行人檢測與跟蹤方法及裝置的制造方法
【專利摘要】本發(fā)明涉及行人檢測與跟蹤方法及裝置，包括：采用SVM分類器對(duì)第一幀行人圖像進(jìn)行檢測，得到初始目標(biāo)矩形區(qū)域，并計(jì)算初始目標(biāo)矩形區(qū)域的方向梯度直方圖；計(jì)算初始目標(biāo)矩形區(qū)域的色調(diào)分量直方圖，并計(jì)算初始目標(biāo)矩形區(qū)域的顏色直方圖；對(duì)初始目標(biāo)矩形區(qū)域的方向梯度直方圖和顏色直方圖進(jìn)行加權(quán)處理，得到初始目標(biāo)矩形區(qū)域的綜合直方圖；從第二幀行人圖像開始，根據(jù)上一幀行人圖像對(duì)應(yīng)的上一目標(biāo)矩形區(qū)域的綜合直方圖，在當(dāng)前幀行人圖像中尋找當(dāng)前目標(biāo)矩形區(qū)域，以使當(dāng)前目標(biāo)矩形區(qū)域的綜合直方圖與上一目標(biāo)矩形區(qū)域的綜合直方圖的匹配度最高。根據(jù)本發(fā)明實(shí)施例的行人檢測與跟蹤方法及裝置能夠具有較好的實(shí)時(shí)性和準(zhǔn)確性。
【專利說明】
行人檢測與跟蹤方法及裝置
技術(shù)領(lǐng)域
[0001] 本發(fā)明設(shè)及圖像處理技術(shù)領(lǐng)域，尤其設(shè)及一種行人檢測與跟蹤方法及裝置。
【背景技術(shù)】
[0002] 行人檢測與跟蹤是指從視頻序列中檢測出行人的位置，并對(duì)運(yùn)動(dòng)的行人進(jìn)行連續(xù) 跟蹤，確定其運(yùn)動(dòng)軌跡的過程。行人檢測與跟蹤是智能車輛、計(jì)算機(jī)視覺和模式識(shí)別等領(lǐng)域 的前沿研究課題。
[0003] 現(xiàn)有的行人檢測方法主要分為:基于運(yùn)動(dòng)特性的行人檢測、基于多部位模板匹配 的行人檢測W及基于機(jī)器學(xué)習(xí)的行人檢測。行人檢測作為行人跟蹤的前提條件，其檢測精 度至關(guān)重要?，F(xiàn)有的行人跟蹤方法主要分為:基于模型的跟蹤、基于匹配區(qū)域的跟蹤、基于 主動(dòng)輪廓的跟蹤W及基于目標(biāo)特征的跟蹤。其中最常用的是基于目標(biāo)特征的連續(xù)自適應(yīng)的 均值漂移(CamsMft)算法。連續(xù)自適應(yīng)的均值漂移算法是一種非參數(shù)概率密度估計(jì)算法， 其核屯、是均值漂移算法，具有實(shí)時(shí)性好和算法框架化等優(yōu)點(diǎn)，但模型僅采用顏色特征，當(dāng)背 景較復(fù)雜或者存在許多與目標(biāo)顏色相似的干擾像素的情況下，容易導(dǎo)致跟蹤失敗。

【發(fā)明內(nèi)容】

[0004] 技術(shù)問題
[0005] 有鑒于此，本發(fā)明要解決的技術(shù)問題是，現(xiàn)有的行人檢測與跟蹤的精度較低，容易 跟蹤失敗。
[OOOW 解決方案
[0007]為了解決上述技術(shù)問題，根據(jù)本發(fā)明的一實(shí)施例，提供了一種行人檢測與跟蹤方 法，包括：
[000引采用SVM分類器對(duì)第一帖行人圖像進(jìn)行檢測，得到初始目標(biāo)矩形區(qū)域，并計(jì)算所述 初始目標(biāo)矩形區(qū)域的方向梯度直方圖；
[0009] 計(jì)算所述初始目標(biāo)矩形區(qū)域在HSV顏色空間的色調(diào)分量直方圖，并根據(jù)所述初始 目標(biāo)矩形區(qū)域的色調(diào)分量直方圖計(jì)算所述初始目標(biāo)矩形區(qū)域的顏色直方圖；
[0010] 對(duì)所述初始目標(biāo)矩形區(qū)域的方向梯度直方圖和顏色直方圖進(jìn)行加權(quán)處理，得到所 述初始目標(biāo)矩形區(qū)域的綜合直方圖；
[0011] 從第二帖行人圖像開始，根據(jù)上一帖行人圖像對(duì)應(yīng)的上一目標(biāo)矩形區(qū)域的綜合直 方圖，在當(dāng)前帖行人圖像中尋找當(dāng)前目標(biāo)矩形區(qū)域，W使所述當(dāng)前目標(biāo)矩形區(qū)域的綜合直 方圖與所述上一目標(biāo)矩形區(qū)域的綜合直方圖的匹配度最高。
[0012] 對(duì)于上述方法，在一種可能的實(shí)現(xiàn)方式中，根據(jù)所述初始目標(biāo)矩形區(qū)域的色調(diào)分 量直方圖計(jì)算所述初始目標(biāo)矩形區(qū)域的顏色直方圖，包括：
[OOU]將RGB顏色空間的3、6和8立個(gè)顏色子空間分別劃分為Q級(jí)，得到化=3Q個(gè)RGB顏色 空間的特征通道；
[0014]采用均值漂移算法，統(tǒng)計(jì)各個(gè)特征通道在所述初始目標(biāo)矩形區(qū)域中出現(xiàn)的概率W 得到所述初始目標(biāo)矩形區(qū)域的顏色直方圖。
[0015] 對(duì)于上述方法，在一種可能的實(shí)現(xiàn)方式中，采用均值漂移算法，統(tǒng)計(jì)各個(gè)特征通道 在所述初始目標(biāo)矩形區(qū)域中出現(xiàn)的概率W得到所述初始目標(biāo)矩形區(qū)域的顏色直方圖，具體 為：
[0016] 采用式1計(jì)算得到所述初始目標(biāo)矩形區(qū)域的顏色直方圖；
[0017]
式1
[0018] 其中，U為第U個(gè)特征通道，y為中屯、點(diǎn)的特征值，反心')為第U個(gè)特征通道在初始目 標(biāo)矩形區(qū)域中出現(xiàn)的概率，C為歸一化常數(shù)，i為第i個(gè)樣本點(diǎn)，n為樣本點(diǎn)的總數(shù)，k為在半徑 為h的高維球形區(qū)域中的樣本點(diǎn)的數(shù)量，Xi為第i個(gè)樣本點(diǎn)的特征值，h為高維球形區(qū)域的半 徑，bi(xi)為樣本點(diǎn)Xi所屬的顏色空間的特征通道，S[bi(xi)-u]為單位脈沖函數(shù)，N功顏色 空間的特征通道的總數(shù)。
[0019] 對(duì)于上述方法，在一種可能的實(shí)現(xiàn)方式中，計(jì)算所述初始目標(biāo)矩形區(qū)域的方向梯 度直方圖，包括：
[0020] 對(duì)所述初始目標(biāo)矩形區(qū)域進(jìn)行灰度化；
[0021] 對(duì)灰度化的目標(biāo)矩形區(qū)域進(jìn)行Gamma校正；
[0022] 計(jì)算校正后的目標(biāo)矩形區(qū)域中每個(gè)像素的梯度；
[0023] 將梯度劃分為P級(jí)，得到P個(gè)梯度特征通道，并采用均值漂移算法計(jì)算所述初始目 標(biāo)矩形區(qū)域的方向梯度直方圖。
[0024] 對(duì)于上述方法，在一種可能的實(shí)現(xiàn)方式中，采用均值漂移算法計(jì)算所述初始目標(biāo) 矩形區(qū)域的方向梯度直方圖，具體為：
[0025] 采用式2計(jì)算得到所述初始目標(biāo)矩形區(qū)域的方向梯度直方圖；
[00 一 戎2
[0027] 其中，U為第U個(gè)特征通道，y為中屯、點(diǎn)的特征值，化(、少)為第U個(gè)特征通道在初始目 標(biāo)矩形區(qū)域中出現(xiàn)的概率，C為歸一化常數(shù)，i為第i個(gè)樣本點(diǎn)，n為樣本點(diǎn)的總數(shù)，k為在半徑 為h的高維球形區(qū)域中的樣本點(diǎn)的數(shù)量，Xi為第i個(gè)樣本點(diǎn)的特征值，h為高維球形區(qū)域的半 徑，b2(Xi)為樣本點(diǎn)Xi所屬的梯度特征通道，S[b2(Xi)-U]為單位脈沖函數(shù)，Ni為顏色空間的 特征通道的總數(shù)，N2-化=P為梯度特征通道的總數(shù)，N2為特征通道的總數(shù)。
[0028] 對(duì)于上述方法，在一種可能的實(shí)現(xiàn)方式中，對(duì)所述初始目標(biāo)矩形區(qū)域的方向梯度 直方圖和顏色直方圖進(jìn)行加權(quán)處理，得到所述初始目標(biāo)矩形區(qū)域的綜合直方圖，包括：
[0029] 設(shè)置一單調(diào)遞減權(quán)值函數(shù)；
[0030] 根據(jù)所述單調(diào)遞減權(quán)值函數(shù)對(duì)所述初始目標(biāo)矩形區(qū)域的方向梯度直方圖和顏色 直方圖進(jìn)行加權(quán)處理，計(jì)算得到所述初始目標(biāo)矩形區(qū)域的綜合直方圖。
[0031] 對(duì)于上述方法，在一種可能的實(shí)現(xiàn)方式中，設(shè)置一單調(diào)遞減權(quán)值函數(shù)具體為：
[0032] 采用式3設(shè)置所述單調(diào)遞減權(quán)值函數(shù)；
[0033]
式3
[0034] 其中，U為第U個(gè)特征通道，化為顏色空間的特征通道的總數(shù)，化為特征通道的總數(shù)；
