专利名称：行人目标识别方法及系统的制作方法
技术领域：
本发明涉及图像识别领域，特别涉及一种行人目标识别方法及系统。
背景技术：
行人目标识别是近年来计算机视觉领域备受关注的前沿方向和研究热点之一。它在智能监控系统(Intelligent Video Surveillance System)、驾驶员辅助系统(AdvancedDriver Assistance System)、行人保护系统(Pedestrian Protection System)、以及运动分析等众多领域拥有广泛的应用前景。行人目标识别属于目标检测的一部分。由于人体固有的一些不确定性，如穿着不同服装、姿势和体型的变化、携带各种物品等，以及应用场景的复杂性，人与人或人与环境之间的相互影响，使得人体目标的识别和跟踪成为目标检测领域中的一大难点。传统的行人目标识别方法通常为基于人体全局特征的方法。这类方法致力于找到一种特征，能够完美地描述人体，并且尽量不受背景，光照，姿势的影响，在各种条件下都能将行人和背景区分开。其中，应用较为广泛的人体全局特征包括边缘方向梯度分布特征(H0G，Histograms of Oriented Gradients)、小波特征、shapelet 特征等。例如 Dalal 和 Triggs首先将输入图片分成若干块，每块再分成若干格子，对每个格子统计其中所有像素的梯度值在各个方向上的分布，得到特征向量，再把一个块内所有格子的特征向量串联起来便得到了该块的特征向量，最后通过连接所有块的特征向量得到多达数千维的HOG特征。然而，传统的行人目标识别方法在根据上述HOG特征识别行人目标时，由于HOG的维度较多，因此计算量过大，从而使得目标识别效率比较低。
发明内容
基于此，有必要提供一种能提高目标识别效率的行人目标识别方法。一种行人目标识别方法，包括以下步骤采集视频帧；提取所述视频帧的HOG特征；提取视频帧的包含了方向和强度信息的LBP特征；根据所述HOG特征和所述LBP特征识别所述视频帧中的行人目标。在其中一个实施例中，所述提取视频帧的HOG特征的步骤包括使用积分图计算视频巾贞的HOG特征。在其中一个实施例中，所述提取所述视频帧的HOG特征的步骤包括以16像素作为步进提取所述视频帧的HOG特征。在其中一个实施例中，所述根据所述HOG特征和所述LBP特征识别所述视频帧中的行人目标的步骤还包括将所述HOG特征和所述LBP特征输入支持向量机；
通过支持向量机根据所述HOG特征和所述LBP特征识别所述视频帧中的行人目标。在其中一个实施例中，所述通过支持向量机根据所述HOG特征和所述LBP特征识别所述视频帧中的行人目标的步骤之后还包括通过所述支持向量机的核函数根据所述HOG特征和所述LBP特征计算所述视频帧的信心指数；通过轮廓匹配算法对信心指数低于阈值的视频帧进行识别。在其中一个实施例中，所述通过轮廓匹配算法对信心指数较低的视频帧进行识别 的步骤还包括根据预设的行人典型姿态模板集通过轮廓匹配算法对视频帧进行识别。在其中一个实施例中，所述通过支持向量机根据所述HOG特征和所述LBP特征识别所述视频帧中的行人目标的步骤之后还包括使用卡尔曼滤波模型对所述视频帧中的行人目标进行预跟踪，当在连续预设个数的视频帧中检测到所述行人目标时，将所述行人目标标记为有效行人目标。此外，还有必要提供一种能提高目标识别效率的行人目标识别系统。一种行人目标识别系统，包括视频帧采集模块，用于采集视频帧；HOG特征提取模块，用于提取所述视频帧的HOG特征；LBP特征提取模块，用于提取所述视频帧的包含了方向和强度信息的LBP特征；目标识别模块，用于根据所述HOG特征和所述LBP特征识别所述视频帧中的行人目标。在其中一个实施例中，所述HOG特征提取模块还用于使用积分图提取所述视频帧的HOG特征。