一种基于HOG-LBP描述的行人跟踪方法技术

本发明专利技术公开了一种基于HOG-LBP描述的行人跟踪方法，所述方法包含如下步骤：A1、样本建立；A2、特征提取；A3、建立SVM模型；A4、分类器训练；A5、视频捕获与预处理；A6、视频行人检测；A7、视频行人跟踪：使用基于HOG-LBP特征的粒子滤波跟踪方法对步骤A6检测到的行人进行跟踪。该方法首先通过支持向量机对图像行人模式进行学习，之后对视频序列中运动区域模式进行分类并输入结果至粒子滤波器并对粒子状态进行更新，最终实现对场景中行人的运动实现持续跟踪。由于采用HOG-LBP描述子进行人特征提取，并采用粒子滤波进行运动跟踪。该方法对场景中发生的运动交错、遮挡现象以及运动呈现的非线性特征具有较好的适应性和稳定性。

【技术实现步骤摘要】

本专利技术属于计算机视觉
，涉及基于运动图像的计算机监控技术，基于统计学习的模式识别技木，信号滤波技木。主要涉及ー种视频监控目标跟踪方法，具体是ー种基于HOG-LBP描述的行人跟踪方法。
技术介绍
随着社会对公共安全问题的重视，实时监控得到了越来越广泛的应用。现有监控系统的问题主要是大量的监控信息难以得到及时有效地处理，通过计算机协助对人类行为和事件的识别，已经成为计算机视觉领域的一个热点问题。视觉监控的智能分析技术是计算机视觉领域的热点和难点问题，涉及到图像处理、机器学习等课题。近年来学术上进行了较多的相关研究，包括国家高技术研究发展计划 和国家重点基础研究发展计划中智能监控项目的研究。目标跟踪是视觉计算领域的ー个核心问题，其在视频监控，交通管制，人机交互，虚拟现实等领域都有着广阔的应用前景。传统基于概率估计的目标跟踪方法是卡尔曼滤波，他是ー种以状态变量的线性最小方差递推估算的方法，其在动态系统线性滤波应用中曾取得过辉煌的成就。后来，学者们相继提出扩展卡尔曼滤波、无迹卡尔曼滤波等方法来解决非线性问题。近年来，粒子滤波算法以其精确性和遮挡不敏感性的特性被广泛应用到视频图像目标跟踪领域。其基本思想是通过非參数化的蒙特卡洛模拟方法来实现贝叶斯滤波，用样本而非函数形式对系统状态的先验分布与后验分布进行描述。理论上，当粒子数量足够多时，蒙特卡洛特性与系统后验概率密度函数近似等价，从而使粒子滤波估计逼近最优贝叶斯估计。在行人识别图像特征描述算法中，较为流行的是Harr-Iike小波特征及其扩展特征集，它对Ga_a,化和多尺度变化具有较好的适应性。尺度不变特征变换(SIFT)通过在尺度空间寻找极值点，提取位置、尺度和旋转不变等图像局部特征，对视角变化、仿射变换和噪声也有一定的稳定性。Dalal和Triggs在SIFT基础上提出使用了梯度方向直方图(HOG)对目标特征进行描述，HOG描述子对目标边缘和形状特征敏感，近年来在目标检测与识别方向应用广泛。相对于边缘和形状，在纹理方面，Ojala和Pietikinen对LBP及UniformLBP特征描述子进行了较为深入的研究，该方法的优点在于敏感度高，算法执行效率高以及对灰度变化不变性，这使其在特征描述应用中均取得了不错的效果。但是HOG描述子在复杂背景噪声的环境下表现不佳，Wang和Tony提出将HOG描述与LBP描述合并，通过在全局边缘与形状和目标纹理提取特征，之后由SVM输出检测結果。实验表面，这种HOG-LBP特征描述子对行人局部遮挡约束环境具有较高的检测率。
技术实现思路
本专利技术要解决的是克服视频环境下行人跟踪中所存在的环境影响、遮挡及非线性并提闻跟踪准确性的这一技术问题。为解决上述技术问题，本专利技术提供如下的技术方案一种基于HOG-LBP描述的行人跟踪方法，所述方法包含如下步骤Al、样本建立建立适应HOG-LBP描述器要求的图像正负样本集；A2、特征提取利用HOG-LBP描述子对已建立的样本图像集进行批量特征提取，从而建立特征样本集；A3、建立SVM模型建立含有类惩罚因子的软间隔SVM模型；A4、分类器训练使用特征样本集对SVM进行有监瞀训练；A5、视频捕获与预处理获取视频信息，建立背景模型并进行形态学去噪；、A6、视频行人检测使用基于HOG-LBP描述的行人检测方法对视频序列进行行人检测；A7、视频行人跟踪使用基于HOG-LBP特征的粒子滤波跟踪方法对步骤A6检测到的行人进行跟踪。