本发明属于行人定位技术领域，特别是涉及一种融合前景检测的行人定位方法。
背景技术：
随着科技的进步与发展，人们的生活方式也在慢慢的改变，很多以前需要耗费大量人力才能完成的任务，现在可以直接交给计算机去完成。计算机视觉就是这些技术中非常重要的一个研究热点与方向，计算机视觉涉及了图像处理、机器学习、模式识别等多个学科，它的最终目标是模拟人的视觉能力，可以完成各种识别任务。在计算机视觉这个大的研究领域下，又有一个备受学术界和工业界关注的子方向——行人检测。
行人检测就是计算机对于给定的图像和视频，判断出其中是否有行人，如果有，还需要给出行人的具体位置。行人检测是行人跟踪，行为分析，步态分析，行人身份识别等研究的基础和前提，一个好的行人检测算法能够为后者提供有力的支持和保障。现实生活中，行人检测有广泛的应用场景：
1.视频监控：近年来，商场、银行、十字路口、停车场等众多的公共场所都安装了监控摄像头，但是监控的工作多数都是依靠人工监控完成的。然而人工监控的工作不但需要耗费大量的人力，而且由于这个工作很容易让观测者疲惫，使得观察者可能漏掉一些重要的信息，从而带来巨大的经济损失。利用行人检测技术，我们可以实现让计算机自动检测出监控摄像头下的每一个行人。以此为基础还可以实现对指定行人轨迹进行跟踪，对行人身份进行识别以及对行人行为进行分析等，如果发现异常状况及时自动报警。这样可以大大减少人力，更能提高监控准确度防患于未然，达到我们进行视频监控的初衷
2.车辆辅助驾驶：汽车的发明大大方便了人们的出行，提高了人们的生活水平。但随着车辆越来越多，交通事故也成为影响人们生命安全的一个重要因素，我国每年死于交通事故的人就有几万人。如果我们能让车辆具有自动识别障碍物或行人的功能，在发生事故前及时提醒司机或者紧急制动，就能很好的避免交通事故。行人检测作为车辆辅助驾驶技术中不可或缺的一部分，可以及时检测出车辆前方的行人并针对实际状况采取相应的措施。结合其他一些技术，我们甚至可以让车辆自动驾驶，在保障交通安全的同时将人从驾驶汽车的工作中解脱出来。国内外已经有很多公司开始做无人驾驶汽车的相关工作，车辆辅助驾驶技术的需求越来越浓烈。
另外，行人检测在人机交互、虚拟现实、医学图像、机器人视觉导航和军事等方面也有着较为广泛的应用。
行人检测的稳定性、实时性以及准确性是检测的主要评价标准，目前很多检测方法很容易受光线以及背景的影响，稳定性不高，还有一些基于统计的方法运算量较大，难以达到实时处理的要求。
技术实现要素：
本发明的目的是针对现有技术中存在的技术缺陷而提供一种融合前景检测的行人定位方法。
为实现本发明的目的，本发明所采用的技术方案是：
一种融合前景检测的行人定位方法，包括以下步骤：
将视频序列图像中各个位置的像素点的信息用K个高斯分布模型表示；
初始化K个高斯分布模型后，找到与该K个高斯分布模型匹配的像素点，然后按照当前图像匹配结果对K个高斯分布模型按预定规则更新；
将下一帧图像的每个像素点的像素数据与上一帧图像更新后的高斯分布模型做比较，如果下一帧图像的一个位置像素点的像素数据与上一帧图像更新的高斯分布模型匹配，则该像素点的位置为背景区域，否则为运动目标区域；
选择前B个匹配的高斯分布模型作为背景模型，并利用该背景模型进行前景检测，获取前景区域；
对获取的前景区域分别利用boosting模型进行行人检测，获取行人位置。
所述K个高斯分布模型的K的取值为3-5。
K个高斯分布模型更新时，高斯分布模型的权值按如下公式进行更新后进行归一化处理：
wi,t＝(1-a)×wi,t-1+a*Mk,t
其中，wi,t为t时刻第i个高斯模型的权值，a是学习速率，Mk,t为t时刻第i个高斯模型的权值匹配参数，如果匹配侧Mk,t＝1，否则Mk,t＝0。
在进行高斯分布模型与像素点匹配时，如果没有高斯分布模型与一个位置的像素点匹配，则权重最小的高斯分布模型被删除，增加一新的高斯分布模型并将新的高斯分布模型的均值替换为当前像素值，标准差更改为较大值，权重更改为较小值。
在进行高斯分布模型与像素点匹配时，K个高斯分布模型按优先级降序排列。
与现有技术相比，本发明的有益效果是：
该方法首先利用前景分割技术获取运动目标区域，从而排除背景的干扰，该方法针对传统的boosting行人检测方法可有效的降低误检率，提高行人检测的准确性，并且该方法对视频序列进行区域分割，只对图像中的部分区域进行处理，从而降低数据处理量，相对传统的boosting行人检测方法可大大提高检测的速度，提高目标检测的实时性，该方法也可有效的降低光照的影响，提高行人检测的鲁棒性。
