CN105957107A - 行人检测与跟踪方法及装置 - Google Patents

行人检测与跟踪方法及装置 Download PDF

Info

Publication number
CN105957107A
CN105957107A CN201610270253.XA CN201610270253A CN105957107A CN 105957107 A CN105957107 A CN 105957107A CN 201610270253 A CN201610270253 A CN 201610270253A CN 105957107 A CN105957107 A CN 105957107A
Authority
CN
China
Prior art keywords
rectangular area
passage
initial target
sample point
feature
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.)
Pending
Application number
CN201610270253.XA
Other languages
English (en)
Inventor
冯伟明
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Beijing Brisky Technology Development Co Ltd
Original Assignee
Beijing Brisky Technology Development Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Beijing Brisky Technology Development Co Ltd filed Critical Beijing Brisky Technology Development Co Ltd
Priority to CN201610270253.XA priority Critical patent/CN105957107A/zh
Publication of CN105957107A publication Critical patent/CN105957107A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/50—Extraction of image or video features by performing operations within image blocks; by using histograms, e.g. histogram of oriented gradients [HoG]; by summing image-intensity values; Projection analysis
    • G06V10/507—Summing image-intensity values; Histogram projection analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10016—Video; Image sequence
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10024—Color image
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30241—Trajectory

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Multimedia (AREA)
  • Image Analysis (AREA)

Abstract

本发明涉及行人检测与跟踪方法及装置，包括：采用SVM分类器对第一帧行人图像进行检测，得到初始目标矩形区域，并计算初始目标矩形区域的方向梯度直方图；计算初始目标矩形区域的色调分量直方图，并计算初始目标矩形区域的颜色直方图；对初始目标矩形区域的方向梯度直方图和颜色直方图进行加权处理，得到初始目标矩形区域的综合直方图；从第二帧行人图像开始，根据上一帧行人图像对应的上一目标矩形区域的综合直方图，在当前帧行人图像中寻找当前目标矩形区域，以使当前目标矩形区域的综合直方图与上一目标矩形区域的综合直方图的匹配度最高。根据本发明实施例的行人检测与跟踪方法及装置能够具有较好的实时性和准确性。