[0035] 根據(jù)所述單調(diào)遞減權(quán)值函數(shù)對(duì)所述初始目標(biāo)矩形區(qū)域的方向梯度直方圖和顏色 直方圖進(jìn)行加權(quán)處理，計(jì)算得到所述初始目標(biāo)矩形區(qū)域的綜合直方圖，具體為：
[0036] 采用式4對(duì)所述初始目標(biāo)矩形區(qū)域的方向梯度直方圖和顏色直方圖進(jìn)行加權(quán)處 理，計(jì)算得到所述初始目標(biāo)矩形區(qū)域的綜合直方圖；
[0037]
式4
[003引其中，y為中屯、點(diǎn)的特征值，反為第U個(gè)特征通道在初始目標(biāo)矩形區(qū)域中出現(xiàn) 的概率，C為歸一化常數(shù)，i為第i個(gè)樣本點(diǎn)，n為樣本點(diǎn)的總數(shù)，k為在半徑為h的高維球形區(qū) 域中的樣本點(diǎn)的數(shù)量，Xi為第i個(gè)樣本點(diǎn)的特征值，h為高維球形區(qū)域的半徑，bl(Xi)為樣本 點(diǎn)Xi所屬的顏色空間的特征通道，b2(xi)為樣本點(diǎn)Xi所屬的梯度特征通道，S[bi(xi)-u巧口 5 [b2(Xi)-U]為單位脈沖函數(shù)，化為顏色空間的特征通道的總數(shù)，化-化=P為梯度特征通道的 總數(shù)，化為特征通道的總數(shù)。
[0039] 對(duì)于上述方法，在一種可能的實(shí)現(xiàn)方式中，從第二帖行人圖像開始，根據(jù)上一帖行 人圖像對(duì)應(yīng)的上一目標(biāo)矩形區(qū)域的綜合直方圖，在當(dāng)前帖行人圖像中尋找當(dāng)前目標(biāo)矩形區(qū) 域，W使所述當(dāng)前目標(biāo)矩形區(qū)域的綜合直方圖與所述上一目標(biāo)矩形區(qū)域的綜合直方圖的匹 配度最高，包括：
[0040] 從所述第二帖圖像開始，采用連續(xù)自適應(yīng)的均值漂移算法，將所述上一目標(biāo)矩形 區(qū)域作為所述當(dāng)前目標(biāo)矩形區(qū)域的初始值；
[0041] 調(diào)整所述當(dāng)前目標(biāo)矩形區(qū)域的大小和位置，W使所述當(dāng)前目標(biāo)矩形區(qū)域的綜合直 方圖與所述上一目標(biāo)矩形區(qū)域的綜合直方圖的匹配度最高。
[0042] 為了解決上述技術(shù)問題，根據(jù)本發(fā)明的另一實(shí)施例，提供了一種行人檢測與跟蹤 裝置包括：
[0043] 方向梯度直方圖計(jì)算模塊，用于采用SVM分類器對(duì)第一帖行人圖像進(jìn)行檢測，得到 初始目標(biāo)矩形區(qū)域，并計(jì)算所述初始目標(biāo)矩形區(qū)域的方向梯度直方圖；
[0044] 顏色直方圖計(jì)算模塊，用于計(jì)算所述初始目標(biāo)矩形區(qū)域在HSV顏色空間的色調(diào)分 量直方圖，并根據(jù)所述初始目標(biāo)矩形區(qū)域的色調(diào)分量直方圖計(jì)算所述初始目標(biāo)矩形區(qū)域的 顏色直方圖；
[0045] 綜合直方圖計(jì)算模塊，用于對(duì)所述初始目標(biāo)矩形區(qū)域的方向梯度直方圖和顏色直 方圖進(jìn)行加權(quán)處理，得到所述初始目標(biāo)矩形區(qū)域的綜合直方圖；
[0046] 目標(biāo)矩形區(qū)域?qū)ふ夷K，用于從第二帖行人圖像開始，根據(jù)上一帖行人圖像對(duì)應(yīng) 的上一目標(biāo)矩形區(qū)域的綜合直方圖，在當(dāng)前帖行人圖像中尋找當(dāng)前目標(biāo)矩形區(qū)域，W使所 述當(dāng)前目標(biāo)矩形區(qū)域的綜合直方圖與所述上一目標(biāo)矩形區(qū)域的綜合直方圖的匹配度最高。
[0047]對(duì)于上述裝置，在一種可能的實(shí)現(xiàn)方式中，所述顏色直方圖計(jì)算模塊包括：
[004引顏色特征通道劃分子模塊，用于將RGB顏色空間的R、G和BS個(gè)顏色子空間分別劃 分為Q級(jí)，得到化=%個(gè)RGB顏色空間的特征通道；
[0049] 顏色直方圖計(jì)算子模塊，用于采用均值漂移算法，統(tǒng)計(jì)各個(gè)特征通道在所述初始 目標(biāo)矩形區(qū)域中出現(xiàn)的概率W得到所述初始目標(biāo)矩形區(qū)域的顏色直方圖。
[0050] 對(duì)于上述裝置，在一種可能的實(shí)現(xiàn)方式中，所述顏色直方圖計(jì)算子模塊具體用于：
[0051] 采用式1計(jì)算得到所述初始目標(biāo)矩形區(qū)域的顏色直方圖；
[0化21
乂 1
[0053] 其中，U為第U個(gè)特征通道，y為中屯、點(diǎn)的特征值，免心)為第U個(gè)特征通道在初始目 標(biāo)矩形區(qū)域中出現(xiàn)的概率，C為歸一化常數(shù)，i為第i個(gè)樣本點(diǎn)，n為樣本點(diǎn)的總數(shù)，k為在半徑 為h的高維球形區(qū)域中的樣本點(diǎn)的數(shù)量，Xi為第i個(gè)樣本點(diǎn)的特征值，h為高維球形區(qū)域的半 徑，bi(xi)為樣本點(diǎn)Xi所屬的顏色空間的特征通道，S[bi(xi)-u]為單位脈沖函數(shù)，N功顏色 空間的特征通道的總數(shù)。
[0054] 對(duì)于上述裝置，在一種可能的實(shí)現(xiàn)方式中，所述方向梯度直方圖計(jì)算模塊包括：
[0055] 灰度化子模塊，用于對(duì)所述初始目標(biāo)矩形區(qū)域進(jìn)行灰度化；
[0056] 校正子模塊，用于對(duì)灰度化的目標(biāo)矩形區(qū)域進(jìn)行Gamma校正；
[0057] 梯度計(jì)算子模塊，用于計(jì)算校正后的目標(biāo)矩形區(qū)域中每個(gè)像素的梯度；
[0058] 方向梯度直方圖計(jì)算子模塊，用于將梯度劃分為P級(jí)，得到P個(gè)梯度特征通道，并采 用均值漂移算法計(jì)算所述初始目標(biāo)矩形區(qū)域的方向梯度直方圖。
[0059] 對(duì)于上述裝置，在一種可能的實(shí)現(xiàn)方式中，所述方向梯度直方圖計(jì)算子模塊具體 用于：
[0060] 將梯度劃分為P級(jí)，得到P個(gè)梯度特征通道，并采用式2計(jì)算得到所述初始目標(biāo)矩形 區(qū)域的方向梯度直方圖；
[00" 1 式2
[0062] 其中，U為第U個(gè)特征通道，y為中屯、點(diǎn)的特征值，化為第U個(gè)特征通道在初始目 標(biāo)矩形區(qū)域中出現(xiàn)的概率，C為歸一化常數(shù)，i為第i個(gè)樣本點(diǎn)，n為樣本點(diǎn)的總數(shù)，k為在半徑 為h的高維球形區(qū)域中的樣本點(diǎn)的數(shù)量，Xi為第i個(gè)樣本點(diǎn)的特征值，h為高維球形區(qū)域的半 徑，b2(Xi)為樣本點(diǎn)Xi所屬的梯度特征通道，S[b2(Xi)-U]為單位脈沖函數(shù)，化為顏色空間的 特征通道的總數(shù)，Ns-Ni = P為梯度特征通道的總數(shù)，N2為特征通道的總數(shù)。
[0063] 對(duì)于上述裝置，在一種可能的實(shí)現(xiàn)方式中，所述綜合直方圖計(jì)算模塊包括：
[0064] 單調(diào)遞減權(quán)值函數(shù)設(shè)置子模塊，用于設(shè)置一單調(diào)遞減權(quán)值函數(shù)；
[0065] 綜合直方圖計(jì)算子模塊，用于根據(jù)所述單調(diào)遞減權(quán)值函數(shù)對(duì)所述初始目標(biāo)矩形區(qū) 域的方向梯度直方圖和顏色直方圖進(jìn)行加權(quán)處理，計(jì)算得到所述初始目標(biāo)矩形區(qū)域的綜合 直方圖。
[0066] 對(duì)于上述裝置，在一種可能的實(shí)現(xiàn)方式中，所述單調(diào)遞減權(quán)值函數(shù)設(shè)置子模塊具 體用于：
[0067] 采用式3設(shè)置所述單調(diào)遞減權(quán)值函數(shù)；
[006引
式3:
[0069] 其中，U為第U個(gè)特征通道，化為顏色空間的特征通道的總數(shù)，化為特征通道的總數(shù)；
[0070] 所述綜合直方圖計(jì)算子模塊具體用于：
[0071] 采用式4對(duì)所述初始目標(biāo)矩形區(qū)域的方向梯度直方圖和顏色直方圖進(jìn)行加權(quán)處 理，計(jì)算得到所述初始目標(biāo)矩形區(qū)域的綜合直方圖；
[00721
式4
