基于第二代曲线波变换的静态人体检测方法

摘要

本发明提出了一种基于第二代曲线波变换的静态人体检测方法，主要用于解决现有人体检测技术的检测虚警率高的问题，其检测过程为：通过负样本的自举操作获取负样本，并与数据库中其它的正样本一起构成训练样本集；计算所有训练样本的基于曲线波变换的特征向量组成一个训练样本特征集；利用AdaBoost算法，对样本特征集进行分类训练，得到一个分类器；输入任意大小的被测图像，计算被测图像中所有扫描窗口图像的基于曲线波变换的特征向量；将所有扫描窗口图像的基于曲线波变换的特征向量输入到之前所得的分类器进行分类；根据分类结果，利用主窗口合并法，对所有分为人体的扫描窗口进行组合，形成最终的人体检测结果。本发明具有检测正确率高、同时虚警率低的优点，可用于对图像中人体的分类与检测。

权利要求

1.一种基于第二代曲线波变换的静态人体检测方法，包括如下过程：

(1)在INRIA数据库中，通过自举操作获取负样本，这些负样本与数据库中其它的正样本一起构成训练样本集；

(2)提取训练样本集中每个训练样本的基于第二代曲线波变换的边缘特征向量，并对提取的边缘特征向量进行了最优统计量的选择；

(3)提取训练样本集中每个训练样本的基于第二代曲线波变换的纹理特征向量，并将该纹理特征向量与步骤(2)提取的边缘特征向量级联，共同构成人体特征向量；

(4)将训练样本集中所有训练样本的边缘特征向量和纹理特征向量组成样本特征集，利用样本特征集对AdaBoost分类器进行分类训练，得到一个分类器；

(5)输入任意大小的被测图像，采用滑窗扫描的方法对被测图像进行扫描检测，并计算所有扫描窗口图像的人体特征向量，输入到步骤(4)中所得到的分类器中进行分类；

(6)根据分类器输出的分类结果，利用主窗口合并法，对所有分为人体的扫描窗口进行组合，形成最终的人体检测结果。

2.根据权利要求1所述的人体检测方法，其中步骤(1)所述的在INRIA数据库中，通过自举操作获取负样本，按如下步骤进行：(2a)先从INRIA数据库中任取一部分正样本与负样本；

(2b)分别提取正负样本的HOG特征，和基于第二代曲线波变换的边缘特征以及纹理特征，并对AdaBoost分类器进行分类训练，得到两个初始分类器；

(2c)分别使用这两个初始分类器，测试INRIA数据库中的其余非人体图像，对于这些非人体图像，在被错分为人体图像的扫描窗口图像中随机挑选一部分图像与当前负样本组成新的负样本集；

(2d)重复(2b-2c)，从所得的负样本中去除重复的负样本，直至剔除所有重复的负样本，得到最终的负样本集。

3.根据权利要求1所述的人体检测方法，其中步骤(2)所述的提取训练样本集中每个训练样本的基于第二代曲线波变换的边缘特征向量，并对提取的边缘特征向量进行了最优统计量的选择，按如下步骤进行：(3a)对每个训练样本做快速离散的第二代曲线波变换，第二代曲线波变换的参数设置为实值的第二代曲线波变换，且尺度数为3层，次粗糙层具有8个方向子带，最精细层为曲线波系数；

(3b)将次粗糙层和最精细层上大小相同的子带系数矩阵进行拼接形成一个大的系数矩阵，并对每一个尺度的系数矩阵进行8×8像素的剖分，将每个8×8像素的小块作为一个曲线波块；

(3c)计算每个曲线波块中系数的能量、熵、标准差、均值、最大值、最小值和对比度这几个统计量，并将每个曲线波块的统计量进行级联，得到初始的边缘特征向量；提取所有训练样本的初始边缘特征，得到一个样本特征集，并用AdaBoost算法进行分类训练；

