CN103400157A - 一种基于视频分析的道路行人及非机动车检测方法 - Google Patents
一种基于视频分析的道路行人及非机动车检测方法 Download PDFInfo
- Publication number
- CN103400157A CN103400157A CN2013103102996A CN201310310299A CN103400157A CN 103400157 A CN103400157 A CN 103400157A CN 2013103102996 A CN2013103102996 A CN 2013103102996A CN 201310310299 A CN201310310299 A CN 201310310299A CN 103400157 A CN103400157 A CN 103400157A
- Authority
- CN
- China
- Prior art keywords
- target
- pedestrian
- bicycle
- moving region
- match
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Images
Landscapes
- Image Analysis (AREA)
Abstract
本发明公开了一种基于视频分析的道路行人及非机动车检测方法,包括:设置检测区域步骤,尺度模型标定步骤,包括:(1)、对当前帧图像进行运动区域检测,获取各个运动区域;(2)、对运动区域进行目标检测及跟踪:若运动区域位于目标进入区域,首先采用跟踪目标匹配法,将已有跟踪目标与该运动区域进行匹配计算,对于匹配失败的运动区域采用模式识别算法检测,检测出运动目标类型和运动目标位置信息;若运动区域位于目标跟踪区域,利用已有跟踪目标与该运动区域进行匹配计算,匹配出跟踪目标在当前帧的位置;(3)、目标预测。本发明的检测方法,有效减少计算复杂度,计算量小,计算速度快,检测精度高。
Description
技术领域
本发明属于视频分析处理技术领域,具体地说,是涉及一种基于视频分析的道路行人及非机动车检测方法。
背景技术
行人和非机动车是道路交通重要的组成部分,行人检测技术已有较多的研究,其中以利用梯度直方图(HOG)特征结合模式识别的检测方法,已经取得很好的检测效果,但其计算复杂度太高,很难达到实时。在此基础上,衍生出其他优化的方法,一种是利用背景建模技术或利用行人特征,获取初步定位区域,减少检测范围,由于交通道路背景复杂、环境多变,此类方法很难获得较好的检测效果。
公开号为CN102043953的专利申请文件中记载了利用背景差分,获取运动区域,然后提取头肩特征,利用模式识别检测行人,其问题在于,利用未检出行人的某一帧作为背景,如果背景中其他运动物体较多,利用背景差分方法则存在大量干扰信息,导致行人检测区域过大;另外,利用行人头肩特征,会把道路中非机动车误抓为行人,检测误差较大。
公开号为CN102682304的专利申请文件中记载了利用简单行人特征初步定位行人区域,然后利用行人梯度特征和线性边缘特征训练分类器,然后利用模式识别最终判别行人,其问题在于,初步定位行人区域非常依赖于简单行人特征,会导致行人区域过大或漏检特征不明显行人。
公开号为CN102147869的专利申请文件中记载了采用高斯混合模型背景建模获取背景图像,利用阈值化操作和形态学后处理获得前景图像,然后利用模式识别算法检测行人,其存在检测计算复杂度较高的缺点。
此外,目前所公开的技术只是对行人进行检测,然而对于非机动车的检测技术目前还没有深入的研究。
基于此,如何发明一种检测精度高、计算速度快、适合实时要求,以及可以检测出行人和非机动车辆的检测方法,是本发明主要解决的技术问题。
发明内容
本发明为了解决现有视频图像检测精度低、无法满足实时要求,以及无法检测出行人和非机动车辆的问题,提供了一种基于视频分析的道路行人及非机动车检测方法,
为了解决上述技术问题,本发明采用以下技术方案予以实现:
一种基于视频分析的道路行人及非机动车检测方法,包括:
设置检测区域步骤,并将所述的检测区域划分为目标进入区域和目标跟踪区域,
尺度模型标定步骤,标定获取行人及非机动车尺度模型;
检测步骤,包括以下步骤:
(1)、对当前帧图像进行运动区域检测,获取各个运动区域;
(2)、对运动区域进行目标检测及跟踪:判断各个运动区域位于所述检测区域中的位置,
若运动区域位于目标进入区域,首先采用跟踪目标匹配法,将已有跟踪目标与该运动区域进行匹配计算,若匹配成功,并将该运动目标作为跟踪目标进行更新,对于匹配失败的运动区域采用模式识别算法检测,检测出运动目标类型和运动目标位置信息,所述的运动目标类型包括机动车、行人、非机动车三种类型,并将所检测出的行人、非机动车创建为新的跟踪目标;
若运动区域位于目标跟踪区域,利用已有跟踪目标与该运动区域进行匹配计算,匹配出跟踪目标在当前帧的位置;
(3)、目标预测,对跟踪目标,利用其在当前帧的位置和在前一帧的位置预测出其在下一帧的位置,也即目标预测点。
进一步的,由于跟踪目标有可能被障碍物挡住或者走出画面范围,为了对跟踪目标进一步分析判断,在步骤(3)之后还包括:
步骤(4)、对跟踪目标进行消失判断,若已有的跟踪目标未匹配出,首先根据其所在位置判断是否满足消失条件,若符合消失条件,则进行目标分析,分析出该跟踪目标的运动轨迹以及运动速度,再次对该跟踪目标的类型进行判断并输出。
所述的目标分析方法为:
首先,分析目标运行轨迹,
当跟踪目标横向移动时,根据非机动车宽高比和行人的宽高比的属性特征,再次判断该目标为非机动车还是行人,