[0073] 其中，y為中屯、點(diǎn)的特征值，反(_>，)為第U個(gè)特征通道在初始目標(biāo)矩形區(qū)域中出現(xiàn) 的概率，C為歸一化常數(shù)，i為第i個(gè)樣本點(diǎn)，n為樣本點(diǎn)的總數(shù)，k為在半徑為h的高維球形區(qū) 域中的樣本點(diǎn)的數(shù)量，Xi為第i個(gè)樣本點(diǎn)的特征值，h為高維球形區(qū)域的半徑，bl(Xi)為樣本 點(diǎn)Xi所屬的顏色空間的特征通道，b2(Xi)為樣本點(diǎn)Xi所屬的梯度特征通道，S[bi(xi)-u巧口 5 [b2(xi)-u]為單位脈沖函數(shù)，Ni為顏色空間的特征通道的總數(shù)，Ns-Ni = P為梯度特征通道的 總數(shù)，化為特征通道的總數(shù)。
[0074] 對(duì)于上述裝置，在一種可能的實(shí)現(xiàn)方式中，所述目標(biāo)矩形區(qū)域?qū)ふ夷K包括：
[0075] 初始值設(shè)置子模塊，用于從所述第二帖圖像開始，采用連續(xù)自適應(yīng)的均值漂移算 法，將所述上一目標(biāo)矩形區(qū)域作為所述當(dāng)前目標(biāo)矩形區(qū)域的初始值；
[0076] 目標(biāo)矩形區(qū)域調(diào)整子模塊，用于調(diào)整所述當(dāng)前目標(biāo)矩形區(qū)域的大小和位置，W使 所述當(dāng)前目標(biāo)矩形區(qū)域的綜合直方圖與所述上一目標(biāo)矩形區(qū)域的綜合直方圖的匹配度最 局。
[0077] 有益效果
[0078] 通過基于顏色和梯度雙重特征，顏色直方圖反映目標(biāo)的整體特征，方向梯度直方 圖反映目標(biāo)的局部特征，對(duì)方向梯度直方圖和顏色直方圖進(jìn)行加權(quán)處理得到綜合直方圖， 根據(jù)上一帖行人圖像對(duì)應(yīng)的上一目標(biāo)矩形區(qū)域的綜合直方圖，在當(dāng)前帖行人圖像中尋找當(dāng) 前目標(biāo)矩形區(qū)域，W使當(dāng)前目標(biāo)矩形區(qū)域的綜合直方圖與上一目標(biāo)矩形區(qū)域的綜合直方圖 的匹配度最高，根據(jù)本發(fā)明實(shí)施例的行人檢測與跟蹤方法及裝置能夠具有較好的實(shí)時(shí)性， 且能夠獲得更加精確的行人運(yùn)動(dòng)軌跡，適用于動(dòng)態(tài)攝像條件下的行人檢測與跟蹤。
[0079] 根據(jù)下面參考附圖對(duì)示例性實(shí)施例的詳細(xì)說明，本發(fā)明的其它特征及方面將變得 清楚。
【附圖說明】
[0080] 包含在說明書中并且構(gòu)成說明書的一部分的附圖與說明書一起示出了本發(fā)明的 示例性實(shí)施例、特征和方面，并且用于解釋本發(fā)明的原理。
[0081] 圖1示出根據(jù)本發(fā)明一實(shí)施例的行人檢測與跟蹤方法的實(shí)現(xiàn)流程圖；
[0082] 圖2示出根據(jù)本發(fā)明一實(shí)施例的行人檢測與跟蹤方法步驟S102中根據(jù)初始目標(biāo)矩 形區(qū)域的色調(diào)分量直方圖計(jì)算初始目標(biāo)矩形區(qū)域的顏色直方圖的具體實(shí)現(xiàn)流程圖；
[0083] 圖3示出根據(jù)本發(fā)明一實(shí)施例的行人檢測與跟蹤方法步驟SlOl中計(jì)算所述初始目 標(biāo)矩形區(qū)域的方向梯度直方圖的具體實(shí)現(xiàn)流程圖；
[0084] 圖4示出根據(jù)本發(fā)明一實(shí)施例的行人檢測與跟蹤方法步驟S103的具體實(shí)現(xiàn)流程 圖；
[0085] 圖5示出根據(jù)本發(fā)明一實(shí)施例的行人檢測與跟蹤方法步驟S104的具體實(shí)現(xiàn)流程 圖；
[0086] 圖6a至圖6f示出了根據(jù)本發(fā)明一實(shí)施例的行人檢測與跟蹤方法尋找當(dāng)前目標(biāo)矩 形區(qū)域的示意圖；
[0087] 圖7示出根據(jù)本發(fā)明另一實(shí)施例的行人檢測與跟蹤方法的示例流程圖；
[0088] 圖8示出根據(jù)本發(fā)明另一實(shí)施例的行人檢測與跟蹤方法的實(shí)現(xiàn)流程圖；
[0089] 圖9示出根據(jù)本發(fā)明另一實(shí)施例的行人檢測與跟蹤裝置的結(jié)構(gòu)框圖。
【具體實(shí)施方式】
[0090] W下將參考附圖詳細(xì)說明本發(fā)明的各種示例性實(shí)施例、特征和方面。附圖中相同 的附圖標(biāo)記表示功能相同或相似的元件。盡管在附圖中示出了實(shí)施例的各種方面，但是除 非特別指出，不必按比例繪制附圖。
[0091 ]在運(yùn)里專用的詞"示例性"意為"用作例子、實(shí)施例或說明性"。運(yùn)里作為"示例性" 所說明的任何實(shí)施例不必解釋為優(yōu)于或好于其它實(shí)施例。
[0092]另外，為了更好的說明本發(fā)明，在下文的【具體實(shí)施方式】中給出了眾多的具體細(xì)節(jié)。 本領(lǐng)域技術(shù)人員應(yīng)當(dāng)理解，沒有某些具體細(xì)節(jié)，本發(fā)明同樣可W實(shí)施。在一些實(shí)例中，對(duì)于 本領(lǐng)域技術(shù)人員熟知的方法、手段、元件和電路未作詳細(xì)描述，W便于凸顯本發(fā)明的主旨。 [OOW] 實(shí)施例1
[0094] 圖1示出根據(jù)本發(fā)明一實(shí)施例的行人檢測與跟蹤方法的實(shí)現(xiàn)流程圖。如圖1所示， 該方法主要包括：
[0095] 在步驟SlOl中，采用SVM分類器對(duì)第一帖行人圖像進(jìn)行檢測，得到初始目標(biāo)矩形區(qū) 域，并計(jì)算初始目標(biāo)矩形區(qū)域的方向梯度直方圖。
[0096] 需要說明的是，本發(fā)明實(shí)施例中的第一帖行人圖像指的是待處理的第一帖行人圖 像。
[0097] 在本發(fā)明實(shí)施例中，采用經(jīng)過訓(xùn)練的SVM(Suppod Vector Machine,支持向量機(jī)） 分類器對(duì)第一帖行人圖像進(jìn)行檢測，得到初始目標(biāo)矩形區(qū)域，并計(jì)算初始目標(biāo)矩形區(qū)域的 方向梯度直方圖化〇G，Histogram of Oriented Gradient)。
[009引在步驟S102中，計(jì)算初始目標(biāo)矩形區(qū)域在服V顏色空間的色調(diào)分量直方圖，并根據(jù) 初始目標(biāo)矩形區(qū)域的色調(diào)分量直方圖計(jì)算初始目標(biāo)矩形區(qū)域的顏色直方圖。
[0099] 其中，HSV顏色空間的S個(gè)參數(shù)分別是色調(diào)化ue)、飽和度（Saturation)和明度 (化Iue)。
[0100] 作為本發(fā)明實(shí)施例的一個(gè)示例，在獲得初始目標(biāo)矩形區(qū)域后，假設(shè)mi = max{r，g， b}，m2=min{r，g，b}，則采用式5確定色調(diào)分量h;
[0101]
式5
[01化」其中，r刃R( Red，紅）劇色于空間的劇色值，g刃G (Green，綠）顏色子空間的顏色值， b為B(Blue，藍(lán))顏色子空間的顏色值。
[0103] 在步驟S103中，對(duì)初始目標(biāo)矩形區(qū)域的方向梯度直方圖和顏色直方圖進(jìn)行加權(quán)處 理，得到初始目標(biāo)矩形區(qū)域的綜合直方圖。
[0104] 顏色直方圖反映的是目標(biāo)的整體特征，方向梯度直方圖反映的是目標(biāo)的局部特 征。在本發(fā)明實(shí)施例中，融合方向梯度直方圖特征和顏色直方圖特征來限定目標(biāo)，從而提高 目標(biāo)匹配的精度。
[0105] 在步驟S104中，從第二帖行人圖像開始，根據(jù)上一帖行人圖像對(duì)應(yīng)的上一目標(biāo)矩 形區(qū)域的綜合直方圖，在當(dāng)前帖行人圖像中尋找當(dāng)前目標(biāo)矩形區(qū)域，W使當(dāng)前目標(biāo)矩形區(qū) 域的綜合直方圖與上一目標(biāo)矩形區(qū)域的綜合直方圖的匹配度最高。
[0106] 其中，第二帖行人圖像指的是第一帖行人圖像的下一帖行人圖像。從第二帖圖像 開始，W綜合直方圖為匹配特征，在當(dāng)前帖行人圖像中尋找與上一帖行人圖像對(duì)應(yīng)的上一 目標(biāo)矩形區(qū)域最為匹配的當(dāng)前目標(biāo)矩形區(qū)域，從而實(shí)現(xiàn)自動(dòng)跟蹤。
[0107] 作為本發(fā)明實(shí)施例的一個(gè)示例，在步驟SlOl之前，該方法還包括:輸入視頻，從輸 入的視頻中提取第一帖行人圖像。該輸入的視頻可W由無人機(jī)拍攝獲取，在此不作限定。無 人機(jī)拍攝的視頻中每一帖行人圖像的大小可W為1920 X 1080(單位:像素），帖率可W為25 帖每秒，在此不作限定。
[0108] 作為本發(fā)明實(shí)施例的一個(gè)示例，在步驟S104之后，該方法還包括:在當(dāng)前帖行人圖 像中顯示當(dāng)前目標(biāo)矩形區(qū)域。
