CN104657724A - 一种交通视频行人检测方法 - Google Patents

Abstract

本发明涉及一种交通视频行人检测方法，包括以下步骤：1)获取待检测视频帧，对其进行分解，获得多个检测框；2)对每个检测框抽取HoG特征，获得HoG置信度；3)对每个检测框抽取LBP特征，获得LBP置信度；4)对每个检测框抽取颜色特征，获得颜色置信度；5)基于SVM分类器，根据步骤2)-4)得到的HoG置信度、LBP置信度、颜色置信度获得最终检测结果。与现有技术相比，本发明具有检测精度高、有效减少误报等优点。

Description

一种交通视频行人检测方法

技术领域

本发明涉及交通视频检测领域，尤其是涉及一种交通视频行人检测方法。

背景技术

在交通视频中捕获到行人对交通违规检测有很多帮助，例如可以看到是否有闯红灯等。交通场景中的行人检测是指从固定在运动车辆上的摄像机采集得到的视频序列中将车辆前方道路上运动或者静止的行人从复杂的交通背景中检测出来，由于受行人外观多样性、行人成像尺度不同、环境背景复杂、车辆及行人运动和很高的实时性要求，使得动态交通场景中的行人检测成为一项复杂的、具有挑战性的研究课题。

传统行人检测算法主要采用了HOG+SVM的方式，在静态图像中，基于HOG特征描述子结合SVM分类器的行人检测方法被认为是很有效的行人检测方法。该方法的主要优点是速度快，但在实际应用时性能不满足需求，如出现较多误报，同时部分行人丢失等，并且不能对小目标行人进行有效的检测，这些极大地限制了HOG算法在动态交通场景中进行行人检测的进一步应用和发展。

发明内容

本发明的目的就是为了克服上述现有技术存在的缺陷而提供一种检测精度高、有效减少误报的交通视频行人检测方法。

本发明的目的可以通过以下技术方案来实现：

一种交通视频行人检测方法，包括以下步骤：

1)获取待检测视频帧，对其进行分解，获得多个检测框；

2)对每个检测框抽取HoG特征，获得HoG置信度；

3)对每个检测框抽取LBP特征，获得LBP置信度；

4)对每个检测框抽取颜色特征，获得颜色置信度；

5)基于SVM分类器，根据步骤2)-4)得到的HoG置信度、LBP置信度、颜色置信度获得最终检测结果。

所述步骤2)和步骤3)中，分别使用SVM分类器对HoG特征、LBP特征进行分类，进而分别得到HoG置信度和LBP置信度。

所述步骤4)具体为：

401)对于一个检测框，分别取该检测框内任意两个位置的矩形框，计算两个矩形框的颜色直方图的相似性，并保存；

402)重复步骤401)D次，获得一D组颜色特征向量；

403)重复步骤401)和402)，直到所有检测框的颜色特征向量提取完毕；

404)采用AdaBoosting算法进行分类，获得颜色置信度。

所述步骤402)中，次数D的取值为100K～1M。

所述步骤404)中，由AdaBoost分类器中的多个弱分类器给出检测框是否为行人的判断结果，对多个弱分类器的判断结果进行加权平均，得到最终的AdaBoost算法分类结果。

该方法还包括后处理阶段：

6)采用texton boost算法训练得到路面分类器；

7)将检测结果为行人的检测框输入所述路面分类器中，判断该检测框中行人下方区域是否为路面，若是，则检测结果正确，若否，则检测结果错误。

与现有技术相比，本发明具有以下优点：

(1)本发明将每个检测框的HoG置信度、LBP置信度、颜色置信度进行综合考虑，行人检测结果精度高；

(2)本发明还设计了后处理阶段，通过路面分类器进一步提高检测精度，有效减少了误报概率；

(3)本发明方案简单，易于实施。

附图说明

图1为本发明的流程示意图。

具体实施方式

下面结合附图和具体实施例对本发明进行详细说明。本实施例以本发明技术方案为前提进行实施，给出了详细的实施方式和具体的操作过程，但本发明的保护范围不限于下述的实施例。

