CN105654090A - 一种基于曲线波动度描述的行人轮廓检测方法 - Google Patents

Abstract

本发明提供了一种基于曲线波动度描述的行人轮廓检测方法，包括：S1.获取监控区域的视频流图像作为输入图像；S2.通过Sobel算子对输入图像进行边缘检测，得到边缘图像；S3.根据输入图像，通过背景差分法处理得到差分图像，并对差分图像进行二值化处理，以得到运动目标区域；S4.结合边缘图像和运动目标区域，进行与运算，并提取出公共部分，以得到运动目标轮廓；S5.对运动目标轮廓进行宏形状特征点集进行提取；S6.对由宏形状特征点集中所保留的若干宏形状特征点所形成的曲线进行波动度的匹配检测。通过将宏形状特征点集上基于波动度特征进行匹配检测，有效地根据预先设定的行人轮廓曲线的波动度特征过滤掉大部分非行人的运动目标轮廓，提高了检测效率。

Description

一种基于曲线波动度描述的行人轮廓检测方法

技术领域

本发明属于视频图像处理及识别技术领域，特别涉及一种基于曲线波动度描述的行人轮廓检测方法。

背景技术

在商场、购物中心、机场、车站等公共场所的管理和决策中，人流量是不可缺少的数据。通过对人流量，即进出人数的统计，可以实时有效的监控、组织公共场所的运营工作，为人们提供更安全的环境和更优质的服务。以商场为例，人流量是非常基础和重要的指标，和商场的销售量密切相关，如果知道比较准确和真实的人流量，可以为销售、服务和物流提供可靠的参考信息。

然而，对于行人检测技术而言，行人轮廓的检测是非常重要的一个环节。现有技术中的行人轮廓检测主要是通过单目视觉的方法，利用行人的人体边缘、纹理特征建立模板并综合运用神经网络、支持向量机、级联检测器等机器学习方法。但是，现有技术中对行人轮廓进行检测的过程中对非行人的运动目标轮廓进行检测时容易发生误检。例如，将动物通过监控区域时将该动物错误地认定为行人。因此，有必要对现有技术中的行人轮廓的检测方法予以改进，以克服上述技术缺陷。

发明内容

本发明的目的在于提供一种基于曲线波动度描述的行人轮廓检测方法，用以有效提高对非设定检测对象进行运动目标进行筛选，提高对行人轮廓检测的检测效率，防止出现误检。

为实现上述发明目的，本发明提供了一种基于曲线波动度描述的行人轮廓检测方法，包括以下步骤：

S1、获取监控区域的视频流图像作为输入图像；

S2、通过Sobel算子对输入图像进行边缘检测，得到边缘图像；

S3、根据输入图像，通过背景差分法处理得到差分图像，并对差分图像进行二值化处理，以得到运动目标区域；

S4、结合边缘图像和运动目标区域，进行与运算，并提取出公共部分，以得到运动目标轮廓；

S5、对运动目标轮廓进行宏形状特征点集提取；

S6、对由宏形状特征点集中所保留的若干宏形状特征点所形成的曲线进行波动度的匹配检测。

作为本发明的进一步改进，所述步骤S1具体为：通过摄像机获取监控区域的视频流图像作为输入图像，所述监控区域位于摄像机的正下方。

作为本发明的进一步改进，所述步骤S2具体为：运用3×3的Sobel算子对所述步骤S1所获取的输入图像进行边缘检测，得到边缘图像。

作为本发明的进一步改进，所述步骤S3中的背景差分法处理具体为：

根据步骤S1获取的输入图像，提取出第一帧无运动物体的场景图像作为背景图像，然后利用当前帧图像与背景图像作背景差分运算以得到差分图像，所述背景差分运算的计算公式为：D_k(x，y)＝F_k(x，y)-B(x，y)；