(3d)统计训练AdaBoost分类器时每种统计量被选中的次数，对(3c)中的统计量中进行筛选，将被选中的次数较多的统计量作为最优的统计特征量，其中有：能量、熵、对比度、标准差和最大值；

(3e)将所有的曲线波块中系数的最优统计量进行联结，形成一个特征向量，即边缘特征向量。

4.根据权利要求1所述的人体检测方法，其中步骤(3)所述的提取训练样本集中每个训练样本的基于第二代曲线波变换的纹理特征向量，按如下步骤进行：(4a)对每个训练样本的第二代曲线波变换后的最粗糙层的系数矩阵采用1/2重叠的方法进行8×8系数大小的剖分，并对每一个8×8大小的系数小块计算其共生矩阵，该共生矩阵的量化级数为16；

(4b)对于每个8×8大小的系数小块的共生矩阵，计算其角二阶矩、熵、对比度、相关性、均值和和方差和这六项统计量，将所有8×8大小的系数小块的共生矩阵的统计量进行联结，形成一个特征向量，即纹理特征向量。

5.根据权利要求1所述的人体检测方法，利用步骤(2)至(4)所述的方法计算训练样本集中所有训练样本的人体特征向量，组成样本特征集，并利用样本特征集对AdaBoost分类器进行分类训练，具体步骤如下；

(5a)将利用步骤(2)和(3)提取的每个训练样本的边缘特征向量和纹理特征向量进行级联，即可得到每个训练样本的人体特征向量；

(5b)人体特征向量为一个M维的向量，训练样本集中训练样本的个数为N，则所有的训练样本提取的边缘特征向量和纹理特征向量将形成一个N×M维的矩阵，作为AdaBoost算法的输入，训练出一个分类器。

6.根据权利要求1所述的人体检测方法，其中步骤(5)所述的采用滑窗扫描的方法对被测图像进行扫描检测，按如下步骤进行：(6a)输入任意大小的被测图像，将其按缩放比为[0.4，0.5，0.6，0.7，0.8，0.9]的比例缩放，方括号内是大小不同的缩放比的具体值；

(6b)将缩放后的被测图像左上角的与一个训练样本等大小的区域作为第一个扫描窗口图像，每向右平移8个像素或向下平移8个像素作为一个新的扫描窗口，得到一组扫描窗口；

(6c)对每个扫描窗口部分的图像分别利用步骤(2)和步骤(3)的方法计算其边缘特征向量和纹理特征向量；

(6d)将扫描窗口部分的图像提取的边缘特征向量和纹理特征向量进行级联得到最终扫描窗口图像的人体特征向量，并用步骤(4)所得到的分类器进行人体与非人体的判断。

说明书

基于第二代曲线波变换的静态人体检测方法

技术领域

[0001] 本发明属于模式识别技术领域，涉及人体检测方法，可用于对图像中的人体及其它复杂目标的分类与检测。

背景技术

[0002] 人体检测在计算机视觉中有许多重要的应用，如视频监控、智能汽车及智能交通、机器人和高级人机交互等。然而，由于人体自身姿态的变化、衣服的多样性和光照等因素的影响，人体的外观变化非常大，导致人体检测成为一个非常困难的问题。

[0003] 目前，静态图像中人体检测的方法主要有基于人体模型的方法、基于模板匹配的方法和基于统计分类的方法。基于人体模型的方法有明确的模型，可以处理遮挡问题，并且可以推断出人体的姿态。缺点是模型的构建比较难，求解也比较复杂。基于模板匹配的方法计算简单，缺点是由于人体姿态的复杂性，很难构造出足够的模板以处理不同的姿态。基于统计分类的方法通过机器学习从一系列训练数据中学习得到一个分类器，用该分类器来表示人体，然后利用该分类器对输入窗口进行分类及识别。基于统计分类的方法的优点是比较鲁棒，缺点是需要很多训练数据，并且很难解决姿态和遮挡的问题。

