本發(fā)明涉及客流統(tǒng)計(jì)領(lǐng)域，更具體地，涉及一種基于視頻監(jiān)控的客運(yùn)站非出入口區(qū)域的客流統(tǒng)計(jì)方法。
背景技術(shù)：
：利用監(jiān)控視頻進(jìn)行客流檢測(cè)，一直是視頻智能分析研究與應(yīng)用中的熱點(diǎn)。由于人體屬于非剛性目標(biāo)，行進(jìn)過(guò)程中姿態(tài)多變，而且背景環(huán)境復(fù)雜，光照條件多樣，加之視頻拍攝時(shí)投影原理造成的遮擋和粘連，給客流檢測(cè)技術(shù)的發(fā)展帶來(lái)巨大挑戰(zhàn)。客流檢測(cè)方法主要包括三個(gè)環(huán)節(jié)：行人檢測(cè)、行人跟蹤和人數(shù)統(tǒng)計(jì)，相關(guān)研究綜述如下：(1)行人檢測(cè)行人檢測(cè)就是利用圖像處理、模式識(shí)別等技術(shù)，提取出有效的行人特征表達(dá)，并根據(jù)這些特征識(shí)別出視頻中的行人目標(biāo)，從而實(shí)現(xiàn)行人的定位和分割。常用的行人特征主要是表觀特征，包括形狀、顏色、梯度和紋理等圖像特征，典型的有Haar特征、Haar-like特征、HOG特征等。采用合適的單一特征可以實(shí)現(xiàn)行人檢測(cè)。如Gavrila和Munder[1]提出一種基于形狀輪廓匹配的行人檢測(cè)方法；Lin和Davis[2]使用分層的部件模板匹配方法實(shí)現(xiàn)行人檢測(cè)；ZuiZhang等[3]基于高斯模型結(jié)合XYZ和HSV顏色空間構(gòu)建了一個(gè)相似度函數(shù)來(lái)檢測(cè)不同行人的發(fā)色和膚色，從而得到人頭位置信息；高春霞等[4]根據(jù)人臉膚色、發(fā)色在YCbCr和RGB顏色空間的聚類情況，建立人頭顏色模型，分割出人頭候選區(qū)域，并結(jié)合后續(xù)的步驟完成行人檢測(cè)；種衍文等[5]對(duì)HOG特征進(jìn)行擴(kuò)展，提出了新的EHOG特征，充分利用人體的紋理信息來(lái)減少虛警；黃茜等[6]從行人紋理信息的角度，提出了基于分塊的局部二元模式(LBP)算法，利用局部二元模式均勻模式算子提取小塊圖像的特征直方圖后，進(jìn)行歸一化處理并將所有小塊特征級(jí)聯(lián)起來(lái)形成最終的局部二元模式特征，并用實(shí)驗(yàn)證明這一特征有著不亞于HOG特征的行人表征能力。為了進(jìn)一步形成魯棒性更強(qiáng)的行人目標(biāo)表征，很多研究者將多種特征進(jìn)行融合。郭烈等[7]提取了行人樣本的紋理特征、對(duì)稱性特征、邊界矩特征以及梯度方向特征，組成表征行人的多維特征向量，獲取約75％的行人檢測(cè)率；楊志輝等[8]在Haar特征和HOG特征的基礎(chǔ)上提出了一種新的特征，即多尺度方向特征(MSO)，檢測(cè)準(zhǔn)確率在INTRA測(cè)試集上當(dāng)誤報(bào)率為10-4時(shí)達(dá)80％，檢測(cè)速度也近于實(shí)時(shí)效果；歐陽(yáng)萬(wàn)里等[9]結(jié)合行人的遮擋模型和形變模型，采用多種策略的組合提取行人特征來(lái)對(duì)行人進(jìn)行檢測(cè)，在Caltech數(shù)據(jù)庫(kù)上測(cè)試的平均漏檢率為39％；Yi-MingChan等[10]提出新的擴(kuò)展HOG特征——HOGG(HistogramsofOrientedGrientsofGranule)，并將其和HOG特征相結(jié)合共同訓(xùn)練SVM分類器，用于行人檢測(cè)，在INRIA測(cè)試集上當(dāng)誤報(bào)率為10-4時(shí)其檢測(cè)率可達(dá)92％。