CN105844660A - 一种基于空间brs的粒子滤波行人跟踪方法 - Google Patents

Abstract

本发明属于视频图像处理技术领域，并提供了一种基于空间BRS的粒子滤波行人跟踪方法，包括：S1、提取训练样本集中的HOG特征向量；S2、基于SVM算法对所述的HOG特征向量进行训练，得到初始化运动行人分类器；S3、获取监控区域的视频流图像作为输入图像；S4、利用初始化运动行人分类器对输入图像进行运动行人检测；S5、对检测到的运动行人区域进行跟踪集的采集操作；S6、利用基于空间BRS的粒子滤波算法对检测到的行人进行跟踪和计数。通过本发明，提高了视频检测技术中图像的鲁棒性，提高了对公共区域中呈不规则运动状态的运动行人进行跟踪与计数的效果，有效地提高了对公共区域内对行人进行人数统计的效率与准确度。

Description

一种基于空间BRS的粒子滤波行人跟踪方法

技术领域

本发明属于计算机视频图像处理技术领域，特别涉及一种基于空间BRS的粒子滤波行人跟踪方法，用于对公共区域中的行人数量进行精确统计。

背景技术

随着计算机技术和图像处理技术的发展，基于视频的智能监控系统得到了广泛的应用。在保障社会公共安全和交通安全方面、保护人民生命财产安全方面、在工业控制领域保障安全生产和产品检测方面以及有关商业领域方面都发挥着巨大的作用。目前，智能视频监控系统的应用主要在安全防控领域和非安全防控领域。公共场所人群监控、道路交通安全监控、工业生产安全监控等都属于安全防控领域的应用。

对计算机视频图像处理技术而言，对监控区域中的出现的行人进行统计与计数是最终的目标。在现有技术中，通常采用Mean Shift算法对运动行人进行跟踪与统计。

Mean Shift算法属于核密度估计法，它不需要任何先验知识而完全依靠特征空间中样本点的计算其密度函数值。对于一组采样数据，直方图法通常把数据的值域分成若干相等的区间，数据按区间分成若干组，每组数据的个数与总参数个数的比率就是每个单元的概率值；核密度估计法的原理相似于直方图法，只是多了一个用于平滑数据的核函数。采用核函数估计法，在采样充分的情况下，能够渐进地收敛于任意的密度函数，即可以对服从任何分布的数据进行密度估计。

然而，Mean Shift算法对运动行人进行跟踪与计数的现有技术在实际使用过程中的鲁棒性不佳，并伴随对运动行人进行跟踪与计数的效果不佳。因此，有必要对现有技术中，对运动行人的跟踪方法予以改进，以解决上述技术问题。

发明内容

本发明的目的在于公开一种基于空间BRS的粒子滤波行人跟踪方法，用以解决视频检测技术中图像的鲁棒性不佳的技术问题，提高对公共区域中呈不规则运动状态的运动行人进行跟踪与计数的效果，以及对公共区域内对行人进行人数统计的效率与准确度。

为实现上述发明目的，本发明提供了一种基于空间BRS的粒子滤波行人跟踪方法，包括以下步骤：

S1、提取训练样本集中的HOG特征向量；

S2、基于SVM算法对所述的HOG特征向量进行训练，得到初始化运动行人分类器；

S3、获取监控区域的视频流图像作为输入图像；

S4、利用初始化运动行人分类器对输入图像进行运动行人检测；

S5、对检测到的运动行人区域进行跟踪集的采集操作；

S6、利用基于空间BRS的粒子滤波算法对检测到的行人进行跟踪和计数。

作为本发明的进一步改进，所述步骤S5具体为：

对于首次出现在监控区域内的运动行人，将该运动行人的图像信息保存在跟踪集内；

对于已出现在监控区域内的运动行人，将该运动行人区域的图像信息覆盖之前跟踪集内保存的该运动行人的图像信息。

对于已离开监控区域的运动行人删除跟踪集内保存的该运动行人的图像信息。

作为本发明的进一步改进，所述图像信息为灰度图像信息。

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、将检测到的运动行人区域和跟踪集内的运动行人区域等分成若干块；

