基於視頻監控的行人檢測方法
2023-05-07 18:53:36 3
專利名稱：基於視頻監控的行人檢測方法
技術領域：
本發明涉及模式識別技術領域，具體涉及基於視頻監控的行人檢測方法。
背景技術：
行人檢測是指，對圖像或視頻中所有的行人位置進行定位，並將其位置標記出來。 更廣泛的概念可以理解為目標檢測或者目標識別。與傳統的基於紅外或雷達等技術相比， 基於圖像或視頻的行人檢測技術具備的可靠性，方便性和低成本等優勢越來越受到關注， 被廣泛應用在視頻監控，自動車輛駕駛等領域。已有的行人檢測方法如haar特徵與Adaboost分類器(參考文獻P. Viola， Μ. J. Jones, and D. Snow，「基於移動與外觀模式的行人檢測技術，」國際計算機視覺會議，第 1卷，734-741頁，2003)，雖然該方法取得了不錯的效果，但是存在誤檢測率偏高的缺點，不 能應用到實際的視頻監控中。
發明內容
針對上述現有技術存在的缺陷，本發明目的旨在提供一種基於視頻監控的行人檢 測方法，採用雙重分類器的驗證方法，既能快速的排除非行人，又能夠通過不同的分類器進 一步降低誤檢測率，提高實用性能。為實現上述發明目的，本發明採取的技術方案是一種基於視頻監控的行人檢測 方法，包括如下步驟已標註好的行人樣本通過訓練模塊進行訓練建模，生成Adaboost級聯分類器與 支持向量機分類器，共同構成檢測模塊；圖像數據輸入到檢測模塊，依次通過不同的檢測分 類器完成對行人的定位；其中在訓練模塊進行的訓練建模步驟如下(1)歸一化已標註好的行人圖像，包括行人圖像的尺寸歸一化和灰度歸一化；(2)通過擴展梯度直方圖特徵來描述行人，採用Adaboost算法，選擇擴展梯度直 方圖特徵並生成具有區分行人與背景的Adaboost級聯分類器。所述Adaboost算法步驟是1)給定η個訓練樣本(Xl，Y1),. . . (xn, yn) ,Yi = 0,1分別表示Xi為負樣本或正樣 本。2)初始化權重螂
其中正樣本個數為1，負樣本個數為m。 3)t從1到T，循環執行以下步驟a)歸一化權重 二 ,/Σ^闢"；b)對每一個特徵&訓練一個弱分類器hp記此分類器錯誤率為c)從上一步訓練出的所有弱分類器中，找出具有最低錯誤率的分類器ht ；
d)更新權重碎+1，, = ωυβ」，其中β t = ε t/ (1- ε t)，如果Xi被分類正確，力=0，
否則ei = 1。 其中 (3)利用傳統梯度直方圖特徵與支持向量機生成具有區分行人與背景的支持向量 機分類器；所述檢測模塊實現的步驟是(1)採用訓練模塊生成的Adaboost級聯分類器檢測行人候選區域，確定行人初步 位置；(2)利用在訓練模塊生成的支持向量機分類器在上述步驟確定的行人初步位置中 進一步確定行人具體位置。圖像數據可為視頻序列或靜態圖像，當所述圖像數據為視頻序列時，在輸入檢測 模塊之前，首先通過幀間背景差方法，確定行人候選區域。其中幀間背景差方法採用的背景函數y(t) = f(t+l)-2f(t)+f(t_l)，t為當前時 間，f(t)為視頻幀函數。其中擴展梯度直方圖特徵的選擇過程如下設行人樣本大小為A = W*H，其中W為 樣本的寬，H為樣本的高；將原圖分成N塊，其中塊的大小和尺度各不相同，並且塊與塊之間 有重疊區域；對每一塊做如下操作1)計算每個像素點的梯度幅值與方向；2)把梯度方向0-180度分成9個直方圖方向；3)分成三大類特徵，每類特徵都有9個候選特徵；第一類:0_20度，20-40 度，40-60 度，60-80 度，80-100 度，100-120 度，120-140 度， 140-160度，160-180度9個直方圖方向；第二類0-40度，20-60 度，40-80 度，60-100 度，80-120 度，100-140 度，120-160 度，140-180度，160-180-20度9個直方圖方向；第三類0-60度，20-80 度，40-100 度，60-120 度，80-140 度，100-160 度，120-180 度，140-180-20度，160-180-40度9個直方圖方向；4)計算出擴展梯度直方圖特徵上述每個直方圖方向的梯度幅值和與總的梯度 幅值和的比值為擴展梯度直方圖特徵。通過把梯度方向分為27個子方向，則每一塊有27個候選特徵；則總共的候選特徵 為27*N個；再利用Adaboost算法組成級聯分類器來達到對行人進行檢測的目的。本發明所述基於視頻監控的行人檢測方法的工作原理是首先將已知的分類好的 行人樣本通過訓練模塊實現訓練建模，通過提取不同的特徵生成由Adaboost級聯分類器與支持向量機分類器構成的雙重分類器。