[0109] 圖2示出根據(jù)本發(fā)明一實(shí)施例的行人檢測與跟蹤方法步驟S102中根據(jù)初始目標(biāo)矩 形區(qū)域的色調(diào)分量直方圖計(jì)算初始目標(biāo)矩形區(qū)域的顏色直方圖的具體實(shí)現(xiàn)流程圖。如圖2 所示，根據(jù)初始目標(biāo)矩形區(qū)域的色調(diào)分量直方圖計(jì)算初始目標(biāo)矩形區(qū)域的顏色直方圖，包 括：
[0110] 在步驟S201中，將RGB顏色空間的R、G和BS個(gè)顏色子空間分別劃分為Q級(jí)，得到化 =%個(gè)RGB顏色空間的特征通道。
[0111] 作為本發(fā)明實(shí)施例的一個(gè)示例，將RGB顏色空間的R、G和BS個(gè)顏色子空間分別劃 分為Q級(jí)，即R、G和BS個(gè)顏色子空間分別具有Q個(gè)色調(diào)級(jí)別，其中，Q大于1。
[0112] 在步驟S202中，采用均值漂移算法，統(tǒng)計(jì)各個(gè)特征通道在初始目標(biāo)矩形區(qū)域中出 現(xiàn)的概率W得到初始目標(biāo)矩形區(qū)域的顏色直方圖。
[0113] 作為本發(fā)明實(shí)施例的一個(gè)示例，顏色直方圖和方向梯度直方圖的獲取均采用均值 漂移算法。在給定的d維空間xd中，有n個(gè)樣本點(diǎn)XI，則X點(diǎn)的均值漂移向量定義為：
[0114]
式6
[0115] 其中，h為高維球形區(qū)域的半徑，Sh為半徑為h的高維球形區(qū)域，k為在Sh區(qū)域中的樣 本點(diǎn)的數(shù)量。
[0116] 設(shè)y為中屯、點(diǎn)的特征值，將顏色方向或梯度方向分為多個(gè)通道，對(duì)每個(gè)樣本點(diǎn)進(jìn)行 加權(quán)，距離中屯、點(diǎn)越近，權(quán)值越大，則第U個(gè)特征通道在目標(biāo)矩形區(qū)域中的概率為：
[01171
式7
[0118] 其中，U為第U個(gè)特征通道；y為中屯、點(diǎn)的特征值；C為歸一化常數(shù)，其值為 -I ~|-] X足(P,. Il2) ;i為第i個(gè)樣本點(diǎn)，n為樣本點(diǎn)的總數(shù);Xi為第i個(gè)樣本點(diǎn)的特征值;bUO為 樣本點(diǎn)Xi所屬的特征通道;S為delta函數(shù);若Xi屬于第U個(gè)特征通道，則S[b(xi)-u]的值為1; 若Xi不屬于第U個(gè)特征通道，則S[b(xi)-u]的值為0。
[0119] 在一種可能的實(shí)現(xiàn)方式中，采用均值漂移(Meanshift)算法，統(tǒng)計(jì)各個(gè)特征通道在 初始目標(biāo)矩形區(qū)域中出現(xiàn)的概率W得到初始目標(biāo)矩形區(qū)域的顏色直方圖，具體為：
[0120] 采用式1計(jì)算得到初始目標(biāo)矩形區(qū)域的顏色直方圖；
[01 式1
[0122] 其中，U為第U個(gè)特征通道，y為中屯、點(diǎn)的特征值，氣心)為第U個(gè)特征通道在初始目 標(biāo)矩形區(qū)域中出現(xiàn)的概率，C為歸一化常數(shù)，i為第i個(gè)樣本點(diǎn)，n為樣本點(diǎn)的總數(shù)，k為在半徑 為h的高維球形區(qū)域中的樣本點(diǎn)的數(shù)量，Xi為第i個(gè)樣本點(diǎn)的特征值，h為高維球形區(qū)域的半 徑，bi(xi)為樣本點(diǎn)Xi所屬的顏色空間的特征通道，S[bi(xi)-u]為單位脈沖函數(shù)，Ni為顏色 空間的特征通道的總數(shù)。
[0123] 圖3示出根據(jù)本發(fā)明一實(shí)施例的行人檢測與跟蹤方法步驟SlOl中計(jì)算所述初始目 標(biāo)矩形區(qū)域的方向梯度直方圖的具體實(shí)現(xiàn)流程圖。如圖3所示，計(jì)算初始目標(biāo)矩形區(qū)域的方 向梯度直方圖，包括：
[0124] 在步驟S301中，對(duì)初始目標(biāo)矩形區(qū)域進(jìn)行灰度化。
[0125] 其中，對(duì)初始目標(biāo)矩形區(qū)域進(jìn)行灰度化指的是將初始目標(biāo)矩形區(qū)域的每一個(gè)像素 的顏色值都用灰度值來表示。
[01%] 在步驟S302中，對(duì)灰度化的目標(biāo)矩形區(qū)域進(jìn)行Gamma校正。
[0127] 對(duì)灰度化的目標(biāo)矩形區(qū)域進(jìn)行Gamma(伽瑪)校正，W進(jìn)行顏色空間的標(biāo)準(zhǔn)化處理。
[0128] 在步驟S303中，計(jì)算校正后的目標(biāo)矩形區(qū)域中每個(gè)像素的梯度。
[0129] 其中，每個(gè)像素的梯度均為向量。
[0130] 在步驟S304中，將梯度劃分為P級(jí)，得到P個(gè)梯度特征通道，并采用均值漂移算法計(jì) 算初始目標(biāo)矩形區(qū)域的方向梯度直方圖。
[0131] 在一種可能的實(shí)現(xiàn)方式中，采用均值漂移算法計(jì)算初始目標(biāo)矩形區(qū)域的方向梯度 直方圖，具體為：
[0132] 采用式2計(jì)算得到初始目標(biāo)矩形區(qū)域的方向梯度直方圖；
[0133]
戎2
[0134] 其中，U為第U個(gè)特征通道，y為中心點(diǎn)的特征值，抗為第U個(gè)特征通道在初始目 標(biāo)矩形區(qū)域中出現(xiàn)的概率，C為歸一化常數(shù)，i為第i個(gè)樣本點(diǎn)，n為樣本點(diǎn)的總數(shù)，k為在半徑 為h的高維球形區(qū)域中的樣本點(diǎn)的數(shù)量，Xi為第i個(gè)樣本點(diǎn)的特征值，h為高維球形區(qū)域的半 徑，b2(Xi)為樣本點(diǎn)Xi所屬的梯度特征通道，S[b2(Xi)-U]為單位脈沖函數(shù)，化為顏色空間的 特征通道的總數(shù)，Ns-Ni = P為梯度特征通道的總數(shù)，N2為特征通道的總數(shù)。
[0135] 圖4示出根據(jù)本發(fā)明一實(shí)施例的行人檢測與跟蹤方法步驟S103的具體實(shí)現(xiàn)流程 圖。如圖4所示，對(duì)初始目標(biāo)矩形區(qū)域的方向梯度直方圖和顏色直方圖進(jìn)行加權(quán)處理，得到 初始目標(biāo)矩形區(qū)域的綜合直方圖，包括：
[0136] 在步驟S401中，設(shè)置一單調(diào)遞減權(quán)值函數(shù)。
[0137] 在運(yùn)里，設(shè)置一單調(diào)遞減權(quán)值函數(shù)，使樣本點(diǎn)距離中屯、點(diǎn)越近，權(quán)值越大。
[0138] 在步驟S402中，根據(jù)單調(diào)遞減權(quán)值函數(shù)對(duì)初始目標(biāo)矩形區(qū)域的方向梯度直方圖和 顏色直方圖進(jìn)行加權(quán)處理，計(jì)算得到初始目標(biāo)矩形區(qū)域的綜合直方圖。
[0139] 在一種可能的實(shí)現(xiàn)方式中，設(shè)置一單調(diào)遞減權(quán)值函數(shù)具體為：
[0140] 采用式3設(shè)置單調(diào)遞減權(quán)值函數(shù)；
[0141]
式3
[0142] 其中，U為第U個(gè)特征通道，化為顏色空間的特征通道的總數(shù)，化為特征通道的總數(shù)；
[0143] 根據(jù)單調(diào)遞減權(quán)值函數(shù)對(duì)初始目標(biāo)矩形區(qū)域的方向梯度直方圖和顏色直方圖進(jìn) 行加權(quán)處理，計(jì)算得到初始目標(biāo)矩形區(qū)域的綜合直方圖，具體為：
[0144] 采用式4對(duì)初始目標(biāo)矩形區(qū)域的方向梯度直方圖和顏色直方圖進(jìn)行加權(quán)處理，計(jì) 算得到初始目標(biāo)矩形區(qū)域的綜合直方圖；
[0145]
式4
[0146] 其中，y為中屯、點(diǎn)的特征值，反心)為第U個(gè)特征通道在初始目標(biāo)矩形區(qū)域中出現(xiàn) 的概率，C為歸一化常數(shù)，i為第i個(gè)樣本點(diǎn)，n為樣本點(diǎn)的總數(shù)，k為在半徑為h的高維球形區(qū) 域中的樣本點(diǎn)的數(shù)量，X功第i個(gè)樣本點(diǎn)的特征值，h為高維球形區(qū)域的半徑，bl(Xi)為樣本 點(diǎn)Xi所屬的顏色空間的特征通道，b2(xi)為樣本點(diǎn)Xi所屬的梯度特征通道，S[bi(xi)-u巧口 5 [b2(Xi)-U]為單位脈沖函數(shù)，化為顏色空間的特征通道的總數(shù)，化-化=P為梯度特征通道的 總數(shù)，化為特征通道的總數(shù)。