S62、计算运动行人区域每一块直方图对应的BRS相似度；

S63、将运动行人区域内所有块的BRS相似度线性组合成BBRS相似度；

S64、构建运动行人的观测似然函数；

S65、最后利用粒子滤波算法对运动行人进行状态估计，并对进、出监控区域的运动行人进行计数。

作为本发明的进一步改进，所述子步骤S61具体为：将检测到的运动行人区域和跟踪集内的运动行人区域等分成4块。

作为本发明的进一步改进，所述子步骤S62中的“直方图”必须满足L₂范数。

作为本发明的进一步改进，所述子步骤S65中的“粒子滤波”鉴于已是很成熟的算法，本文不再做详细的阐述。

与现有技术相比，本发明的有益效果是：通过本发明，提高了视频检测技术中图像的鲁棒性，提高了对公共区域中呈不规则运动状态的运动行人进行跟踪与计数的效果，有效地提高了对公共区域内对行人进行人数统计的效率与准确度。

附图说明

图1为本发明一种行人跟踪方法的流程示意图；

图2为步骤S3中获取监控区域的视频流图像作为输入图像的示意图；

图3为对运动行人区域进行等分的示意图。

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所示的本发明一种基于空间BRS的粒子滤波行人跟踪方法的具体实施方式。由于行人在行走时头部与肩部的变化较小，基于易于检测方面的考虑，可将训练样本集定义为：只包含行头部和/或肩部的正样本集、不包含行人头部和/或肩部的负样本图集。

首先，执行步骤S1、提取训练样本集中的HOG特征向量。

由于行人在行走时头部与肩部的变化较小，基于易于检测方面的考虑，可将训练样本集定义为：只包含行头部和/或肩部的正样本集、不包含行人头部和/或肩部的负样本图集。

其中，该正样本集中的正样本是包含行人头部和/或肩部的样本(即正样本)；该负样本集中的负样本是不包含行人头部和/或肩部的样本(即负样本)。具体的，该正/负样本集中正/负样本为30×30像素的256阶灰度图像。

具体的，在本实施方式中，在初始化运动行人分类器中的正样本集中的正样本的个数为4000，负样本集中的负样本的个数为6000。

在本实施方式中，该训练样本集包括正/负样本集，正/负样本集中的正/负样本为30×30像素的256阶灰度图像，所述正样本为包含行人区域的图像，所述负样本为不包含或者不完全包含行人区域的图像。进一步的，所谓不包含行人区域的图像，是指训练样本中完全不包含行人任何人体结构特征区域的图像，所谓不完全包含行人区域的图像，是指仅包含部分人体结构特征(例如，头、手、脚或者部分上述人体结构)区域的图像。

然后，执行步骤S2、基于SVM算法对所述的HOG特征向量进行训练，得到初始化运动行人分类器。

具体的，在本实施方式中，先计算正/负样本集中正/负样本的HOG特征向量，然后基于SVM算法对所述HOG特征向量进行训练，以得到初始化运动行人分类器。

然后，执行步骤S3、获取监控区域的视频流图像作为输入图像。

参图2所示，在本实施方式中，摄像机10垂直拍摄并可适用于室外环境和室内环境。在本实施方式中，该步骤中的“通过摄像机获取监控区域的视频流图像”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。该出入口20可设置在需要对行人人数进行统计的商场、车库、银行等需要重点监控场所的大门口或者走廊中。

需要说明的是，本发明在摄像机10垂直地正对着监控区域30时的效果最佳，当然可也将摄像机10倾斜地对着需要进行行人人数计数统计的区域，以通过摄像机10覆盖整个监控区域30。

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，此时该监控区域30位于摄像机10的正下方。

然后，执行步骤S4、利用初始化运动行人分类器对输入图像进行运动行人检测。

以30×30像素的图像作为检测窗口，在水平和垂直方向上以2个像素点为步长，对由执行步骤S2所得到的背景图像作行、列滑动扫描，提取扫描区域的HOG特征，并将计算得到的HOG特征送入执行步骤S2所得到的行人分类器中，并根据初始化运动行人分类器的输出结果判断该扫描区域是否为行人区域。若初始化运动行人分类器的输出结果为1，表示扫描区域为行人区域；若初始化运动行人分类器的输出结果-1，表示扫描区域为非行人区域。由于当前是对监控区域30的背景进行检测，则扫描区域被判断为式行人区域，即为误检。

