为了对Ξ维化ar特征进行快速的计算，本实施方式采用类似于积分图的计算方 法，其与现有技术中积分图的计算方法的主要区别在于，本发明在Ξ维的时空体上进行积 分图的计算，并称之为积分体。对于积分体而言，其在（x，y，t)处的像素值是时空体中所有 坐标值小于（x，y，t)处的像素值的和，该积分体在（x，y，t)处的计算方式如下公式（3)所 示：
[0048]
(3);
[0049] 其中，IV(x，y，t)表示积分体，D(x'，y'，t')表示距离变换时空体。
[0050] 最后，执行子步骤S13.利用Ξ维化ar滤波器与积分体进行卷积，得到时空体的Ξ 维化ar特征向量。
[0051] 在本实施方式中，采用图2所示的屯种Ξ维化ar滤波器来提取行人的外观特征和 运动特征。具体而言，可使用静态滤波器S1、S2和S3来对行人的外观特征（静态特征）进 行提取。使用动态滤波器D1、D2、D3和D4用来对行人的运动特征进行提取，运些滤波器可 W表示行人在运动过程中所体现出来的不同的运动模式。
[0052] 动态滤波器D1和D2用来描述行人在运动过程中所产生的平移运动；动态滤波器 D3用来描述行人在运动过程中所产生的旋转运动；动态滤波器D4用来描述行人在监控区 域内的出现和消失。
[0053] 利用积分体，任何一个立方体体内的像素值的和可W通过7步加减操作完成。参 图3所示，其中所示的立方体内的像素值之和可W用公式（4)计算得到：
[0054] sum(V) = IV(H)-IV 值)-IV(F)-IV(G)+IV 化)+IV(C)+IV 巧)-IV(A) (4); 阳化引其中，sum (V)表示在立方体A-b-C-D-D-E-F-G-H内的像素值之和，然后利用^维 化ar滤波器与积分体进行卷积，可W得到时空体上的Ξ维化ar特征向量。
[0056] 接下来执行步骤S2、基于Gentle Ad油oost级联算法对步骤S1中所得到的Ξ维 化ar特征向量进行训练，得到行人级联分类器。
[0057] 其中，该正样本集中的正样本是包含行人头部和/或肩部的样本（即正样本）；该 负样本集中的负样本是不包含行人头部和/或肩部的样本（即负样本）。具体的，在本实施 方式中，在初始化行人分类器中的正样本集中的正样本的个数为4000,负样本集中的负样 本的个数为6000。由于Gentle Ad油oost级联算法是本技术领域的常规技术手段，故在此 不再寶述。
[0058] 然后，执行步骤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。
[0059] 参图4所示，在本实施方式中，摄像机10垂直拍摄并可适用于室外环境和室内环 境。在本实施方式中，该步骤中的"通过摄像机获取监控区域的视频流图像"具体为：通过 摄像机10获取监控区域30的视频流图像作为输入图像，所述监控区域30位于摄像机10 的正下方。
[0060] 具体的，摄像机10设置在出入口 20的正上方，行人可沿着箭头201的方向上在出 入口 20中来回走动。摄像机10所获取的监控区域30可完全覆盖出入口 20的全部区域。 该出入口 20可设置在需要对行人人数进行统计的商场、车库、银行等需要重点监控场所的 大口口或者走廊中。
[0061] 需要说明的是，本发明在摄像机10垂直地正对着监控区域30时的效果最佳，当然 可也将摄像机10倾斜地对着需要进行行人人数计数统计的区域，W通过摄像机10覆盖整 个监控区域30。
[0062] 在本实施方式中，该监控区域30为矩形；当然也可W为正方形或圆形或者其他形 状。摄像机10位于监控区域30的中屯、点301的正上方，此时该监控区域30位于摄像机10 的正下方。
[0063] 参5所示，在本实施方式中，由1到η层次的检测单元构成级联结构，输入待检测 区域从第一层检测单元1开始，逐步判断待检测区域是否是行人区域。如果在某个层次的 检测单元中被判断为"非"，则将该待检测图像归为"非行人区域"一类；如果经过所有层次 的检测单元1~η都判断是行人区域后，则输出行人区域。具体的，从1到η层次的检测单 元均是利用Gentle Ad油oost级联算法训练得到。
[0064] 最后，执行步骤S4、基于EKM算法对步骤S3中检测到的行人进行跟踪和计数。 W65] EKM算法是采用Kalman滤波和mean shift算法相结合的方法，其具体为：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。