其中，B(x，y)为背景图像中像素点的灰度值，F_k(x，y)为当前帧图像中像素点的灰度值，D_k(x，y)为二者的差分图像。

作为本发明的进一步改进，所述步骤S5中“宏形状特征点集”具体为：运动目标轮廓上局部范围内最大曲率变化的非噪声像素点集。

作为本发明的进一步改进，所述步骤S5具体包括以下步骤：

S51、提取运动目标轮廓的微形状；

S52、根据所述微形状提取运动目标轮廓的宏形状及宏形状基元；

S53、提取运动目标轮廓的宏形状特征点集。

作为本发明的进一步改进，所述步骤S6具体包括以下子步骤：

S61、保留宏形状特征点集上最高点和最低点，并将所述最高点与最低点连接为一条直线，然后保留宏形状特征点集在所述直线左右两侧若干曲率极大值宏形状特征点，并按照所保留的若干宏形状特征点的坐标关系连接生成一个凸的封闭的图像轮廓；

S62、根据子步骤S61所保留的若干宏形状特征点在x方向的坐标轴上的最大值与最小值的坐标，将运动目标轮廓分为C₁(x)，C₂(x)上下两条曲线；以及，根据子步骤S61所保留的若干宏形状特征点在y方向的坐标轴上的最大值与最小值的坐标，将运动目标轮廓分为C₃(x)，C₄(x)左右两条曲线，并计算运动目标轮廓曲线特征在水平方向以及垂直方向上的波动度分量；

S63、计算整个运动目标轮廓曲线的波动度；

S64、将待识别的运动目标轮廓曲线的波动度与预先定义的行人轮廓曲线的波动度进行匹配检测。

作为本发明的进一步改进，所述步骤S62中下曲线C₂(x)≤上曲线C₁(x)，左曲线C₃(x)≤右曲线C₄(x)。

与现有技术相比，本发明的有益效果是：在本发明中，通过将宏形状特征点集上基于波动度特征进行匹配检测，可有效地根据预先设定的行人轮廓曲线的波动度特征过滤掉大部分非行人的运动目标轮廓，有效地提高了对行人轮廓检测的效率，防止出现误检。

附图说明

图1为本发明一种基于曲线波动度描述的行人轮廓检测方法的流程示意图；

图2为图1所示的获取监控区域的视频流图像的工作原理示意图；

图3a为Sobel算子计算x方向的梯度值的示意图；

图3b为Sobel算子计算y方向的梯度值的示意图；

图4为本发明所示的输入图像作卷积和运算的示意图；

图5为本发明所示的多目标宏形状特征点集提取的示意图；

图6为提取局部曲率极大值的宏形状特征点集的示意图；

图7a为子步骤S62将运动目标轮廓分解为C₁(x)，C₂(x)上下两条曲线的示意图；

图7b为子步骤S62将运动目标轮廓分解为C₃(x)，C₄(x)左右两条曲线的示意图；

图8为基于波动度对宏形状特征点集所提取到的运动目标轮廓进行波动度匹配检测后所得到的行人轮廓的示意图。

具体实施方式

下面结合附图所示的各实施方式对本发明进行详细说明，但应当说明的是，这些实施方式并非对本发明的限制，本领域普通技术人员根据这些实施方式所作的功能、方法、或者结构上的等效变换或替代，均属于本发明的保护范围之内。

参图1所示，图1为本发明一种基于曲线波动度描述的行人轮廓检测方法的流程示意图。

在本实施方式中，该行人轮廓检测方法包括以下步骤：

S1、获取监控区域的视频流图像作为输入图像。

参图2所示，本发明一种基于曲线波动度描述的行人轮廓检测方法的流程示意图是基于摄像机垂直拍摄并适用于室外情况和室内情况。在本实施方式中，该步骤S1具体为：通过摄像机10获取监控区域30的视频流图像作为输入图像，所述监控区域30位于摄像机10的正下方。

具体的，摄像机10设置在出入口20附近的正上方，行人可沿着箭头201的方向上在出入口20中来回走动。摄像机10所获取的监控区域30可完全覆盖出入口20的全部区域。

在本实施方式中，该监控区域30为矩形，当然也可以为正方形或圆形或者其他形状。摄像机10位于监控区域30的中心点301的正上方，由此我们可以推导出，该监控区域30位于摄像机10的正下方。

S2、通过Sobel算子对输入图像进行边缘检测，得到边缘图像。

边缘是指图像局部亮度变化最显著的部分，主要存在于目标与目标、目标与背景、区域与区域之间，边缘检测是检测图像局部显著变化的最基本运算，图像灰度值的显著变化可用梯度的离散逼近函数来检测。