為了適應(yīng)更復(fù)雜的挑戰(zhàn)，如光照和視角變換等，還有研究人員通過(guò)融合時(shí)空結(jié)構(gòu)的深度學(xué)習(xí)方法，或者在特征與分類器之間增加中間環(huán)節(jié)來(lái)提高整體檢測(cè)水平。如王斌[11]利用深度學(xué)習(xí)網(wǎng)絡(luò)作為特征提取方法，設(shè)計(jì)了基于深度學(xué)習(xí)的行人檢測(cè)算法，使行人檢測(cè)的性能得到大幅提升，在INRIA數(shù)據(jù)庫(kù)上進(jìn)行測(cè)試的誤檢率保持在10％時(shí)漏檢率為23％；Zhangshanshan[12]等人在底層特征和分類器之間增加中間層，對(duì)底層特征使用濾波器組進(jìn)行濾波,并使用boosted決策樹(shù)進(jìn)行分類，從而提升行人檢測(cè)率，使用HOG+LUV特征在Caltech和KITTI數(shù)據(jù)庫(kù)上的平均誤檢率低達(dá)18.5％。(2)行人跟蹤行人跟蹤主要是為了解決同一行人在圖像序列中的數(shù)據(jù)關(guān)聯(lián)問(wèn)題。行人跟蹤的方法主要分為四類：基于目標(biāo)中心點(diǎn)的跟蹤方法、基于目標(biāo)區(qū)域的跟蹤方法、基于目標(biāo)模型的跟蹤方法和基于特征的跟蹤方法?；谀繕?biāo)中心點(diǎn)的跟蹤方法一般根據(jù)前一幀目標(biāo)中心點(diǎn)的位置、目標(biāo)的運(yùn)動(dòng)信息來(lái)預(yù)測(cè)目標(biāo)當(dāng)前幀的位置，然后匹配預(yù)測(cè)點(diǎn)和檢測(cè)點(diǎn)的位置，實(shí)現(xiàn)跟蹤。此類方法對(duì)于目標(biāo)輪廓沒(méi)有太大變化的小剛體目標(biāo)，其魯棒性和有效性較好。常用的預(yù)測(cè)和估計(jì)的數(shù)學(xué)工具有Kalman濾波、粒子濾波等。李熙瑩、盧林等[13]針對(duì)汽車客運(yùn)站出入口場(chǎng)景，采用了Kalman濾波較好地跟蹤了行人頭肩部分的中心點(diǎn)?；谀繕?biāo)區(qū)域的跟蹤方法將運(yùn)動(dòng)目標(biāo)分解為運(yùn)動(dòng)區(qū)域的組合，通過(guò)區(qū)域塊的匹配實(shí)現(xiàn)跟蹤。Wren[14]認(rèn)為人體是由頭部、軀體、四肢等部分所對(duì)應(yīng)的小區(qū)域塊所組成，通過(guò)對(duì)這些小區(qū)域塊的跟蹤即可完成對(duì)整個(gè)行人的跟蹤。McKenna[15]首先通過(guò)背景差分的方法提取到運(yùn)動(dòng)目標(biāo)區(qū)域，然后在區(qū)域、人、人群三個(gè)抽象級(jí)別上進(jìn)行跟蹤。由于運(yùn)動(dòng)區(qū)域一般通過(guò)背景差分的方法來(lái)獲取，因此背景建模以及更新都會(huì)對(duì)跟蹤結(jié)果有較大影響?；谀繕?biāo)模型的跟蹤方法是為跟蹤的目標(biāo)定制一個(gè)模型，通過(guò)對(duì)模型的變化分析來(lái)完成對(duì)目標(biāo)的跟蹤。常用的人體跟蹤模型有線圖模型、二維模型和三維立體模型等等，如Wachter[16]在橢圓錐臺(tái)的基礎(chǔ)上建立了3D人體模型，通過(guò)分析連續(xù)視頻幀3D模型的投影來(lái)實(shí)現(xiàn)人體跟蹤?；谀繕?biāo)模型的跟蹤方法在目標(biāo)姿態(tài)變化下的跟蹤結(jié)果可靠度高，但是也存在計(jì)算量大、實(shí)時(shí)性不夠、實(shí)際幾何模型精度差等缺點(diǎn)。基于特征的跟蹤方法是通過(guò)圖像序列間的目標(biāo)特征匹配實(shí)現(xiàn)跟蹤，也是最為多用的方法。