[0004] 基于统计分类的方法主要包括两个步骤：特征提取和分类器设计。其中所选特征的表征能力将直接影响分类器的性能。目前所选的特征包括：原始灰度特征空间、Haar小波特征、形状描述符特征、Gabor特征、有向梯度直方图HOG特征和SIFT特征等。其中HOG特征提取方法的提取速度快，检测正确率也较高，由此，近年来得到了广泛的应用。如何进一步提高检测的正确率，成为该研究领域的核心问题之一。

[0005] 根据分类器的设计方法，现有的基于统计分类的方法可分为基于神经网络NN的方法、基于支持向量机SVM的方法和基于AdaBoost的方法。AdaBoost是一种具有自适应性的Boosting算法，它通过建立多学习机组合使得弱学习机的性能得到提升，由于其独有的对学习机性能的自适应和对过学习现象的免疫性，近年来引起了广泛的关注。

[0006] 经典的人体特征提取的方法是Dalal和Trigg提出的方向梯度直方图HOG的方法，他们的结果表明HOG方法较之前的方法在检测正确率上有了很大的提高；另外一种方法是edgelet方法，它利用一种称作edgelet的边缘方向特征作为描述子；edgelet就是检测出的边缘上的一段直线或者曲线；粒度可调梯度分区GGP描述子融合了异质特征，通过粒度的概念表示出来。由于在背景中存在干扰边缘时，HOG特征表现的比较差，存在把一些背景中的特征判断为人体特征的情况，因此检测的虚警率较高。

[0007] Candes和Donoho介绍了一种新的多尺度分析系统称为曲线波变换。曲线波变换是一个多尺度的金字塔，在每一个尺度有很多的方向和位置。曲线波能有效地表示图像中边缘的不连续性。

[0008] MohamedElAroussi等人已经将曲线波变换的方法应用到了人脸检测中，提出了基于块的曲线波变换的人脸检测方法，利用从曲线波变换的系数划分的块中提取的统计特征作为特征向量进行人脸检测，在ORL，YALE和FERET数据集上取得了好的检测效果，但目前还没有人将曲线波变换用于人体的检测。

发明内容

[0009] 本发明的目的在于克服上述HOG方法在存在嘈杂背景时虚警率高的问题，提出了一种基于曲线波变换的边缘与纹理联合特征提取的人体检测方法，以降低人体检测的虚警率，从而提高了检测的正确率。

[0010] 实现本发明目的的技术原理是将上述的基于块的曲线波变换的人脸检测的方法应用到人体检测中，并对上述的方法进行了改进，提出了基于曲线波变换的人体边缘特征的提取方法，并加入了提取自曲线波变换后的系数的纹理特征，提取人体训练样本集的特征，通过AdaBoost算法训练这些特征，得到分类器，并使用滑窗扫描的方法实现对静态图像中人体的检测。具体过程如下：

[0011] (1)在INRIA数据库中，通过自举操作获取负样本，这些负样本与数据库中其它的正样本一起构成训练样本集；

[0012] (2)提取训练样本集中每个训练样本的基于曲线波变换的边缘特征向量，并对提取的边缘特征向量进行了最优统计量的选择；

[0013] (3)提取训练样本集中每个训练样本的基于曲线波变换的纹理特征向量，并将该纹理特征向量与步骤(2)提取的边缘特征向量级联，共同构成人体特征向量；

[0014] (4)计算训练样本集中所有训练样本的人体特征向量，组成样本特征集，利用AdaBoost分类算法对其进行分类训练，得到一个分类器；

[0015] (5)输入任意大小的被测图像，采用滑窗扫描的方法对被测图像进行扫描检测，并计算所有扫描窗口图像的基于曲线波变换的人体特征向量，输入到步骤(4)中所得到的分类器中进行分类；