当跟踪目标符合消失条件时,也即跟踪目标在目标跟踪区域消失、或跟踪目标要离开检测区域时,通过目标运行轨迹,分析目标跳跃和轨迹震荡,得出目标可信度,当低于设定目标可信度阈值时,去除目标,
其次,分析目标运行速度,速度高于设定阈值的,判别为非机动车。
进一步的,为了能够准确检测出行人以及非机动车,在所述的检测步骤之前还包括训练步骤,训练机动车和行人非机动车分类模型,以及训练行人和非机动车分类模型;在检测步骤的步骤(2)中,对于匹配失败的运动区域采用模式识别算法检测,所述的模式识别算法包括采用梯度方向直方图方法和支持向量机的方法,具有以下步骤:
(211)、根据尺度变换级别进行尺度变换,所述尺度变换级别的确定是根据匹配失败的运动区域在图像中的位置,设定最大高度Hmax和最小高度Hmin,依据预先设定的缩放步长step,利用公式scaleLevel=(Hmax-Hmin)/step得到缩放次数,该缩放次数也即尺度变换级别;
(212)、采用梯度方向直方图方法和支持向量机的方法将机动车和行人非机动车进行二分类,首先计算梯度方向直方图特征,然后将其输入机动车和行人非机动车分类模型将两者进行分类,过滤掉机动车;
(213)、将上一步的分类为行人非机动车的结果输入至行人和非机动车分类模型进行分类,分类出行人和非机动车两种类型。
又进一步的,为了简化计算量,提高计算速度,使得本方法更加适用于实时检测,在尺度模型标定步骤中,标定获取行人及非机动车尺度模型的方法为:
获取行人在检测区域顶端和底端尺寸,顶端尺寸包括宽度w1和高度h1,底端尺寸包括宽度w2和高度h2,以及计算行人尺寸衰减步长:
step_w = (w2-w1) / H; step_h = (h2-h1) / H;
其中,step_w为宽度衰减步长,step_h为高度衰减步长,H为检测区域高度,
行人在位置(x, y)处的尺度为(w, h),其尺度模型为:
w = w2 - y * step_w;
h = h2 - y * step_h;
非机动车在位置(x, y)处的尺度为(w’, h’),其尺度模型为:
w’ = w * p;
h’ = h * p;
其中,p为行人与非机动车的比例系数。
为了避免背景建模的计算复杂度和道路背景复杂导致运动检测不稳定等问题,在检测步骤的步骤(1)中,利用三帧间差分法获取运动区域,所述的三帧间差分法为:对连续的三帧图像进行抽样,并将抽样的后一帧图像与前一帧图像做差分处理,得到两幅帧间差分图像,将所述的两幅帧间差分图像做与运算,得到三帧间差分图像,将所述的三帧间差分图像做二值化处理,得到二值化图像;
将所述的二值化图像标记连通区域,对所述的连通区域做合并、分割处理,获取运动区域。
为了提高本方法的自适应能力,使其适应于各种复杂环境,在检测步骤的步骤(1)中,将所述的三帧间差分图像做二值化处理方法为,不同环境分别设置有相应的二值化阈值,首先检测当前帧所属的环境,利用该环境对应的二值化阈值,对差分图像二值化处理。
优选的,为了进一步减小计算量,在检测步骤的步骤(1)中,采用宽度优先搜索算法将所述的二值化图像标记连通区域。
由于所检测到的运动区域内不一定包含行人或者非机动车,为了进一步减小计算量,排除掉一部分被确认为不包含行人或者非机动车的运动区域,在检测步骤的步骤(2)中,还包括对运动区域进行初步检测的步骤,根据行人尺度模型,计算该区域内行人以及非机动车具有的尺寸,若该运动区域小于行人或非机动车的尺寸,则放弃该运动区域。
优选的,在检测步骤的步骤(2)中,所述的跟踪目标匹配法为,
(221)、计算跟踪目标在当前帧的目标预测点与各运动区域中心点距离,选取距离最小的n个运动区域为待选区域;
(222)、计算多特征值,根据经验值设定每个特征加权系数,包括:颜色系数cc,灰度直方图匹配度ch,垂直梯度直方图cvg,其中cc+ch+cvg=1;
颜色特征提取方法:运动区域逐像素点分析,获取颜色分量(u,v),像素点坐标(x,y),颜色特征匹配值match_color为:
match_color = ∑((u-128)+(v-128)) * (x + y),
灰度直方图提取方法:提取运动区域灰度y分量,生成直方图match_hist,
垂直梯度直方图提取方法:逐点计算垂直方向梯度值yGrad,梯度特征匹配值match_vGrad为:
match_vGrad = ∑(yGrad * (x + y)),
(223)、 计算多特征匹配加权值:
首先,计算直方图对比值comHist,
FeatureVal = abs(match_color – obj_color) / max(match_color, obj_color) * cc + comHist * ch + abs(match_vGrad – obj_vGrad) / max(match_vGrad - obj_vGrad) * cvg,
其中,abs表示绝对值计算,max表示最大值计算,obj_color表示匹配目标的颜色值,obj_vGrad表示匹配目标的垂直梯度值,FeatureVal表示特征匹配值,其值越小表示匹配度越高。 与现有技术相比,本发明的优点和积极效果是:本发明的基于视频分析的道路行人及非机动车检测方法,1、运动检测中的三帧间抽样差分方法,相对于背景差分法,减少背景建模的计算复杂度;与两帧间差分法相比,可以有效检测目标所处区域,此外,图像差分时,采用抽样处理,有效减少计算复杂度。
2、跟踪目标匹配法和模式识别方法相结合对运动目标进行检测,跟踪目标匹配法计算量小,计算速度快,对于跟踪目标匹配法检测不出的运动区域,再采用模式识别方法检测,有效提高检测效率和精度,可实时有效检测行人和非机动车。