结合图3a、图3b与图4所示，对一帧256级灰度的输入图像在某个像素点的灰度值设为f(x，y)，对于该像素点的梯度值计算公式如下公式(1)所示：

$M(x,y)=\sqrt{S_x^2+S_y^2}---\left(1\right);$

其中，M(x，y)为该像素点(x，y)处所求的梯度值，S_x、S_y为利用sobel算子分别计算在x、y方向上的梯度值。其中图3a为Sobel算子计算该像素点(x，y)沿x方向的梯度值的示意图；图3b为Sobel算子计算该像素点(x，y)沿y方向的梯度值的示意图。

S_x、S_y分别表示sobel算子与如图4所示的图像邻域的灰度级做卷积运算，图4中的Z_i(i＝1，2，....，9)表示该像素点(x，y)八邻域周围的像素点的灰度值，S_x及S_y用公式计算如下公式(2)与公式(3)所示：

$S_x=\left[\begin{array}{ccc}1& 2& 1\\ 0& 0& 0\\ -1& -2& -1\end{array}\right]*\left[\begin{array}{ccc}{Z}_1& Z_2& Z_3\\ Z_4& (x,y)& Z_6\\ Z_7& Z_8& Z_9\end{array}\right]---\left(2\right)$

$S_y=\left[\begin{array}{ccc}1& 0& -1\\ 2& 0& -2\\ 1& 0& -1\end{array}\right]*\left[\begin{array}{ccc}{Z}_1& Z_2& Z_3\\ Z_4& (x,y)& Z_6\\ Z_7& Z_8& Z_9\end{array}\right]---\left(3\right)$

图像在像素点(x，y)处对x、y方向上的梯度值分别为如下公式(4)与公式(5)所示：

S_x＝(Z₁+2Z₂+Z₃)-(Z₇+2Z₈+Z₉)(4)：

S_y＝(Z₁+2Z₄+Z₇)-(Z₃+2Z₆+Z₉)(5)；

Sobel算子是图像处理中的算子之一，主要用作边缘检测。在技术上，它是一离散性差分算子，用来运算图像亮度函数的梯度近似值。该算子包含两组3×3的矩阵，分别为用于求像素点在x、y方向上的梯度值，将之与如图4所示的输入图像中的每个像素点的邻域灰度级作卷积和运算，然后选取合适的阀值K以提取边缘图像。

具体的，该卷积和运算的计算公式如下公式(6)所示，

$f(x,y)=\left\{\begin{array}{c}0,M(x,y)<K\\ 1,M(x,y)\&GreaterEqual;K\end{array}\right.---\left(6\right);$

其中，阈值K为200。

当f(x，y)为1时，该点即为输入图像的边缘点。

S3、根据输入图像，通过背景差分法处理得到差分图像，并对差分图像进行二值化处理，以得到运动目标区域。

在本实施方式中，该背景差分法处理具体为：提取出第一帧无运动物体的场景图像作为背景图像，然后利用当前帧图像与背景图像作差分运算以得到差分图像，然后利用当前帧图像与背景图像做背景差分运算，以得到差分图像。该背景差分运算的计算公式为如下公式(7)所示：

D_k(x，y)＝F_k(x，y)-B(x，y)(7)；

其中，B(x，y)为背景图像中像素点的灰度值、F_k(x，y)为当前帧图像中像素点的灰度值、D_k(x，y)为二者的差分图像。

然后对差分图像进行二值化处理，该二值化处理的运算公式如下公式(8)所示：

$R_k(x,y)=\left\{\begin{array}{c}0,D_k(x,y)<M\\ 1,D_k(x,y)\&GreaterEqual;M\end{array}\right.---\left(8\right);$

其中，D_k(x，y)为二者的差分图像，R_k(x，y)为差分法处理后所得到的二值图像，M为分割阀值，该M为40。

当R_k(x，y)为0时，该点为背景点；

当R_k(x，y)为1时，该点为前景点即运动物体。

S4、结合边缘图像和运动目标区域，进行与运算，并提取出公共部分，以得到运动目标轮廓。

与运算是一种逻辑乘法运算规则，它表示只当参与运算的逻辑变量都同时取值为1时，其逻辑乘积才等于1。

在本实施方式中，步骤S2获得的图像边缘，包括：背景边缘和运动物体的边缘。步骤S3获得的运动目标区域，只包括：运动目标区域，而无背景图像。将边缘图像与运动目标区域进行与运算，可提取出两幅图像中的公共部分，以得到运动目标轮廓。