在其中一个实施例中，所述HOG特征提取模块还用于以16像素作为步进提取所述视频帧的HOG特征。在其中一个实施例中，所述目标识别模块还用于将所述HOG特征和所述LBP特征输入支持向量机，通过支持向量机根据所述HOG特征和所述LBP特征识别所述视频帧中的行人目标。在其中一个实施例中，所述目标识别模块还用于通过所述支持向量机的核函数根据所述HOG特征和所述LBP特征计算所述视频帧的信心指数，通过轮廓匹配算法对信心指数低于阈值的视频帧进行识别。在其中一个实施例中，所述目标识别模块还用于根据预设的行人典型姿态模板集通过轮廓匹配算法对视频帧进行识别。在其中一个实施例中，还包括卡尔曼滤波模块，用于使用卡尔曼滤波对所述视频帧中的行人目标进行预跟踪，当在连续预设个数的视频帧中检测到所述行人目标时，将所述行人目标标记为有效目标。采用了上述行人目标识别方法和系统之后，在向支持向量机输送视频帧特征时，输入了 HOG特征和包含了方向和强度信息的LBP特征，由于包含了方向和强度信息LBP特征的维度较少，因此提取该LBP特征的过程和支持向量机进行识别的计算量较小，从而提高了行人目标识别的效率。
图I为一个实施例中行人目标识别方法的流程图；图2为一个实施例中用于计算HOG特征的积分图的示例图；图3为一个实施例中使用计算积分图HOG特征的示例图；图4为一个实施例中计算LBP特征的过程示意图；图5为一个实施例中具有代表性的7个uniform LBP特征bin的示意图；图6为一个实施例中数个行人典型姿态模板的示例图；图7为一个实施例中采用多种特征进行行人目标识别的识别性能的对比图；图8 为一个实施例中采用 3780 维 H0G+1888 维 uniform LBP 和 1152 维 H0G+1024维包含了方向和强度信息的LBP特征进行行人目标识别的识别性能的对比图；图9为一个实施例中行人目标识别系统的结构示意图；图10为另一个实施例中行人目标识别系统的结构示意图。
具体实施方式如图I所示，一个实施例中，一种行人目标识别方法，包括以下步骤步骤S102，采集视频帧。 可通过路况监控设备、摄像机采集路况视频，并从路况视频中提取视频帧。步骤S104，提取视频帧的HOG特征。HOG (Histograms of Oriented Gradients,梯度方向直方图)特征表不局部图像梯度的方向信息的统计值，用于描述视频帧的局部目标的表象和形状。在本实施例中，提取像素为64X 128的视频帧的HOG特征的过程为将视频帧分割成8X8像素的格子(block)，且以2X2格子作为一个区块(cell)。用Sobel算子(离散性差分算子，传统技术中，用于运算图像亮度函数的梯度之近似值)计算每个格子的边缘像素点的梯度特征，可根据下述公式计算Gx (X, y) = SobelxX I (x, y)Gy (X, y) = SobelyX I (x, y)其中，Sobelx和Sobely分别为水平和垂直方向的Sobel算子，分别用于检测水平边缘和垂直边缘，Ι(χ, y)为像素坐标(X，y)处的灰度值，Gx (X，y)和&(1，y)分别为每个格子的边缘像素点的水平梯度特征和垂直梯度特征。然后计算梯度强度和梯度方向，可根据以下公式计算G(x, y)=(x, yf + Gy (x, yf
G (x, y)θ(χ, y) = arctan(-^-~-)
Gx(x^y)其中，G(x，y)为梯度强度，Gx (x，y)和6>，7)为前述的水平梯度特征和垂直梯度特征，Θ (X，y)为梯度方向。然后再根据预设的直方图的维数通过下列公式计算梯度方向直方图
权利要求
1.ー种行人目标识别方法，包括以下步骤 米集视频巾贞; 提取所述视频帧的HOG特征； 提取视频帧的包含了方向和強度信息的LBP特征； 根据所述HOG特征和所述LBP特征识别所述视频帧中的行人目标。
