基于運(yùn)動(dòng)區(qū)域的行人檢測方法
【專利摘要】本發(fā)明提供一種基于運(yùn)動(dòng)區(qū)域的行人檢測方法，包括：采集攝像設(shè)備拍攝的視頻數(shù)據(jù)；使用混合高斯模型對視頻數(shù)據(jù)進(jìn)行背景建模，得到當(dāng)前幀的運(yùn)動(dòng)前景；利用開操作對所述運(yùn)動(dòng)前景進(jìn)行形態(tài)學(xué)處理，消除運(yùn)動(dòng)前景周圍的孤立點(diǎn)；構(gòu)建包圍運(yùn)動(dòng)前景的矩形包圍框，并刪除重復(fù)的矩形包圍框；獲取每一矩形包圍框的坐標(biāo)、長度、寬度；根據(jù)矩形包圍框在當(dāng)前幀的原始圖像上創(chuàng)建運(yùn)動(dòng)區(qū)域；對原始圖像的運(yùn)動(dòng)區(qū)域提取HOG特征，然后利用預(yù)先訓(xùn)練得到的SVM分類器對當(dāng)前幀的HOG特征進(jìn)行識別儀確定該運(yùn)動(dòng)區(qū)域是否為行人。
【專利說明】
基于運(yùn)動(dòng)區(qū)域的行人檢測方法
技術(shù)領(lǐng)域
[0001] 本發(fā)明涉及圖像處理技術(shù)領(lǐng)域，特別是指一種基于運(yùn)動(dòng)區(qū)域的行人檢測方法。
【背景技術(shù)】
[0002] 隨著技術(shù)的發(fā)展，各行各業(yè)對圖像處理的要求越來越高，特別是視頻監(jiān)控領(lǐng)域?qū)?精確檢測來提高安全性具有極高的要求?，F(xiàn)有的基于HOG特征的行人檢測是計(jì)算機(jī)視覺領(lǐng) 域中廣泛使用的方法，該方法先提取圖像的HOG特征，然后使用SVM作為分類器進(jìn)行判別，從 而實(shí)現(xiàn)行人檢測。但是HOG特征維數(shù)較高，提取每幀圖像的HOG特征通常需要花費(fèi)幾百毫秒 甚至更長時(shí)間，造成行人檢測系統(tǒng)實(shí)時(shí)性較差。另外，現(xiàn)有的HOG特征檢測算法對于背景中 輪廓類似于行人的物體，比如小樹、路燈等，該方法容易將其誤識別為行人，造成誤檢率較 尚。

【發(fā)明內(nèi)容】

[0003] 針對現(xiàn)有技術(shù)中視頻數(shù)據(jù)中對行人檢測的誤檢率較高的問題，本發(fā)明實(shí)施例的目 的是提出一種基于運(yùn)動(dòng)區(qū)域的行人檢測方法，至少能部分的解決以上的幾個(gè)問題。
[0004] 為了解決上述問題，本發(fā)明實(shí)施例提出了一種基于運(yùn)動(dòng)區(qū)域的行人檢測方法，包 括：
[0005] 步驟1、采集攝像設(shè)備拍攝的視頻數(shù)據(jù)；
[0006] 步驟2、使用混合高斯模型對視頻數(shù)據(jù)進(jìn)行背景建模，得到當(dāng)前幀的運(yùn)動(dòng)前景;利 用開操作對所述運(yùn)動(dòng)前景進(jìn)行形態(tài)學(xué)處理，消除運(yùn)動(dòng)前景周圍的孤立點(diǎn)；
[0007] 步驟3、構(gòu)建包圍運(yùn)動(dòng)前景的矩形包圍框，并刪除重復(fù)的矩形包圍框;獲取每一矩 形包圍框的坐標(biāo)、長度、寬度;根據(jù)矩形包圍框在當(dāng)前幀的原始圖像上創(chuàng)建運(yùn)動(dòng)區(qū)域；
[0008] 步驟4、對原始圖像的運(yùn)動(dòng)區(qū)域提取HOG特征，然后利用預(yù)先訓(xùn)練得到的SVM分類器 對當(dāng)前幀的HOG特征進(jìn)行識別儀確定該運(yùn)動(dòng)區(qū)域是否為行人。
[0009] 其中，所述步驟2具體包括：