Description

行人检测与跟踪方法及装置
技术领域
本发明涉及图像处理技术领域，尤其涉及一种行人检测与跟踪方法及装置。
背景技术
行人检测与跟踪是指从视频序列中检测出行人的位置，并对运动的行人进行连续跟踪，确定其运动轨迹的过程。行人检测与跟踪是智能车辆、计算机视觉和模式识别等领域的前沿研究课题。
现有的行人检测方法主要分为：基于运动特性的行人检测、基于多部位模板匹配的行人检测以及基于机器学习的行人检测。行人检测作为行人跟踪的前提条件，其检测精度至关重要。现有的行人跟踪方法主要分为：基于模型的跟踪、基于匹配区域的跟踪、基于主动轮廓的跟踪以及基于目标特征的跟踪。其中最常用的是基于目标特征的连续自适应的均值漂移(Camshift)算法。连续自适应的均值漂移算法是一种非参数概率密度估计算法，其核心是均值漂移算法，具有实时性好和算法框架化等优点，但模型仅采用颜色特征，当背景较复杂或者存在许多与目标颜色相似的干扰像素的情况下，容易导致跟踪失败。
发明内容
技术问题
有鉴于此，本发明要解决的技术问题是，现有的行人检测与跟踪的精度较低，容易跟踪失败。
解决方案
为了解决上述技术问题，根据本发明的一实施例，提供了一种行人检测与跟踪方法，包括：
采用SVM分类器对第一帧行人图像进行检测，得到初始目标矩形区域，并计算所述初始目标矩形区域的方向梯度直方图；
计算所述初始目标矩形区域在HSV颜色空间的色调分量直方图，并根据所述初始目标矩形区域的色调分量直方图计算所述初始目标矩形区域的颜色直方图；
对所述初始目标矩形区域的方向梯度直方图和颜色直方图进行加权处理，得到所述初始目标矩形区域的综合直方图；
从第二帧行人图像开始，根据上一帧行人图像对应的上一目标矩形区域的综合直方图，在当前帧行人图像中寻找当前目标矩形区域，以使所述当前目标矩形区域的综合直方图与所述上一目标矩形区域的综合直方图的匹配度最高。
对于上述方法，在一种可能的实现方式中，根据所述初始目标矩形区域的色调分量直方图计算所述初始目标矩形区域的颜色直方图，包括：
将RGB颜色空间的R、G和B三个颜色子空间分别划分为Q级，得到N1＝3Q个RGB颜色空间的特征通道；
采用均值漂移算法，统计各个特征通道在所述初始目标矩形区域中出现的概率以得到所述初始目标矩形区域的颜色直方图。
对于上述方法，在一种可能的实现方式中，采用均值漂移算法，统计各个特征通道在所述初始目标矩形区域中出现的概率以得到所述初始目标矩形区域的颜色直方图，具体为：
采用式1计算得到所述初始目标矩形区域的颜色直方图；
其中，u为第u个特征通道，y为中心点的特征值，为第u个特征通道在初始目标矩形区域中出现的概率，c为归一化常数，i为第i个样本点，n为样本点的总数，k为在半径为h的高维球形区域中的样本点的数量，xi为第i个样本点的特征值，h为高维球形区域的半径，b1(xi)为样本点xi所属的颜色空间的特征通道，δ[b1(xi)-u]为单位脉冲函数，N1为颜色空间的特征通道的总数。
对于上述方法，在一种可能的实现方式中，计算所述初始目标矩形区域的方向梯度直方图，包括：
对所述初始目标矩形区域进行灰度化；
对灰度化的目标矩形区域进行Gamma校正；
计算校正后的目标矩形区域中每个像素的梯度；
将梯度划分为P级，得到P个梯度特征通道，并采用均值漂移算法计算所述初始目标矩形区域的方向梯度直方图。
对于上述方法，在一种可能的实现方式中，采用均值漂移算法计算所述初始目标矩形区域的方向梯度直方图，具体为：
采用式2计算得到所述初始目标矩形区域的方向梯度直方图；
其中，u为第u个特征通道，y为中心点的特征值，为第u个特征通道在初始目标矩形区域中出现的概率，c为归一化常数，i为第i个样本点，n为样本点的总数，k为在半径为h的高维球形区域中的样本点的数量，xi为第i个样本点的特征值，h为高维球形区域的半径，b2(xi)为样本点xi所属的梯度特征通道，δ[b2(xi)-u]为单位脉冲函数，N1为颜色空间的特征通道的总数，N2-N1＝P为梯度特征通道的总数，N2为特征通道的总数。
对于上述方法，在一种可能的实现方式中，对所述初始目标矩形区域的方向梯度直方图和颜色直方图进行加权处理，得到所述初始目标矩形区域的综合直方图，包括：
设置一单调递减权值函数；
根据所述单调递减权值函数对所述初始目标矩形区域的方向梯度直方图和颜色直方图进行加权处理，计算得到所述初始目标矩形区域的综合直方图。
对于上述方法，在一种可能的实现方式中，设置一单调递减权值函数具体为：
采用式3设置所述单调递减权值函数；
其中，u为第u个特征通道，N1为颜色空间的特征通道的总数，N2为特征通道的总数；
根据所述单调递减权值函数对所述初始目标矩形区域的方向梯度直方图和颜色直方图进行加权处理，计算得到所述初始目标矩形区域的综合直方图，具体为：
采用式4对所述初始目标矩形区域的方向梯度直方图和颜色直方图进行加权处理，计算得到所述初始目标矩形区域的综合直方图；
其中，y为中心点的特征值，为第u个特征通道在初始目标矩形区域中出现的概率，c为归一化常数，i为第i个样本点，n为样本点的总数，k为在半径为h的高维球形区域中的样本点的数量，xi为第i个样本点的特征值，h为高维球形区域的半径，b1(xi)为样本点xi所属的颜色空间的特征通道，b2(xi)为样本点xi所属的梯度特征通道，δ[b1(xi)-u]和δ[b2(xi)-u]为单位脉冲函数，N1为颜色空间的特征通道的总数，N2-N1＝P为梯度特征通道的总数，N2为特征通道的总数。
对于上述方法，在一种可能的实现方式中，从第二帧行人图像开始，根据上一帧行人图像对应的上一目标矩形区域的综合直方图，在当前帧行人图像中寻找当前目标矩形区域，以使所述当前目标矩形区域的综合直方图与所述上一目标矩形区域的综合直方图的匹配度最高，包括：
从所述第二帧图像开始，采用连续自适应的均值漂移算法，将所述上一目标矩形区域作为所述当前目标矩形区域的初始值；
调整所述当前目标矩形区域的大小和位置，以使所述当前目标矩形区域的综合直方图与所述上一目标矩形区域的综合直方图的匹配度最高。
为了解决上述技术问题，根据本发明的另一实施例，提供了一种行人检测与跟踪装置包括：
方向梯度直方图计算模块，用于采用SVM分类器对第一帧行人图像进行检测，得到初始目标矩形区域，并计算所述初始目标矩形区域的方向梯度直方图；
颜色直方图计算模块，用于计算所述初始目标矩形区域在HSV颜色空间的色调分量直方图，并根据所述初始目标矩形区域的色调分量直方图计算所述初始目标矩形区域的颜色直方图；
综合直方图计算模块，用于对所述初始目标矩形区域的方向梯度直方图和颜色直方图进行加权处理，得到所述初始目标矩形区域的综合直方图；