[0147] 圖5示出根據(jù)本發(fā)明一實(shí)施例的行人檢測與跟蹤方法步驟S104的具體實(shí)現(xiàn)流程 圖。如圖5所示，從第二帖行人圖像開始，根據(jù)上一帖行人圖像對(duì)應(yīng)的上一目標(biāo)矩形區(qū)域的 綜合直方圖，在當(dāng)前帖行人圖像中尋找當(dāng)前目標(biāo)矩形區(qū)域，W使當(dāng)前目標(biāo)矩形區(qū)域的綜合 直方圖與上一目標(biāo)矩形區(qū)域的綜合直方圖的匹配度最高，包括：
[0148] 在步驟S501中，從第二帖圖像開始，采用連續(xù)自適應(yīng)的均值漂移算法，將上一目標(biāo) 矩形區(qū)域作為當(dāng)前目標(biāo)矩形區(qū)域的初始值。
[0149] 其中，將上一目標(biāo)矩形區(qū)域作為當(dāng)前目標(biāo)矩形區(qū)域的初始值具體可W為:將上一 目標(biāo)矩形區(qū)域的幾何中屯、作為當(dāng)前目標(biāo)矩形區(qū)域的幾何中屯、的初始值，根據(jù)上一目標(biāo)矩形 區(qū)域的長寬確定當(dāng)前目標(biāo)矩形區(qū)域的長寬，計(jì)算候選的當(dāng)前目標(biāo)矩形區(qū)域加權(quán)處理的顏色 直方圖和方向梯度直方圖。例如，根據(jù)上一目標(biāo)矩形區(qū)域的長寬確定當(dāng)前目標(biāo)矩形區(qū)域的 長寬可W為:假設(shè)上一目標(biāo)矩形區(qū)域的長度為^，寬度為L2,將當(dāng)前目標(biāo)矩形區(qū)域的長度確 定為0.化1至1. ILi，將當(dāng)前目標(biāo)矩形區(qū)域的寬度確定為0.化2至1.化2。
[0150] 在步驟S502中，調(diào)整當(dāng)前目標(biāo)矩形區(qū)域的大小和位置，W使當(dāng)前目標(biāo)矩形區(qū)域的 綜合直方圖與上一目標(biāo)矩形區(qū)域的綜合直方圖的匹配度最高。
[0151] 其中，調(diào)整當(dāng)前目標(biāo)矩形區(qū)域的大小和位置具體可W為:根據(jù)均值漂移算法計(jì)算 下一個(gè)可能的當(dāng)前目標(biāo)矩形區(qū)域的位置，調(diào)整當(dāng)前目標(biāo)矩形區(qū)域的幾何中屯、位置，并調(diào)整 當(dāng)前目標(biāo)矩形區(qū)域的大小。
[0152] 其中，使當(dāng)前目標(biāo)矩形區(qū)域的綜合直方圖與上一目標(biāo)矩形區(qū)域的綜合直方圖的匹 配度最高可W為:計(jì)算當(dāng)前目標(biāo)矩形區(qū)域的綜合直方圖與上一目標(biāo)矩形區(qū)域的綜合直方圖 之間的己氏系數(shù)(Bhattacha巧ya Coefficient)，若計(jì)算得到的己氏系數(shù)小于預(yù)設(shè)值，則調(diào) 整當(dāng)前目標(biāo)矩形區(qū)域的大小和位置;若計(jì)算得到的己氏系數(shù)大于或等于預(yù)設(shè)值，則判定當(dāng) 前目標(biāo)矩形區(qū)域的綜合直方圖與上一目標(biāo)矩形區(qū)域的綜合直方圖的匹配度最高。
[0153] 圖6a至圖6f示出了根據(jù)本發(fā)明一實(shí)施例的行人檢測與跟蹤方法尋找當(dāng)前目標(biāo)矩 形區(qū)域的示意圖。在圖6c至圖6f中，在跟蹤運(yùn)動(dòng)目標(biāo)時(shí)，增大目標(biāo)矩形區(qū)域的面積，W提高 跟蹤準(zhǔn)確度。
[0154] 運(yùn)樣，通過基于顏色和梯度雙重特征，顏色直方圖反映目標(biāo)的整體特征，方向梯度 直方圖反映目標(biāo)的局部特征，對(duì)方向梯度直方圖和顏色直方圖進(jìn)行加權(quán)處理得到綜合直方 圖，根據(jù)上一帖行人圖像對(duì)應(yīng)的上一目標(biāo)矩形區(qū)域的綜合直方圖，在當(dāng)前帖行人圖像中尋 找當(dāng)前目標(biāo)矩形區(qū)域，W使當(dāng)前目標(biāo)矩形區(qū)域的綜合直方圖與上一目標(biāo)矩形區(qū)域的綜合直 方圖的匹配度最高，根據(jù)本發(fā)明實(shí)施例的行人檢測與跟蹤方法能夠具有較好的實(shí)時(shí)性，且 能夠獲得更加精確的行人運(yùn)動(dòng)軌跡，適用于動(dòng)態(tài)攝像條件下的行人檢測與跟蹤。
[01巧]實(shí)施例2
[0156] 圖7示出根據(jù)本發(fā)明另一實(shí)施例的行人檢測與跟蹤方法的示例流程圖。在本發(fā)明 實(shí)施例中，W梯度特征通道的總數(shù)P為16、顏色空間的特征通道的總數(shù)化為48為例進(jìn)行說 明，上述數(shù)值僅是示例，本發(fā)明實(shí)施例并不具體限制上述數(shù)值的選取范圍。如圖7所示，該方 法主要包括：
[0157] 在步驟S701中，采用SVM分類器對(duì)第一帖行人圖像進(jìn)行檢測，得到初始目標(biāo)矩形區(qū) 域。
[0158] 在步驟S702中，計(jì)算初始目標(biāo)矩形區(qū)域在服V顏色空間的色調(diào)分量直方圖。
[0159] 在步驟S703中，將RGB顏色空間的R、G和BS個(gè)顏色子空間分別劃分為16級(jí)，得到48 個(gè)RGB顏色空間的特征通道。
[0160] 在步驟S704中，采用式1-1計(jì)算得到初始目標(biāo)矩形區(qū)域的顏色直方圖；
W么" 式1-1
[0162] 其中，將化等于48代入式1可W得到式1-1。
[0163] 在步驟S705中，對(duì)初始目標(biāo)矩形區(qū)域進(jìn)行灰度化。
[0164] 在步驟S706中，對(duì)灰度化的目標(biāo)矩形區(qū)域進(jìn)行Gamma校正。
[0165] 在步驟S707中，計(jì)算校正后的目標(biāo)矩形區(qū)域中每個(gè)像素的梯度。
[0166] 在步驟S708中，將梯度劃分為16級(jí)，得到16個(gè)梯度特征通道，并采用式2-1計(jì)算得 到初始目標(biāo)矩形區(qū)域的方向梯度直方圖；
[0167]式 2-1
[016引在本發(fā)明實(shí)施例中，將梯度
劃分為16級(jí)，每級(jí)22.5°，梯度特征通道的總數(shù)為16;化 等于64,即特征通道的總數(shù)為64。將化、化的數(shù)值代入上述實(shí)施例的式2可W得到式2-1。
[0169] 將化、化的數(shù)值代入上述實(shí)施例的式3可W得到式3-1，在步驟S709中，采用式3-1設(shè) 置單調(diào)遞減權(quán)值函數(shù)；
[0170]
乂 3-I
[0171] 將化、化的數(shù)值代入上述實(shí)施例的式4可W得到式4-1，在步驟S710中，采用式4-1對(duì) 初始目標(biāo)矩形區(qū)域的方向梯度直方圖和顏色直方圖進(jìn)行加權(quán)處理，計(jì)算得到初始目標(biāo)矩形 區(qū)域的綜合直方圖；
[0172]
式 4-1
[0173] 在步驟S711中，從第二帖圖像開始，采用連續(xù)自適應(yīng)的均值漂移算法，將上一目標(biāo) 矩形區(qū)域作為當(dāng)前目標(biāo)矩形區(qū)域的初始值。
[0174] 在步驟S712中，調(diào)整當(dāng)前目標(biāo)矩形區(qū)域的大小和位置，W使當(dāng)前目標(biāo)矩形區(qū)域的 綜合直方圖與上一目標(biāo)矩形區(qū)域的綜合直方圖的匹配度最高。
[0175] 運(yùn)樣，通過基于顏色和梯度雙重特征，顏色直方圖反映目標(biāo)的整體特征，方向梯度 直方圖反映目標(biāo)的局部特征，對(duì)方向梯度直方圖和顏色直方圖進(jìn)行加權(quán)處理得到綜合直方 圖，根據(jù)上一帖行人圖像對(duì)應(yīng)的上一目標(biāo)矩形區(qū)域的綜合直方圖，在當(dāng)前帖行人圖像中尋 找當(dāng)前目標(biāo)矩形區(qū)域，W使當(dāng)前目標(biāo)矩形區(qū)域的綜合直方圖與上一目標(biāo)矩形區(qū)域的綜合直 方圖的匹配度最高，根據(jù)本發(fā)明實(shí)施例的行人檢測與跟蹤方法能夠具有較好的實(shí)時(shí)性，且 能夠獲得更加精確的行人運(yùn)動(dòng)軌跡，適用于動(dòng)態(tài)攝像條件下的行人檢測與跟蹤。
[017W 實(shí)施例3
[0177] 圖8示出根據(jù)本發(fā)明另一實(shí)施例的行人檢測與跟蹤方法的實(shí)現(xiàn)流程圖。如圖8所 示，該方法主要包括：
[0178] 在步驟S801中，根據(jù)行人樣本的方向梯度直方圖和非行人樣本的方向梯度直方圖 訓(xùn)練得到初始分類器。
[0179] 在本發(fā)明實(shí)施例中，提取行人樣本和非行人樣本的方向梯度直方圖特征，投入到 SVM中訓(xùn)練，得到初始分類器。
