[发明专利]一种基于视频处理的行人检测方法

说明书

技术领域

本发明涉及一种行人检测方法。

背景技术

行人检测是智能视频监控、智能交通、网络图片/视频检索等领域的一个重要课题，可以直接应用到行人计数、行人监视与报警、智能交通行人闯红灯、驾驶员辅助安全驾驶系统等应用中。行人检测算法大体分为两类：基于静态图像的行人检测和基于视频处理的行人检测。前者主要是依靠模式识别相关技术识别行人，最突出特点是检测精度高实时性差。在目前的方法中，HOG特征和SVM分类器是平衡实时性和有效性的最完美结合。后者主要是通过行人运动信息分割出前景目标，进一步结合行人最直观的形状特征（比如宽高比、面积）进行识别，可简单、快速去除车辆等明显不是行人的目标，提高系统效率。但这种不使用行人任何抽象特征的识别方法往往精确度很低。因此，把静态图像中模式识别思想引入到视频处理中，增加行人检测的精确度显得非常迫切。近期，也有一些学者做过相关工作。刘超于2009年发表在“中国科技论文在线”上的“基于HOG特征和运动信息的视频行人检测算法研究”一文中提出了分别在不同尺度下进行金字塔式的HOG特征提取。该算法采用的大小可变块HOG特征块模板虽然增加了HOG的特征数量使检测结果有所提高，但是训练和检测速度较慢。闫青于2009年发表的上海交通大学硕士学位论文“监控视频中的车辆及行人检测”一文中在传统形状特征基础上引入了一些几何不变特征比如周长面积比等，进而再使用分类器进行精确检测。该方法通过减少输入SVM分类器的前景数量来提高检测速度，没从根本上进行算法改进。

发明内容

为了克服已有行人检测技术的检测的精度较低、实时性较差的不足，本发明提供了一种提高检测精度、实时性良好的基于视频处理的行人检测方法。

本发明解决其技术问题所采用的技术方案是：

一种基于视频处理的行人检测方法，所述行人检测方法包括以下步骤：

（1）提取前景图片：

提取视频中每帧的运动目标图像，并将其按顺序标记存储到容器；使用背景建模提取背景，所述模型采用高斯混合模型；

（2）初步筛选前景：

设目标外接矩形面积为δ，每帧运动目标图像尺寸为W×H，图像面积为S=W×H，把获取的视频按横向或纵向坐标分成[0,x₀),[x₀,x₁),[x₁,x₂]三个区域，判断δ/S是否满足阈值条件，若满足，初次判断为行人；

再次判断目标外接矩形的宽高比scale是否满足以下条件：

a<scale<b   (5)

scale=widthheight]]>

其中，a、b为介于0～1之间的小数；

如满足，再次判定为行人；

（3）精确识别前景：将初步筛选后的前景图像选取HOG进行特征提取，然后用低维度软输出SVM行人分类器进行分类，判别是否为行人。

进一步，所述行人检测方法还包括以下步骤：（4）辅助线程中纠错处理：对低维度软输出SVM行人分类器软输出结果隶属分类低的前景图像，在辅助线程中调用高维度SVM分类器进行再识别处理。

再进一步，所述步骤（4）中，提取低维度HOG特征，输入低维度软输出SVM行人分类器得到第一次行人检测结果，同时，如果低维度软输出SVM行人分类器的分类隶属度低，存储前景图片和该帧图片，然后，进入下一帧图片的判断。

所述步骤（4）中，低维度软输出SVM行人分类器的硬判断输出结果{-1,1}映射到[0,1]，得到隶属于行人的概率值，把概率值属于设定阈值范围的样本作为分类隶属度低的样本。所述设定阈值范围可以是[0.4,0.6]，也可以为其他范围。

更进一步，所述步骤（4）中，当存储前景图片的数量超出预设数量值时，触发辅助线程中高维度SVM行人分类器，判别是否为行人，得到第二次结果；如果第二次结果与低维度软输出SVM行人分类器一致，则直接进入下一张所存储前景图像的判断，如果第二次结果与低维度软输出SVM行人分类器不一致，选择第二次结果为最终判断结果。

再进一步，所述步骤（1）中，高斯模型即高斯概率密度函数来表征图像中每个像素点的特征：设G_t为t时刻的背景图像，对该时刻背景图像上每个像素点建立混合高斯模型：