一种基于时空体运动轮廓特征的行人检测方法
【技术领域】
[0001] 本发明属于计算机视频图像处理技术领域，特别设及一种基于时空体运动轮廓特 征的行人检测方法，用于对公共区域中的行人数量进行精确统计。
【背景技术】
[0002] 随着计算机技术和图像处理技术的发展，基于视频的智能监控系统得到了广泛的 应用。在保障社会公共安全和交通安全方面、保护人民生命财产安全方面、在工业控制领域 保障安全生产和产品检测方面W及有关商业领域方面都发挥着巨大的作用。目前，智能视 频监控系统的应用主要在安全防控领域和非安全防控领域。公共场所人群监控、道路交通 安全监控、工业生产安全监控等都属于安全防控领域的应用。非安全领域有：商业领域、工 业产品检测、公共交通系统等。
[0003] 人数流量的统计信息对于很多行业有着重要的作用，他们可W利用人流量信息协 助管理，合理的配置人力、物力从而高效利用有限的资源，或者根据统计的人流信息合理的 控制人群密度防止人群的过度拥挤而发生安全事故。例如对于大型体育场馆、展览馆、大型 建筑，人数信息可W帮助管理部口评估提供的服务设施是否够用、是否方便、是否建设的合 理（例如：座椅、公共卫生设施等），从而适时配置资源提高建筑设施的利用率。也可将人 流信息提供给建筑设计单位为建筑合理设计提供参考信息。
[0004] 然而，在实际使用中，基于行人轮廓的一维描述的现有技术在识别效率与检测精 度上都不甚理想。因此，有必要对现有技术中的行人检测方法提出改进。
【发明内容】
阳〇化]本发明的目的在于公开一种基于时空域运动轮廓特征的行人检测方法，用W提高 对公共区域内对行人进行人数统计的效率与准确度。
[0006] 为实现上述发明目的，本发明提供了一种基于时空体运动轮廓特征的行人检测方 法，包括W下步骤：
[0007] S1、使用Ξ维化ar滤波器提取训练样本集中的时空体的Ξ维化ar特征向量；
[0008] S2、基于Gentle Ad油oost级联算法对所述Ξ维化ar特征向量进行训练，得到行 人级联分类器；
[0009] S3、利用行人级联分类器对自监控区域获取的输入图像进行行人检测；
[0010] S4、基于算法对步骤S3中检测到的行人进行跟踪和计数。
[0011] 作为本发明的进一步改进，所述训练样本集包括正样本集与负样本集，所述正样 本集由若干包含行人区域图像的正样本组成，所述负样本集由若干不包含和/或不完全包 含行人区域图像的负样本组成。
[0012] 作为本发明的进一步改进，所述步骤S1具体为：
[0013] S11.将相邻的5帖正样本或负样本定义为时空体并进行空间和时间的梯度变换， W将时空体的轮廓转化为距离变换时空体；
[0014] S12.对距离变换时空体进行积分运算得到积分体，并计算积分体内的像素值之 和；
[001引 S13.利用S维化ar滤波器与积分体进行卷积，得到时空体的；维化ar特征向量。
[0016] 作为本发明的进一步改进，所述步骤S11中的正样本或负样本为像素大小为 30X30的256阶灰度图像。
[0017] 作为本发明的进一步改进，所述步骤S12中的积分运算公式为：
阳01引其中，IV(x，y，t)为积分体，D(x'，y'，t')为距离变换时空体。
[0019] 作为本发明的进一步改进，所述积分体的区域为包含在距离变换时空体内的空间 结构，所述积分体在（x，y，t)处的像素值之和为时空体中所有坐标值均小于（x，y，t)处的 像素值之和。
[0020] 作为本发明的进一步改进，所述步骤S13中的Ξ维化ar滤波器由用于提取行人 静态运动特征的Ξ个静态化ar滤波器S1、S2、S3, W及用于提取行人动态特征的四个动态 化ar滤波器D1、D2、D3、D4共同组成。
[0021] 作为本发明的进一步改进，步骤S3中的所述"自监控区域所获取的输入图像"为 通过摄像机获取监控区域的视频流图像，所述监控区域位于摄像机的正下方。
[0022] 作为本发明的进一步改进，步骤S4中的所述"EKM算法"具体为：根据连续的输入 图像中前一帖目标位置的坐标，利用Kalman滤波来预测本帖输入图像中目标可能的坐标 点，然后利用mean shift算法W估计到的坐标点为起始点进行迭代运算。
[0023] 与现有技术相比，本发明的有益效果是：通过计算训练样本集中的Ξ维化ar特征 向量，并通过优化的利用行人级联分类器对监控区域中的行人进行检测，有效地提高了对 公共区域内对行人进行人数统计的效率与准确度。
