行人檢測與跟蹤方法及裝置的制造方法
【專利摘要】本發(fā)明涉及行人檢測與跟蹤方法及裝置，包括：采用SVM分類器對第一幀行人圖像進行檢測，得到初始目標矩形區(qū)域，并計算初始目標矩形區(qū)域的方向梯度直方圖；計算初始目標矩形區(qū)域的色調(diào)分量直方圖，并計算初始目標矩形區(qū)域的顏色直方圖；對初始目標矩形區(qū)域的方向梯度直方圖和顏色直方圖進行加權(quán)處理，得到初始目標矩形區(qū)域的綜合直方圖；從第二幀行人圖像開始，根據(jù)上一幀行人圖像對應(yīng)的上一目標矩形區(qū)域的綜合直方圖，在當前幀行人圖像中尋找當前目標矩形區(qū)域，以使當前目標矩形區(qū)域的綜合直方圖與上一目標矩形區(qū)域的綜合直方圖的匹配度最高。根據(jù)本發(fā)明實施例的行人檢測與跟蹤方法及裝置能夠具有較好的實時性和準確性。
【專利說明】
行人檢測與跟蹤方法及裝置
技術(shù)領(lǐng)域
[0001] 本發(fā)明設(shè)及圖像處理技術(shù)領(lǐng)域，尤其設(shè)及一種行人檢測與跟蹤方法及裝置。
【背景技術(shù)】
[0002] 行人檢測與跟蹤是指從視頻序列中檢測出行人的位置，并對運動的行人進行連續(xù) 跟蹤，確定其運動軌跡的過程。行人檢測與跟蹤是智能車輛、計算機視覺和模式識別等領(lǐng)域 的前沿研究課題。
[0003] 現(xiàn)有的行人檢測方法主要分為:基于運動特性的行人檢測、基于多部位模板匹配 的行人檢測W及基于機器學(xué)習(xí)的行人檢測。行人檢測作為行人跟蹤的前提條件，其檢測精 度至關(guān)重要。現(xiàn)有的行人跟蹤方法主要分為:基于模型的跟蹤、基于匹配區(qū)域的跟蹤、基于 主動輪廓的跟蹤W及基于目標特征的跟蹤。其中最常用的是基于目標特征的連續(xù)自適應(yīng)的 均值漂移(CamsMft)算法。連續(xù)自適應(yīng)的均值漂移算法是一種非參數(shù)概率密度估計算法， 其核屯、是均值漂移算法，具有實時性好和算法框架化等優(yōu)點，但模型僅采用顏色特征，當背 景較復(fù)雜或者存在許多與目標顏色相似的干擾像素的情況下，容易導(dǎo)致跟蹤失敗。

【發(fā)明內(nèi)容】

[0004] 技術(shù)問題
[0005] 有鑒于此，本發(fā)明要解決的技術(shù)問題是，現(xiàn)有的行人檢測與跟蹤的精度較低，容易 跟蹤失敗。
[OOOW 解決方案
[0007]為了解決上述技術(shù)問題，根據(jù)本發(fā)明的一實施例，提供了一種行人檢測與跟蹤方 法，包括：
[000引采用SVM分類器對第一帖行人圖像進行檢測，得到初始目標矩形區(qū)域，并計算所述 初始目標矩形區(qū)域的方向梯度直方圖；
[0009] 計算所述初始目標矩形區(qū)域在HSV顏色空間的色調(diào)分量直方圖，并根據(jù)所述初始 目標矩形區(qū)域的色調(diào)分量直方圖計算所述初始目標矩形區(qū)域的顏色直方圖；
[0010] 對所述初始目標矩形區(qū)域的方向梯度直方圖和顏色直方圖進行加權(quán)處理，得到所 述初始目標矩形區(qū)域的綜合直方圖；
[0011] 從第二帖行人圖像開始，根據(jù)上一帖行人圖像對應(yīng)的上一目標矩形區(qū)域的綜合直 方圖，在當前帖行人圖像中尋找當前目標矩形區(qū)域，W使所述當前目標矩形區(qū)域的綜合直 方圖與所述上一目標矩形區(qū)域的綜合直方圖的匹配度最高。
[0012] 對于上述方法，在一種可能的實現(xiàn)方式中，根據(jù)所述初始目標矩形區(qū)域的色調(diào)分 量直方圖計算所述初始目標矩形區(qū)域的顏色直方圖，包括：
[OOU]將RGB顏色空間的3、6和8立個顏色子空間分別劃分為Q級，得到化=3Q個RGB顏色 空間的特征通道；
[0014]采用均值漂移算法，統(tǒng)計各個特征通道在所述初始目標矩形區(qū)域中出現(xiàn)的概率W 得到所述初始目標矩形區(qū)域的顏色直方圖。
[0015] 對于上述方法，在一種可能的實現(xiàn)方式中，采用均值漂移算法，統(tǒng)計各個特征通道 在所述初始目標矩形區(qū)域中出現(xiàn)的概率W得到所述初始目標矩形區(qū)域的顏色直方圖，具體 為：
[0016] 采用式1計算得到所述初始目標矩形區(qū)域的顏色直方圖；
[0017]
式1
[0018] 其中，U為第U個特征通道，y為中屯、點的特征值，反心')為第U個特征通道在初始目 標矩形區(qū)域中出現(xiàn)的概率，C為歸一化常數(shù)，i為第i個樣本點，n為樣本點的總數(shù)，k為在半徑 為h的高維球形區(qū)域中的樣本點的數(shù)量，Xi為第i個樣本點的特征值，h為高維球形區(qū)域的半 徑，bi(xi)為樣本點Xi所屬的顏色空間的特征通道，S[bi(xi)-u]為單位脈沖函數(shù)，N功顏色 空間的特征通道的總數(shù)。
[0019] 對于上述方法，在一種可能的實現(xiàn)方式中，計算所述初始目標矩形區(qū)域的方向梯 度直方圖，包括：
[0020] 對所述初始目標矩形區(qū)域進行灰度化；
[0021] 對灰度化的目標矩形區(qū)域進行Gamma校正；
[0022] 計算校正后的目標矩形區(qū)域中每個像素的梯度；
[0023] 將梯度劃分為P級，得到P個梯度特征通道，并采用均值漂移算法計算所述初始目 標矩形區(qū)域的方向梯度直方圖。
[0024] 對于上述方法，在一種可能的實現(xiàn)方式中，采用均值漂移算法計算所述初始目標 矩形區(qū)域的方向梯度直方圖，具體為：
[0025] 采用式2計算得到所述初始目標矩形區(qū)域的方向梯度直方圖；
[00 一 戎2
[0027] 其中，U為第U個特征通道，y為中屯、點的特征值，化(、少)為第U個特征通道在初始目 標矩形區(qū)域中出現(xiàn)的概率，C為歸一化常數(shù)，i為第i個樣本點，n為樣本點的總數(shù)，k為在半徑 為h的高維球形區(qū)域中的樣本點的數(shù)量，Xi為第i個樣本點的特征值，h為高維球形區(qū)域的半 徑，b2(Xi)為樣本點Xi所屬的梯度特征通道，S[b2(Xi)-U]為單位脈沖函數(shù)，Ni為顏色空間的 特征通道的總數(shù)，N2-化=P為梯度特征通道的總數(shù)，N2為特征通道的總數(shù)。
[0028] 對于上述方法，在一種可能的實現(xiàn)方式中，對所述初始目標矩形區(qū)域的方向梯度 直方圖和顏色直方圖進行加權(quán)處理，得到所述初始目標矩形區(qū)域的綜合直方圖，包括：
[0029] 設(shè)置一單調(diào)遞減權(quán)值函數(shù)；
[0030] 根據(jù)所述單調(diào)遞減權(quán)值函數(shù)對所述初始目標矩形區(qū)域的方向梯度直方圖和顏色 直方圖進行加權(quán)處理，計算得到所述初始目標矩形區(qū)域的綜合直方圖。
[0031] 對于上述方法，在一種可能的實現(xiàn)方式中，設(shè)置一單調(diào)遞減權(quán)值函數(shù)具體為：
[0032] 采用式3設(shè)置所述單調(diào)遞減權(quán)值函數(shù)；
[0033]
式3
[0034] 其中，U為第U個特征通道，化為顏色空間的特征通道的總數(shù)，化為特征通道的總數(shù)；
