[发明专利]一种动态场景下基于在线学习的实时行人检测方法

说明书

技术领域

本发明属于视频图像处理技术领域，具体涉及一种动态场景下基于在线学习的实时行人检测方法。

背景技术

动态背景下的目标检测是计算机视觉领域的重要研究内容，也是计算机视觉系统的关键底层技术，行人检测作为目标检测下的一个重要分支，可将其定义为：判断输入图片(或视频帧)是否包含行人，如果有，给出位置信息。近年来，伴随着计算机视觉、模式识别和人工智能相关技术的发展，以及智能汽车、智能监控和安全领域的迫切需求，行人检测技术受到了越来越多的关注，已成为当前研究人员关注的一个重要的研究方向。

智能视频监控是计算机视觉应用的一个重要领域，在军用和民用系统中都有重大的研究和应用价值。例如对于安全性要求比较高的机场、车站、商场等公共场所的监控和军事禁区异常人员的检测，都是当前智能监控技术可以发挥重要作用的应用场所。智能监控系统可以作为一种全智能无人监控的系统，在非正常事件发生时发出警告甚至采取相应的措施，也可以作为一种对人工监控的辅助手段降低对人工的依赖。对智能监控系统来说，场景中的运动目标检测检测、跟踪、行人检测、行为分析都是其核心问题。

现阶段有很多目标检测的方法，例如：HOG(HistogramsofOrientedGradients)特征和SVM分类的行人检测技术、可变部件模型(DPM)检测技术，这些检测方法虽然有着很高的精确度，但同样存在两个缺点：第一它们都需要先建立特征金字塔再进行多尺度扫描。所以计算复杂度较高，处理速度并不能达到实时的要求；第二由于预先训练好的分类器不能再变化，遇到诸如光照、摄像机角度和背景复杂外界原因时，则可能出现检测分块、漏检情况的出现。

发明内容

本发明要解决的技术问题在于克服现有技术的不足，提出一种动态场景下基于在线学习的实时行人检测方法，针对摄像机获得的原始视频序列图像，首先利用离线训练的Adaboost分类器对视频序列进行行人检测，确定目标的精确位置和数量，然后对检测结果进行轨迹分析，通过轨迹信息判断检测结果是否有误，同时能自动获取在线学习所需的正负样本。最后，通过在线学习机制在线更新分类器，最终实现性能优秀的行人检测系统。

为了解决上述技术问题，本发明所采用的技术方案是：

一种动态场景下基于在线学习的实时行人检测方法，所述方法使用视频采集工具实现视频采集，且视频采集工具承载平台是运动的，对视频序列图像进行分析，从而完成行人检测，将检测结果进行后续处理，在线更新行人分类器；所述方法包括以下步骤：

步骤A：采集视频图像；

步骤B：训练行人分类器；

使用OnlineAdaboost对训练数据，基于聚合信道特征ACF提取，训练行人分类器，从而生成初始行人分类器；所述训练数据采用行人图像数据库；

步骤C：行人检测；

使用步骤B中行人分类器，采用快速特征金字塔方法，对步骤A中的视频图像进行检测,然后对检测窗口合并,获得视频图像中行人的数量和位置坐标，作为本视频图像的检测结果；

步骤D：获取正负样本；

使用卡尔曼滤波对步骤C中的检测结果进行轨迹滤波，分析其轨迹，从而判断之前的检测结果是否正确，获取在线更新分类器所需的正负样本；

步骤E：在线更新分类器；

使用OnlineAdaboost，学习步骤D中获取的正负样本，从而在线更新分类器；

步骤F：输出检测结果。

步骤B中，行人图像数据库，包括Caltech数据库、INRIA数据库。

所述的步骤B中，在行人图像数据库中选取1000张图像作为正样本，从不含行人的图像中选取1500张作为负样本，使用OnlineAdaboost方法，训练得到行人分类器。

所述的步骤C中，行人检测的具体步骤是：

步骤C-1，计算输入视频图像三个尺度的聚合信道特征ACF图谱；所述三个尺度分别为s＝1,1/2,1/4，即三个尺度分别为输入图像的原图、原图的1/2、原图的1/4；

步骤C-2，利用聚合信道特征ACF中的尺度间幂指定律，计算步骤C-1中所述三个尺度之间剩下的5个尺度特征图谱，从而建立8层的特征金字塔；

步骤C-3，使用训练好的分类器，在该视频图像上进行多尺度检测，得到该视频图像的检测结果。

所述的步骤D中，使用卡尔曼滤波器对步骤C中的检测结果进行逐帧图像轨迹滤波，如果检测结果是行人，则数帧以后就会形成一个有规律的轨迹，判为正样本，即为行人；否则为误检，判为负样本。