S5、对运动目标轮廓进行宏形状特征点集提取。

运动目标轮廓的宏形状特征点集提取技术模仿人的视觉功能，检测运动目标轮廓上局部范围内最大曲率变化的非噪声像素点集，可采用运动目标轮廓上的宏形状特征点集作为运动目标轮廓的描述特征。

参图5所示，步骤S5中的宏形状特征点集的提取过程包括以下步骤：

S51、提取运动目标轮廓的微形状。

具体的，运动目标轮廓的微形状是由运动目标轮廓所有细微环节信息所组成，对于运动目标轮廓微形状提取公式如下公式(9)所示：

$C_r=O_C\left(R_r\right)=L_1\&infin;L_2\&infin;\&CenterDot;\&CenterDot;\&CenterDot;\&infin;L_{M_r}---\left(9\right);$

其中，O_C(·)为微形状提取算子，R_r为运动目标轮廓，∞是线段链接符号，表示不同线段的首位相连。M_r为目标微形状基元总数，L_n为微形状基元(n＝1，2，3，…，M_r)，这里为L_n的始点，为L_n的终点。L_n为C_r上最大的连续同方向边界像素点集。为边界C_r全体点集。定义这两个基元夹角为如下公式(10)所示：

$\stackrel{\&OverBar;}{{\mathrm{\&theta;}}_{L_i,L_{i+m}}}\stackrel{\mathrm{\&Delta;}}{=}\mathrm{Ar}\cos \left[\frac{\stackrel{\&OverBar;}{d\left(L_i\right)}\&CenterDot;\stackrel{\&OverBar;}{d\left(L_{i+m}\right)}}{{\left|\right|\stackrel{\&OverBar;}{d\left(L_i\right)}\left|\right|}_2*{\left|\right|d\left(L_{i+m}\right)\left|\right|}_2}\right]---\left(10\right);$

其中，公式(10)中·为矢量内积运算符号。

S52、根据所述微形状提取运动目标轮廓的宏形状及宏形状基元。

运动目标轮廓的宏形状表示从宏观上观察到的目标外观形状，其可通过步骤S51所得到的微形状所提取，其提取过程为如下公式(11)所示：

$M{C}_r=O_M\left(C_r\right)={\mathrm{ML}}_1\&infin;M{L}_2\&infin;\&CenterDot;\&CenterDot;\&CenterDot;\&infin;{\mathrm{ML}}_{H_r}---\left(11\right)$

其中，O_M(·)是宏形状提取算子，ML_n成为宏形状基元(n＝1，2，…，H_r)，H_r为目标宏形状基元数。

S53、提取运动目标轮廓的宏形状特征点集。

运动目标轮廓的宏形状特征点集TD_r是位于运动目标轮廓上，由能够刻画目标宏形状的系列关键点集构成，通过一定的检测算法检测目标宏形状得到，公式表示为如下公式(12)所示：

TD_r＝O_D(MC_r)＝{DP_n|n＝1，2，…，D_r}(12)

O_D(·)是宏形状特征点集提取算子，称DP_n为宏特征点(n＝1，2，…，D_r)，D_r为宏特征点总数。这样，第k帧场景图像中R个运动目标轮廓的宏形状特征点集可表示为一个R×D_r维特征矩阵Matrix_F，其可通过如下公式(13)所示：

Matrix_F＝[TD₁TD₂…TD_R]^T＝O(f(k，x，y))(13)

其中，T代表转置符号，O(·)为多目标宏特征检测算子，f(k，x，y)为第k帧图像在坐标(x，y)处的像素值。

S6、对由宏形状特征点集中所保留的若干宏形状特征点所形成的曲线进行波动度的匹配检测。

基于轮廓波动度特征描述的方法能有效地克服噪声并且具有稳定性强的优点，能有效区分不同类运动目标轮廓形状的功能。因此，本发明将波动度特征作为运动目标轮廓的描述特征，对执行步骤S5后所获得的运动目标轮廓进行进一步地筛选，以筛选出运动行人轮廓。