張陽(yáng)[17]提出一種基于融合顏色、紋理及對(duì)應(yīng)子空間特征信息的快速粒子濾波行人跟蹤算法，提取目標(biāo)行人的空間信息并細(xì)化成頭部、上身、腿部三個(gè)局部子區(qū)域；其次，利用改進(jìn)的紋理及顏色信息提取算法提取對(duì)應(yīng)目標(biāo)子區(qū)域中的聯(lián)合紋理、顏色信息；最后，通過(guò)基于空間劃分的顏色紋理相似度指標(biāo)來(lái)判斷跟蹤目標(biāo)的位置，實(shí)現(xiàn)準(zhǔn)確跟蹤。趙敏[18]研究了基于改進(jìn)meanshift的行人頭部目標(biāo)跟蹤方法，在分析行人頭部目標(biāo)在運(yùn)動(dòng)中的旋轉(zhuǎn)、形變等特點(diǎn)的基礎(chǔ)上，將meanshift算法引入行人頭部目標(biāo)跟蹤，并針對(duì)其不足進(jìn)行改進(jìn)，結(jié)合行人檢測(cè)和行人計(jì)數(shù)實(shí)現(xiàn)公交場(chǎng)景下的上下車乘客人數(shù)自動(dòng)計(jì)數(shù)系統(tǒng)。(3)人數(shù)統(tǒng)計(jì)人數(shù)統(tǒng)計(jì)即獲得監(jiān)控范圍內(nèi)的客流時(shí)空分布數(shù)據(jù)。按照適用的環(huán)境來(lái)劃分，人數(shù)統(tǒng)計(jì)方法可以分為：基于行人檢測(cè)與跟蹤的人數(shù)統(tǒng)計(jì)方法和基于底層特征的人數(shù)統(tǒng)計(jì)方法?；谛腥藱z測(cè)與跟蹤的人數(shù)統(tǒng)計(jì)方法，可以直接顯示行人的檢測(cè)與跟蹤，從而對(duì)跟蹤到的行人進(jìn)行人數(shù)統(tǒng)計(jì)，計(jì)數(shù)精度高，常用于通道口、出入口等場(chǎng)所的人數(shù)統(tǒng)計(jì)；王冰[19]等人針對(duì)客運(yùn)站閘機(jī)通道的場(chǎng)景，利用HOG特征進(jìn)行行人檢測(cè)，隨后利用mean-shift算法對(duì)目標(biāo)進(jìn)行實(shí)時(shí)跟蹤；鄭翔翔、張怡[20]提出一種基于頭部檢測(cè)和跟蹤的人數(shù)統(tǒng)計(jì)方法，實(shí)驗(yàn)證明該方法適用于出入口場(chǎng)景下的行人檢測(cè)；吳冬梅[21]也利用了基于人頭檢測(cè)的人數(shù)統(tǒng)計(jì)方法，增加了感興趣區(qū)域的設(shè)定，實(shí)現(xiàn)出入口場(chǎng)景下的實(shí)時(shí)人數(shù)統(tǒng)計(jì)?；诘讓犹卣鞯娜藬?shù)統(tǒng)計(jì)方法，其所采用的底層特征有像素、紋理等特征，這類方法一般不注重個(gè)體，往往用來(lái)做人數(shù)的粗略統(tǒng)計(jì)，即人流密度估計(jì)，主要應(yīng)用于遮擋嚴(yán)重或者人體細(xì)節(jié)不清晰的街道、廣場(chǎng)等大范圍開(kāi)放環(huán)境。王媛媛[22]提出一種基于模糊匹配的自適應(yīng)人群密度估計(jì)算法，為實(shí)時(shí)的視頻監(jiān)控提供了很好地密度估計(jì)方法；任慶云[23]針對(duì)中低人群密度情況提出一種基于像素分析的人群密度估計(jì)方法，而對(duì)于中高人群密度情況，則采用基于紋理分析的方法提取人群密度特征。但是，對(duì)于客運(yùn)站非出入口區(qū)域，一般監(jiān)控?cái)z像機(jī)拍攝的設(shè)置方向以俯側(cè)方向、較大觀察視場(chǎng)為主，采集的圖像容易出現(xiàn)行人遮擋的情況；再者，客運(yùn)站非出入口區(qū)域的行人姿態(tài)多變、行為復(fù)雜、且行走方向難預(yù)測(cè)。