CN104463903A - 一种基于目标行为分析的行人图像实时检测方法 - Google Patents

Abstract

本发明公开了一种基于目标行为分析的行人图像实时检测方法，该方法包括4个步骤，依次是图像预处理、目标分割、目标特征提取和目标特征分析，所述的图像预处理包括对采集到的图像进行横向及纵向抽样处理，用以减少图像数据的计算量，所述的目标分割包括对初始背景提取、帧差分割目标和形态学滤波，所述的目标特征提取，包括连通域处理和目标跟踪，所述的目标特征分析，包括对目标速度、轨迹的平滑程度、目标长宽比以及目标面积的分析判断。

Description

一种基于目标行为分析的行人图像实时检测方法

技术领域

本发明属于交通检测技术领域，特别涉及一种基于目标行为分析的行人图像实时检测方法。 

背景技术

随着社会的不断发展，交通道路的建设越来越重要，并且我国也正在大量建设交通网路，人与车的矛盾问题越来越突出，从而导致交通事故不断发生，并且有恶化的趋势。目前视频监控朝着高清、网络化方向发展，越来越多的道路上使用高清摄像机对图像进行监控。有些道路中由于行人的出现导致了交通压力过大，因为在车辆行驶中为了避开行人而导致车辆行驶过慢，出现交通拥堵现象，且当行人横穿马路时，不遵守交通规则，随意乱穿马路，都容易造成交通事故发生，在这种环境背景下，越来越多的产品采用基于高清视频图像的行人检测来缓解人车的矛盾，以提高发生事故后的处理速度。在不允许行人通过的路段，要及时发出报警，进行实时处理。 

发明内容

本发明的目在于针对现有技术中存在的缺陷，提供一种能够对实时高清道路视频图像进行行人检测的方法，该方法可以对城市道路、隧道及高速公路中等限制行人出现的地方对行人进行实时检测并发出报警，以减少人车矛盾，减少交通事故的发生。 

本发明的技术方案是，一种基于目标行为分析的行人图像实时检测方法，该方法包括4个步骤，依次是图像预处理、目标分割、目标特征提取和目标特征分析， 

所述的图像预处理包括对采集到的图像进行横向及纵向抽样处理，用以减少图像数据的计算量， 

所述的目标分割包括对初始背景提取、帧差分割目标和形态学滤波， 其中，所述的初始背景提取的实现步骤为： 

a 1)统计连续N帧(通过对多种不同场景及不同统计时间的测试，最终确定当N取200时，具有较好的测试效果，故在实际使用中，取N＝200)视频变化情况，记录像素中个点灰度出现情况 

$P(x.y,k)=\left\{\begin{array}{c}p+1,\mathrm{if}{\mathrm{image}}_i(x,y,m)=k\\ p,\mathrm{if}{\mathrm{image}}_i(x,y,m)\≠k\end{array}\right.,i=\mathrm{1,2}...N---\left(1.1\right)$

其中，P(x,y,k)表示像素点(x,y)处亮度值为k出现的次数，image_i(x,y,m)表示某一帧图像像素点(x,y)处亮度值为m， 

a2)将连续N帧某点灰度出现频率最大值，作为该点的灰度值，即初始背景灰度值。 

Background(x,y)＝max(P(x,y,k)) k＝0,1,2…255          (1.2) 

所述的帧差分割目标的具体实现步骤为： 

b1)为方便后续计算，首先将抽样后的结果进行块化，设原始图像宽度及高度为W、H，块的大小为w、h，则块化后的图像大小为 

$\left\{\begin{array}{c}\mathrm{wid}=W/w\\ \mathrm{hei}=H/h\end{array}\right.---\left(1.3\right)$

b2)使用当前图像与背景图像进行差分，以获得运动目标，其中DifGray_i为背景差分后某块的灰度值，Gray_n为当前帧某块内像素灰度值，Background_n为背景中对应块内像素灰度值 