[0010] 步驟21、使用混合高斯模型對視頻數(shù)據(jù)進(jìn)行背景建模，得到當(dāng)前幀的運(yùn)動(dòng)前景;具 體包括:在當(dāng)前幀圖像中，將背景區(qū)域所有像素的像素值被置為0,運(yùn)動(dòng)前景區(qū)域像素的像 素值不為〇;
[0011] 步驟22、利用開操作對所述運(yùn)動(dòng)前景進(jìn)行形態(tài)學(xué)處理，消除運(yùn)動(dòng)前景周圍的孤立 點(diǎn)。
[0012] 其中，步驟21具體采用以下方式實(shí)現(xiàn)：
[0013] 步驟211、選取視頻的參考幀的每個(gè)像素的值對混合高斯模型中的3個(gè)高斯分布的 均值μ〇進(jìn)行初始化，初始方差^設(shè)為較大值，每個(gè)高斯分布的權(quán)值ω 〇設(shè)為1/3;
[0014] 步驟212、將每個(gè)新獲取的像素的值與混合高斯模型中的3個(gè)高斯分布進(jìn)行比較， 如果新獲取的像素與混合高斯分布的至少一個(gè)高斯分布滿足以下的公式（1)，則認(rèn)為該像 素與高斯分布相匹配：
[0015] Xt-yi,t| <2.5〇i;t (I)
[0016] 其中，yi,t與別為t時(shí)刻第i個(gè)高斯分布的均值和方差，Xt為像素的值；
[0017] 步驟213、將高斯分布的權(quán)值按照公式(2)進(jìn)行更新；
[0018] ωι;?=(1-α) oi)t-i+aMi,t (2)
[0019] 其中，co1>t為高斯分布的權(quán)值，a為學(xué)習(xí)率;M1,t表示像素點(diǎn)與第i個(gè)高斯分布的匹 配情況，如果匹配成功則Mi, t為1，否則Mi, t為0;
[0020] 步驟214、將未匹配的高斯分布的均值和方差保持不變，匹配成功的高斯分布按照 公式(3)進(jìn)行更新參數(shù)；
[0021]
[0022]其中，P為參數(shù)更新的學(xué)習(xí)因子，a為學(xué)習(xí)率，yi,jP〇1,t分別表示在t時(shí)刻第i個(gè)高斯 分布的均值和方差;n( Xt，μL, t, Oi, t)為高斯分布的概率密度函數(shù)；
[0023] 步驟215、如果像素與所有高斯分布都不匹配，則相應(yīng)的混合高斯模型中權(quán)值最低 的高斯分布被新的高斯分布替換，新高斯分布的均值為當(dāng)前像素的像素值，方差設(shè)為較大 值，權(quán)值設(shè)為最小值。
[0024] 步驟216、將混合高斯模型中所有高斯分布按ω/σ進(jìn)行降序排列，按照公式(4)取 前B個(gè)高斯高分布作為背景;所有背景像素的像素值被置為0,當(dāng)前幀圖像中運(yùn)動(dòng)前景的像 素值不為0:
[0025]
[0026] 其中，T為閾值，表示背景高斯分布所占的比例。
[0027] 其中，所述步驟22具體包括:根據(jù)以下的公式(5)使用開操作對所述運(yùn)動(dòng)前景進(jìn)行 形態(tài)學(xué)處理;所述形態(tài)學(xué)處理包括腐蝕操作和后續(xù)的膨脹處理；
[0028] AoB = [AQB)? B (5)
[0029] 其中，A為運(yùn)動(dòng)前景，B為結(jié)構(gòu)元素。
[0030]其中，所述步驟3具體包括：
[0031] 步驟31、對獲得的當(dāng)前幀的運(yùn)動(dòng)前景進(jìn)行邊緣檢測，找出包圍運(yùn)動(dòng)前景的外輪廓；
[0032] 步驟32、遍歷整個(gè)當(dāng)前幀圖像，使用矩形逼近運(yùn)動(dòng)前景的外輪廓，將運(yùn)動(dòng)前景包圍 在矩形中央，得到多個(gè)包圍該運(yùn)動(dòng)前景的矩形包圍框rect[l]、rect[2]^TectIiY];
[0033] 然后判斷是否有矩形嵌套，如果有則將嵌套在其他矩形包圍框內(nèi)部的矩形包圍框 刪除，獲得最終的矩形包圍框rect[l]、rect[2]^TectIin];
