行人检测与跟踪方法及装置制造方法及图纸

本发明专利技术涉及行人检测与跟踪方法及装置，包括：采用SVM分类器对第一帧行人图像进行检测，得到初始目标矩形区域，并计算初始目标矩形区域的方向梯度直方图；计算初始目标矩形区域的色调分量直方图，并计算初始目标矩形区域的颜色直方图；对初始目标矩形区域的方向梯度直方图和颜色直方图进行加权处理，得到初始目标矩形区域的综合直方图；从第二帧行人图像开始，根据上一帧行人图像对应的上一目标矩形区域的综合直方图，在当前帧行人图像中寻找当前目标矩形区域，以使当前目标矩形区域的综合直方图与上一目标矩形区域的综合直方图的匹配度最高。根据本发明专利技术实施例的行人检测与跟踪方法及装置能够具有较好的实时性和准确性。

【技术实现步骤摘要】

本专利技术涉及图像处理
，尤其涉及一种行人检测与跟踪方法及装置。
技术介绍
行人检测与跟踪是指从视频序列中检测出行人的位置，并对运动的行人进行连续跟踪，确定其运动轨迹的过程。行人检测与跟踪是智能车辆、计算机视觉和模式识别等领域的前沿研究课题。现有的行人检测方法主要分为：基于运动特性的行人检测、基于多部位模板匹配的行人检测以及基于机器学习的行人检测。行人检测作为行人跟踪的前提条件，其检测精度至关重要。现有的行人跟踪方法主要分为：基于模型的跟踪、基于匹配区域的跟踪、基于主动轮廓的跟踪以及基于目标特征的跟踪。其中最常用的是基于目标特征的连续自适应的均值漂移(Camshift)算法。连续自适应的均值漂移算法是一种非参数概率密度估计算法，其核心是均值漂移算法，具有实时性好和算法框架化等优点，但模型仅采用颜色特征，当背景较复杂或者存在许多与目标颜色相似的干扰像素的情况下，容易导致跟踪失败。
技术实现思路
技术问题有鉴于此，本专利技术要解决的技术问题是，现有的行人检测与跟踪的精度较低，容易跟踪失败。解决方案为了解决上述技术问题，根据本专利技术的一实施例，提供了一种行人检测与跟踪方法，包括：采用SVM分类器对第一帧行人图像进行检测，得到初始目标矩形区域，并计算所述初始目标矩形区域的方向梯度直方图；计算所述初始目标矩形区域在HSV颜色空间的色调分量直方图，并根据所述初始目标矩形区域的色调分量直方图计算所述初始目标矩形区域的颜色直方图；对所述初始目标矩形区域的方向梯度直方图和颜色直方图进行加权处理，得到所述初始目标矩形区域的综合直方图；从第二帧行人图像开始，根据上一帧行人图像对应的上一目标矩形区域的综合直方图，在当前帧行人图像中寻找当前目标矩形区域，以使所述当前目标矩形区域的综合直方图与所述上一目标矩形区域的综合直方图的匹配度最高。对于上述方法，在一种可能的实现方式中，根据所述初始目标矩形区域的色调分量直方图计算所述初始目标矩形区域的颜色直方图，包括：将RGB颜色空间的R、G和B三个颜色子空间分别划分为Q级，得到N1＝3Q个RGB颜色空间的特征通道；采用均值漂移算法，统计各个特征通道在所述初始目标矩形区域中出现的概率以得到所述初始目标矩形区域的颜色直方图。对于上述方法，在一种可能的实现方式中，采用均值漂移算法，统计各个特征通道在所述初始目标矩形区域中出现的概率以得到所述初始目标矩形区域的颜色直方图，具体为：采用式1计算得到所述初始目标矩形区域的颜色直方图；其中，u为第u个特征通道，y为中心点的特征值，为第u个特征通道在初始目标矩形区域中出现的概率，c为归一化常数，i为第i个样本点，n为样本点的总数，k为在半径为h的高维球形区域中的样本点的数量，xi为第i个样本点的特征值，h为高维球形区域的半径，b1(xi)为样本点xi所属的颜色空间的特征通道，δ[b1(xi)-u]为单位脉冲函数，N1为颜色空间的特征通道的总数。对于上述方法，在一种可能的实现方式中，计算所述初始目标矩形区域的方向梯度直方图，包括：对所述初始目标矩形区域进行灰度化；对灰度化的目标矩形区域进行Gamma校正；计算校正后的目标矩形区域中每个像素的梯度；将梯度划分为P级，得到P个梯度特征通道，并采用均值漂移算法计算所述初始目标矩形区域的方向梯度直方图。