目标矩形区域寻找模块，用于从第二帧行人图像开始，根据上一帧行人图像对应的上一目标矩形区域的综合直方图，在当前帧行人图像中寻找当前目标矩形区域，以使所述当前目标矩形区域的综合直方图与所述上一目标矩形区域的综合直方图的匹配度最高。
对于上述装置，在一种可能的实现方式中，所述颜色直方图计算模块包括：
颜色特征通道划分子模块，用于将RGB颜色空间的R、G和B三个颜色子空间分别划分为Q级，得到N1＝3Q个RGB颜色空间的特征通道；
颜色直方图计算子模块，用于采用均值漂移算法，统计各个特征通道在所述初始目标矩形区域中出现的概率以得到所述初始目标矩形区域的颜色直方图。
对于上述装置，在一种可能的实现方式中，所述颜色直方图计算子模块具体用于：
采用式1计算得到所述初始目标矩形区域的颜色直方图；
其中，u为第u个特征通道，y为中心点的特征值，为第u个特征通道在初始目标矩形区域中出现的概率，c为归一化常数，i为第i个样本点，n为样本点的总数，k为在半径为h的高维球形区域中的样本点的数量，xi为第i个样本点的特征值，h为高维球形区域的半径，b1(xi)为样本点xi所属的颜色空间的特征通道，δ[b1(xi)-u]为单位脉冲函数，N1为颜色空间的特征通道的总数。
对于上述装置，在一种可能的实现方式中，所述方向梯度直方图计算模块包括：
灰度化子模块，用于对所述初始目标矩形区域进行灰度化；
校正子模块，用于对灰度化的目标矩形区域进行Gamma校正；
梯度计算子模块，用于计算校正后的目标矩形区域中每个像素的梯度；
方向梯度直方图计算子模块，用于将梯度划分为P级，得到P个梯度特征通道，并采用均值漂移算法计算所述初始目标矩形区域的方向梯度直方图。
对于上述装置，在一种可能的实现方式中，所述方向梯度直方图计算子模块具体用于：
将梯度划分为P级，得到P个梯度特征通道，并采用式2计算得到所述初始目标矩形区域的方向梯度直方图；
其中，u为第u个特征通道，y为中心点的特征值，为第u个特征通道在初始目标矩形区域中出现的概率，c为归一化常数，i为第i个样本点，n为样本点的总数，k为在半径为h的高维球形区域中的样本点的数量，xi为第i个样本点的特征值，h为高维球形区域的半径，b2(xi)为样本点xi所属的梯度特征通道，δ[b2(xi)-u]为单位脉冲函数，N1为颜色空间的特征通道的总数，N2-N1＝P为梯度特征通道的总数，N2为特征通道的总数。
对于上述装置，在一种可能的实现方式中，所述综合直方图计算模块包括：
单调递减权值函数设置子模块，用于设置一单调递减权值函数；
综合直方图计算子模块，用于根据所述单调递减权值函数对所述初始目标矩形区域的方向梯度直方图和颜色直方图进行加权处理，计算得到所述初始目标矩形区域的综合直方图。
对于上述装置，在一种可能的实现方式中，所述单调递减权值函数设置子模块具体用于：
采用式3设置所述单调递减权值函数；
其中，u为第u个特征通道，N1为颜色空间的特征通道的总数，N2为特征通道的总数；
所述综合直方图计算子模块具体用于：
采用式4对所述初始目标矩形区域的方向梯度直方图和颜色直方图进行加权处理，计算得到所述初始目标矩形区域的综合直方图；
其中，y为中心点的特征值，为第u个特征通道在初始目标矩形区域中出现的概率，c为归一化常数，i为第i个样本点，n为样本点的总数，k为在半径为h的高维球形区域中的样本点的数量，xi为第i个样本点的特征值，h为高维球形区域的半径，b1(xi)为样本点xi所属的颜色空间的特征通道，b2(xi)为样本点xi所属的梯度特征通道，δ[b1(xi)-u]和δ[b2(xi)-u]为单位脉冲函数，N1为颜色空间的特征通道的总数，N2-N1＝P为梯度特征通道的总数，N2为特征通道的总数。
对于上述装置，在一种可能的实现方式中，所述目标矩形区域寻找模块包括：
初始值设置子模块，用于从所述第二帧图像开始，采用连续自适应的均值漂移算法，将所述上一目标矩形区域作为所述当前目标矩形区域的初始值；
目标矩形区域调整子模块，用于调整所述当前目标矩形区域的大小和位置，以使所述当前目标矩形区域的综合直方图与所述上一目标矩形区域的综合直方图的匹配度最高。
有益效果
通过基于颜色和梯度双重特征，颜色直方图反映目标的整体特征，方向梯度直方图反映目标的局部特征，对方向梯度直方图和颜色直方图进行加权处理得到综合直方图，根据上一帧行人图像对应的上一目标矩形区域的综合直方图，在当前帧行人图像中寻找当前目标矩形区域，以使当前目标矩形区域的综合直方图与上一目标矩形区域的综合直方图的匹配度最高，根据本发明实施例的行人检测与跟踪方法及装置能够具有较好的实时性，且能够获得更加精确的行人运动轨迹，适用于动态摄像条件下的行人检测与跟踪。
根据下面参考附图对示例性实施例的详细说明，本发明的其它特征及方面将变得清楚。
附图说明
包含在说明书中并且构成说明书的一部分的附图与说明书一起示出了本发明的示例性实施例、特征和方面，并且用于解释本发明的原理。
图1示出根据本发明一实施例的行人检测与跟踪方法的实现流程图；
图2示出根据本发明一实施例的行人检测与跟踪方法步骤S102中根据初始目标矩形区域的色调分量直方图计算初始目标矩形区域的颜色直方图的具体实现流程图；
图3示出根据本发明一实施例的行人检测与跟踪方法步骤S101中计算所述初始目标矩形区域的方向梯度直方图的具体实现流程图；
图4示出根据本发明一实施例的行人检测与跟踪方法步骤S103的具体实现流程图；
图5示出根据本发明一实施例的行人检测与跟踪方法步骤S104的具体实现流程图；
图6a至图6f示出了根据本发明一实施例的行人检测与跟踪方法寻找当前目标矩形区域的示意图；
图7示出根据本发明另一实施例的行人检测与跟踪方法的示例流程图；
图8示出根据本发明另一实施例的行人检测与跟踪方法的实现流程图；
图9示出根据本发明另一实施例的行人检测与跟踪装置的结构框图。
具体实施方式
以下将参考附图详细说明本发明的各种示例性实施例、特征和方面。附图中相同的附图标记表示功能相同或相似的元件。尽管在附图中示出了实施例的各种方面，但是除非特别指出，不必按比例绘制附图。
在这里专用的词“示例性”意为“用作例子、实施例或说明性”。这里作为“示例性”所说明的任何实施例不必解释为优于或好于其它实施例。
另外，为了更好的说明本发明，在下文的具体实施方式中给出了众多的具体细节。本领域技术人员应当理解，没有某些具体细节，本发明同样可以实施。在一些实例中，对于本领域技术人员熟知的方法、手段、元件和电路未作详细描述，以便于凸显本发明的主旨。
实施例1
图1示出根据本发明一实施例的行人检测与跟踪方法的实现流程图。如图1所示，该方法主要包括：
在步骤S101中，采用SVM分类器对第一帧行人图像进行检测，得到初始目标矩形区域，并计算初始目标矩形区域的方向梯度直方图。
需要说明的是，本发明实施例中的第一帧行人图像指的是待处理的第一帧行人图像。