[0034] 步驟33、獲取當(dāng)前幀的最終的矩形包圍框的左上角頂點(diǎn)的坐標(biāo)位置(X1，yi)、（X2， y2)…（Xn，y n)、每一矩形包圍框的寬度rect[l] .width、rect[2] .width...rect[n] .width，每 一矩形包圍框的寬度rect[l] .hight、rect[2] .hight."rect[n] .hight;
[0035]步驟34、根據(jù)所述當(dāng)前幀的原始圖像以及所有當(dāng)前幀的矩形包圍框，在當(dāng)前幀的 原始圖像上生成運(yùn)動(dòng)區(qū)域。
[0036] 其中，所述步驟33還包括：
[0037]將矩形包圍框中寬度或高度小于40像素的矩形包圍框刪除；
[0038] 然后將未刪除的矩形包圍框進(jìn)行識別，將寬度值小于64像素值的矩形包圍框的寬 度值擴(kuò)大為64像素值，將高度值小于128像素值的矩形包圍框的高度值擴(kuò)大為128像素值。
[0039] 其中，所述步驟4具體為:對獲得的原始圖像的運(yùn)動(dòng)區(qū)域提取HOG特征;利用預(yù)先訓(xùn) 練得到的SVM分類器對當(dāng)前幀的HOG特征進(jìn)行判別，以確定所述運(yùn)動(dòng)區(qū)域是否為行人。
[0040] 其中，所述步驟4還包括;當(dāng)運(yùn)動(dòng)區(qū)域?yàn)樾腥藭r(shí)，使用線寬為3像素的矩形框?qū)π腥?進(jìn)行標(biāo)注。
[0041] 本發(fā)明的上述技術(shù)方案的有益效果如下：上述方案的行人檢測方法，通過提取視 頻中運(yùn)動(dòng)前景，倉Il建當(dāng)前幀的運(yùn)動(dòng)區(qū)域，在當(dāng)前幀的運(yùn)動(dòng)區(qū)域內(nèi)進(jìn)行HOG特征提取，相比在 整個(gè)視頻幀圖像內(nèi)提取HOG特征的傳統(tǒng)方法，本方法的計(jì)算量大幅減少，因此非常迅速，可 以滿足普通監(jiān)控視頻的行人檢測的實(shí)時(shí)性需求；由于對每一幀圖像的HOG特征提取都是在 當(dāng)前幀的運(yùn)動(dòng)區(qū)域內(nèi)進(jìn)行的，而不是整個(gè)視頻幀圖像，因此，剔除了視頻圖像中大部分的背 景信息，避免了復(fù)雜的背景圖像對SVM分類器的干擾，增大了辨別準(zhǔn)確率，降低了誤檢測率。
【附圖說明】
[0042]圖1為本發(fā)明實(shí)施例的流程圖；
[0043] 圖2為本發(fā)明實(shí)施例的舉例說明的示意圖。
【具體實(shí)施方式】
[0044] 為使本發(fā)明要解決的技術(shù)問題、技術(shù)方案和優(yōu)點(diǎn)更加清楚，下面將結(jié)合附圖及具 體實(shí)施例進(jìn)行詳細(xì)描述。
[0045] 針對現(xiàn)有技術(shù)中行人檢測方法效果不好的問題，提出了一種基于運(yùn)動(dòng)區(qū)域的方 法，其流程如圖1所示的，包括：
[0046] 步驟1、采集攝像設(shè)備拍攝的視頻數(shù)據(jù)；
[0047] 步驟2、使用混合高斯模型對視頻數(shù)據(jù)進(jìn)行背景建模，得到當(dāng)前幀的運(yùn)動(dòng)前景;利 用開操作對所述運(yùn)動(dòng)前景進(jìn)行形態(tài)學(xué)處理，消除運(yùn)動(dòng)前景周圍的孤立點(diǎn)；
[0048] 步驟3、構(gòu)建包圍運(yùn)動(dòng)前景的矩形包圍框，并刪除重復(fù)的矩形包圍框;獲取每一矩 形包圍框的坐標(biāo)、長度、寬度;根據(jù)矩形包圍框在當(dāng)前幀的原始圖像上創(chuàng)建運(yùn)動(dòng)區(qū)域；
