一種基于空間brs的粒子濾波行人跟蹤方法
【專(zhuān)利摘要】本發(fā)明屬于視頻圖像處理技術(shù)領(lǐng)域，并提供了一種基于空間BRS的粒子濾波行人跟蹤方法，包括：S1、提取訓(xùn)練樣本集中的HOG特征向量；S2、基于SVM算法對(duì)所述的HOG特征向量進(jìn)行訓(xùn)練，得到初始化運(yùn)動(dòng)行人分類(lèi)器；S3、獲取監(jiān)控區(qū)域的視頻流圖像作為輸入圖像；S4、利用初始化運(yùn)動(dòng)行人分類(lèi)器對(duì)輸入圖像進(jìn)行運(yùn)動(dòng)行人檢測(cè)；S5、對(duì)檢測(cè)到的運(yùn)動(dòng)行人區(qū)域進(jìn)行跟蹤集的采集操作；S6、利用基于空間BRS的粒子濾波算法對(duì)檢測(cè)到的行人進(jìn)行跟蹤和計(jì)數(shù)。通過(guò)本發(fā)明，提高了視頻檢測(cè)技術(shù)中圖像的魯棒性，提高了對(duì)公共區(qū)域中呈不規(guī)則運(yùn)動(dòng)狀態(tài)的運(yùn)動(dòng)行人進(jìn)行跟蹤與計(jì)數(shù)的效果，有效地提高了對(duì)公共區(qū)域內(nèi)對(duì)行人進(jìn)行人數(shù)統(tǒng)計(jì)的效率與準(zhǔn)確度。
【專(zhuān)利說(shuō)明】
一種基于空間BRS的粒子濾波行人跟蹤方法
技術(shù)領(lǐng)域
[0001] 本發(fā)明屬于計(jì)算機(jī)視頻圖像處理技術(shù)領(lǐng)域，特別涉及一種基于空間BRS的粒子濾 波行人跟蹤方法，用于對(duì)公共區(qū)域中的行人數(shù)量進(jìn)行精確統(tǒng)計(jì)。
【背景技術(shù)】
[0002] 隨著計(jì)算機(jī)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(huì)公共安全和交通安全方面、保護(hù)人民生命財(cái)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(cè)方面以及有關(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(chǎng)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。
[0003] 對(duì)計(jì)算機(jī)視頻圖像處理技術(shù)而言，對(duì)監(jiān)控區(qū)域中的出現(xiàn)的行人進(jìn)行統(tǒng)計(jì)與計(jì)數(shù)是 最終的目標(biāo)。在現(xiàn)有技術(shù)中，通常采用Mean Shift算法對(duì)運(yùn)動(dòng)行人進(jìn)行跟蹤與統(tǒng)計(jì)。
[0004] Mean Shift算法屬于核密度估計(jì)法，它不需要任何先驗(yàn)知識(shí)而完全依靠特征空間 中樣本點(diǎn)的計(jì)算其密度函數(shù)值。對(duì)于一組采樣數(shù)據(jù)，直方圖法通常把數(shù)據(jù)的值域分成若干 相等的區(qū)間，數(shù)據(jù)按區(qū)間分成若干組，每組數(shù)據(jù)的個(gè)數(shù)與總參數(shù)個(gè)數(shù)的比率就是每個(gè)單元 的概率值；核密度估計(jì)法的原理相似于直方圖法，只是多了一個(gè)用于平滑數(shù)據(jù)的核函數(shù)。采 用核函數(shù)估計(jì)法，在采樣充分的情況下，能夠漸進(jìn)地收斂于任意的密度函數(shù)，即可以對(duì)服從 任何分布的數(shù)據(jù)進(jìn)行密度估計(jì)。