[0035] 根據(jù)所述單調(diào)遞減權(quán)值函數(shù)對所述初始目標矩形區(qū)域的方向梯度直方圖和顏色 直方圖進行加權(quán)處理，計算得到所述初始目標矩形區(qū)域的綜合直方圖，具體為：
[0036] 采用式4對所述初始目標矩形區(qū)域的方向梯度直方圖和顏色直方圖進行加權(quán)處 理，計算得到所述初始目標矩形區(qū)域的綜合直方圖；
[0037]
式4
[003引其中，y為中屯、點的特征值，反為第U個特征通道在初始目標矩形區(qū)域中出現(xiàn) 的概率，C為歸一化常數(shù)，i為第i個樣本點，n為樣本點的總數(shù)，k為在半徑為h的高維球形區(qū) 域中的樣本點的數(shù)量，Xi為第i個樣本點的特征值，h為高維球形區(qū)域的半徑，bl(Xi)為樣本 點Xi所屬的顏色空間的特征通道，b2(xi)為樣本點Xi所屬的梯度特征通道，S[bi(xi)-u巧口 5 [b2(Xi)-U]為單位脈沖函數(shù)，化為顏色空間的特征通道的總數(shù)，化-化=P為梯度特征通道的 總數(shù)，化為特征通道的總數(shù)。
[0039] 對于上述方法，在一種可能的實現(xiàn)方式中，從第二帖行人圖像開始，根據(jù)上一帖行 人圖像對應(yīng)的上一目標矩形區(qū)域的綜合直方圖，在當前帖行人圖像中尋找當前目標矩形區(qū) 域，W使所述當前目標矩形區(qū)域的綜合直方圖與所述上一目標矩形區(qū)域的綜合直方圖的匹 配度最高，包括：
[0040] 從所述第二帖圖像開始，采用連續(xù)自適應(yīng)的均值漂移算法，將所述上一目標矩形 區(qū)域作為所述當前目標矩形區(qū)域的初始值；
[0041] 調(diào)整所述當前目標矩形區(qū)域的大小和位置，W使所述當前目標矩形區(qū)域的綜合直 方圖與所述上一目標矩形區(qū)域的綜合直方圖的匹配度最高。
[0042] 為了解決上述技術(shù)問題，根據(jù)本發(fā)明的另一實施例，提供了一種行人檢測與跟蹤 裝置包括：
[0043] 方向梯度直方圖計算模塊，用于采用SVM分類器對第一帖行人圖像進行檢測，得到 初始目標矩形區(qū)域，并計算所述初始目標矩形區(qū)域的方向梯度直方圖；
[0044] 顏色直方圖計算模塊，用于計算所述初始目標矩形區(qū)域在HSV顏色空間的色調(diào)分 量直方圖，并根據(jù)所述初始目標矩形區(qū)域的色調(diào)分量直方圖計算所述初始目標矩形區(qū)域的 顏色直方圖；
[0045] 綜合直方圖計算模塊，用于對所述初始目標矩形區(qū)域的方向梯度直方圖和顏色直 方圖進行加權(quán)處理，得到所述初始目標矩形區(qū)域的綜合直方圖；
[0046] 目標矩形區(qū)域?qū)ふ夷K，用于從第二帖行人圖像開始，根據(jù)上一帖行人圖像對應(yīng) 的上一目標矩形區(qū)域的綜合直方圖，在當前帖行人圖像中尋找當前目標矩形區(qū)域，W使所 述當前目標矩形區(qū)域的綜合直方圖與所述上一目標矩形區(qū)域的綜合直方圖的匹配度最高。
[0047]對于上述裝置，在一種可能的實現(xiàn)方式中，所述顏色直方圖計算模塊包括：
[004引顏色特征通道劃分子模塊，用于將RGB顏色空間的R、G和BS個顏色子空間分別劃 分為Q級，得到化=%個RGB顏色空間的特征通道；
[0049] 顏色直方圖計算子模塊，用于采用均值漂移算法，統(tǒng)計各個特征通道在所述初始 目標矩形區(qū)域中出現(xiàn)的概率W得到所述初始目標矩形區(qū)域的顏色直方圖。
[0050] 對于上述裝置，在一種可能的實現(xiàn)方式中，所述顏色直方圖計算子模塊具體用于：
[0051] 采用式1計算得到所述初始目標矩形區(qū)域的顏色直方圖；
[0化21
乂 1
[0053] 其中，U為第U個特征通道，y為中屯、點的特征值，免心)為第U個特征通道在初始目 標矩形區(qū)域中出現(xiàn)的概率，C為歸一化常數(shù)，i為第i個樣本點，n為樣本點的總數(shù)，k為在半徑 為h的高維球形區(qū)域中的樣本點的數(shù)量，Xi為第i個樣本點的特征值，h為高維球形區(qū)域的半 徑，bi(xi)為樣本點Xi所屬的顏色空間的特征通道，S[bi(xi)-u]為單位脈沖函數(shù)，N功顏色 空間的特征通道的總數(shù)。
[0054] 對于上述裝置，在一種可能的實現(xiàn)方式中，所述方向梯度直方圖計算模塊包括：
[0055] 灰度化子模塊，用于對所述初始目標矩形區(qū)域進行灰度化；
[0056] 校正子模塊，用于對灰度化的目標矩形區(qū)域進行Gamma校正；
[0057] 梯度計算子模塊，用于計算校正后的目標矩形區(qū)域中每個像素的梯度；
[0058] 方向梯度直方圖計算子模塊，用于將梯度劃分為P級，得到P個梯度特征通道，并采 用均值漂移算法計算所述初始目標矩形區(qū)域的方向梯度直方圖。
[0059] 對于上述裝置，在一種可能的實現(xiàn)方式中，所述方向梯度直方圖計算子模塊具體 用于：
[0060] 將梯度劃分為P級，得到P個梯度特征通道，并采用式2計算得到所述初始目標矩形 區(qū)域的方向梯度直方圖；
[00" 1 式2
[0062] 其中，U為第U個特征通道，y為中屯、點的特征值，化為第U個特征通道在初始目 標矩形區(qū)域中出現(xiàn)的概率，C為歸一化常數(shù)，i為第i個樣本點，n為樣本點的總數(shù)，k為在半徑 為h的高維球形區(qū)域中的樣本點的數(shù)量，Xi為第i個樣本點的特征值，h為高維球形區(qū)域的半 徑，b2(Xi)為樣本點Xi所屬的梯度特征通道，S[b2(Xi)-U]為單位脈沖函數(shù)，化為顏色空間的 特征通道的總數(shù)，Ns-Ni = P為梯度特征通道的總數(shù)，N2為特征通道的總數(shù)。
[0063] 對于上述裝置，在一種可能的實現(xiàn)方式中，所述綜合直方圖計算模塊包括：
[0064] 單調(diào)遞減權(quán)值函數(shù)設(shè)置子模塊，用于設(shè)置一單調(diào)遞減權(quán)值函數(shù)；
[0065] 綜合直方圖計算子模塊，用于根據(jù)所述單調(diào)遞減權(quán)值函數(shù)對所述初始目標矩形區(qū) 域的方向梯度直方圖和顏色直方圖進行加權(quán)處理，計算得到所述初始目標矩形區(qū)域的綜合 直方圖。
[0066] 對于上述裝置，在一種可能的實現(xiàn)方式中，所述單調(diào)遞減權(quán)值函數(shù)設(shè)置子模塊具 體用于：
[0067] 采用式3設(shè)置所述單調(diào)遞減權(quán)值函數(shù)；
[006引
式3:
[0069] 其中，U為第U個特征通道，化為顏色空間的特征通道的總數(shù)，化為特征通道的總數(shù)；
[0070] 所述綜合直方圖計算子模塊具體用于：
[0071] 采用式4對所述初始目標矩形區(qū)域的方向梯度直方圖和顏色直方圖進行加權(quán)處 理，計算得到所述初始目標矩形區(qū)域的綜合直方圖；
[00721
式4
[0073] 其中，y為中屯、點的特征值，反(_>，)為第U個特征通道在初始目標矩形區(qū)域中出現(xiàn) 的概率，C為歸一化常數(shù)，i為第i個樣本點，n為樣本點的總數(shù)，k為在半徑為h的高維球形區(qū) 域中的樣本點的數(shù)量，Xi為第i個樣本點的特征值，h為高維球形區(qū)域的半徑，bl(Xi)為樣本 點Xi所屬的顏色空間的特征通道，b2(Xi)為樣本點Xi所屬的梯度特征通道，S[bi(xi)-u巧口 5 [b2(xi)-u]為單位脈沖函數(shù)，Ni為顏色空間的特征通道的總數(shù)，Ns-Ni = P為梯度特征通道的 總數(shù)，化為特征通道的總數(shù)。