实施例1

如图1所示，本实施例提供一种交通视频行人检测方法，基于窗口扫描的方式对每个检测框进行行人检测，具体包括以下步骤：

步骤S101，获取待检测视频帧，对其进行分解，获得多个检测框。

步骤S102，对每个检测框抽取HoG特征，使用SVM分类器进行分类，获得HoG置信度。

步骤S103，对每个检测框抽取LBP特征，使用SVM分类器进行分类，获得LBP置信度。

步骤S102和步骤S103为现有技术常用手段。

步骤S104，对每个检测框抽取颜色特征，获得颜色置信度。行人的衣服颜色虽然可以有很多种，但大部分情况下，衣服自身的颜色是相似的。根据该信息，本方法提出了颜色自相似性的特征。具体为：

401)对于一个检测框，如大小为32*64，取该检测框内任意两个位置的矩形框，如大小为8*8，计算两个矩形框的颜色直方图的相似性，并保存；

颜色直方图采用了HSV颜色空间，其中每个颜色通道分为L(L＝6)个区间；

两个矩形框的颜色直方图的相似性的计算公式为：

$C(p_i,q_j)=\frac{1}{2}\underset{k=1}{\overset{K}{\mathrm{\Σ}}}\frac{{[h_i\left(k\right)-h_j\left(k\right)]}^2}{h_i\left(k\right)+h_j\left(k\right)}$

p_i和q_j分别表示两个位置的矩形框，h_i(k)和h_j(k)分别是p_i和q_j的颜色直方图，k为直方图区间数目，每个颜色道分为L(L＝6)个区间，总共有L*L*L＝216个区间。

402)重复步骤401)D次，获得一D组颜色特征向量。由于AdaBoost具有挑选最优feature的特点，因此D的取值是越大越好，这样可以覆盖各种情况。出于训练速度的考虑，最终D的取值范围在100K～1M之间。

403)重复步骤401)和402)，直到所有检测框的颜色特征向量提取完毕。

404)采用AdaBoosting算法进行分类，获得颜色置信度。由AdaBoost分类器中的多个弱分类器给出检测框是否为行人的判断结果，对多个弱分类器的判断结果进行加权平均，得到最终的AdaBoost算法分类结果。

步骤S105，基于SVM分类器，根据步骤S102-S104得到的HoG置信度、LBP置信度、颜色置信度获得最终检测结果。

实施例2

参考图1所示，为了更进一步提高检测精度，本实施例提供的交通视频行人检测方法还包括后处理阶段：

步骤S106，利用纹理和颜色特征训练得到路面分类器，本实施例采用textonboost算法，算法最后会输出图像中是路面的区域；

步骤S107，将检测结果为行人的检测框输入所述路面分类器中，判断该检测框中行人下方区域是否为路面，若是，则检测结果正确，若否，则检测结果错误，是误报。

Claims (6)

1.一种交通视频行人检测方法，其特征在于，包括以下步骤：

1)获取待检测视频帧，对其进行分解，获得多个检测框；

2)对每个检测框抽取HoG特征，获得HoG置信度；

3)对每个检测框抽取LBP特征，获得LBP置信度；

4)对每个检测框抽取颜色特征，获得颜色置信度；

5)基于SVM分类器，根据步骤2)-4)得到的HoG置信度、LBP置信度、颜色置信度获得最终检测结果。

2.根据权利要求1所述的交通视频行人检测方法，其特征在于，所述步骤2)和步骤3)中，分别使用SVM分类器对HoG特征、LBP特征进行分类，进而分别得到HoG置信度和LBP置信度。

3.根据权利要求1所述的交通视频行人检测方法，其特征在于，所述步骤4)具体为：

401)对于一个检测框，分别取该检测框内任意两个位置的矩形框，计算两个矩形框的颜色直方图的相似性，并保存；

402)重复步骤401)D次，获得一D组颜色特征向量；

403)重复步骤401)和402)，直到所有检测框的颜色特征向量提取完毕；

404)采用AdaBoost算法进行分类，获得颜色置信度。

4.根据权利要求3所述的交通视频行人检测方法，其特征在于，所述步骤402)中，次数D的取值为100K～1M。

5.根据权利要求3所述的交通视频行人检测方法，其特征在于，所述步骤404)中，由AdaBoost分类器中的多个弱分类器给出检测框是否为行人的判断结果，对多个弱分类器的判断结果进行加权平均，得到最终的AdaBoost算法分类结果。

6.根据权利要求1所述的交通视频行人检测方法，其特征在于，该方法还包括后处理阶段：

6)采用texton boost算法训练得到路面分类器；

7)将检测结果为行人的检测框输入所述路面分类器中，判断该检测框中行人下方区域是否为路面，若是，则检测结果正确，若否，则检测结果错误。