3、模式识别算法采用梯度方向直方图方法和支持向量机的方法,可以有效检查出机动车、行人、以及非机动车。
4、通过分析目标跟踪轨迹、速度等特征,矫正目标属性,最终判别目标属于行人还是非机动车,进一步提高了检测精度。
结合附图阅读本发明实施方式的详细描述后,本发明的其他特点和优点将变得更加清楚。
附图说明
图1是本发明所提出的基于视频分析的道路行人及非机动车检测方法的一种实施例流程图;
图2是图1中的检测步骤流程图。
具体实施方式
下面结合附图对本发明的具体实施方式作进一步详细地说明。
实施例一,参见图1所示,本实施例提供了一种基于视频分析的道路行人及非机动车检测方法,包括:
设置检测区域步骤,并将所述的检测区域划分为目标进入区域和目标跟踪区域,通过设定检测区域,划分为目标进入区域和目标跟踪区域,目标进入区域采用目标跟踪算法和模式识别算法来检测目标,目标跟踪区域只采用目标跟踪算法检测目标,其中,通过目标跟踪轨迹分析出目标运动及目标静止两种状态,运动状态只在运动区域内检测,静止状态只在较小的区域内检测,这样利用运动区域减少检测范围,又避免只分析运动区域导致静止目标跟踪失败。
尺度模型标定步骤,标定获取行人及非机动车尺度模型;由于行人及非机动车在不同帧中位于图像的位置不同,为了便于对目标跟踪,通过标定行人及非机动车的尺度模型,可以计算出行人在图像中任何位置的估算尺度值。
检测步骤,包括以下步骤:
(1)、对当前帧图像进行运动区域检测,获取各个运动区域;
(2)、对运动区域进行目标检测及跟踪:判断各个运动区域位于所述检测区域中的位置,
若运动区域位于目标进入区域,首先采用跟踪目标匹配法,将已有跟踪目标与该运动区域进行匹配计算,若匹配成功,并将该运动目标作为跟踪目标进行更新,对于匹配失败的运动区域采用模式识别算法检测,检测出运动目标类型和运动目标位置信息,所述的运动目标类型包括机动车、行人、非机动车三种类型,并将所检测出的行人、非机动车创建为新的跟踪目标;
若运动区域位于目标跟踪区域,利用已有跟踪目标与该运动区域进行匹配计算,匹配出跟踪目标在当前帧的位置;
在目标进入区域采用跟踪目标匹配法结合模式识别算法从运动区域中分割出目标区域,目标跟踪区域利用目标跟踪算法分割目标区域。跟踪目标匹配法计算量小,计算速度快,对于跟踪目标匹配法检测不出的运动区域,再采用模式识别方法检测,充分利用模式识别的检测精度,同时又有效减少模式识别计算复杂度过高的影响,可实时有效检测行人和非机动车。
(3)、目标预测,对跟踪目标,利用其在当前帧的位置和在前一帧的位置预测出其在下一帧的位置,也即目标预测点。
本方法由粗到细逐步分析检测行人及非机动车,可以将行人和非机动车检测出,检测速度快。
实施例二,本实施例中的设置检测区域步骤、尺度模型标定步骤、以及检测步骤与实施例一中所记载的一致,在此不做赘述。由于跟踪目标有可能被障碍物挡住或者走出画面范围,为了对跟踪目标进一步分析判断,参见图1所示,在步骤(3)之后还包括:
步骤(4)、对跟踪目标进行消失判断,若已有的跟踪目标未匹配出,首先根据其所在位置判断是否满足消失条件,若符合消失条件,则进行目标分析,分析出该跟踪目标的运动轨迹以及运动速度,再次对该跟踪目标的类型进行判断并输出。当目标将要离开检测区域时,分析目标运行轨迹、速度等特征,最终确定目标属性,即,行人或非机动车。
所述的目标分析方法为:
首先,分析目标运行轨迹,
当跟踪目标横向移动时,根据非机动车宽高比和行人的宽高比的属性特征,再次判断该目标为非机动车还是行人,
当跟踪目标符合消失条件时,也即跟踪目标在目标跟踪区域消失、或跟踪目标要离开检测区域时,通过目标运行轨迹,分析目标跳跃和轨迹震荡,得出目标可信度,当低于设定目标可信度阈值时,去除目标。
其次,分析目标运行速度,速度高于设定阈值的,判别为非机动车。
为了进一步准确检测出行人以及非机动车,在所述的检测步骤之前还包括训练步骤,训练机动车和行人非机动车分类模型,以及训练行人和非机动车分类模型;在检测步骤的步骤(2)中,对于匹配失败的运动区域采用模式识别算法检测,参见图2所示,所述的模式识别算法包括采用梯度方向直方图方法和支持向量机的方法,具有以下步骤:
(211)、根据尺度变换级别进行尺度变换,所述尺度变换级别的确定是根据匹配失败的运动区域在图像中的位置,设定最大高度Hmax和最小高度Hmin,依据预先设定的缩放步长step,利用公式scaleLevel=(Hmax-Hmin)/step得到缩放次数,该缩放次数也即尺度变换级别;
(212)、采用梯度方向直方图方法(HOG)和支持向量机的方法(SVM)将机动车和行人非机动车进行二分类,首先计算梯度方向直方图特征,然后将其输入机动车和行人非机动车分类模型将两者进行分类,过滤掉机动车;
(213)、将上一步的分类为行人非机动车的结果输入至行人和非机动车分类模型进行分类,分类出行人和非机动车两种类型。
本实施例通过采用多尺度变换方法对运动目标进行尺度变换,多尺度的HOG行人检测,可以准确出检测不同位置和不同身高的行人,本专利通过求出运动目标区域的目标检测范围,减少尺度检测次数,从而保留多尺度检测精度,同时又减少计算复杂度。
训练行人和非机动车分类模型的方法为:建立行人和非机动车样本库,以包含非机动车的图像作为负样本,包含行人图像作为正样本,利用HOG+SVM算法训练得到行人和非机动车模型。
为了进一步简化计算量,提高计算速度,使得本方法更加适用于实时检测,在尺度模型标定步骤中,根据场景图像中,某一行人在不同位置的尺寸(宽度和高度的像素数),并假定行人尺度线性变化,获取行人尺度模型。即,获取检测区域顶端和底端行人的尺寸(宽度和高度),以及尺寸衰减步长。具体的,标定获取行人及非机动车尺度模型的方法为:
获取行人在检测区域顶端和底端尺寸,顶端尺寸包括宽度w1和高度h1,底端尺寸包括宽度w2和高度h2,以及计算行人尺寸衰减步长:
step_w = (w2-w1) / H; step_h = (h2-h1) / H;
其中,step_w为宽度衰减步长,step_h为高度衰减步长,H为检测区域高度,
行人在位置(x, y)处的尺度为(w, h),其尺度模型为:
w = w2 - y * step_w;
h = h2 - y * step_h;
非机动车在位置(x, y)处的尺度为(w’, h’),其尺度模型为:
w’ = w * p;
h’ = h * p;
其中,p为行人与非机动车的比例系数。
为了避免背景建模的计算复杂度和道路背景复杂导致运动检测不稳定等问题,在检测步骤的步骤(1)中,利用三帧间差分法获取运动区域,三帧间差分法为:对连续的三帧图像进行抽样,并将抽样的后一帧图像与前一帧图像做差分处理,得到两幅帧间差分图像,将所述的两幅帧间差分图像做与运算,得到三帧间差分图像,将所述的三帧间差分图像做二值化处理,得到二值化图像;
然后将二值化图像标记连通区域,对所述的连通区域做合并、分割处理,获取运动区域。
为了提高本方法的自适应能力,使其适应于各种复杂环境,在检测步骤的步骤(1)中,将所述的三帧间差分图像做二值化处理方法为,不同环境分别设置有相应的二值化阈值,首先检测当前帧所属的环境,利用该环境对应的二值化阈值,对差分图像二值化处理。根据检测到的不同环境设定不同的二值化阈值,不同的环境包括雾天、逆光、顺光、傍晚等情况,均可以实现设置好。
优选的,为了进一步减小计算量,在检测步骤的步骤(1)中,采用宽度优先搜索算法将所述的二值化图像标记连通区域。
由于所检测到的运动区域内不一定包含行人或者非机动车,为了进一步减小计算量,排除掉一部分被确认为不包含行人或者非机动车的运动区域,在检测步骤的步骤(2)中,还包括对运动区域进行初步检测的步骤,根据行人尺度模型,计算该区域内行人以及非机动车具有的尺寸,若该运动区域小于行人或非机动车的尺寸,则放弃该运动区域。
优选的,在检测步骤的步骤(2)中,所述的跟踪目标匹配法为,
(221)、计算跟踪目标在当前帧的目标预测点与各运动区域中心点距离,选取距离最小的n个运动区域为待选区域;
(222)、计算多特征值,根据经验值设定每个特征加权系数,包括:颜色系数cc,灰度直方图匹配度ch,垂直梯度直方图cvg,其中cc+ch+cvg=1;
颜色特征提取方法:运动区域逐像素点分析,获取颜色分量(u,v),像素点坐标(x,y),颜色特征匹配值match_color为:
match_color = ∑((u-128)+(v-128)) * (x + y),
灰度直方图提取方法:提取运动区域灰度y分量,生成直方图match_hist,
垂直梯度直方图提取方法:逐点计算垂直方向梯度值yGrad,梯度特征匹配值match_vGrad为:
match_vGrad = ∑(yGrad * (x + y)),
(223)、 计算多特征匹配加权值:
首先,计算直方图对比值comHist,
FeatureVal = abs(match_color – obj_color) / max(match_color, obj_color) * cc + comHist * ch + abs(match_vGrad – obj_vGrad) / max(match_vGrad - obj_vGrad) * cvg,
其中,abs表示绝对值计算,max表示最大值计算,obj_color表示匹配目标的颜色值,obj_vGrad表示匹配目标的垂直梯度值,FeatureVal表示特征匹配值,其值越小表示匹配度越高。
当然,上述说明并非是对本发明的限制,本发明也并不仅限于上述举例,本技术领域的普通技术人员在本发明的实质范围内所做出的变化、改型、添加或替换,也应属于本发明的保护范围。
Claims (10)
1.一种基于视频分析的道路行人及非机动车检测方法,其特征在于,包括:
设置检测区域步骤,并将所述的检测区域划分为目标进入区域和目标跟踪区域,
尺度模型标定步骤,标定获取行人及非机动车尺度模型;
检测步骤,包括以下步骤:
(1)、对当前帧图像进行运动区域检测,获取各个运动区域;
(2)、对运动区域进行目标检测及跟踪:判断各个运动区域位于所述检测区域中的位置,
若运动区域位于目标进入区域,首先采用跟踪目标匹配法,将已有跟踪目标与该运动区域进行匹配计算,若匹配成功,并将该运动目标作为跟踪目标进行更新,对于匹配失败的运动区域采用模式识别算法检测,检测出运动目标类型和运动目标位置信息,所述的运动目标类型包括机动车、行人、非机动车三种类型,并将所检测出的行人、非机动车创建为新的跟踪目标;
若运动区域位于目标跟踪区域,利用已有跟踪目标与该运动区域进行匹配计算,匹配出跟踪目标在当前帧的位置;
(3)、目标预测,对跟踪目标,利用其在当前帧的位置和在前一帧的位置预测出其在下一帧的位置,也即目标预测点。
2.根据权利要求1所述的基于视频分析的道路行人及非机动车检测方法,其特征在于,在步骤(3)之后还包括:
步骤(4)、对跟踪目标进行消失判断,若已有的跟踪目标未匹配出,首先根据其所在位置判断是否满足消失条件,若符合消失条件,则进行目标分析,分析出该跟踪目标的运动轨迹以及运动速度,再次对该跟踪目标的类型进行判断并输出。
3.根据权利要求2所述的基于视频分析的道路行人及非机动车检测方法,其特征在于,所述的目标分析方法为:
首先,分析目标运行轨迹,
当跟踪目标横向移动时,根据非机动车宽高比和行人的宽高比的属性特征,再次判断该目标为非机动车还是行人,