更具体的，在步骤S4中可利用初始化运动行人分类器对输入图像进行选择性的更新训练，该“选择性的更新训练”具体为：对利用初始化运动行人分类器对监控区域30的背景图像进行运动行人检测的检测结果进行判断；若出现误检，则将误检的运动目标添加到负样本集，并仅在设定的时间内检测到的误检数大于或等于误检阈值T时，重新对所述初始化运动行人分类器进行更新训练；若不出现误检，则经过设定的时间后不对所述初始化运动行人分类器进行更新训练。进一步的，所述“设定的时间”选为5分钟；所述误检数量阈值T选为10。

在本实施方式中，应用本发明一种基于空间BRS的粒子滤波行人跟踪方法可应用于各种不同的复杂环境中，而训练行人分类器所有的负样本集是有限的，所以训练得到的行人分类器不一定适用于所有的监控环境。

为了适应环境的变换，在本实施方式中，采取实施更新负样本集，然后对训练样本集进行再次训练，以更新初始化运动行人分类器。

然后，执行步骤S5、对检测到的运动行人区域进行跟踪集的采集操作，该步骤S5具体为如下所示。

对于首次出现在监控区域30内的运动行人，将该运动行人的图像信息保存在跟踪集内；对于已出现在监控区域30内的运动行人，将该运动行人区域的图像信息覆盖之前跟踪集内保存的该运动行人的图像信息；对于已离开监控区域30内的运动行人，删除跟踪集内保存的该运动行人的图像信息。

在本实施方式中，所述图像信息为灰度图像信息。通过这种设置，可有效地降低计算机在图像处理过程中的计算量，提高对运动行人区域进行检测的效率。

最后，执行步骤S6、利用基于空间BRS的粒子滤波算法对检测到的行人进行跟踪和计数。通过本发明，该步骤S6具体包括以下子步骤：

首先，执行子步骤S61、将检测到的运动行人区域和跟踪集内的运动行人区域等分成若干块。

参图3所示，在本实施方式中，整个矩形区域A为检测到的运动行人区域和跟踪集内的运动行人区域，小的矩形区域A1、A2、A3、A4为被等分成的4小块。则检测到的运动行人区域和跟踪集内的运动行人区域分别用B个直方图表征：q＝[q₁，…，q_i，…，q_B]和p＝[p₁，…，p_i，…，p_B]，其中，q_i，p_i分别表示检测到的运动行人区域和跟踪集内的运动行人区域的第i块的直方图，这些直方图都必须满足L₂范数。即：其中U为直方图的量化bin数。具体的，这里的B＝4。

S62、计算运动行人区域每一块直方图对应的BRS相似度。

检测到的运动行人区域和跟踪集内的运动行人区域所对应两个图像块的直方图BRS(Bin Ratio Similarity)相似度d_i可以表示成：

$d(q_i,p_i)=\frac{{\left|\right|p_i+q_i\left|\right|}_2^2{\mathrm{\Σ}}_{u=1}^U\frac{p_u^i{q}_u^i}{{(p_u^i+q_u^i)}^2}}{N_e}---\left(1\right)$

其中，U是直方图的量化bin数；N_e是有效直方图量化区间数，也就是通过计算两个直方图的和不为零的个数。

S63、将运动行人区域内所有块的BRS相似度线性组合成BBRS相似度。

检测到的运动行人区域内所有块的直方图q和跟踪集内的运动行人区域内所有块的直方图p之间的BBRS(Blocks Bin Ratio Similarity)相似度d(p，q)，定义如下：

$d(p,q)=1-\underset{i=1}{\overset{B}{\mathrm{\Σ}}}{\mathrm{\λ}}_{i}d(p_i,q_i)---\left(2\right)$

其中，λ_i是B_i块的权值，其定义为：

${\mathrm{\λ}}_i=\frac{e^{\frac{1-d(p_b,q_b)}{2}}}{\underset{j=1}{\overset{B}{\mathrm{\Σ}}}{e}^{\frac{1-d(p_j,q_j)}{2}}}$