[0049]步驟4、對原始圖像的運(yùn)動(dòng)區(qū)域提取HOG特征，然后利用預(yù)先訓(xùn)練得到的SVM分類器 對當(dāng)前幀的HOG特征進(jìn)行識別儀確定該運(yùn)動(dòng)區(qū)域是否為行人。
[0050] 其中，步驟2具體為：如圖1所示，本發(fā)明實(shí)施例通過提取視頻中運(yùn)動(dòng)前景，創(chuàng)建當(dāng) 前幀的運(yùn)動(dòng)區(qū)域，在當(dāng)前幀的運(yùn)動(dòng)區(qū)域內(nèi)進(jìn)行HOG特征提取，然后利用SVM分類器進(jìn)行判別， 若判別當(dāng)前幀運(yùn)動(dòng)區(qū)域內(nèi)的運(yùn)動(dòng)前景為行人，則使用線寬為3像素的矩形框?qū)π腥诉M(jìn)行標(biāo) 注。
[0051] 進(jìn)一步地，步驟2具體包括以下步驟：
[0052] 步驟21、使用混合高斯模型對步驟1中的視頻數(shù)據(jù)進(jìn)行背景建模，得到當(dāng)前幀的運(yùn) 動(dòng)前景;具體包括:在當(dāng)前幀圖像中，將背景區(qū)域所有像素的像素值被置為〇,運(yùn)動(dòng)前景區(qū)域 像素的像素值不為〇;
[0053] 步驟22、利用開操作對所述運(yùn)動(dòng)前景進(jìn)行形態(tài)學(xué)處理，消除運(yùn)動(dòng)前景周圍的孤立 點(diǎn)，使得當(dāng)前幀圖像只有獨(dú)立完整的運(yùn)動(dòng)前景。
[0054]其中，步驟21具體采用以下方式實(shí)現(xiàn)：
[0055] 步驟211、選取視頻的參考幀的每個(gè)像素的值對混合高斯模型中的3個(gè)高斯分布的 均值μ〇進(jìn)行初始化，初始方差O0 2設(shè)為較大值，每個(gè)高斯分布的權(quán)值ω Q設(shè)為1/3;
[0056] 步驟212、將每個(gè)新獲取的像素的值與混合高斯模型中的3個(gè)高斯分布進(jìn)行比較， 如果新獲取的像素與混合高斯分布的至少一個(gè)高斯分布滿足以下的公式（1)，則認(rèn)為該像 素與高斯分布相匹配：
[0057] Xt-yi,t| <2.5〇i;t (I)
[0058] 其中，yi,t與〇i,t分別為t時(shí)刻第i個(gè)高斯分布的均值和方差，xt為像素的值；
[0059] 步驟213、將高斯分布的權(quán)值按照公式(2)進(jìn)行更新；
[0060] ωι;?=(1-α) oi)t-i+aMi,t (2)
[0061] 其中，co1>t為高斯分布的權(quán)值，a為學(xué)習(xí)率;M1,t表示像素點(diǎn)與第i個(gè)高斯分布的匹 配情況，如果匹配成功則Mi, t為1，否則Mi, t為0;
[0062] 步驟214、將未匹配的高斯分布的均值和方差保持不變，匹配成功的高斯分布按照 公式(3)進(jìn)行更新參數(shù)；
[0063]
[0064]其中，P為參數(shù)更新的學(xué)習(xí)因子，a為學(xué)習(xí)率，yi,jP〇1,t分別表示在t時(shí)刻第i個(gè)高斯 分布的均值和方差;n( Xt，μL, t, Oi, t)為高斯分布的概率密度函數(shù)；
[0065] 步驟215、如果像素與所有高斯分布都不匹配，則相應(yīng)的混合高斯模型中權(quán)值最低 的高斯分布被新的高斯分布替換，新高斯分布的均值為當(dāng)前像素的像素值，方差設(shè)為較大 值，權(quán)值設(shè)為最小值。
[0066] 步驟216、將混合高斯模型中所有高斯分布按ω/σ進(jìn)行降序排列，按照公式(4)取 前B個(gè)高斯高分布作為背景;所有背景像素的像素值被置為0,當(dāng)前幀圖像中運(yùn)動(dòng)前景的像 素值不為〇;
[0067]
[0068] 其中，T為閾值，表示背景高斯分布所占的比例；
[0069]其中，所述步驟22具體包括：