${\mathrm{DifGray}}_i=\underset{n=0}{\overset{w*h}{\mathrm{\&Sigma;}}}{\mathrm{Gray}}_n-\underset{n=0}{\overset{w*h}{\mathrm{\&Sigma;}}}{\mathrm{Background}}_n,0<i<\mathrm{wid}*\mathrm{hei}---\left(1.4\right)$

b3)二值化阈值的选择使用迭代式阈值选择法， 

A)选择视频图像中的灰度的中值作为首先的估计阈值T₀； 

B)利用开始估计的阈值T₀把图像的灰度值分成两个不同的区域：R₁、R₂，根据式(1.5)计算区域R₁和R₂的灰度的均值u₁和u₂： 

$u_1=\frac{\underset{i=0}{\overset{T_i}{\mathrm{\&Sigma;}}}{\mathrm{in}}_i}{\underset{i=0}{\overset{T_i}{\mathrm{\&Sigma;}}}{n}_i},u_2=\frac{\underset{i{T}_i}{\overset{L-1}{\mathrm{\&Sigma;}}}{\mathrm{in}}_i}{\underset{i=T_i}{\overset{L-1}{\mathrm{\&Sigma;}}}{n}_i},$ n为个数                (1.5) 

C)计算出u₁和u₂后，计算出新的阈值T_i+1： 

$T_{i+1}=\frac{1}{2}(u_1+u_2)---\left(1.6\right)$

D)重复步骤B)、C)，直到T_i+1和T_i无限接近时，其值即为二值化阈值T。 

b4)当差分结果大于阈值T时，则将该块结果置为255，否则置为0，实现目标的二值化， 

$\mathrm{TwoVal}=\left\{\begin{array}{c}255,\mathrm{DifGray}>T\\ 0,\mathrm{DifGray}<T\end{array}\right.---\left(1.7\right)$

所述的形态学滤波实现的步骤为： 

c1)对二值化分割结果进行横向扫描，当相邻两白块间间隔小于2个块时，则将中间区域的黑块置为255，否则保留原值； 

c2)对二值化分割结果进行纵向扫描，当相邻两白块间间隔小于2个块时，则将中间区域的黑块置为255，否则保留原值； 

所述的目标特征提取，包括连通域处理和目标跟踪，其中，连通域处理的实现步骤是： 

d1)图像初步标记 

为每个块赋予临时标记，并且将临时标记的等价关系记录在等价表中； 

d2)整理等价表 

A’)将具有等价关系的临时标记全部等价为其中的最小值； 

B’)对连通区域以自然数顺序重新编号，得到临时标记与最终标记之间的等价关系； 

d3)图像代换 

对图像进行逐块代换，将临时标记代换为最终标记，经过上述处理，图像中连通域按照由上到下，由左到右出现的顺序被标以连续 的自然数； 

d4)连通域外接矩形 

连通域标记结束后，进行其最小外接矩形的求取，将属于同一个标号的块连接起来，以确定该目标的长度和宽度； 

所述的目标跟踪的实现步骤为： 

e1)获取重心 

对连通域进行横向投影，确定其横向的块数，设图像目标物块数为N，列数为[0,L-1]，对应列i的目标物块数为n_i，几率为 

p_i＝nⁱ/N,i＝1,2…L                   (1.8) 

其中 $\underset{i=0}{\overset{L-1}{\mathrm{\&Sigma;}}}{p}_i=1,$ 则列的重心为 

y＝i*p_i                  (1.9) 

