一种动态场景下基于在线学习的实时行人检测方法
【技术领域】
[0001] 本发明属于视频图像处理技术领域，具体涉及一种动态场景下基于在线学习的实 时行人检测方法。
【背景技术】
[0002] 动态背景下的目标检测是计算机视觉领域的重要研究内容，也是计算机视觉系统 的关键底层技术，行人检测作为目标检测下的一个重要分支，可将其定义为：判断输入图片 (或视频帧）是否包含行人，如果有，给出位置信息。近年来，伴随着计算机视觉、模式识别 和人工智能相关技术的发展，以及智能汽车、智能监控和安全领域的迫切需求，行人检测技 术受到了越来越多的关注，已成为当前研究人员关注的一个重要的研究方向。
[0003] 智能视频监控是计算机视觉应用的一个重要领域，在军用和民用系统中都有重大 的研究和应用价值。例如对于安全性要求比较高的机场、车站、商场等公共场所的监控和军 事禁区异常人员的检测，都是当前智能监控技术可以发挥重要作用的应用场所。智能监控 系统可以作为一种全智能无人监控的系统，在非正常事件发生时发出警告甚至采取相应的 措施，也可以作为一种对人工监控的辅助手段降低对人工的依赖。对智能监控系统来说，场 景中的运动目标检测检测、跟踪、行人检测、行为分析都是其核心问题。
[0004] 现阶段有很多目标检测的方法，例如：H0G(Histograms of Oriented Gradients) 特征和SVM分类的行人检测技术、可变部件模型（DPM)检测技术，这些检测方法虽然有着很 高的精确度，但同样存在两个缺点：第一它们都需要先建立特征金字塔再进行多尺度扫描。 所以计算复杂度较高，处理速度并不能达到实时的要求；第二由于预先训练好的分类器不 能再变化，遇到诸如光照、摄像机角度和背景复杂外界原因时，则可能出现检测分块、漏检 情况的出现。
【发明内容】
[0005] 本发明要解决的技术问题在于克服现有技术的不足，提出一种动态场景下基于在 线学习的实时行人检测方法，针对摄像机获得的原始视频序列图像，首先利用离线训练的 Adaboost分类器对视频序列进行行人检测，确定目标的精确位置和数量，然后对检测结果 进行轨迹分析，通过轨迹信息判断检测结果是否有误，同时能自动获取在线学习所需的正 负样本。最后，通过在线学习机制在线更新分类器，最终实现性能优秀的行人检测系统。
[0006] 为了解决上述技术问题，本发明所采用的技术方案是：
[0007] -种动态场景下基于在线学习的实时行人检测方法，所述方法使用视频采集工具 实现视频采集，且视频采集工具承载平台是运动的，对视频序列图像进行分析，从而完成行 人检测，将检测结果进行后续处理，在线更新行人分类器；所述方法包括以下步骤：
[0008] 步骤A :采集视频图像；
[0009] 步骤B :训练行人分类器；
[0010] 使用Online Adaboost对训练数据，基于聚合信道特征ACF提取，训练行人分类 器，从而生成初始行人分类器；所述训练数据采用行人图像数据库；
[0011] 步骤C :行人检测；
[0012] 使用步骤B中行人分类器，采用快速特征金字塔方法，对步骤A中的视频图像进行 检测，然后对检测窗口合并，获得视频图像中行人的数量和位置坐标，作为本视频图像的 检测结果；
[0013] 步骤D :获取正负样本；
[0014] 使用卡尔曼滤波对步骤C中的检测结果进行轨迹滤波，分析其轨迹，从而判断之 前的检测结果是否正确，获取在线更新分类器所需的正负样本；
[0015] 步骤E :在线更新分类器；
[0016] 使用Online Adaboost，学习步骤D中获取的正负样本，从而在线更新分类器；
[0017] 步骤F :输出检测结果。
[0018] 步骤B中，行人图像数据库，包括Caltech数据库、INRIA数据库。
[0019] 所述的步骤B中，在行人图像数据库中选取1000张图像作为正样本，从不含行人 的图像中选取1500张作为负样本，使用Online Adaboost方法，训练得到行人分类器。
[0020] 所述的步骤C中，行人检测的具体步骤是：
[0021] 步骤C-1，计算输入视频图像三个尺度的聚合信道特征ACF图谱；所述三个尺度分 别为s = 1，1/2, 1/4,即三个尺度分别为输入图像的原图、原图的1/2、原图的1/4 ;
[0022] 步骤C-2,利用聚合信道特征ACF中的尺度间幂指定律，计算步骤C-I中所述三个 尺度之间剩下的5个尺度特征图谱，从而建立8层的特征金字塔；
[0023] 步骤C-3,使用训练好的分类器，在该视频图像上进行多尺度检测，得到该视频图 像的检测结果。
[0024] 所述的步骤D中，使用卡尔曼滤波器对步骤C中的检测结果进行逐帧图像轨迹滤 波，如果检测结果是行人，则数帧以后就会形成一个有规律的轨迹，判为正样本，即为行人； 否则为误检，判为负样本。
[0025] 所述的步骤E中，使用Online Adaboost方法学习步骤D中采集的若干行人和非 行人正负样本，从而在线更新之前初始训练的分类器，使其可以适应各种场景的变化，且避 免重新离线训练分类器所花费的大量时间，保证了行人检测系统的实时运行。
[0026] 所述的步骤F中，在步骤C的实时行人检测和步骤D的检测结果判定以及步骤E 在线更新分类器的基础上，实现了在线可更新、实时、高精度的行人检测系统。
[0027] 本发明采用的技术方案与现有技术相比，具有以下技术效果：
[0028] 本发明提出了一种动态场景下基于在线学习的实时行人检测方法，所述方法可以 对运动场景视频序列中行人进行实时且准确的检测，相对于其他行人检测的方法：1)本发 明方法在利用"聚合通道特征ACF"中的尺度间幂指定律后，能够快速地建立特征金字塔，大 大减少了全图搜索的计算量；2)采用卡尔曼滤波进行目标分类判别，且可以利用检测的正 负样本在线更新分类器，既减少了离线训练的运算量，又提高了行人检测精度。由此可见， 采用上述行人检测方法具有高效准确的特点。
【附图说明】
[0029] 图1为一种动态场景下基于在线学习的实时行人检测方法的整体流程图。
【具体实施方式】
[0030] 为使本发明的一种动态场景下基于在线学习的实时行人检测方法要解决的技术 问题、技术方案和技术效果更加清楚，下面将以校园人群为例，结合附图和【具体实施方式】对 本发明作进一步详细说明。
[0031] 图1为本发明方法的整体流程图，一种动态场景下基于在线学习的实时行人检测 方法，包括行人检测、检测结果判别和在线更新分类器三大步骤。
[0032] 详细流程如下：
[0033] A.采集校园中行人比较密集的人群视频图像；
[0034] B.