[0070]根據(jù)以下的公式（5)使用開操作對所述運(yùn)動(dòng)前景進(jìn)行形態(tài)學(xué)處理;所述形態(tài)學(xué)處 理包括腐蝕操作和后續(xù)的膨脹處理；
[0071] .4。β =:(ΑΘβ)@ β ( $ )
[0072] 其中，A為運(yùn)動(dòng)前景，B為結(jié)構(gòu)元素。
[0073]是由于處理后的圖像；
[0074]步驟31、對步驟22中獲得的當(dāng)前幀的運(yùn)動(dòng)前景進(jìn)行邊緣檢測，找出包圍運(yùn)動(dòng)前景 的外輪廓；
[0075] 步驟32、遍歷整個(gè)當(dāng)前幀圖像，使用矩形逼近運(yùn)動(dòng)前景的外輪廓，將運(yùn)動(dòng)前景包圍 在矩形中央，得到多個(gè)包圍該運(yùn)動(dòng)前景的矩形包圍框rect[l]、rect[2]^TectIiY];
[0076] 然后判斷是否有矩形嵌套，如果有則將嵌套在其他矩形包圍框內(nèi)部的矩形包圍框 刪除，獲得最終的矩形包圍框rect[l]、rect[2]^TectIin];
[0077] 步驟33、獲取當(dāng)前幀的最終的矩形包圍框的左上角頂點(diǎn)的坐標(biāo)位置(X1，yi)、（X2， y2)…（Xn，y n)、每一矩形包圍框的寬度rect[l] .width、rect[2] .width...rect[n] .width，每 一矩形包圍框的寬度rect[l] .hight、rect[2] .hight."rect[n] .hight;
[0078] 步驟34、根據(jù)所述當(dāng)前幀的原始圖像以及所有當(dāng)前幀的矩形包圍框，在當(dāng)前幀的 原始圖像上生成運(yùn)動(dòng)區(qū)域。
[0079]其中步驟32中，由于生成了多個(gè)保衛(wèi)該運(yùn)動(dòng)前景的矩形包圍框，因此需要對相互 嵌套的矩形包圍框進(jìn)行刪除以防止重復(fù)計(jì)算。為了降低運(yùn)算的復(fù)雜度，步驟33還包括:將獲 得的最終的矩形包圍框中寬度或高度小于40像素的矩形包圍框刪除;然后將未刪除的矩形 包圍框進(jìn)行識別，將寬度值小于64像素值的矩形包圍框的寬度值擴(kuò)大為64像素值，將高度 值小于128像素值的矩形包圍框的高度值擴(kuò)大為128像素值。其中步驟31-步驟33處理后獲 得的當(dāng)前幀的矩形包圍框?yàn)槎祱D像，無法直接進(jìn)行行人檢測。因此步驟34中試講當(dāng)前幀 的原始圖像重新載入，然后再根據(jù)矩形包圍框?qū)?yīng)的在原始圖像上生成運(yùn)動(dòng)區(qū)域。
[0080] 其中，所述步驟4具體為:對獲得的原始圖像的運(yùn)動(dòng)區(qū)域提取HOG特征;利用預(yù)先訓(xùn) 練得到的SVM分類器對當(dāng)前幀的HOG特征進(jìn)行判別，以確定所述運(yùn)動(dòng)區(qū)域是否為行人;如果 是則使用線寬為3像素的矩形框?qū)π腥诉M(jìn)行標(biāo)注，如果否則步驟結(jié)束。
[0081] 其中，步驟41中使用的是標(biāo)準(zhǔn)的HOG特征提取技術(shù)從原始圖像的運(yùn)動(dòng)區(qū)域內(nèi)的提 取HOG特征;具體包括:使用64 X 128像素大小的HOG特征檢測窗口在運(yùn)動(dòng)區(qū)域內(nèi)遍歷滑動(dòng)， 并提取HOG特征。其中可以從左到右、從上到下的順序在運(yùn)動(dòng)區(qū)域內(nèi)進(jìn)行移動(dòng)掃描，而在水 平方向和豎直方向上的檢測窗口都是8個(gè)像素。
[0082] 其中，64 X 128像素大小的HOG特征檢測窗口的HOG特征提取過程如下：