在本发明实施例中，采用经过训练的SVM(Support Vector Machine，支持向量机)分类器对第一帧行人图像进行检测，得到初始目标矩形区域，并计算初始目标矩形区域的方向梯度直方图(HOG，Histogram ofOriented Gradient)。
在步骤S102中，计算初始目标矩形区域在HSV颜色空间的色调分量直方图，并根据初始目标矩形区域的色调分量直方图计算初始目标矩形区域的颜色直方图。
其中，HSV颜色空间的三个参数分别是色调(Hue)、饱和度(Saturation)和明度(Value)。
作为本发明实施例的一个示例，在获得初始目标矩形区域后，假设m1＝max{r,g,b}，m2＝min{r,g,b}，则采用式5确定色调分量h；
其中，r为R(Red，红)颜色子空间的颜色值，g为G(Green，绿)颜色子空间的颜色值，b为B(Blue，蓝)颜色子空间的颜色值。
在步骤S103中，对初始目标矩形区域的方向梯度直方图和颜色直方图进行加权处理，得到初始目标矩形区域的综合直方图。
颜色直方图反映的是目标的整体特征，方向梯度直方图反映的是目标的局部特征。在本发明实施例中，融合方向梯度直方图特征和颜色直方图特征来限定目标，从而提高目标匹配的精度。
在步骤S104中，从第二帧行人图像开始，根据上一帧行人图像对应的上一目标矩形区域的综合直方图，在当前帧行人图像中寻找当前目标矩形区域，以使当前目标矩形区域的综合直方图与上一目标矩形区域的综合直方图的匹配度最高。
其中，第二帧行人图像指的是第一帧行人图像的下一帧行人图像。从第二帧图像开始，以综合直方图为匹配特征，在当前帧行人图像中寻找与上一帧行人图像对应的上一目标矩形区域最为匹配的当前目标矩形区域，从而实现自动跟踪。
作为本发明实施例的一个示例，在步骤S101之前，该方法还包括：输入视频，从输入的视频中提取第一帧行人图像。该输入的视频可以由无人机拍摄获取，在此不作限定。无人机拍摄的视频中每一帧行人图像的大小可以为1920×1080(单位：像素)，帧率可以为25帧每秒，在此不作限定。
作为本发明实施例的一个示例，在步骤S104之后，该方法还包括：在当前帧行人图像中显示当前目标矩形区域。
图2示出根据本发明一实施例的行人检测与跟踪方法步骤S102中根据初始目标矩形区域的色调分量直方图计算初始目标矩形区域的颜色直方图的具体实现流程图。如图2所示，根据初始目标矩形区域的色调分量直方图计算初始目标矩形区域的颜色直方图，包括：
在步骤S201中，将RGB颜色空间的R、G和B三个颜色子空间分别划分为Q级，得到N1＝3Q个RGB颜色空间的特征通道。
作为本发明实施例的一个示例，将RGB颜色空间的R、G和B三个颜色子空间分别划分为Q级，即R、G和B三个颜色子空间分别具有Q个色调级别，其中，Q大于1。
在步骤S202中，采用均值漂移算法，统计各个特征通道在初始目标矩形区域中出现的概率以得到初始目标矩形区域的颜色直方图。
作为本发明实施例的一个示例，颜色直方图和方向梯度直方图的获取均采用均值漂移算法。在给定的d维空间xd中，有n个样本点xi，则x点的均值漂移向量定义为：
其中，h为高维球形区域的半径，Sh为半径为h的高维球形区域，k为在Sh区域中的样本点的数量。
设y为中心点的特征值，将颜色方向或梯度方向分为多个通道，对每个样本点进行加权，距离中心点越近，权值越大，则第u个特征通道在目标矩形区域中的概率为：
其中，u为第u个特征通道；y为中心点的特征值；c为归一化常数，其值为i为第i个样本点，n为样本点的总数；xi为第i个样本点的特征值；b(xi)为样本点xi所属的特征通道；δ为delta函数；若xi属于第u个特征通道，则δ[b(xi)-u]的值为1；若xi不属于第u个特征通道，则δ[b(xi)-u]的值为0。
在一种可能的实现方式中，采用均值漂移(Meanshift)算法，统计各个特征通道在初始目标矩形区域中出现的概率以得到初始目标矩形区域的颜色直方图，具体为：
采用式1计算得到初始目标矩形区域的颜色直方图；
其中，u为第u个特征通道，y为中心点的特征值，为第u个特征通道在初始目标矩形区域中出现的概率，c为归一化常数，i为第i个样本点，n为样本点的总数，k为在半径为h的高维球形区域中的样本点的数量，xi为第i个样本点的特征值，h为高维球形区域的半径，b1(xi)为样本点xi所属的颜色空间的特征通道，δ[b1(xi)-u]为单位脉冲函数，N1为颜色空间的特征通道的总数。
图3示出根据本发明一实施例的行人检测与跟踪方法步骤S101中计算所述初始目标矩形区域的方向梯度直方图的具体实现流程图。如图3所示，计算初始目标矩形区域的方向梯度直方图，包括：
在步骤S301中，对初始目标矩形区域进行灰度化。
其中，对初始目标矩形区域进行灰度化指的是将初始目标矩形区域的每一个像素的颜色值都用灰度值来表示。
在步骤S302中，对灰度化的目标矩形区域进行Gamma校正。
对灰度化的目标矩形区域进行Gamma(伽玛)校正，以进行颜色空间的标准化处理。
在步骤S303中，计算校正后的目标矩形区域中每个像素的梯度。
其中，每个像素的梯度均为向量。
在步骤S304中，将梯度划分为P级，得到P个梯度特征通道，并采用均值漂移算法计算初始目标矩形区域的方向梯度直方图。
在一种可能的实现方式中，采用均值漂移算法计算初始目标矩形区域的方向梯度直方图，具体为：
采用式2计算得到初始目标矩形区域的方向梯度直方图；
其中，u为第u个特征通道，y为中心点的特征值，为第u个特征通道在初始目标矩形区域中出现的概率，c为归一化常数，i为第i个样本点，n为样本点的总数，k为在半径为h的高维球形区域中的样本点的数量，xi为第i个样本点的特征值，h为高维球形区域的半径，b2(xi)为样本点xi所属的梯度特征通道，δ[b2(xi)-u]为单位脉冲函数，N1为颜色空间的特征通道的总数，N2-N1＝P为梯度特征通道的总数，N2为特征通道的总数。
图4示出根据本发明一实施例的行人检测与跟踪方法步骤S103的具体实现流程图。如图4所示，对初始目标矩形区域的方向梯度直方图和颜色直方图进行加权处理，得到初始目标矩形区域的综合直方图，包括：
在步骤S401中，设置一单调递减权值函数。
在这里，设置一单调递减权值函数，使样本点距离中心点越近，权值越大。
在步骤S402中，根据单调递减权值函数对初始目标矩形区域的方向梯度直方图和颜色直方图进行加权处理，计算得到初始目标矩形区域的综合直方图。
在一种可能的实现方式中，设置一单调递减权值函数具体为：
采用式3设置单调递减权值函数；
其中，u为第u个特征通道，N1为颜色空间的特征通道的总数，N2为特征通道的总数；
根据单调递减权值函数对初始目标矩形区域的方向梯度直方图和颜色直方图进行加权处理，计算得到初始目标矩形区域的综合直方图，具体为：
