視頻行人檢測與跟蹤方法
【專利摘要】本發(fā)明涉及一種視頻行人檢測與跟蹤方法。本方法是根據(jù)小波變換在時域和空域均具有優(yōu)異的局部化特征，基于視頻幀間差，利用小波多尺度特性，提取前景運動對象，根據(jù)人頭為人體的重要組成部分且具有剛體不變性，通過對不同人頭目標的樣本學習與訓練，對視頻場景中的前景運動對象進行分類與檢測，確定人頭目標，并基于人頭色彩特征的差異性，采用粒子濾波和動態(tài)跟蹤鏈，對人頭進行跟蹤。本發(fā)明方法不需要特定的硬件支持以及場景條件約束，方法簡便、靈活、易實現(xiàn)。
【專利說明】視頻行人檢測與跟蹤方法
【技術領域】
[0001]本發(fā)明涉及一種視頻行人檢測與跟蹤方法，用于數(shù)字圖像分析與理解。屬于智能信息處理【技術領域】。
【背景技術】
[0002]隨著城鎮(zhèn)人口的快速增長及城鎮(zhèn)環(huán)境的日益復雜，群體性事件、騷亂、恐怖襲擊等城鎮(zhèn)突發(fā)社會安全事件，嚴重影響著城鎮(zhèn)公共安全，而突發(fā)社會安全事件的時常發(fā)生，在很大程度上與人體行為活動緊密關聯(lián)。如何有效確定人體行為活動，并對其異常、可疑行為自動識別，將有助于安全人員及時、迅速處理危機，大幅提升安全防范能力，從而構建和諧、平安的社會環(huán)境，己成為當今國際社會的一個重要課題。為有效確定人體行為活動，其關鍵是如何有效檢測與跟蹤視頻場景中的行人位置。
[0003]人體作為非剛體，形態(tài)變化多樣，且易發(fā)生遮擋，以及視頻場景變化復雜多樣，導致有效的視頻行人檢測與跟蹤十分困難。目前主要方法包括:(I)采用人頭曲率檢測與幾何特征跟蹤法，該法依據(jù)人頭曲率檢測人頭，并根據(jù)人頭的幾何特征，對人頭目標跟蹤，該方法對于相似曲率的物體易確認為人頭，且跟蹤效果不理想，誤檢率高；(2)基于粒子濾波的檢測與跟蹤法，該方法僅能跟蹤單個目標，且當目標遮擋時，跟丟可能性大；(3)紋理分析法，該法計算復雜度高，且泛化能力低，尤其跟蹤多個目標對象時計算耗時嚴重。

【發(fā)明內(nèi)容】

[0004]本發(fā)明的目的在于針對現(xiàn)有視頻行人檢測與跟蹤方法計算復雜，實時可靠性能低，檢測與跟蹤對象單一，以及對動態(tài)場景變化敏感、噪聲干擾大，難滿足人體行為活動及時分析與理解要求，提供一種視頻行人檢測與跟蹤方法，根據(jù)人頭為人體的重要組成部分且具有剛體不變性，通過對不同人頭目標的樣本學習與訓練，對視頻場景中的前景運動對象進行分類與檢測，確定人頭目標，并基于人頭色彩特征的差異性，采用粒子濾波和動態(tài)跟蹤鏈，實現(xiàn)在多種條件下對人頭的有效跟蹤。
[0005]為達到上述目的，本發(fā)明的構思是:根據(jù)小波變換在時域和空域均具有優(yōu)異的局部化特征，基于視頻幀間差，利用小波多尺度特性，提取前景運動對象，根據(jù)人頭為人體的重要組成部分且具有剛體不變性，通過對不同人頭目標的樣本學習與訓練，對視頻場景中的前景運動對象進行分類與檢測，確定人頭目標，并基于人頭色彩特征的差異性，采用粒子濾波和動態(tài)跟蹤鏈，對人頭進行跟蹤。
[0006]根據(jù)上述發(fā)明構思，本發(fā)明采用下述技術方案:
一種視頻行人檢測與跟蹤方法，其特征在于具體步驟如下:
1)啟動行人檢測與跟蹤圖像采集系統(tǒng):采集視頻圖像；
2)前景運動對象分割
由攝像機采集的當前幀圖像與上一幀圖像相減，采用小波變換方法分割出前景運動對象區(qū)域；3)樣本學習與訓練；
4)人頭目標檢測；
5)人頭目標跟蹤；
6)行人身份一致性確認。
[0007]上述步驟2)的具體操作步驟如下:
(O當前幀圖像/tCr，_F)與上一幀圖像/η0τ，_7)相減，得到差分圖像DCr，_F):