具体实施方式
下面，结合实例对本发明的实质性特点和优势作进一步的说明，但本发明并不局限于所列的实施例。
一种融合前景检测的行人定位方法，包括以下步骤：
将视频序列图像中各个位置的像素点的信息用K个高斯分布模型表示；
初始化K个高斯分布模型后，找到与该K个高斯分布模型匹配的像素点，然后按照当前图像匹配结果对K个高斯分布模型按预定规则更新；
将下一帧图像的每个像素点的像素数据与上一帧图像更新后的高斯分布模型做比较，如果下一帧图像的一个位置像素点的像素数据与上一帧图像更新的高斯分布模型匹配，则该像素点的位置为背景区域，否则为运动目标区域；
选择前B个匹配的高斯分布模型作为背景模型，并利用该背景模型进行前景检测，获取前景区域；
对获取的前景区域分别利用boosting模型进行行人检测，获取行人位置。
本发明中，在利用高斯分模型进行前景检测时，先设X为每帧图像中各个位置像素值的集合，则X可以表示为{x1,x2,x3,x4……xn}，xt＝(rt,gt,bt)为t时刻视频图像序列像素点的值，通过式(1)、(2)、(3)、(4)可以获取每帧图像中的每个位置像素点xt的值的概率密度分布：
τi,t＝σi,t2I (3)
其中，每个位置像素点的高斯分布模型个数为k；
通过式(2)可以计算出t时刻第i个高斯分布模型η(xt,μi,t,τi,t)；
由式(2)可以分别得到高斯分布模型的均值μi,t和方差σi,t；
通过式(3)可以计算高斯分布模型的协方差矩阵τi,t；式(3)中的I为三阶单位矩阵，wi,t为t时刻第i个高斯分布模型的权重，其中μi,t与σi,t用来确定各个位置的像素值的变化规律，wi,t用来确定同一位置像素点上各个高斯分布模型的权重，决定哪个高斯分布模型属于背景模型；
k个高斯分布模型按照式(4)进行优先级排序，匹配时按照k个高斯分布模型的排列顺序依次进行匹配，利用匹配结果来确定是否属于前景。
具体定位时，采用以下步骤：
Step1：判断获取到的随机视频图像序列像素点的值xt(以下简称随机值xt)是否为第一帧图像的数据，也就是判断t是否为1，如果是第一帧图像的数据，初始化各个高斯分布模型的均值、方差、权值，假如不是第一帧图像的数据，将对应位置的像素数据与按照优先级排序的k个高斯分布模型进行比较，获取与该随机值匹配的高斯分布模型，即该位置的像素值同该位置高斯背景模型的均值偏差小于2.5σ。
|xt-μi,t-1|＜2.5σi,t-1 (5)
Step2：如果每个位置像素点的随机值xt所匹配的模型符合该点的某个高斯分布模型，则该位置像素点所在的区域属于背景，否则属于前景。
Step3，各个高斯分布模型的权值按照如下公式进行更新，其中a是学习速率，对于匹配模式，匹配参数Mk,t＝1，否则Mk,t＝0，再将各个高斯分布模型的权值归一化。
wi,t＝(1-a)×wi,t-1+a*Mk,t (6)
Step4，如果没有与随机值xt匹配的高斯分布模型，则各个高斯模型的均值μi,t与标准差σi,t均不改变；匹配的高斯分布模型的参数按照如下公式更新：
ρ＝a×η(Xt|μi,t,σi,t) (7)
μi,t＝(1-ρ)×μi,t-1+ρ×Xt (8)
Step5，如果步骤step1中没有任何高斯分布模型与该位置的随机值xt匹配，则权重最小的高斯分布模型将被删除，增加一新的高斯分布模型并将新的高斯分布模型均值μi,t-1替换为当前像素值，标准差更改为较大值，权重更改为较小值。
Step6，各个高斯分布模型按照进行降序排列，由可以看出权重大、标准差小的高斯分布模型将排在最前面。
Step7：选择前B个高斯分布模型作为背景模型，B满足如下公式，参数T表示背景所占比例。
Step8：利用获取的背景模型进行前景检测，获取前景区域F＝{F1,F2,.....Fi}，Fi为第i个前景检测区域。
Step9：对获取的前景区域分别利用boosting模型进行行人检测，进而获取到行人的准确位置。
本发明通过引入变量F＝{F1,F2,.....Fi}，F为前景检测区域的集合，Fi为第i个前景检测区域，从而将图像分割成多个小的区域，在这些小的区域内结合boosting方法进一步定位行人的位置，该方法可有效的排除图像中背景的干扰、降低光照变化的影响，提高行人检测的稳定性，该方法只对序列图像中的部分区域进行处理，大大降低了系统的数据处理量，提高检测的实时性。
以上所述仅是本发明的优选实施方式，应当指出的是，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。