采用式4对初始目标矩形区域的方向梯度直方图和颜色直方图进行加权处理，计算得到初始目标矩形区域的综合直方图；
其中，y为中心点的特征值，为第u个特征通道在初始目标矩形区域中出现的概率，c为归一化常数，i为第i个样本点，n为样本点的总数，k为在半径为h的高维球形区域中的样本点的数量，xi为第i个样本点的特征值，h为高维球形区域的半径，b1(xi)为样本点xi所属的颜色空间的特征通道，b2(xi)为样本点xi所属的梯度特征通道，δ[b1(xi)-u]和δ[b2(xi)-u]为单位脉冲函数，N1为颜色空间的特征通道的总数，N2-N1＝P为梯度特征通道的总数，N2为特征通道的总数。
图5示出根据本发明一实施例的行人检测与跟踪方法步骤S104的具体实现流程图。如图5所示，从第二帧行人图像开始，根据上一帧行人图像对应的上一目标矩形区域的综合直方图，在当前帧行人图像中寻找当前目标矩形区域，以使当前目标矩形区域的综合直方图与上一目标矩形区域的综合直方图的匹配度最高，包括：
在步骤S501中，从第二帧图像开始，采用连续自适应的均值漂移算法，将上一目标矩形区域作为当前目标矩形区域的初始值。
其中，将上一目标矩形区域作为当前目标矩形区域的初始值具体可以为：将上一目标矩形区域的几何中心作为当前目标矩形区域的几何中心的初始值，根据上一目标矩形区域的长宽确定当前目标矩形区域的长宽，计算候选的当前目标矩形区域加权处理的颜色直方图和方向梯度直方图。例如，根据上一目标矩形区域的长宽确定当前目标矩形区域的长宽可以为：假设上一目标矩形区域的长度为L1，宽度为L2，将当前目标矩形区域的长度确定为0.9L1至1.1L1，将当前目标矩形区域的宽度确定为0.9L2至1.1L2。
在步骤S502中，调整当前目标矩形区域的大小和位置，以使当前目标矩形区域的综合直方图与上一目标矩形区域的综合直方图的匹配度最高。
其中，调整当前目标矩形区域的大小和位置具体可以为：根据均值漂移算法计算下一个可能的当前目标矩形区域的位置，调整当前目标矩形区域的几何中心位置，并调整当前目标矩形区域的大小。
其中，使当前目标矩形区域的综合直方图与上一目标矩形区域的综合直方图的匹配度最高可以为：计算当前目标矩形区域的综合直方图与上一目标矩形区域的综合直方图之间的巴氏系数(Bhattacharyya Coefficient)，若计算得到的巴氏系数小于预设值，则调整当前目标矩形区域的大小和位置；若计算得到的巴氏系数大于或等于预设值，则判定当前目标矩形区域的综合直方图与上一目标矩形区域的综合直方图的匹配度最高。
图6a至图6f示出了根据本发明一实施例的行人检测与跟踪方法寻找当前目标矩形区域的示意图。在图6c至图6f中，在跟踪运动目标时，增大目标矩形区域的面积，以提高跟踪准确度。
这样，通过基于颜色和梯度双重特征，颜色直方图反映目标的整体特征，方向梯度直方图反映目标的局部特征，对方向梯度直方图和颜色直方图进行加权处理得到综合直方图，根据上一帧行人图像对应的上一目标矩形区域的综合直方图，在当前帧行人图像中寻找当前目标矩形区域，以使当前目标矩形区域的综合直方图与上一目标矩形区域的综合直方图的匹配度最高，根据本发明实施例的行人检测与跟踪方法能够具有较好的实时性，且能够获得更加精确的行人运动轨迹，适用于动态摄像条件下的行人检测与跟踪。
实施例2
图7示出根据本发明另一实施例的行人检测与跟踪方法的示例流程图。在本发明实施例中，以梯度特征通道的总数P为16、颜色空间的特征通道的总数N1为48为例进行说明，上述数值仅是示例，本发明实施例并不具体限制上述数值的选取范围。如图7所示，该方法主要包括：
在步骤S701中，采用SVM分类器对第一帧行人图像进行检测，得到初始目标矩形区域。
在步骤S702中，计算初始目标矩形区域在HSV颜色空间的色调分量直方图。
在步骤S703中，将RGB颜色空间的R、G和B三个颜色子空间分别划分为16级，得到48个RGB颜色空间的特征通道。
在步骤S704中，采用式1-1计算得到初始目标矩形区域的颜色直方图；
其中，将N1等于48代入式1可以得到式1-1。
在步骤S705中，对初始目标矩形区域进行灰度化。
在步骤S706中，对灰度化的目标矩形区域进行Gamma校正。
在步骤S707中，计算校正后的目标矩形区域中每个像素的梯度。
在步骤S708中，将梯度划分为16级，得到16个梯度特征通道，并采用式2-1计算得到初始目标矩形区域的方向梯度直方图；
在本发明实施例中，将梯度划分为16级，每级22.5°，梯度特征通道的总数为16；N2等于64，即特征通道的总数为64。将N1、N2的数值代入上述实施例的式2可以得到式2-1。
将N1、N2的数值代入上述实施例的式3可以得到式3-1，在步骤S709中，采用式3-1设置单调递减权值函数；
将N1、N2的数值代入上述实施例的式4可以得到式4-1，在步骤S710中，采用式4-1对初始目标矩形区域的方向梯度直方图和颜色直方图进行加权处理，计算得到初始目标矩形区域的综合直方图；
在步骤S711中，从第二帧图像开始，采用连续自适应的均值漂移算法，将上一目标矩形区域作为当前目标矩形区域的初始值。
在步骤S712中，调整当前目标矩形区域的大小和位置，以使当前目标矩形区域的综合直方图与上一目标矩形区域的综合直方图的匹配度最高。
这样，通过基于颜色和梯度双重特征，颜色直方图反映目标的整体特征，方向梯度直方图反映目标的局部特征，对方向梯度直方图和颜色直方图进行加权处理得到综合直方图，根据上一帧行人图像对应的上一目标矩形区域的综合直方图，在当前帧行人图像中寻找当前目标矩形区域，以使当前目标矩形区域的综合直方图与上一目标矩形区域的综合直方图的匹配度最高，根据本发明实施例的行人检测与跟踪方法能够具有较好的实时性，且能够获得更加精确的行人运动轨迹，适用于动态摄像条件下的行人检测与跟踪。
实施例3
图8示出根据本发明另一实施例的行人检测与跟踪方法的实现流程图。如图8所示，该方法主要包括：
在步骤S801中，根据行人样本的方向梯度直方图和非行人样本的方向梯度直方图训练得到初始分类器。
在本发明实施例中，提取行人样本和非行人样本的方向梯度直方图特征，投入到SVM中训练，得到初始分类器。
在步骤S801之前，该方法还可以包括：选定行人样本和非行人样本。例如，可以采用INRIA(Institut National de Recherche en Informatique et enAutomatique(法语)，the French Institute for Research in Computer Science andAutomation，法国国家信息与自动化研究所)行人数据集，假设行人样本的数量为2451。非行人样本取自非行人样本原图，数量为13400。