[0083] 利用矩形HOG結(jié)構(gòu)，將圖像劃分為多個(gè)Block，其中每個(gè)Block包括2 X 2個(gè)Cell，且 每一個(gè)Cell都是一個(gè)8 X 8像素的區(qū)域。其中檢測窗口 N為8像素，每個(gè)Cell的梯度方向從0°-360°分成9個(gè)方向塊，并將每個(gè)Cell的9個(gè)方向塊進(jìn)行梯度幅度投影，形成9維的特征向量。 將一個(gè)Block內(nèi)的四個(gè)Cel 1獨(dú)立產(chǎn)生9維的特征向量;在計(jì)算某個(gè)Cel 1的特征向量時(shí)，投影 的時(shí)候同一個(gè)Block內(nèi)的另外三個(gè)Cell中的像素也要對這個(gè)Cell的特征向量進(jìn)行投影，最 終在64X 128像素大小的HOG特征檢測窗口中，產(chǎn)生3780維的HOG特征向量。將所有檢測窗口 提取的HOG特征向量組成一個(gè)大的HOG特征向量。
[0084]其中，該SVM分類器是通過以下方法形成的：
[0085]獲取作為訓(xùn)練樣本集的正樣本集、負(fù)樣本集，其中正樣本集中的正樣本是指是包 含行人的圖像，而負(fù)樣本集中的負(fù)樣本為不包含行人的背景。本發(fā)明實(shí)施例中可以選用廣 泛應(yīng)用于行人檢測的INRIA數(shù)據(jù)庫。針對正樣本集和負(fù)樣本集，分別提取其中的所有正樣本 和負(fù)樣本的HOG特征。對樣本集中的所有樣本賦予樣本標(biāo)簽，其中正樣本都標(biāo)記為1、負(fù)樣本 都標(biāo)記為0，然后將所有樣本的HOG特征和樣本標(biāo)簽都輸入到SVM中進(jìn)行訓(xùn)練，最終得到訓(xùn)練 好的SVM分類器。
[0086]以上所述是本發(fā)明的優(yōu)選實(shí)施方式，應(yīng)當(dāng)指出，對于本技術(shù)領(lǐng)域的普通技術(shù)人員 來說，在不脫離本發(fā)明所述原理的前提下，還可以作出若干改進(jìn)和潤飾，這些改進(jìn)和潤飾也 應(yīng)視為本發(fā)明的保護(hù)范圍。
【主權(quán)項(xiàng)】
1. 一種基于運(yùn)動(dòng)區(qū)域的行人檢測方法，其特征在于，包括： 步驟1、采集攝像設(shè)備拍攝的視頻數(shù)據(jù)； 步驟2、使用混合高斯模型對視頻數(shù)據(jù)進(jìn)行背景建模，得到當(dāng)前幀的運(yùn)動(dòng)前景；利用開 操作對所述運(yùn)動(dòng)前景進(jìn)行形態(tài)學(xué)處理，消除運(yùn)動(dòng)前景周圍的孤立點(diǎn)； 步驟3、構(gòu)建包圍運(yùn)動(dòng)前景的矩形包圍框，并刪除重復(fù)的矩形包圍框;獲取每一矩形包 圍框的坐標(biāo)、長度、寬度;根據(jù)矩形包圍框在當(dāng)前幀的原始圖像上創(chuàng)建運(yùn)動(dòng)區(qū)域； 步驟4、對原始圖像的運(yùn)動(dòng)區(qū)域提取HOG特征，然后利用預(yù)先訓(xùn)練得到的SVM分類器對當(dāng) 前幀的HOG特征進(jìn)行識別儀確定該運(yùn)動(dòng)區(qū)域是否為行人。2. 根據(jù)權(quán)利要求1所述的基于運(yùn)動(dòng)區(qū)域的行人檢測方法，其特征在于，所述步驟2具體 包括： 步驟21、使用混合高斯模型對視頻數(shù)據(jù)進(jìn)行背景建模，得到當(dāng)前幀的運(yùn)動(dòng)前景;具體包 括:在當(dāng)前幀圖像中，將背景區(qū)域所有像素的像素值被置為0,運(yùn)動(dòng)前景區(qū)域像素的像素值 不為〇; 步驟22、利用開操作對所述運(yùn)動(dòng)前景進(jìn)行形態(tài)學(xué)處理，消除運(yùn)動(dòng)前景周圍的孤立點(diǎn)。3. 