在具体阐述本发明之前，首先对波动度特征描述方法作具体如下解释。

轮廓特征作为目标识别的一个重要特征有很多描述方法，其中轮廓统计特征可以用其随机变量y对均值的统计收敛性来描述。根据Chebyshev定律，可得到其幅度波动范围分布概率为公式(14)所示：

$P\left[\right|\frac{C\left(x\right)-E\left[C\left(x\right)\right]}{E\left[C\left(x\right)\right]}|<\mathrm{\&delta;}]\&GreaterEqual;1-\frac{\mathrm{Var}\left[C\left(x\right)\right]}{\mathrm{\&delta;}*E^2\left[C\left(x\right)\right]}---\left(14\right)$

其中，C(x)为轮廓曲线方程；δ为波动范围；E[C(x)]为轮廓曲线的均值；Var[C(x)]为轮廓曲线的方差。公式(14)表明，在轮廓曲线均值E[C(x)]固定的情况下，轮廓曲线方差Var[C(x)]越小，则轮廓曲线C(x)在其均值E[C(x)]附近δ范围内离散点越多，起伏性越小，轮廓曲线C(x)越逼近直线；反之，轮廓曲线C(x)起伏越大，其线性相似度越小。因此，公式(14)可以作为一种衡量轮廓总体统计波动度的尺度。

设非闭合曲线C(x)由一系列点集{p₁(x)，p₂(x)，…，p_L(x)}依次首尾连接构成，其中 分别代表第i个像素点的横坐标与纵坐标，令：

$L=\max \left(p_i^x\left(x\right)\right)-\min \left(p_i^y\left(x\right)\right),i=\mathrm{1,2},\&CenterDot;\&CenterDot;\&CenterDot;,L---\left(15\right)$

则：

$E\left[C\left(x\right)\right]=\underset{i=1}{\overset{L}{\mathrm{\&Sigma;}}}{p}_i^y\left(x\right)/L---\left(16\right)$

$\mathrm{Var}\left[C\left(x\right)\right]=\underset{i=1}{\overset{L}{\mathrm{\&Sigma;}}}{(p_i^y\left(x\right)-E[C\left(x\right)\left]\right)}^2/L---\left(17\right)$

对公式(14)进一步改进，可定义曲线波动度统计量Q(C(x))为下述公式(18)所示：

$Q\left(C\left(x\right)\right)=\left\{\begin{array}{c}\frac{\mathrm{Var}\left[C\left(x\right)\right]}{E^2\left[C\left(x\right)\right]}\&times;W_0,\mathrm{Var}\left[C\left(x\right)\right]\&NotEqual;0\\ 0,\mathrm{var}\left[C\left(x\right)\right]=0\end{array}\right.---\left(18\right)$

其中，W₀为轮廓曲线波动度变换系数，本实施方式中，W₀＝40。公式(18)定义了一维曲线的波动度，但是运动行人轮廓O的曲线C(O)是闭合的，因此无法直接使用公式(18)。

在本实施方式中，该步骤S6具体包括以下若干子步骤。

首先，执行子步骤S61、保留宏形状特征点集上最高点和最低点，并将所述最高点与最低点连接为一条直线，然后保留宏形状特征点集在所述直线左右两侧若干曲率极大值宏形状特征点，并按照所保留的若干宏形状特征点的坐标关系连接生成一个凸的封闭的图像轮廓。

参图6所示，保留宏形状特征点集上最高点和最低点p₁(x)，p₈(x)，并且以p₁(x)-p₈(x)为直线，保留宏形状特征点集在直线p₁(x)-p₈(x)左右两侧局部各6个曲率极大值点，共14个宏形状特征点所组成的宏形状特征点集{p₁(x)，p₂(x)，…，p₁₄(x)}，并按照该14个宏形状特征点的坐标位置关系依次连接起来生成一个凸的封闭的图像轮廓。对于由许多段弧组成的闭合曲线，可将其分为几段分别加以研究，此时整个运动行人轮廓曲线特征可由各段弧特征综合体现而成。

需要说明的是，在步骤S6中所指的“宏形状特征点集{p₁(x)，p₂(x)，…，p₁₄(x)}”是执行步骤S5后所提取到的宏形状特征点集的一个子集。为便于计算和表述本发明，在本实施方式中，步骤S6中仅仅保留14个宏形状特征点。

