[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

摘要

本发明公开了一种基于HOG和MeanShift算法的室内行人检测和跟踪方法，涉及在室内复杂环境下行人检测以及跟踪的技术领域，该方法包括Nao机器人与人体之间的定位、HOG算法特征提取、行人检测HOG+SVM的训练和验证、MeanShift算法目标跟踪以及在Nao机器人平台验证。其主要采用HOG算法和MeanShift算法，能实时地检测出行人，并对检测出的行人进行跟踪。本发明所述的室内行人检测和跟踪方法，与早期的通过Haar特征等进行行人检测相比，检测成功率更高。在背景比较复杂的INRIA行人图像数据库中，取得大约90％的检测成功率。本发明的室内行人快速检测和跟踪方法，具有实时性、检测准确的优点，而且具有良好的实用性。

主权项

一种基于HOG和MeanShift算法的室内行人检测和跟踪方法，其特征在于：该方法包括包括Nao机器人与人体之间的定位、HOG算法特征提取、行人检测HOG+SVM的训练和验证、MeanShift算法目标跟踪以及在Nao机器人平台验证；该方法的具体工作过程：1)人体的初步检测和定位在检测人体之前，首先得确定人体是否出现在机器人的视野范围内，然后在复杂环境图像和视频中进行行人检测；使用循环分步的方法调整头部关节角度，遍历视野范围，每次调用目标检测算法判断是否在视野中发现人体；如果发现则进入视野调整阶段，将目标人体移至视野中央，以便能够更好的进行检测和跟踪；然后计算待检测人体与机器人之间的距离，由距离公式算出摄像头与人体之间的距离；此时完成了人体的初步检测和定位的任务；计算摄像头与人体之间的距离时候，取人体中心处为基准点；2)行人检测行人检测采用HOG+SVM的方法，该方法具体实施步骤如下：2.1制作样本数据库选用经典的INRIA数据集来做行人检测和跟踪实验，选取INRIA数据集中具有人体图片进行裁剪，作为所要检测的正样本数据库；选取INRIA数据集中没有人体图片的以及室内复杂环境下的图片，进行裁剪，作为所要检测的负样本数据库；2.2 HOG特征提取算法的实现过程和参数选择：采用HOG特征提取算法对人体图片进行处理时，使用OpenCV自带的函数进行HOG特征提取；采用灰度化、Gamma校正法、归一化和HOG算法；为降低图像的局部阴影、光照、噪声干扰所带来的影响，在Gamma空间标准化和颜色空间转化成灰度图时，选取的Gamma参数为1/2，阈值为0.2；在计算图像梯度时，用[‑1,0,1]梯度算子对原来的图像做卷积运算；根据实验，做行人检测所采用的最佳参数设置是64*64的检测窗口，8*8像素的cell，9个直方图通道，其中每2*2个cell组成一个block，block由16*16像素组成；2.3训练SVM分类器处理好样本，设置参数后，根据HOG算法提取出所需要的正负样本的HOG特征，并用文本批处理的方式，对图片进行标注，正样本标注为1，负样本标注为0，然后训练SVM分类器，得到所需要的Model；将hardexample的HOG特征和正负样本的HOG特征综合起来，再训练SVM分类器，这样就得到了最终的分类器；输入待检样本，将行人从待检样本中提取出来；2.4 MeanShift算法实现机器人头部跟踪人体MeanShift算法具有迭代收敛性，每次迭代会往概率密度大的方向移动，所以MeanShift算法得用在概率密度图上；；通过Nao机器人平台下的Choregraphe软件，将机器人和计算机建立在同一个IP地址下，然后连接，选择Nao机器人的上摄像头，打开Monitor监控软件，此时机器人处于刚硬状态，通过Monitor软件看到机器人通过摄像头所看到的图像和视频序列；本方法将算法加入到Choregraphe软件的脚本编辑器中，然后机器人进入到视野调整阶段；当检测到人体时，将图像中的人体移动到中央便于检测，将行人从待检样本中提取出来；通过在VS2010平台下运行经过MeanShift算法，此时会产生目标直方图和候选直方图，通过算法检测并跟踪的视频序列，一帧一帧的记录下来，同时机器人会随着人体的移动而一起移动；不断调整图像，将人体图像移到所能看到的视野中央。