因此在行人檢測(cè)、跟蹤、計(jì)數(shù)等方面，有大量技術(shù)難點(diǎn)有待攻克。如何對(duì)客運(yùn)站視頻監(jiān)控系統(tǒng)中非出入口場(chǎng)景下的人流進(jìn)行實(shí)時(shí)檢測(cè)、跟蹤、統(tǒng)計(jì)成為目前亟待解決的問(wèn)題。技術(shù)實(shí)現(xiàn)要素：本發(fā)明為解決以上現(xiàn)有技術(shù)的缺陷，提供了一種基于視頻監(jiān)控的客運(yùn)站非出入口區(qū)域的客流統(tǒng)計(jì)方法，該方法針對(duì)于客運(yùn)站非出入口區(qū)域拍攝的圖像容易出現(xiàn)遮擋的特點(diǎn)，提出使用行人的不易被遮擋、且形態(tài)基本不變的頭肩部haar-like特征來(lái)對(duì)行人進(jìn)行檢測(cè)，其檢測(cè)判別是否為行人的準(zhǔn)確率較高，適用于行人圖像出現(xiàn)遮擋的應(yīng)用場(chǎng)景；而在完成檢測(cè)后，通過(guò)Kalman濾波器和以上檢測(cè)行人的方法來(lái)對(duì)行人在每幀圖像的位置進(jìn)行雙重追蹤，以保證追蹤的準(zhǔn)確率；實(shí)驗(yàn)證明，該方法能夠針對(duì)客運(yùn)站非出入口區(qū)域行人姿態(tài)多變、行為復(fù)雜、行走方向難預(yù)測(cè)的特點(diǎn)，達(dá)到很好的追蹤效果。通過(guò)對(duì)行人的準(zhǔn)確檢測(cè)和追蹤，本發(fā)明提供的方法能夠有效地記錄下行人的運(yùn)動(dòng)軌跡，保證了行人目標(biāo)的匹配，減少誤檢和遺漏，提高人數(shù)統(tǒng)計(jì)精度。為實(shí)現(xiàn)以上發(fā)明目的，采用的技術(shù)方案是：一種基于視頻監(jiān)控的客運(yùn)站非出入口區(qū)域的客流統(tǒng)計(jì)方法，該方法預(yù)先劃定好人數(shù)統(tǒng)計(jì)區(qū)域，并對(duì)該區(qū)域內(nèi)的行人目標(biāo)進(jìn)行檢測(cè)和跟蹤，從而統(tǒng)計(jì)進(jìn)入和離開(kāi)統(tǒng)計(jì)區(qū)域的人數(shù)，其中對(duì)行人目標(biāo)進(jìn)行檢測(cè)和跟蹤的具體過(guò)程如下：S1.人工提取監(jiān)控圖像里的行人的頭肩部haar-like特征對(duì)AdBoost分類器進(jìn)行訓(xùn)練，得到訓(xùn)練好的AdBoost分類器；S2.對(duì)于當(dāng)前幀圖像，采用背景差分法在當(dāng)前幀圖像的統(tǒng)計(jì)區(qū)域內(nèi)獲取運(yùn)動(dòng)目標(biāo)；S3.提取運(yùn)動(dòng)目標(biāo)的頭肩部haar-like特征，并將其輸入訓(xùn)練好的AdBoost分類器內(nèi)，AdBoost分類器判別運(yùn)動(dòng)目標(biāo)是否為行人，若是則執(zhí)行步驟S4；S4.計(jì)算判別為行人的運(yùn)動(dòng)目標(biāo)的頭肩部中心點(diǎn)位置，并使用四維向量Xk＝(px,py,vx,vy)來(lái)表示其在當(dāng)前幀的系統(tǒng)狀態(tài)，其中(px,py)表示頭肩部中心點(diǎn)的位置，(vx,vy)表示中心點(diǎn)的速度；S5.