D Cr, y) = It Cr, y) - Λ-! Cr, y)；
(2)差分圖像多尺度小波變換:
【權利要求】
1.一種視頻行人檢測與跟蹤方法，其特征在于具體步驟如下: 1)啟動行人檢測與跟蹤圖像采集系統(tǒng):采集視頻圖像； 2)前景運動對象分割 由攝像機采集的當前幀圖像與上一幀圖像相減，采用小波變換方法，分割出前景運動對象區(qū)域； 3)樣本學習與訓練； 4)人頭目標檢測； 5)人頭目標跟蹤； 6)行人身份一致性確認。
2.根據(jù)權利要求1所述的視頻行人檢測與跟蹤方法，其特征在于所述步驟2)前景運動對象分割的具體操作步驟如下: (1)當前幀圖像/>，_7)與上一幀圖像/ηΟτ，_7)相減，得到差分圖像DCr，_F):
D Cr, y) = It Cr, y) - Λ-! Cr, y)； (2)差分圖像多
3.根據(jù)權利要求1所述的視頻行人檢測與跟蹤方法，其特征在于所述步驟3)樣本學習與訓練的具體操作步驟如下: (O按照步驟2)，采集不同人體運動對象的人頭Haar特征，構成人頭訓練樣本的數(shù)據(jù)集合A= {^}，以及人體肢體與軀干的Haar特征,構成非人頭的標記集合Cri= {/；.}； (2)選擇分類器，對上述數(shù)據(jù)集合和標記集合G構成的樣本集合(A.，C)進行監(jiān)督學習，并調(diào)整分類器中參數(shù)，使分類效果達到最佳。
4.根據(jù)權利要求1所述的視頻行人檢測與跟蹤方法，其特征在于所述步驟4)人頭目標檢測的具體操作步驟如下:(1)按照步驟2)，采集前景運動對象的Haar特征，構成測試數(shù)據(jù)集合Jji=[AHi}； (2)根據(jù)步驟3)所確定的分類器及其參數(shù)，對測試數(shù)據(jù)集合進行分類判別，確定人頭目標。
5.根據(jù)權利要求1所述的視頻行人檢測與跟蹤方法，其特征在于所述步驟5)人頭目標跟蹤的具體操作步驟如下: (I)彩色空間轉換:由RGB彩色空間的紅/P、綠仏藍A三分量，確定HSV色彩空間的色調(diào)分量仏飽和度分量^以及亮度分量K:
6.根據(jù)權利要求1所述的視頻行人檢測與跟蹤方法，其特征在于所述步驟6)行人身份一致性確認的具體操作步驟如下: (1)動態(tài)跟蹤鏈設置:設場景中跟蹤人頭目標為/?，根據(jù)步驟5)所跟蹤的人頭目標，設置動態(tài)跟蹤鏈Ti (i=l,…，/?)； (2)動態(tài)跟蹤鏈之間的距離計算:根據(jù)步驟(1)，計算動態(tài)跟蹤鏈/；.之間的歐式距離t/"(i=l,...,/?, j=l,； (3)人頭目標是否遮擋判斷:根據(jù)步驟(2)，若動態(tài)跟蹤鏈之間的距離.小于根據(jù)步驟5)對當前幀所預測的人頭的一定閾值T2,則由動態(tài)跟蹤鏈所跟蹤的人頭目標發(fā)生遮擋，反之，人頭目標遮擋結束或不存在遮擋； (4)動態(tài)跟蹤鏈與檢測結果的關聯(lián)矩陣建立:根據(jù)步驟(1)的動態(tài)跟蹤鏈7；.(i=l，...，/?) 結果和根據(jù)步驟4)的人頭目標檢測結果/^.(/=1，...，《，《為檢測的人頭數(shù))，建立關聯(lián)矩陣#"=/?(/；.，&)，其中D為距離度量操作符； (5)關聯(lián)矩陣最小值計算:根據(jù)步驟(4)所確定的關聯(lián)矩陣#"，確定該矩陣的最小值Dm{i不等于j)； (6)關系矩陣構建:根據(jù)步驟(5)所確定的最小值見，獲取與動態(tài)跟蹤鏈是否關聯(lián)的關系矩陣 Rj:
【文檔編號】G06K9/00GK104036250SQ201410266099
【公開日】2014年9月10日 申請日期:2014年6月16日 優(yōu)先權日:2014年6月16日
【發(fā)明者】管業(yè)鵬, 許瑞岳, 李雨龍 申請人:上海大學