同理，得到行的重心， 

e2)目标重心跟踪 

得到重心后，保存重心的行和列，在第N+1帧对第N帧中的重心附近8*8的搜索范围内进行搜索，如果搜索到有目标物的重心，则认为两帧为同一目标物，更新重心的行和列坐标，搜索下一帧，以获得目标的运动轨迹，且选择跟踪N′帧(如果统计时间过久，则由于跟踪的偏差将给后续速度计算带来误差，经过测试，选择10帧可以获得较好的效果)，以放大车辆与行人之间的差距； 

e3)轨迹速度计算 

获得目标运动轨迹后，记录轨迹中个点对应的位置及帧数，则轨迹速度为 

$v=\frac{d_N-d_0}{N^{\&prime;}}---\left(1.10\right)$

其中，d_N为轨迹终点对应的像素位置，d₀为轨迹起点对应的像素位置，N′为跟踪的帧数，即N′＝10； 

所述的目标特征分析，包括对目标速度、轨迹的平滑程度、目标长宽比以 及目标面积的分析判断， 

对目标速度，选择相同帧数的轨迹的运动矢量和进行判断，即相同时间内运动的距离作为判断的依据， 

对轨迹的平滑程度采用弦长及弧长的差的大小来衡量轨迹的平滑程度，当弦长和弧长差值比较大时，说明跟踪的目标物为行人，当弧长和弦长差值比较小时，说明跟踪的目标物为车辆，行人的轨迹位移矢量小，车辆的位移矢量大，说明车辆的速度大，行人的速度小， 

对于目标长宽比，在获得目标连通域的外接矩形后，即可获得行人目标的长度和宽度，根据其长宽比的大小作为行人检测的依据之一， 

对于目标面积，根据连通域外接矩形的面积大小作为行人检测的依据， 

这里，*代表数学符号中的乘号。 

进一步的，所述的目标分割的初始背景提取的实现步骤a1)中，取N＝200。 

进一步的，所述的目标特征提取中的目标跟踪的实现步骤e3)中，N′为跟踪的帧数，即取N′＝10。 

与现有技术相比，采用本发明具有以下的技术效果： 

1、大场景行人检测 

前端相机选用高清摄像机，保证整个监控范围内车辆图像清晰，保证最远端车辆图像上包含足够的像素点供行人检测判断；在检测算法上，采用目标跟踪的方式，跟踪禁止行人出现位置的行人运动轨迹，根据运动轨迹求出目标运动速度，同时结合分割目标的长宽比及面积等特征进行检测，这种方式可以有效减少误判、漏判的发生。 

2、高精度检测 

本方法结合跟踪的方法进行行人检测，以跟踪目标的速度变化情况作为行人判断的一个标准，相比于传统的行人检测方法，该算法结合目标运动行为可以更准确的对行人进行判断，同时加以分割后目标的长宽比及面积信息进行检测，可以有效的提高检测准确率，提高算法检测精度，有效消除阴影抖动等其他因素的干扰。 

3、强适应性检测 

本方法在传统的背景估计基础上，提出背景更新算法，更好的适应场景的变化，加入背景更新方法可以敏锐的发现背景中细微的变化，有效消除光线、抖动对行人检测的影响，实现目标的准确分割，为后续事件的判断提供准确的依据。 

附图说明

图1为本发明的行人检测方法原理示意图； 

图2为直方图法获取灰度频率信息； 

图3为直方图法背景估计结果； 

图4为初始目标分割结果； 

图5为形态学滤波后目标分割结果； 

图6为连通域最小外接矩形； 

图7为重心跟踪法获得的目标运动轨迹； 

图8弦长弧长示意图。 

具体实施方式

参见图1，本发明算法在实现过程中主要由四部分组成，具体为图像预处理部分、目标分割部分、目标特征提取部分以及目标特征分析部分。由于高清视频分辨率较高，获取数据信息丰富，为减少运算量，在图像预处理阶段对采集到的图像进行横向及纵向抽样，即原图像大小为W*H，则实际处理的图像大小为(W/2)*(H/2)。在进行目标分割时结合背景灰度变化情况，实时更新背景图像，并进行当前图像与背景图像的差分，以便更准确的分割目标，同时对分割结果进行相应的形态学滤波，同时将相邻的块进行连通域合并，以获得饱满的目标块，同时获得目标块的长度、宽度，便于后续进行可疑目标块的长宽比、面积等计算。在获得目标块的基础上要对目标进行跟踪，进而获得目标运动轨迹，本方法采用基于重心的轨迹跟踪方法，计算目标 运动速度，最后，结合轨迹速度、运动目标的长宽比、区域面积等特征进行分析，以确定行人事件的发生。 