当跟踪目标符合消失条件时,也即跟踪目标在目标跟踪区域消失、或跟踪目标要离开检测区域时,通过目标运行轨迹,分析目标跳跃和轨迹震荡,得出目标可信度,当低于设定目标可信度阈值时,去除目标,
其次,分析目标运行速度,速度高于设定阈值的,判别为非机动车。
4.根据权利要求2所述的基于视频分析的道路行人及非机动车检测方法,其特征在于,在所述的检测步骤之前还包括训练步骤,训练机动车和行人非机动车分类模型,以及训练行人和非机动车分类模型;在检测步骤的步骤(2)中,对于匹配失败的运动区域采用模式识别算法检测,所述的模式识别算法包括采用梯度方向直方图方法和支持向量机的方法,具有以下步骤:
(211)、根据尺度变换级别进行尺度变换,所述尺度变换级别的确定是根据匹配失败的运动区域在图像中的位置,设定最大高度Hmax和最小高度Hmin,依据预先设定的缩放步长step,利用公式scaleLevel=(Hmax-Hmin)/step得到缩放次数,该缩放次数也即尺度变换级别;
(212)、采用梯度方向直方图方法和支持向量机的方法将机动车和行人非机动车进行二分类,首先计算梯度方向直方图特征,然后将其输入机动车和行人非机动车分类模型将两者进行分类,过滤掉机动车;
(213)、将上一步的分类为行人非机动车的结果输入至行人和非机动车分类模型进行分类,分类出行人和非机动车两种类型。
5.根据权利要求1-4任一项权利要求所述的基于视频分析的道路行人及非机动车检测方法,其特征在于,在尺度模型标定步骤中,标定获取行人及非机动车尺度模型的方法为:
获取行人在检测区域顶端和底端尺寸,顶端尺寸包括宽度w1和高度h1,底端尺寸包括宽度w2和高度h2,以及计算行人尺寸衰减步长:
step_w = (w2-w1) / H; step_h = (h2-h1) / H;
其中,step_w为宽度衰减步长,step_h为高度衰减步长,H为检测区域高度,
行人在位置(x, y)处的尺度为(w, h),其尺度模型为:
w = w2 - y * step_w;
h = h2 - y * step_h;
非机动车在位置(x, y)处的尺度为(w’, h’),其尺度模型为:
w’ = w * p;
h’ = h * p;
其中,p为行人与非机动车的比例系数。
6.根据权利要求1-4任一项权利要求所述的基于视频分析的道路行人及非机动车检测方法,其特征在于,在检测步骤的步骤(1)中,利用三帧间差分法获取运动区域,所述的三帧间差分法为:对连续的三帧图像进行抽样,并将抽样的后一帧图像与前一帧图像做差分处理,得到两幅帧间差分图像,将所述的两幅帧间差分图像做与运算,得到三帧间差分图像,将所述的三帧间差分图像做二值化处理,得到二值化图像;
将所述的二值化图像标记连通区域,对所述的连通区域做合并、分割处理,获取运动区域。
7.根据权利要求6所述的基于视频分析的道路行人及非机动车检测方法,其特征在于,在检测步骤的步骤(1)中,将所述的三帧间差分图像做二值化处理方法为,不同环境分别设置有相应的二值化阈值,首先检测当前帧所属的环境,利用该环境对应的二值化阈值,对差分图像二值化处理。
8.根据权利要求1-4任一项权利要求所述的基于视频分析的道路行人及非机动车检测方法,其特征在于,在检测步骤的步骤(1)中,采用宽度优先搜索算法将所述的二值化图像标记连通区域。
9.根据权利要求1-4任一项权利要求所述的基于视频分析的道路行人及非机动车检测方法,其特征在于,在检测步骤的步骤(2)中,还包括对运动区域进行初步检测的步骤,根据行人尺度模型,计算该区域内行人以及非机动车具有的尺寸,若该运动区域小于行人或非机动车的尺寸,则放弃该运动区域。
10.根据权利要求9所述的基于视频分析的道路行人及非机动车检测方法,其特征在于,在检测步骤的步骤(2)中,所述的跟踪目标匹配法为,
(221)、 计算跟踪目标在当前帧的目标预测点与各运动区域中心点距离,选取距离最小的n个运动区域为待选区域;
(222)、计算多特征值,根据经验值设定每个特征加权系数,包括:颜色系数cc,灰度直方图匹配度ch,垂直梯度直方图cvg,其中cc+ch+cvg=1;
颜色特征提取方法:运动区域逐像素点分析,获取颜色分量(u,v),像素点坐标(x,y),颜色特征匹配值match_color为:
match_color = ∑((u-128)+(v-128)) * (x + y),
灰度直方图提取方法:提取运动区域灰度y分量,生成直方图match_hist,
垂直梯度直方图提取方法:逐点计算垂直方向梯度值yGrad,梯度特征匹配值match_vGrad为:
match_vGrad = ∑(yGrad * (x + y)),
(223)、 计算多特征匹配加权值:
首先,计算直方图对比值comHist,
FeatureVal = abs(match_color – obj_color) / max(match_color, obj_color) * cc + comHist * ch + abs(match_vGrad – obj_vGrad) / max(match_vGrad - obj_vGrad) * cvg,
其中,abs表示绝对值计算,max表示最大值计算,obj_color表示匹配目标的颜色值,obj_vGrad表示匹配目标的垂直梯度值,FeatureVal表示特征匹配值,其值越小表示匹配度越高。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201310310299.6A CN103400157B (zh) | 2013-07-23 | 2013-07-23 | 一种基于视频分析的道路行人及非机动车检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201310310299.6A CN103400157B (zh) | 2013-07-23 | 2013-07-23 | 一种基于视频分析的道路行人及非机动车检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN103400157A true CN103400157A (zh) | 2013-11-20 |