[0074] 對于上述裝置，在一種可能的實現(xiàn)方式中，所述目標矩形區(qū)域?qū)ふ夷K包括：
[0075] 初始值設(shè)置子模塊，用于從所述第二帖圖像開始，采用連續(xù)自適應(yīng)的均值漂移算 法，將所述上一目標矩形區(qū)域作為所述當前目標矩形區(qū)域的初始值；
[0076] 目標矩形區(qū)域調(diào)整子模塊，用于調(diào)整所述當前目標矩形區(qū)域的大小和位置，W使 所述當前目標矩形區(qū)域的綜合直方圖與所述上一目標矩形區(qū)域的綜合直方圖的匹配度最 局。
[0077] 有益效果
[0078] 通過基于顏色和梯度雙重特征，顏色直方圖反映目標的整體特征，方向梯度直方 圖反映目標的局部特征，對方向梯度直方圖和顏色直方圖進行加權(quán)處理得到綜合直方圖， 根據(jù)上一帖行人圖像對應(yīng)的上一目標矩形區(qū)域的綜合直方圖，在當前帖行人圖像中尋找當 前目標矩形區(qū)域，W使當前目標矩形區(qū)域的綜合直方圖與上一目標矩形區(qū)域的綜合直方圖 的匹配度最高，根據(jù)本發(fā)明實施例的行人檢測與跟蹤方法及裝置能夠具有較好的實時性， 且能夠獲得更加精確的行人運動軌跡，適用于動態(tài)攝像條件下的行人檢測與跟蹤。
[0079] 根據(jù)下面參考附圖對示例性實施例的詳細說明，本發(fā)明的其它特征及方面將變得 清楚。
【附圖說明】
[0080] 包含在說明書中并且構(gòu)成說明書的一部分的附圖與說明書一起示出了本發(fā)明的 示例性實施例、特征和方面，并且用于解釋本發(fā)明的原理。
[0081] 圖1示出根據(jù)本發(fā)明一實施例的行人檢測與跟蹤方法的實現(xiàn)流程圖；
[0082] 圖2示出根據(jù)本發(fā)明一實施例的行人檢測與跟蹤方法步驟S102中根據(jù)初始目標矩 形區(qū)域的色調(diào)分量直方圖計算初始目標矩形區(qū)域的顏色直方圖的具體實現(xiàn)流程圖；
[0083] 圖3示出根據(jù)本發(fā)明一實施例的行人檢測與跟蹤方法步驟SlOl中計算所述初始目 標矩形區(qū)域的方向梯度直方圖的具體實現(xiàn)流程圖；
[0084] 圖4示出根據(jù)本發(fā)明一實施例的行人檢測與跟蹤方法步驟S103的具體實現(xiàn)流程 圖；
[0085] 圖5示出根據(jù)本發(fā)明一實施例的行人檢測與跟蹤方法步驟S104的具體實現(xiàn)流程 圖；
[0086] 圖6a至圖6f示出了根據(jù)本發(fā)明一實施例的行人檢測與跟蹤方法尋找當前目標矩 形區(qū)域的示意圖；
[0087] 圖7示出根據(jù)本發(fā)明另一實施例的行人檢測與跟蹤方法的示例流程圖；
[0088] 圖8示出根據(jù)本發(fā)明另一實施例的行人檢測與跟蹤方法的實現(xiàn)流程圖；
[0089] 圖9示出根據(jù)本發(fā)明另一實施例的行人檢測與跟蹤裝置的結(jié)構(gòu)框圖。
【具體實施方式】
[0090] W下將參考附圖詳細說明本發(fā)明的各種示例性實施例、特征和方面。附圖中相同 的附圖標記表示功能相同或相似的元件。盡管在附圖中示出了實施例的各種方面，但是除 非特別指出，不必按比例繪制附圖。
[0091 ]在運里專用的詞"示例性"意為"用作例子、實施例或說明性"。運里作為"示例性" 所說明的任何實施例不必解釋為優(yōu)于或好于其它實施例。
[0092]另外，為了更好的說明本發(fā)明，在下文的【具體實施方式】中給出了眾多的具體細節(jié)。 本領(lǐng)域技術(shù)人員應(yīng)當理解，沒有某些具體細節(jié)，本發(fā)明同樣可W實施。在一些實例中，對于 本領(lǐng)域技術(shù)人員熟知的方法、手段、元件和電路未作詳細描述，W便于凸顯本發(fā)明的主旨。 [OOW] 實施例1
[0094] 圖1示出根據(jù)本發(fā)明一實施例的行人檢測與跟蹤方法的實現(xiàn)流程圖。如圖1所示， 該方法主要包括：
[0095] 在步驟SlOl中，采用SVM分類器對第一帖行人圖像進行檢測，得到初始目標矩形區(qū) 域，并計算初始目標矩形區(qū)域的方向梯度直方圖。
[0096] 需要說明的是，本發(fā)明實施例中的第一帖行人圖像指的是待處理的第一帖行人圖 像。
[0097] 在本發(fā)明實施例中，采用經(jīng)過訓(xùn)練的SVM(Suppod Vector Machine,支持向量機） 分類器對第一帖行人圖像進行檢測，得到初始目標矩形區(qū)域，并計算初始目標矩形區(qū)域的 方向梯度直方圖化〇G，Histogram of Oriented Gradient)。
[009引在步驟S102中，計算初始目標矩形區(qū)域在服V顏色空間的色調(diào)分量直方圖，并根據(jù) 初始目標矩形區(qū)域的色調(diào)分量直方圖計算初始目標矩形區(qū)域的顏色直方圖。
[0099] 其中，HSV顏色空間的S個參數(shù)分別是色調(diào)化ue)、飽和度（Saturation)和明度 (化Iue)。
[0100] 作為本發(fā)明實施例的一個示例，在獲得初始目標矩形區(qū)域后，假設(shè)mi = max{r，g， b}，m2=min{r，g，b}，則采用式5確定色調(diào)分量h;
[0101]
式5
[01化」其中，r刃R( Red，紅）劇色于空間的劇色值，g刃G (Green，綠）顏色子空間的顏色值， b為B(Blue，藍)顏色子空間的顏色值。
[0103] 在步驟S103中，對初始目標矩形區(qū)域的方向梯度直方圖和顏色直方圖進行加權(quán)處 理，得到初始目標矩形區(qū)域的綜合直方圖。
[0104] 顏色直方圖反映的是目標的整體特征，方向梯度直方圖反映的是目標的局部特 征。在本發(fā)明實施例中，融合方向梯度直方圖特征和顏色直方圖特征來限定目標，從而提高 目標匹配的精度。
[0105] 在步驟S104中，從第二帖行人圖像開始，根據(jù)上一帖行人圖像對應(yīng)的上一目標矩 形區(qū)域的綜合直方圖，在當前帖行人圖像中尋找當前目標矩形區(qū)域，W使當前目標矩形區(qū) 域的綜合直方圖與上一目標矩形區(qū)域的綜合直方圖的匹配度最高。
[0106] 其中，第二帖行人圖像指的是第一帖行人圖像的下一帖行人圖像。從第二帖圖像 開始，W綜合直方圖為匹配特征，在當前帖行人圖像中尋找與上一帖行人圖像對應(yīng)的上一 目標矩形區(qū)域最為匹配的當前目標矩形區(qū)域，從而實現(xiàn)自動跟蹤。
[0107] 作為本發(fā)明實施例的一個示例，在步驟SlOl之前，該方法還包括:輸入視頻，從輸 入的視頻中提取第一帖行人圖像。該輸入的視頻可W由無人機拍攝獲取，在此不作限定。無 人機拍攝的視頻中每一帖行人圖像的大小可W為1920 X 1080(單位:像素），帖率可W為25 帖每秒，在此不作限定。
[0108] 作為本發(fā)明實施例的一個示例，在步驟S104之后，該方法還包括:在當前帖行人圖 像中顯示當前目標矩形區(qū)域。