本发明的实现方法如下： 

一、目标分割 

1.初始背景提取 

本方法采用基于统计直方图的方法进行初始背景估计，该算法基于运动目标在场景中运动不会长时间停留在一个位置上的假设，在某一时间段内，视频序列特定像素位置处出现频率最高的像素值就是该点背景像素值，采用直方图法对视频序列灰度出现频率信息统计结果如图2所示。其具体实现步骤为： 

1)统计连续N帧(通过对多种不同场景及不同统计时间的测试，最终确定当N取200时，具有较好的测试效果，故在实际使用中，取N＝200)视频变化情况，记录像素中个点灰度出现情况 

$P(x.y,k)=\left\{\begin{array}{c}p+1,\mathrm{if}{\mathrm{image}}_i(x,y,m)=k\\ p,\mathrm{if}{\mathrm{image}}_i(x,y,m)\&NotEqual;k\end{array}\right.,i=\mathrm{1,2}...N---\left(1.1\right)$

其中，P(x,y,k)表示像素点(x,y)处亮度值为k出现的次数，image_i(x,y,m)表示某一帧图像像素点(x,y)处亮度值为m。 

2)将连续N帧某点灰度出现频率最大值，作为该点的灰度值，即初始背景灰度值。 

Background(x,y)＝max(P(x,y,k))              (1.2) 

采用直方图法进行背景更新的结果如图3所示，其中N为200。 

2.帧差分割目标 

在获取实时背景图像后，为寻找行人目标，需要对目标进行分割，本算法采用基于背景差的方法分割运动目标，并对分割出结果进行形态学滤波及连通域计算，以便获得饱满的运动目标。具体实现步骤如下： 

1)为方便后续计算，首先将抽样后的结果进行块化，设原始图像宽度及高度为W、H，块的大小为w、h，则块化后的图像大小为 

$\left\{\begin{array}{c}\mathrm{wid}=W/w\\ \mathrm{hei}=H/h\end{array}\right.---\left(1.3\right)$

2)使用当前图像与背景图像进行差分，以获得运动目标，其中DifGray_i为背景差分后某块的灰度值，Gray_n为当前帧某块内像素灰度值，Background_n为背景中对应块内像素灰度值 

${\mathrm{DifGray}}_i=\underset{n=0}{\overset{w*h}{\mathrm{\&Sigma;}}}{\mathrm{Gray}}_n-\underset{n=0}{\overset{w*h}{\mathrm{\&Sigma;}}}{\mathrm{Background}}_n,0<i<\mathrm{wid}*\mathrm{hei}---\left(1.4\right)$

3)二值化阈值的选择使用迭代式阈值选择法 

A)选择视频图像中的灰度的中值作为首先的估计阈值T₀； 

B)利用开始估计的阈值T₀把图像的灰度值分成两个不同的区域：R₁、R₂，根据式(1.5)计算区域R₁和R₂的灰度的均值u₁和u₂： 

$u_1=\frac{\underset{i=0}{\overset{T_i}{\mathrm{\&Sigma;}}}{\mathrm{in}}_i}{\underset{i=0}{\overset{T_i}{\mathrm{\&Sigma;}}}{n}_i},u_2=\frac{\underset{i{T}_i}{\overset{L-1}{\mathrm{\&Sigma;}}}{\mathrm{in}}_i}{\underset{i=T_i}{\overset{L-1}{\mathrm{\&Sigma;}}}{n}_i},$ n为个数                (1.5) 

C)计算出u₁和u₂后，计算出新的阈值T_i+1： 

$T_{i+1}=\frac{1}{2}(u_1+u_2)---\left(1.6\right)$

D)重复步骤B)、C)，直到T_i+1和T_i无限接近时，其值即为二值化阈值T。 

b4)当差分结果大于阈值T时，则将该块结果置为255，否则置为0，实现目标的二值化。 

$\mathrm{TwoVal}=\left\{\begin{array}{c}255,\mathrm{DifGray}>T\\ 0,\mathrm{DifGray}<T\end{array}\right.---\left(1.7\right)$

