一种基于压缩特征的行人检测跟踪方法技术

本发明专利技术提供了基于压缩特征的行人检测跟踪方法，其通过引入误分类代价敏感机制的Gentle Adaboost算法对训练样本集中的正/负样本进行训练，并采用m×n维随机间距稀疏Toeplitz矩阵Φ

【技术实现步骤摘要】
一种基于压缩特征的行人检测跟踪方法
本专利技术属于计算机图像处理领域，特别涉及一种基于压缩特征的行人检测跟踪方法。
技术介绍
目标位置的准确跟踪是计算机视觉领域的核心问题。在人机交互、视频监控、增强现实中有广泛的应用。在更高级的任务如场景理解、动作识别中，目标跟踪也扮演着重要的角色。在现有技术中，对公共区域的行人检测通常需要正样本集中的正样本及负样本集中的负样本进行训练以得到行人分类器，并通过该行人分类器对实时采集到的图像中行人区域判断是否为行人区域并进行人数计数，从而实现对行人的检测。目前大多数跟踪算法都可以看成每一帧的目标检测问题，即基于tracking-by-detection框架下的问题，该框架下的跟踪算法对外观模型的准确描述很敏感，一旦出现跟踪漂移，错误的跟踪位置必定导致不准确的外观模型，基于不准确的外观模型很难再找回跟踪目标。在外观模型不准确导致目标跟踪错误时，若能及时矫正跟踪位置，则跟踪的准确度会大大提升，跟踪漂移对跟踪算法的影响也会相应下降。基于外观检测和基于预测的跟踪算法都能在一定程度上从不同角度来预测目标位置，基于这一思路可以考虑提出一种结合检测和预测的新颖目标跟踪方法。传统的GentleAdaboost算法通过调整每轮训练中被错分的样本权值来实现最优行人分类器的选择，对于错分的正/负样本，其调整比例是相同的，因此，现有技术中无法解决正/负样本数量间的非均衡问题。有鉴于此，有必要对现有技术中对公共区域的行人检测跟踪方法予以改进，以解决上述技术瑕疵。同时，现有技术中的行人检测方法在行人刻意将头部或者肩部设置呈非正常形状时，则在提取行人模型并进行检测跟踪时会发生漏检，因此也存在一定的缺陷。这种缺陷在对统计行人人数或者安检检查有较高的场合中就存在较大的安全隐患。
技术实现思路
本专利技术的目的在于公开一种基于压缩特征的行人检测跟踪方法，为实现上述目的，本专利技术提供了一种基于压缩特征的行人检测跟踪方法，包括以下步骤：S1、计算训练样本集中的正/负样本的HOG特征向量，通过引入误分类代价敏感机制的GentleAdaboost算法对训练样本集中的正/负样本进行训练，得到行人分类器；S2、获取监控区域的视频流图像作为输入图像，并利用行人分类器对输入图像作行人检测，以获得行人区域；S3、以检测到的行人区域作为当前帧输入图像的跟踪目标，在目标领域内采样跟踪目标的正/负样本，并提取跟踪目标的正/负样本的多尺度高维Haar-like特征向量，并采用m×n维随机间距稀疏Toeplitz矩阵ΦToep作为投影矩阵对所述跟踪目标的正/负样本进行压缩跟踪并降维处理；S4、将压缩降维后的正/负样本特征与正/负样本的位置权重共同输入贝叶斯分类器中进行训练，以生成用于区分行人目标和背景的判别函数，并采用双S形曲线自适应学习更新贝叶斯分类器的参数；S5、在下一帧输入图像中，选择使判别函数取最大值的样本作为新的跟踪目标，以实现对行人目标的检测跟踪。作为本专利技术的进一步改进，所述步骤S1中，训练样本集中的正/负样本为32×64～64×128像素的256阶灰度图像。作为本专利技术的进一步改进，所述步骤S1中正样本集中的正样本的个数为4000，负样本集中负样本的个数为6000。作为本专利技术的进一步改进，所述步骤S1中的误分类代价敏感机制具体为：计算非均衡代价损失函数值；计算初始化行人分类器的分类错误率，并计算正/负样本在初始化行人分类器中被错误分类的上限值；选取当前最优弱分类器f(x)对初始化行人分类器修正，从而得到行人分类器。