然后，执行子步骤S62、根据子步骤S61所保留的若干宏形状特征点在x方向的坐标轴上的最大值与最小值的坐标，将运动目标轮廓分为C₁(x)，C₂(x)上下两条曲线；以及，根据子步骤S61所保留的若干宏形状特征点在y方向的坐标轴上的最大值与最小值的坐标，将运动目标轮廓分为C₃(x)，C₄(x)左右两条曲线，并计算运动目标轮廓曲线特征在水平方向以及垂直方向上的波动度分量。

具体的，参图7a所示，提取14个宏形状特征点集中最左边的点和最右边的点p_l，p_r，使p_l点的横坐标为零，以水平方向p_l，p_r两端点为界限点，将运动目标轮廓分为C₁(x)，C₂(x)上下两条曲线，且C₁(x)，C₂(x)满足条件C₂(x)≤C₁(x)。其中，曲线C₂(x)位于由水平方向p_l，p_r两端点为界限点所形成的直线110的下方，曲线C₁(x)位于由水平方向p_l，p_r两端点为界限点所形成的直线110的上方。利用公式(18)，运动目标轮廓曲线特征在水平方向上的波动度分量F_h(O，p_l，p_r)为公式(19)所示：

F_h(O，p_l，p_r)＝(Q(C₁(x))，Q(C₂(x)))^T(19)；

其中，T为转置符号。

同理，参图7b所示，提取14个宏形状特征点集最下边的点和最上边的点p_d，p_u，使p_d点的纵坐标为0，以竖直方向p_d，p_u两端点为分界点，以y为自变量，将运动目标轮廓分为C₃(x)，C₄(x)左右两条曲线，且C₃(x)，C₄(x)满足条件C₂(x)≤C₁(x)。其中，曲线C₃(x)位于由竖直方向p_d，p_u两端点为分界点所形成的直线120的左侧，曲线C₄(x)位于由竖直方向p_d，p_u两端点为分界点所形成的直线120的右侧。运动目标轮廓曲线特征在竖直方向上的波动度分量F_v(O，p_d，p_u)的计算公式如公式(20)所示：

F_v(O，p_d，p_u)＝(Q(C₃(x))，Q(C₄(x)))^T(20)

作为更加优选的实施方式，曲线C₁(x)C₂(x)满足条件C₂(x)＝C₁(x)、曲线C₃(x)C₄(x)满足条件C₂(x)＝C₁(x)。

接下来，执行子步骤S63、计算整个运动目标轮廓曲线的波动度。

需要说明的是，在本实施方式中，该子步骤S63中所述的“运动目标轮廓曲线”是由子步骤S61中所保留的14个若干宏形状特征点(即“{p₁(x)，p₂(x)，…，p₁₄(x)}”)所形成的运动目标轮廓曲线。

综合公式(19)与公式(20)，整个运动目标轮廓的曲线波动度可用一个2*2的特征矩阵F(O)的计算公式如公式(21)所示：

F(O)＝(F_h(O，p_l，p_r)，F_v(O，p_d，p_u))(21)

经实验表明，运动目标轮廓曲线的波动度具有如下性质：

性质(1)：同类的运动目标轮廓曲线波动度与运动目标尺度无关。无论运动目标轮廓放大与缩小，其波动度固定不变。因此在进行行人识别时，不必考虑运动目标尺度。

性质(2)：不同类的运动目标轮廓间的形状波动度绝大多数情况下是不同的。因此，运动目标轮廓的波动度可以用于指定某类运动目标轮廓的识别，达到从同其他运动目标相区分的目的。同时，运动目标轮廓形状的波动度越大，说明该运动目标边界平滑性越差。具体而言，在本实施方式中，可以指定行人轮廓作为本发明所应用的检测对象；当然，本发明也可用于汽车、飞机等其他移动物体的轮廓检测。

最后，执行子步骤S64、将待识别的运动目标轮廓曲线的波动度与预先定义的行人轮廓曲线的波动度进行匹配检测。

结合参照图8所示，在本实施方式中，可将运动目标轮廓曲线S为预先定义的行人轮廓，对于待识别的运动目标轮廓曲线R，其匹配函数M(R，S)可定义为两个矩阵差的Frobenius范数形式，即如公式(22)所示：