根據(jù)權(quán)利要求12所述的基于運(yùn)動(dòng)區(qū)域的行人檢測方法，其特征在于，步驟21具體采 用以下方式實(shí)現(xiàn)： 步驟211、選取視頻的參考幀的每個(gè)像素的值對混合高斯模型中的3個(gè)高斯分布的均值 μ〇進(jìn)行初始化，初始方差設(shè)為較大值，每個(gè)高斯分布的權(quán)值ω Q設(shè)為1/3; 步驟212、將每個(gè)新獲取的像素的值與混合高斯模型中的3個(gè)高斯分布進(jìn)行比較，如果 新獲取的像素與混合高斯分布的至少一個(gè)高斯分布滿足以下的公式（1)，則認(rèn)為該像素與 高斯分布相匹配： |xt-yi，t|〈2.5〇i，t (1) 其中，yi,t與〇1>t分別為t時(shí)刻第i個(gè)高斯分布的均值和方差， xt為像素的值； 步驟213、將高斯分布的權(quán)值按照公式(2)進(jìn)行更新； ω i)t= (1-α) ω i,t-i+aMi,t (2) 其中，《1>t為高斯分布的權(quán)值，α為學(xué)習(xí)率;M1>t表示像素點(diǎn)與第i個(gè)高斯分布的匹配情 況，如果匹配成功則Mi, t為1，否則Mi, t為0; 步驟214、將未匹配的高斯分布的均值和方差保持不變，匹配成功的高斯分布按照公式 (3)進(jìn)行更新參數(shù)；其中，P為參數(shù)更新的學(xué)習(xí)因子，a為學(xué)習(xí)率，和分別表示在t時(shí)刻第i個(gè)高斯分布 的均值和方差;n (xt，μL, t，, t)為高斯分布的概率密度函數(shù)； 步驟215、如果像素與所有高斯分布都不匹配，則相應(yīng)的混合高斯模型中權(quán)值最低的高 斯分布被新的高斯分布替換，新高斯分布的均值為當(dāng)前像素的像素值，方差設(shè)為較大值，權(quán) 值設(shè)為最小值。 步驟216、將混合高斯模型中所有高斯分布按ω/σ進(jìn)行降序排列，按照公式(4)取前B個(gè) 高斯高分布作為背景;所有背景像素的像素值被置為〇,當(dāng)前幀圖像中運(yùn)動(dòng)前景的像素值不 為〇;其中，Τ為閾值，表示背景高斯分布所占的比例。4. 根據(jù)權(quán)利要求3所述的基于運(yùn)動(dòng)區(qū)域的行人檢測方法，其特征在于，其中，所述步驟 22具體包括:根據(jù)以下的公式(5)使用開操作對所述運(yùn)動(dòng)前景進(jìn)行形態(tài)學(xué)處理;所述形態(tài)學(xué) 處理包括腐蝕操作和后續(xù)的膨脹處理； Α〇Β=(ΑΘΒ) ? Β (5) 其中，Α為運(yùn)動(dòng)前景，Β為結(jié)構(gòu)元素。5. 根據(jù)權(quán)利要求1所述的基于運(yùn)動(dòng)區(qū)域的行人檢測方法，其特征在于，其中，所述步驟3 具體包括： 步驟31、對獲得的當(dāng)前幀的運(yùn)動(dòng)前景進(jìn)行邊緣檢測，找出包圍運(yùn)動(dòng)前景的外輪廓； 步驟32、遍歷整個(gè)當(dāng)前幀圖像，使用矩形逼近運(yùn)動(dòng)前景的外輪廓，將運(yùn)動(dòng)前景包圍在矩 形中央，得到多個(gè)包圍該運(yùn)動(dòng)前景的矩形包圍框rect[l]、rect[2ih_rect[Y]; 然后判斷是否有矩形嵌套，如果有則將嵌套在其他矩形包圍框內(nèi)部的矩形包圍框刪 除，獲得最終的矩形包圍框rect[l]、Γθ〇?[2]···Γθ〇1:[η]; 步驟33、獲取當(dāng)前幀的最終的矩形包圍框的左上角頂點(diǎn)的坐標(biāo)位置(X1，yi)、（χ2，y 2)… (Xn，yn)、每一矩形包圍框的寬度rect[l] .width、rect[2] .width."rect[n] .width，每一矩 形包圍框的寬度rect[l] .hight、rect[2] .hight...rect[n] .hight; 步驟34、根據(jù)所述當(dāng)前幀的原始圖像以及所有當(dāng)前幀的矩形包圍框，在當(dāng)前幀的原始 圖像上生成運(yùn)動(dòng)區(qū)域。