然後，視頻序列或靜態圖片通過檢測模塊進行行 人的檢測，視頻序列在輸入到分類器之前，一般通過簡單的幀間背景差確定行人的粗略位 置，然後通過雙重分類器進行快速的驗證。而靜態圖片是直接通過雙重分類器進行快速的 定位。綜上所述，本發明所述基於視頻監控的行人檢測方法針對傳統梯度直方圖特徵 不能應用於Adaboost分類器，對梯度直方圖特徵進行了改進，得到擴展梯度直方圖特徵， 並適合於Adaboost分類器。其次，由於傳統的檢測方法只使用了單個分類器，在速度上或 檢測率方面都存在一定的局限性，本方法通過融合Adaboost級聯分類器和SVM分類器， adaboost級聯分類器檢測速度快，但行人誤檢測率高，SVM分類器檢測準確率高，但檢測速 度慢，兩者相結合，使得在行人檢測速度與檢測準確率方面達到了一個較好的平衡，不僅能 大大減少用於檢測行人的複雜度，而且也顯著的減少了誤檢測率。因此，本發明由於其自然性、高可接受性等優點能在智能視頻監控、智能交通和人 機交互等方面得到廣泛應用。
圖1為本發明所述基於視頻監控的行人檢測方法流程示意圖；圖2為實施例中所用的一些行人樣本圖；圖3為實施例所述方法與幾種不同行人檢測方法的性能比較圖。
具體實施例方式以下結合附圖和實施例對本發明作進一步的詳細說明。圖1為本發明提出的基於視頻監控的行人檢測方法流程示意圖，包括訓練模塊與 檢測模塊。首先，已知的分類好的行人樣本，用擴展梯度直方圖特徵生成可以對未知的行人 樣本進行不同檢測精度的Adaboost級聯分類器和支持向量機分類器。在檢測模塊，輸入的 視頻序列首先通過幀間差方法確定行人的候選區域，然後利用Adaboost級聯分類器快速 確定行人的位置。支持向量機分類器進一步驗證檢測的結果。具體訓練模塊基本步驟如 下第一步歸一化原始的訓練行人圖像。包括行人圖像大小歸一化和灰度歸一化，首 先根據行人的比例來裁剪出標準的行人圖像，然後利用直方圖均衡化(假設一幅圖像中灰
度級Yk出現的概率為
為圖像中像素的總和，nk是
灰度級為Yk的像素個數，L為圖像中的灰度級總數。在此條件下的直方圖均衡化形式為
來消除光照的影響。圖2為本實例中
採用的幾個標準的行人樣本。第二步利用擴展梯度直方圖特徵與Adaboost訓練得到一個可以快速定位行人 的Adaboost級聯分類器。Adaboost級聯分類器能夠對行人候選區域進行快速搜索行人 的位置。其中計算圖像的擴展梯度直方圖特徵的基本過程如下假設行人樣本大小為A = W*H，其中W為樣本的寬，H為樣本的高。把原圖分成N塊，與傳統的梯度直方圖特徵劃塊方式不一樣，塊的大小，尺度都不一樣，並且塊與塊之間有重疊區域。對每一塊做如下操作1.計算每個像素點的梯度幅值與方向；2.把梯度方向0-180度分成9個直方圖方向；3.分成三大類特徵，每類特徵都有9個候選特徵；第一類:0_20度，20-40 度，40-60 度，60-80 度，80-100 度，100-120 度，120-140 度， 140-160度，160-180度9個直方圖方向。第二類0-40度，20-60 度，40-80 度，60-100 度，80-120 度，100-140 度，120-160 度，140-180度，160-180-20度9個直方圖方向。第三類0-60度，20-80 度，40-100 度，60-120 度，80-140 度，100-160 度，120-180 度，140-180-20度，160-180-40度9個直方圖方向。4.計算特徵特徵為每個直方圖方向的梯度幅值和除以總的梯度幅值和。通過把梯度方向分27個子方向，則每一塊有27個候選特徵；則總共的候選特徵為 27_個；再利用Adaboost算法組成級聯的強分類器來達到對行人進行檢測的目的。由於 將傳統的梯度直方圖特徵進行了離散化，因此可以和Adaboost算法很好的結合。第三步利用傳統梯度直方圖特徵在訓練樣本上訓練支持向量機分類器。其基本 方法為首先，依然類似步驟二，將圖像均與劃成M塊，不同的是塊的大小，尺度都一樣大， 且塊的個數相對而言比較少，然後在訓練樣本上提取梯度直方圖特徵對每一塊做如下操 作1)計算每個像素點的梯度幅值與方向；2)把梯度方向0-360度分成9個直方圖方向；其中9個直方圖方向分別為:0-40度，40-80度，80-120度，120-160度，160-200 度，200-240度，240-280度，280-320度，320-360度。每40度為一個直方圖方向。3)統計每個直方圖方向裡的模值作為特徵向量。把所有塊的特徵向量串聯起來構成整個樣本的特徵向量。第四步在梯度直方圖訓練特徵空間上訓練支持向量機分類器。每個樣本對應一 個特徵向量，把所有的正負樣本的特徵向量輸入到支持向量機並生成一個可以區分行人與 非行人的支持向量機分類器。