S64、构建运动行人的观测似然函数。

构建的观测似然函数参如下式所示：

${\mathrm{\ω}}_t^k=p\left(Y_t\right|X_t^k)=\frac{1}{\sqrt{2\mathrm{\π\σ}}}{e}^{-\frac{1-d_k(p,q)}{2{\mathrm{\σ}}^2}}---\left(3\right)$

其中，σ是控制参数；d_k(p，q)是检测到的运动行人与跟踪集内的第k个运动行人所对应的BBRS相似度。从式(3)可以发现，观测似然函数与相似度d_k(p，q)成正比，和控制参数σ成反比。当控制参数σ固定后，观测似然函数就直接由相似度d_k(p，q)决定。也就是说，跟踪集内的第k个运动行人的权重也是由跟踪集内的第k个运动行人对应的相似度决定的。因此，相似度越大，采取的样本就越可靠。

S65、最后利用粒子滤波算法对运动行人进行状态估计，并对进、出监控区域的运动行人进行计数。

利用粒子滤波算法对当前的运动行人状态可估计为：

${\hat{X}}_t=\underset{k=1}{\overset{N}{\mathrm{\Σ}}}{X}_t^k{\mathrm{\ω}}_t^k=\underset{k=1}{\overset{N}{\mathrm{\Σ}}}{X}_t^{k}p\left(Y_t\right|X_t^k)=\underset{k=1}{\overset{N}{\mathrm{\Σ}}}{X}_t^k\frac{1}{\sqrt{2\mathrm{\π\σ}}}{e}^{-\frac{1-d\left(p_t^{k}q\right)}{2{\mathrm{\σ}}^2}}---\left(4\right)$

当跟踪的运动行人已离开或进入该监控区域30时，对进、出该监控区域30的运动行人进行计数，并删掉该运动行人在子跟踪集内的图像信息。

通过本发明，提高了视频检测技术中图像的鲁棒性，提高了对公共区域中呈不规则运动状态的运动行人进行跟踪与计数的效果，有效地提高了对公共区域内对行人进行人数统计的效率与准确度。

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 (7)

1.一种基于空间BRS的粒子滤波行人跟踪方法，其特征在于，包括以下步骤：

S1、提取训练样本集中的HOG特征向量；

S2、基于SVM算法对所述的HOG特征向量进行训练，得到初始化运动行人分类器；

S3、获取监控区域的视频流图像作为输入图像；

S4、利用初始化运动行人分类器对输入图像进行运动行人检测；

S5、对检测到的运动行人区域进行跟踪集的采集操作；

S6、利用基于空间BRS的粒子滤波算法对检测到的行人进行跟踪和计数。

2.根据权利要求1所述的方法，其特征在于，所述步骤S5具体为：

对于首次出现在监控区域内的运动行人，将该运动行人的图像信息保存在跟踪集内；

对于已出现在监控区域内的运动行人，将该运动行人区域的图像信息覆盖之前跟踪集内保存的该运动行人的图像信息。

对于已离开监控区域的运动行人删除跟踪集内保存的该运动行人的图像信息。

3.根据权利要求2所述的方法，其特征在于，所述的“图像信息”为灰度图像信息。

4.根据权利要求1所述的方法，其特征在于，所述步骤S6具体包括以下子步骤：

S61、将检测到的运动行人区域和跟踪集内的运动行人区域等分成若干块；

S62、计算运动行人区域每一块直方图对应的BRS相似度；

S63、将运动行人区域内所有块的BRS相似度线性组合成BBRS相似度；

S64、构建运动行人的观测似然函数；

S65、最后利用粒子滤波算法对运动行人进行状态估计，并对进、出监控区域的运动行人进行计数。

5.根据权利要求4所述的方法，其特征在于，所述子步骤S61具体为：将检测到的运动行人区域和跟踪集内的运动行人区域等分成4块。

6.根据权利要求4所述的方法，其特征在于，所述子步骤S62中的“直方图”必须满足L₂范数。

7.根据权利要求4所述的方法，其特征在于，所述子步骤S65中的“粒子滤波”鉴于已是很成熟的算法，本文不再做详细的阐述。