2.根据权利要求I所述的行人目标识别方法，其特征在于，所述提取视频帧的HOG特征的步骤包括 使用积分图计算视频帧的HOG特征。
3.根据权利要求I或2所述的行人目标识别方法，其特征在于，所述提取所述视频帧的 HOG特征的步骤包括 以16像素作为步进提取所述视频帧的HOG特征。
4.根据权利要求I所述的行人目标识别方法，其特征在于，所述根据所述HOG特征和所述LBP特征识别所述视频帧中的行人目标的步骤还包括 将所述HOG特征和所述LBP特征输入支持向量机； 通过支持向量机根据所述HOG特征和所述LBP特征识别所述视频帧中的行人目标。
5.根据权利要求4所述的行人目标识别方法，其特征在于，所述通过支持向量机根据所述HOG特征和所述LBP特征识别所述视频帧中的行人目标的步骤之后还包括 通过所述支持向量机的核函数根据所述HOG特征和所述LBP特征计算所述视频帧的信心指数； 通过轮廓匹配算法对信心指数低于阈值的视频帧进行识别。
6.根据权利要求4所述的行人目标识别方法，其特征在于，所述通过轮廓匹配算法对信心指数较低的视频帧进行识别的步骤还包括 根据预设的行人典型姿态模板集通过轮廓匹配算法对视频帧进行识别。
7.根据权利要求4所述的行人目标识别方法，其特征在于，所述通过支持向量机根据所述HOG特征和所述LBP特征识别所述视频帧中的行人目标的步骤之后还包括 使用卡尔曼滤波模型对所述视频帧中的行人目标进行预跟踪，当在连续预设个数的视频帧中检测到所述行人目标时，将所述行人目标标记为有效行人目标。
8.ー种行人目标识别系统，其特征在于，包括 视频帧采集模块，用于采集视频帧； HOG特征提取模块，用于提取所述视频帧的HOG特征； LBP特征提取模块，用于提取所述视频帧的包含了方向和強度信息的LBP特征； 目标识别模块，用于根据所述HOG特征和所述LBP特征识别所述视频帧中的行人目标。
9.根据权利要求8所述的行人目标识别系统，其特征在于，所述HOG特征提取模块还用于使用积分图提取所述视频帧的HOG特征。
10.根据权利要求8所述的行人目标识别系统，其特征在于，所述HOG特征提取模块还用于以16像素作为步进提取所述视频帧的HOG特征。
11.根据权利要求8所述的行人目标识别系统，其特征在于，所述目标识别模块还用于将所述HOG特征和所述LBP特征输入支持向量机，通过支持向量机根据所述HOG特征和所述LBP特征识别所述视频帧中的行人目标。
12.根据权利要求11所述的行人目标识别系统，其特征在于，所述目标识别模块还用于通过所述支持向量机的核函数根据所述HOG特征和所述LBP特征计算所述视频帧的信心指数，通过轮廓匹配算法对信心指数低于阈值的视频帧进行识别。
13.根据权利要求12所述的行人目标识别系统，其特征在于，所述目标识别模块还用于根据预设的行人典型姿态模板集通过轮廓匹配算法对视频帧进行识别。
14.根据权利要求11所述的行人目标识别系统，其特征在于，还包括卡尔曼滤波模块，用于使用卡尔曼滤波对所述视频帧中的行人目标进行预跟踪，当在连续预设个数的视频帧中检测到所述行人目标时，将所述行人目标标记为有效目标。
全文摘要
一种行人目标识别方法，包括采集视频帧；提取视频帧的HOG特征；提取视频帧的包含了方向和强度信息的LBP特征；根据所述HOG特征和所述LBP特征识别所述视频帧中的行人目标。此外，还提供了一种行人目标识别系统。上述行人目标识别方法和系统减少了输入支持向量机的特征的维度，从而提高了识别效率。
文档编号G06T7/20GK102663366SQ20121010893
公开日2012年9月12日 申请日期2012年4月13日 优先权日2012年4月13日
发明者陈先开, 陈前, 马颖东 申请人:中国科学院深圳先进技术研究院