使用该方法进行目标分割后的结果如图4所示。 

3.形态学滤波 

该部分使用基于横向及纵向扫描的方法对相邻将近的二值化区域空白位置进行填充。 

1)对二值化分割结果进行横向扫描，当相邻两白块间间隔小于2个块时，则将中间区域的黑块置为255，否则保留原值； 

2)对二值化分割结果进行纵向扫描，当相邻两白块间间隔小于2个块时，则将中间区域的黑块置为255，否则保留原值； 

进行二值化填充后的结果如图5所示。 

二、目标特征提取 

1.连通域处理 

1)图像初步标记 

为每个块赋予临时标记，并且将临时标记的等价关系记录在等价表中 

2)整理等价表 

A)将具有等价关系的临时标记全部等价为其中的最小值； 

B)对连通区域以自然数顺序重新编号，得到临时标记与最终标记之间的等价关系； 

3)图像代换 

对图像进行逐块代换，将临时标记代换为最终标记，经过上述处理，图像中连通域按照由上到下，由左到右出现的顺序被标以连续的自然数。 

4)连通域外接矩形 

连通域标记结束后，进行其最小外接矩形的求取，将属于同一个标号的块连接起来，以确定该目标的长度和宽度。最小外接矩形原理图如图6所示。 

2.目标跟踪 

本方法采用连通域的外接矩形的重心来对目标进行跟踪。 

1)获取重心 

对连通域进行横向投影，确定其横向的块数，设图像目标物块数为N，列数为[0,L-1]，对应列i的目标物块数为n_i，几率为 

p_i＝nⁱ/N,i＝1,2…L                   (1.8) 

其中 $\underset{i=0}{\overset{L-1}{\mathrm{\&Sigma;}}}{p}_i=1,$ 则列的重心为 

y＝i*p_i                  (1.9) 

同理，可得到行的重心。 

2)目标重心跟踪 

得到重心后，保存重心的行和列，在第N+1帧对第N帧中的重心附近一定大小的范围内进行搜索，本算法选用8*8的搜索范围，如果搜索到有目标物的重心，则认为两帧为同一目标物，更新重心的行和列坐标，搜索下一帧，以获得目标的运动轨迹。由于车辆运动速度较快，行人速度较慢，因此本文选择跟踪10帧(如果统计时间过久，则由于跟踪的偏差将给后续速度计算带来误差，经过测试，选择10帧可以获得较好的效果)，以放大车辆与行人之间的差距。采用该方法获得的跟踪轨迹如图7所示。 

3)轨迹速度计算 

获得目标运动轨迹后，记录轨迹中个点对应的位置及帧数，则轨迹速度为 

$v=\frac{d_N-d_0}{N^{\&prime;}}---\left(1.10\right)$

其中，d_N为轨迹终点对应的像素位置，d₀为轨迹起点对应的像素位置，N为跟踪的帧数，即N＝10。 

三、目标特征分析 

1.速度 

一般情况下行人的速度较慢，车辆的速度较快。由于速度量值较小，在选取速度阈值时较困难，因此本方法选择相同帧数的轨迹的运动矢量和进行判断，即相同时间内运动的距离作为判断的依据。 

2.轨迹的平滑程度 

由于行人速度较慢，并且走路时行人容易摆动，所以行人的轨迹不平滑。车辆速度较快，在车辆行驶时不摆动或摆动较小，因此车辆的跟踪曲线较平滑，本方法中采用弦长及弧长的差的大小来衡量轨 迹的平滑程度，轨迹弦长、弧长示意图如图8所示。 

当弦长和弧长差值比较大时，说明跟踪的目标物为行人。当弧长和弦长差值比较小时，说明跟踪的目标物为车辆。行人的轨迹位移矢量小，车辆的位移矢量大，说明车辆的速度大，行人的速度小。行人的轨迹不平滑，车辆的轨迹平滑。 