[0005] 然而，Mean Shift算法對(duì)運(yùn)動(dòng)行人進(jìn)行跟蹤與計(jì)數(shù)的現(xiàn)有技術(shù)在實(shí)際使用過(guò)程中 的魯棒性不佳，并伴隨對(duì)運(yùn)動(dòng)行人進(jìn)行跟蹤與計(jì)數(shù)的效果不佳。因此，有必要對(duì)現(xiàn)有技術(shù) 中，對(duì)運(yùn)動(dòng)行人的跟蹤方法予以改進(jìn)，以解決上述技術(shù)問(wèn)題。

【發(fā)明內(nèi)容】

[0006] 本發(fā)明的目的在于公開(kāi)一種基于空間BRS的粒子濾波行人跟蹤方法，用以解決視 頻檢測(cè)技術(shù)中圖像的魯棒性不佳的技術(shù)問(wèn)題，提高對(duì)公共區(qū)域中呈不規(guī)則運(yùn)動(dòng)狀態(tài)的運(yùn)動(dòng) 行人進(jìn)行跟蹤與計(jì)數(shù)的效果，以及對(duì)公共區(qū)域內(nèi)對(duì)行人進(jìn)行人數(shù)統(tǒng)計(jì)的效率與準(zhǔn)確度。
[0007] 為實(shí)現(xiàn)上述發(fā)明目的，本發(fā)明提供了一種基于空間BRS的粒子濾波行人跟蹤方 法，包括以下步驟：
[0008] Sl、提取訓(xùn)練樣本集中的HOG特征向量；
[0009] S2、基于SVM算法對(duì)所述的HOG特征向量進(jìn)行訓(xùn)練，得到初始化運(yùn)動(dòng)行人分類(lèi)器；
[0010] S3、獲取監(jiān)控區(qū)域的視頻流圖像作為輸入圖像；
[0011] S4、利用初始化運(yùn)動(dòng)行人分類(lèi)器對(duì)輸入圖像進(jìn)行運(yùn)動(dòng)行人檢測(cè)；
[0012] S5、對(duì)檢測(cè)到的運(yùn)動(dòng)行人區(qū)域進(jìn)行跟蹤集的采集操作；
[0013] S6、利用基于空間BRS的粒子濾波算法對(duì)檢測(cè)到的行人進(jìn)行跟蹤和計(jì)數(shù)。
[0014] 作為本發(fā)明的進(jìn)一步改進(jìn)，所述步驟S5具體為：
[0015] 對(duì)于首次出現(xiàn)在監(jiān)控區(qū)域內(nèi)的運(yùn)動(dòng)行人，將該運(yùn)動(dòng)行人的圖像信息保存在跟蹤集 內(nèi)；
[0016] 對(duì)于已出現(xiàn)在監(jiān)控區(qū)域內(nèi)的運(yùn)動(dòng)行人，將該運(yùn)動(dòng)行人區(qū)域的圖像信息覆蓋之前跟 蹤集內(nèi)保存的該運(yùn)動(dòng)行人的圖像信息。
[0017] 對(duì)于已離開(kāi)監(jiān)控區(qū)域的運(yùn)動(dòng)行人刪除跟蹤集內(nèi)保存的該運(yùn)動(dòng)行人的圖像信息。
[0018] 作為本發(fā)明的進(jìn)一步改進(jìn)，所述圖像信息為灰度圖像信息。
[0019] 作為本發(fā)明的進(jìn)一步改進(jìn)，所述步驟S6具體包括以下子步驟：
[0020] S61、將檢測(cè)到的運(yùn)動(dòng)行人區(qū)域和跟蹤集內(nèi)的運(yùn)動(dòng)行人區(qū)域等分成若干塊；
[0021] S62、計(jì)算運(yùn)動(dòng)行人區(qū)域每一塊直方圖對(duì)應(yīng)的BRS相似度；
[0022] S63、將運(yùn)動(dòng)行人區(qū)域內(nèi)所有塊的BRS相似度線性組合成BBRS相似度；
[0023] S64、構(gòu)建運(yùn)動(dòng)行人的觀測(cè)似然函數(shù)；
[0024] S65、最后利用粒子濾波算法對(duì)運(yùn)動(dòng)行人進(jìn)行狀態(tài)估計(jì)，并對(duì)進(jìn)、出監(jiān)控區(qū)域的運(yùn) 動(dòng)行人進(jìn)行計(jì)數(shù)。
[0025] 作為本發(fā)明的進(jìn)一步改進(jìn)，所述子步驟S61具體為：將檢測(cè)到的運(yùn)動(dòng)行人區(qū)域和 跟蹤集內(nèi)的運(yùn)動(dòng)行人區(qū)域等分成4塊。