將Xk輸入Kalman濾波器，并對(duì)Kalman濾波器的四個(gè)參數(shù)進(jìn)行初始化：Ak、Hk、wk、vk；其中Ak表示狀態(tài)由當(dāng)前幀到下一幀的轉(zhuǎn)移矩陣，Hk當(dāng)前幀的觀測(cè)矩陣，wk和vk分別表示當(dāng)前幀的系統(tǒng)噪聲向量和觀測(cè)噪聲向量；令A(yù)k、Hk在各幀的系統(tǒng)狀態(tài)變換過(guò)程中為已知且具有唯一值的矩陣，另外，設(shè)wk、vk的概率密度函數(shù)是均值為零的高斯函數(shù)且相互獨(dú)立；S6.Kalman濾波器對(duì)運(yùn)動(dòng)目標(biāo)的頭肩部中心點(diǎn)在下一幀的系統(tǒng)狀態(tài)進(jìn)行預(yù)報(bào)，具體如下：X~′k+1=AkX~k---(1)]]>其中Ak表示狀態(tài)轉(zhuǎn)移矩陣，表示預(yù)報(bào)的下一幀的系統(tǒng)狀態(tài)；表示當(dāng)前幀的系統(tǒng)狀態(tài)；由(1)式，可得系統(tǒng)狀態(tài)協(xié)方差的預(yù)報(bào)方程：P′k+1=AkPkAkT+Qk]]>其中，P'k+1和Pk分別是和對(duì)應(yīng)的協(xié)方差，表示Ak的轉(zhuǎn)置矩陣，Qk表示當(dāng)前幀的系統(tǒng)噪聲向量wk的協(xié)方差矩陣；S7.根據(jù)步驟S6求取的內(nèi)容對(duì)Kalman加權(quán)矩陣進(jìn)行求?。篕k+1=P′k+1HkT(HkP′k+1HkT+Rk)-1]]>其中Kk+1表示下一幀的Kalman加權(quán)矩陣，Hk、表示觀測(cè)矩陣以及其轉(zhuǎn)置，Rk表示觀測(cè)噪聲向量vk的協(xié)方差矩陣；S8.根據(jù)求取的Kalman加權(quán)矩陣對(duì)運(yùn)動(dòng)目標(biāo)的頭肩部中心點(diǎn)在下一幀的系統(tǒng)狀態(tài)和狀態(tài)向量協(xié)方差Pk+1進(jìn)行更新：X~k+1=X~′k+1+Kk+1(Zk+1-HkX~′k+1)]]>Pk+1＝(I-Kk+1Hk)P'k+1其中Zk+1為下一幀的觀測(cè)值，I表示單位矩陣；S9.對(duì)下一幀圖像按照步驟S2～S4的方法獲取運(yùn)動(dòng)目標(biāo)的頭肩部中心點(diǎn)位置的系統(tǒng)狀態(tài)，然后將獲取的系統(tǒng)狀態(tài)與步驟S5～S9預(yù)測(cè)得到的運(yùn)動(dòng)目標(biāo)的系統(tǒng)狀態(tài)進(jìn)行匹配關(guān)聯(lián)，若兩者匹配，則將匹配的結(jié)果確定為運(yùn)動(dòng)目標(biāo)在下一幀的位置，否則利用步驟S5～S9預(yù)測(cè)得到的系統(tǒng)狀態(tài)確定運(yùn)動(dòng)目標(biāo)在下一幀的位置；S10.S5～S9重復(fù)執(zhí)行直至完成整個(gè)的統(tǒng)計(jì)過(guò)程。優(yōu)選地，所述步驟S2中，遍歷每一幀視頻圖像中的所有像素值，按照從左至右、從上到下的順序，對(duì)每一個(gè)像素利用背景差分法判別其是否為運(yùn)動(dòng)目標(biāo)，背景差分法可用以下公式表示：fd(x,y)=1|fn(x,y)-Bn(x,y)|>T0other]]>其中，fd(x,y)代表前景點(diǎn)，T為閾值，Bn(x,y)和fn(x,y)分別表示像素(x,y)在無(wú)運(yùn)動(dòng)目標(biāo)的情況下的像素值和當(dāng)前幀的像素值，n表示當(dāng)前為第n幀。優(yōu)選地，所述像素(x,y)在無(wú)運(yùn)動(dòng)目標(biāo)的情況下的像素值可通過(guò)以下方式確定：選取內(nèi)容不包括運(yùn)動(dòng)目標(biāo)的連續(xù)100幀圖像序列，并對(duì)100幀圖像序列中相對(duì)應(yīng)的各個(gè)像素點(diǎn)進(jìn)行平均運(yùn)算，獲得Bn(x,y)：Bn(x,y)=Σ1100Im,(m=1,2...100)]]>其中，Im為像素(x,y)在第m幀的像素值。