一種基于時(shí)空體運(yùn)動(dòng)輪廓特征的行人檢測(cè)方法
【技術(shù)領(lǐng)域】
[0001] 本發(fā)明屬于計(jì)算機(jī)視頻圖像處理技術(shù)領(lǐng)域，特別設(shè)及一種基于時(shí)空體運(yùn)動(dòng)輪廓特 征的行人檢測(cè)方法，用于對(duì)公共區(qū)域中的行人數(shù)量進(jìn)行精確統(tǒng)計(jì)。
【背景技術(shù)】
[0002] 隨著計(jì)算機(jī)技術(shù)和圖像處理技術(shù)的發(fā)展，基于視頻的智能監(jiān)控系統(tǒng)得到了廣泛的 應(yīng)用。在保障社會(huì)公共安全和交通安全方面、保護(hù)人民生命財(cái)產(chǎn)安全方面、在工業(yè)控制領(lǐng)域 保障安全生產(chǎn)和產(chǎn)品檢測(cè)方面W及有關(guān)商業(yè)領(lǐng)域方面都發(fā)揮著巨大的作用。目前，智能視 頻監(jiān)控系統(tǒng)的應(yīng)用主要在安全防控領(lǐng)域和非安全防控領(lǐng)域。公共場(chǎng)所人群監(jiān)控、道路交通 安全監(jiān)控、工業(yè)生產(chǎn)安全監(jiān)控等都屬于安全防控領(lǐng)域的應(yīng)用。非安全領(lǐng)域有：商業(yè)領(lǐng)域、工 業(yè)產(chǎn)品檢測(cè)、公共交通系統(tǒng)等。
[0003] 人數(shù)流量的統(tǒng)計(jì)信息對(duì)于很多行業(yè)有著重要的作用，他們可W利用人流量信息協(xié) 助管理，合理的配置人力、物力從而高效利用有限的資源，或者根據(jù)統(tǒng)計(jì)的人流信息合理的 控制人群密度防止人群的過(guò)度擁擠而發(fā)生安全事故。例如對(duì)于大型體育場(chǎng)館、展覽館、大型 建筑，人數(shù)信息可W幫助管理部口評(píng)估提供的服務(wù)設(shè)施是否夠用、是否方便、是否建設(shè)的合 理（例如：座椅、公共衛(wèi)生設(shè)施等），從而適時(shí)配置資源提高建筑設(shè)施的利用率。也可將人 流信息提供給建筑設(shè)計(jì)單位為建筑合理設(shè)計(jì)提供參考信息。
[0004] 然而，在實(shí)際使用中，基于行人輪廓的一維描述的現(xiàn)有技術(shù)在識(shí)別效率與檢測(cè)精 度上都不甚理想。因此，有必要對(duì)現(xiàn)有技術(shù)中的行人檢測(cè)方法提出改進(jìn)。

【發(fā)明內(nèi)容】
陽(yáng)〇化]本發(fā)明的目的在于公開(kāi)一種基于時(shí)空域運(yùn)動(dòng)輪廓特征的行人檢測(cè)方法，用W提高 對(duì)公共區(qū)域內(nèi)對(duì)行人進(jìn)行人數(shù)統(tǒng)計(jì)的效率與準(zhǔn)確度。
[0006] 為實(shí)現(xiàn)上述發(fā)明目的，本發(fā)明提供了一種基于時(shí)空體運(yùn)動(dòng)輪廓特征的行人檢測(cè)方 法，包括W下步驟：
[0007] S1、使用Ξ維化ar濾波器提取訓(xùn)練樣本集中的時(shí)空體的Ξ維化ar特征向量；
[0008] S2、基于Gentle Ad油oost級(jí)聯(lián)算法對(duì)所述Ξ維化ar特征向量進(jìn)行訓(xùn)練，得到行 人級(jí)聯(lián)分類器；
[0009] S3、利用行人級(jí)聯(lián)分類器對(duì)自監(jiān)控區(qū)域獲取的輸入圖像進(jìn)行行人檢測(cè)；
[0010] S4、基于算法對(duì)步驟S3中檢測(cè)到的行人進(jìn)行跟蹤和計(jì)數(shù)。
[0011] 作為本發(fā)明的進(jìn)一步改進(jìn)，所述訓(xùn)練樣本集包括正樣本集與負(fù)樣本集，所述正樣 本集由若干包含行人區(qū)域圖像的正樣本組成，所述負(fù)樣本集由若干不包含和/或不完全包 含行人區(qū)域圖像的負(fù)樣本組成。
[0012] 作為本發(fā)明的進(jìn)一步改進(jìn)，所述步驟S1具體為：
[0013] S11.將相鄰的5帖正樣本或負(fù)樣本定義為時(shí)空體并進(jìn)行空間和時(shí)間的梯度變換， W將時(shí)空體的輪廓轉(zhuǎn)化為距離變換時(shí)空體；