[0109] 圖2示出根據(jù)本發(fā)明一實施例的行人檢測與跟蹤方法步驟S102中根據(jù)初始目標矩 形區(qū)域的色調(diào)分量直方圖計算初始目標矩形區(qū)域的顏色直方圖的具體實現(xiàn)流程圖。如圖2 所示，根據(jù)初始目標矩形區(qū)域的色調(diào)分量直方圖計算初始目標矩形區(qū)域的顏色直方圖，包 括：
[0110] 在步驟S201中，將RGB顏色空間的R、G和BS個顏色子空間分別劃分為Q級，得到化 =%個RGB顏色空間的特征通道。
[0111] 作為本發(fā)明實施例的一個示例，將RGB顏色空間的R、G和BS個顏色子空間分別劃 分為Q級，即R、G和BS個顏色子空間分別具有Q個色調(diào)級別，其中，Q大于1。
[0112] 在步驟S202中，采用均值漂移算法，統(tǒng)計各個特征通道在初始目標矩形區(qū)域中出 現(xiàn)的概率W得到初始目標矩形區(qū)域的顏色直方圖。
[0113] 作為本發(fā)明實施例的一個示例，顏色直方圖和方向梯度直方圖的獲取均采用均值 漂移算法。在給定的d維空間xd中，有n個樣本點XI，則X點的均值漂移向量定義為：
[0114]
式6
[0115] 其中，h為高維球形區(qū)域的半徑，Sh為半徑為h的高維球形區(qū)域，k為在Sh區(qū)域中的樣 本點的數(shù)量。
[0116] 設(shè)y為中屯、點的特征值，將顏色方向或梯度方向分為多個通道，對每個樣本點進行 加權(quán)，距離中屯、點越近，權(quán)值越大，則第U個特征通道在目標矩形區(qū)域中的概率為：
[01171
式7
[0118] 其中，U為第U個特征通道；y為中屯、點的特征值；C為歸一化常數(shù)，其值為 -I ~|-] X足(P,. Il2) ;i為第i個樣本點，n為樣本點的總數(shù);Xi為第i個樣本點的特征值;bUO為 樣本點Xi所屬的特征通道;S為delta函數(shù);若Xi屬于第U個特征通道，則S[b(xi)-u]的值為1; 若Xi不屬于第U個特征通道，則S[b(xi)-u]的值為0。
[0119] 在一種可能的實現(xiàn)方式中，采用均值漂移(Meanshift)算法，統(tǒng)計各個特征通道在 初始目標矩形區(qū)域中出現(xiàn)的概率W得到初始目標矩形區(qū)域的顏色直方圖，具體為：
[0120] 采用式1計算得到初始目標矩形區(qū)域的顏色直方圖；
[01 式1
[0122] 其中，U為第U個特征通道，y為中屯、點的特征值，氣心)為第U個特征通道在初始目 標矩形區(qū)域中出現(xiàn)的概率，C為歸一化常數(shù)，i為第i個樣本點，n為樣本點的總數(shù)，k為在半徑 為h的高維球形區(qū)域中的樣本點的數(shù)量，Xi為第i個樣本點的特征值，h為高維球形區(qū)域的半 徑，bi(xi)為樣本點Xi所屬的顏色空間的特征通道，S[bi(xi)-u]為單位脈沖函數(shù)，Ni為顏色 空間的特征通道的總數(shù)。
[0123] 圖3示出根據(jù)本發(fā)明一實施例的行人檢測與跟蹤方法步驟SlOl中計算所述初始目 標矩形區(qū)域的方向梯度直方圖的具體實現(xiàn)流程圖。如圖3所示，計算初始目標矩形區(qū)域的方 向梯度直方圖，包括：
[0124] 在步驟S301中，對初始目標矩形區(qū)域進行灰度化。
[0125] 其中，對初始目標矩形區(qū)域進行灰度化指的是將初始目標矩形區(qū)域的每一個像素 的顏色值都用灰度值來表示。
[01%] 在步驟S302中，對灰度化的目標矩形區(qū)域進行Gamma校正。
[0127] 對灰度化的目標矩形區(qū)域進行Gamma(伽瑪)校正，W進行顏色空間的標準化處理。
[0128] 在步驟S303中，計算校正后的目標矩形區(qū)域中每個像素的梯度。
[0129] 其中，每個像素的梯度均為向量。
[0130] 在步驟S304中，將梯度劃分為P級，得到P個梯度特征通道，并采用均值漂移算法計 算初始目標矩形區(qū)域的方向梯度直方圖。
[0131] 在一種可能的實現(xiàn)方式中，采用均值漂移算法計算初始目標矩形區(qū)域的方向梯度 直方圖，具體為：
[0132] 采用式2計算得到初始目標矩形區(qū)域的方向梯度直方圖；
[0133]
戎2
[0134] 其中，U為第U個特征通道，y為中心點的特征值，抗為第U個特征通道在初始目 標矩形區(qū)域中出現(xiàn)的概率，C為歸一化常數(shù)，i為第i個樣本點，n為樣本點的總數(shù)，k為在半徑 為h的高維球形區(qū)域中的樣本點的數(shù)量，Xi為第i個樣本點的特征值，h為高維球形區(qū)域的半 徑，b2(Xi)為樣本點Xi所屬的梯度特征通道，S[b2(Xi)-U]為單位脈沖函數(shù)，化為顏色空間的 特征通道的總數(shù)，Ns-Ni = P為梯度特征通道的總數(shù)，N2為特征通道的總數(shù)。
[0135] 圖4示出根據(jù)本發(fā)明一實施例的行人檢測與跟蹤方法步驟S103的具體實現(xiàn)流程 圖。如圖4所示，對初始目標矩形區(qū)域的方向梯度直方圖和顏色直方圖進行加權(quán)處理，得到 初始目標矩形區(qū)域的綜合直方圖，包括：
[0136] 在步驟S401中，設(shè)置一單調(diào)遞減權(quán)值函數(shù)。
[0137] 在運里，設(shè)置一單調(diào)遞減權(quán)值函數(shù)，使樣本點距離中屯、點越近，權(quán)值越大。
[0138] 在步驟S402中，根據(jù)單調(diào)遞減權(quán)值函數(shù)對初始目標矩形區(qū)域的方向梯度直方圖和 顏色直方圖進行加權(quán)處理，計算得到初始目標矩形區(qū)域的綜合直方圖。
[0139] 在一種可能的實現(xiàn)方式中，設(shè)置一單調(diào)遞減權(quán)值函數(shù)具體為：
[0140] 采用式3設(shè)置單調(diào)遞減權(quán)值函數(shù)；
[0141]
式3
[0142] 其中，U為第U個特征通道，化為顏色空間的特征通道的總數(shù)，化為特征通道的總數(shù)；
[0143] 根據(jù)單調(diào)遞減權(quán)值函數(shù)對初始目標矩形區(qū)域的方向梯度直方圖和顏色直方圖進 行加權(quán)處理，計算得到初始目標矩形區(qū)域的綜合直方圖，具體為：
[0144] 采用式4對初始目標矩形區(qū)域的方向梯度直方圖和顏色直方圖進行加權(quán)處理，計 算得到初始目標矩形區(qū)域的綜合直方圖；
[0145]
式4
[0146] 其中，y為中屯、點的特征值，反心)為第U個特征通道在初始目標矩形區(qū)域中出現(xiàn) 的概率，C為歸一化常數(shù)，i為第i個樣本點，n為樣本點的總數(shù)，k為在半徑為h的高維球形區(qū) 域中的樣本點的數(shù)量，X功第i個樣本點的特征值，h為高維球形區(qū)域的半徑，bl(Xi)為樣本 點Xi所屬的顏色空間的特征通道，b2(xi)為樣本點Xi所屬的梯度特征通道，S[bi(xi)-u巧口 5 [b2(Xi)-U]為單位脈沖函數(shù)，化為顏色空間的特征通道的總數(shù)，化-化=P為梯度特征通道的 總數(shù)，化為特征通道的總數(shù)。