CN103400157B CN103400157B (zh) | 2017-02-08 |
Family
ID=49563775
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201310310299.6A Active CN103400157B (zh) | 2013-07-23 | 2013-07-23 | 一种基于视频分析的道路行人及非机动车检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN103400157B (zh) |
Cited By (18)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103679196A (zh) * | 2013-12-05 | 2014-03-26 | 河海大学 | 视频监控中的人车自动分类方法 |
CN105374050A (zh) * | 2015-10-12 | 2016-03-02 | 浙江宇视科技有限公司 | 运动目标跟踪恢复方法及装置 |
CN105809092A (zh) * | 2014-12-30 | 2016-07-27 | 深圳中兴力维技术有限公司 | 人群目标检测方法及其装置 |
CN106951899A (zh) * | 2017-02-24 | 2017-07-14 | 李刚毅 | 基于图像识别的异常检测方法 |
CN107025458A (zh) * | 2016-01-29 | 2017-08-08 | 深圳中兴力维技术有限公司 | 人车分类方法和装置 |
CN107590486A (zh) * | 2017-10-11 | 2018-01-16 | 广州杰赛科技股份有限公司 | 运动目标识别方法和系统、自行车流量统计方法和设备 |
CN108257152A (zh) * | 2017-12-28 | 2018-07-06 | 清华大学苏州汽车研究院(吴江) | 一种基于视频的道路入侵检测方法及系统 |
CN109034601A (zh) * | 2018-07-20 | 2018-12-18 | 四川知格科技有限公司 | 一种防作弊移动考勤方法 |
CN109389031A (zh) * | 2018-08-27 | 2019-02-26 | 浙江大丰实业股份有限公司 | 演出人员自动定位机构 |
CN109658434A (zh) * | 2018-12-26 | 2019-04-19 | 成都纵横自动化技术股份有限公司 | 一种目标跟踪的方法及装置 |
CN109740517A (zh) * | 2018-12-29 | 2019-05-10 | 上海依图网络科技有限公司 | 一种确定待识别对象的方法及装置 |
CN109817009A (zh) * | 2018-12-31 | 2019-05-28 | 天合光能股份有限公司 | 一种获取无人驾驶所需动态交通信息的方法 |
CN110059609A (zh) * | 2019-04-12 | 2019-07-26 | 广西信路威科技发展有限公司 | 视频流图像的车辆与行人同步检测识别记录系统 |
CN110971815A (zh) * | 2018-10-01 | 2020-04-07 | 卡西欧计算机株式会社 | 图像处理装置、机器人、图像处理方法以及存储介质 |
CN111182173A (zh) * | 2019-11-27 | 2020-05-19 | 绍兴柯桥浙工大创新研究院发展有限公司 | 一种图像传输处理方法和系统 |
CN111860190A (zh) * | 2020-06-24 | 2020-10-30 | 国汽(北京)智能网联汽车研究院有限公司 | 目标追踪的方法、装置、设备及存储介质 |
CN112308023A (zh) * | 2020-11-20 | 2021-02-02 | 上海迈外迪网络科技有限公司 | 识别行人运动的方法、装置和设备 |
WO2022048572A1 (zh) * | 2020-09-02 | 2022-03-10 | 杭州海康威视数字技术股份有限公司 | 目标识别方法、装置和电子设备 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101339608A (zh) * | 2008-08-15 | 2009-01-07 | 北京中星微电子有限公司 | 一种基于检测的目标跟踪方法及系统 |
KR20090093119A (ko) * | 2008-02-28 | 2009-09-02 | 홍익대학교 산학협력단 | 움직이는 객체 추적을 위한 다중 정보의 융합 방법 |
CN101719216A (zh) * | 2009-12-21 | 2010-06-02 | 西安电子科技大学 | 基于模板匹配的运动人体异常行为识别方法 |
CN101887587A (zh) * | 2010-07-07 | 2010-11-17 | 南京邮电大学 | 视频监控中基于运动目标检测的多目标跟踪方法 |
-
2013
