一种基于HOG与D-S证据理论多信息融合的行人检测方法技术

一种基于HOG与D-S证据理论多信息融合的行人检测方法，针对原始的视频帧图像进行灰度转换，然后利用基于HOG特征的分类器对转换过后的图片进行检测，得到初步的行人检测结果，在此基础上通过帧间关系矩阵可以判断出在一个区域是否应该有行人而没有检测到，然后利用基于LBP特征的分类器对此区域进行检测，来弥补HOG特征带来的缺失。如果在这种情况下还没有检测到，则使用历史数据即通过帧间关系矩阵获得的数据，利用Kalman滤波器来进行预测，得到行人目标的位置，并且利用D-S证据理论通过多种检测和跟踪等信息的融合来增强判断的准确性。本发明专利技术能够准确地检测出相应的行人，并且对于存在部分遮挡的情况也有较好的效果，增强了行人检测的准确性、鲁棒性以及抗干扰能力。

【技术实现步骤摘要】

本专利技术属于图像处理技术和模式识别
，特别涉及一种基于H0G与D-S证 据理论多信息融合的行人检测方法。
技术介绍
近年来，随着信息产业的飞速发展，计算机性能的不断提高，利用计算机来检测图 像或者视频中的行人信息已经是智能视频监控系统发展的主要任务。那么如何识别行人 以及怎样将行人与其他对象进行有效的区分，是智能视频监控系统的一个重要组成部分， 这也是行人检测的首要任务。目前的行人检测方法大体可以分为两类：一类是基于背景建 模的方法，一类是基于统计学习的方法。基于背景建模的方法为：分割出前景，提取其中的 运动目标，然后进一步提取特征，分类判别；在存在下雨、下雪、刮风、树叶晃动、灯光忽明忽 暗等场合，该方法的鲁棒性不高，抗干扰能力较差。且背景建模方法的模型过于复杂，对参 数较为敏感。基于统计学习的方法为：根据大量训练样本构建行人检测分类器。提取的 特征一般有目标的灰度、边缘、纹理、形状、梯度直方图等信息，分类器包括神经网络、SVM， Adaboost等。由于背景建模方法的缺点，目前基于统计学习的方法成为研究热点。而目前有 关行人检测的专利主要涉及多特征融合方面，在特征的选择上进行改变，但是单纯使用特 征信息容易因为遮挡、光线变化等情况导致检测失败，并且没有考虑到行人运动的连续性， 没有对因为遮挡或者光照变化引起的检测失败进行处理，不能对行人目标进行准确并且持 续的检测。此外，目前的多特征融合主要是特征级融合，即使用各种不同的特征通过一定的 方法融合成为一种新的特征，但是数据处理的灵活性不高，而且抗干扰能力不强，
技术实现思路
本专利技术的目的在于：克服现有技术的不足，提供一种基于H0G与D-S证据理论多信 息融合的行人检测方法，在多特征的基础上加入了跟踪和预测机制，并利用D-S证据理论 对多种信息的结果进行整合，最终得到更为准确的行人目标位置，实现了对静态背景下的 行人目标进行检测，提高了检测的准确率。 本专利技术采用的技术方案为：一种基于H0G与D-S证据理论多信息融合的行人检测 方法，该方法包括以下步骤： 步骤1，对于原始视频帧，进行颜色空间的转化，从RGB空间转为灰度图； 步骤2,对于获得的灰度图，使用训练好的基于方向梯度直方图（H0G)特征分类器 进行行人检测，获得初步检测结果，得到检测目标信息； 步骤3,在初步检测结果的基础上，在视频帧与帧之间构造帧间关系矩阵，帧间关 系矩阵的数据将用来指导之后的跟踪和预测过程，利用帧间关系矩阵判断是否在一个设定 的区域中有行人而没有检测到，并且帧间关系矩阵相当于一种跟踪，对后期的跟踪预测也 是前提条件，获得跟踪的目标?目息； 步骤4,对于本应检测到而没有检测到的区域，即实际画面中存在行人，而单纯使 用之前的方法并没有检测到的行人目标所在区域，利用基于局部二值模式（LBP)特征分类 器进行检测，避免由于特征单一造成的漏检； 步骤5,利用步骤3获得的帧间关系矩阵的数据，采用Kalman即卡尔曼滤波器来对 目标应该出现的位置进行预测，得到预测的行人目标信息； 步骤6,在步骤2的初步检测、步骤3的跟踪和步骤5的预测的基础上，利用D-S证 据理论对于以上检测、跟踪和预测之前使用帧间关系矩阵、LBP分类器检测和Kalman滤波 预测获得的目标信息进行融合，得到最终行人目标的位置信息。 所述步骤1进一步包括以下步骤：对获得的原始视频帧，通过求出每个像素点的 R、G、B三个分量的平均值，然后将这个平均值赋予给这个像素的三个分量来将原始图像转 换为灰度图。 所述步骤2中具体方法为：根据步骤1中获得的灰度图像，通过加载基于H0G特征 的分类器，对图像进行遍历，获得初步行人检测结果。 所述步骤3中具体方法为： 步骤31，通过相邻帧之间检测结果的对比计算得到帧间关系矩阵；帧间关系矩阵 中的矩阵的行数和列数分别对应当前帧的目标链表大小和前一帧的目标链表大小，当前 帧目标链表为D= {Qkil,Qk,2,Qk,3,…，Qk,m}，前一帧目标链表为S= {QkmQk2,2,Qk3,3,… ，Qk1ιη}，其中Qk1ιη表示k_l帧中第η个运动目标的特征信息，所述的特征信息指运动目标 的中心坐标； 帧间关系矩阵Ρ中每个元素的值为相邻帧间运动目标外接矩形求重叠面积的结 果，如果当前帧运动目标的矩形框与上一帧矩形框的重叠面积大于所设阈值，则认为Qklin 和Qkini匹配，从而P,n= 1，否则Pniin= 0,其中表示当前帧的第m个目标与上一帧的第 η个目标的重叠面积是否达到阈值； 步骤32,根据帧间关系矩阵，判断图像中的目标发生了哪种情况，并对目标的相应 信息，即中心位置，目标检测框高度，目标检测框宽度进行更新，对目标进行初步的跟踪，具 体实现为将帧间关系矩阵根据帧与帧之间对应检测框的空间位置关系分为5种状态，它们 是新目标出现、目标匹配、目标遮挡、目标分离和目标消失； (1)新目标出现 如果帧间关系矩阵Ρ中第k行全为0,则当前帧的第k个目标为新出现目标，对于 这种情况"在进行跟踪预测前需要修改目标链表，将新出现的目标信息添加进去并对其建 立相应的卡尔曼跟踪； (2)目标匹配 如果帧间关系矩阵P中第k行只有第h列一个元素为1，则当前帧的第k个目标与 上一帧的第h个目标匹配，对于这种情况可以直接用当前帧中各个运动目标的特征信息去 更新相应的Kalman滤波器； ⑶目标遮挡 如果帧间关系矩阵P中第k行有多个元素非0,如第h列，第h+1列非0,则上一帧 的第h个和第h+Ι个目标在当前帧发生遮挡，对于这种情况，首先利用Kalman滤波器预测 的结果获得各个目标在当前帧中的大致区域，然后在预测区域内用预先提取的目标模板进 行匹配，在获得目标的准确区域后，提取新的特征信息更新Kalman滤波器和目标链表； ⑷目标分离 如果帧间关系矩阵P中第k列有多个元素非0,如h行，第h+Ι行非0,则上一帧的 第k个目标在当前帧发生分离，对于这种情况，用目标链表S中的特征信息进行匹配并继续 保持对各个目标的跟踪； (5)目标消失 如果帧间关系矩阵P中第k列全为0,则表示上一帧的第k个目标消失，对于这种 情况，根据目标消失前外接矩形的坐标作出判断，如果目标在边界消失，那么直接删除掉链 表S中的特征信息。 所述步骤4中具体方法为：在目标消失的区域，通过对此区域进行截取获得此区 域的图像，然后通过加载基于LBP特征分类器对此图像进行遍历，进行行人目标的更进一 步检测。 所述步骤5中具体方法为：利用检测到的行人目标的位置信息来为每个行人目标 建立Kalman滤波器，根据目标信息的更新来更新其对应的Kalman滤波器进行跟踪和预测。 所述步骤6中具体方法为：利用LBP分类器检测，帧间关系矩阵跟踪，Kalman滤 波预测获得的目标信息，对每一类信息构造基本概率赋值（BPA)，将所得到的目标信息从观 测空间转变为证据空间；对于每一类方法得到的目标信息分配对应的mass值，即基本可信 数，然后通过这个mass值推算出其对应证据的信任函数（Bel)和似然函数（P1)，根据D-S 组合规则分别计算各个命题经过组合后得到的信任值和相应的信任区间，然后再计算综合 ?目任值和?目任区间，最后通过判决规则确定最终行人目本文档来自技高网...