[0026] 作為本發(fā)明的進(jìn)一步改進(jìn)，所述子步驟S62中的"直方圖"必須滿足L2范數(shù)。
[0027] 作為本發(fā)明的進(jìn)一步改進(jìn)，所述子步驟S65中的"粒子濾波"鑒于已是很成熟的算 法，本文不再做詳細(xì)的闡述。
[0028] 與現(xiàn)有技術(shù)相比，本發(fā)明的有益效果是：通過(guò)本發(fā)明，提高了視頻檢測(cè)技術(shù)中圖像 的魯棒性，提高了對(duì)公共區(qū)域中呈不規(guī)則運(yùn)動(dòng)狀態(tài)的運(yùn)動(dòng)行人進(jìn)行跟蹤與計(jì)數(shù)的效果，有 效地提高了對(duì)公共區(qū)域內(nèi)對(duì)行人進(jìn)行人數(shù)統(tǒng)計(jì)的效率與準(zhǔn)確度。
【附圖說(shuō)明】
[0029] 圖1為本發(fā)明一種行人跟蹤方法的流程示意圖；
[0030] 圖2為步驟S3中獲取監(jiān)控區(qū)域的視頻流圖像作為輸入圖像的示意圖；
[0031] 圖3為對(duì)運(yùn)動(dòng)行人區(qū)域進(jìn)行等分的示意圖。
【具體實(shí)施方式】
[0032] 下面結(jié)合附圖所示的各實(shí)施方式對(duì)本發(fā)明進(jìn)行詳細(xì)說(shuō)明，但應(yīng)當(dāng)說(shuō)明的是，這些 實(shí)施方式并非對(duì)本發(fā)明的限制，本領(lǐng)域普通技術(shù)人員根據(jù)這些實(shí)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(hù)范圍之內(nèi)。
[0033] 參圖1所示的本發(fā)明一種基于空間BRS的粒子濾波行人跟蹤方法的具體實(shí)施方 式。由于行人在行走時(shí)頭部與肩部的變化較小，基于易于檢測(cè)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(fù)樣本圖集。
[0034] 首先，執(zhí)行步驟Sl、提取訓(xùn)練樣本集中的HOG特征向量。
[0035] 由于行人在行走時(shí)頭部與肩部的變化較小，基于易于檢測(cè)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(fù)樣本 圖集。
[0036] 其中，該正樣本集中的正樣本是包含行人頭部和/或肩部的樣本（即正樣本）；該 負(fù)樣本集中的負(fù)樣本是不包含行人頭部和/或肩部的樣本（即負(fù)樣本）。具體的，該正/負(fù) 樣本集中正/負(fù)樣本為30X30像素的256階灰度圖像。
[0037] 具體的，在本實(shí)施方式中，在初始化運(yùn)動(dòng)行人分類(lèi)器中的正樣本集中的正樣本的 個(gè)數(shù)為4000,負(fù)樣本集中的負(fù)樣本的個(gè)數(shù)為6000。
[0038] 在本實(shí)施方式中，該訓(xùn)練樣本集包括正/負(fù)樣本集，正/負(fù)樣本集中的正/負(fù)樣本 為30 X 30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(fù)樣本為不包 含或者不完全包含行人區(qū)域的圖像。進(jìn)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。
[0039] 然后，執(zhí)行步驟S2、基于SVM算法對(duì)所述的HOG特征向量進(jìn)行訓(xùn)練，得到初始化運(yùn) 動(dòng)行人分類(lèi)器。
[0040] 具體的，在本實(shí)施方式中，先計(jì)算正/負(fù)樣本集中正/負(fù)樣本的HOG特征向量，然 后基于SVM算法對(duì)所述HOG特征向量進(jìn)行訓(xùn)練，以得到初始化運(yùn)動(dòng)行人分類(lèi)器。