與現(xiàn)有技術(shù)相比，本發(fā)明的有益效果是：本發(fā)明提供的方法針對(duì)于客運(yùn)站非出入口區(qū)域拍攝的圖像容易出現(xiàn)遮擋的特點(diǎn)，提出使用行人的不易被遮擋、且形態(tài)基本不變的頭肩部haar-like特征來(lái)對(duì)行人進(jìn)行檢測(cè)，其檢測(cè)判別是否為行人的準(zhǔn)確率較高，適用于行人圖像出現(xiàn)遮擋的應(yīng)用場(chǎng)景；而在完成檢測(cè)后，通過(guò)Kalman濾波器和以上檢測(cè)行人的方法來(lái)對(duì)行人在每幀圖像的位置進(jìn)行雙重追蹤，以保證追蹤的準(zhǔn)確率；實(shí)驗(yàn)證明，該方法能夠針對(duì)客運(yùn)站非出入口區(qū)域行人姿態(tài)多變、行為復(fù)雜、行走方向難預(yù)測(cè)的特點(diǎn)，達(dá)到很好的追蹤效果。通過(guò)對(duì)行人的準(zhǔn)確檢測(cè)和追蹤，本發(fā)明提供的方法能夠有效地記錄下行人的運(yùn)動(dòng)軌跡，保證了行人目標(biāo)的匹配，減少誤檢和遺漏，提高人數(shù)統(tǒng)計(jì)精度。附圖說(shuō)明圖1為行人檢測(cè)的流程圖。圖2為行人檢測(cè)的實(shí)施示意圖。圖3為行人跟蹤的流程圖。具體實(shí)施方式附圖僅用于示例性說(shuō)明，不能理解為對(duì)本專利的限制；以下結(jié)合附圖和實(shí)施例對(duì)本發(fā)明做進(jìn)一步的闡述。實(shí)施例1如圖1～3所示，本發(fā)明提供的客流統(tǒng)計(jì)方法的發(fā)明點(diǎn)主要在于行人檢測(cè)和跟蹤方面，其中行人檢測(cè)的具體過(guò)程包括以下步驟：第一步、人工提取監(jiān)控圖像里的行人的頭肩部haar-like特征對(duì)AdBoost分類器進(jìn)行訓(xùn)練，得到訓(xùn)練好的AdBoost分類器。在訓(xùn)練的時(shí)候，將人工提取的行人頭肩圖像作為正樣本，非行人圖像作為負(fù)樣本。第二步、對(duì)于當(dāng)前幀圖像，采用背景差分法在當(dāng)前幀圖像的統(tǒng)計(jì)區(qū)域內(nèi)獲取運(yùn)動(dòng)目標(biāo)；第三步、提取運(yùn)動(dòng)目標(biāo)的頭肩部haar-like特征，并將其輸入訓(xùn)練好的AdBoost分類器內(nèi)，AdBoost分類器判別運(yùn)動(dòng)目標(biāo)是否為行人，若是則執(zhí)行第四步；第四步、計(jì)算判別為行人的運(yùn)動(dòng)目標(biāo)的頭肩部中心點(diǎn)位置，并使用四維向量Xk＝(px,py,vx,vy)來(lái)表示其在當(dāng)前幀的系統(tǒng)狀態(tài)，其中(px,py)表示頭肩部中心點(diǎn)的位置，(vx,vy)表示中心點(diǎn)的速度。而行人追蹤的部分則包括以下步驟：第五步、將Xk輸入Kalman濾波器，并對(duì)Kalman濾波器的四個(gè)參數(shù)進(jìn)行初始化：Ak、Hk、wk、vk；其中Ak表示狀態(tài)由當(dāng)前幀到下一幀的轉(zhuǎn)移矩陣，Hk當(dāng)前幀的觀測(cè)矩陣，wk和vk分別表示當(dāng)前幀的系統(tǒng)噪聲向量和觀測(cè)噪聲向量。