作为本专利技术的进一步改进，所述步骤S1中，计算非均衡代价损失函数值的计算公式为：其中，C1为正样本被错分代价损失函数值，C2为负样本被错分代价损失函数值，yi＝1表示样本xi实际为正样本，yi＝-1表示样本xi实际为负样本，H(xi)＝sign(∑fj(x))为强分类器的分类结果，H(xi)＝-1表示初始化行人分类器将样本判xi别为负样本，H(xi)＝1表示初始化行人分类器将样本判xi别为正样本，C1，C2∈[0，1]，且C1＞C2；所述步骤S1中，计算初始化行人分类器的分类错误率的计算公式为：其中，NFN为正样本被错误分类的数量，NFP为负样本被错误分类的数量；所述步骤S1中，计算正/负样本在初始化行人分类器中被错误分类的上限值的计算公式为：其中，F(x)为累加模型，其表达式为：所述步骤S1中，当前最优弱分类器f(x)的计算公式为：其中，Pw(y＝1|x)和Pw(y＝-1|x)分别表示正/负样本的权重累计分布。作为本专利技术的进一步改进，所述步骤S2中的“利用行人分类器对输入图像进行行人检测”具体为：利用窗口对输入图像进行扫描，计算落在窗口内待检测图像的HOG特征向量，并将所述待检测图像HOG特征向量的检测结果输入至行人分类器中，检测出最可能的行人区域；所述窗口的规格为32×64～64×128像素。作为本专利技术的进一步改进，所述步骤S3中的m×n维随机间距稀疏Toeplitz矩阵ΦToep表示为：φi+1，j+1＝φi，j，并对m×n维随机间距稀疏Toeplitz矩阵ΦToep的第1行和第1列元素所构成的向量V＝{φ1，φ2，…φNφN+1，…φN+M-1}作随机间距稀疏变化，使元素φi的值服从独立同分布的随机高斯分布，其他元素全部赋值为0，其中i∈κ，所述κ是从1～N+M-1的索引序列中随机选取的个索引，所述Δ为元素的间距。作为本专利技术的进一步改进，所述步骤S3中“对所述跟踪目标的正/负样本进行压缩跟踪并降维处理”具体为：首先，以检测到的行人区域作为当前帧输入图像的跟踪目标，在跟踪目标的邻域内采样跟踪目标的正/负样本；然后，提取跟踪目标的正/负样本的多尺度高维Haar-like特征向量Bk∈Rn×1；然后，采用所述m×n维随机间距稀疏Toeplitz矩阵ΦToep的每一行与第k个正/负样本的原始特征Bk相乘，得到第k个正/负样本压缩后的第i个特征fi；最后，将m个特征组合成m维向量得到第k个正/负样本的低维特征Fk，且Fk∈Rm×1。作为本专利技术的进一步改进，所述步骤S4还包括：采用Meanshift算法预测行人区域中的行人目标在下一帧输入图像中的位置，并测量行人目标的正/负样本在当前帧输入图像的位置与预测行人目标在下一帧输入图像之间的位置距离，以计算行人目标在下一帧输入图像中的行人目标的预测位置与行人目标的正/负样本位置之间的位置权重。与现有技术相比，本专利技术的有益效果是：通过本专利技术，提高了在存在复杂干扰因素的在公共区域中对行人检测的准确性，增强了算法的鲁棒性，尤其适合用行人头部具有遮挡或者其他异常干扰情况对行人进行检测与跟踪，并解决了传统的GentleAdaboost算法无法解决正/负样本数量间的非均衡问题，使最终获得的行人分类器具有更好的分类性能。附图说明图1为本专利技术一种基于压缩特征的行人检测跟踪方法的流程示意图；图2为图1所示的获取监控区域的视频流图像的工作原理示意图；图3为本专利技术所示双S形函数更新叶贝斯分类器的学习速率图。具体实施方式下面结合附图所示的各实施方式对本专利技术进行详细说明，但应当说明的是，这些实施方式并非对本专利技术的限制，本领域普通技术人员根据这些实施方式所作的功能、方法、或者结构上的等效变换或替代，均本文档来自技高网...