[0041] 然后，執(zhí)行步驟S3、獲取監(jiān)控區(qū)域的視頻流圖像作為輸入圖像。
[0042] 參圖2所示，在本實(shí)施方式中，攝像機(jī)10垂直拍攝并可適用于室外環(huán)境和室內(nèi)環(huán) 境。在本實(shí)施方式中，該步驟中的"通過(guò)攝像機(jī)獲取監(jiān)控區(qū)域的視頻流圖像"具體為：通過(guò) 攝像機(jī)10獲取監(jiān)控區(qū)域30的視頻流圖像作為輸入圖像，所述監(jiān)控區(qū)域30位于攝像機(jī)10 的正下方。
[0043] 具體的，攝像機(jī)10設(shè)置在出入口 20的正上方，行人可沿著箭頭201的方向上在出 入口 20中來(lái)回走動(dòng)。攝像機(jī)10所獲取的監(jiān)控區(qū)域30可完全覆蓋出入口 20的全部區(qū)域。 該出入口 20可設(shè)置在需要對(duì)行人人數(shù)進(jìn)行統(tǒng)計(jì)的商場(chǎng)、車(chē)庫(kù)、銀行等需要重點(diǎn)監(jiān)控場(chǎng)所的 大門(mén)口或者走廊中。
[0044] 需要說(shuō)明的是，本發(fā)明在攝像機(jī)10垂直地正對(duì)著監(jiān)控區(qū)域30時(shí)的效果最佳，當(dāng)然 可也將攝像機(jī)10傾斜地對(duì)著需要進(jìn)行行人人數(shù)計(jì)數(shù)統(tǒng)計(jì)的區(qū)域，以通過(guò)攝像機(jī)10覆蓋整 個(gè)監(jiān)控區(qū)域30。
[0045] 在本實(shí)施方式中，該監(jiān)控區(qū)域30為矩形；當(dāng)然也可以為正方形或圓形或者其他形 狀。攝像機(jī)10位于監(jiān)控區(qū)域30的中心點(diǎn)301的正上方，此時(shí)該監(jiān)控區(qū)域30位于攝像機(jī)10 的正下方。
[0046] 然后，執(zhí)行步驟S4、利用初始化運(yùn)動(dòng)行人分類(lèi)器對(duì)輸入圖像進(jìn)行運(yùn)動(dòng)行人檢測(cè)。
[0047] 以30X30像素的圖像作為檢測(cè)窗口，在水平和垂直方向上以2個(gè)像素點(diǎn)為步長(zhǎng)， 對(duì)由執(zhí)行步驟S2所得到的背景圖像作行、列滑動(dòng)掃描，提取掃描區(qū)域的HOG特征，并將計(jì)算 得到的HOG特征送入執(zhí)行步驟S2所得到的行人分類(lèi)器中，并根據(jù)初始化運(yùn)動(dòng)行人分類(lèi)器的 輸出結(jié)果判斷該掃描區(qū)域是否為行人區(qū)域。若初始化運(yùn)動(dòng)行人分類(lèi)器的輸出結(jié)果為1，表示 掃描區(qū)域?yàn)樾腥藚^(qū)域；若初始化運(yùn)動(dòng)行人分類(lèi)器的輸出結(jié)果-1，表示掃描區(qū)域?yàn)榉切腥藚^(qū) 域。由于當(dāng)前是對(duì)監(jiān)控區(qū)域30的背景進(jìn)行檢測(cè)，則掃描區(qū)域被判斷為式行人區(qū)域，即為誤 檢。
[0048] 更具體的，在步驟S4中可利用初始化運(yùn)動(dòng)行人分類(lèi)器對(duì)輸入圖像進(jìn)行選擇性的 更新訓(xùn)練，該"選擇性的更新訓(xùn)練"具體為：對(duì)利用初始化運(yùn)動(dòng)行人分類(lèi)器對(duì)監(jiān)控區(qū)域30的 背景圖像進(jìn)行運(yùn)動(dòng)行人檢測(cè)的檢測(cè)結(jié)果進(jìn)行判斷；若出現(xiàn)誤檢，則將誤檢的運(yùn)動(dòng)目標(biāo)添加 到負(fù)樣本集，并僅在設(shè)定的時(shí)間內(nèi)檢測(cè)到的誤檢數(shù)大于或等于誤檢閾值T時(shí)，重新對(duì)所述 初始化運(yùn)動(dòng)行人分類(lèi)器進(jìn)行更新訓(xùn)練；若不出現(xiàn)誤檢，則經(jīng)過(guò)設(shè)定的時(shí)間后不對(duì)所述初始 化運(yùn)動(dòng)行人分類(lèi)器進(jìn)行更新訓(xùn)練。進(jìn)一步的，所述"設(shè)定的時(shí)間"選為5分鐘；所述誤檢數(shù) 量閾值T選為10。