3.长宽比 

相比于车辆，行人目标的长度和宽度比明显大于车辆目标的长度与宽度比，因此在获得目标连通域的外接矩形后，即可获得行人目标的长度和宽度，根据其长宽比的大小作为行人检测的依据之一。 

4.面积 

道路中车辆的分类多种多样，有大型车、中型车以及小型车等，但无论哪种车型其目标物的面积均大于行人的面积，因此可根据连通域外接矩形的面积大小作为行人检测的依据。 

使用上述算法进行目标行人的检测，可有效的去除光线、阴影等的影响，可在实际道路中得到较好的应用效果。 

Claims (3)

1.一种基于目标行为分析的行人图像实时检测方法，其特征在于，该方法包括4个步骤，依次是图像预处理、目标分割、目标特征提取和目标特征分析，

所述的图像预处理包括对采集到的图像进行横向及纵向抽样处理，用以减少图像数据的计算量，

所述的目标分割包括对初始背景提取、帧差分割目标和形态学滤波，其中，所述的初始背景提取的实现步骤为：

a1)统计连续N帧视频变化情况，记录像素中个点灰度出现情况

$P(x,y,k)=\left\{\begin{array}{c}p+1,\mathrm{if\; i}{\mathrm{mage}}_i(x,y,m)=k\\ p,\mathrm{if}{\mathrm{image}}_i(x,y,m)\&NotEqual;k\end{array}i=\mathrm{1,2}...N\right.---\left(1.1\right)$

其中，P(x,y,k表)示像素点(x,y)处亮度值为k出现的次数，image_i(x,y,m)表示某一帧图像像素点(x,y)处亮度值为m，

a2)将连续N帧某点灰度出现频率最大值，作为该点的灰度值，即初始背景灰度值。

Background(x,y)＝max(P(x,y,k))k＝0,1,2…255    (1.2)

所述的帧差分割目标的具体实现步骤为：

b1)为方便后续计算，首先将抽样后的结果进行块化，设原始图像宽度及高度为W、H，块的大小为w、h，则块化后的图像大小为

$\left\{\begin{array}{c}\mathrm{wid}=W/w\\ \mathrm{hei}=H/h\end{array}\right.---\left(1.3\right)$

b2)使用当前图像与背景图像进行差分，以获得运动目标，其中DifGray_i为背景差分后某块的灰度值，Gray_n为当前帧某块内像素灰度值，Background_n为背景中对应块内像素灰度值

${\mathrm{DifGray}}_i=\underset{n=0}{\overset{w*h}{\mathrm{\&Sigma;}}}{\mathrm{Gray}}_n-\underset{n=0}{\overset{w*h}{\mathrm{\&Sigma;}}}{\mathrm{Background}}_n,0<i<\mathrm{wid}*\mathrm{hei}---\left(1.4\right)$

b3)二值化阈值的选择使用迭代式阈值选择法，

A)选择视频图像中的灰度的中值作为首先的估计阈值T₀；

B)利用开始估计的阈值T₀把图像的灰度值分成两个不同的区域：R₁、R₂，根据式(1.5)计算区域R₁和R₂的灰度的均值u₁和u₂：

$u_1=\frac{\underset{i=0}{\overset{T_i}{\mathrm{\&Sigma;}}}{\mathrm{in}}_i}{\underset{i=0}{\overset{T_i}{\mathrm{\&Sigma;}}}{n}_i},u_2=\frac{\underset{i=T_i}{\overset{L-1}{\mathrm{\&Sigma;}}}{\mathrm{in}}_i}{\underset{i=T_i}{\overset{L-1}{\mathrm{\&Sigma;}}}{n}_i},$ n为个数         (1.5)