[0147] 圖5示出根據(jù)本發(fā)明一實施例的行人檢測與跟蹤方法步驟S104的具體實現(xiàn)流程 圖。如圖5所示，從第二帖行人圖像開始，根據(jù)上一帖行人圖像對應(yīng)的上一目標矩形區(qū)域的 綜合直方圖，在當前帖行人圖像中尋找當前目標矩形區(qū)域，W使當前目標矩形區(qū)域的綜合 直方圖與上一目標矩形區(qū)域的綜合直方圖的匹配度最高，包括：
[0148] 在步驟S501中，從第二帖圖像開始，采用連續(xù)自適應(yīng)的均值漂移算法，將上一目標 矩形區(qū)域作為當前目標矩形區(qū)域的初始值。
[0149] 其中，將上一目標矩形區(qū)域作為當前目標矩形區(qū)域的初始值具體可W為:將上一 目標矩形區(qū)域的幾何中屯、作為當前目標矩形區(qū)域的幾何中屯、的初始值，根據(jù)上一目標矩形 區(qū)域的長寬確定當前目標矩形區(qū)域的長寬，計算候選的當前目標矩形區(qū)域加權(quán)處理的顏色 直方圖和方向梯度直方圖。例如，根據(jù)上一目標矩形區(qū)域的長寬確定當前目標矩形區(qū)域的 長寬可W為:假設(shè)上一目標矩形區(qū)域的長度為^，寬度為L2,將當前目標矩形區(qū)域的長度確 定為0.化1至1. ILi，將當前目標矩形區(qū)域的寬度確定為0.化2至1.化2。
[0150] 在步驟S502中，調(diào)整當前目標矩形區(qū)域的大小和位置，W使當前目標矩形區(qū)域的 綜合直方圖與上一目標矩形區(qū)域的綜合直方圖的匹配度最高。
[0151] 其中，調(diào)整當前目標矩形區(qū)域的大小和位置具體可W為:根據(jù)均值漂移算法計算 下一個可能的當前目標矩形區(qū)域的位置，調(diào)整當前目標矩形區(qū)域的幾何中屯、位置，并調(diào)整 當前目標矩形區(qū)域的大小。
[0152] 其中，使當前目標矩形區(qū)域的綜合直方圖與上一目標矩形區(qū)域的綜合直方圖的匹 配度最高可W為:計算當前目標矩形區(qū)域的綜合直方圖與上一目標矩形區(qū)域的綜合直方圖 之間的己氏系數(shù)(Bhattacha巧ya Coefficient)，若計算得到的己氏系數(shù)小于預(yù)設(shè)值，則調(diào) 整當前目標矩形區(qū)域的大小和位置;若計算得到的己氏系數(shù)大于或等于預(yù)設(shè)值，則判定當 前目標矩形區(qū)域的綜合直方圖與上一目標矩形區(qū)域的綜合直方圖的匹配度最高。
[0153] 圖6a至圖6f示出了根據(jù)本發(fā)明一實施例的行人檢測與跟蹤方法尋找當前目標矩 形區(qū)域的示意圖。在圖6c至圖6f中，在跟蹤運動目標時，增大目標矩形區(qū)域的面積，W提高 跟蹤準確度。
[0154] 運樣，通過基于顏色和梯度雙重特征，顏色直方圖反映目標的整體特征，方向梯度 直方圖反映目標的局部特征，對方向梯度直方圖和顏色直方圖進行加權(quán)處理得到綜合直方 圖，根據(jù)上一帖行人圖像對應(yīng)的上一目標矩形區(qū)域的綜合直方圖，在當前帖行人圖像中尋 找當前目標矩形區(qū)域，W使當前目標矩形區(qū)域的綜合直方圖與上一目標矩形區(qū)域的綜合直 方圖的匹配度最高，根據(jù)本發(fā)明實施例的行人檢測與跟蹤方法能夠具有較好的實時性，且 能夠獲得更加精確的行人運動軌跡，適用于動態(tài)攝像條件下的行人檢測與跟蹤。
[01巧]實施例2
[0156] 圖7示出根據(jù)本發(fā)明另一實施例的行人檢測與跟蹤方法的示例流程圖。在本發(fā)明 實施例中，W梯度特征通道的總數(shù)P為16、顏色空間的特征通道的總數(shù)化為48為例進行說 明，上述數(shù)值僅是示例，本發(fā)明實施例并不具體限制上述數(shù)值的選取范圍。如圖7所示，該方 法主要包括：
[0157] 在步驟S701中，采用SVM分類器對第一帖行人圖像進行檢測，得到初始目標矩形區(qū) 域。
[0158] 在步驟S702中，計算初始目標矩形區(qū)域在服V顏色空間的色調(diào)分量直方圖。
[0159] 在步驟S703中，將RGB顏色空間的R、G和BS個顏色子空間分別劃分為16級，得到48 個RGB顏色空間的特征通道。
[0160] 在步驟S704中，采用式1-1計算得到初始目標矩形區(qū)域的顏色直方圖；
W么" 式1-1
[0162] 其中，將化等于48代入式1可W得到式1-1。
[0163] 在步驟S705中，對初始目標矩形區(qū)域進行灰度化。
[0164] 在步驟S706中，對灰度化的目標矩形區(qū)域進行Gamma校正。
[0165] 在步驟S707中，計算校正后的目標矩形區(qū)域中每個像素的梯度。
[0166] 在步驟S708中，將梯度劃分為16級，得到16個梯度特征通道，并采用式2-1計算得 到初始目標矩形區(qū)域的方向梯度直方圖；
[0167]式 2-1
[016引在本發(fā)明實施例中，將梯度
劃分為16級，每級22.5°，梯度特征通道的總數(shù)為16;化 等于64,即特征通道的總數(shù)為64。將化、化的數(shù)值代入上述實施例的式2可W得到式2-1。
[0169] 將化、化的數(shù)值代入上述實施例的式3可W得到式3-1，在步驟S709中，采用式3-1設(shè) 置單調(diào)遞減權(quán)值函數(shù)；
[0170]
乂 3-I
[0171] 將化、化的數(shù)值代入上述實施例的式4可W得到式4-1，在步驟S710中，采用式4-1對 初始目標矩形區(qū)域的方向梯度直方圖和顏色直方圖進行加權(quán)處理，計算得到初始目標矩形 區(qū)域的綜合直方圖；
[0172]
式 4-1
[0173] 在步驟S711中，從第二帖圖像開始，采用連續(xù)自適應(yīng)的均值漂移算法，將上一目標 矩形區(qū)域作為當前目標矩形區(qū)域的初始值。
[0174] 在步驟S712中，調(diào)整當前目標矩形區(qū)域的大小和位置，W使當前目標矩形區(qū)域的 綜合直方圖與上一目標矩形區(qū)域的綜合直方圖的匹配度最高。
[0175] 運樣，通過基于顏色和梯度雙重特征，顏色直方圖反映目標的整體特征，方向梯度 直方圖反映目標的局部特征，對方向梯度直方圖和顏色直方圖進行加權(quán)處理得到綜合直方 圖，根據(jù)上一帖行人圖像對應(yīng)的上一目標矩形區(qū)域的綜合直方圖，在當前帖行人圖像中尋 找當前目標矩形區(qū)域，W使當前目標矩形區(qū)域的綜合直方圖與上一目標矩形區(qū)域的綜合直 方圖的匹配度最高，根據(jù)本發(fā)明實施例的行人檢測與跟蹤方法能夠具有較好的實時性，且 能夠獲得更加精確的行人運動軌跡，適用于動態(tài)攝像條件下的行人檢測與跟蹤。
[017W 實施例3
[0177] 圖8示出根據(jù)本發(fā)明另一實施例的行人檢測與跟蹤方法的實現(xiàn)流程圖。如圖8所 示，該方法主要包括：
[0178] 在步驟S801中，根據(jù)行人樣本的方向梯度直方圖和非行人樣本的方向梯度直方圖 訓(xùn)練得到初始分類器。
[0179] 在本發(fā)明實施例中，提取行人樣本和非行人樣本的方向梯度直方圖特征，投入到 SVM中訓(xùn)練，得到初始分類器。
[0180] 在步驟S801之前，該方法還可W包括:選定行人樣本和非行人樣本。例如，可W采 ^INRIA(Institut National de Recherche en Informatique et en Automatique(法 語），the French Institute for Research in Computer Science and Automation，法國 國家信息與自動化研究所)行人數(shù)據(jù)集，假設(shè)行人樣本的數(shù)量為2451。非行人樣本取自非行 人樣本原圖，數(shù)量為13400。
