一種動態(tài)場景下基于在線學(xué)習(xí)的實時行人檢測方法
【技術(shù)領(lǐng)域】
[0001] 本發(fā)明屬于視頻圖像處理技術(shù)領(lǐng)域，具體涉及一種動態(tài)場景下基于在線學(xué)習(xí)的實 時行人檢測方法。
【背景技術(shù)】
[0002] 動態(tài)背景下的目標(biāo)檢測是計算機視覺領(lǐng)域的重要研究內(nèi)容，也是計算機視覺系統(tǒng) 的關(guān)鍵底層技術(shù)，行人檢測作為目標(biāo)檢測下的一個重要分支，可將其定義為：判斷輸入圖片 (或視頻幀）是否包含行人，如果有，給出位置信息。近年來，伴隨著計算機視覺、模式識別 和人工智能相關(guān)技術(shù)的發(fā)展，以及智能汽車、智能監(jiān)控和安全領(lǐng)域的迫切需求，行人檢測技 術(shù)受到了越來越多的關(guān)注，已成為當(dāng)前研究人員關(guān)注的一個重要的研究方向。
[0003] 智能視頻監(jiān)控是計算機視覺應(yīng)用的一個重要領(lǐng)域，在軍用和民用系統(tǒng)中都有重大 的研究和應(yīng)用價值。例如對于安全性要求比較高的機場、車站、商場等公共場所的監(jiān)控和軍 事禁區(qū)異常人員的檢測，都是當(dāng)前智能監(jiān)控技術(shù)可以發(fā)揮重要作用的應(yīng)用場所。智能監(jiān)控 系統(tǒng)可以作為一種全智能無人監(jiān)控的系統(tǒng)，在非正常事件發(fā)生時發(fā)出警告甚至采取相應(yīng)的 措施，也可以作為一種對人工監(jiān)控的輔助手段降低對人工的依賴。對智能監(jiān)控系統(tǒng)來說，場 景中的運動目標(biāo)檢測檢測、跟蹤、行人檢測、行為分析都是其核心問題。
[0004] 現(xiàn)階段有很多目標(biāo)檢測的方法，例如：H0G(Histograms of Oriented Gradients) 特征和SVM分類的行人檢測技術(shù)、可變部件模型（DPM)檢測技術(shù)，這些檢測方法雖然有著很 高的精確度，但同樣存在兩個缺點：第一它們都需要先建立特征金字塔再進(jìn)行多尺度掃描。 所以計算復(fù)雜度較高，處理速度并不能達(dá)到實時的要求；第二由于預(yù)先訓(xùn)練好的分類器不 能再變化，遇到諸如光照、攝像機角度和背景復(fù)雜外界原因時，則可能出現(xiàn)檢測分塊、漏檢 情況的出現(xiàn)。

【發(fā)明內(nèi)容】

[0005] 本發(fā)明要解決的技術(shù)問題在于克服現(xiàn)有技術(shù)的不足，提出一種動態(tài)場景下基于在 線學(xué)習(xí)的實時行人檢測方法，針對攝像機獲得的原始視頻序列圖像，首先利用離線訓(xùn)練的 Adaboost分類器對視頻序列進(jìn)行行人檢測，確定目標(biāo)的精確位置和數(shù)量，然后對檢測結(jié)果 進(jìn)行軌跡分析，通過軌跡信息判斷檢測結(jié)果是否有誤，同時能自動獲取在線學(xué)習(xí)所需的正 負(fù)樣本。最后，通過在線學(xué)習(xí)機制在線更新分類器，最終實現(xiàn)性能優(yōu)秀的行人檢測系統(tǒng)。
[0006] 為了解決上述技術(shù)問題，本發(fā)明所采用的技術(shù)方案是：
[0007] -種動態(tài)場景下基于在線學(xué)習(xí)的實時行人檢測方法，所述方法使用視頻采集工具 實現(xiàn)視頻采集，且視頻采集工具承載平臺是運動的，對視頻序列圖像進(jìn)行分析，從而完成行 人檢測，將檢測結(jié)果進(jìn)行后續(xù)處理，在線更新行人分類器；所述方法包括以下步驟：
[0008] 步驟A :采集視頻圖像；
[0009] 步驟B :訓(xùn)練行人分類器；
[0010] 使用Online Adaboost對訓(xùn)練數(shù)據(jù)，基于聚合信道特征ACF提取，訓(xùn)練行人分類 器，從而生成初始行人分類器；所述訓(xùn)練數(shù)據(jù)采用行人圖像數(shù)據(jù)庫；
[0011] 步驟C :行人檢測；
