[发明专利]基于在线学习的人体重现检测方法及其系统

说明书

技术领域

本发明涉及模式识别和计算机视觉领域，特别涉及一种基于在线学习人体重现检测方法及其系统。

背景技术

所谓人体重现检测，就是给定一个人某一时刻在一个摄像机下的图像帧(带有该人的人体检测窗口)，寻找所有其他时刻在当前摄像机或其他摄像机下该人出现过的图像帧/序列。从这些搜索结果中，我们可以获得该人在一段时间里在不同位置上的出现情况和发生的行为等信息。人体重现检测在视频监控领域中有着非常广泛的应用。利用重现检测的结果，我们可以利用不同时段上人出现的位置和其所发生的行为进行长周期行为分析；通过分析不同地理位置上待查询人的出现情况，可以进行失踪寻人和嫌疑犯搜索等操作。另外，人体重现检测也可以提高现有跟踪算法的鲁棒性，使得在跟踪算法发生偏移或者跟丢的情况下重新寻回跟踪目标，保持跟踪的连续性。已有的方法大多关注与不同视角下的同一个行人个体的匹配算法，而假设行人已经被从图像中很好的检测到(检测一般通过手工标注)，而作为一个实用性人体重现系统，需要考虑自动性功能和根据运行时间自动管理行人特征数据库的能力。

发明内容

为解决上述问题，本发明试图设计智能视频处理功能，能够自动的从视频中实现人体的检测、跟踪和特征提取；并且可以根据对于人体的跟踪情况以及该检测体和其他检测对象的关系来自动升级人体表观模型。提供了一种基于在线学习的人体重现检测系统及其方法。

本发明公开一种基于在线学习的人体重现检测方法，包括如下步骤：

步骤1，在视频帧中检测人体，得到所述视频帧中的人体检测集合；

步骤2，对所述的人体检测集合中的人体进行跟踪；

步骤3，根据所述人体检测集合和人体跟踪的结果，进行学习和更新人体特征模型；

步骤4，存储和管理人体特征模型，得到匹配的人体特征模型，并在新的输入视频帧中进行人体重现检测。

所述的基于在线学习的人体重现检测方法，所述步骤1还包括：

步骤21，采用图像窗口扫描的方式，使用人体检测器在图像金字塔中检测人体；当人体出现在视频帧中，输出人体所在的矩形框。

所述的基于在线学习的人体重现检测方法，所述步骤21还包括：

步骤31，收集标注好的人体图像窗口和非人体图像窗口作为训练数据，并对训练数据提取特征；

步骤32，基于提取到的图像特征表示，通过统计学习的方式，学习人体图像窗口分类器来区分某一图像窗口中是否包含人体；

步骤33，对于输入图像在各个尺度重采样，构成图像金字塔，对图像金字塔的每一个图像重采样的图像提取图像特征；

步骤34，对图像金字塔中的每一个图像窗口进行分类，找出所有人体特征的检测窗口；

步骤35，利用聚类方法对分类结果进行去重复检测的操作。

所述的基于在线学习的人体重现检测方法，所述步骤2还包括：

步骤41，采用光流特征，预测目标物体的位置和尺度；

步骤42，对于人体检测的结果初始化目标跟踪算法；

步骤43，在视频的当前帧和下一帧中提取光流，给予光流预测目标物体在下一帧的位置和大小；

步骤44，输出跟踪结果的可信度。

所述的基于在线学习的人体重现检测方法，所述步骤3还包括：

步骤51，使用人体检测和人体跟踪的结果作为输入数据，对于每一个被检测并连续跟踪到的人体建立一个人体特征模型；

步骤52，在之后的视频帧处理中，利用所述人体特征模型来检测视频帧中重现的人体，并利用检测到的重现人体更新其对应的人体特征模型。

所述的基于在线学习的人体重现检测方法，所述步骤51还包括：

步骤61，判断输入视频帧的人体检测结果中是否包含新出现的人体；

步骤62，如果是新出现的人体，对其训练人体特征模型，并加入人体特征模型集合中；

步骤63，反之，将人体检测与人体跟踪结果关联起来，基于所述人体检测与人体跟踪结果更新其对应的人体特征模型。

所述的基于在线学习的人体重现检测方法，所述步骤4之后还包括：

步骤5，记录已经建立的人体特征模型的被访问时间，长期不被访问的人体特征模型都被删除掉。

所述的基于在线学习的人体重现检测方法，所述步骤4还包括：

步骤81，在管理人体特征模型时，间隔N帧之后，重新进行人体检测，并将人体检测结果比对已经建立的人体特征模型，所述N为大于等于1的自然数；

步骤82，对于没有匹配的人体特征模型的人体检测过程，重复执行步骤1至步骤4；