【技术保护点】
一种基于压缩特征的行人检测跟踪方法，其特征在于，包括以下步骤：S1、计算训练样本集中的正/负样本的HOG特征向量，通过引入误分类代价敏感机制的Gentle Adaboost算法对训练样本集中的正/负样本进行训练，得到行人分类器；S2、获取监控区域的视频流图像作为输入图像，并利用行人分类器对输入图像作行人检测，以获得行人区域；S3、以检测到的行人区域作为当前帧输入图像的跟踪目标，在目标领域内采样跟踪目标的正/负样本，并提取跟踪目标的正/负样本的多尺度高维Haar‑like特征向量，并采用m×n维随机间距稀疏Toeplitz矩阵Φ

【技术特征摘要】
1.一种基于压缩特征的行人检测跟踪方法，其特征在于，包括以下步骤：S1、计算训练样本集中的正/负样本的HOG特征向量，通过引入误分类代价敏感机制的GentleAdaboost算法对训练样本集中的正/负样本进行训练，得到行人分类器；S2、获取监控区域的视频流图像作为输入图像，并利用行人分类器对输入图像作行人检测，以获得行人区域；S3、以检测到的行人区域作为当前帧输入图像的跟踪目标，在目标领域内采样跟踪目标的正/负样本，并提取跟踪目标的正/负样本的多尺度高维Haar-like特征向量，并采用m×n维随机间距稀疏Toeplitz矩阵ΦToep作为投影矩阵对所述跟踪目标的正/负样本进行压缩跟踪并降维处理；S4、将压缩降维后的正/负样本特征与正/负样本的位置权重共同输入贝叶斯分类器中进行训练，以生成用于区分行人目标和背景的判别函数，并采用双S形曲线自适应学习更新贝叶斯分类器的参数；S5、在下一帧输入图像中，选择使判别函数取最大值的样本作为新的跟踪目标，以实现对行人目标的检测跟踪。2.根据权利要求1所述的行人检测跟踪方法，其特征在于，所述步骤S1中，训练样本集中的正/负样本为32×64～64×128像素的256阶灰度图像。3.根据权利要求2所述的行人检测跟踪方法，其特征在于，所述步骤S1中正样本集中的正样本的个数为4000，负样本集中负样本的个数为6000。4.根据权利要求1所述的行人检测跟踪方法，其特征在于，所述步骤S1中的误分类代价敏感机制具体为：计算非均衡代价损失函数值；计算初始化行人分类器的分类错误率，并计算正/负样本在初始化行人分类器中被错误分类的上限值；选取当前最优弱分类器f(x)对初始化行人分类器进行修正，从而得到行人分类器。5.根据权利要求4所述的行人检测跟踪方法，其特征在于，所述步骤S1中，计算非均衡代价损失函数值的计算公式为：其中，C1为正样本被错分代价损失函数值，C2为负样本被错分代价损失函数值，yi＝1表示样本xi实际为正样本，yi＝-1表示样本xi实际为负样本，H(xi)＝sign(Σfj(x))为强分类器的分类结果，H(xi)＝-1表示初始化行人分类器将样本判xi别为负样本，H(xi)＝1表示初始化行人分类器将样本判xi别为正样本，C1，C2∈[0，1]，且C1＞C2；所述步骤S1中，计算初始化行人分类器的分类错误率的计算公式为：

【专利技术属性】
技术研发人员：吕楠，张丽秋，
申请(专利权)人：江苏慧眼数据科技股份有限公司，
类型：发明
国别省市：江苏,32