檢測模塊基本步驟如下第一步利用幀間背景差分法簡單確定輸入視頻的行人候選位置。靜態圖片的行 人檢測則跳過這一步。第二步在步驟一確定的行人位置候選區域，利用在訓練模塊生成的Adaboost級 聯分類器對候選區域快速搜索行人的位置，並用矩形來表示行人的位置。第三步利用支持向量機分類器進一步確認行人的位置。由於候選行人的數目 大大的減少，因此支持向量機分類器能夠快速的確定行人位置，另外由於利用了不同於在 Adaboost級聯分類器使用的特徵，支持向量機分類器能夠更進一步的減少誤檢測行人。圖3為本發明在著名的Inria行人庫上的檢測結果。橫軸表示誤檢測率，縱軸表 示在Inria庫上的檢測率。其中實線曲線表示本發明方法提出的行人檢測方法，虛線曲線 表示基於傳統的Adaboost分類器與haar特徵的行人檢測方法，值得說明的是，由於Inria是靜態圖片庫，因此本發明方法的檢測模塊的步驟一沒有在這個庫中使用。從圖可以看出， 在誤檢測為千分之一的情況下，傳統的haar特徵的檢測率為80%，本發明方法為93. 6%, 在誤檢測率為萬分之一的情況下，傳統的haar特徵檢測率為75%，而本發明方法的檢測率 為90.3%，相比傳統的Adaboost檢測方法，本發明的檢測率有明顯的提高，本發明由於採 用了 adboost級聯的快速排斥非行人區域，時間複雜度也大大降低，因此，本發明能夠應用 在實際的視頻監控中。
權利要求
一種基於視頻監控的行人檢測方法，其特徵是，包括如下步驟已標註好的行人樣本通過訓練模塊進行訓練建模，生成Adaboost級聯分類器與支持向量機分類器，共同構成檢測模塊；圖像數據輸入到所述檢測模塊，依次通過兩個分類器完成對行人的定位；其中在訓練模塊進行的訓練建模步驟如下(1)歸一化已標註好的行人圖像，包括行人圖像的尺寸歸一化和灰度歸一化；(2)通過擴展梯度直方圖特徵來描述行人，採用Adaboost算法選擇擴展梯度直方圖特徵，並生成具有區分行人與背景的Adaboost級聯分類器；(3)利用傳統梯度直方圖特徵與支持向量機生成具有區分行人與背景的支持向量機分類器；所述檢測模塊實現的步驟是(1)採用訓練模塊生成的Adaboost級聯分類器檢測行人候選區域，確定行人初步位置；(2)利用在訓練模塊生成的支持向量機分類器在上述步驟確定的行人初步位置中進一步確定行人具體位置。
2.根據權利要求1所述基於視頻監控的行人檢測方法，其特徵是，所述圖像數據可為 視頻序列或靜態圖像，當所述圖像數據為視頻序列時，在輸入檢測模塊之前，首先通過幀間 背景差方法確定行人候選區域。
3.根據權利要求2所述基於視頻監控的行人檢測方法，其特徵是，其中幀間背景差方 法採用的背景函數y(t) =f(t+l)-2f(t)+f(t-l)，其中t為當前時間，f(t)為視頻幀函數。
4.根據權利要求1-3之一所述基於視頻監控的行人檢測方法，其特徵是，所述擴展梯 度直方圖特徵的選擇過程如下設行人樣本大小為A = W*H，其中W為樣本的寬，H為樣本的 高；將原圖分成N塊，其中塊的大小和尺度各不相同，並且塊與塊之間有重疊區域；對每一 塊做如下操作1)計算每個像素點的梯度幅值與方向；2)把梯度方向0-180度分成9個直方圖方向；3)分成三大類特徵，每類特徵都有9個候選特徵；第一類0-20 度，20-40 度，40-60 度，60-80 度，80-100 度，100-120 度，120-140 度， 140-160度，160-180度9個直方圖方向；第二類0-40 度，20-60 度，40-80 度，60-100 度，80-120 度，100-140 度，120-160 度， 140-180度，160-180-20度9個直方圖方向；第三類0-60 度，20-80 度，40-100 度，60-120 度，80-140 度，100-160 度，120-180 度， 140-180-20度，160-180-40度9個直方圖方向；4)計算出擴展梯度直方圖特徵上述每個直方圖方向的梯度幅值和與總的梯度幅值 和的比值為擴展梯度直方圖特徵。
全文摘要
本發明公開了一種基於視頻監控的行人檢測方法，利用擴展梯度直方圖特徵與Adaboost算法來快速檢測行人，然後利用梯度直方圖特徵和支持向量機來進一步識別驗證前面的檢測出來的行人。本發明通過在標準的行人資料庫上的實驗表明該方法不僅能大大減少檢測的時間，而且檢測率也有顯著提高。行人檢測作為目標檢測的關鍵技術之一，其在視頻監控安全、智能交通管理等領域具有廣泛的應用前景。
文檔編號G06K9/62GK101887524SQ20101022776
公開日2010年11月17日 申請日期2010年7月6日 優先權日2010年7月6日
發明者吳希賢 申請人:湖南創合製造有限公司