[0181] 在步驟S802中，采用初始分類器檢測非行人樣本，獲得難例，并提取難例的方向梯 度直方圖。
[0182] 采用初始分類器檢測前面用來訓(xùn)練的非行人樣本，獲得難例化ard Example)。難 例指的是由初始分類器判定為行人，而實際并非行人的樣本。例如，從13400個非行人樣本 中檢測出4716個難例。
[0183] 在步驟S803中，根據(jù)難例、行人樣本和非行人樣本的方向梯度直方圖訓(xùn)練初始分 類器，得到SVM分類器。
[0184] 在步驟S804中，采用SVM分類器對第一帖行人圖像進行檢測，得到初始目標矩形區(qū) 域，并計算初始目標矩形區(qū)域的方向梯度直方圖。
[0185] 在步驟S805中，計算初始目標矩形區(qū)域在服V顏色空間的色調(diào)分量直方圖，并根據(jù) 初始目標矩形區(qū)域的色調(diào)分量直方圖計算初始目標矩形區(qū)域的顏色直方圖。
[0186] 在步驟S806中，對初始目標矩形區(qū)域的方向梯度直方圖和顏色直方圖進行加權(quán)處 理，得到初始目標矩形區(qū)域的綜合直方圖。
[0187] 在步驟S807中，從第二帖行人圖像開始，根據(jù)上一帖行人圖像對應(yīng)的上一目標矩 形區(qū)域的綜合直方圖，在當前帖行人圖像中尋找當前目標矩形區(qū)域，W使當前目標矩形區(qū) 域的綜合直方圖與上一目標矩形區(qū)域的綜合直方圖的匹配度最高。
[0188] 運樣，通過采用方向梯度直方圖特征結(jié)合SVM方法訓(xùn)練和檢測行人，獲取行人初始 位置，作為連續(xù)自適應(yīng)的均值漂移算法的初始化參數(shù)，提高了行人跟蹤的精度。
[01例實施例4
[0190] 圖9示出根據(jù)本發(fā)明另一實施例的行人檢測與跟蹤裝置的結(jié)構(gòu)框圖。如圖9所示， 該裝置主要包括：
[0191] 方向梯度直方圖計算模塊91，用于采用SVM分類器對第一帖行人圖像進行檢測，得 到初始目標矩形區(qū)域，并計算初始目標矩形區(qū)域的方向梯度直方圖；
[0192] 顏色直方圖計算模塊92,用于計算初始目標矩形區(qū)域在HSV顏色空間的色調(diào)分量 直方圖，并根據(jù)初始目標矩形區(qū)域的色調(diào)分量直方圖計算初始目標矩形區(qū)域的顏色直方 圖；
[0193] 綜合直方圖計算模塊93,用于對初始目標矩形區(qū)域的方向梯度直方圖和顏色直方 圖進行加權(quán)處理，得到初始目標矩形區(qū)域的綜合直方圖；
[0194] 目標矩形區(qū)域?qū)ふ夷K94,用于從第二帖行人圖像開始，根據(jù)上一帖行人圖像對 應(yīng)的上一目標矩形區(qū)域的綜合直方圖，在當前帖行人圖像中尋找當前目標矩形區(qū)域，W使 當前目標矩形區(qū)域的綜合直方圖與上一目標矩形區(qū)域的綜合直方圖的匹配度最高。
[01M]對于上述裝置，在一種可能的實現(xiàn)方式中，顏色直方圖計算模塊92包括：
[0196] 顏色特征通道劃分子模塊921，用于將RGB顏色空間的R、G和BS個顏色子空間分別 劃分為Q級，得到化=%個RGB顏色空間的特征通道；
[0197] 顏色直方圖計算子模塊922,用于采用均值漂移算法，統(tǒng)計各個特征通道在初始目 標矩形區(qū)域中出現(xiàn)的概率W得到初始目標矩形區(qū)域的顏色直方圖。
[0198] 對于上述裝置，在一種可能的實現(xiàn)方式中，顏色直方圖計算子模塊922具體用于：
[0199] 采用式1計算得到初始目標矩形區(qū)域的顏色直方圖；
[09m1 試1
[0201] 其中，U為第U個特征通道，y為中屯、點的特征值，化為第U個特征通道在初始目 標矩形區(qū)域中出現(xiàn)的概率，C為歸一化常數(shù)，i為第i個樣本點，n為樣本點的總數(shù)，k為在半徑 為h的高維球形區(qū)域中的樣本點的數(shù)量，Xi為第i個樣本點的特征值，h為高維球形區(qū)域的半 徑，bi(xi)為樣本點Xi所屬的顏色空間的特征通道，S[bi(xi)-u]為單位脈沖函數(shù)，N功顏色 空間的特征通道的總數(shù)。
[0202] 對于上述裝置，在一種可能的實現(xiàn)方式中，方向梯度直方圖計算模塊91包括：
[0203] 灰度化子模塊911，用于對初始目標矩形區(qū)域進行灰度化；
[0204] 校正子模塊912,用于對灰度化的目標矩形區(qū)域進行Gamma校正；
[0205] 梯度計算子模塊913,用于計算校正后的目標矩形區(qū)域中每個像素的梯度；
[0206] 方向梯度直方圖計算子模塊914,用于將梯度劃分為P級，得到P個梯度特征通道， 并采用均值漂移算法計算初始目標矩形區(qū)域的方向梯度直方圖。
[0207] 對于上述裝置，在一種可能的實現(xiàn)方式中，方向梯度直方圖計算子模塊914具體用 于：
[0208] 將梯度劃分為P級，得到P個梯度特征通道，并采用式2計算得到初始目標矩形區(qū)域 的方向梯度直方圖；
[02091 式2
[021 U」共T，UW呆irr符化化淚，y;/、」T心、巧的符化m，化、/)為第U個特征通道在初始目 標矩形區(qū)域中出現(xiàn)的概率，C為歸一化常數(shù)，i為第i個樣本點，n為樣本點的總數(shù)，k為在半徑 為h的高維球形區(qū)域中的樣本點的數(shù)量，Xi為第i個樣本點的特征值，h為高維球形區(qū)域的半 徑，b2(Xi)為樣本點Xi所屬的梯度特征通道，S[b2(Xi)-u]為單位脈沖函數(shù)，Ni為顏色空間的 特征通道的總數(shù)，N2-化=P為梯度特征通道的總數(shù)，N2為特征通道的總數(shù)。
[0211] 對于上述裝置，在一種可能的實現(xiàn)方式中，綜合直方圖計算模塊93包括：
[0212] 單調(diào)遞減權(quán)值函數(shù)設(shè)置子模塊931，用于設(shè)置一單調(diào)遞減權(quán)值函數(shù)；
[0213] 綜合直方圖計算子模塊932,用于根據(jù)單調(diào)遞減權(quán)值函數(shù)對初始目標矩形區(qū)域的 方向梯度直方圖和顏色直方圖進行加權(quán)處理，計算得到初始目標矩形區(qū)域的綜合直方圖。
[0214] 對于上述裝置，在一種可能的實現(xiàn)方式中，單調(diào)遞減權(quán)值函數(shù)設(shè)置子模塊931具體 用于：
[0215] 采用式3設(shè)置單調(diào)遞減權(quán)值函數(shù)；
[0216]
式3
[0217] 其中，U為第U個特征通道，化為顏色空間的特征通道的總數(shù)，化為特征通道的總數(shù)；
[0218] 綜合直方圖計算子模塊932具體用于：
[0219] 采用式4對初始目標矩形區(qū)域的方向梯度直方圖和顏色直方圖進行加權(quán)處理，計 算得到初始目標矩形區(qū)域的綜合直方圖；
戎4
