行人检测中粒度空间特征提取方法研究

A new feature extraction framework for human/pedestrian detection is presented. The concept of granularity is used to define the feature's abstraction capability for representing complex the objects. Specifically, the finely granular descriptors generate low level abstractions of the object which can represent the specific geometry information of the object; while the coarsely granular descriptors generate high level abstractions of the object which can provide the statistical representations of the object. The representation abilities of the features of different granular are complementary. By changing the granular parameter, a family of descriptors with versatile representation property can be generated. This family of representation is referred as to granular space representation of the object. Under the framework of granular space feaure, we further investigate the coupling relationship between the feature granular and object scale, multi-channel feature integration and domain adaptation based pose covariance feature. The benefits of this granular space based representation are: firstly, versatile representation ability for both the detailed structures and statistical information; secondly, the granular parameter has specific geometry meaning and can be control quantitatively; thirdly, by tuning the granular parameter, heterogeneous features can be extracted efficiently.

本课题提出了基于粒度空间的特征提取方法用于人体检测。粒度表示特征对于数据的抽象能力，精细粒度特征对于数据有较低程度的抽象，因此具有较好的细节描述能力，适合用于对数据进行确定性的描述；而粗糙粒度的特征对于数据有较高程度的抽象，其所体现的是一种统计特性。因此，粒度空间特征意味着对于数据进行不同层次的抽象，从而得到从确定性描述到统计性描述的一系列具有不同描述特性的特征表示。在粒度空间特征框架下，我们进一步研究了特征粒度与目标尺度之间的耦合关系、多通道异质特征的快速提取方法以及利用领域自适应实现特征与人体姿态的共变。粒度空间特征的优势在于：1）具有非常丰富的描述能力，既可以提取结构特征，又可以提取统计信息；2）粒度具有明确的几何意义，可以方便的进行定量的控制；3）可以通过调节粒度参数来实现异质特征提取，算法复杂度较低。

本课题提出了基于粒度空间的特征提取方法用于人体检测。粒度空间特征意味着对于数据进行不同层次的抽象，从而得到从确定性描述到统计性描述的一系列具有不同描述特性的特征表示。围绕着这一研究目标，我们从以下几个方面开展了相关研究：..1) 在稀疏表示的基础上，提出一种基于多重稀疏字典直方图的多粒度行人特征提取方法，这种特征提取方法利用稀疏表示，从多个不同稀疏的字典中学习到行人的特征，这种方法能够有效的降低特征维数，并且能够准确对行人进行不同层次的多粒度描述。..2) 提出了一种多通道特征与深度网络相结合的行人检测方法。该方法采用多通道Haar-Like特征，并结合基于降噪自动编码器的深度学习的行人检测方法。该特征基于直立行人的统计模型将行人分为头部、上体和下肢三部分，受到Haar-Like特征的启发，针对行人的统计模型设计了多元Haar-Like特征，对衣着和环境变化有较强的鲁棒性。..3) 提出了一种基于深度网络迁移学习的行人检测方法。利用基于特征迁移思想，最小化源域和目标域在深度网络最高层输出的分布差异，对深度网络进行修改优化，使其具有迁移能力。根据摄像机针孔成像原理，对行人在成像图像中位置与其尺度关系建模作为先验信息，用于筛选目标域检测结果，使检测结果具有更高可信度，不会对检测模型造成负迁移。..4) 提出一种基于深度图像的人体特征表示方法。针对深度图像的特性，提出一种鲁棒的具有测地不变性的深度图像特征提取方法，该方法是多层次特征表示框架。低级的几何梯度特征在提取过程中，实现了对于尺度和旋转变化的鲁棒性；中级特征，超像素分割可以降低深度图像的冗余程度，对于噪声影响有更好的鲁棒性和更快的处理速度；高级特征是通过深度网络学习数据的非线性特性，从而进一步提高分类的精度。..5) 提出一种低秩结构化稀疏表示的行人异常行为检测。在人体检测的基础上，我们研究了行人异常行为检测的应用及方法。采用多尺度三维梯度特征作为视频序列中异常事件检测的特征。针对传统异常事件检测方法没有考虑视频数据低秩特性的问题，在字典学习方法中引入了LASSC模型，提出了基于LASSC模型的字典学习算法。