[0049] 在本實(shí)施方式中，應(yīng)用本發(fā)明一種基于空間BRS的粒子濾波行人跟蹤方法可應(yīng)用 于各種不同的復(fù)雜環(huán)境中，而訓(xùn)練行人分類(lèi)器所有的負(fù)樣本集是有限的，所以訓(xùn)練得到的 行人分類(lèi)器不一定適用于所有的監(jiān)控環(huán)境。
[0050] 為了適應(yīng)環(huán)境的變換，在本實(shí)施方式中，采取實(shí)施更新負(fù)樣本集，然后對(duì)訓(xùn)練樣本 集進(jìn)行再次訓(xùn)練，以更新初始化運(yùn)動(dòng)行人分類(lèi)器。
[0051] 然后，執(zhí)行步驟S5、對(duì)檢測(cè)到的運(yùn)動(dòng)行人區(qū)域進(jìn)行跟蹤集的采集操作，該步驟S5 具體為如下所示。
[0052] 對(duì)于首次出現(xiàn)在監(jiān)控區(qū)域30內(nèi)的運(yùn)動(dòng)行人，將該運(yùn)動(dòng)行人的圖像信息保存在跟 蹤集內(nèi)；對(duì)于已出現(xiàn)在監(jiān)控區(qū)域30內(nèi)的運(yùn)動(dòng)行人，將該運(yùn)動(dòng)行人區(qū)域的圖像信息覆蓋之前 跟蹤集內(nèi)保存的該運(yùn)動(dòng)行人的圖像信息；對(duì)于已離開(kāi)監(jiān)控區(qū)域30內(nèi)的運(yùn)動(dòng)行人，刪除跟蹤 集內(nèi)保存的該運(yùn)動(dòng)行人的圖像信息。
[0053] 在本實(shí)施方式中，所述圖像信息為灰度圖像信息。通過(guò)這種設(shè)置，可有效地降低計(jì) 算機(jī)在圖像處理過(guò)程中的計(jì)算量，提高對(duì)運(yùn)動(dòng)行人區(qū)域進(jìn)行檢測(cè)的效率。
[0054] 最后，執(zhí)行步驟S6、利用基于空間BRS的粒子濾波算法對(duì)檢測(cè)到的行人進(jìn)行跟蹤 和計(jì)數(shù)。通過(guò)本發(fā)明，該步驟S6具體包括以下子步驟：
[0055] 首先，執(zhí)行子步驟S61、將檢測(cè)到的運(yùn)動(dòng)行人區(qū)域和跟蹤集內(nèi)的運(yùn)動(dòng)行人區(qū)域等分 成若干塊。
[0056] 參圖3所示，在本實(shí)施方式中，整個(gè)矩形區(qū)域A為檢測(cè)到的運(yùn)動(dòng)行人區(qū)域和 跟蹤集內(nèi)的運(yùn)動(dòng)行人區(qū)域，小的矩形區(qū)域AU A2、A3、A4為被等分成的4小塊。則檢測(cè) 到的運(yùn)動(dòng)行人區(qū)域和跟蹤集內(nèi)的運(yùn)動(dòng)行人區(qū)域分別用B個(gè)直方圖表征：q= [qi，…， Qi，···，Qb]和Ρ=[Ρι，"·，Ρ?，…，口山其中，Qi，Pi分別表示檢測(cè)到的運(yùn)動(dòng)行人區(qū)域 和跟蹤集內(nèi)的運(yùn)動(dòng)行人區(qū)域的第i塊的直方圖，這些直方圖都必須滿足L 2范數(shù)。即：
其中U為直方圖的量化bin數(shù)。具體的，這里的B = 40
[0057] S62、計(jì)算運(yùn)動(dòng)行人區(qū)域每一塊直方圖對(duì)應(yīng)的BRS相似度。
[0058] 檢測(cè)到的運(yùn)動(dòng)行人區(qū)域和跟蹤集內(nèi)的運(yùn)動(dòng)行人區(qū)域所對(duì)應(yīng)兩個(gè)圖像塊的直方圖 BRS(Bin Ratio Similarity)相似度山可以表不成：