- 2013-07-23 CN CN201310310299.6A patent/CN103400157B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20090093119A (ko) * | 2008-02-28 | 2009-09-02 | 홍익대학교 산학협력단 | 움직이는 객체 추적을 위한 다중 정보의 융합 방법 |
CN101339608A (zh) * | 2008-08-15 | 2009-01-07 | 北京中星微电子有限公司 | 一种基于检测的目标跟踪方法及系统 |
CN101719216A (zh) * | 2009-12-21 | 2010-06-02 | 西安电子科技大学 | 基于模板匹配的运动人体异常行为识别方法 |
CN101887587A (zh) * | 2010-07-07 | 2010-11-17 | 南京邮电大学 | 视频监控中基于运动目标检测的多目标跟踪方法 |
Non-Patent Citations (3)
Title |
---|
张璐等: "基于ROI区域强分辨力HOG特征的视频行人检测", 《微型机与应用》, vol. 32, no. 7, 10 April 2013 (2013-04-10) * |
耿凯等: "一种基于灰度直方图的交通检测系统", 《计算机工程与应用》, no. 4, 1 February 2006 (2006-02-01), pages 222 - 225 * |
闫辉等: "多特征融合匹配的多目标跟踪", 《中国光学》, vol. 6, no. 2, 15 April 2013 (2013-04-15), pages 163 - 170 * |
Cited By (28)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103679196A (zh) * | 2013-12-05 | 2014-03-26 | 河海大学 | 视频监控中的人车自动分类方法 |
CN105809092A (zh) * | 2014-12-30 | 2016-07-27 | 深圳中兴力维技术有限公司 | 人群目标检测方法及其装置 |
CN105374050A (zh) * | 2015-10-12 | 2016-03-02 | 浙江宇视科技有限公司 | 运动目标跟踪恢复方法及装置 |
CN105374050B (zh) * | 2015-10-12 | 2019-10-18 | 浙江宇视科技有限公司 | 运动目标跟踪恢复方法及装置 |
CN107025458B (zh) * | 2016-01-29 | 2019-08-30 | 深圳力维智联技术有限公司 | 人车分类方法和装置 |
CN107025458A (zh) * | 2016-01-29 | 2017-08-08 | 深圳中兴力维技术有限公司 | 人车分类方法和装置 |
CN106951899A (zh) * | 2017-02-24 | 2017-07-14 | 李刚毅 | 基于图像识别的异常检测方法 |
CN107590486A (zh) * | 2017-10-11 | 2018-01-16 | 广州杰赛科技股份有限公司 | 运动目标识别方法和系统、自行车流量统计方法和设备 |
CN107590486B (zh) * | 2017-10-11 | 2020-06-19 | 广州杰赛科技股份有限公司 | 运动目标识别方法和系统、自行车流量统计方法和设备 |
CN108257152A (zh) * | 2017-12-28 | 2018-07-06 | 清华大学苏州汽车研究院(吴江) | 一种基于视频的道路入侵检测方法及系统 |
CN108257152B (zh) * | 2017-12-28 | 2022-04-08 | 清华大学苏州汽车研究院(吴江) | 一种基于视频的道路入侵检测方法及系统 |
CN109034601A (zh) * | 2018-07-20 | 2018-12-18 | 四川知格科技有限公司 | 一种防作弊移动考勤方法 |
CN109389031B (zh) * | 2018-08-27 | 2021-12-03 | 浙江大丰实业股份有限公司 | 演出人员自动定位机构 |
CN109389031A (zh) * | 2018-08-27 | 2019-02-26 | 浙江大丰实业股份有限公司 | 演出人员自动定位机构 |
CN110971815B (zh) * | 2018-10-01 | 2021-07-30 | 卡西欧计算机株式会社 | 图像处理装置、机器人、图像处理方法以及存储介质 |
US11400607B2 (en) | 2018-10-01 | 2022-08-02 | Casio Computer Co., Ltd. | Image processing device, robot, image processing method, and recording medium |
CN110971815A (zh) * | 2018-10-01 | 2020-04-07 | 卡西欧计算机株式会社 | 图像处理装置、机器人、图像处理方法以及存储介质 |
CN109658434A (zh) * | 2018-12-26 | 2019-04-19 | 成都纵横自动化技术股份有限公司 | 一种目标跟踪的方法及装置 |
CN109740517A (zh) * | 2018-12-29 | 2019-05-10 | 上海依图网络科技有限公司 | 一种确定待识别对象的方法及装置 |