$M(R,S)={\left|\right|F\left(R\right)-F\left(S\right)\left|\right|}_2={\left(\underset{i=1}{\overset{2}{\mathrm{\&Sigma;}}}\underset{j=1}{\overset{2}{\mathrm{\&Sigma;}}}\right|a_{i,j}^2\left|\right)}^{\begin{array}{c}1\\ 2\end{array}},(a_{i,j}\&Element;(F\left(R\right)-F\left(S\right)))---\left(22\right);$

由性质(1)、性质(2)可知，不同类图像之间的运动目标轮廓的曲线的波动度大多数情况下差异较大，因此波动度可以被用作运动目标轮廓形状重要特征来区分、识别不同类的运动目标轮廓。对于事先给定的门限λ＝25，如果：

M(R，S)＜λ(23)

则待识别的运动目标轮廓R与行人轮廓在形状上相匹配或相似，为同一类目标；否则两者属于形状不同类的运动目标轮廓。形状匹配时，匹配关系可以表示为公式(24)所示：

C(R)＝A×C(S)+B(24)

其中，放大倍数A由公式(25)所示：

$A=\left[\begin{array}{cc}{a}_x& 0\\ 0& a_y\end{array}\right]---\left(25\right)$

为放大、缩小矩阵，B＝(b_x，b_y)^T为运动目标轮廓的质心位移矢量。公式(24)表明运动目标轮廓R是由S放大A倍，位移B所生成。

其中：

$a_x=\frac{E(R\left(C_2\left(x\right)\right)-R\left(C_1\left(x\right)\right))}{E(S\left(C_2\left(x\right)\right)-S\left(C_1\left(x\right)\right))}---\left(26\right);$

$a_y=\frac{E(R\left(C_4\left(y\right)\right)-R\left(C_3\left(y\right)\right))}{E(S\left(C_4\left(y\right)\right)-S\left(C_3\left(y\right)\right))}---\left(27\right);$

$b_x=\frac{\underset{x\&Element;R\left(R_x\right)}{\mathrm{\&Sigma;}}x(R\left(C_2\left(x\right)\right)-R\left(C_1\left(x\right)\right))}{\underset{x\&Element;R\left(R_x\right)}{\mathrm{\&Sigma;}}(R\left(C_2\left(x\right)\right)-R\left(C_1\left(x\right)\right))}-\frac{\underset{x\&Element;S\left(R_x\right)}{\mathrm{\&Sigma;}}x(S\left(C_2\left(x\right)\right)-S\left(C_1\left(x\right)\right))}{\underset{x\&Element;S\left(R_x\right)}{\mathrm{\&Sigma;}}(S\left(C_2\left(x\right)\right)-S\left(C_1\left(x\right)\right))}=b_x\left(R\right)-b_x\left(S\right)---\left(28\right);$

$b_y=\frac{\underset{y\&Element;R\left(R_y\right)}{\mathrm{\&Sigma;}}y(R\left(C_4\left(y\right)\right)-R\left(C_3\left(y\right)\right))}{\underset{y\&Element;R\left(R_y\right)}{\mathrm{\&Sigma;}}(R\left(C_4\left(y\right)\right)-R\left(C_3\left(y\right)\right))}-\frac{\underset{y\&Element;S\left(R_y\right)}{\mathrm{\&Sigma;}}x(S\left(C_4\left(y\right)\right)-S\left(C_3\left(y\right)\right))}{\underset{y\&Element;S\left(R_y\right)}{\mathrm{\&Sigma;}}(S\left(C_4\left(y\right)\right)-S\left(C_3\left(y\right)\right))}=b_y\left(R\right)-b_y\left(S\right)---\left(29\right);$

其中，R(C_i(·))、R(R_x)和R(R_y)分别表示运动目标R的C_i(·)、R_x和R_y取值域范围，运动目标S按同样方式约定，(b_x(R)，b_y(R))^T，(b_x(S)，b_y(S))^T分别为运动目标R、S的质心坐标值。

通过本发明，可以将摄像机所采集到的视频流图像中的运动目标轮廓进行有效地删选和区分，避免将动物等非行人的目标判断为行人，有效地降低了误检率；同时，通过对特定检测目标(例如，行人)的轮廓曲线的波动度特征进行匹配检测，可以过滤去掉大量非行人的运动目标轮廓，有效地提高了对行人轮廓检测的效率。

