[发明专利]一种基于视频监控的快速行人检测方法

说明书

本发明涉及一种基于视频监控的快速行人检测方法，检测方法包括图像采样、参数设定和图像预处理、运动检测、利用CENTRIST描述符和线性SVM分类器进行行人检测等步骤。本发明提出的基于视频监控的快速行人检测方法，有效减少了实际监控中的开销，实现对视频实时监控以及快速、准确的行人检测。

技术领域

本发明属于智能视频监控领域，具体涉及一种基于视频监控的快速行人检测方法。

背景技术

从小波第一次被用于作为行人检测的图像特征以及使用SVM算法来做运动目标判决分类开始，到2005年法国人Dalal在CVPR发表HOG+SVM的检测算法时，行人检测算法的基本框架结构就已经确立了，即先通过选取合适的图像特征提取图像信息，建立合适的分类模型训练标准图像样本，进而获得合理的识别分类器用于待检测图像，最终检测得到行人所在位置和尺寸。此后，行人检测算法发展越来越快，提取的特征也不再单一，而是因地制宜的从目标图像的边缘轮廓、纹理信息到梯度直方图、颜色信息等，而与之相适应的分类器也有神经网络、SVM、Adaboost以及深度学习等算法。

经典HOG+SVM算法，通过实验可以发现两点不足：(1)图像检测所消耗的时间太长，远远无法达到实际应用中对于视频实时监控的速度要求；(2)在没有收集相应场景的样本集、没有训练相应的分类决策函数的前提下，实际行人检测的效果相当不准确，过检、漏检的情况很严重。由此可以看出，虽然OpenCV中自带的SVM决策函数默认的训练集是INRIA标准行人图像库，但是检测效果并不理想。在实际的视频监控中，为了提高准确度，必须要针对不同的检测环境、场景，动态的采集相应的标准图像库，并计算出相应的决策函数。

针对第一点不足，本发明提出的一种类似于HOG描述子的CENTRIST描述子(即Census Transform Histogram，也称C⁴)，其在同样突出边缘信息的基础上计算复杂度却大大降低。相比于HOG描述符，C⁴更注重于保留图像的边缘轮廓等信息，有效的捕捉了图像的局部特征并完成编码，避免了由于光照等突然变化引起的不良影响。而且其只需要计算邻域像素间的差值计算量被大大减小。

为了提高行人检测的准确度和运行速度，本发明在原有SVM分类算法基础上提出了一种改进算法——快速分类的支持向量机算法(Fast Classification Support VectorMachine，缩写为：FCSVM)。实验证明这种算法在不明显降低SVM算法分类效果的基础上减少训练出来的支持向量的个数，相应的也会减少了检测时决策函数的时间开销。

发明内容

针对上述传统行人检测方法存在的的问题，本发明提出一种基于视频监控的快速行人检测方法，可以提高行人检测的准确度和运行速度。

为实现上述目的，本发明具体技术方案如下：一种基于视频监控的快速行人检测方法，包括如下步骤：

1)视频采集及参数设定：读取视频流，初始化阈值Thread，转步骤2)；

2)运动检测计数器i＝0，转步骤3)；

3)读取一帧图像，转步骤4)；

4)判断计数器i是否大于阈值Thread，如果i>Thread，转步骤8)，否则转步骤5)；

5)图像预处理：对图像进行色彩空间变换、去噪以及灰度化处理，利用Gamma公式压缩图像大小，转步骤6)；

6)判断是否有运动目标：检测视频图像中是否有运动目标闯入,如果没有运动目标，转步骤2)；否则转步骤7)；

7)计数器i加1：i＝i+1，转步骤3)；

8)行人检测：判断闯入的运动目标是否是行人，如果是行人转步骤9)，否则转步骤2)；

9)报警；