一种基于头肩轮廓及bp神经网络的行人检测及跟踪方法
【技术领域】
[0001] 本发明属于运动目标检测与跟踪技术领域，具体涉及一种基于头肩轮廓及BP神 经网络的行人检测及跟踪方法。
【背景技术】
[0002] 人体目标的检测、识别与跟踪是计算机视觉识别领域中的研究热点问题之一，其 准确程度影响着目标跟踪、行为识别与分析等后续工作的顺利进行。
[0003] 人体识别通过获取的信息特征，判断运动目标是否为人体目标。N. Dalal等人将整 个人体作为一个识别模型，通过计算该模型的HOG (Histograms of Oriented Gradients， 方向梯度直方图）特征，并结合SVM(Support-Vector Machines,支持向量机）分类器来实 现人体识别；Kuno人等利用投影直方图来分析目标形状，区分人和非人；Nicolaou等利用 标准矩和人工神经网络ANN (Artificial Neural Networks)来识别人体目标。这些方法的 共同特点是，用于人体检测和识别的目标都是完整的。然而，由于人体是非刚性物体，在运 动中的姿态不确定，而且完整的人体容易被外界物体遮挡，这些都会影响上述方法人体识 别的正确率。
【发明内容】
[0004] 本发明提出一种基于头肩轮廓及BP神经网络的行人检测及跟踪方法，该方法无 需根据完整的人体作为识别目标，只需要对建立的头肩轮廓模型进行训练识别人体，算法 计算量较小。
[0005] 为了解决上述技术问题，本发明提供一种基于头肩轮廓及BP神经网络的行人检 测及跟踪方法，包括以下步骤：
[0006] 步骤一：采用自适应的混合高斯背景更新算法对视频序列中的运动目标进行检 测，获得运动目标的残差图；
[0007] 步骤二：对运动目标残差图进行Canny算子边缘检测，提取运动目标的粗略轮廓； 采用均值漂移Mean shift算法对粗略轮廓进行聚类，结合运动目标残差图，保留属于人体 的类，并将聚类出的人体部分叠加到粗略轮廓中，获得目标轮廓二值图像；
[0008] 步骤三：根据人体头肩宽高比例以及目标轮廓二值图像，建立人体头肩轮廓模型； 提取人体头肩轮廓模型的特征向量，将人体头肩轮廓模型的特征向量作为BP神经网络的 输入值，建立人体头肩轮廓特征向量与运动目标的对应关系，聚类出多个人体头肩轮廓模 型，进行人体识别，获得运动人体目标和运动非人体目标；
[0009] 步骤四：采用粒子滤波算法对步骤三识别出的运动人体目标进行实时运动目标跟 足示。
[0010] 本发明与现有技术相比，其显著优点在于，（1)基于自适应混合高斯背景更新算法 的运动目标提取算法能够适应背景随时间的缓慢变化，对微小变化的场景具有较好的检测 效果；（2)采用Canny算子与均值漂移Mean shift算法相结合的边缘检测方法提取运动目 标轮廓，无需根据完整的人体作为识别目标，只需采用检测目标的头肩轮廓作为人体识别 模型，减少了算法的计算量；（3)采用粒子滤波器进行检测人体目标的跟踪，考虑到了目标 的复杂性，对于单台摄像机监控视频序列中的独立运动的人体目标的跟踪效果较好。
【附图说明】
[0011] 图1是本发明基于头肩轮廓及BP神经网络的行人检测及跟踪方法流程图。
[0012] 图2是发明中人体头肩比例关系示意图。
[0013] 图3是发明中建立的人体头肩轮廓模型示意图。
[0014] 图4是本发明实验所使用视频序列中第300帧原始图像。
[0015] 图5是本发明实验中对图2采用自适应的混合高斯背景更新算法进行运动目标检 测后获得的残差图。
[0016] 图6是发明实验中运动目标轮廓提取的流程图。
[0017] 图7是发明实验中人体识别效果图。
[0018] 图8是发明实验运动人体目标跟踪结果图。
【具体实施方式】
[0019] 如图1所示，本发明基于头肩轮廓及BP神经网络的行人检测及跟踪方法，包括以 下步骤：
[0020] 步骤一：采用自适应的混合高斯背景更新算法对视频序列中的运动目标进行检 测，获得运动目标的残差图。