[0059] (1)
[0060] 其中，U是直方圖的量化bin數(shù)；凡是有效直方圖量化區(qū)間數(shù)，也就是通過(guò)計(jì)算兩 個(gè)直方圖的和不為零的個(gè)數(shù)。
[0061] S63、將運(yùn)動(dòng)行人區(qū)域內(nèi)所有塊的BRS相似度線性組合成BBRS相似度。
[0062] 檢測(cè)到的運(yùn)動(dòng)行人區(qū)域內(nèi)所有塊的直方圖q和跟蹤集內(nèi)的運(yùn)動(dòng)行人區(qū)域內(nèi)所有 塊的直方圖P之間的BBRS (Blocks Bin Ratio Similarity)相似度d(p，q)，定義如下：
[0063]
⑵
[0064] 其中，λ 是B ,塊的權(quán)倌，其定義為：
[0065]
[0066] S64、構(gòu)建運(yùn)動(dòng)行人的觀測(cè)似然函數(shù)。
[0067] 構(gòu)建的觀測(cè)似然函數(shù)參如下式所示：
[0068]
⑶
[0069] 其中，〇是控制參數(shù)；dk(p，q)是檢測(cè)到的運(yùn)動(dòng)行人與跟蹤集內(nèi)的第k個(gè)運(yùn)動(dòng)行人 所對(duì)應(yīng)的BBRS相似度。從式（3)可以發(fā)現(xiàn)，觀測(cè)似然函數(shù)與相似度d k(p，q)成正比，和控 制參數(shù)σ成反比。當(dāng)控制參數(shù)σ固定后，觀測(cè)似然函數(shù))就直接由相似度4(?，(1) 決定。也就是說(shuō)，跟蹤集內(nèi)的第k個(gè)運(yùn)動(dòng)行人的權(quán)重也是由跟蹤集內(nèi)的第k個(gè)運(yùn)動(dòng)行人對(duì) 應(yīng)的相似度決定的。因此，相似度越大，采取的樣本就越可靠。
[0070] S65、最后利用粒子濾波算法對(duì)運(yùn)動(dòng)行人進(jìn)行狀態(tài)估計(jì)，并對(duì)進(jìn)、出監(jiān)控區(qū)域的運(yùn) 動(dòng)行人進(jìn)行計(jì)數(shù)。
[0071] 利用粒子濾波算法對(duì)當(dāng)前的運(yùn)動(dòng)行人狀態(tài)可估計(jì)為：
[0072]
(4)
[0073] 當(dāng)跟蹤的運(yùn)動(dòng)行人已離開(kāi)或進(jìn)入該監(jiān)控區(qū)域30時(shí)，對(duì)進(jìn)、出該監(jiān)控區(qū)域30的運(yùn)動(dòng) 行人進(jìn)行計(jì)數(shù)，并刪掉該運(yùn)動(dòng)行人在子跟蹤集內(nèi)的圖像信息。
[0074] 通過(guò)本發(fā)明，提高了視頻檢測(cè)技術(shù)中圖像的魯棒性，提高了對(duì)公共區(qū)域中呈不規(guī) 則運(yùn)動(dòng)狀態(tài)的運(yùn)動(dòng)行人進(jìn)行跟蹤與計(jì)數(shù)的效果，有效地提高了對(duì)公共區(qū)域內(nèi)對(duì)行人進(jìn)行人 數(shù)統(tǒng)計(jì)的效率與準(zhǔn)確度。
[0075] 上文所列出的一系列的詳細(xì)說(shuō)明僅僅是針對(duì)本發(fā)明的可行性實(shí)施方式的具體說(shuō) 明，它們并非用以限制本發(fā)明的保護(hù)范圍，凡未脫離本發(fā)明技藝精神所作的等效實(shí)施方式 或變更均應(yīng)包含在本發(fā)明的保護(hù)范圍之內(nèi)。