【附图说明】
[0024] 图1为本发明一种基于时空体运动轮廓特征的行人检测方法的流程示意图；
[002引图2为本发明所采用的屯种Ξ维化ar滤波器的示意图；
[00%] 图3为距离变换时空体内的积分体的示意图；
[0027] 图4为步骤S3中自监控区域获取视频流图像作为输入图像的示意图；
[0028] 图5为步骤S3中利用行人级联分类器对输入图像进行行人检测的示意图。
【具体实施方式】
[0029] 下面结合附图所示的各实施方式对本发明进行详细说明，但应当说明的是，运些 实施方式并非对本发明的限制，本领域普通技术人员根据运些实施方式所作的功能、方法、 或者结构上的等效变换或替代，均属于本发明的保护范围之内。
[0030] 参图1所示的本发明一种基于时空域运动轮廓特征的行人检测方法的具体实施 方式。由于行人在行走时头部与肩部的变化较小，基于易于检测方面的考虑，可将训练样本 集定义为：只包含行头部和/或肩部的正样本集、不包含行人头部和/或肩部的负样本图 集。
[0031] 在本实施方式中，首先执行步骤SI、使用Ξ维化ar滤波器提取训练样本集中的时 空体的Ξ维化ar特征向量。
[0032] 具体的，该步骤S1具体包括W下子步骤。
[0033] 子步骤S11.将相邻的5帖正样本或负样本定义为时空体并进行空间和时间的梯 度变换，W将时空体的轮廓转化为距离变换时空体。
[0034] 在本实施方式中，该训练样本集包括正样本集与负样本集；其中，该正/负样本集 中的正/负样本为30X30像素的256阶灰度图像，所述正样本为包含行人区域的图像，所 述负样本为不包含或者不完全包含行人区域的图像。进一步的，所谓不包含行人区域的图 像，是指训练样本中完全不包含行人任何人体结构特征区域的图像；所谓不完全包含行人 区域的图像，是指仅包含部分人体结构特征（例如，头、手、脚或者部分上述人体结构）区域 的图像。
[0035] 为找到一种对行人进行有效描述的方式，本实施方式基于两个假设进行研究。
[0036] 假设一：行人的外观特征（静态特征）和运动特征（动态特征）相结合的描述方 式可W提高行人检测器的判别能力；假设二：对于行人而言，基于梯度的描述方式相对于 基于灰度的描述方式而言，具有更好的鲁棒性。
[0037] 基于第一种假设，由于考虑到行人在静止不动时的外观特征和在行走时的运动特 征，在本实施方式中，将行人表示为时空体。其中，任意一个时空体都是由一组相邻的包含 五个正样本所组成。
[0038] 基于第二种假设，为了兼顾外观特征（静态特征）和运动特征（动态特征），在本 实施方式中，对于梯度变换的时空体定义包括两个方面，具体为如公式（1)所示：
[0039]
(1)； W40] 其中，V(p)表示时空体上点p(x，y，t)的灰度值，用Vy、Vy和Vt分别表示沿着X轴、 y轴和时间t轴上的梯度值，G(p)表示梯度变换时空体。等式右边的第一项是空间梯度，可 W对外观特征（静态特征）进行表示；等式右边的第二项是时间梯度，用于表示行人数据沿 着时间轴所产生的运动特征（动态特征）。通过平衡参数α W调节空间梯度和时间梯度之 间的权重。
[0041] 为了有效的得到时空体上的轮廓信息，利用距离变换对时空体上每一个像素赋予 该像素到其最近轮廓点的距离值，距离变换时空体定义为公式（2)所示： |；0042] D(p) = min(dis(p，Ρ*))，{ρ' |G(p') > 目} 似；
[0043] 其中，Θ表示梯度变换时空体的阔值，具体的，在本实施方式中Θ = 50 ; dis( ·，·）表示欧几里得距离；D(p)表示距离变换时空体。 W44] 此时，W将二值的梯度变换时空体（即"时空体的轮廓"）转化为距离变换时空体。 在运个变换体中，每一个像素值代表了当前位置到其最近轮廓点的距离。通过运种方式，可 W将一维的空间轮廓曲线扩展到Ξ维的时空体。
[0045] 为了得到行人在运动过程中所体现在多帖中的运动信息同时对人体的外观信息 进行表达，需要在相邻的若干帖图像上提取Ξ维化ar特征，在本实施方式中，是在相邻的5 帖图像（即：正样本或负样本）中进行提取Ξ维化ar特征。
[0046] 然后，执行子步骤S12.对距离变换时空体进行积分运算得到积分体，并计算积分 体内的像素值之和。
[0047]