对于上述方法，在一种可能的实现方式中，采用均值漂移算法计算所述初始目标矩形区域的方向梯度直方图，具体为：采用式2计算得到所述初始目标矩形区域的方向梯度直方图；其中，u为第u个特征通道，y为中心点的特征值，为第u个特征通道在初始目标矩形区域中出现的概率，c为归一化常数，i为第i个样本点，n为样本点的总数，k为在半径为h的高维球形区域中的样本点的数量，xi为第i个样本点的特征值，h为高维球形区域的半径，b2(xi)为样本点xi所属的梯度特征通道，δ[b2(xi)-u]为单位脉冲函数，N1为颜色空间的特征通道的总数，N2-N1＝P为梯度特征通道的总数，N2为特征通道的总数。对于上述方法，在一种可能的实现方式中，对所述初始目标矩形区域的
方向梯度直方图和颜色直方图进行加权处理，得到所述初始目标矩形区域的综合直方图，包括：设置一单调递减权值函数；根据所述单调递减权值函数对所述初始目标矩形区域的方向梯度直方图和颜色直方图进行加权处理，计算得到所述初始目标矩形区域的综合直方图。对于上述方法，在一种可能的实现方式中，设置一单调递减权值函数具体为：采用式3设置所述单调递减权值函数；其中，u为第u个特征通道，N1为颜色空间的特征通道的总数，N2为特征通道的总数；根据所述单调递减权值函数对所述初始目标矩形区域的方向梯度直方图和颜色直方图进行加权处理，计算得到所述初始目标矩形区域的综合直方图，具体为：采用式4对所述初始目标矩形区域的方向梯度直方图和颜色直方图进行加权处理，计算得到所述初始目标矩形区域的综合直方图；其中，y为中心点的特征值，为第u个特征通道在初始目标矩形区域中出现的概率，c为归一化常数，i为第i个样本点，n为样本点的总数，k为在半径为h的高维球形区域中的样本点的数量，xi为第i个样本点的特征值，h为高维球形区域的半径，b1(xi)为样本点xi所属的颜色空间的特征通
道，b2(xi)为样本点xi所属的梯度特征通道，δ[b1(xi)-u]和δ[b2(xi)-u]为单位脉冲函数，N1为颜色空间的特征通道的总数，N2-N1＝P为梯度特征通道的总数，N2为特征通道的总数。对于上述方法，在一种可能的实现方式中，从第二帧行人图像开始，根据上一帧行人图像对应的上一目标矩形区域的综合直方图，在当前帧行人图像中寻找当前目标矩形区域，以使所述当前目标矩形区域的综合直方图与所述上一目标矩形区域的综合直方图的匹配度最高，包括：从所述第二帧图像开始，采用连续自适应的均值漂移算法，将所述上一目标矩形区域作为所述当前目标矩形区域的初始值；调整所述当前目标矩形区域的大小和位置，以使所述当前目标矩形区域的综合直方图与所述上一目标矩形区域的综合直方图的匹配度最高。为了解决上述技术问题，根据本专利技术的另一实施例，提供了一种行人检测与跟踪装置包括：方向梯度直方图计算模块，用于采用SVM分类器对第一帧行人图像进行检测，得到初始目标矩形区域，并计算所述初始目标矩形区域的方向梯度直方图；颜色直方图计算模块，用于计算所述初始目标矩形区域在HSV颜色空间的色调分量直方图，并根据所述初始目标矩形区域的色调分量直方图计算所述初始目标矩形区域的颜色直方图；综合直方图计算模块，用于对所述初始目标矩形区域的方向梯度直方图和颜色直方图进行加权处理，得到所述初始目标矩形区域的综合直方图；目标矩形区域寻找模块，用于从第二帧行人图像开始，根据上一帧行人图像对应的上一目标矩形区域的综合直方图，在当前帧行人图像中寻找当前目标矩形区域，以使所述当前目标矩形区域的综合直方图与所述上一目标矩形区域的综合直方图的匹配度最高。对于上述装置，在一种可能的实现方式中，所述颜色直方图计算模块包括：颜色特征通道划分子模块，用于将RGB颜色空间的R、G和B三个颜色子空间分别划分为Q级，得到N1＝3Q个RGB颜色空间的特征通道；颜色直方图计算子模块，用于采用均值漂移算法，统计各个特征通道在所述初本文档来自技高网...