在步骤S802中，采用初始分类器检测非行人样本，获得难例，并提取难例的方向梯度直方图。
采用初始分类器检测前面用来训练的非行人样本，获得难例(HardExample)。难例指的是由初始分类器判定为行人，而实际并非行人的样本。例如，从13400个非行人样本中检测出4716个难例。
在步骤S803中，根据难例、行人样本和非行人样本的方向梯度直方图训练初始分类器，得到SVM分类器。
在步骤S804中，采用SVM分类器对第一帧行人图像进行检测，得到初始目标矩形区域，并计算初始目标矩形区域的方向梯度直方图。
在步骤S805中，计算初始目标矩形区域在HSV颜色空间的色调分量直方图，并根据初始目标矩形区域的色调分量直方图计算初始目标矩形区域的颜色直方图。
在步骤S806中，对初始目标矩形区域的方向梯度直方图和颜色直方图进行加权处理，得到初始目标矩形区域的综合直方图。
在步骤S807中，从第二帧行人图像开始，根据上一帧行人图像对应的上一目标矩形区域的综合直方图，在当前帧行人图像中寻找当前目标矩形区域，以使当前目标矩形区域的综合直方图与上一目标矩形区域的综合直方图的匹配度最高。
这样，通过采用方向梯度直方图特征结合SVM方法训练和检测行人，获取行人初始位置，作为连续自适应的均值漂移算法的初始化参数，提高了行人跟踪的精度。
实施例4
图9示出根据本发明另一实施例的行人检测与跟踪装置的结构框图。如图9所示，该装置主要包括：
方向梯度直方图计算模块91，用于采用SVM分类器对第一帧行人图像进行检测，得到初始目标矩形区域，并计算初始目标矩形区域的方向梯度直方图；
颜色直方图计算模块92，用于计算初始目标矩形区域在HSV颜色空间的色调分量直方图，并根据初始目标矩形区域的色调分量直方图计算初始目标矩形区域的颜色直方图；
综合直方图计算模块93，用于对初始目标矩形区域的方向梯度直方图和颜色直方图进行加权处理，得到初始目标矩形区域的综合直方图；
目标矩形区域寻找模块94，用于从第二帧行人图像开始，根据上一帧行人图像对应的上一目标矩形区域的综合直方图，在当前帧行人图像中寻找当前目标矩形区域，以使当前目标矩形区域的综合直方图与上一目标矩形区域的综合直方图的匹配度最高。
对于上述装置，在一种可能的实现方式中，颜色直方图计算模块92包括：
颜色特征通道划分子模块921，用于将RGB颜色空间的R、G和B三个颜色子空间分别划分为Q级，得到N1＝3Q个RGB颜色空间的特征通道；
颜色直方图计算子模块922，用于采用均值漂移算法，统计各个特征通道在初始目标矩形区域中出现的概率以得到初始目标矩形区域的颜色直方图。
对于上述装置，在一种可能的实现方式中，颜色直方图计算子模块922具体用于：
采用式1计算得到初始目标矩形区域的颜色直方图；
其中，u为第u个特征通道，y为中心点的特征值，为第u个特征通道在初始目标矩形区域中出现的概率，c为归一化常数，i为第i个样本点，n为样本点的总数，k为在半径为h的高维球形区域中的样本点的数量，xi为第i个样本点的特征值，h为高维球形区域的半径，b1(xi)为样本点xi所属的颜色空间的特征通道，δ[b1(xi)-u]为单位脉冲函数，N1为颜色空间的特征通道的总数。
对于上述装置，在一种可能的实现方式中，方向梯度直方图计算模块91包括：
灰度化子模块911，用于对初始目标矩形区域进行灰度化；
校正子模块912，用于对灰度化的目标矩形区域进行Gamma校正；
梯度计算子模块913，用于计算校正后的目标矩形区域中每个像素的梯度；
方向梯度直方图计算子模块914，用于将梯度划分为P级，得到P个梯度特征通道，并采用均值漂移算法计算初始目标矩形区域的方向梯度直方图。
对于上述装置，在一种可能的实现方式中，方向梯度直方图计算子模块914具体用于：
将梯度划分为P级，得到P个梯度特征通道，并采用式2计算得到初始目标矩形区域的方向梯度直方图；
其中，u为第u个特征通道，y为中心点的特征值，为第u个特征通道在初始目标矩形区域中出现的概率，c为归一化常数，i为第i个样本点，n为样本点的总数，k为在半径为h的高维球形区域中的样本点的数量，xi为第i个样本点的特征值，h为高维球形区域的半径，b2(xi)为样本点xi所属的梯度特征通道，δ[b2(xi)-u]为单位脉冲函数，N1为颜色空间的特征通道的总数，N2-N1＝P为梯度特征通道的总数，N2为特征通道的总数。
对于上述装置，在一种可能的实现方式中，综合直方图计算模块93包括：
单调递减权值函数设置子模块931，用于设置一单调递减权值函数；
综合直方图计算子模块932，用于根据单调递减权值函数对初始目标矩形区域的方向梯度直方图和颜色直方图进行加权处理，计算得到初始目标矩形区域的综合直方图。
对于上述装置，在一种可能的实现方式中，单调递减权值函数设置子模块931具体用于：
采用式3设置单调递减权值函数；
其中，u为第u个特征通道，N1为颜色空间的特征通道的总数，N2为特征通道的总数；
综合直方图计算子模块932具体用于：
采用式4对初始目标矩形区域的方向梯度直方图和颜色直方图进行加权处理，计算得到初始目标矩形区域的综合直方图；
其中，y为中心点的特征值，为第u个特征通道在初始目标矩形区域中出现的概率，c为归一化常数，i为第i个样本点，n为样本点的总数，k为在半径为h的高维球形区域中的样本点的数量，xi为第i个样本点的特征值，h为高维球形区域的半径，b1(xi)为样本点xi所属的颜色空间的特征通道，b2(xi)为样本点xi所属的梯度特征通道，δ[b1(xi)-u]和δ[b2(xi)-u]为单位脉冲函数，N1为颜色空间的特征通道的总数，N2-N1＝P为梯度特征通道的总数，N2为特征通道的总数。
对于上述装置，在一种可能的实现方式中，目标矩形区域寻找模块94包括：
初始值设置子模块941，用于从第二帧图像开始，采用连续自适应的均值漂移算法，将上一目标矩形区域作为当前目标矩形区域的初始值；
目标矩形区域调整子模块942，用于调整当前目标矩形区域的大小和位置，以使当前目标矩形区域的综合直方图与上一目标矩形区域的综合直方图的匹配度最高。
通过基于颜色和梯度双重特征，颜色直方图反映目标的整体特征，方向梯度直方图反映目标的局部特征，对方向梯度直方图和颜色直方图进行加权处理得到综合直方图，根据上一帧行人图像对应的上一目标矩形区域的综合直方图，在当前帧行人图像中寻找当前目标矩形区域，以使当前目标矩形区域的综合直方图与上一目标矩形区域的综合直方图的匹配度最高，根据本发明实施例的行人检测与跟踪装置能够具有较好的实时性，且能够获得更加精确的行人运动轨迹，适用于动态摄像条件下的行人检测与跟踪。
以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以所述权利要求的保护范围为准。

