度化、滤波和归一化。
8.s2、构造gabor滤波器组，设置滤波器的核尺寸和方向，构造gabor滤波器组。
9.s3、对归一化人脸图像进行gabor变换得到gabor特征，共20个gabor特征图，该特征图为一级特征。
10.s4、对大小为96x112的gabor特征图提取hog特征，采用gamma校正消除光照不均对图像的影响，针对图像中的每个像素点(x，y)，分别沿水平方向和垂直方向计算梯度，把图像分成若干区称为细胞单元。
11.s5、将二级特征图压缩成一维的特征向量，再将特征向量进行串联构成融合特征。
12.s6、使用主成分分析对融合特征进行降维，得到降维后的数据特征，用svm对降维后的g-h数据进行分类，最后输出结果。
13.优选的，所述s2中将滤波器核尺寸设置为3、5、7、9、11，方向设置为0
°
、45
°
、90
°
、135
°
，生成一个gabor滤波器组，此时可以获得4x5＝20个不同的gabor滤波器。
14.优选的，所述s4中将96x112划分成12x14个细胞单元，每个细胞单元的大小为8x8，并把每2x2个细胞单元划分为一个块，可以划分6x7个块。
15.优选的，所述s4中计算每个单元的每个像素的梯度，并统计细胞单元的梯度方向直方图，以30
°
为间隔划分6个bin，则每个细胞单元可以得到一个6维的特征向量，最后将块归一化的特征向量进行串联，合成hog特征向量，通过此过程，可以得到20张特征图，该特征图为二级特征。
16.本发明提供了基于gabor特征和hog特征融合的行人检测系统，具备以下有益效果：
17.本发明通过计算每个单元的每个像素的梯度，并统计细胞单元的梯度方向直方图，以30
°
为间隔划分6个bin，则每个细胞单元可以得到一个6维的特征向量，最后将块归一化的特征向量进行串联，合成hog特征向量，通过此过程，可以得到20张特征图，该特征图为二级特征，采用pca对融合特征进行降维，最后用svm作为分类器进行人脸识别，简化操作，提高人脸识别的效率。
附图说明
18.图1是本发明的基于gabor特征和hog特征融合的行人检测系统工序示意图。
具体实施方式
19.下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
20.如图1所示，本发明提供一种技术方案：
21.基于gabor特征和hog特征融合的行人检测系统，包括以下步骤：
22.s1、首先对输入图像进行预处理，若图像不是人脸图像，需要先对图像进行人脸检测、人脸截图和人脸对齐，然后针对人脸图像进行灰度化、滤波和归一化。
23.s2、构造gabor滤波器组，设置滤波器的核尺寸和方向，构造gabor滤波器组。
24.s3、对归一化人脸图像进行gabor变换得到gabor特征，共20个gabor特征图，该特征图为一级特征。
25.s4、对大小为96x112的gabor特征图提取hog特征，采用gamma校正消除光照不均对图像的影响，针对图像中的每个像素点(x，y)，分别沿水平方向和垂直方向计算梯度，把图像分成若干区称为细胞单元。
26.s5、将二级特征图压缩成一维的特征向量，再将特征向量进行串联构成融合特征。
27.s6、使用主成分分析对融合特征进行降维，得到降维后的数据特征，用svm对降维后的g-h数据进行分类，最后输出结果。
28.综上可得，本发明通过计算每个单元的每个像素的梯度，并统计细胞单元的梯度方向直方图，以30
°
为间隔划分6个bin，则每个细胞单元可以得到一个6维的特征向量，最后将块归一化的特征向量进行串联，合成hog特征向量，通过此过程，可以得到20张特征图，该特征图为二级特征，采用pca对融合特征进行降维，最后用svm作为分类器进行人脸识别，简化操作，提高人脸识别的效率。
29.需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实
体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。


技术特征：
1.基于gabor特征和hog特征融合的行人检测系统，其特征在于，包括以下步骤：s1、首先对输入图像进行预处理，若图像不是人脸图像，需要先对图像进行人脸检测、人脸截图和人脸对齐，然后针对人脸图像进行灰度化、滤波和归一化；s2、构造gabor滤波器组，设置滤波器的核尺寸和方向，构造gabor滤波器组；s3、对归一化人脸图像进行gabor变换得到gabor特征，共20个gabor特征图，该特征图为一级特征；s4、对大小为96x112的gabor特征图提取hog特征，采用gamma校正消除光照不均对图像的影响，针对图像中的每个像素点(x，y)，分别沿水平方向和垂直方向计算梯度，把图像分成若干区称为细胞单元；s5、将二级特征图压缩成一维的特征向量，再将特征向量进行串联构成融合特征；s6、使用主成分分析对融合特征进行降维，得到降维后的数据特征，用svm对降维后的g-h数据进行分类，最后输出结果。2.根据权利要求1所述的基于gabor特征和hog特征融合的行人检测系统，其特征在于：所述s2中将滤波器核尺寸设置为3、5、7、9、11，方向设置为0
°
、45
°
、90
°
、135
°
，生成一个gabor滤波器组，此时可以获得4x5＝20个不同的gabor滤波器。3.根据权利要求1所述的基于gabor特征和hog特征融合的行人检测系统，其特征在于：所述s4中将96x112划分成12x14个细胞单元，每个细胞单元的大小为8x8，并把每2x2个细胞单元划分为一个块，可以划分6x7个块。4.根据权利要求3所述的基于gabor特征和hog特征融合的行人检测系统，其特征在于：所述s4中计算每个单元的每个像素的梯度，并统计细胞单元的梯度方向直方图，以30
°
为间隔划分6个bin，则每个细胞单元可以得到一个6维的特征向量，最后将块归一化的特征向量进行串联，合成hog特征向量，通过此过程，可以得到20张特征图，该特征图为二级特征。

技术总结
本发明涉及智能监控技术领域，且公开了基于Gabor特征和HOG特征融合的行人检测系统，包括首先对输入图像进行预处理，若图像不是人脸图像，需要先对图像进行人脸检测、人脸截图和人脸对齐，然后针对人脸图像进行灰度化、滤波和归一化，构造Gabor滤波器组，设置滤波器的核尺寸和方向，构造Gabor滤波器组。本发明通过计算每个单元的每个像素的梯度，并统计细胞单元的梯度方向直方图，以30


技术研发人员：朱静 叶志强 林静旖 陈宇瀚 薛穗华 潘梓沛 韦国强 尹邦政 陈泳轩 毛俊彦
受保护的技术使用者：广州大学
技术研发日：2022.02.17
技术公布日：2022/5/25