本發(fā)明涉及目標檢測技術(shù)領(lǐng)域，具體涉及一種室外行人實時檢測方法。
背景技術(shù)：
隨著攝像頭安裝數(shù)量的日益增多，以及智慧城市和公共安全需求的日益增長，采用人工的視頻監(jiān)控方式已經(jīng)遠遠不能滿足需要，因此智能視頻監(jiān)控技術(shù)應運而生并迅速成為一個研究熱點。在實際應用中，對室外環(huán)境的行人進行檢測監(jiān)控一直是研究的難點，這是因為室外環(huán)境復雜多變，存在光照變化、樹葉搖晃、小動物(尤其是夜間燈光引來的飛蟲)等干擾。
在人體檢測方法中目前最具影響力的方法是由Dalal等提出的梯度直方圖(Histogram of oriented gradients，簡稱HOG)結(jié)合支持向量機(Support vector machine，簡稱SVM)分類器的人體檢測方法。HOG描述圖像的局部邊緣梯度信息，對小量的偏移和光照變化具有很好的魯棒性，缺點是維度較高，以致其提取速度很慢，計算時間比較長，影響實時性。針對靜態(tài)圖像識別應用場景，相關(guān)學者在特征提取、分類器的訓練和分類等方面做出了不少改進。
此外針對動態(tài)視頻識別應用場景，也有相關(guān)學者提出將前景提取與人體識別相結(jié)合的方法，該方法是采用現(xiàn)有的某種前景檢測算法定位圖像中的感興趣區(qū)域(region of interesting，簡稱ROI)，然后在此圖像區(qū)域上通過HOG的方法進行人體識別。常用的前景檢測方法有：背景差分法、幀間差分法、光流法、混合高斯背景建模法、視覺背景抽取法(Visual Background extractor，簡稱ViBe)等。背景差分法和幀間差分法在復雜的環(huán)境中適應性不強，光流法計算復雜度較高，而應用較為廣泛的混合高斯背景建模法也存在計算復雜、不適應變化較快的背景等問題。ViBe方法是一種高效的像素級背景建模算法，運算速度快且具有較強的魯棒性，然而對于光線突變、大幅度樹枝搖晃等較大背景變化仍然適應性不強。在室外環(huán)境中，受復雜的背景變化影響，前景檢測的誤報率比較高，在此基礎(chǔ)上進行的行人檢測仍然較難在實時性與準確性之間進行平衡。
技術(shù)實現(xiàn)要素：
有鑒于此，有必要針對現(xiàn)有技術(shù)存在的問題，提出一種室外行人實時檢測方法，該方法有效降低了光照突變、樹枝大幅度搖晃等背景變化的干擾，提高了準確性的同時，也降低了無意義的行人檢測次數(shù)，進而提高檢測速度，在保證行人識別準確率的同時，提高了算法的執(zhí)行速度，保證了實時性并具有較高的魯棒性。
為了實現(xiàn)上述目的，本發(fā)明的技術(shù)方案如下：
一種室外行人實時檢測方法，包括以下步驟：
步驟S1，輸入視頻序列S＝{s1，s2，…，st}；
步驟S2，輸入當前視頻幀st并將其縮小到指定尺寸得到壓縮幀F(xiàn)t；
步驟S3，利用改進ViBe算法檢測前景目標區(qū)域；
步驟S4，根據(jù)前景檢測結(jié)果更新背景幀；
步驟S5，利用連通區(qū)域跟蹤算法對前景目標進行跟蹤；
步驟S6，對于每一個前景目標跟蹤對象，采用指定的邏輯規(guī)則選擇性的執(zhí)行步驟S7、步驟S8、步驟S9；
步驟S7，利用背景差對當前跟蹤目標的前景區(qū)域檢測結(jié)果進行篩選；
步驟S8，根據(jù)前景區(qū)域篩選結(jié)果在st中裁剪圖像，并對該圖像提取HOG特征；
步驟S9，利用SVM分類器對HOG特征進行行人檢測；
進一步地，步驟S3中包括：
步驟S31，前P幀壓縮幀F(xiàn)t采用多幀平均計算法，得到平均幀圖A，計算方法如下式：
步驟S32，根據(jù)前P幀得到的平均幀圖A，初始化ViBe背景模型；
步驟S33，從第P+1幀起，對壓縮幀F(xiàn)t進行前景檢測并更新ViBe背景模型；
步驟S34，對前景檢測結(jié)果去噪，標記連通域區(qū)域作為最終的前景目標區(qū)域檢測結(jié)果；
進一步地，步驟S4中包括：
步驟S41，將前P幀得到的平均幀圖A作為背景幀B0；
步驟S42，從第P+1幀起，統(tǒng)計最新Q幀的平均幀Ct，并利用該平均幀以及前景區(qū)域檢測結(jié)果更新背景幀Bt，具體方法如下：
步驟S421，從第P+1幀開始計算背景幀更新掩碼maskt；
此處x判斷為前景/背景的依據(jù)來自基于改進ViBe的前景目標提取結(jié)果；
步驟S422，根據(jù)更新掩碼對背景幀進行更新：
其中Bt-1為前一幀的背景幀，Ct為最新Q幀圖像的平均幀；
進一步地，步驟S6中指定的邏輯規(guī)則包括：
規(guī)則1：對于前景目標的前V幀持續(xù)執(zhí)行步驟S7、步驟S8、步驟S9；
規(guī)則2：從前景目標的V+1幀開始，以R的頻率間歇執(zhí)行步驟S7、步驟S8、步驟S9；
