[发明专利]一种基于HOG和MeanShift算法的室内行人检测和跟踪方法

说明书

技术领域

本发明属于在室内复杂环境下人体检测以及跟踪的技术领域，具体是以Nao机器人为平台，采用检测和跟踪算法，实现智能、快速、实时的对人体进行检测和跟踪的目的。

背景技术

随着计算机视觉技术的快速发展，人们在日常生活中享受它所带来的便利的同时，也在研究和探索尝试人工智能领域给机器人赋予人类视觉的功能，使其更加的方便、实时、快捷，使机器人自身可以处理问题。近年来，随着数字图像处理、模式识别、人工智能、机器学习等技术飞速迅猛的发展，以及智能监控、智能汽车和智能安全领域的迫切需求，行人检测和跟踪技术，受到了越来越多人的关注，目前已经成为了研究的热点，并且广泛的应用于智能交通、智能监控和智能服务机器人等相关领域。而室内的复杂环境下的人体检测与跟踪技术则是其关键应用，行人是比较常见的而且也是比较重要的一种目标，行人的检测和跟踪是该领域中的一个研究难点和热点。例如在室内复杂环境下，服务型机器人可以检测出所要服务的目标人，然后进行人机交互，以此来完成所要完成的任务。目前比较常用于儿童、老年人、身体有残疾的病人等。另一方面，本方法也常用于智能交通领域的车辆或者车牌的检测以及监控等。目前，正在研究和应用于在机场帮助乘客推行李车并跟踪所要服务的乘客。在超市，当消费者要购买物品时，也可以将购买的物品放入到检测并跟踪的服务机器人所推的购物车当中等。由此可以看出，这个领域有着极大的研究价值和商业价值。

在计算机视觉领域技术中，行人检测是一个重要的研究方向。这项技术，通过机器人的摄像头标定和训练图像来确定所要检测的人体目标，采用HOG+SVM算法实时的检测出行人，并采用MeanShift算法对检测出的行人进行跟踪。行人检测分为两类，第一种是基于背景建模的方法，分割出背景，提取出目标，并提取特征，进行分类判别。但是，这个方法构建了非常复杂的模型，因此，这个系统很容易受到外界和自身所带来的干扰。第二种是基于统计学习的方法，根据所要进行训练的数据集，来训练行人检测所需要的分类器，提取出样本的特征。一般常见的分类器主要包括支持向量机和AdaBoost方法。图像描述的经典特征主要包括Haar、LBP、HOG等。近年来，随着机器学习的急速发展，通过机器学习来进行行人检测和跟踪具有良好的实时性和鲁棒性。将机器学习的技术引入到计算机视觉当中，具有非常广泛的应用型。通过这些方法对正样本和负样本的特征进行学习，根据样本的具体特征来进行分类，从图像中检测出人体目标，然后根据人体的某些特定的特征来进行匹配，可以判断出所检测的目标区域中是否有要检测的行人。这种方法具有很好的自适应性，而且其检测和跟踪精度也有了很大的提高，同时也能够满足实时性的要求。

但是，行人检测和跟踪技术也存在着许多难点问题。例如本发明所用的Nao机器人，虽然有上下两个摄像头，但所观测的范围没有重叠，所以为单目摄像头。因此，Nao机器人的视野范围是有限的，如果人体离开机器人的视野范围将无法进行检测。并且人体属于非刚体，姿态千差万别，比较容易受到尺度、行人的外观、光照、复杂场景等因素的影响，不可避免的对行人检测和跟踪技术带来非常大的挑战。如何将这些因素考虑进去，提高算法的检测率、成功率和实时性，是重点研究的方面。

基于上述分，本发明提出了一种基于HOG和MeanShift算法的室内行人检测和跟踪方法。

发明内容

针对目前正在飞速发展的计算机视觉与机器学习的方向，本发明提出了一种基于HOG和MeanShift算法的室内行人检测和跟踪方法。目的是在室内复杂环境下，在Nao机器人视野范围内，利用相关算法和技术，实时的检测出行人，并且机器人可以随待检测人的移动而进行移动，具有良好的检测和跟踪效果，实时性、检测率和鲁棒性都比较好。Monitor软件可以检测出机器人所看的视野范围，通过Nao机器人摄像头和Monitor软件录制视频，执行MeanShift算法后，有相应的颜色直方图，输出机器人所检测出的人体的位置信息。这个方法的架构图如图1所示。本方法实时检测出行人，将行人从待检样本中提取出来。如果行人发生移动，使用MeanShift算法使机器人实时检测并根据人体移动的方向来移动。在室内复杂环境下，根据具体的实验条件主要解决了两个技术问题：

1、当Nao机器人处于刚硬状态时，摄像头和Monitor软件只能观测正前方的行人，无法确定人体是否处于室内环境中，上摄像头才可以捕捉到具体的图像和视频信息，进行检测。

2、如果当检测的是人体的侧面时，此时的误检率很高，系统无法准确的检测和跟踪行人。