利用多检测器对场景变化的视频图像进行行人检测的方法
【技术领域】
[0001] 本发明总体来说涉及计算机视觉和模式识别技术领域。更具体地讲，涉及一种利 用多检测器对场景变化的视频图像进行行人检测的方法。
【背景技术】
[0002] 行人检测是智能视频监控领域比较重要的一个研宄方向，它是一种基于机器学习 的计算机视觉技术，用于通过分析视频场景中的行人、交通工具等其他运动物体来完成如 人数统计、行人跟踪等任务。
[0003] 行人兼具刚性和柔性物体的特征，外观易受穿着、尺度、遮挡、姿态和视角等影响， 这就使得行人检测成为智能视频监控领域的研宄难点和热点。行人检测主要分为两个环 节，首先进行特征提取，然后进行分类与定位。其中，特征提取的方法主要有三类：（1)底层 特征提取方法，是一种单一特征，可利用积分图快速计算，例如，HOG(方向梯度直方图）等； (2)基于学习的特征，是一种从大量样本中选择判别能力较强的特征，例如，自适应轮廓特 征等；（3)混合特征，是一种从不同侧面刻画图像特征的方法，例如，C〇HOG(共生梯度方向 直方图特征）等。此外，分类与定位方法主要有滑动窗口、SVM(支持向量机）、Adab〇〇st(级 联分类器）等。目前比较成熟的行人检测方法是H0G+SVM(S卩：方向梯度直方图特征结合支 持向量机）。
[0004] 现有的行人检测方案大都针对固定场景进行行人检测。如果使用一般场景下训练 好的行人检测器来对一个特定场景下的视频图像进行行人检测时，会因为场景的不匹配， 而造成检测过程中行人识别率下降的问题，这是由于新旧场景的样本集分布特性不同，基 于旧场景样本集训练得到的行人检测器不能完全识别新场景的本征特征。如果场景是实时 变化的，更会出现行人检测准确率急剧下降的现象。
[0005] 通常，为了解决上述问题，可针对特定场景重新训练行人检测器，但是，为了重新 训练行人检测器而提取样本需要花费大量的人工成本（例如，需要逐帧的手工裁切出行人 样本）。此外，为了解决上述问题，还可采用迀移学习的方法自动训练变化场景中的特定场 景下的行人检测器，这样可以免去人工成本。此外，还可通过将行人检测器赋予不同的权值 来提高行人检测器的行人识别率。但是，这些方案依然只能解决固定场景的行人检测问题， 不能解决在场景变化下行人检测器的行人识别率低的问题。如果场景是实时变化的，还是 会出现行人检测器检测行人准确率急剧下降的问题。而且，训练检测器是一个串行的过程， 训练在前，检测在后，目前还没有训练和检测同时进行的方案。
[0006] 综上所述，现有的在场景实时变化下的行人检测方法不能满足提高行人识别率和 降低人工成本的需求。
【发明内容】
[0007] 本发明的示例性实施例在于提供一种利用多检测器对场景变化的视频图像进行 行人检测的方法，以克服现有技术中在场景实时变化时行人识别率不理想的问题。
[0008] 本发明提供一种利用多检测器对场景变化的视频图像进行行人检测的方法，包 括：(A)针对多个不同场景，分别获取每个场景的场景背景模型，并分别训练出每个场景的 行人检测器；(B)建立关于场景背景模型和行人检测器的对应关系集，其中，所述对应关系 集包括多个对应关系条目，每个对应关系条目对应于一个场景并包括所述一个场景的场景 背景模型和行人检测器；(C)获取场景变化的视频图像，将所述视频图像划分为多个视频 片段；(D)针对所述多个视频片段中的每个视频片段，获取所述每个视频片段的片段背景 模型，使用基于所述每个视频片段的片段背景模型确定的行人检测器来检测所述每个视频 片段中的行人，其中，针对所述多个视频片段中的首个视频片段，在所述对应关系集中搜索 与首个视频片段的片段背景模型最为接近的场景背景模型，并将与搜索到的场景背景模型 包括在同一对应关系条目中的行人检测器确定为用于检测首个视频片段中的行人的行人 检测器；针对所述多个视频片段中位于首个视频片段之后的每个后续视频片段，基于所述 每个后续视频片段的片段背景模型与前一个视频片段的片段背景模型之间的相似度来确 定用于检测所述每个后续视频片段中的行人的行人检测器。
[0009] 可选地，所述每个后续视频片段的片段背景模型与前一个视频片段的片段背景模 型之间的相似度被表示为所述每个后续视频片段的片段背景模型的灰度直方图与所述前 一个视频片段的片段背景模型的灰度直方图之间的相似度。
[0010] 可选地，在所述相似度高于或等于预定阈值的情况下，将所述前一个视频片段的 行人检测器确定为用于检测所述每个后续视频片段中的行人的行人检测器；在所述相似度 低于所述预定阈值的情况下，在所述对应关系集中搜索与所述每个视频片段的片段背景模 型最为接近的场景背景模型，并将与搜索到的场景背景模型包括在同一对应关系条目中的 行人检测器确定为用于检测所述每个视频片段中的行人的行人检测器。