[0016] (6)根据分类器输出的分类结果，利用主窗口合并法，对所有分为人体的扫描窗口进行组合，形成最终的人体检测结果。

[0017] 本发明与现有的技术相比具有以下优点：

[0018] 1、由于本发明使用了两种不同的特征提取方法进行负样本的自举操作，使得所获得的负样本更具代表性，其构成的样本集训练的分类器具有更好的分类性能。

[0019] 2、由于本发明在提取基于曲线波变换的边缘特征时使用的曲线波变换后系数的统计特征，能够提取紧凑并且有代表意义的边缘特征，同时降低了特征的维数，能够更利于分类器训练，与特征维数相近的其它特征相比，对应分类器达到相同训练误差所需的训练时间大大缩短。

[0020] 3、由于本发明利用从曲线波变换后系数的共生矩阵提取的统计信息作为纹理特征，扩展了边缘特征，从而进一步提高了检测的正确率，弥补了HOG的对于背景嘈杂时检测的虚警率高的缺点。

[0021] 4、实验结果表明，本发明中使用的基于曲线波变换的边缘和纹理联合特征能够更好的刻画图像，使得与传统的HOG特征提取方法相比，在分类正确率上有明显的提高，检测也更加准确。

附图说明

[0022] 图1是本发明的流程示意图；

[0023] 图2是本发明中使用的部分正样本与负样本图像；

[0024] 图3是本发明与传统HOG特征提取方法以及基于曲线波变换的边缘特征提取方法在样本训练时的误差衰减对比图；

[0025] 图4是本发明与传统HOG特征提取方法以及基于曲线波变换的边缘特征提取方法在对测试样本进行分类时的接受者操作特性曲线ROC；

[0026] 图5是本发明的方法训练的分类器对测试样本进行分类时的一些被错误分类的测试样本；

[0027] 图6是本发明用于静态图像的人体检测结果图。

具体实施方式

[0028] 本发明利用曲线波变换，提取曲线波变换系数的边缘特征联合纹理特征作为图像的特征，进行分类并检测图像中的人体。在提取基于曲线波变换的边缘和纹理联合特征后，利用AdaBoost分类算法进行了样本训练，并将分类结果与HOG特征进行了比较。详细描述如图1、图3和图4。

[0029] 参照图1，本发明的具体实现过程如下：

[0030] 步骤一，在INRIA数据库中，通过自举操作来获取负样本，并与数据库中其它的正样本一起构成训练样本集。

[0031] 本发明使用的数据库来自INRIA人体数据库，下载地址为：http://pascal.inrialpes.fr/data/human/。由于该数据库没有提供足够的负样本，所以需要以该数据库为基础，通过负样本的自举操作来获取负样本。

[0032] 本发明为了使训练样本更具有代表性，在特征提取时分别使用了HOG特征及基于曲线波变换的边缘和纹理联合特征这两种特征，进行负样本的自举操作，可得到两个负样本集；然后取其交集作为最终的负样本集；最后由这个负样本集加上INRIA数据库中的正样本集，得到最终的训练样本集，共有6246个样本，如图2所示，其中图2(a)为部分正样本，图2(b)为部分负样本；将其中的2416个正样本与1877个负样本作为训练集，1132个正样本与821个负样本作为测试集，样本的大小均为64×128像素。

[0033] 所述负样本的自举操作过程如下：

[0034] (1.1)先从INRIA数据库中任取一小部分正样本与负样本，进行特征提取，训练初始分类器；

[0035] (1.2)使用这个初始分类器，检测数据库中的其余非人体图像，对这些非人体图像，在错分为正样本的扫描窗口图像中随机挑选一部分与当前的负样本组成新的负样本集，使用随机挑选能够避免混入大量特征相似的样本图像；

[0036] (1.3)重复(1.1)-(1.2)的特征提取、训练分类器、检测非人体图像及组成新的负样本集这一过程直至收集到最终的负样本。

[0037] 步骤二，利用曲线波变换，计算所有训练样本的基于曲线波变换的边缘特征向量，并对提取的边缘特征向量进行最优统计量的选择；

[0038] (2.1)对每个训练样本做快速离散曲线波变换，曲线波变换的参数设置为实值曲线波变换；且尺度数为3层；次粗糙层具有8个方向子带；最精细层为曲线波系数，具有16个方向子带；