[0021] 所述自适应的混合高斯背景更新算法详见文献（Bhandarkar, S. M. , Fujiyoshi, Patil, R. S. , "An efficient background updating scheme for real-time traffic monitoring,，'The7th International IEEE Conference: Intelligent Transportation Systems, 859-864 (2004) ·)。
[0022] 步骤二：对运动目标残差图进行Canny算子边缘检测，提取运动目标的粗略轮廓； 采用均值漂移Mean shift算法对粗略轮廓进行聚类，结合运动目标残差图，保留属于人体 的类，并将聚类出的人体部分叠加到粗略轮廓中，以获得较为完整的人体轮廓，该较为完整 的人体轮廓为二值图像，即获得目标轮廓二值图像。
[0023] 本步骤先采用Canny算子作为边缘检测的模板提取出运动目标的粗略轮廓。但 是，Canny算子的高低阈值参数由人为设定，对不同的场景，高低阈值不具有自适应性；此 外，Canny算子不可避免的会提取到背景图像的边缘，甚至会将本应属于运动人体的部分 误认为是背景，造成边缘检测后人体头肩部分出现断层。因此，本发明采用均值漂移Mean shift算法对图像进行聚类，对运动目标的粗略轮廓进行补充和修正。均值漂移Mean shift 算法的实质是计算出采样点x的偏移均值mh (X)，偏移均值％ (X)的计算如公式（1)所示，
[0025] 其中，X1为第i个采样点，
为马哈拉诺比斯 (Mahalanobis)距离，g(x)为核函数；将采样点X移动mh(X)的距离，得到点x'，并以x'为 新的起点，继续移动，直到满足一定的迭代条件为止。
[0026] 本步骤所述采用均值漂移Mean shift算法对粗略轮廓进行聚类的具体计算过程 为：
[0027] 步骤2. 1 :选择边缘检测后运动目标的粗略轮廓中人体头肩的断层部分作为聚类 区域S，为了使聚类出的轮廓部分更加的完整和连贯，在选择聚类区域S时可以选择人体头 肩断层部分所在相对大一些的区域作为聚类区域S。在聚类区域S中任意选择初始搜索区 域，该初始搜索区域是以点〇为圆心、半径为带宽h的圆形区域；
[0028] 步骤2. 2 :根据公式⑴计算圆0中采样点X的漂移均值mh(X)，mh(x)处的密度应 大于圆心0处的密度；
[0029] 步骤2. 3 :计算圆心0与漂移均值mh(X)之差，即为均值漂移向量Mh(X)，即M h(X) =mh(X)-X，该均值漂移向量总指向聚类区域S中像素点概率密度增加的方向；
[0030] 步骤2.4 :将均值漂移向量氣〇〇与设定的阈值ε相比较，若I |Mh(X) I I < ε成 立，则迭代结束，采样点X为聚类出的点，这些聚类出的点所组成的区域即为聚类出的类； 若I |Mh(X) I I < ε不成立，则将求出的漂移均值％〇〇赋值给圆心0,返回执行步骤2. 2,直 到I |Mh(x) I I < ε成立，迭代停止。
[0031] 所述均值漂移 Mean shift 算法详见文献（Cheng, Υ.，Ζ.，"Mean Shift, mode seeking, and clustering，'IEEE Trans on Pattern Analysis and Machine Intelligenc e, 17(8) :790-799(1995).) 〇
[0032] 步骤三：根据人体头肩宽高比例以及目标轮廓二值图像，建立人体头肩轮廓模型， 提取人体头肩轮廓模型的特征向量，将人体头肩轮廓模型的特征向量作为BP神经网络的 输入值，建立人体头肩轮廓特征向量与运动目标的对应关系，聚类出多个人体头肩轮廓模 型，进行人体识别，得到相应的运动人体目标和运动非人体目标。
[0033] 所述建立人体头肩轮廓模型，即获取人体头肩轮廓模型的参数，如图2所示，包 括：头部宽度H w，头部最宽处到头顶的高度Hh，脖子的宽度Nw，脖子到头顶的高度Nh ;肩部的 宽度Sw，肩部到头顶的高度Sh。获取上述参数的方法为：
[0034] 对步骤二获得的目标轮廓二值图像进行行投影，对投影曲线进行平滑，得到行投 影直方图，将行投影直方图中对应坐标的像素值存入行投影数组Line ;同时对目标轮廓二 值图像进行列投影，对投影曲线进行平滑，得到对应的列投影直方图，并将列投影直方图对 应坐标的像素值存入列投影数组Row。
[0035] 依次扫描行投影所得到的行投影数组Line，数组Line中第一