從而構(gòu)成系統(tǒng)狀態(tài)方程和系統(tǒng)的觀測(cè)方程：Xk+1＝AkXk+wkZk+1＝HkXk+vk其中，Xk+1是下一幀的系統(tǒng)狀態(tài)，Xk為當(dāng)前幀的系統(tǒng)狀態(tài)，Zk+1為下一幀的觀測(cè)值；令A(yù)k、Hk在各幀的系統(tǒng)狀態(tài)變換過(guò)程中為已知且具有唯一值的矩陣；由于視頻連續(xù)兩幀的時(shí)間差很小，所以可以認(rèn)為在連續(xù)兩幀中人體的行進(jìn)速度是勻速的，因此狀態(tài)轉(zhuǎn)移矩陣Ak可以初始化為：Ak=10T0010T00100001;]]>根據(jù)狀態(tài)方程和觀測(cè)方程的關(guān)系，可以得到觀測(cè)矩陣Hk：Hk=10000100]]>另外，設(shè)wk、vk的概率密度函數(shù)是均值為零的高斯函數(shù)且相互獨(dú)立，所以其協(xié)方差矩陣分別為：Qk=1000010000100001;Rk=1001;]]>第六步、Kalman濾波器對(duì)運(yùn)動(dòng)目標(biāo)的頭肩部中心點(diǎn)在下一幀的系統(tǒng)狀態(tài)進(jìn)行預(yù)報(bào)，具體如下：X~′k+1=AkX~k---(1)]]>其中Ak表示狀態(tài)轉(zhuǎn)移矩陣，表示預(yù)報(bào)的下一幀的系統(tǒng)狀態(tài)；表示當(dāng)前幀的系統(tǒng)狀態(tài)；由(1)式，可得系統(tǒng)狀態(tài)協(xié)方差的預(yù)報(bào)方程：P′k+1=AkPkAkT+Qk]]>其中，P'k+1和Pk分別是和對(duì)應(yīng)的協(xié)方差，表示Ak的轉(zhuǎn)置矩陣，Qk表示當(dāng)前幀的系統(tǒng)噪聲向量wk的協(xié)方差矩陣；第七步、根據(jù)第六步求取的內(nèi)容對(duì)Kalman加權(quán)矩陣進(jìn)行求?。篕k+1=P′k+1HkT(HkP′k+1HkT+Rk)-1]]>其中Kk+1表示下一幀的Kalman加權(quán)矩陣，Hk、表示觀測(cè)矩陣以及其轉(zhuǎn)置，Rk表示觀測(cè)噪聲向量vk的協(xié)方差矩陣；第八步、根據(jù)求取的Kalman加權(quán)矩陣對(duì)運(yùn)動(dòng)目標(biāo)的頭肩部中心點(diǎn)在下一幀的系統(tǒng)狀態(tài)和狀態(tài)向量協(xié)方差Pk+1進(jìn)行更新：X~k+1=X~′k+1+Kk+1(Zk+1-HkX~′k+1)]]>Pk+1＝(I-Kk+1Hk)P'k+1其中Zk+1為下一幀的觀測(cè)值，I表示單位矩陣；第九步、對(duì)下一幀圖像按照第二步～第四步的方法獲取運(yùn)動(dòng)目標(biāo)的頭肩部中心點(diǎn)位置的系統(tǒng)狀態(tài)，然后將獲取的系統(tǒng)狀態(tài)與第五步～第九步預(yù)測(cè)得到的運(yùn)動(dòng)目標(biāo)的系統(tǒng)狀態(tài)進(jìn)行匹配關(guān)聯(lián)，若兩者匹配，則將匹配的結(jié)果確定為運(yùn)動(dòng)目標(biāo)在下一幀的位置，否則利用第五步～第九步預(yù)測(cè)得到的系統(tǒng)狀態(tài)確定運(yùn)動(dòng)目標(biāo)在下一幀的位置；第十步、第五步～第九步重復(fù)執(zhí)行直至完成整個(gè)的統(tǒng)計(jì)過(guò)程。顯然，本發(fā)明的上述實(shí)施例僅僅是為清楚地說(shuō)明本發(fā)明所作的舉例，而并非是對(duì)本發(fā)明的實(shí)施方式的限定。對(duì)于所屬領(lǐng)域的普通技術(shù)人員來(lái)說(shuō)，在上述說(shuō)明的基礎(chǔ)上還可以做出其它不同形式的變化或變動(dòng)。這里無(wú)需也無(wú)法對(duì)所有的實(shí)施方式予以窮舉。凡在本發(fā)明的精神和原則之內(nèi)所作的任何修改、等同替換和改進(jìn)等，均應(yīng)包含在本發(fā)明權(quán)利要求的保護(hù)范圍之內(nèi)。當(dāng)前第1頁(yè)1 2 3