[0039] (2.2)对于变换后的系数，首先将次粗糙层和最精细层中具有相同大小的子带系数矩阵进行拼接，然后对每一层的系数矩阵按照8×8系数大小进行二进刨分，得到曲线波块，剖分过程中块之间没有重叠；

[0040] (2.3)在各个块中提取能量、熵、标准差、均值、最大值、最小值和对比度这几个统计量，并将不同分块所得到的统计量进行联结得到图像的初始边缘特征向量；并对初始边缘特征向量进行了最优统计量的选择；

[0041] (2.4)计算所有训练样本的初始边缘特征向量，得到训练样本集的初始边缘特征向量，放入到AdaBoost算法中进行训练分类器，由于特征被选中的概率与特征的表征能力成正比，所以统计训练AdaBoost分类器时，用每种统计量被选中的次数对步骤(2.3)中的统计量进行筛选，就能够获得最优的统计量。最优统计量选择的实验结果如表1所示：

[0042] 表1最优统计量选择实验结果

[0043]

[0044] 其中，C为分类器训练轮数，

[0045] 本发明根据统计量选择实验，优先选取了如下几个统计量作为最优统计量：

[0046] 能量： 熵： 对比度： 标 准差：最大值：max(ci，j)，其中，ci，j为各个曲线波块中以(i，j)为坐标的系数，N为各个曲线波块中所含元素的个数；

[0047] (2.5)将训练样本的不同曲线波块的最优统计量进行联结，形成一个特征向量，即边缘特征向量。

[0048] 步骤三，提取训练样本集中每个训练样本的基于曲线波变换的纹理特征向量，并将该纹理特征向量与步骤二提取的边缘特征向量级联，共同构成人体特征向量。

[0049] (3.1)对于变换后的最粗糙层的子带系数采取1/2重叠的方式用8*8的块进行剖分；

[0050] (3.2)对每一个8×8大小的系数小块计算其共生矩阵，该共生矩阵的量化级数为16；

[0051] (3.3)对于每个8×8大小的系数小块的共生矩阵，计算其角二阶矩、熵、对比度、相关性、均值和和方差和这六项统计量，即：

[0052] 角二阶矩：

[0053] 熵：

[0054] 对比度： 其中n＝|i-j|.

[0055] 相关性：

[0056] 其 中μx，μy，σx，σy 分 别 定 义 为：

[0057] 均值和： 其中：

[0058] 方差和：

[0059] 其中，i表示块的系数共生矩阵中元素的行数，j表示块的系数共生矩阵中元素的列数， 表示块的系数共生矩阵的第(i，j)个元素，G代表曲线波变换的最粗糙层子带系数剖分子块的共生矩阵的量化级数；

[0060] (3.4)将不同块的系数的共生矩阵的统计量进行联结得到图像的纹理特征向量；

[0061] (3.5)将图像的纹理特征向量和步骤二所得的边缘特征向量进行级联作为人体的特征向量。

[0062] 步骤四，计算训练样本集中所有训练样本的人体特征向量，组成训练样本特征集，利用AdaBoost分类算法对其进行分类训练，得到一个分类器；

[0063] (4.1)分别按照步骤二和步骤三的方法提取训练样本集中每个样本的边缘特征向量和纹理特征向量，并将提取的每个训练样本的边缘特征向量和纹理特征向量进行级联，得到每个训练样本的人体特征向量；

[0064] (4.2)假设人体特征向量为一个M维的向量，训练样本集中训练样本的个数为N，则对训练样本集提取的特征向量将形成一个N×M维的矩阵，作为AdaBoost算法的输入，训练出一个分类器。

[0065] 所述AdaBoost是一种具有自适应性的Boosting算法，它通过建立多学习机组合使得弱学习机的性能得到提升，具有自适应学习机性能并对过学习现象免疫。