上文所列出的一系列的详细说明仅仅是针对本发明的可行性实施方式的具体说明，它们并非用以限制本发明的保护范围，凡未脱离本发明技艺精神所作的等效实施方式或变更均应包含在本发明的保护范围之内。

对于本领域技术人员而言，显然本发明不限于上述示范性实施例的细节，而且在不背离本发明的精神或基本特征的情况下，能够以其他的具体形式实现本发明。因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本发明的范围由所附权利要求而不是上述说明限定，因此旨在将落在权利要求的等同要件的含义和范围内的所有变化囊括在本发明内。不应将权利要求中的任何附图标记视为限制所涉及的权利要求。

Claims (8)

1.一种基于曲线波动度描述的行人轮廓检测方法，其特征在于，包括以下步骤：

S1、获取监控区域的视频流图像作为输入图像；

S2、通过Sobel算子对输入图像进行边缘检测，得到边缘图像；

S3、根据输入图像，通过背景差分法处理得到差分图像，并对差分图像进行二值化处理，以得到运动目标区域；

S4、结合边缘图像和运动目标区域，进行与运算，并提取出公共部分，以得到运动目标轮廓；

S5、对运动目标轮廓进行宏形状特征点集进行提取；

S6、对由宏形状特征点集中所保留的若干宏形状特征点所形成的曲线进行波动度的匹配检测。

2.根据权利要求1所述的行人轮廓检测方法，其特征在于，所述步骤S1具体为：通过摄像机获取监控区域的视频流图像作为输入图像，所述监控区域位于摄像机的正下方。

3.根据权利要求1所述的行人轮廓检测方法，其特征在于，所述步骤S2具体为：运用3×3的Sobel算子对所述步骤S1所获取的输入图像进行边缘检测，得到边缘图像。

4.根据权利要求1所述的行人轮廓检测方法，其特征在于，所述步骤S3中的背景差分法处理具体为：

根据步骤S1获取的输入图像，提取出第一帧无运动物体的场景图像作为背景图像，然后利用当前帧图像与背景图像作背景差分运算以得到差分图像，所述背景差分运算的计算公式为：D_k(x，y)＝F_k(x，y)-B(x，y)；

其中，B(x，y)为背景图像中像素点的灰度值，F_k(x，y)为当前帧图像中像素点的灰度值，D_k(x，y)为二者的差分图像。

5.根据权利要求1所述的行人轮廓检测方法，其特征在于，所述步骤S5中“宏形状特征点集”具体为：运动目标轮廓上局部范围内最大曲率变化的非噪声像素点集。

6.根据权利要求1所示的行人轮廓检测方法，其特征在于，所述步骤S5具体包括以下步骤：

S51、提取运动目标轮廓的微形状；

S52、根据所述微形状提取运动目标轮廓的宏形状及宏形状基元；

S53、提取运动目标轮廓的宏形状特征点集。

7.根据权利要求1所述的行人轮廓检测方法，其特征在于，所述步骤S6具体包括以下子步骤：

S61、保留宏形状特征点集上最高点和最低点，并将所述最高点与最低点连接为一条直线，然后保留宏形状特征点集在所述直线左右两侧若干曲率极大值宏形状特征点，并按照所保留的若干宏形状特征点的坐标关系连接生成一个凸的封闭的图像轮廓；

S62、根据子步骤S61所保留的若干宏形状特征点在x方向的坐标轴上的最大值与最小值的坐标，将运动目标轮廓分为C₁(x)，C₂(x)上下两条曲线；以及，根据子步骤S61所保留的若干宏形状特征点在y方向的坐标轴上的最大值与最小值的坐标，将运动目标轮廓分为C₃(x)，C₄(x)左右两条曲线，并计算运动目标轮廓曲线特征在水平方向以及垂直方向上的波动度分量；

S63、计算整个运动目标轮廓曲线的波动度；

S64、将待识别的运动目标轮廓曲线的波动度与预先定义的行人轮廓曲线的波动度进行匹配检测。

8.根据权利要求7所述的行人轮廓检测方法，其特征在于，所述步骤S62中，下曲线C₂(x)≤上曲线C₁(x)，左曲线C₃(x)≤右曲线C₄(x)。