一種基于時空體運動輪廓特征的行人檢測方法
【技術(shù)領(lǐng)域】
[0001] 本發(fā)明屬于計算機視頻圖像處理技術(shù)領(lǐng)域，特別設(shè)及一種基于時空體運動輪廓特 征的行人檢測方法，用于對公共區(qū)域中的行人數(shù)量進行精確統(tǒng)計。
【背景技術(shù)】
[0002] 隨著計算機技術(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。在保障社會公共安全和交通安全方面、保護人民生命財產(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、公共交通系統(tǒng)等。
[0003] 人數(shù)流量的統(tǒng)計信息對于很多行業(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)計的人流信息合理的 控制人群密度防止人群的過度擁擠而發(fā)生安全事故。例如對于大型體育場館、展覽館、大型 建筑，人數(shù)信息可W幫助管理部口評估提供的服務(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)計單位為建筑合理設(shè)計提供參考信息。
[0004] 然而，在實際使用中，基于行人輪廓的一維描述的現(xiàn)有技術(shù)在識別效率與檢測精 度上都不甚理想。因此，有必要對現(xiàn)有技術(shù)中的行人檢測方法提出改進。

【發(fā)明內(nèi)容】
陽〇化]本發(fā)明的目的在于公開一種基于時空域運動輪廓特征的行人檢測方法，用W提高 對公共區(qū)域內(nèi)對行人進行人數(shù)統(tǒng)計的效率與準確度。
[0006] 為實現(xiàn)上述發(fā)明目的，本發(fā)明提供了一種基于時空體運動輪廓特征的行人檢測方 法，包括W下步驟：
[0007] S1、使用Ξ維化ar濾波器提取訓(xùn)練樣本集中的時空體的Ξ維化ar特征向量；
[0008] S2、基于Gentle Ad油oost級聯(lián)算法對所述Ξ維化ar特征向量進行訓(xùn)練，得到行 人級聯(lián)分類器；
[0009] S3、利用行人級聯(lián)分類器對自監(jiān)控區(qū)域獲取的輸入圖像進行行人檢測；
[0010] S4、基于算法對步驟S3中檢測到的行人進行跟蹤和計數(shù)。
[0011] 作為本發(fā)明的進一步改進，所述訓(xùn)練樣本集包括正樣本集與負樣本集，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)域圖像的負樣本組成。
[0012] 作為本發(fā)明的進一步改進，所述步驟S1具體為：
[0013] S11.將相鄰的5帖正樣本或負樣本定義為時空體并進行空間和時間的梯度變換， W將時空體的輪廓轉(zhuǎn)化為距離變換時空體；
[0014] S12.對距離變換時空體進行積分運算得到積分體，并計算積分體內(nèi)的像素值之 和；
[001引 S13.利用S維化ar濾波器與積分體進行卷積，得到時空體的；維化ar特征向量。
[0016] 作為本發(fā)明的進一步改進，所述步驟S11中的正樣本或負樣本為像素大小為 30X30的256階灰度圖像。
[0017] 作為本發(fā)明的進一步改進，所述步驟S12中的積分運算公式為：
陽01引其中，IV(x，y，t)為積分體，D(x'，y'，t')為距離變換時空體。
[0019] 作為本發(fā)明的進一步改進，所述積分體的區(qū)域為包含在距離變換時空體內(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空體中所有坐標值均小于（x，y，t)處的 像素值之和。
[0020] 作為本發(fā)明的進一步改進，所述步驟S13中的Ξ維化ar濾波器由用于提取行人 靜態(tài)運動特征的Ξ個靜態(tài)化ar濾波器S1、S2、S3, W及用于提取行人動態(tài)特征的四個動態(tài) 化ar濾波器D1、D2、D3、D4共同組成。
[0021] 作為本發(fā)明的進一步改進，步驟S3中的所述"自監(jiān)控區(qū)域所獲取的輸入圖像"為 通過攝像機獲取監(jiān)控區(qū)域的視頻流圖像，所述監(jiān)控區(qū)域位于攝像機的正下方。
[0022] 作為本發(fā)明的進一步改進，步驟S4中的所述"EKM算法"具體為：根據(jù)連續(xù)的輸入 圖像中前一帖目標位置的坐標，利用Kalman濾波來預(yù)測本帖輸入圖像中目標可能的坐標 點，然后利用mean shift算法W估計到的坐標點為起始點進行迭代運算。