6. 根據(jù)權(quán)利要求5所述的基于運(yùn)動(dòng)區(qū)域的行人檢測方法，其特征在于，所述步驟33還包 括： 將矩形包圍框中寬度或高度小于40像素的矩形包圍框刪除； 然后將未刪除的矩形包圍框進(jìn)行識別，將寬度值小于64像素值的矩形包圍框的寬度值 擴(kuò)大為64像素值，將高度值小于128像素值的矩形包圍框的高度值擴(kuò)大為128像素值。7. 根據(jù)權(quán)利要求1所述的基于運(yùn)動(dòng)區(qū)域的行人檢測方法，其特征在于，所述步驟4具體 為:對獲得的原始圖像的運(yùn)動(dòng)區(qū)域提取HOG特征;利用預(yù)先訓(xùn)練得到的SVM分類器對當(dāng)前幀 的HOG特征進(jìn)行判別，以確定所述運(yùn)動(dòng)區(qū)域是否為行人。8. 根據(jù)權(quán)利要求7所述的基于運(yùn)動(dòng)區(qū)域的行人檢測方法，其特征在于，所述步驟4還包 括;當(dāng)運(yùn)動(dòng)區(qū)域?yàn)樾腥藭r(shí)，使用線寬為3像素的矩形框?qū)π腥诉M(jìn)行標(biāo)注。 其中，步驟41中使用的是標(biāo)準(zhǔn)的HOG特征提取技術(shù)從原始圖像的運(yùn)動(dòng)區(qū)域內(nèi)的提取HOG 特征;具體包括:使用64X128像素大小的HOG特征檢測窗口在運(yùn)動(dòng)區(qū)域內(nèi)遍歷滑動(dòng)，并提取 HOG特征。其中可以從左到右、從上到下的順序在運(yùn)動(dòng)區(qū)域內(nèi)進(jìn)行移動(dòng)掃描，而在水平方向 和豎直方向上的檢測窗口都是8個(gè)像素。 其中，64 X 128像素大小的HOG特征檢測窗口的HOG特征提取過程如下： 利用矩形HOG結(jié)構(gòu)，將圖像劃分為多個(gè)Block，其中每個(gè)Block包括2X2個(gè)Cell，且每一 個(gè)Cell都是一個(gè)8X8像素的區(qū)域。其中檢測窗口 N為8像素，每個(gè)Cell的梯度方向從0°-360° 分成9個(gè)方向塊，并將每個(gè)Ce 11的9個(gè)方向塊進(jìn)行梯度幅度投影，形成9維的特征向量。將一 個(gè)B1 ock內(nèi)的四個(gè)Ce 11獨(dú)立產(chǎn)生9維的特征向量;在計(jì)算某個(gè)Ce 11的特征向量時(shí)，投影的時(shí) 候同一個(gè)Block內(nèi)的另外三個(gè)Cell中的像素也要對這個(gè)Cell的特征向量進(jìn)行投影，最終在 64X 128像素大小的HOG特征檢測窗口中，產(chǎn)生3780維的HOG特征向量。將所有檢測窗口提取 的HOG特征向量組成一個(gè)大的HOG特征向量。 其中，該SVM分類器是通過以下方法形成的： 獲取作為訓(xùn)練樣本集的正樣本集、負(fù)樣本集，其中正樣本集中的正樣本是指是包含行 人的圖像，而負(fù)樣本集中的負(fù)樣本為不包含行人的背景。本發(fā)明實(shí)施例中可以選用廣泛應(yīng) 用于行人檢測的INRIA數(shù)據(jù)庫。針對正樣本集和負(fù)樣本集，分別提取其中的所有正樣本和負(fù) 樣本的HOG特征。對樣本集中的所有樣本賦予樣本標(biāo)簽，其中正樣本都標(biāo)記為1、負(fù)樣本都標(biāo) 記為0,然后將所有樣本的HOG特征和樣本標(biāo)簽都輸入到SVM中進(jìn)行訓(xùn)練，最終得到訓(xùn)練好的 SVM分類器。
【文檔編號】G06T7/20GK106056631SQ201610395485
【公開日】2016年10月26日
【申請日】2016年6月6日
【發(fā)明人】程德強(qiáng), 趙凱, 陳剛, 高凌志, 黃曉麗, 滿廣毅, 厲航
【申請人】中國礦業(yè)大學(xué)