[发明专利]一种针对感兴趣区域的反馈式行人检测方法

说明书

技术领域

本发明涉及智能监控技术领域，特别涉及智能视频监控系统中的行人检测。

背景技术

行人检测是物体检测的重要分支，是近年来计算机视觉领域备受关注的前沿方向和研究热点。它在智能监控系统、驾驶员辅助系统、运动分析、高级人机接口等众多领域拥有广泛的应用前景，作为保障汽车、行人安全的一种主动安全手段，已成为产业界和研究界共同关注的一个研究热点。近年来，通过研究人员不懈的研究，行人检测领域涌现了大量优秀的算法，将行人检测的精度一次又一次地提高，向着实用的方向不断迈进。当前行人检测的研究较之以前已经取得了很大的进步，但是依然没有找到一种可以在实际环境中进行大规模应用的方法。这主要是因为行人检测作为物体检测的一个特例有其特殊性，例如行人的多样性，街道周围的复杂背景等。

从研究的切入点来看，当前的研究方法大致可分为三类：第一类是基于特征的方法。这类方法致力于找到一种特征，能够完美地描述人体，并且尽量不受背景、光照、姿势的影响，在各种条件下都能将行人和背景区分开；第二类是基于多部位的方法。这类方法致力于解决人体的非刚性以及遮挡对外观的影响，将人体的变化分解为各个部位的变化，采取各个击破的方式，分而治之，通过对人体的各个部位的检测来完成对整个人体的检测；第三类是基于多视角的方法，这类方法侧重于解决在不同视角下行人外观上的差异。当前的主流研究方向是从机器学习角度出发，从大量的训练样本中自动抽取特征，建立人体模型，把行人检测问题化为一个模式分类的问题。

尽管行人检测已经取得了很大的突破，但距离真正的大规模实用化依然非常遥远，还有很多问题没有解决，需要我们不懈地努力与探索。主要难点有：1)复杂的背景。由于人类活动范围广泛，生活环境不断改变，因此图片中的背景变化很大，这无形中就给人体检测增加了难度，而且由于在图像中，一般人体只占一少部分，因此背景的细微变化都会对检测有很大的影响；2)人体姿势各异。由于人是有关节的，在图像中人的姿势差异性很大，有站，坐，蹲等等，而且着装也大不相同，有长有短，这些都造成了人体这个类别本身的多变性，造成了对人体建模的困难；3)遮挡问题。一般在图像当中，人体并不是完全暴露出来的，有可能被前面的物体遮挡，或者与他人有部分重叠，这些都造成了人体检测的困难；4)检测速度。人体检测是其他应用的前期和基本步骤，它要为后续工作节约时间，因此对人体检测的速度提出了很高的要求，尽量能够达到实时的要求，否则很难把它应用的实际的系统中；5)尺度问题。我们知道人体有高、有低，距离摄像机的远近，也会造成人体大小变化，会造成在图像或视频中人体的尺度范围变化很大。所以作为人体检测系统应当能够处理尺度问题。只有解决了以上问题，行人检测才能达到令人满意的效果。行人检测的关键是快速、准确地检测到行人。

发明内容

一种针对感兴趣区域反馈式行人检测方法，能够鲁棒地应对变化环境中的行人检测。本发明结合离线行人分类和在线跟踪方法，一方面，离线行人分类结果不仅能为在线行人跟踪提供初始化信息，实现跟踪的自动初始化，而且可以作为在线分类器的训练新样本，进而更新优化在线行人分类器，这样在线跟踪分类器就可以随着目标和背景的变化而得以更新。另一方面，在线行人跟踪的结果作为下一帧离线行人分类的感兴趣区域，从而有效降低检测窗口的扫描范围和特征维数。因此，本发明既能应对环境动态的变化又能反映感兴趣人体区域，不仅能提高行人检测速度和准确性，而且能有效应对变化场景。本发明方法包括以下步骤：

步骤1，正负样本图像特征的提取：采用MIT和INTRA行人数据库作为训练库样本，提取图正负样本的特征向量，其步骤为：1)在每个像素上计算图像的梯度；2)将梯度投影到每个最小单位矩形中，并计算梯度方向；3)在块内对最小单位矩形中的梯度进行归一化处理；4)利用AdaBoost选择大小不同的块结构，将检测窗口中的块中的梯度向量级联形成最后的图像特征向量，其中检测窗口大小将与离线行人分类器的正样本相同；

步骤2，离线行人分类器设计和训练：离线行人分类器采用AdaBoost分类算法选择大小不同的块结构特征向量，将选择的特征向量作为筛选出来的特征作为支持向量机特征输入，训练离线行人分类器；

步骤3，将获取的视频图像帧(原始图像)按照双线性内插法缩放成一系列的待测图像；