一種基于多傳感器、多特征融合的半監(jiān)督的人檢測(cè)方法
【專(zhuān)利摘要】本發(fā)明提供了一種基于多傳感器、多特征融合的半監(jiān)督的人檢測(cè)方法，包括如下步驟：a)對(duì)運(yùn)動(dòng)目標(biāo)進(jìn)行粗定位，以得到所述運(yùn)動(dòng)目標(biāo)在所監(jiān)控的視頻中的坐標(biāo)位置；b)根據(jù)步驟a)得到的坐標(biāo)，檢測(cè)該坐標(biāo)附近的運(yùn)動(dòng)信息，利用基于二級(jí)回歸的部件模型算法進(jìn)行人體精檢測(cè)，獲取人在視頻中的精確位置；c)對(duì)人的身份進(jìn)行識(shí)別，從而得到人檢測(cè)結(jié)果。根據(jù)本發(fā)明的人檢測(cè)方法能夠在復(fù)雜的背景場(chǎng)景中，面對(duì)不同行人的身材、姿勢(shì)、視角和衣著、光照和攝像頭自身的移動(dòng)及晃動(dòng)等因素，快速、準(zhǔn)確地進(jìn)行人的檢測(cè)。
【專(zhuān)利說(shuō)明】一種基于多傳感器、多特征融合的半監(jiān)督的人檢測(cè)方法
【技術(shù)領(lǐng)域】
[0001]本發(fā)明涉及模式識(shí)別和智能監(jiān)控領(lǐng)域，特別是一種基于多傳感器、多特征融合的半監(jiān)督的人檢測(cè)方法。
【背景技術(shù)】
[0002]隨著現(xiàn)代科技的飛速發(fā)展，利用攝像機(jī)來(lái)監(jiān)控動(dòng)態(tài)場(chǎng)景早已被廣泛應(yīng)用于現(xiàn)代社會(huì)的方方面面，特別是那些對(duì)安全要求敏感的場(chǎng)合，如國(guó)防、社區(qū)、銀行、停車(chē)場(chǎng)、軍事基地、電纜沿線等。
[0003]目前的視頻監(jiān)控還主要停留在借助人力在事后查找異常事件的階段，這種監(jiān)控方式既浪費(fèi)大量人力物力，有無(wú)法持久保證準(zhǔn)確的檢測(cè)效果。由于在監(jiān)控動(dòng)態(tài)場(chǎng)景的應(yīng)用中，所有監(jiān)控到的意外事件和異常情況的實(shí)施主體大多是人，因此對(duì)場(chǎng)景中人的檢測(cè)就變得相當(dāng)重要，因此人是系統(tǒng)關(guān)注的重要對(duì)象。通過(guò)對(duì)行人的檢測(cè)系統(tǒng)可實(shí)時(shí)檢測(cè)異常事件并報(bào)警，變被動(dòng)監(jiān)視為主動(dòng)預(yù)警。行人檢測(cè)在視頻監(jiān)控、機(jī)器人學(xué)、虛擬現(xiàn)實(shí)技術(shù)等領(lǐng)域有廣泛的應(yīng)用，也是計(jì)算機(jī)視覺(jué)和模式識(shí)別領(lǐng)域中的重要研究方向。但至今為止，人體的自動(dòng)搜索問(wèn)題仍然沒(méi)有得到令人滿意的結(jié)果，主要原因是不同行人的身材、姿勢(shì)、視角和衣著、光照方面都有著極大的變化，加之復(fù)雜的背景場(chǎng)景以及攝像頭自身的移動(dòng)和晃動(dòng)，這都是行人檢測(cè)問(wèn)題的難點(diǎn)。如何快速、準(zhǔn)確地從視頻或者圖像背景中將行人檢測(cè)出來(lái)，以及行人檢測(cè)與定位的準(zhǔn)確性將直接影響后續(xù)工作以至整個(gè)系統(tǒng)的性能。因此開(kāi)發(fā)出具有實(shí)際意義的自動(dòng)性、智能性的視覺(jué)監(jiān)控系統(tǒng)日益變得迫切和必要。這就要求不僅能用攝像機(jī)代替人眼，而且能用計(jì)算機(jī)協(xié)助人、代替人，以完成監(jiān)視或控制任務(wù)。