所述的基于HOG-LBP描述的行人跟踪方法，所述步骤Al的图像正负样本集具有以下特征图像正样本集中的图像由单个行人及其背景组成；图像负样本集中的图像不包含行人内容；图像正负样本集中的图像尺寸为8像素的倍数且大小一致；图像正负样本集中的图像一致为灰度8位图像。所述的基于HOG-LBP描述的行人跟踪方法，所述步骤A2的特征提取具有以下步骤A21、梯度计算使用一维离散微分模版在水平和垂直两个方向上对图像正负样本集中的图像进行处理，获取每个像素的水平和垂直梯度；A22、图像划分将图像正负样本集中的图像分割为多个単元(Cell)，每个单元均是边长为8个像素的正方形区域，每4个单元组成ー个块(Block)，相邻块之间共享2个单元，图像被分割为(w/8-l) (h/8-l)个块，其中w表示图像的宽度，h表示图像的高度；A23、计算单元LBP特征向量以单元为单位，计算每个像素的LBP编码并按照一致模式在58簇直方图上投票，并对整个直方图积分得到LBP积分直方图；A24、计算梯度图像将平面分割为9个方向通道建立梯度图像，在梯度图像上使用卷积核进行卷积，并计算积分直方图；A25、计算块HOG特征向量计算每个块的HOG特征并进行归一化；A26、生成高维特征向量连接块HOG特征与单元LBP特征。所述的基于HOG-LBP描述的行人跟踪方法，所述步骤A3的建立SVM模型具有以下特征具有两类惩罚因子，即正样本惩罚因子和负样本惩罚因子；使用径向积函数作为SVM核函数。所述的基于HOG-LBP描述的行人跟踪方法，所述步骤A5的视频捕获与预处理具有以下步骤A51、使用高斯混合背景模型分割图像前景与背景；A52、对前景图像进行形态学去噪；A53、ニ值化前景图像并和原图像相与。所述的基于HOG-LBP描述的行人跟踪方法，所述步骤A6的视频行人检测具有以下步骤A61、遍历非零区域并分割単元，以单元为中心在原图像上扩展为扫描窗ロ ；A62、计算扫描窗口中的HOG-LBP特征；A63、利用SVM分类特征，判断窗ロ中是否含有行人。所述的基于HOG-LBP描述的行人跟踪方法，所述步骤A7的视频行人跟踪具有以下特征A71、粒子滤波建模使用动力学模型建立系统转移方程，使用HOG-LBP描述作为观测向量，构造粒子滤波模型；A72、初始化粒子滤波器以权利要求I步骤6行人检测结果为先验信息，构造粒子滤波器；A73、重要性采样以系统转移概率分布作为重要性函数进行采样；A74、计算粒子窗口中的HOG-LBP特征；A75、计算粒子似然以HOG-LBP特征与SVM超平面归ー化距离作为窗ロ特征与历史观测特征距离系数来计算粒子似然，并归ー化为粒子似然概率；A76、更新粒子权值；A77、系统状态估计根据蒙特卡洛原理由粒子状态分布估计系统状态分布；A78、粒子退化评估计算粒子退化系数，衡量系统粒子退化程度；A79、粒子重采样根据粒子权值大小生成独立同分布的替代粒子。该方法首先通过支持向量机对图像行人模式进行学习，之后对视频序列中运动区域模式进行分类并输入结果至粒子滤波器并对粒子状态进行更新，最終实现对场景中行人的运动实现持续跟踪。由于采用HOG-LBP描述子进行人特征提取，并采用粒子滤波进行运动跟踪。该方法对场景中发生的运动交错、遮挡现象以及运动呈现的非线性特征具有较好的适应性和稳定性。附图说明图I为本专利技术方法流程图。图2是实施例中采用的图片样本集中的图片以及经过微分模版卷积后的水平及垂直梯度图像，其中AI，A2，A3，A4为四幅样本集中随机挑选的样本灰度图片，BI，B2，B3，B4为经过水平微分模版卷积后的梯度图片，Cl，C2，C3，C4为经过垂直微分模版卷积后的梯度图片。图3是图像扫描窗ロ及样本逻辑划分示意图。图4是一致模式LBP编码示意本文档来自技高网...

【技术保护点】

【技术特征摘要】

【专利技术属性】
技术研发人员：屈鉴铭，刘志镜，贺文骅，张小骏，熊静，王静，刘慧，王纵虎，赵俊敏，黄靓，
申请(专利权)人：西安电子科技大学，
类型：发明
国别省市：