[发明专利]一种基于混合特征的带缓存机制的实时行人检测与跟踪方法

说明书

技术领域

本发明涉及数字图像处理、模式识别、计算机视觉应用中的行人检测与跟踪技术，属于智能视频监控装置的一个子系统模块，适用于安全智能监控中的对静止或运动的行人进行检测与跟踪。

背景技术

行人检测与跟踪技术，是指从连续的视频图像中将行人目标提取、标识出来，进而在后续视频图像中，对标识出的行人进行跟踪标识的一项技术。利用这一技术，不仅可对静止的图像中的行人检测标识出来，也可以对视频场景中的行人检测标识出来，以便于后期对行人的行为进行分析，统计行人人数等。在安全智能监控系统中，行人是其关注的重点对象之一，故对行人的检测、跟踪、行为分析显得至关主要。此外，行人跟踪技术在交通辅助设备、智能机器人等相关领域也有着广阔的应用前景。

目前行人检测的方法主要包括基于传统的图像处理方法、基于机器学习的方法和基于深度学习的方法。基于传统的图像处理方法主要包括前后背景分离，图像开闭运算，连通域分析(参见《基于视频监控运动目标检测算法研究》等)等；基于机器学习的行人检测方法主要包括HOG+SVM方法(参见《Histograms of Oriented Gradient for Human Detection》和《Fast human detection using a cascade of histograms of oriented gradients》等)、Haar+Adaboost方法(参见《Rapid Object Detection using a Boosted Cascade of Simple Feature》和《Robust Real-Time Face Detection》等)、ICF+级联Adaboost方法(参见《Integral Channel Features》、《The Fasted Pedestrian Detector in the West》和《Fast feature pyramids for object detection》等)等；基于深度学习的行人检测方法主要是将CNN用于行人检测(参见《Robust people counting using sparse representation and random projection》和《Joint Deep Learning for Pedestrian Detection》等)等。行人跟踪技术指对视频序列中检测出来的行人进行进一步的跟踪，以确定后续视频图像中行人位置的一项技术。目前的行人跟踪技术的方法有MeanShift跟踪方法(参见《Real-Time Tracking of Non-Rigid Objects Using Mean Shift》)、光流跟踪方法(参见《Pyramidal Implementation of the Lucas Kanade Feature TrackerDescription of the algorithm》)、Particle Filter跟踪方法(参见《基于粒子滤波的行人跟踪》)、基于深度学习的跟踪方法(《Hierarchical Convolutional Features for Visual Track》和《Learning Multi-Domain Convolution Neural Networks for Visual Tracking》等)等。

由于行人检测与跟踪系统容易受视频图像中的行人姿态、光照强度、遮挡、拍摄角度以及视频图像信息量大等影响，所以提高行人检测与跟踪的准确度和速度的难度大大加大，进而系统的开发难度也加大。

发明内容

目前，随着计算机视觉的发展，已经有越来越多的公司、研究机构研究相关的算法(主要是基于机器学习的方法和基于深度学习的方法)来提高行人检测与跟踪的精度和速度，并取得了一定的成果。尽管如此，基于机器学习的方法很难同时在精度和速度上达到很好的检测与跟踪效果，而基于深度学习行人检测与跟踪方法要达到高精度、实时的检测，需要依赖于内存、硬件(如GPU)等的支持。基于以上，本发明提出了一种基于混合特征的带缓存机制的实时行人检测与跟踪方法，以在不依赖昂贵硬件如内存、GPU等的支持下，达到高精度的实时行人检测与跟踪效果。这一方案的提出，对于实现监控领域的智能化、加快高级辅助驾驶系统和人机交互智能产品的发展有一定的意义。

本发明的技术方案为：

一种基于混合特征的带缓存机制的实时行人检测与跟踪方法，其步骤为：

1)提取正样本图像、负样本图像的混合特征；所述混合特征包括图像的颜色特征、边缘特征、纹理特征；