[0066] Kalman是一种递归的估计，即只要获知上一时刻状态的估计值W及当前状态的观 测值就可W计算出当前状态的估计值，因此不需要记录观测或者估计的历史信息。
[0067] 由于Kalman滤波估计到的目标坐标点相比上一帖目标位置更接引本帖的目标位 置，所W在运用mean shift算法对其迭代求解本帖目标位置的时候，可W有效的减少迭代 计算的次数，缩短整体的目标识别时间。最后进行计数，得到行人的个数。当然，本实施方 式也可通过对检测到的行人轮廓的质屯、进行跟踪与计数。
[0068] 此外，应当理解，虽然本说明书按照实施方式加 W描述，但并非每个实施方式仅包 含一个独立的技术方案，说明书的运种叙述方式仅仅是为清楚起见，本领域技术人员应当 将说明书作为一个整体，各实施例中的技术方案也可W经适当组合，形成本领域技术人员 可W理解的其他实施方式。
【主权项】
1. 一种基于时空体运动轮廓特征的行人检测方法，其特征在于，包括以下步骤： 51、 使用三维Haar滤波器提取训练样本集中的时空体的三维Haar特征向量； 52、 基于Gentle Adaboost级联算法对所述三维Haar特征向量进行训练，得到行人级 联分类器； 53、 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； 54、 基于EKM算法对步骤S3中检测到的行人进行跟踪和计数。2. 根据权利要求1所述的行人检测方法，其特征在于，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。3. 根据权利要求1或2所述的行人检测方法，其特征在于，所述步骤S1具体为：511. 将相邻的5帧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，以将 时空体的轮廓转化为距离变换时空体；512. 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；513. 利用三维Haar滤波器与积分体进行卷积，得到时空体的三维Haar特征向量。4. 根据权利要求3所述的行人检测方法，其特征在于，所述步骤SI 1中的正样本或负样 本为像素大小为30X30的256阶灰度图像。5. 根据权利要求3所述的行人检测方法，其特征在于，所述步骤S12中的积分运算公式 为其中，IV(x，y，t)为积分体，D(x'，y'，t')为距离变换时空体。6. 根据权利要求5所述的行人检测方法，其特征在于，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。7. 根据权利要求3所述的行人检测方法，其特征在于，所述步骤S13中的三维Haar滤 波器由用于提取行人静态运动特征的三个静态Haar滤波器Sl、S2、S3,以及用于提取行人 动态特征的四个动态Haar滤波器Dl、D2、D3、D4共同组成。8. 根据权利要求1所述的行人检测方法，其特征在于，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。9. 根据权利要求1所述的行人检测方法，其特征在于，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帧目标位置的坐标，利用Kalman滤波来预测本帧输入图 像中目标可能的坐标点，然后利用mean shift算法以估计到的坐标点为起始点进行迭代运 算。
【专利摘要】本发明属于视频图像处理技术领域，并提供了一种基于时空域运动轮廓特征的行人检测方法，包括：S1、使用三维Haar滤波器提取训练样本集中的时空体的三维Haar特征向量；S2、基于Gentle？Adaboost级联算法对所述三维Haar特征向量进行训练，得到行人级联分类器；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；S4、基于EKM算法对步骤S3中检测到的行人进行跟踪和计数。通过计算训练样本集中的三维Haar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，有效地提高了在公共区域内对行人进行人数统计的效率与准确度。
【IPC分类】G06K9/62, G06T7/20
【公开号】CN105631463
【申请号】CN201410719720
【发明人】吕楠, 张丽秋
【申请人】无锡慧眼电子科技有限公司
【公开日】2016年6月1日
【申请日】2014年11月28日