C)计算出u₁和u₂后，计算出新的阈值T_i+1：

$T_{i+1}=\frac{1}{2}(u_1+u_2)---\left(1.6\right)$

D)重复步骤B)、C)，直到T_i+1和T_i无限接近时，其值即为二值化阈值T。

b4)当差分结果大于阈值T时，则将该块结果置为255，否则置为0，实现目标的二值化，

$\mathrm{TwoVal}=\left\{\begin{array}{c}255,\mathrm{DifGray}>T\\ 0,\mathrm{DifGray}<T\end{array}\right.---\left(1.7\right)$

所述的形态学滤波实现的步骤为：

c1)对二值化分割结果进行横向扫描，当相邻两白块间间隔小于2个块时，则将中间区域的黑块置为255，否则保留原值；

c2)对二值化分割结果进行纵向扫描，当相邻两白块间间隔小于2个块时，则将中间区域的黑块置为255，否则保留原值；

所述的目标特征提取，包括连通域处理和目标跟踪，其中，连通域处理的实现步骤是：

d1)图像初步标记

为每个块赋予临时标记，并且将临时标记的等价关系记录在等价表中；

d2)整理等价表

A’)将具有等价关系的临时标记全部等价为其中的最小值；

B’)对连通区域以自然数顺序重新编号，得到临时标记与最终标记之间的等价关系；

d3)图像代换

对图像进行逐块代换，将临时标记代换为最终标记，经过上述处理，图像中连通域按照由上到下，由左到右出现的顺序被标以连续的自然数；

d4)连通域外接矩形

连通域标记结束后，进行其最小外接矩形的求取，将属于同一个标号的块连接起来，以确定该目标的长度和宽度；

所述的目标跟踪的实现步骤为：

e1)获取重心

对连通域进行横向投影，确定其横向的块数，设图像目标物块数为N，列数为[0,L-1]，对应列i的目标物块数为n_i，几率为

p_i＝n_i/N,i＝1,2…L       (1.8)

其中则列的重心为

y＝i*p_i          (1.9)

同理，得到行的重心，

e2)目标重心跟踪

得到重心后，保存重心的行和列，在第N+1帧对第N帧中的重心附近8*8的搜索范围内进行搜索，如果搜索到有目标物的重心，则认为两帧为同一目标物，更新重心的行和列坐标，搜索下一帧，以获得目标的运动轨迹，且选择跟踪N′帧，以放大车辆与行人之间的差距；

e3)轨迹速度计算

获得目标运动轨迹后，记录轨迹中每个点对应的位置及帧数，则轨迹速度为

$v=\frac{d_N-d_0}{N^{\&prime;}}---\left(1.10\right)$ 其中，d_N为轨迹终点对应的像素位置，d₀为轨迹起点对应的像素位置，N′为跟踪的帧数，即N′＝10；

所述的目标特征分析，包括对目标速度、轨迹的平滑程度、目标长宽比以及目标面积的分析判断，

对目标速度，选择相同帧数的轨迹的运动矢量和进行判断，即相同时间内运动的距离作为判断的依据，

对轨迹的平滑程度采用弦长及弧长的差的大小来衡量轨迹的平滑程度，当弦长和弧长差值比较大时，说明跟踪的目标物为行人，当弧长和弦长差值比较小时，说明跟踪的目标物为车辆，行人的轨迹位移矢量小，车辆的位移矢量大，说明车辆的速度大，行人的速度小，

对于目标长宽比，在获得目标连通域的外接矩形后，即可获得行人目标的长度和宽度，根据其长宽比的大小作为行人检测的依据之一，

对于目标面积，根据连通域外接矩形的面积大小作为行人检测的依据，

这里，*代表数学符号中的乘号。

2.如权利要求1所述基于目标行为分析的行人图像实时检测方法，其特征在于，所述的目标分割的初始背景提取的实现步骤a1)中，取N＝200。

3.如权利要求2所述基于目标行为分析的行人图像实时检测方法，其特征在于，所述的目标特征提取中的目标跟踪的实现步骤e3)中，N′为跟踪的帧数，即取N′＝10。