[0023] 與現(xiàn)有技術(shù)相比，本發(fā)明的有益效果是：通過計算訓(xùn)練樣本集中的Ξ維化ar特征 向量，并通過優(yōu)化的利用行人級聯(lián)分類器對監(jiān)控區(qū)域中的行人進行檢測，有效地提高了對 公共區(qū)域內(nèi)對行人進行人數(shù)統(tǒng)計的效率與準確度。
【附圖說明】
[0024] 圖1為本發(fā)明一種基于時空體運動輪廓特征的行人檢測方法的流程示意圖；
[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中利用行人級聯(lián)分類器對輸入圖像進行行人檢測的示意圖。
【具體實施方式】
[0029] 下面結(jié)合附圖所示的各實施方式對本發(fā)明進行詳細說明，但應(yīng)當(dāng)說明的是，運些 實施方式并非對本發(fā)明的限制，本領(lǐng)域普通技術(shù)人員根據(jù)運些實施方式所作的功能、方法、 或者結(jié)構(gòu)上的等效變換或替代，均屬于本發(fā)明的保護范圍之內(nèi)。
[0030] 參圖1所示的本發(fā)明一種基于時空域運動輪廓特征的行人檢測方法的具體實施 方式。由于行人在行走時頭部與肩部的變化較小，基于易于檢測方面的考慮，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/或肩部的負樣本圖 集。
[0031] 在本實施方式中，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 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帖正樣本或負樣本定義為時空體并進行空間和時間的梯 度變換，W將時空體的輪廓轉(zhuǎn)化為距離變換時空體。
[0034] 在本實施方式中，該訓(xùn)練樣本集包括正樣本集與負樣本集；其中，該正/負樣本集 中的正/負樣本為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 述負樣本為不包含或者不完全包含行人區(qū)域的圖像。進一步的，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] 為找到一種對行人進行有效描述的方式，本實施方式基于兩個假設(shè)進行研究。
[0036] 假設(shè)一：行人的外觀特征（靜態(tài)特征）和運動特征（動態(tài)特征）相結(jié)合的描述方 式可W提高行人檢測器的判別能力；假設(shè)二：對于行人而言，基于梯度的描述方式相對于 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時的外觀特征和在行走時的運動特 征，在本實施方式中，將行人表示為時空體。其中，任意一個時空體都是由一組相鄰的包含 五個正樣本所組成。
[0038] 基于第二種假設(shè)，為了兼顧外觀特征（靜態(tài)特征）和運動特征（動態(tài)特征），在本 實施方式中，對于梯度變換的時空體定義包括兩個方面，具體為如公式（1)所示：
[0039]
(1)； W40] 其中，V(p)表示時空體上點p(x，y，t)的灰度值，用Vy、Vy和Vt分別表示沿著X軸、 y軸和時間t軸上的梯度值，G(p)表示梯度變換時空體。等式右邊的第一項是空間梯度，可 W對外觀特征（靜態(tài)特征）進行表示；等式右邊的第二項是時間梯度，用于表示行人數(shù)據(jù)沿 著時間軸所產(chǎn)生的運動特征（動態(tài)特征）。通過平衡參數(shù)α W調(diào)節(jié)空間梯度和時間梯度之 間的權(quán)重。
[0041] 為了有效的得到時空體上的輪廓信息，利用距離變換對時空體上每一個像素賦予 該像素到其最近輪廓點的距離值，距離變換時空體定義為公式（2)所示： |；0042] D(p) = min(dis(p，Ρ*))，{ρ' |G(p') > 目} 似；
[0043] 其中，Θ表示梯度變換時空體的闊值，具體的，在本實施方式中Θ = 50 ; dis( ·，·）表示歐幾里得距離；D(p)表示距離變換時空體。 W44] 此時，W將二值的梯度變換時空體（即"時空體的輪廓"）轉(zhuǎn)化為距離變換時空體。 在運個變換體中，每一個像素值代表了當(dāng)前位置到其最近輪廓點的距離。通過運種方式，可 W將一維的空間輪廓曲線擴展到Ξ維的時空體。
[0045] 為了得到行人在運動過程中所體現(xiàn)在多帖中的運動信息同時對人體的外觀信息 進行表達，需要在相鄰的若干帖圖像上提取Ξ維化ar特征，在本實施方式中，是在相鄰的5 帖圖像（即：正樣本或負樣本）中進行提取Ξ維化ar特征。
[0046] 然后，執(zhí)行子步驟S12.對距離變換時空體進行積分運算得到積分體，并計算積分 體內(nèi)的像素值之和。
[0047]