[0011] 可选地，步骤（A)包括：针对多个不同场景，利用运动下的背景建模算法分别获取 每个场景的场景背景模型，并利用场景自适应方法分别训练出每个场景的行人检测器。
[0012] 可选地，所述运动下的背景建模算法为码本背景建模算法或高斯混合模型背景建 模算法。
[0013] 可选地，所述场景自适应方法为迀移学习方法或深度学习方法。
[0014] 可选地，在步骤（D)中，通过以下的等式来确定所述每个后续视频片段的片段背 景模型的灰度直方图与所述前一个视频片段的片段背景模型的灰度直方图之间的相似 度：
【主权项】
1. 一种利用多检测器对场景变化的视频图像进行行人检测的方法，包括： (A) 针对多个不同场景，分别获取每个场景的场景背景模型，并分别训练出每个场景的 行人检测器； (B) 建立关于场景背景模型和行人检测器的对应关系集，其中，所述对应关系集包括多 个对应关系条目，每个对应关系条目对应于一个场景并包括所述一个场景的场景背景模型 和行人检测器； (C) 获取场景变化的视频图像，将所述视频图像划分为多个视频片段； (D) 针对所述多个视频片段中的每个视频片段，获取所述每个视频片段的片段背景模 型，使用基于所述每个视频片段的片段背景模型确定的行人检测器来检测所述每个视频片 段中的行人， 其中，针对所述多个视频片段中的首个视频片段，在所述对应关系集中搜索与首个视 频片段的片段背景模型最为接近的场景背景模型，并将与搜索到的场景背景模型包括在同 一对应关系条目中的行人检测器确定为用于检测首个视频片段中的行人的行人检测器；针 对所述多个视频片段中位于首个视频片段之后的每个后续视频片段，基于所述每个后续视 频片段的片段背景模型与前一个视频片段的片段背景模型之间的相似度来确定用于检测 所述每个后续视频片段中的行人的行人检测器。
2. 如权利要求1所述的方法，其中，所述每个后续视频片段的片段背景模型与前一个 视频片段的片段背景模型之间的相似度被表示为所述每个后续视频片段的片段背景模型 的灰度直方图与所述前一个视频片段的片段背景模型的灰度直方图之间的相似度。
3. 如权利要求1所述的方法，其中，在所述相似度高于或等于预定阈值的情况下，将所 述前一个视频片段的行人检测器确定为用于检测所述每个后续视频片段中的行人的行人 检测器；在所述相似度低于所述预定阈值的情况下，在所述对应关系集中搜索与所述每个 视频片段的片段背景模型最为接近的场景背景模型，并将与搜索到的场景背景模型包括在 同一对应关系条目中的行人检测器确定为用于检测所述每个视频片段中的行人的行人检 测器。
4. 如权利要求1所述的方法，其中，步骤（A)包括：针对多个不同场景，利用运动下的 背景建模算法分别获取每个场景的场景背景模型，并利用场景自适应方法分别训练出每个 场景的行人检测器。
5. 如权利要求4所述的方法，其中，所述运动下的背景建模算法为码本背景建模算法 或高斯混合模型背景建模算法。
6. 如权利要求4所述的方法，其中，所述场景自适应方法为迀移学习方法或深度学习 方法。
7. 如权利要求2所述的方法，其中，在步骤（D)中，通过以下的等式来确定所述每个后 续视频片段的片段背景模型的灰度直方图与所述前一个视频片段的片段背景模型的灰度 直方图之间的相似度：
其中，Sim(G，S)表示所述每个后续视频片段的片段背景模型的灰度直方图G与所述前 一个视频片段的片段背景模型的灰度直方图S之间的相似度，N表示标准片段背景模型的 灰度直方图的灰度空间样点数，81表示灰度直方图G中第i个样点的灰度值，s1表示灰度 直方图S中第i个样点的灰度值，Max(gi，Si)表示gJPsi中的较大值。
8. 如权利要求1所述的方法，其中，所述每个场景的行人检测器为基于所述每个场景 的场景背景模型的方向梯度直方图特征训练得到的支持向量机。
9. 如权利要求1所述的方法，其中，步骤（A)包括：针对多个不同场景，分别获取每个 场景的一个场景背景模型，并分别训练出每个场景的至少一个行人检测器。
【专利摘要】提供一种利用多检测器对场景变化的视频图像进行行人检测的方法，包括：(A)针对多个不同场景，分别获取每个场景的场景背景模型，并分别训练出每个场景的行人检测器；(B)建立关于场景背景模型和行人检测器的对应关系集；(C)获取场景变化的视频图像，将所述视频图像划分为多个视频片段；(D)针对所述多个视频片段中的每个视频片段，获取所述每个视频片段的片段背景模型，使用基于所述每个视频片段的片段背景模型确定的行人检测器来检测所述每个视频片段中的行人。根据所述方法，能够有效地提高场景变化时的行人识别率，并降低了人工成本。
【IPC分类】G06K9-62, G06K9-00
【公开号】CN104615986
【申请号】CN201510052209
【发明人】赵威, 冯圣中, 冯良炳
【申请人】中国科学院深圳先进技术研究院
【公开日】2015年5月13日
【申请日】2015年1月30日