Claims (16)

1.一种行人检测与跟踪方法，其特征在于，包括：
采用SVM分类器对第一帧行人图像进行检测，得到初始目标矩形区域，并计算所述初始目标矩形区域的方向梯度直方图；
计算所述初始目标矩形区域在HSV颜色空间的色调分量直方图，并根据所述初始目标矩形区域的色调分量直方图计算所述初始目标矩形区域的颜色直方图；
对所述初始目标矩形区域的方向梯度直方图和颜色直方图进行加权处理，得到所述初始目标矩形区域的综合直方图；
从第二帧行人图像开始，根据上一帧行人图像对应的上一目标矩形区域的综合直方图，在当前帧行人图像中寻找当前目标矩形区域，以使所述当前目标矩形区域的综合直方图与所述上一目标矩形区域的综合直方图的匹配度最高。
2.根据权利要求1所述的方法，其特征在于，根据所述初始目标矩形区域的色调分量直方图计算所述初始目标矩形区域的颜色直方图，包括：
将RGB颜色空间的R、G和B三个颜色子空间分别划分为Q级，得到N1＝3Q个RGB颜色空间的特征通道；
采用均值漂移算法，统计各个特征通道在所述初始目标矩形区域中出现的概率以得到所述初始目标矩形区域的颜色直方图。
3.根据权利要求2所述的方法，其特征在于，采用均值漂移算法，统计各个特征通道在所述初始目标矩形区域中出现的概率以得到所述初始目标矩形区域的颜色直方图，具体为：
采用式1计算得到所述初始目标矩形区域的颜色直方图；
其中，u为第u个特征通道，y为中心点的特征值，为第u个特征通道在初始目标矩形区域中出现的概率，c为归一化常数，i为第i个样本点，n为样本点的总数，k为在半径为h的高维球形区域中的样本点的数量，xi为第i个样本点的特征值，h为高维球形区域的半径，b1(xi)为样本点xi所属的颜色空间的特征通道，δ[b1(xi)-u]为单位脉冲函数，N1为颜色空间的特征通道的总数。
4.根据权利要求1至3任意一项所述的方法，其特征在于，计算所述初始目标矩形区域的方向梯度直方图，包括：
对所述初始目标矩形区域进行灰度化；
对灰度化的目标矩形区域进行Gamma校正；
计算校正后的目标矩形区域中每个像素的梯度；
将梯度划分为P级，得到P个梯度特征通道，并采用均值漂移算法计算所述初始目标矩形区域的方向梯度直方图。
5.根据权利要求4所述的方法，其特征在于，采用均值漂移算法计算所述初始目标矩形区域的方向梯度直方图，具体为：
采用式2计算得到所述初始目标矩形区域的方向梯度直方图；
其中，u为第u个特征通道，y为中心点的特征值，为第u个特征通道在初始目标矩形区域中出现的概率，c为归一化常数，i为第i个样本点，n为样本点的总数，k为在半径为h的高维球形区域中的样本点的数量，xi为第i个样本点的特征值，h为高维球形区域的半径，b2(xi)为样本点xi所属的梯度特征通道，δ[b2(xi)-u]为单位脉冲函数，N1为颜色空间的特征通道的总数，N2-N1＝P为梯度特征通道的总数，N2为特征通道的总数。
6.根据权利要求1至5任意一项所述的方法，其特征在于，对所述初始目标矩形区域的方向梯度直方图和颜色直方图进行加权处理，得到所述初始目标矩形区域的综合直方图，包括：
设置一单调递减权值函数；
根据所述单调递减权值函数对所述初始目标矩形区域的方向梯度直方图和颜色直方图进行加权处理，计算得到所述初始目标矩形区域的综合直方图。
7.根据权利要求6所述的方法，其特征在于，设置一单调递减权值函数具体为：
采用式3设置所述单调递减权值函数；
其中，u为第u个特征通道，N1为颜色空间的特征通道的总数，N2为特征通道的总数；
根据所述单调递减权值函数对所述初始目标矩形区域的方向梯度直方图和颜色直方图进行加权处理，计算得到所述初始目标矩形区域的综合直方图，具体为：
采用式4对所述初始目标矩形区域的方向梯度直方图和颜色直方图进行加权处理，计算得到所述初始目标矩形区域的综合直方图；
其中，y为中心点的特征值，为第u个特征通道在初始目标矩形区域中出现的概率，c为归一化常数，i为第i个样本点，n为样本点的总数，k为在半径为h的高维球形区域中的样本点的数量，xi为第i个样本点的特征值，h为高维球形区域的半径，b1(xi)为样本点xi所属的颜色空间的特征通道，b2(xi)为样本点xi所属的梯度特征通道，δ[b1(xi)-u]和δ[b2(xi)-u]为单位脉冲函数，N1为颜色空间的特征通道的总数，N2-N1＝P为梯度特征通道的总数，N2为特征通道的总数。
8.根据权利要求1至7任意一项所述的方法，其特征在于，从第二帧行人图像开始，根据上一帧行人图像对应的上一目标矩形区域的综合直方图，在当前帧行人图像中寻找当前目标矩形区域，以使所述当前目标矩形区域的综合直方图与所述上一目标矩形区域的综合直方图的匹配度最高，包括：
从所述第二帧图像开始，采用连续自适应的均值漂移算法，将所述上一目标矩形区域作为所述当前目标矩形区域的初始值；
调整所述当前目标矩形区域的大小和位置，以使所述当前目标矩形区域的综合直方图与所述上一目标矩形区域的综合直方图的匹配度最高。
9.一种行人检测与跟踪装置，其特征在于，包括：
方向梯度直方图计算模块，用于采用SVM分类器对第一帧行人图像进行检测，得到初始目标矩形区域，并计算所述初始目标矩形区域的方向梯度直方图；
颜色直方图计算模块，用于计算所述初始目标矩形区域在HSV颜色空间的色调分量直方图，并根据所述初始目标矩形区域的色调分量直方图计算所述初始目标矩形区域的颜色直方图；
综合直方图计算模块，用于对所述初始目标矩形区域的方向梯度直方图和颜色直方图进行加权处理，得到所述初始目标矩形区域的综合直方图；
目标矩形区域寻找模块，用于从第二帧行人图像开始，根据上一帧行人图像对应的上一目标矩形区域的综合直方图，在当前帧行人图像中寻找当前目标矩形区域，以使所述当前目标矩形区域的综合直方图与所述上一目标矩形区域的综合直方图的匹配度最高。
10.根据权利要求9所述的装置，其特征在于，所述颜色直方图计算模块包括：
颜色特征通道划分子模块，用于将RGB颜色空间的R、G和B三个颜色子空间分别划分为Q级，得到N1＝3Q个RGB颜色空间的特征通道；
颜色直方图计算子模块，用于采用均值漂移算法，统计各个特征通道在所述初始目标矩形区域中出现的概率以得到所述初始目标矩形区域的颜色直方图。
11.根据权利要求10所述的装置，其特征在于，所述颜色直方图计算子模块具体用于：
采用式1计算得到所述初始目标矩形区域的颜色直方图；
其中，u为第u个特征通道，y为中心点的特征值，为第u个特征通道在初始目标矩形区域中出现的概率，c为归一化常数，i为第i个样本点，n为样本点的总数，k为在半径为h的高维球形区域中的样本点的数量，xi为第i个样本点的特征值，h为高维球形区域的半径，b1(xi)为样本点xi所属的颜色空间的特征通道，δ[b1(xi)-u]为单位脉冲函数，N1为颜色空间的特征通道的总数。
12.根据权利要求9-11任意一项所述的装置，其特征在于，所述方向梯度直方图计算模块包括：
灰度化子模块，用于对所述初始目标矩形区域进行灰度化；
校正子模块，用于对灰度化的目标矩形区域进行Gamma校正；
梯度计算子模块，用于计算校正后的目标矩形区域中每个像素的梯度；
方向梯度直方图计算子模块，用于将梯度划分为P级，得到P个梯度特征通道，并采用均值漂移算法计算所述初始目标矩形区域的方向梯度直方图。
13.根据权利要求12所述的装置，其特征在于，所述方向梯度直方图计算子模块具体用于：
将梯度划分为P级，得到P个梯度特征通道，并采用式2计算得到所述初始目标矩形区域的方向梯度直方图；
其中，u为第u个特征通道，y为中心点的特征值，为第u个特征通道在初始目标矩形区域中出现的概率，c为归一化常数，i为第i个样本点，n为样本点的总数，k为在半径为h的高维球形区域中的样本点的数量，xi为第i个样本点的特征值，h为高维球形区域的半径，b2(xi)为样本点xi所属的梯度特征通道，δ[b2(xi)-u]为单位脉冲函数，N1为颜色空间的特征通道的总数，N2-N1＝P为梯度特征通道的总数，N2为特征通道的总数。
14.根据权利要求9至13任意一项所述的装置，其特征在于，所述综合直方图计算模块包括：
单调递减权值函数设置子模块，用于设置一单调递减权值函数；
综合直方图计算子模块，用于根据所述单调递减权值函数对所述初始目标矩形区域的方向梯度直方图和颜色直方图进行加权处理，计算得到所述初始目标矩形区域的综合直方图。
15.根据权利要求14所述的装置，其特征在于，所述单调递减权值函数设置子模块具体用于：
采用式3设置所述单调递减权值函数；
其中，u为第u个特征通道，N1为颜色空间的特征通道的总数，N2为特征通道的总数；
所述综合直方图计算子模块具体用于：
采用式4对所述初始目标矩形区域的方向梯度直方图和颜色直方图进行加权处理，计算得到所述初始目标矩形区域的综合直方图；
其中，y为中心点的特征值，为第u个特征通道在初始目标矩形区域中出现的概率，c为归一化常数，i为第i个样本点，n为样本点的总数，k为在半径为h的高维球形区域中的样本点的数量，xi为第i个样本点的特征值，h为高维球形区域的半径，b1(xi)为样本点xi所属的颜色空间的特征通道，b2(xi)为样本点xi所属的梯度特征通道，δ[b1(xi)-u]和δ[b2(xi)-u]为单位脉冲函数，N1为颜色空间的特征通道的总数，N2-N1＝P为梯度特征通道的总数，N2为特征通道的总数。
16.根据权利要求9至15任意一项所述的装置，其特征在于，所述目标矩形区域寻找模块包括：
初始值设置子模块，用于从所述第二帧图像开始，采用连续自适应的均值漂移算法，将所述上一目标矩形区域作为所述当前目标矩形区域的初始值；
目标矩形区域调整子模块，用于调整所述当前目标矩形区域的大小和位置，以使所述当前目标矩形区域的综合直方图与所述上一目标矩形区域的综合直方图的匹配度最高。
CN201610270253.XA 2016-04-27 2016-04-27 行人检测与跟踪方法及装置 Pending CN105957107A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201610270253.XA CN105957107A (zh) 2016-04-27 2016-04-27 行人检测与跟踪方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201610270253.XA CN105957107A (zh) 2016-04-27 2016-04-27 行人检测与跟踪方法及装置