[0004]因此，需要一種能夠在復(fù)雜的背景場(chǎng)景中，面對(duì)不同行人的身材、姿勢(shì)、視角和衣著、光照和攝像頭自身的移動(dòng)及晃動(dòng)等因素，快速、準(zhǔn)確地進(jìn)行人的檢測(cè)的方法。

【發(fā)明內(nèi)容】

[0005]本發(fā)明的目的是提出一種基于多傳感器、多特征融合的半監(jiān)督人檢測(cè)方法，以解決上述問(wèn)題。
[0006]根據(jù)本發(fā)明的一個(gè)方面，提供了一種基于多傳感器、多特征融合的半監(jiān)督的人檢測(cè)方法，包括如下步驟:a)對(duì)運(yùn)動(dòng)目標(biāo)進(jìn)行粗定位，以得到所述運(yùn)動(dòng)目標(biāo)在所監(jiān)控的視頻中的坐標(biāo)位置；b)根據(jù)步驟a)得到的坐標(biāo)，檢測(cè)該坐標(biāo)附近的運(yùn)動(dòng)信息，利用基于二級(jí)回歸的部件模型算法進(jìn)行人體精檢測(cè)，獲取人在視頻中的精確位置；c)對(duì)人的身份進(jìn)行識(shí)另U，從而得到人檢測(cè)結(jié)果。
[0007]優(yōu)選地，所述步驟a)包括通過(guò)傳感器獲取目標(biāo)的粗略世界坐標(biāo)，并轉(zhuǎn)換成目標(biāo)在視頻或圖像中的坐標(biāo)。
[0008]優(yōu)選地，所述傳感器是超聲波傳感器以及RFID傳感器。
[0009]優(yōu)選地，所述步驟b)中基于二級(jí)回歸的部件模型算法中生成人體檢測(cè)算子的方法包括如下步驟:bl)對(duì)正樣本的部件進(jìn)行標(biāo)注,所述正樣本是含有完整人體圖像的樣本；b2)基于特征對(duì)所述正樣本部件進(jìn)行訓(xùn)練學(xué)習(xí)，得到部件位置的回歸算子；b3)使用全部的正負(fù)樣本使用線性支持向量機(jī)訓(xùn)練得到一個(gè)初始的全局模型，其中所述負(fù)樣本是指僅包含背景的樣本山4)利用標(biāo)注的部件位置對(duì)部件模型進(jìn)行初始化；b5)結(jié)合全局模型、部件模型以及部件回歸算子，產(chǎn)生人體檢測(cè)算子。
[0010]優(yōu)選地，在所述步驟b4)與步驟b5)之間還可以下列子步驟:b41)提取訓(xùn)練樣本中的數(shù)據(jù)山42)利用部件回歸算子求出樣本中的人體各部件的位置信息；b43)判斷檢測(cè)結(jié)果的正確與否山44)對(duì)步驟b43中確定過(guò)的檢測(cè)結(jié)果，自動(dòng)保存并生成新的樣本；以及b45)將分類(lèi)錯(cuò)誤的樣本加入訓(xùn)練樣本，并使之前預(yù)測(cè)分?jǐn)?shù)作為樣本權(quán)重，重新對(duì)模型進(jìn)行訓(xùn)練更新，得到最終的人的檢測(cè)模型。
[0011]優(yōu)選地，所述步驟b45)中的樣本權(quán)重計(jì)算公式如下:
【權(quán)利要求】