【技术保护点】
一种行人检测与跟踪方法，其特征在于，包括：采用SVM分类器对第一帧行人图像进行检测，得到初始目标矩形区域，并计算所述初始目标矩形区域的方向梯度直方图；计算所述初始目标矩形区域在HSV颜色空间的色调分量直方图，并根据所述初始目标矩形区域的色调分量直方图计算所述初始目标矩形区域的颜色直方图；对所述初始目标矩形区域的方向梯度直方图和颜色直方图进行加权处理，得到所述初始目标矩形区域的综合直方图；从第二帧行人图像开始，根据上一帧行人图像对应的上一目标矩形区域的综合直方图，在当前帧行人图像中寻找当前目标矩形区域，以使所述当前目标矩形区域的综合直方图与所述上一目标矩形区域的综合直方图的匹配度最高。

【技术特征摘要】
1.一种行人检测与跟踪方法，其特征在于，包括：采用SVM分类器对第一帧行人图像进行检测，得到初始目标矩形区域，并计算所述初始目标矩形区域的方向梯度直方图；计算所述初始目标矩形区域在HSV颜色空间的色调分量直方图，并根据所述初始目标矩形区域的色调分量直方图计算所述初始目标矩形区域的颜色直方图；对所述初始目标矩形区域的方向梯度直方图和颜色直方图进行加权处理，得到所述初始目标矩形区域的综合直方图；从第二帧行人图像开始，根据上一帧行人图像对应的上一目标矩形区域的综合直方图，在当前帧行人图像中寻找当前目标矩形区域，以使所述当前目标矩形区域的综合直方图与所述上一目标矩形区域的综合直方图的匹配度最高。2.根据权利要求1所述的方法，其特征在于，根据所述初始目标矩形区域的色调分量直方图计算所述初始目标矩形区域的颜色直方图，包括：将RGB颜色空间的R、G和B三个颜色子空间分别划分为Q级，得到N1＝3Q个RGB颜色空间的特征通道；采用均值漂移算法，统计各个特征通道在所述初始目标矩形区域中出现的概率以得到所述初始目标矩形区域的颜色直方图。3.根据权利要求2所述的方法，其特征在于，采用均值漂移算法，统计各个特征通道在所述初始目标矩形区域中出现的概率以得到所述初始目标矩形区域的颜色直方图，具体为：采用式1计算得到所述初始目标矩形区域的颜色直方图；其中，u为第u个特征通道，y为中心点的特征值，为第u个特征
\t通道在初始目标矩形区域中出现的概率，c为归一化常数，i为第i个样本点，n为样本点的总数，k为在半径为h的高维球形区域中的样本点的数量，xi为第i个样本点的特征值，h为高维球形区域的半径，b1(xi)为样本点xi所属的颜色空间的特征通道，δ[b1(xi)-u]为单位脉冲函数，N1为颜色空间的特征通道的总数。4.根据权利要求1至3任意一项所述的方法，其特征在于，计算所述初始目标矩形区域的方向梯度直方图，包括：对所述初始目标矩形区域进行灰度化；对灰度化的目标矩形区域进行Gamma校正；计算校正后的目标矩形区域中每个像素的梯度；将梯度划分为P级，得到P个梯度特征通道，并采用均值漂移算法计算所述初始目标矩形区域的方向梯度直方图。5.根据权利要求4所述的方法，其特征在于，采用均值漂移算法计算所述初始目标矩形区域的方向梯度直方图，具体为：采用式2计算得到所述初始目标矩形区域的方向梯度直方图；其中，u为第u个特征通道，y为中心点的特征值，为第u个特征通道在初始目标矩形区域中出现的概率，c为归一化常数，i为第i个样本点，n为样本点的总数，k为在半径为h的高维球形区域中的样本点的数量，xi为第i个样本点的特征值，h为高维球形区域的半径，b2(xi)为样本点xi所属的梯度特征通道，δ[b2(xi)-u]为单位脉冲函数，N1为颜色空间的特征通道的总数，N2-N1＝P为梯度特征通道的总数，N2为特征通道的总数。6.根据权利要求1至5任意一项所述的方法，其特征在于，对所述初始目标矩形区域的方向梯度直方图和颜色直方图进行加权处理，得到所述初始
\t目标矩形区域的综合直方图，包括：设置一单调递减权值函数；根据所述单调递减权值函数对所述初始目标矩形区域的方向梯度直方图和颜色直方图进行加权处理，计算得到所述初始目标矩形区域的综合直方图。7.根据权利要求6所述的方法，其特征在于，设置一单调递减权值函数具体为：采用式3设置所述单调递减权值函数；其中，u为第u个特征通道，N1为颜色空间的特征通道的总数，N2为特征通道的总数；根据所述单调递减权值函数对所述初始目标矩形区域的方向梯度直方图和颜色直方图进行加权处理，计算得到所述初始目标矩形区域的综合直方图，具体为：采用式4对所述初始目标矩形区域的方向梯度直方图和颜色直方图进行加权处理，计算得到所述初始目标矩形区域的综合直方图；其中，y为中心点的特征值，为第u个特征通道在初始目标矩形区域中出现的概率，c为归一化常数，i为第i个样本点，n为样本点的总数，k为在半径为h的高维球形区域中的样本点的数量，xi为第i个样本点的特征值，h为高维球形区域的半径，b1(xi)为样本点xi所属的颜色空间的特征通道，b2(xi)为样本点xi所属的梯度特征通道，δ[b1(xi)-u]和δ[b2(xi)-u]为单
\t位脉冲函数，N1为颜色空间的特征通道的总数，N2-N1＝P为梯度特征通道的总数，N2为特征通道的总数。8.根据权利要求1至7任意一项所述的方法，其特征在于，从第二帧行人图像开始，根据上一帧行人图像对应的上一目标矩形区域的综合直方图，在当前帧行人图像中寻找当前目标矩形区域，以使所述当前目标矩形区域的综合直方图与所述上一目标矩形区域的综合直方图的匹配度最高，包括：从所述第二帧图像开始，采用连续自适应的均值漂移算法，将所述上一目标矩形区域作为所述当前目标矩形区域的初始值；调整所述当前目标矩形区域的大小和位置，以使所述当前目...

【专利技术属性】
技术研发人员：冯伟明，
申请(专利权)人：北京博瑞空间科技发展有限公司，
类型：发明
国别省市：北京;11