Publications (1)

Publication Number Publication Date
CN105957107A true CN105957107A (zh) 2016-09-21

Family

ID=56916663

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201610270253.XA Pending CN105957107A (zh) 2016-04-27 2016-04-27 行人检测与跟踪方法及装置

Country Status (1)

Country Link
CN (1) CN105957107A (zh)

Cited By (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106843278A (zh) * 2016-11-24 2017-06-13 腾讯科技（深圳）有限公司 一种飞行器跟踪方法、装置及飞行器
JP2018146440A (ja) * 2017-03-07 2018-09-20 株式会社豊田自動織機 環境認識装置
WO2019140609A1 (zh) * 2018-01-18 2019-07-25 深圳市道通智能航空技术有限公司 目标检测方法及无人机
CN110222569A (zh) * 2019-05-05 2019-09-10 北京三快在线科技有限公司 对象检测方法、装置、电子设备及可读存储介质
WO2019200785A1 (zh) * 2018-04-18 2019-10-24 平安科技（深圳）有限公司 快速手部跟踪方法、装置、终端及存储介质
US10720672B2 (en) 2017-04-24 2020-07-21 Autel Robotics Co., Ltd Series-multiple battery pack management system
CN112101260A (zh) * 2020-09-22 2020-12-18 广东电科院能源技术有限责任公司 一种作业人员安全带识别方法、装置、设备和存储介质
CN112347818A (zh) * 2019-08-08 2021-02-09 初速度（苏州）科技有限公司 一种视频目标检测模型的困难样本图像筛选方法及装置

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102831409A (zh) * 2012-08-30 2012-12-19 苏州大学 基于粒子滤波的运动行人视频自动跟踪方法及系统
CN103198493A (zh) * 2013-04-09 2013-07-10 天津大学 一种基于多特征自适应融合和在线学习的目标跟踪方法
CN103426179A (zh) * 2012-05-17 2013-12-04 深圳中兴力维技术有限公司 一种基于均值偏移多特征融合的目标跟踪方法及装置
CN103552890A (zh) * 2013-11-07 2014-02-05 深圳市汇川技术股份有限公司 电梯轿厢人数检测系统及方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103426179A (zh) * 2012-05-17 2013-12-04 深圳中兴力维技术有限公司 一种基于均值偏移多特征融合的目标跟踪方法及装置
CN102831409A (zh) * 2012-08-30 2012-12-19 苏州大学 基于粒子滤波的运动行人视频自动跟踪方法及系统
CN103198493A (zh) * 2013-04-09 2013-07-10 天津大学 一种基于多特征自适应融合和在线学习的目标跟踪方法
CN103552890A (zh) * 2013-11-07 2014-02-05 深圳市汇川技术股份有限公司 电梯轿厢人数检测系统及方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
刘欢敏 等: "一种基于背景加权直方图的Mean-Shift跟踪算法", 《湖南工业大学学报》 *

Cited By (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106843278A (zh) * 2016-11-24 2017-06-13 腾讯科技（深圳）有限公司 一种飞行器跟踪方法、装置及飞行器
JP2018146440A (ja) * 2017-03-07 2018-09-20 株式会社豊田自動織機 環境認識装置
US10720672B2 (en) 2017-04-24 2020-07-21 Autel Robotics Co., Ltd Series-multiple battery pack management system
WO2019140609A1 (zh) * 2018-01-18 2019-07-25 深圳市道通智能航空技术有限公司 目标检测方法及无人机
US10839555B2 (en) 2018-01-18 2020-11-17 Autel Robotics Co., Ltd. Target detection method and unmanned aerial vehicle
WO2019200785A1 (zh) * 2018-04-18 2019-10-24 平安科技（深圳）有限公司 快速手部跟踪方法、装置、终端及存储介质
CN110222569A (zh) * 2019-05-05 2019-09-10 北京三快在线科技有限公司 对象检测方法、装置、电子设备及可读存储介质
CN112347818A (zh) * 2019-08-08 2021-02-09 初速度（苏州）科技有限公司 一种视频目标检测模型的困难样本图像筛选方法及装置
CN112347818B (zh) * 2019-08-08 2022-05-13 魔门塔(苏州)科技有限公司 一种视频目标检测模型的困难样本图像筛选方法及装置
CN112101260A (zh) * 2020-09-22 2020-12-18 广东电科院能源技术有限责任公司 一种作业人员安全带识别方法、装置、设备和存储介质
CN112101260B (zh) * 2020-09-22 2023-09-26 南方电网电力科技股份有限公司 一种作业人员安全带识别方法、装置、设备和存储介质

Similar Documents

Publication Publication Date Title
CN105957107A (zh) 行人检测与跟踪方法及装置
CN104282020B (zh) 一种基于目标运动轨迹的车辆速度检测方法
CN107292234B (zh) 一种基于信息边缘和多模态特征的室内场景布局估计方法
CN109903331B (zh) 一种基于rgb-d相机的卷积神经网络目标检测方法
CN106023257B (zh) 一种基于旋翼无人机平台的目标跟踪方法
CN105404861A (zh) 人脸关键特征点检测模型的训练、检测方法及系统
CN107392929B (zh) 一种基于人眼视觉模型的智能化目标检测及尺寸测量方法
KR20140045854A (ko) 단일객체에 대한 기울기를 추정하는 영상을 감시하는 장치 및 방법
KR20170133262A (ko) 물체 인식 장치, 물체 인식 방법 및 프로그램
CN106952294B (zh) 一种基于rgb-d数据的视频跟踪方法
CN104240264A (zh) 一种运动物体的高度检测方法和装置
CN104484680B (zh) 一种多模型多阈值组合的行人检测方法
CN107578430A (zh) 一种基于自适应权值和局部熵的立体匹配方法
CN104794737A (zh) 一种深度信息辅助粒子滤波跟踪方法
CN106997478B (zh) 基于显著中心先验的rgb-d图像显著目标检测方法
CN112798811A (zh) 速度测量方法、装置和设备
CN110490099A (zh) 一种基于机器视觉的地铁公共地点人流量分析方法
CN108305277A (zh) 一种基于直线段的异源图像匹配方法
CN103093458A (zh) 关键帧的检测方法及装置
CN109493384A (zh) 相机位姿估计方法、系统、设备及存储介质
CN104599288A (zh) 一种基于肤色模板的特征跟踪方法及装置
JP6817742B2 (ja) 情報処理装置およびその制御方法
US10643338B2 (en) Object detection device and object detection method
CN107045630B (zh) 一种基于rgbd的行人检测和身份识别方法及系统
Rodriguez-Telles et al. A fast floor segmentation algorithm for visual-based robot navigation

Legal Events

Date Code Title Description
C06 Publication
PB01 Publication
C10 Entry into substantive examination
SE01 Entry into force of request for substantive examination
RJ01 Rejection of invention patent application after publication

Application publication date: 20160921

RJ01 Rejection of invention patent application after publication