規(guī)則3：當一個前景跟蹤對象的“累計成功檢測行人個數(shù)”達到閾值后，判斷該跟蹤對象為行人，即可停止執(zhí)行步驟S7、步驟S8、步驟S9；
進一步地，步驟S7中包括：
步驟S71，根據(jù)前景區(qū)域檢測結(jié)果，將壓縮幀F(xiàn)t對應區(qū)域圖與背景幀Bt對應區(qū)域圖做差得到背景差圖Dt，如下式：
Dt(x)＝|Ft(x)-Bt(x)|；
步驟S72，對背景差圖Dt進行Otsu計算得到符合最大類間方差的最佳分割閾值，并判斷該分割閾值是否大于“前景判斷閾值”，若大于則判斷該區(qū)域存在前景目標，通過篩選。
有現(xiàn)有技術(shù)相比，本發(fā)明的方法有效降低了光照突變、樹枝大幅度搖晃等背景變化的干擾，提高了準確性的同時，也降低了無意義的行人檢測次數(shù)，進而提高檢測速度，在保證行人識別準確率的同時，提高了算法的執(zhí)行速度，保證了實時性并具有較高的魯棒性。
附圖說明
圖1是室外行人實時檢測方法的流程圖。
具體實施方式
下面結(jié)合附圖和實施例對本發(fā)明所述的一種室外行人實時檢測方法作進一步說明。
如圖1所述，為本發(fā)明的一種室外行人實時檢測方法的工作流程，具體包括一下步驟：
步驟S1，輸入視頻序列s＝{s1，s2，…，st}；
步驟S2，輸入當前視頻幀st并將其縮小到指定尺寸得到壓縮幀F(xiàn)t；
步驟S3，利用改進ViBe算法檢測前景目標區(qū)域；
步驟S4，根據(jù)前景檢測結(jié)果更新背景幀；
步驟S5，利用連通區(qū)域跟蹤算法對前景目標進行跟蹤；
步驟S6，對于每一個前景目標跟蹤對象，采用指定的邏輯規(guī)則選擇性的執(zhí)行步驟S7、步驟S8、步驟S9；
步驟S7，利用背景差對當前跟蹤目標的前景區(qū)域檢測結(jié)果進行篩選；
步驟S8，根據(jù)前景區(qū)域篩選結(jié)果在st中裁剪圖像，并對該圖像提取HOG特征；
步驟S9，利用SVM分類器對HOG特征進行行人檢測；
在步驟S3中包括：
步驟S31，前P幀壓縮幀F(xiàn)t采用多幀平均計算法，得到平均幀圖A，計算方法如下式：
步驟S32，根據(jù)前P幀得到的平均幀圖A，初始化ViBe背景模型；
步驟S33，從第P+1幀起，對壓縮幀F(xiàn)t進行前景檢測并更新ViBe背景模型；
步驟S34，對前景檢測結(jié)果去噪，標記連通域區(qū)域作為最終的前景目標區(qū)域檢測結(jié)果；
在步驟S4中包括：
步驟S41，將前P幀得到的平均幀圖A作為背景幀B0；
步驟S42，從第P+1幀起，統(tǒng)計最新Q幀的平均幀Ct，并利用該平均幀以及前景區(qū)域檢測結(jié)果更新背景幀Bt，具體方法如下：
步驟S421，從第P+1幀開始計算背景幀更新掩碼maskt；
此處x判斷為前景/背景的依據(jù)來自基于改進ViBe的前景目標提取結(jié)果；
步驟S422，根據(jù)更新掩碼對背景幀進行更新：
其中Bt-1為前一幀的背景幀，Ct為最新Q幀圖像的平均幀；
在步驟S6中指定的邏輯規(guī)則包括：
規(guī)則1：對于前景目標的前V幀持續(xù)執(zhí)行步驟S7、步驟S8、步驟S9；
規(guī)則2：從前景目標的V+1幀開始，以R的頻率間歇執(zhí)行步驟S7、步驟S8、步驟S9；
規(guī)則3：當一個前景跟蹤對象的“累計成功檢測行人個數(shù)”達到閾值后，判斷該跟蹤對象為行人，即可停止執(zhí)行步驟S7、步驟S8、步驟S9；
在步驟S7中包括：
步驟S71，根據(jù)前景區(qū)域檢測結(jié)果，將壓縮幀F(xiàn)t對應區(qū)域圖與背景幀Bt對應區(qū)域圖做差得到背景差圖Dt，如下式：
Dt(x)＝Ft(x)-Bt(x)|；
步驟S72，對背景差圖Dt進行Otsu計算得到符合最大類間方差的最佳分割閾值，并判斷該分割閾值是否大于“前景判斷閾值”，若大于則判斷該區(qū)域存在前景目標，通過篩選。
本發(fā)明提出了改進的ViBe方法，該方法能夠較大幅度降低傳統(tǒng)ViBe的鬼影現(xiàn)象；
提出了基于背景差的前景目標篩選方法，該方法能夠過濾光照突變、樹枝大幅度搖晃等誤報區(qū)域；
此外提出了高效的計算邏輯，降低了無意義的行人檢測次數(shù)。
綜上所述，本發(fā)明的方法有效降低了光照突變、樹枝大幅度搖晃等背景變化的干擾，提高了準確性的同時，也降低了無意義的行人檢測次數(shù)，進而提高檢測速度，在保證行人識別準確率的同時，提高了算法的執(zhí)行速度，保證了實時性并具有較高的魯棒性。
以上所述實施例僅表達了本發(fā)明的幾種實施方式，其描述較為具體和詳細，但并不能因此而理解為對本發(fā)明專利范圍的限制。應當指出的是，對于本領(lǐng)域的普通技術(shù)人員來說，在不脫離本發(fā)明構(gòu)思的前提下，還可以做出若干變形和改進，這些都屬于本發(fā)明的保護范圍。因此，本發(fā)明專利的保護范圍應以所附權(quán)利要求為準。