[发明专利]一种室外行人实时检测方法

说明书

技术领域

本发明涉及目标检测技术领域，具体涉及一种室外行人实时检测方法。

背景技术

随着摄像头安装数量的日益增多，以及智慧城市和公共安全需求的日益增长，采用人工的视频监控方式已经远远不能满足需要，因此智能视频监控技术应运而生并迅速成为一个研究热点。在实际应用中，对室外环境的行人进行检测监控一直是研究的难点，这是因为室外环境复杂多变，存在光照变化、树叶摇晃、小动物(尤其是夜间灯光引来的飞虫)等干扰。

在人体检测方法中目前最具影响力的方法是由Dalal等提出的梯度直方图(Histogram of oriented gradients，简称HOG)结合支持向量机(Support vector machine，简称SVM)分类器的人体检测方法。HOG描述图像的局部边缘梯度信息，对小量的偏移和光照变化具有很好的鲁棒性，缺点是维度较高，以致其提取速度很慢，计算时间比较长，影响实时性。针对静态图像识别应用场景，相关学者在特征提取、分类器的训练和分类等方面做出了不少改进。

此外针对动态视频识别应用场景，也有相关学者提出将前景提取与人体识别相结合的方法，该方法是采用现有的某种前景检测算法定位图像中的感兴趣区域(region of interesting，简称ROI)，然后在此图像区域上通过HOG的方法进行人体识别。常用的前景检测方法有：背景差分法、帧间差分法、光流法、混合高斯背景建模法、视觉背景抽取法(Visual Background extractor，简称ViBe)等。背景差分法和帧间差分法在复杂的环境中适应性不强，光流法计算复杂度较高，而应用较为广泛的混合高斯背景建模法也存在计算复杂、不适应变化较快的背景等问题。ViBe方法是一种高效的像素级背景建模算法，运算速度快且具有较强的鲁棒性，然而对于光线突变、大幅度树枝摇晃等较大背景变化仍然适应性不强。在室外环境中，受复杂的背景变化影响，前景检测的误报率比较高，在此基础上进行的行人检测仍然较难在实时性与准确性之间进行平衡。

发明内容

有鉴于此，有必要针对现有技术存在的问题，提出一种室外行人实时检测方法，该方法有效降低了光照突变、树枝大幅度摇晃等背景变化的干扰，提高了准确性的同时，也降低了无意义的行人检测次数，进而提高检测速度，在保证行人识别准确率的同时，提高了算法的执行速度，保证了实时性并具有较高的鲁棒性。

为了实现上述目的，本发明的技术方案如下：

一种室外行人实时检测方法，包括以下步骤：

步骤S1，输入视频序列S＝{s₁，s₂，…，s_t}；

步骤S2，输入当前视频帧s_t并将其缩小到指定尺寸得到压缩帧F_t；

步骤S3，利用改进ViBe算法检测前景目标区域；

步骤S4，根据前景检测结果更新背景帧；

步骤S5，利用连通区域跟踪算法对前景目标进行跟踪；

步骤S6，对于每一个前景目标跟踪对象，采用指定的逻辑规则选择性的执行步骤S7、步骤S8、步骤S9；

步骤S7，利用背景差对当前跟踪目标的前景区域检测结果进行筛选；

步骤S8，根据前景区域筛选结果在s_t中裁剪图像，并对该图像提取HOG特征；

步骤S9，利用SVM分类器对HOG特征进行行人检测；

进一步地，步骤S3中包括：

步骤S31，前P帧压缩帧F_t采用多帧平均计算法，得到平均帧图_A，计算方法如下式：

步骤S32，根据前P帧得到的平均帧图A，初始化ViBe背景模型；

步骤S33，从第P+1帧起，对压缩帧F_t进行前景检测并更新ViBe背景模型；

步骤S34，对前景检测结果去噪，标记连通域区域作为最终的前景目标区域检测结果；

进一步地，步骤S4中包括：

步骤S41，将前P帧得到的平均帧图A作为背景帧B₀；

步骤S42，从第P+1帧起，统计最新Q帧的平均帧C_t，并利用该平均帧以及前景区域检测结果更新背景帧B_t，具体方法如下：

步骤S421，从第P+1帧开始计算背景帧更新掩码mask_t；

此处x判断为前景/背景的依据来自基于改进ViBe的前景目标提取结果；