[0076] 對(duì)于本領(lǐng)域技術(shù)人員而言，顯然本發(fā)明不限于上述示范性實(shí)施例的細(xì)節(jié)，而且在 不背離本發(fā)明的精神或基本特征的情況下，能夠以其他的具體形式實(shí)現(xiàn)本發(fā)明。因此，無(wú)論 從哪一點(diǎn)來(lái)看，均應(yīng)將實(shí)施例看作是示范性的，而且是非限制性的，本發(fā)明的范圍由所附權(quán) 利要求而不是上述說(shuō)明限定，因此旨在將落在權(quán)利要求的等同要件的含義和范圍內(nèi)的所有 變化囊括在本發(fā)明內(nèi)。不應(yīng)將權(quán)利要求中的任何附圖標(biāo)記視為限制所涉及的權(quán)利要求。
【主權(quán)項(xiàng)】
1. 一種基于空間BRS的粒子濾波行人跟蹤方法，其特征在于，包括以下步驟： 51、 提取訓(xùn)練樣本集中的HOG特征向量； 52、 基于SVM算法對(duì)所述的HOG特征向量進(jìn)行訓(xùn)練，得到初始化運(yùn)動(dòng)行人分類(lèi)器； 53、 獲取監(jiān)控區(qū)域的視頻流圖像作為輸入圖像； 54、 利用初始化運(yùn)動(dòng)行人分類(lèi)器對(duì)輸入圖像進(jìn)行運(yùn)動(dòng)行人檢測(cè)； 55、 對(duì)檢測(cè)到的運(yùn)動(dòng)行人區(qū)域進(jìn)行跟蹤集的采集操作； 56、 利用基于空間BRS的粒子濾波算法對(duì)檢測(cè)到的行人進(jìn)行跟蹤和計(jì)數(shù)。2. 根據(jù)權(quán)利要求1所述的方法，其特征在于，所述步驟S5具體為： 對(duì)于首次出現(xiàn)在監(jiān)控區(qū)域內(nèi)的運(yùn)動(dòng)行人，將該運(yùn)動(dòng)行人的圖像信息保存在跟蹤集內(nèi)； 對(duì)于已出現(xiàn)在監(jiān)控區(qū)域內(nèi)的運(yùn)動(dòng)行人，將該運(yùn)動(dòng)行人區(qū)域的圖像信息覆蓋之前跟蹤集 內(nèi)保存的該運(yùn)動(dòng)行人的圖像信息。 對(duì)于已離開(kāi)監(jiān)控區(qū)域的運(yùn)動(dòng)行人刪除跟蹤集內(nèi)保存的該運(yùn)動(dòng)行人的圖像信息。3. 根據(jù)權(quán)利要求2所述的方法，其特征在于，所述的"圖像信息"為灰度圖像信息。4. 根據(jù)權(quán)利要求1所述的方法，其特征在于，所述步驟S6具體包括以下子步驟： 561、 將檢測(cè)到的運(yùn)動(dòng)行人區(qū)域和跟蹤集內(nèi)的運(yùn)動(dòng)行人區(qū)域等分成若干塊； 562、 計(jì)算運(yùn)動(dòng)行人區(qū)域每一塊直方圖對(duì)應(yīng)的BRS相似度； 563、 將運(yùn)動(dòng)行人區(qū)域內(nèi)所有塊的BRS相似度線性組合成BBRS相似度； 564、 構(gòu)建運(yùn)動(dòng)行人的觀測(cè)似然函數(shù)； 565、 最后利用粒子濾波算法對(duì)運(yùn)動(dòng)行人進(jìn)行狀態(tài)估計(jì)，并對(duì)進(jìn)、出監(jiān)控區(qū)域的運(yùn)動(dòng)行 人進(jìn)行計(jì)數(shù)。5. 根據(jù)權(quán)利要求4所述的方法，其特征在于，所述子步驟S61具體為：將檢測(cè)到的運(yùn)動(dòng) 行人區(qū)域和跟蹤集內(nèi)的運(yùn)動(dòng)行人區(qū)域等分成4塊。6. 根據(jù)權(quán)利要求4所述的方法，其特征在于，所述子步驟S62中的"直方圖"必須滿足 L2范數(shù)。7. 根據(jù)權(quán)利要求4所述的方法，其特征在于，所述子步驟S65中的"粒子濾波"鑒于已 是很成熟的算法，本文不再做詳細(xì)的闡述。
【文檔編號(hào)】G06M11/00GK105844660SQ201510028997
【公開(kāi)日】2016年8月10日
【申請(qǐng)日】2015年1月16日
【發(fā)明人】呂楠, 張麗秋
【申請(qǐng)人】江蘇慧眼數(shù)據(jù)科技股份有限公司