[0180] 在步驟S801之前，該方法還可W包括:選定行人樣本和非行人樣本。例如，可W采 ^INRIA(Institut National de Recherche en Informatique et en Automatique(法 語），the French Institute for Research in Computer Science and Automation，法國 國家信息與自動(dòng)化研究所)行人數(shù)據(jù)集，假設(shè)行人樣本的數(shù)量為2451。非行人樣本取自非行 人樣本原圖，數(shù)量為13400。
[0181] 在步驟S802中，采用初始分類器檢測非行人樣本，獲得難例，并提取難例的方向梯 度直方圖。
[0182] 采用初始分類器檢測前面用來訓(xùn)練的非行人樣本，獲得難例化ard Example)。難 例指的是由初始分類器判定為行人，而實(shí)際并非行人的樣本。例如，從13400個(gè)非行人樣本 中檢測出4716個(gè)難例。
[0183] 在步驟S803中，根據(jù)難例、行人樣本和非行人樣本的方向梯度直方圖訓(xùn)練初始分 類器，得到SVM分類器。
[0184] 在步驟S804中，采用SVM分類器對(duì)第一帖行人圖像進(jìn)行檢測，得到初始目標(biāo)矩形區(qū) 域，并計(jì)算初始目標(biāo)矩形區(qū)域的方向梯度直方圖。
[0185] 在步驟S805中，計(jì)算初始目標(biāo)矩形區(qū)域在服V顏色空間的色調(diào)分量直方圖，并根據(jù) 初始目標(biāo)矩形區(qū)域的色調(diào)分量直方圖計(jì)算初始目標(biāo)矩形區(qū)域的顏色直方圖。
[0186] 在步驟S806中，對(duì)初始目標(biāo)矩形區(qū)域的方向梯度直方圖和顏色直方圖進(jìn)行加權(quán)處 理，得到初始目標(biāo)矩形區(qū)域的綜合直方圖。
[0187] 在步驟S807中，從第二帖行人圖像開始，根據(jù)上一帖行人圖像對(duì)應(yīng)的上一目標(biāo)矩 形區(qū)域的綜合直方圖，在當(dāng)前帖行人圖像中尋找當(dāng)前目標(biāo)矩形區(qū)域，W使當(dāng)前目標(biāo)矩形區(qū) 域的綜合直方圖與上一目標(biāo)矩形區(qū)域的綜合直方圖的匹配度最高。
[0188] 運(yùn)樣，通過采用方向梯度直方圖特征結(jié)合SVM方法訓(xùn)練和檢測行人，獲取行人初始 位置，作為連續(xù)自適應(yīng)的均值漂移算法的初始化參數(shù)，提高了行人跟蹤的精度。
[01例實(shí)施例4
[0190] 圖9示出根據(jù)本發(fā)明另一實(shí)施例的行人檢測與跟蹤裝置的結(jié)構(gòu)框圖。如圖9所示， 該裝置主要包括：
[0191] 方向梯度直方圖計(jì)算模塊91，用于采用SVM分類器對(duì)第一帖行人圖像進(jìn)行檢測，得 到初始目標(biāo)矩形區(qū)域，并計(jì)算初始目標(biāo)矩形區(qū)域的方向梯度直方圖；
[0192] 顏色直方圖計(jì)算模塊92,用于計(jì)算初始目標(biāo)矩形區(qū)域在HSV顏色空間的色調(diào)分量 直方圖，并根據(jù)初始目標(biāo)矩形區(qū)域的色調(diào)分量直方圖計(jì)算初始目標(biāo)矩形區(qū)域的顏色直方 圖；
[0193] 綜合直方圖計(jì)算模塊93,用于對(duì)初始目標(biāo)矩形區(qū)域的方向梯度直方圖和顏色直方 圖進(jìn)行加權(quán)處理，得到初始目標(biāo)矩形區(qū)域的綜合直方圖；
[0194] 目標(biāo)矩形區(qū)域?qū)ふ夷K94,用于從第二帖行人圖像開始，根據(jù)上一帖行人圖像對(duì) 應(yīng)的上一目標(biāo)矩形區(qū)域的綜合直方圖，在當(dāng)前帖行人圖像中尋找當(dāng)前目標(biāo)矩形區(qū)域，W使 當(dāng)前目標(biāo)矩形區(qū)域的綜合直方圖與上一目標(biāo)矩形區(qū)域的綜合直方圖的匹配度最高。
[01M]對(duì)于上述裝置，在一種可能的實(shí)現(xiàn)方式中，顏色直方圖計(jì)算模塊92包括：
[0196] 顏色特征通道劃分子模塊921，用于將RGB顏色空間的R、G和BS個(gè)顏色子空間分別 劃分為Q級(jí)，得到化=%個(gè)RGB顏色空間的特征通道；
[0197] 顏色直方圖計(jì)算子模塊922,用于采用均值漂移算法，統(tǒng)計(jì)各個(gè)特征通道在初始目 標(biāo)矩形區(qū)域中出現(xiàn)的概率W得到初始目標(biāo)矩形區(qū)域的顏色直方圖。
[0198] 對(duì)于上述裝置，在一種可能的實(shí)現(xiàn)方式中，顏色直方圖計(jì)算子模塊922具體用于：
[0199] 采用式1計(jì)算得到初始目標(biāo)矩形區(qū)域的顏色直方圖；
[09m1 試1
[0201] 其中，U為第U個(gè)特征通道，y為中屯、點(diǎn)的特征值，化為第U個(gè)特征通道在初始目 標(biāo)矩形區(qū)域中出現(xiàn)的概率，C為歸一化常數(shù)，i為第i個(gè)樣本點(diǎn)，n為樣本點(diǎn)的總數(shù)，k為在半徑 為h的高維球形區(qū)域中的樣本點(diǎn)的數(shù)量，Xi為第i個(gè)樣本點(diǎn)的特征值，h為高維球形區(qū)域的半 徑，bi(xi)為樣本點(diǎn)Xi所屬的顏色空間的特征通道，S[bi(xi)-u]為單位脈沖函數(shù)，N功顏色 空間的特征通道的總數(shù)。
[0202] 對(duì)于上述裝置，在一種可能的實(shí)現(xiàn)方式中，方向梯度直方圖計(jì)算模塊91包括：
[0203] 灰度化子模塊911，用于對(duì)初始目標(biāo)矩形區(qū)域進(jìn)行灰度化；
[0204] 校正子模塊912,用于對(duì)灰度化的目標(biāo)矩形區(qū)域進(jìn)行Gamma校正；
[0205] 梯度計(jì)算子模塊913,用于計(jì)算校正后的目標(biāo)矩形區(qū)域中每個(gè)像素的梯度；
[0206] 方向梯度直方圖計(jì)算子模塊914,用于將梯度劃分為P級(jí)，得到P個(gè)梯度特征通道， 并采用均值漂移算法計(jì)算初始目標(biāo)矩形區(qū)域的方向梯度直方圖。
[0207] 對(duì)于上述裝置，在一種可能的實(shí)現(xiàn)方式中，方向梯度直方圖計(jì)算子模塊914具體用 于：
[0208] 將梯度劃分為P級(jí)，得到P個(gè)梯度特征通道，并采用式2計(jì)算得到初始目標(biāo)矩形區(qū)域 的方向梯度直方圖；
[02091 式2
[021 U」共T，UW呆irr符化化淚，y;/、」T心、巧的符化m，化、/)為第U個(gè)特征通道在初始目 標(biāo)矩形區(qū)域中出現(xiàn)的概率，C為歸一化常數(shù)，i為第i個(gè)樣本點(diǎn)，n為樣本點(diǎn)的總數(shù)，k為在半徑 為h的高維球形區(qū)域中的樣本點(diǎn)的數(shù)量，Xi為第i個(gè)樣本點(diǎn)的特征值，h為高維球形區(qū)域的半 徑，b2(Xi)為樣本點(diǎn)Xi所屬的梯度特征通道，S[b2(Xi)-u]為單位脈沖函數(shù)，Ni為顏色空間的 特征通道的總數(shù)，N2-化=P為梯度特征通道的總數(shù)，N2為特征通道的總數(shù)。
[0211] 對(duì)于上述裝置，在一種可能的實(shí)現(xiàn)方式中，綜合直方圖計(jì)算模塊93包括：
[0212] 單調(diào)遞減權(quán)值函數(shù)設(shè)置子模塊931，用于設(shè)置一單調(diào)遞減權(quán)值函數(shù)；
[0213] 綜合直方圖計(jì)算子模塊932,用于根據(jù)單調(diào)遞減權(quán)值函數(shù)對(duì)初始目標(biāo)矩形區(qū)域的 方向梯度直方圖和顏色直方圖進(jìn)行加權(quán)處理，計(jì)算得到初始目標(biāo)矩形區(qū)域的綜合直方圖。
[0214] 對(duì)于上述裝置，在一種可能的實(shí)現(xiàn)方式中，單調(diào)遞減權(quán)值函數(shù)設(shè)置子模塊931具體 用于：
[0215] 采用式3設(shè)置單調(diào)遞減權(quán)值函數(shù)；
[0216]
式3
[0217] 其中，U為第U個(gè)特征通道，化為顏色空間的特征通道的總數(shù)，化為特征通道的總數(shù)；
[0218] 綜合直方圖計(jì)算子模塊932具體用于：
[0219] 采用式4對(duì)初始目標(biāo)矩形區(qū)域的方向梯度直方圖和顏色直方圖進(jìn)行加權(quán)處理，計(jì) 算得到初始目標(biāo)矩形區(qū)域的綜合直方圖；
戎4
[0221]其中，y為中屯、點(diǎn)的特征值，為第U個(gè)特征通道在初始目標(biāo)矩形區(qū)域中出現(xiàn) 的概率，C為歸一化常數(shù)，i為第i個(gè)樣本點(diǎn)，n為樣本點(diǎn)的總數(shù)，k為在半徑為h的高維球形區(qū) 域中的樣本點(diǎn)的數(shù)量，Xi為第i個(gè)樣本點(diǎn)的特征值，h為高維球形區(qū)域的半徑，bl(Xi)為樣本 點(diǎn)Xi所屬的顏色空間的特征通道，b2(Xi)為樣本點(diǎn)Xi所屬的梯度特征通道，S[bi(xi)-u巧口 5
