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（负样本）。具体的，该正/负样本 集中正/负样本为30X30~IOOX 100像素的256阶灰度图像。基于计算机对图像进行处 理速度和效率的综合考虑，可将正/负样本集中正/负样本优选为30X 30像素的256阶灰 度图像。
[0048] 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。
[0049] 然后执行步骤S2、获取监控区域的视频流图像作为输入图像，并对输入图像进行 背景建模W得到背景图像。
[0050] 参图2所示，本实施方式基于摄像机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S2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。
[0051] 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。
[0052] 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。
[0053] 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的中必点301的正上方，此时该监控区域30位于摄像机10 的正下方。
[0054] 考虑到在多模态场景中（例如晃动的树枝）某一个像素点的值通常受到周围像素 点的值的影响，本实施方式在现有技术中的混合高斯背景建模算法的基础上增加空间信息 到像素点的混合高斯背景建模中，在对像素点进行高斯拟合时，将领域内的像素点依次作 下述处理。
[00巧]在经典的混合高斯模型中，权值更新的学习速率通常采用固定值。
[0056] 在本实施方式中采用动态学习速率的权值更新方法。在本实施方式中，采用分段 函数对权值进行更新，送里将像素连续在一段时间内与某个高斯分布匹配的状态称作稳定 态。当像素稳定一段时间T。后就给该高斯分布更大的权值更新速率，并且随着时间越长学 习速率越大；而在T。之内采用固定的权值更新速率。
[0057] 参图3所示，m。是要对其建立混合高斯模型的像素点，咕，nv nv m" 1?, me, nv nU 是m。周围3*3邻域的像素点。在对m。混合高斯建模时，综合考虑{nil，nv nv m" 1?, mg, nv I%}的像素值对m。高斯模型的影响。
[0058] 在本实施方式中，步骤S2中的"背景建模"为混合高斯背景建模，其具体包括：
[0059] S21 ;初始化背景模型。在混合高斯模型中，每个像素点具有K个高斯分布，初始化 模型就是要对每个像素点的送K个高斯分布的均值U，方差O和权值《进行赋值。对第 一个高斯分布均值y 1的初值直接用t = 1时刻该像素值跟其邻域内像素值得均值进行赋 值。
[0060] S22 ;更新背景模型。不仅用m。的值对高斯模型进行更新，而且也可W利用m。的邻 域被的像素值对m。的高斯模型进行更新。
[0061] S23 ;采用权值动态学习速率的权值更新方法提取背景图像和分割运动目标；
[0062] 所述步骤S23中的"权值动态学习速率"的计算公式如公式（1)所示：
[0063]
…
[0064] 所述步骤S23中的"权值更新"的计算公式如公式似所示：
[006引 = (1-a t) i+a 似
[006引所述a t为权值学习速率，T。为像素稳定时间，《 1, t I为t-1时刻的权值；U 1, t为 t时刻的权值；其中，To = 20, a。= 0. 01。
[0067] 由公式（1)可知，当稳定时间大于T。时，权值学习速率Qt将W指数形式迅速增长
[0068] 需要说明的是，在本实施方式中，在步骤S2中实现提取背景图像和分割运动目标 的方式与现有技术中高斯背景建模相一致，由于其为非常成熟的现有技术，在此不再赏述。
[0069] 接下来执行步骤S3、利用初始化行人分类器对监控区域的背景图像进行行人检 巧1|，并根据行人检测结果对初始化行人分类器进行选择性的更新训练。
[0070] 具体的，该步骤S3中的"利用初始化行人分类器对监控区域的背景图像进行行人 检测"具体为：
[0071] W 30X30像素的图像作为检测窗口，在水平和垂直方向上W 2个像素点为步长， 对由执行步骤S2所得到的背景图像作行、列滑动扫描，提取扫描区域的HOG特征，并将计算 得到的HOG特征送入执行步骤Sl所得到的行人分类器中，并根据初始化行人分类器的输出 结果判断该扫描区域是否为行人区域。若初始化行人分类器的输出结果为1，表示扫描区域 为行人区域；若初始化行人分类器的输出结果-1，表示扫描区域为非行人区域。由于当前 是对监控区域30的背景进行检测，则扫描区域被判断为式行人区域，即为误检。
[0072] 具体的，该步骤S3中的"选择性的更新训练"具体为：
[0073] 对利用初始化行人分类器对监控区域30的背景图像进行行人检测的检测结果进 行判断；
[0074] 若出现误检，则将误检的运动目标添加到负样本集，并仅在设定的时间内检测到 的误检数大于或等于误检阔值T时，重新对所述初始化行人分类器进行更新训练；若不出 现误检，则经过设定的时间后不对所述初始化行人分类器进行更新训练；其中，
[0075] 所述"设定的时间"选为5分钟；所述误检数量阔值T选为10。
[0076] 在本实施方式中，应用本发明的各种基于视频流图像采集的行人检测系统可应用 于各种不同的复杂环境中，而训练行人分类器所有的负样本集是有限的，所W训练得到的 行人分类器不一定适用于所有的监控环境。
[0077] 为了适应环境的变换，在本实施方式中，采取实施更新负样本集，然后对训练样本 集进行再次训练，W更新初始化行人分类器。
[0078] 最后执行步骤S4、通过执行步骤S3后的所得到的行人分类器对监控区域30中的 输入图像进行行人检测，并通过mean shift算法对检测到的行人区域进行跟踪和计数。
[0079] 由于传统的直方图空闲率高，导致整个行人检测系统的计算机负荷较大，从而导 致对监控区域30中的行人人数进行监控与统计时的效率不是很理想。
[0080] 在本实施方式中，在传统的mean shift算法的基础上通过简化直方图和分块颜色 直方图构建法来提升跟踪mean shift算法的准确性和实时性。
[0081] 所述步骤S4中的"mean shift算法"具体包括简化直方图法和分块颜色直方图构 建法。
[0082] 其中，该"简化直方图法"具体包括：
[0083] 首先，计算运动目标的颜色直方图，删除其中颜色特征值为0的bin,从而删除其 中空闲的直方图区间（即前述的"颜色特征值为0的bin");
[0084] 然后，保存剩下的颜色特征；
[0085] 最后，在简化后的直方图后面增加一个区间，用于累计候选运动目标中出现的不 属于初始运动目标颜色特征值的像素点个数。送个区间值在初始目标的颜色直方图中为0， 在候选目标的颜色直方图中该区间的值为所有不属