[0221]其中，y為中屯、點的特征值，為第U個特征通道在初始目標矩形區(qū)域中出現(xiàn) 的概率，C為歸一化常數(shù)，i為第i個樣本點，n為樣本點的總數(shù)，k為在半徑為h的高維球形區(qū) 域中的樣本點的數(shù)量，Xi為第i個樣本點的特征值，h為高維球形區(qū)域的半徑，bl(Xi)為樣本 點Xi所屬的顏色空間的特征通道，b2(Xi)為樣本點Xi所屬的梯度特征通道，S[bi(xi)-u巧口 5
[b2(Xi)-u]為單位脈沖函數(shù)，Ni為顏色空間的特征通道的總數(shù)，化-Ni = P為梯度特征通道的 總數(shù)，化為特征通道的總數(shù)。
[0222] 對于上述裝置，在一種可能的實現(xiàn)方式中，目標矩形區(qū)域?qū)ふ夷K94包括：
[0223] 初始值設(shè)置子模塊941，用于從第二帖圖像開始，采用連續(xù)自適應(yīng)的均值漂移算 法，將上一目標矩形區(qū)域作為當前目標矩形區(qū)域的初始值；
[0224] 目標矩形區(qū)域調(diào)整子模塊942，用于調(diào)整當前目標矩形區(qū)域的大小和位置，W使當 前目標矩形區(qū)域的綜合直方圖與上一目標矩形區(qū)域的綜合直方圖的匹配度最高。
[0225] 通過基于顏色和梯度雙重特征，顏色直方圖反映目標的整體特征，方向梯度直方 圖反映目標的局部特征，對方向梯度直方圖和顏色直方圖進行加權(quán)處理得到綜合直方圖， 根據(jù)上一帖行人圖像對應(yīng)的上一目標矩形區(qū)域的綜合直方圖，在當前帖行人圖像中尋找當 前目標矩形區(qū)域，W使當前目標矩形區(qū)域的綜合直方圖與上一目標矩形區(qū)域的綜合直方圖 的匹配度最高，根據(jù)本發(fā)明實施例的行人檢測與跟蹤裝置能夠具有較好的實時性，且能夠 獲得更加精確的行人運動軌跡，適用于動態(tài)攝像條件下的行人檢測與跟蹤。
[0226] W上所述，僅為本發(fā)明的【具體實施方式】，但本發(fā)明的保護范圍并不局限于此，任何 熟悉本技術(shù)領(lǐng)域的技術(shù)人員在本發(fā)明掲露的技術(shù)范圍內(nèi)，可輕易想到變化或替換，都應(yīng)涵 蓋在本發(fā)明的保護范圍之內(nèi)。因此，本發(fā)明的保護范圍應(yīng)W所述權(quán)利要求的保護范圍為準。
【主權(quán)項】
1. 一種行人檢測與跟蹤方法，其特征在于，包括： 采用SVM分類器對第一幀行人圖像進行檢測，得到初始目標矩形區(qū)域，并計算所述初始 目標矩形區(qū)域的方向梯度直方圖； 計算所述初始目標矩形區(qū)域在HSV顏色空間的色調(diào)分量直方圖，并根據(jù)所述初始目標 矩形區(qū)域的色調(diào)分量直方圖計算所述初始目標矩形區(qū)域的顏色直方圖； 對所述初始目標矩形區(qū)域的方向梯度直方圖和顏色直方圖進行加權(quán)處理，得到所述初 始目標矩形區(qū)域的綜合直方圖； 從第二幀行人圖像開始，根據(jù)上一幀行人圖像對應(yīng)的上一目標矩形區(qū)域的綜合直方 圖，在當前幀行人圖像中尋找當前目標矩形區(qū)域，以使所述當前目標矩形區(qū)域的綜合直方 圖與所述上一目標矩形區(qū)域的綜合直方圖的匹配度最高。2. 根據(jù)權(quán)利要求1所述的方法，其特征在于，根據(jù)所述初始目標矩形區(qū)域的色調(diào)分量直 方圖計算所述初始目標矩形區(qū)域的顏色直方圖，包括： 將RGB顏色空間的R、G和B三個顏色子空間分別劃分為Q級，得到N! = 3Q個RGB顏色空間的 特征通道； 采用均值漂移算法，統(tǒng)計各個特征通道在所述初始目標矩形區(qū)域中出現(xiàn)的概率以得到 所述初始目標矩形區(qū)域的顏色直方圖。3. 根據(jù)權(quán)利要求2所述的方法，其特征在于，采用均值漂移算法，統(tǒng)計各個特征通道在 所述初始目標矩形區(qū)域中出現(xiàn)的概率以得到所述初始目標矩形區(qū)域的顏色直方圖，具體 為： 采用式1計算得到所述初始目標矩形區(qū)域的顏色直方圖；a弋1 其中，u為第u個特征通道，y為中心點的特征值，九為第u個特征通道在初始目標矩 形區(qū)域中出現(xiàn)的概率，c為歸一化常數(shù)，i為第i個樣本點，η為樣本點的總數(shù)，k為在半徑為h 的高維球形區(qū)域中的樣本點的數(shù)量，Xl為第i個樣本點的特征值，h為高維球形區(qū)域的半徑， bi(xi)為樣本點xi所屬的顏色空間的特征通道，S[bi(xi)-u]為單位脈沖函數(shù)，Νι為顏色空間 的特征通道的總數(shù)。4. 根據(jù)權(quán)利要求1至3任意一項所述的方法，其特征在于，計算所述初始目標矩形區(qū)域 的方向梯度直方圖，包括： 對所述初始目標矩形區(qū)域進行灰度化； 對灰度化的目標矩形區(qū)域進行Gamma校正； 計算校正后的目標矩形區(qū)域中每個像素的梯度； 將梯度劃分為P級，得到P個梯度特征通道，并采用均值漂移算法計算所述初始目標矩 形區(qū)域的方向梯度直方圖。5. 根據(jù)權(quán)利要求4所述的方法，其特征在于，采用均值漂移算法計算所述初始目標矩形 區(qū)域的方向梯度直方圖，具體為： 采用式2計算得到所述初始目標矩形區(qū)域的方向梯度直方圖；式2 其中，u為第u個特征通道，y為中心點的特征值，瓦(>'；)為第u個特征通道在初始目標矩 形區(qū)域中出現(xiàn)的概率，c為歸一化常數(shù)，i為第i個樣本點，η為樣本點的總數(shù)，k為在半徑為h 的高維球形區(qū)域中的樣本點的數(shù)量，Xl為第i個樣本點的特征值，h為高維球形區(qū)域的半徑， b2(xi)為樣本點xi所屬的梯度特征通道，S[b2(xi)_u]為單位脈沖函數(shù)，Νι為顏色空間的特征 通道的總數(shù)，Ns-NfP為梯度特征通道的總數(shù)，N 2為特征通道的總數(shù)。6. 根據(jù)權(quán)利要求1至5任意一項所述的方法，其特征在于，對所述初始目標矩形區(qū)域的 方向梯度直方圖和顏色直方圖進行加權(quán)處理，得到所述初始目標矩形區(qū)域的綜合直方圖， 包括： 設(shè)置一單調(diào)遞減權(quán)值函數(shù)； 根據(jù)所述單調(diào)遞減權(quán)值函數(shù)對所述初始目標矩形區(qū)域的方向梯度直方圖和顏色直方 圖進行加權(quán)處理，計算得到所述初始目標矩形區(qū)域的綜合直方圖。7. 根據(jù)權(quán)利要求6所述的方法，其特征在于，設(shè)置一單調(diào)遞減權(quán)值函數(shù)具體為： 采用式3設(shè)置所述單調(diào)遞減權(quán)值函數(shù)； 式3: \ / ^ / · j. 其中，u為第u個特征通道，Λ為顏色空間的特征通道的總數(shù)，N2為特征通道的總數(shù)； 根據(jù)所述單調(diào)遞減權(quán)值函數(shù)對所述初始目標矩形區(qū)域的方向梯度直方圖和顏色直方 圖進行加權(quán)處理，計算得到所述初始目標矩形區(qū)域的綜合直方圖，具體為： 采用式4對所述初始目標矩形區(qū)域的方向梯度直方圖和顏色直方圖進行加權(quán)處理，計 算得到所述初始目標矩形區(qū)域的綜合直方圖；式4 其中，y為中心點的特征值，瓦為第u個特征通道在初始目標矩形區(qū)域中出現(xiàn)的概 率，c為歸一化常數(shù)，i為第i個樣本點，η為樣本點的總數(shù)，k為在半徑為h的高維球形區(qū)域中 的樣本點的數(shù)量，Xl為第i個樣本點的特征值，h為高維球形區(qū)域的半徑，h(Xl)為樣本點^ 所屬的顏色空間的特征通道，b2(xi)為樣本點xi所屬的梯度特征通道，3[bi(xi)-u]和5[b2 ( Xl)_u]為單位脈沖函數(shù)，他為顏色空間的特征通道的總數(shù)，Ns-NpP為梯度特征通道的總 數(shù)，N2為特征通道的總數(shù)。