[0014] S12.對(duì)距離變換時(shí)空體進(jìn)行積分運(yùn)算得到積分體，并計(jì)算積分體內(nèi)的像素值之 和；
[001引 S13.利用S維化ar濾波器與積分體進(jìn)行卷積，得到時(shí)空體的；維化ar特征向量。
[0016] 作為本發(fā)明的進(jìn)一步改進(jìn)，所述步驟S11中的正樣本或負(fù)樣本為像素大小為 30X30的256階灰度圖像。
[0017] 作為本發(fā)明的進(jìn)一步改進(jìn)，所述步驟S12中的積分運(yùn)算公式為：
陽(yáng)01引其中，IV(x，y，t)為積分體，D(x'，y'，t')為距離變換時(shí)空體。
[0019] 作為本發(fā)明的進(jìn)一步改進(jìn)，所述積分體的區(qū)域?yàn)榘诰嚯x變換時(shí)空體內(nèi)的空間 結(jié)構(gòu)，所述積分體在（x，y，t)處的像素值之和為時(shí)空體中所有坐標(biāo)值均小于（x，y，t)處的 像素值之和。
[0020] 作為本發(fā)明的進(jìn)一步改進(jìn)，所述步驟S13中的Ξ維化ar濾波器由用于提取行人 靜態(tài)運(yùn)動(dòng)特征的Ξ個(gè)靜態(tài)化ar濾波器S1、S2、S3, W及用于提取行人動(dòng)態(tài)特征的四個(gè)動(dòng)態(tài) 化ar濾波器D1、D2、D3、D4共同組成。
[0021] 作為本發(fā)明的進(jìn)一步改進(jìn)，步驟S3中的所述"自監(jiān)控區(qū)域所獲取的輸入圖像"為 通過(guò)攝像機(jī)獲取監(jiān)控區(qū)域的視頻流圖像，所述監(jiān)控區(qū)域位于攝像機(jī)的正下方。
[0022] 作為本發(fā)明的進(jìn)一步改進(jìn)，步驟S4中的所述"EKM算法"具體為：根據(jù)連續(xù)的輸入 圖像中前一帖目標(biāo)位置的坐標(biāo)，利用Kalman濾波來(lái)預(yù)測(cè)本帖輸入圖像中目標(biāo)可能的坐標(biāo) 點(diǎn)，然后利用mean shift算法W估計(jì)到的坐標(biāo)點(diǎn)為起始點(diǎn)進(jìn)行迭代運(yùn)算。
[0023] 與現(xiàn)有技術(shù)相比，本發(fā)明的有益效果是：通過(guò)計(jì)算訓(xùn)練樣本集中的Ξ維化ar特征 向量，并通過(guò)優(yōu)化的利用行人級(jí)聯(lián)分類器對(duì)監(jiān)控區(qū)域中的行人進(jìn)行檢測(cè)，有效地提高了對(duì) 公共區(qū)域內(nèi)對(duì)行人進(jìn)行人數(shù)統(tǒng)計(jì)的效率與準(zhǔn)確度。
【附圖說(shuō)明】
[0024] 圖1為本發(fā)明一種基于時(shí)空體運(yùn)動(dòng)輪廓特征的行人檢測(cè)方法的流程示意圖；
[002引圖2為本發(fā)明所采用的屯種Ξ維化ar濾波器的示意圖；
[00%] 圖3為距離變換時(shí)空體內(nèi)的積分體的示意圖；
[0027] 圖4為步驟S3中自監(jiān)控區(qū)域獲取視頻流圖像作為輸入圖像的示意圖；
[0028] 圖5為步驟S3中利用行人級(jí)聯(lián)分類器對(duì)輸入圖像進(jìn)行行人檢測(cè)的示意圖。
【具體實(shí)施方式】
[0029] 下面結(jié)合附圖所示的各實(shí)施方式對(duì)本發(fā)明進(jìn)行詳細(xì)說(shuō)明，但應(yīng)當(dāng)說(shuō)明的是，運(yùn)些 實(shí)施方式并非對(duì)本發(fā)明的限制，本領(lǐng)域普通技術(shù)人員根據(jù)運(yùn)些實(shí)施方式所作的功能、方法、 或者結(jié)構(gòu)上的等效變換或替代，均屬于本發(fā)明的保護(hù)范圍之內(nèi)。
[0030] 參圖1所示的本發(fā)明一種基于時(shí)空域運(yùn)動(dòng)輪廓特征的行人檢測(cè)方法的具體實(shí)施 方式。由于行人在行走時(shí)頭部與肩部的變化較小，基于易于檢測(cè)方面的考慮，可將訓(xùn)練樣本 集定義為：只包含行頭部和/或肩部的正樣本集、不包含行人頭部和/或肩部的負(fù)樣本圖 集。
[0031] 在本實(shí)施方式中，首先執(zhí)行步驟SI、使用Ξ維化ar濾波器提取訓(xùn)練樣本集中的時(shí) 空體的Ξ維化ar特征向量。