[0012] 使用步驟B中行人分類器，采用快速特征金字塔方法，對步驟A中的視頻圖像進(jìn)行 檢測，然后對檢測窗口合并，獲得視頻圖像中行人的數(shù)量和位置坐標(biāo)，作為本視頻圖像的 檢測結(jié)果；
[0013] 步驟D :獲取正負(fù)樣本；
[0014] 使用卡爾曼濾波對步驟C中的檢測結(jié)果進(jìn)行軌跡濾波，分析其軌跡，從而判斷之 前的檢測結(jié)果是否正確，獲取在線更新分類器所需的正負(fù)樣本；
[0015] 步驟E :在線更新分類器；
[0016] 使用Online Adaboost，學(xué)習(xí)步驟D中獲取的正負(fù)樣本，從而在線更新分類器；
[0017] 步驟F :輸出檢測結(jié)果。
[0018] 步驟B中，行人圖像數(shù)據(jù)庫，包括Caltech數(shù)據(jù)庫、INRIA數(shù)據(jù)庫。
[0019] 所述的步驟B中，在行人圖像數(shù)據(jù)庫中選取1000張圖像作為正樣本，從不含行人 的圖像中選取1500張作為負(fù)樣本，使用Online Adaboost方法，訓(xùn)練得到行人分類器。
[0020] 所述的步驟C中，行人檢測的具體步驟是：
[0021] 步驟C-1，計算輸入視頻圖像三個尺度的聚合信道特征ACF圖譜；所述三個尺度分 別為s = 1，1/2, 1/4,即三個尺度分別為輸入圖像的原圖、原圖的1/2、原圖的1/4 ;
[0022] 步驟C-2,利用聚合信道特征ACF中的尺度間冪指定律，計算步驟C-I中所述三個 尺度之間剩下的5個尺度特征圖譜，從而建立8層的特征金字塔；
[0023] 步驟C-3,使用訓(xùn)練好的分類器，在該視頻圖像上進(jìn)行多尺度檢測，得到該視頻圖 像的檢測結(jié)果。
[0024] 所述的步驟D中，使用卡爾曼濾波器對步驟C中的檢測結(jié)果進(jìn)行逐幀圖像軌跡濾 波，如果檢測結(jié)果是行人，則數(shù)幀以后就會形成一個有規(guī)律的軌跡，判為正樣本，即為行人； 否則為誤檢，判為負(fù)樣本。
[0025] 所述的步驟E中，使用Online Adaboost方法學(xué)習(xí)步驟D中采集的若干行人和非 行人正負(fù)樣本，從而在線更新之前初始訓(xùn)練的分類器，使其可以適應(yīng)各種場景的變化，且避 免重新離線訓(xùn)練分類器所花費的大量時間，保證了行人檢測系統(tǒng)的實時運行。
[0026] 所述的步驟F中，在步驟C的實時行人檢測和步驟D的檢測結(jié)果判定以及步驟E 在線更新分類器的基礎(chǔ)上，實現(xiàn)了在線可更新、實時、高精度的行人檢測系統(tǒng)。
[0027] 本發(fā)明采用的技術(shù)方案與現(xiàn)有技術(shù)相比，具有以下技術(shù)效果：
[0028] 本發(fā)明提出了一種動態(tài)場景下基于在線學(xué)習(xí)的實時行人檢測方法，所述方法可以 對運動場景視頻序列中行人進(jìn)行實時且準(zhǔn)確的檢測，相對于其他行人檢測的方法：1)本發(fā) 明方法在利用"聚合通道特征ACF"中的尺度間冪指定律后，能夠快速地建立特征金字塔，大 大減少了全圖搜索的計算量；2)采用卡爾曼濾波進(jìn)行目標(biāo)分類判別，且可以利用檢測的正 負(fù)樣本在線更新分類器，既減少了離線訓(xùn)練的運算量，又提高了行人檢測精度。由此可見， 采用上述行人檢測方法具有高效準(zhǔn)確的特點。
【附圖說明】
[0029] 圖1為一種動態(tài)場景下基于在線學(xué)習(xí)的實時行人檢測方法的整體流程圖。
【具體實施方式】
[0030] 為使本發(fā)明的一種動態(tài)場景下基于在線學(xué)習(xí)的實時行人檢測方法要解決的技術(shù) 問題、技術(shù)方案和技術(shù)效果更加清楚，下面將以校園人群為例，結(jié)合附圖和【具體實施方式】對 本發(fā)明作進(jìn)一步詳細(xì)說明。
[0031] 圖1為本發(fā)明方法的整體流程圖，一種動態(tài)場景下基于在線學(xué)習(xí)的實時行人檢測 方法，包括行人檢測、檢測結(jié)果判別和在線更新分類器三大步驟。
[0032] 詳細(xì)流程如下：
[0033] A.采集校園中行人比較密集的人群視頻圖像；
[0034] B.