8. 根據(jù)權(quán)利要求1至7任意一項所述的方法，其特征在于，從第二幀行人圖像開始，根據(jù) 上一幀行人圖像對應(yīng)的上一目標矩形區(qū)域的綜合直方圖，在當前幀行人圖像中尋找當前目 標矩形區(qū)域，以使所述當前目標矩形區(qū)域的綜合直方圖與所述上一目標矩形區(qū)域的綜合直 方圖的匹配度最高，包括： 從所述第二幀圖像開始，采用連續(xù)自適應(yīng)的均值漂移算法，將所述上一目標矩形區(qū)域 作為所述當前目標矩形區(qū)域的初始值； 調(diào)整所述當前目標矩形區(qū)域的大小和位置，以使所述當前目標矩形區(qū)域的綜合直方圖 與所述上一目標矩形區(qū)域的綜合直方圖的匹配度最高。9. 一種行人檢測與跟蹤裝置，其特征在于，包括： 方向梯度直方圖計算模塊，用于采用SVM分類器對第一幀行人圖像進行檢測，得到初始 目標矩形區(qū)域，并計算所述初始目標矩形區(qū)域的方向梯度直方圖； 顏色直方圖計算模塊，用于計算所述初始目標矩形區(qū)域在HSV顏色空間的色調(diào)分量直 方圖，并根據(jù)所述初始目標矩形區(qū)域的色調(diào)分量直方圖計算所述初始目標矩形區(qū)域的顏色 直方圖； 綜合直方圖計算模塊，用于對所述初始目標矩形區(qū)域的方向梯度直方圖和顏色直方圖 進行加權(quán)處理，得到所述初始目標矩形區(qū)域的綜合直方圖； 目標矩形區(qū)域?qū)ふ夷K，用于從第二幀行人圖像開始，根據(jù)上一幀行人圖像對應(yīng)的上 一目標矩形區(qū)域的綜合直方圖，在當前幀行人圖像中尋找當前目標矩形區(qū)域，以使所述當 前目標矩形區(qū)域的綜合直方圖與所述上一目標矩形區(qū)域的綜合直方圖的匹配度最高。10. 根據(jù)權(quán)利要求9所述的裝置，其特征在于，所述顏色直方圖計算模塊包括： 顏色特征通道劃分子模塊，用于將RGB顏色空間的R、G和B三個顏色子空間分別劃分為Q 級，得到N! = 3Q個RGB顏色空間的特征通道； 顏色直方圖計算子模塊，用于采用均值漂移算法，統(tǒng)計各個特征通道在所述初始目標 矩形區(qū)域中出現(xiàn)的概率以得到所述初始目標矩形區(qū)域的顏色直方圖。11. 根據(jù)權(quán)利要求10所述的裝置，其特征在于，所述顏色直方圖計算子模塊具體用于： 采用式1計算得到所述初始目標矩形區(qū)域的顏色直方圖；式1 其中，u為第u個特征通道，y為中心點的特征值，及,(63為第u個特征通道在初始目標矩 形區(qū)域中出現(xiàn)的概率，c為歸一化常數(shù)，i為第i個樣本點，η為樣本點的總數(shù)，k為在半徑為h 的高維球形區(qū)域中的樣本點的數(shù)量，Xl為第i個樣本點的特征值，h為高維球形區(qū)域的半徑， bi(xi)為樣本點xi所屬的顏色空間的特征通道，S[bi(xi)-u]為單位脈沖函數(shù)，Νι為顏色空間 的特征通道的總數(shù)。12. 根據(jù)權(quán)利要求9-11任意一項所述的裝置，其特征在于，所述方向梯度直方圖計算模 塊包括： 灰度化子模塊，用于對所述初始目標矩形區(qū)域進行灰度化； 校正子模塊，用于對灰度化的目標矩形區(qū)域進行Gamma校正； 梯度計算子模塊，用于計算校正后的目標矩形區(qū)域中每個像素的梯度； 方向梯度直方圖計算子模塊，用于將梯度劃分為P級，得到P個梯度特征通道，并采用均 值漂移算法計算所述初始目標矩形區(qū)域的方向梯度直方圖。13. 根據(jù)權(quán)利要求12所述的裝置，其特征在于，所述方向梯度直方圖計算子模塊具體用 于： 將梯度劃分為P級，得到P個梯度特征通道，并采用式2計算得到所述初始目標矩形區(qū)域 的方向梯度直方圖；式2 其中，u為第u個特征通道，y為中心點的特征值，瓦(>'；)為第u個特征通道在初始目標矩 形區(qū)域中出現(xiàn)的概率，c為歸一化常數(shù)，i為第i個樣本點，η為樣本點的總數(shù)，k為在半徑為h 的高維球形區(qū)域中的樣本點的數(shù)量，Xl為第i個樣本點的特征值，h為高維球形區(qū)域的半徑， b2(xi)為樣本點xi所屬的梯度特征通道，S[b2(xi)_u]為單位脈沖函數(shù)，Νι為顏色空間的特征 通道的總數(shù)，Ns-NfP為梯度特征通道的總數(shù)，N 2為特征通道的總數(shù)。14. 根據(jù)權(quán)利要求9至13任意一項所述的裝置，其特征在于，所述綜合直方圖計算模塊 包括： 單調(diào)遞減權(quán)值函數(shù)設(shè)置子模塊，用于設(shè)置一單調(diào)遞減權(quán)值函數(shù)； 綜合直方圖計算子模塊，用于根據(jù)所述單調(diào)遞減權(quán)值函數(shù)對所述初始目標矩形區(qū)域的 方向梯度直方圖和顏色直方圖進行加權(quán)處理，計算得到所述初始目標矩形區(qū)域的綜合直方 圖。15. 根據(jù)權(quán)利要求14所述的裝置，其特征在于，所述單調(diào)遞減權(quán)值函數(shù)設(shè)置子模塊具體 用于： 采用式3設(shè)置所述單調(diào)遞減權(quán)值函數(shù)；式3 其中，u為第u個特征通道，Λ為顏色空間的特征通道的總數(shù)，N2為特征通道的總數(shù)； 所述綜合直方圖計算子模塊具體用于： 采用式4對所述初始目標矩形區(qū)域的方向梯度直方圖和顏色直方圖進行加權(quán)處理，計 算得到所述初始目標矩形區(qū)域的綜合直方圖；式4 其中，y為中心點的特征值，瓦為第u個特征通道在初始目標矩形區(qū)域中出現(xiàn)的概 率，c為歸一化常數(shù)，i為第i個樣本點，η為樣本點的總數(shù)，k為在半徑為h的高維球形區(qū)域中 的樣本點的數(shù)量，Xl為第i個樣本點的特征值，h為高維球形區(qū)域的半徑，h(Xl)為樣本點^ 所屬的顏色空間的特征通道，b2(xi)為樣本點xi所屬的梯度特征通道，3[bi(xi)-u]和5[b2 ( Xl)_u]為單位脈沖函數(shù)，他為顏色空間的特征通道的總數(shù)，Ns-NpP為梯度特征通道的總 數(shù)，N2為特征通道的總數(shù)。16. 根據(jù)權(quán)利要求9至15任意一項所述的裝置，其特征在于，所述目標矩形區(qū)域?qū)ふ夷?塊包括： 初始值設(shè)置子模塊，用于從所述第二幀圖像開始，采用連續(xù)自適應(yīng)的均值漂移算法，將 所述上一目標矩形區(qū)域作為所述當前目標矩形區(qū)域的初始值； 目標矩形區(qū)域調(diào)整子模塊，用于調(diào)整所述當前目標矩形區(qū)域的大小和位置，以使所述 當前目標矩形區(qū)域的綜合直方圖與所述上一目標矩形區(qū)域的綜合直方圖的匹配度最高。
【文檔編號】G06K9/46GK105957107SQ201610270253
【公開日】2016年9月21日
【申請日】2016年4月27日
【發(fā)明人】馮偉明
【申請人】北京博瑞空間科技發(fā)展有限公司