[0032] 具體的，該步驟S1具體包括W下子步驟。
[0033] 子步驟S11.將相鄰的5帖正樣本或負(fù)樣本定義為時(shí)空體并進(jìn)行空間和時(shí)間的梯 度變換，W將時(shí)空體的輪廓轉(zhuǎn)化為距離變換時(shí)空體。
[0034] 在本實(shí)施方式中，該訓(xùn)練樣本集包括正樣本集與負(fù)樣本集；其中，該正/負(fù)樣本集 中的正/負(fù)樣本為30X30像素的256階灰度圖像，所述正樣本為包含行人區(qū)域的圖像，所 述負(fù)樣本為不包含或者不完全包含行人區(qū)域的圖像。進(jìn)一步的，所謂不包含行人區(qū)域的圖 像，是指訓(xùn)練樣本中完全不包含行人任何人體結(jié)構(gòu)特征區(qū)域的圖像；所謂不完全包含行人 區(qū)域的圖像，是指僅包含部分人體結(jié)構(gòu)特征（例如，頭、手、腳或者部分上述人體結(jié)構(gòu)）區(qū)域 的圖像。
[0035] 為找到一種對(duì)行人進(jìn)行有效描述的方式，本實(shí)施方式基于兩個(gè)假設(shè)進(jìn)行研究。
[0036] 假設(shè)一：行人的外觀特征（靜態(tài)特征）和運(yùn)動(dòng)特征（動(dòng)態(tài)特征）相結(jié)合的描述方 式可W提高行人檢測(cè)器的判別能力；假設(shè)二：對(duì)于行人而言，基于梯度的描述方式相對(duì)于 基于灰度的描述方式而言，具有更好的魯棒性。
[0037] 基于第一種假設(shè)，由于考慮到行人在靜止不動(dòng)時(shí)的外觀特征和在行走時(shí)的運(yùn)動(dòng)特 征，在本實(shí)施方式中，將行人表示為時(shí)空體。其中，任意一個(gè)時(shí)空體都是由一組相鄰的包含 五個(gè)正樣本所組成。
[0038] 基于第二種假設(shè)，為了兼顧外觀特征（靜態(tài)特征）和運(yùn)動(dòng)特征（動(dòng)態(tài)特征），在本 實(shí)施方式中，對(duì)于梯度變換的時(shí)空體定義包括兩個(gè)方面，具體為如公式（1)所示：
[0039]
(1)； W40] 其中，V(p)表示時(shí)空體上點(diǎn)p(x，y，t)的灰度值，用Vy、Vy和Vt分別表示沿著X軸、 y軸和時(shí)間t軸上的梯度值，G(p)表示梯度變換時(shí)空體。等式右邊的第一項(xiàng)是空間梯度，可 W對(duì)外觀特征（靜態(tài)特征）進(jìn)行表示；等式右邊的第二項(xiàng)是時(shí)間梯度，用于表示行人數(shù)據(jù)沿 著時(shí)間軸所產(chǎn)生的運(yùn)動(dòng)特征（動(dòng)態(tài)特征）。通過(guò)平衡參數(shù)α W調(diào)節(jié)空間梯度和時(shí)間梯度之 間的權(quán)重。
[0041] 為了有效的得到時(shí)空體上的輪廓信息，利用距離變換對(duì)時(shí)空體上每一個(gè)像素賦予 該像素到其最近輪廓點(diǎn)的距離值，距離變換時(shí)空體定義為公式（2)所示： |；0042] D(p) = min(dis(p，Ρ*))，{ρ' |G(p') > 目} 似；
[0043] 其中，Θ表示梯度變換時(shí)空體的闊值，具體的，在本實(shí)施方式中Θ = 50 ; dis( ·，·）表示歐幾里得距離；D(p)表示距離變換時(shí)空體。 W44] 此時(shí)，W將二值的梯度變換時(shí)空體（即"時(shí)空體的輪廓"）轉(zhuǎn)化為距離變換時(shí)空體。 在運(yùn)個(gè)變換體中，每一個(gè)像素值代表了當(dāng)前位置到其最近輪廓點(diǎn)的距離。通過(guò)運(yùn)種方式，可 W將一維的空間輪廓曲線擴(kuò)展到Ξ維的時(shí)空體。
[0045] 為了得到行人在運(yùn)動(dòng)過(guò)程中所體現(xiàn)在多帖中的運(yùn)動(dòng)信息同時(shí)對(duì)人體的外觀信息 進(jìn)行表達(dá)，需要在相鄰的若干帖圖像上提取Ξ維化ar特征，在本實(shí)施方式中，是在相鄰的5 帖圖像（即：正樣本或負(fù)樣本）中進(jìn)行提取Ξ維化ar特征。
[0046] 然后，執(zhí)行子步驟S12.對(duì)距離變換時(shí)空體進(jìn)行積分運(yùn)算得到積分體，并計(jì)算積分 體內(nèi)的像素值之和。
[0047]