[0066] 在Adaboost算法中，使用每个样本的权重值来表示该样本被错分的大小。在每一轮的权重更新过程中，被错分样本的权重会变大，如果一个样本被错分了很多次，那么这个样本的权重就越来越大。

[0067] 步骤五，输入任意大小的被测图像，采用滑窗扫描的方法对被测图像进行扫描检测，并计算所有扫描窗口图像的基于曲线波变换的人体特征向量，具体实现步骤如下：

[0068] (5.1)输入任意大小的被测图像，将其按缩放比为[0.4，0.5，0.6，0.7，0.8，0.9]的比例进行缩放；

[0069] (5.2)将按所述比例放缩后的被测图像左上角的一个样本大小的区域作为第一个扫描窗口，每向右平移8个像素或向下平移8个像素作为一个新的扫描窗口，由此得到一组扫描窗口；

[0070] (5.3)对扫描窗口中的图像部分进行曲线波变换，对于曲线波变换的系数矩阵，经过系数矩阵块拼接后，对每一尺度上的系数矩阵分别进行8×8的二进刨分，计算每个曲线波小块上的能量、熵、对比度、标准差及最大值这几类统计量，并将不同块的统计量进行联结得到最后的扫描窗口图像的边缘特征向量；

[0071] (5.4)对曲线波变换的系数矩阵最粗糙层的系数采用1/2的重叠的方式用8*8的小块进行剖分；计算每个小块的角二阶矩、熵、对比度、相关性、均值和和方差和这几个统计量，并将不同小块的统计量进行联结得到扫描窗口图像的纹理特征向量；

[0072] (5.5)将扫描窗口图像的边缘特征向量和纹理特征向量进行级联得到最终扫描窗口图像的特征向量；

[0073] (5.6)将所有扫描窗口的特征向量输入到步骤四所得到的分类器中进行分类，得到一组判定结果。

[0074] 分类器将判定所有扫描窗口中的图像是否是人体。每个扫描窗口会得到一个判定分数，若该判定分数大于0表示该扫描窗口为人体窗口，否则为非人体窗口，将被测图像的缩放比、所有扫描窗口图像的位置及其所得的分类器分数作为分类器输出的分类结果。

[0075] 步骤六，根据分类器输出的分类结果，利用主窗口合并法，对所有分为人体的扫描窗口进行组合，形成最终的人体检测结果，具体步骤如下：

[0076] (6.1)根据分类器输出的扫描窗口图像的分数值，判断被测图像中是否包含人体，若分类器输出的扫描窗口没有人体窗口，则被测图像中不包含人体，否则，从所有的人体窗口中，找出其分类器分数最高的作为主窗口；

[0077] (6.2)对主窗口与其他人体窗口进行组合判定，当其他人体窗口处于主窗口周围且重叠小于1/2时判为不组合，否则进行组合；

[0078] (6.3)将主窗口与所有需要组合的人体窗口的边界均值作为一个检测结果，本发明，在求边界均值时，将人体窗口的分类器分数作为边界的加权值：分类器分数越大的，其边界加权越大，对最终的检测结果影响越大；分类器分数越小的，其边界加权越小，对最终的检测结果影响也越小，这样能使人体的检测位置更加准确；

[0079] (6.4)删除主窗口及所有参与组合的人体窗口；

[0080] (6.5)若还有剩余的人体窗口，则再找出其中分类器分数最高的作为主窗口，并重复(2)-(4)的操作；

[0081] (6.6)在被测人体图像上标出所有检测结果，作为该被测图像最终的人体检测结果，一般采用矩形框来表示检测结果，被检测出的人体处于矩形框内。

[0082] 本发明的效果可通过以下仿真进一步说明：

[0083] 1.仿真内容：

[0084] 采用本发明所提出的基于曲线波变换的特征提取方法和目前广泛使用的HOG特征提取方法进行仿真对比实验。其中的正样本集取自INRIA数据库，负样本集以该数据库为基础，通过负样本自举操作得到，最后得到的样本集共有6246个样本，其中2416个正样本与1877个负样本作为训练集，1132个正样本与821个负样本作为测试集，样本大小均为64×128像素。图2给出了其中的部分样本图像，其中图2(a)为部分正样本，图2(b)为部分负样本。

