[发明专利]一种基于多粒度特征的行人检测方法

说明书

技术领域

本发明属于计算机视频图像处理技术领域，特别涉及一种基于多粒度特征的行 人检测方法。

背景技术

随着计算机技术和图像处理技术的发展，基于视频的智能监控系统得到了广泛的 应用。在保障社会公共安全和交通安全方面、保护人民生命财产安全方面、在工业控 制领域保障安全生产和产品检测方面以及有关商业领域方面都发挥着巨大的作用。目 前，智能视频监控系统的应用主要在安全防控领域和非安全防控领域。公共场所人群 监控、道路交通安全监控、工业生产安全监控等都属于安全防控领域的应用。非安全 领域有：商业领域、工业产品检测、公共交通系统等。

然而，在实际使用中，基于行人轮廓的一维描述的现有技术在识别效率与检测精 度上都不甚理想。因此，有必要对现有技术中的行人检测方法提出改进。

发明内容

本发明的目的在于公开一种基于多粒度特征的行人检测方法，用以提高对公共区 域内对行人进行人数统计的效率与准确度。

为实现上述发明目的，本发明提供了一种基于多粒度特征的行人检测方法，包括 以下步骤：

S1、提取训练样本集中的多粒度特征向量；

S2、基于GentleAdaboost级联算法对所述多粒度特征向量进行训练，得到行人级联 分类器；

S3、利用行人级联分类器对自监控区域获取的输入图像进行行人检测；

S4、基于EKM算法对步骤S3中检测到的行人进行跟踪和计数。

作为本发明的进一步改进，所述步骤S1具体包括以下子步骤：

S11、对训练样本进行梯度计算以得到梯度图像；

S12、根据不同的粒度参数对梯度图像进行描述；

S13、提取多粒度特征；

S14、将图像基元在霍夫空间与图像空间之间通过方向划分和/或空间划分的方式建立 映射与反映射关系；

S15、计算多粒度特征中的所有特征向量。

作为本发明的进一步改进，所述子步骤S12中对梯度图像进行描述的计算公式为：其中，

是从梯度图像空间I到多粒度特征空间∏_τ的一个映射；τ是粒度参数；是用来控制映射类型的特征参数；是梯度图像的一个多粒度特征的分量。

作为本发明的进一步改进，所述子步骤S13具体为首先将把梯度图像解析成预先定 义的形状基元和/或结构基元，然后对所述形状基元和/或结构基元进行多粒度特征提取操 作。

作为本发明的进一步改进，所述子步骤S13中的多粒度特征包括精细粒度特征与粗 糙粒度特征。

作为本发明的进一步改进，所述子步骤S14中的方向划分具体为：将旋转不确定性 参数τ_θ映射回到图像空间中，所述子步骤S14中的空间划分具体为：把平移不确定性参 数τ_ρ映射回到图像空间中。

作为本发明的进一步改进，所述子步骤S15具体为：利用积分图快速计算多粒度特 征中的所有特征向量。

作为本发明的进一步改进，所述积分图计算多粒度特征中的所有特征向量的过程中， 限定所述多粒度特征在霍夫空间中以点(θ₀，ρ₀)为中心所形成的矩形区域R的宽度 w∈{4，5，6，8，9，10，12}。

作为本发明的进一步改进，所述训练样本集包括正/负样本集，正/负样本集中的正/ 负样本为30×30像素的256阶灰度图像，所述正样本为包含行人区域的图像，所述负样 本为不包含或者不完全包含行人区域的图像。

作为本发明的进一步改进，步骤S4中的所述“EKM算法”具体为：根据连续的输入 图像中前一帧目标位置的坐标，利用Kalman滤波来预测本帧输入图像中目标可能的坐标 点，然后利用meanshift算法以估计到的坐标点为起始点进行迭代运算。

与现有技术相比，本发明的有益效果是：在本发明中，通过提取训练样本集中训练 样本的多粒度特征向量，并通过优化的利用行人级联分类器对监控区域中的行人进行检 测，有效地提高了在公共区域内对行人进行人数统计的效率与准确度。

附图说明

图1为本发明一种基于多粒度特征的行人检测方法的流程示意图；

图2a为子步骤S11中Sobel算子计算x方向的梯度值的示意图；