【技术保护点】
一种基于HOG与D‑S证据理论多信息融合的行人检测方法，其特征在于包括以下步骤：步骤1，对于原始视频帧，进行颜色空间的转化，从RGB空间转为灰度图；步骤2，对于获得的灰度图，使用训练好的基于方向梯度直方图(HOG)特征分类器进行行人检测，得到初步检测结果；步骤3，在初步检测结果的基础上，在视频帧与帧之间构造帧间关系矩阵，利用帧间关系矩阵判断是否在一个设定的区域中有行人而没有检测到；步骤4，对于本应检测到而没有检测到的区域，利用基于局部二值模式(LBP)特征分类器进行检测，避免由于特征单一造成的漏检，从而获得；步骤5，利用帧间关系矩阵的数据，采用Kalman滤波器来对目标应该出现的位置进行预测，得到预测的行人目标位置；步骤6，利用D‑S证据理论对于步骤3检测、步骤4的跟踪和步骤5的预测中的使用帧间关系矩阵、LBP分类器检测和Kalman滤波预测获得的目标信息进行信息融合，得到最终行人目标的位置信息。

【技术特征摘要】

【专利技术属性】
技术研发人员：王智灵，张轩辕，梁华为，李玉新，
申请(专利权)人：中国科学院合肥物质科学研究院，
类型：发明
国别省市：安徽;34