1.一種基于多傳感器、多特征融合的半監(jiān)督的人檢測(cè)方法，包括如下步驟: a)對(duì)運(yùn)動(dòng)目標(biāo)進(jìn)行粗定位，以得到所述運(yùn)動(dòng)目標(biāo)在所監(jiān)控的視頻中的坐標(biāo)位置； b)根據(jù)步驟a)得到的坐標(biāo)，檢測(cè)該坐標(biāo)附近的運(yùn)動(dòng)信息，利用基于二級(jí)回歸的部件模型算法進(jìn)行人體精檢測(cè)，獲取人在視頻中的精確位置； c)對(duì)人的身份進(jìn)行識(shí)別，從而得到人檢測(cè)結(jié)果。
2.如權(quán)利要求1所述的方法，其中所述步驟a)包括通過(guò)傳感器獲取目標(biāo)的粗略世界坐標(biāo)，并轉(zhuǎn)換成目標(biāo)在視頻或圖像中的坐標(biāo)。
3.如權(quán)利要求1所述的方法，其中所述傳感器是超聲波傳感器以及RFID傳感器。
4.如權(quán)利要求1所述的方法，其中所述步驟b)中基于二級(jí)回歸的部件模型算法中生成人體檢測(cè)算子的方法包括如下步驟: bl)對(duì)正樣本的部件進(jìn)行標(biāo)注，所述正樣本是含有完整人體圖像的樣本；b2)基于特征對(duì)所述正樣本部件進(jìn)行訓(xùn)練學(xué)習(xí)，得到部件位置的回歸算子；b3)使用全部的正負(fù)樣本使用線性支持向量機(jī)訓(xùn)練得到一個(gè)初始的全局模型，其中所述負(fù)樣本是指僅包含背景的樣本； b4)利用標(biāo)注的部件位置對(duì)部件模型進(jìn)行初始化； b5)結(jié)合全局模型、部件模型以及部件回歸算子，產(chǎn)生人體檢測(cè)算子。
5.如權(quán)利要求4所述的方法，其中在所述步驟b4)與步驟b5)之間還可以下列子步驟: b41)提取訓(xùn)練樣本中的數(shù)據(jù)； b42)利用部件回歸算子求出樣本中的人體各部件的位置信息； b43)判斷檢測(cè)結(jié)果的正確與否； b44)對(duì)步驟b43中確定過(guò)的檢測(cè)結(jié)果，自動(dòng)保存并生成新的樣本；以及b45)將分類(lèi)錯(cuò)誤的樣本加入訓(xùn)練樣本，并使之前預(yù)測(cè)分?jǐn)?shù)作為樣本權(quán)重，重新對(duì)模型進(jìn)行訓(xùn)練更新，得到最終的人的檢測(cè)模型。
6.如權(quán)利要求5所述的方法，其中所述步驟b45)中的樣本權(quán)重計(jì)算公式如下: , IW=1--1 + e — s 其中e是自然底數(shù)，s是預(yù)測(cè)分?jǐn)?shù)，是基于二級(jí)回歸模型的人檢測(cè)模型對(duì)于某樣本的響應(yīng)值。
7.如權(quán)利要求1所述的方法，其中所述步驟c)中的身份識(shí)別是采用生物特征技術(shù)進(jìn)行身份識(shí)別。
8.如權(quán)利要求1所述的方法，其中所述步驟c)中的身份識(shí)別在場(chǎng)景入口處以及場(chǎng)景內(nèi)部分別進(jìn)行。
9.如權(quán)利 要求1所述的方法，其中所述身份識(shí)別選自指紋、虹膜識(shí)別及人臉識(shí)別中的至少一種。
【文檔編號(hào)】G06K9/00GK103500330SQ201310503426
【公開(kāi)日】2014年1月8日 申請(qǐng)日期:2013年10月23日 優(yōu)先權(quán)日:2013年10月23日
【發(fā)明者】王海濱, 張俊格 申請(qǐng)人:中科唯實(shí)科技（北京）有限公司