[b2(Xi)-u]為單位脈沖函數(shù)，Ni為顏色空間的特征通道的總數(shù)，化-Ni = P為梯度特征通道的 總數(shù)，化為特征通道的總數(shù)。
[0222] 對(duì)于上述裝置，在一種可能的實(shí)現(xiàn)方式中，目標(biāo)矩形區(qū)域?qū)ふ夷K94包括：
[0223] 初始值設(shè)置子模塊941，用于從第二帖圖像開始，采用連續(xù)自適應(yīng)的均值漂移算 法，將上一目標(biāo)矩形區(qū)域作為當(dāng)前目標(biāo)矩形區(qū)域的初始值；
[0224] 目標(biāo)矩形區(qū)域調(diào)整子模塊942，用于調(diào)整當(dāng)前目標(biāo)矩形區(qū)域的大小和位置，W使當(dāng) 前目標(biāo)矩形區(qū)域的綜合直方圖與上一目標(biāo)矩形區(qū)域的綜合直方圖的匹配度最高。
[0225] 通過基于顏色和梯度雙重特征，顏色直方圖反映目標(biāo)的整體特征，方向梯度直方 圖反映目標(biāo)的局部特征，對(duì)方向梯度直方圖和顏色直方圖進(jìn)行加權(quán)處理得到綜合直方圖， 根據(jù)上一帖行人圖像對(duì)應(yīng)的上一目標(biāo)矩形區(qū)域的綜合直方圖，在當(dāng)前帖行人圖像中尋找當(dāng) 前目標(biāo)矩形區(qū)域，W使當(dāng)前目標(biāo)矩形區(qū)域的綜合直方圖與上一目標(biāo)矩形區(qū)域的綜合直方圖 的匹配度最高，根據(jù)本發(fā)明實(shí)施例的行人檢測與跟蹤裝置能夠具有較好的實(shí)時(shí)性，且能夠 獲得更加精確的行人運(yùn)動(dòng)軌跡，適用于動(dòng)態(tài)攝像條件下的行人檢測與跟蹤。
[0226] W上所述，僅為本發(fā)明的【具體實(shí)施方式】，但本發(fā)明的保護(hù)范圍并不局限于此，任何 熟悉本技術(shù)領(lǐng)域的技術(shù)人員在本發(fā)明掲露的技術(shù)范圍內(nèi)，可輕易想到變化或替換，都應(yīng)涵 蓋在本發(fā)明的保護(hù)范圍之內(nèi)。因此，本發(fā)明的保護(hù)范圍應(yīng)W所述權(quán)利要求的保護(hù)范圍為準(zhǔn)。
【主權(quán)項(xiàng)】
1. 一種行人檢測與跟蹤方法，其特征在于，包括： 采用SVM分類器對(duì)第一幀行人圖像進(jìn)行檢測，得到初始目標(biāo)矩形區(qū)域，并計(jì)算所述初始 目標(biāo)矩形區(qū)域的方向梯度直方圖； 計(jì)算所述初始目標(biāo)矩形區(qū)域在HSV顏色空間的色調(diào)分量直方圖，并根據(jù)所述初始目標(biāo) 矩形區(qū)域的色調(diào)分量直方圖計(jì)算所述初始目標(biāo)矩形區(qū)域的顏色直方圖； 對(duì)所述初始目標(biāo)矩形區(qū)域的方向梯度直方圖和顏色直方圖進(jìn)行加權(quán)處理，得到所述初 始目標(biāo)矩形區(qū)域的綜合直方圖； 從第二幀行人圖像開始，根據(jù)上一幀行人圖像對(duì)應(yīng)的上一目標(biāo)矩形區(qū)域的綜合直方 圖，在當(dāng)前幀行人圖像中尋找當(dāng)前目標(biāo)矩形區(qū)域，以使所述當(dāng)前目標(biāo)矩形區(qū)域的綜合直方 圖與所述上一目標(biāo)矩形區(qū)域的綜合直方圖的匹配度最高。2. 根據(jù)權(quán)利要求1所述的方法，其特征在于，根據(jù)所述初始目標(biāo)矩形區(qū)域的色調(diào)分量直 方圖計(jì)算所述初始目標(biāo)矩形區(qū)域的顏色直方圖，包括： 將RGB顏色空間的R、G和B三個(gè)顏色子空間分別劃分為Q級(jí)，得到N! = 3Q個(gè)RGB顏色空間的 特征通道； 采用均值漂移算法，統(tǒng)計(jì)各個(gè)特征通道在所述初始目標(biāo)矩形區(qū)域中出現(xiàn)的概率以得到 所述初始目標(biāo)矩形區(qū)域的顏色直方圖。3. 根據(jù)權(quán)利要求2所述的方法，其特征在于，采用均值漂移算法，統(tǒng)計(jì)各個(gè)特征通道在 所述初始目標(biāo)矩形區(qū)域中出現(xiàn)的概率以得到所述初始目標(biāo)矩形區(qū)域的顏色直方圖，具體 為： 采用式1計(jì)算得到所述初始目標(biāo)矩形區(qū)域的顏色直方圖；a弋1 其中，u為第u個(gè)特征通道，y為中心點(diǎn)的特征值，九為第u個(gè)特征通道在初始目標(biāo)矩 形區(qū)域中出現(xiàn)的概率，c為歸一化常數(shù)，i為第i個(gè)樣本點(diǎn)，η為樣本點(diǎn)的總數(shù)，k為在半徑為h 的高維球形區(qū)域中的樣本點(diǎn)的數(shù)量，Xl為第i個(gè)樣本點(diǎn)的特征值，h為高維球形區(qū)域的半徑， bi(xi)為樣本點(diǎn)xi所屬的顏色空間的特征通道，S[bi(xi)-u]為單位脈沖函數(shù)，Νι為顏色空間 的特征通道的總數(shù)。4. 根據(jù)權(quán)利要求1至3任意一項(xiàng)所述的方法，其特征在于，計(jì)算所述初始目標(biāo)矩形區(qū)域 的方向梯度直方圖，包括： 對(duì)所述初始目標(biāo)矩形區(qū)域進(jìn)行灰度化； 對(duì)灰度化的目標(biāo)矩形區(qū)域進(jìn)行Gamma校正； 計(jì)算校正后的目標(biāo)矩形區(qū)域中每個(gè)像素的梯度； 將梯度劃分為P級(jí)，得到P個(gè)梯度特征通道，并采用均值漂移算法計(jì)算所述初始目標(biāo)矩 形區(qū)域的方向梯度直方圖。5. 根據(jù)權(quán)利要求4所述的方法，其特征在于，采用均值漂移算法計(jì)算所述初始目標(biāo)矩形 區(qū)域的方向梯度直方圖，具體為： 采用式2計(jì)算得到所述初始目標(biāo)矩形區(qū)域的方向梯度直方圖；式2 其中，u為第u個(gè)特征通道，y為中心點(diǎn)的特征值，瓦(>'；)為第u個(gè)特征通道在初始目標(biāo)矩 形區(qū)域中出現(xiàn)的概率，c為歸一化常數(shù)，i為第i個(gè)樣本點(diǎn)，η為樣本點(diǎn)的總數(shù)，k為在半徑為h 的高維球形區(qū)域中的樣本點(diǎn)的數(shù)量，Xl為第i個(gè)樣本點(diǎn)的特征值，h為高維球形區(qū)域的半徑， b2(xi)為樣本點(diǎn)xi所屬的梯度特征通道，S[b2(xi)_u]為單位脈沖函數(shù)，Νι為顏色空間的特征 通道的總數(shù)，Ns-NfP為梯度特征通道的總數(shù)，N 2為特征通道的總數(shù)。6. 根據(jù)權(quán)利要求1至5任意一項(xiàng)所述的方法，其特征在于，對(duì)所述初始目標(biāo)矩形區(qū)域的 方向梯度直方圖和顏色直方圖進(jìn)行加權(quán)處理，得到所述初始目標(biāo)矩形區(qū)域的綜合直方圖， 包括： 設(shè)置一單調(diào)遞減權(quán)值函數(shù)； 根據(jù)所述單調(diào)遞減權(quán)值函數(shù)對(duì)所述初始目標(biāo)矩形區(qū)域的方向梯度直方圖和顏色直方 圖進(jìn)行加權(quán)處理，計(jì)算得到所述初始目標(biāo)矩形區(qū)域的綜合直方圖。7. 根據(jù)權(quán)利要求6所述的方法，其特征在于，設(shè)置一單調(diào)遞減權(quán)值函數(shù)具體為： 采用式3設(shè)置所述單調(diào)遞減權(quán)值函數(shù)； 式3: \ / ^ / · j. 其中，u為第u個(gè)特征通道，Λ為顏色空間的特征通道的總數(shù)，N2為特征通道的總數(shù)； 根據(jù)所述單調(diào)遞減權(quán)值函數(shù)對(duì)所述初始目標(biāo)矩形區(qū)域的方向梯度直方圖和顏色直方 圖進(jìn)行加權(quán)處理，計(jì)算得到所述初始目標(biāo)矩形區(qū)域的綜合直方圖，具體為： 采用式4對(duì)所述初始目標(biāo)矩形區(qū)域的方向梯度直方圖和顏色直方圖進(jìn)行加權(quán)處理，計(jì) 算得到所述初始目標(biāo)矩形區(qū)域的綜合直方圖；式4 其中，y為中心點(diǎn)的特征值，瓦為第u個(gè)特征通道在初始目標(biāo)矩形區(qū)域中出現(xiàn)的概 率，c為歸一化常數(shù)，i為第i個(gè)樣本點(diǎn)，η為樣本點(diǎn)的總數(shù)，k為在半徑為h的高維球形區(qū)域中 的樣本點(diǎn)的數(shù)量，Xl為第i個(gè)樣本點(diǎn)的特征值，h為高維球形區(qū)域的半徑，h(Xl)為樣本點(diǎn)^ 所屬的顏色空間的特征通道，b2(xi)為樣本點(diǎn)xi所屬的梯度特征通道，3[bi(xi)-u]和5[b2 ( Xl)_u]為單位脈沖函數(shù)，他為顏色空間的特征通道的總數(shù)，Ns-NpP為梯度特征通道的總 數(shù)，N2為特征通道的總數(shù)。