CN109817009A (zh) * | 2018-12-31 | 2019-05-28 | 天合光能股份有限公司 | 一种获取无人驾驶所需动态交通信息的方法 |
CN110059609B (zh) * | 2019-04-12 | 2023-09-12 | 广西信路威科技发展有限公司 | 视频流图像的车辆与行人同步检测识别记录系统 |
CN110059609A (zh) * | 2019-04-12 | 2019-07-26 | 广西信路威科技发展有限公司 | 视频流图像的车辆与行人同步检测识别记录系统 |
CN111182173B (zh) * | 2019-11-27 | 2021-10-01 | 绍兴柯桥浙工大创新研究院发展有限公司 | 一种图像传输处理方法和系统 |
CN111182173A (zh) * | 2019-11-27 | 2020-05-19 | 绍兴柯桥浙工大创新研究院发展有限公司 | 一种图像传输处理方法和系统 |
CN111860190A (zh) * | 2020-06-24 | 2020-10-30 | 国汽(北京)智能网联汽车研究院有限公司 | 目标追踪的方法、装置、设备及存储介质 |
CN111860190B (zh) * | 2020-06-24 | 2024-04-12 | 国汽(北京)智能网联汽车研究院有限公司 | 目标追踪的方法、装置、设备及存储介质 |
WO2022048572A1 (zh) * | 2020-09-02 | 2022-03-10 | 杭州海康威视数字技术股份有限公司 | 目标识别方法、装置和电子设备 |
CN112308023A (zh) * | 2020-11-20 | 2021-02-02 | 上海迈外迪网络科技有限公司 | 识别行人运动的方法、装置和设备 |
Also Published As
Publication number | Publication date |
---|---|
CN103400157B (zh) | 2017-02-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN103400157A (zh) | 一种基于视频分析的道路行人及非机动车检测方法 | |
CN102810250B (zh) | 基于视频的多车型交通信息检测方法 | |
CN106096525B (zh) | 一种复合型车道识别系统及方法 | |
CN102768804B (zh) | 基于视频的交通信息采集方法 | |
CN108596129A (zh) | 一种基于智能视频分析技术的车辆越线检测方法 | |
CN104200657B (zh) | 一种基于视频和传感器的交通流量参数采集方法 | |
CN104318263A (zh) | 一种实时高精度人流计数方法 | |
CN102609720B (zh) | 一种基于位置校正模型的行人检测方法 | |
CN103324913B (zh) | 一种基于形状特征和轨迹分析的行人事件检测方法 | |
CN104282020A (zh) | 一种基于目标运动轨迹的车辆速度检测方法 | |
CN104183127A (zh) | 交通监控视频检测方法和装置 | |
CN104200485A (zh) | 一种面向视频监控的人体跟踪方法 | |
CN109948552B (zh) | 一种复杂交通环境中的车道线检测的方法 | |
CN103310194A (zh) | 视频中基于头顶像素点梯度方向的行人头肩部检测方法 | |
CN109684996A (zh) | 基于视频的实时车辆进出识别方法 | |
CN104992453A (zh) | 基于极限学习机的复杂背景下目标跟踪方法 | |
CN104183142A (zh) | 一种基于图像视觉处理技术的车流量统计方法 | |
CN110991397B (zh) | 一种行进方向确定方法及相关设备 | |
CN104615986A (zh) | 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 | |
CN105354857B (zh) | 一种有立交桥遮挡的车辆轨迹匹配方法 | |
CN102663778B (zh) | 一种基于多视点视频的目标跟踪方法和系统 | |
Qing et al. | A novel particle filter implementation for a multiple-vehicle detection and tracking system using tail light segmentation | |
Huang | Real-time multi-vehicle detection and sub-feature based tracking for traffic surveillance systems | |
Ren et al. | Automatic measurement of traffic state parameters based on computer vision for intelligent transportation surveillance | |
Khan et al. | Estimating speeds of pedestrians in real-world using computer vision |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C14 | Grant of patent or utility model | ||
GR01 | Patent grant |