[0085] 针对每种特征提取方法，先提取训练集的特征，再使用AdaBoost算法进行分类训练，得到一个分类器，然后使用该分类器对测试集进行分类测试，最后输入任意被测图像，检测是否包含人体，如果包含人体则要检测出人体的位置。其中被测图像大小为480×640像素或640*480像素大小，扫描窗口均为64×128像素，缩放因子取[0.4，0.5，0.6，0.7，0.8，0.9]。扫描图像时，使用浓密扫描，X方向平移8个像素，Y方向平移8个像素。首先针对缩放尺度，扫描整幅图像，然后从中提取所有扫描窗口图像上的特征向量，进行分类识别，最后将分为人体的窗口组合成检测结果，并在原被测图像上表示出来，其中窗口组合采用的是主窗口合并的方法，硬件平台为：Intel Core2 Duo CPU E6550 @ 2.33GHZ、2GB RAM，软件平台为MATLAB 7.2。

[0086] 2.仿真结果及分析：

[0087] 图3给出了本发明和传统HOG特征提取方法在样本训练时的误差衰减对比图。其中C为训练轮数，Error为训练误差。从图3中可以看出，采用基于曲线波变换的边缘和纹理联合特征在训练时的误差要始终小于使用HOG特征和只采用基于曲线波变换的边缘特征训练时的误差。可见，使用基于曲线波变换的边缘和纹理联合特征更利于进行分类器训练，对应分类器达到相同训练误差所需的训练时间大大缩短。

[0088] 表2给出了本发明与传统HOG以及只采用基于曲线波变换的边缘特征提取方法在对测试样本进行分类时的性能对比结果。

[0089] 图4给出了分别用三种方法训练的分类器对测试样本进行分类的接受者操作特性曲线ROC。从图4中可以看出基于曲线波变换的边缘特征方法较之前的HOG方法在相同虚警率的情况下检出率有了一定的提高，而本发明的方法，即加入纹理信息之后，检出率又有了一定的提高，体现了它在人体检测上的优势。

[0090] 图5给出了一些被错检的图像，其中图5(a)是被错检成负样本的正样本，是由于遮挡、光照的变化和姿态的变化等原因造成的，图5(b)是被错检成正样本的负样本，即虚警的情况，由于一些图像的轮廓或纹理特征与人体有些相似。

[0091] 表2.分类结果对比

[0092]

[0093] 从表2中100轮的训练误差就能看出，使用本发明的特征提取方法，更利于进行分类器训练。同时，对比相同训练误差下不同分类器对测试集的分类结果可以看出，本发明的特征提取方法相比HOG特征提取方法，在分类正确率上有了较大的提高，虚警率相对于HOG方法也有一定的降低。表2中，最后一列为每个样本特征提取的平均时间，在提取每幅图像的特征所用时间上比HOG方法稍长一些，由于要对图像进行曲线波变换，并提取一些统计量。

[0094] 图6给出了本发明的方法对于某些人体图像的检测结果。其中图6(a)为对扫描窗口图像分类识别的结果，图6(b)为对图像6(a)中的被判定为人体的扫描窗口进行组合的最终人体检测结果，图6(c)为另一幅图像的检测结果。从图6中可以看出，使用本发明的基于曲线波变换的边缘和纹理联合特征提取方法，能够准确的从被测人体图像中检测出人体，尤其在降低虚警率上有了很大的提高。

[0095] 实验表明，使用HOG特征提取方法及本发明的基于曲线波变换的边缘和纹理联合特征提取方法，均能较准确的从被测人体图像中检测出人体。但本发明的特征提取方法具有更高的分类正确率，克服了HOG特征提取方法所存在的检测的虚警率高的缺点，提高了检测的正确率，非常适合于静态图像的人体检测。