8. 根據(jù)權(quán)利要求1至7任意一項(xiàng)所述的方法，其特征在于，從第二幀行人圖像開始，根據(jù) 上一幀行人圖像對(duì)應(yīng)的上一目標(biāo)矩形區(qū)域的綜合直方圖，在當(dāng)前幀行人圖像中尋找當(dāng)前目 標(biāo)矩形區(qū)域，以使所述當(dāng)前目標(biāo)矩形區(qū)域的綜合直方圖與所述上一目標(biāo)矩形區(qū)域的綜合直 方圖的匹配度最高，包括： 從所述第二幀圖像開始，采用連續(xù)自適應(yīng)的均值漂移算法，將所述上一目標(biāo)矩形區(qū)域 作為所述當(dāng)前目標(biāo)矩形區(qū)域的初始值； 調(diào)整所述當(dāng)前目標(biāo)矩形區(qū)域的大小和位置，以使所述當(dāng)前目標(biāo)矩形區(qū)域的綜合直方圖 與所述上一目標(biāo)矩形區(qū)域的綜合直方圖的匹配度最高。9. 一種行人檢測與跟蹤裝置，其特征在于，包括： 方向梯度直方圖計(jì)算模塊，用于采用SVM分類器對(duì)第一幀行人圖像進(jìn)行檢測，得到初始 目標(biāo)矩形區(qū)域，并計(jì)算所述初始目標(biāo)矩形區(qū)域的方向梯度直方圖； 顏色直方圖計(jì)算模塊，用于計(jì)算所述初始目標(biāo)矩形區(qū)域在HSV顏色空間的色調(diào)分量直 方圖，并根據(jù)所述初始目標(biāo)矩形區(qū)域的色調(diào)分量直方圖計(jì)算所述初始目標(biāo)矩形區(qū)域的顏色 直方圖； 綜合直方圖計(jì)算模塊，用于對(duì)所述初始目標(biāo)矩形區(qū)域的方向梯度直方圖和顏色直方圖 進(jìn)行加權(quán)處理，得到所述初始目標(biāo)矩形區(qū)域的綜合直方圖； 目標(biāo)矩形區(qū)域?qū)ふ夷K，用于從第二幀行人圖像開始，根據(jù)上一幀行人圖像對(duì)應(yīng)的上 一目標(biāo)矩形區(qū)域的綜合直方圖，在當(dāng)前幀行人圖像中尋找當(dāng)前目標(biāo)矩形區(qū)域，以使所述當(dāng) 前目標(biāo)矩形區(qū)域的綜合直方圖與所述上一目標(biāo)矩形區(qū)域的綜合直方圖的匹配度最高。10. 根據(jù)權(quán)利要求9所述的裝置，其特征在于，所述顏色直方圖計(jì)算模塊包括： 顏色特征通道劃分子模塊，用于將RGB顏色空間的R、G和B三個(gè)顏色子空間分別劃分為Q 級(jí)，得到N! = 3Q個(gè)RGB顏色空間的特征通道； 顏色直方圖計(jì)算子模塊，用于采用均值漂移算法，統(tǒng)計(jì)各個(gè)特征通道在所述初始目標(biāo) 矩形區(qū)域中出現(xiàn)的概率以得到所述初始目標(biāo)矩形區(qū)域的顏色直方圖。11. 根據(jù)權(quán)利要求10所述的裝置，其特征在于，所述顏色直方圖計(jì)算子模塊具體用于： 采用式1計(jì)算得到所述初始目標(biāo)矩形區(qū)域的顏色直方圖；式1 其中，u為第u個(gè)特征通道，y為中心點(diǎn)的特征值，及,(63為第u個(gè)特征通道在初始目標(biāo)矩 形區(qū)域中出現(xiàn)的概率，c為歸一化常數(shù)，i為第i個(gè)樣本點(diǎn)，η為樣本點(diǎn)的總數(shù)，k為在半徑為h 的高維球形區(qū)域中的樣本點(diǎn)的數(shù)量，Xl為第i個(gè)樣本點(diǎn)的特征值，h為高維球形區(qū)域的半徑， bi(xi)為樣本點(diǎn)xi所屬的顏色空間的特征通道，S[bi(xi)-u]為單位脈沖函數(shù)，Νι為顏色空間 的特征通道的總數(shù)。12. 根據(jù)權(quán)利要求9-11任意一項(xiàng)所述的裝置，其特征在于，所述方向梯度直方圖計(jì)算模 塊包括： 灰度化子模塊，用于對(duì)所述初始目標(biāo)矩形區(qū)域進(jìn)行灰度化； 校正子模塊，用于對(duì)灰度化的目標(biāo)矩形區(qū)域進(jìn)行Gamma校正； 梯度計(jì)算子模塊，用于計(jì)算校正后的目標(biāo)矩形區(qū)域中每個(gè)像素的梯度； 方向梯度直方圖計(jì)算子模塊，用于將梯度劃分為P級(jí)，得到P個(gè)梯度特征通道，并采用均 值漂移算法計(jì)算所述初始目標(biāo)矩形區(qū)域的方向梯度直方圖。13. 根據(jù)權(quán)利要求12所述的裝置，其特征在于，所述方向梯度直方圖計(jì)算子模塊具體用 于： 將梯度劃分為P級(jí)，得到P個(gè)梯度特征通道，并采用式2計(jì)算得到所述初始目標(biāo)矩形區(qū)域 的方向梯度直方圖；式2 其中，u為第u個(gè)特征通道，y為中心點(diǎn)的特征值，瓦(>'；)為第u個(gè)特征通道在初始目標(biāo)矩 形區(qū)域中出現(xiàn)的概率，c為歸一化常數(shù)，i為第i個(gè)樣本點(diǎn)，η為樣本點(diǎn)的總數(shù)，k為在半徑為h 的高維球形區(qū)域中的樣本點(diǎn)的數(shù)量，Xl為第i個(gè)樣本點(diǎn)的特征值，h為高維球形區(qū)域的半徑， b2(xi)為樣本點(diǎn)xi所屬的梯度特征通道，S[b2(xi)_u]為單位脈沖函數(shù)，Νι為顏色空間的特征 通道的總數(shù)，Ns-NfP為梯度特征通道的總數(shù)，N 2為特征通道的總數(shù)。14. 根據(jù)權(quán)利要求9至13任意一項(xiàng)所述的裝置，其特征在于，所述綜合直方圖計(jì)算模塊 包括： 單調(diào)遞減權(quán)值函數(shù)設(shè)置子模塊，用于設(shè)置一單調(diào)遞減權(quán)值函數(shù)； 綜合直方圖計(jì)算子模塊，用于根據(jù)所述單調(diào)遞減權(quán)值函數(shù)對(duì)所述初始目標(biāo)矩形區(qū)域的 方向梯度直方圖和顏色直方圖進(jìn)行加權(quán)處理，計(jì)算得到所述初始目標(biāo)矩形區(qū)域的綜合直方 圖。15. 根據(jù)權(quán)利要求14所述的裝置，其特征在于，所述單調(diào)遞減權(quán)值函數(shù)設(shè)置子模塊具體 用于： 采用式3設(shè)置所述單調(diào)遞減權(quán)值函數(shù)；式3 其中，u為第u個(gè)特征通道，Λ為顏色空間的特征通道的總數(shù)，N2為特征通道的總數(shù)； 所述綜合直方圖計(jì)算子模塊具體用于： 采用式4對(duì)所述初始目標(biāo)矩形區(qū)域的方向梯度直方圖和顏色直方圖進(jìn)行加權(quán)處理，計(jì) 算得到所述初始目標(biāo)矩形區(qū)域的綜合直方圖；式4 其中，y為中心點(diǎn)的特征值，瓦為第u個(gè)特征通道在初始目標(biāo)矩形區(qū)域中出現(xiàn)的概 率，c為歸一化常數(shù)，i為第i個(gè)樣本點(diǎn)，η為樣本點(diǎn)的總數(shù)，k為在半徑為h的高維球形區(qū)域中 的樣本點(diǎn)的數(shù)量，Xl為第i個(gè)樣本點(diǎn)的特征值，h為高維球形區(qū)域的半徑，h(Xl)為樣本點(diǎn)^ 所屬的顏色空間的特征通道，b2(xi)為樣本點(diǎn)xi所屬的梯度特征通道，3[bi(xi)-u]和5[b2 ( Xl)_u]為單位脈沖函數(shù)，他為顏色空間的特征通道的總數(shù)，Ns-NpP為梯度特征通道的總 數(shù)，N2為特征通道的總數(shù)。16. 根據(jù)權(quán)利要求9至15任意一項(xiàng)所述的裝置，其特征在于，所述目標(biāo)矩形區(qū)域?qū)ふ夷?塊包括： 初始值設(shè)置子模塊，用于從所述第二幀圖像開始，采用連續(xù)自適應(yīng)的均值漂移算法，將 所述上一目標(biāo)矩形區(qū)域作為所述當(dāng)前目標(biāo)矩形區(qū)域的初始值； 目標(biāo)矩形區(qū)域調(diào)整子模塊，用于調(diào)整所述當(dāng)前目標(biāo)矩形區(qū)域的大小和位置，以使所述 當(dāng)前目標(biāo)矩形區(qū)域的綜合直方圖與所述上一目標(biāo)矩形區(qū)域的綜合直方圖的匹配度最高。
【文檔編號(hào)】G06K9/46GK105957107SQ201610270253
【公開日】2016年9月21日
【申請(qǐng)日】2016年4月27日
【發(fā)明人】馮偉明
【申請(qǐng)人】北京博瑞空間科技發(fā)展有限公司