[发明专利]一种行人姿势多特征智能辨识方法

说明书

本发明公开了一种行人姿势多特征智能辨识方法，包括以下几个步骤：步骤1：构建行人样本图像数据库；步骤2：对行人样本数据库中的行人图像帧进行预处理，并对预处理后的图像设置行人检测框、行人目标标识以及行人位置标签向量；步骤3：构建基于极限学习机的行人检测模型；步骤4：构建基于BP神经网络的行人跟踪模型；步骤5：行人轨迹实时跟踪辨识；该方法在行人跟踪检测采用基于BP神经网络的方法，可对行人实现快速有效的检及标记，能够满足实际交通环境中对紧急情况即时识别的要求，也适用于智能化工厂，实验室，机器人运载等复杂环境下，有利于现代交通智能化，工业智能化的提高。

技术领域

本发明属于人工智能领域，特别涉及一种行人姿势多特征智能辨识方法。

背景技术

随着科学技术的飞速发展，利用计算机视觉相关技术的行人检测技术已经广泛应用于生活的各个方面，如智能列车、车辆自动驾驶等领域。交通的安全是永恒的话题。在车辆碰撞类事故中，车辆与行人之间的碰撞也占了很大的比重。现如今，安全带、安全气囊等的传统安全技术已经全面普及，然而这些都是被动的保护方法。人们希望能研究出车辆的主动保护安全系统，而对行人准确的识别和跟踪是研究的重点。

目前多采用的行人跟踪方法为描述法，即将行人的外貌特征如衣服颜色等作为判断特征，提取图像的颜色直方图，进而通过欧氏距离或巴氏距离计算相似度，此种方法鲁棒性较低，效果不理想。还有学者提出用多特征融合的描述方法对行人进行匹配识别，但浅层特征易受到描述能力的限制，且具有较高的主观因素。

中国专利CN201610317720公开了一种基于循环神经网络的多目标跟踪方法，包括以下步骤：1：构建标注了每帧行人位置的监控视频数据集；2：对标注了每帧行人位置的监控视频数据集进行人工扩充，得到训练集样本；3：对训练集样本进行分组，得到多个训练组；4：构建多目标跟踪网络；5：将各训练组以序列为单位输入多目标跟踪网络进行训练；6：将待测视频数据输入训练后的多目标跟踪网络，进行前向传播，得到多个目标的运动轨迹。该专利所述方案中存在以下几点问题：1.行人跟踪系统中未考虑行人在视频中短暂消失重现或者中途有新行人进入的状况，以上两种情况均可能导致系统判断失误；2.需要对行人数据集进行人工扩充，使得判断系统繁琐，效率下降；3.使用循环神经网络算法容易出现局部收敛。

发明内容

本发明提供了一种行人姿势多特征智能辨识方法，其目的在于，克服现有技术中对监控视频中行人轨迹辨识准确度不高，且效率低的问题。

一种行人姿势多特征智能辨识方法，包括以下步骤：

步骤1：构建行人样本图像数据库；

所述行人样本图像数据库是从路口监控视频中提取连续的行人图像帧，获取三类图像组；

所述三类图像组，分别为不含行人的负样本、包含多个行人的多人样本以及只包含同一行人的单行人样本，每类图像组至少包括300帧图像；

步骤2：对行人样本数据库中的行人图像帧进行预处理，并对预处理后的图像设置行人检测框、行人目标标识以及行人位置标签向量；

所述行人检测框是行人图像帧中行人轮廓的最小外接矩形；

所述行人目标标识是所有行人图像帧中出现的不同行人的唯一标识P；

所述行人位置标签向量的表达形式为[t，x，y，a，b]，t表示当前行人图像帧属于监控视频中的第t帧，x和y分别表示行人图像帧中的行人检测框的左下角的横坐标和纵坐标，a和b分别表示行人检测框长和宽；

在监控视频的不同帧图像中，同一个行人的目标标识相同；

步骤3：构建基于极限学习机的行人检测模型；

以行人样本数据库中行人图像帧经过预处理后的图像作为输入数据，对应的行人位置标签向量和行人数量作为输出数据，对极限学习机进行训练，得到基于极限学习机的行人检测模型；