[发明专利]特定场景下的行人颜色提取方法

说明书

技术领域

本发明涉及一种视频流中行人颜色提取的方法，属于计算机视觉、数字图像处理领域。

背景技术

在计算机、处理器领域，随着摩尔定律不断地被科技进步所证实，微型计算机能力提升异常迅速，进而越来越多的视频监控系统被运用到城市的日常管理中去。一方面这些系统产生的监控视频包含了大量的有用信息，这些信息可以用于公安部门破案、交通部门指挥、规划部门参考等等；但是另一方面，目前自动化的从这些海量视频中提取有用信息的技术手段还很欠缺。

发明内容

本发明基于计算机视觉和数字图像处理领域的最新进展和当下视频监控系统面临的问题，提出了一种特定场景下的行人颜色提取的方法，用于从某一场景下的摄像头拍摄的视频流中检测出行人，并提取出行人的颜色信息。

按照本发明提供的技术方案，所述的特定场景下的行人颜色提取方法首先使用公共行人样本库结合特定场景下采集到的行人样本库使用支持向量机训练出特定场景下的行人模型；然后对所述特定场景下拍摄的视频流采用混合高斯模型进行颜色建模和前景切割，得到能够区分背景和前景的前景二值化图，在前景二值化图在原始图像中标示出的区域中使用支持向量机结合的预先训练好的行人的模型和梯度方向直方图特征，不同缩放比下检索行人，合并检索出的相同行人目标，结合前景分割结果对合并结果准确提取行人的全部区域，对该区域提取颜色直方图，获取颜色信息。

进一步的，所述公共行人样本库采用INRIA样本库，包含1805个64*128分辨率的行人图片的正样本，和1000张不包含行人的图片；所述特定场景下采集到的行人样本库包括特定场景下采集的数目大于1805的正样本，以及1000张特定场景的不包含行人的图片；共计3610个正样本，2000张不包含行人的图片作为随机选取负样本的素材。

进一步的，所述训练特定场景下的行人模型的方法为：

步骤1、在所述2000张不包含行人的图片中随机摘取3610个64*128分辨率的子图片作为负样本；

步骤2、分别计算正、负样本的梯度方向直方图特征值，存储到正、负样本特征值文件中；梯度方向特征值计算的参数为：最小格大小是6*6，块大小是3*3个最小格，块重叠程度为二分之一的块大小，梯度方向直方图的柱区间大小是20度，即把梯度按照0～360度区间上的18个区域进行分类；

步骤3、分别将正、负样本加上正、负标记输入进SVM模型进行训练，得到能够代表行人特征的分类模型；

步骤4、从剩下的1000张不包含行人的特定场景下的图片中随机抽选出18050个64*128的负样本，使用步骤3中产生的分类模型进行分类得到临时模型；

步骤5、将步骤4中得到的临时模型分类成正结果的负样本加入至步骤1中产生的负样本；

步骤6、循环执行步骤2，3，4，5两次，得到最终的分类模型。

本发明的优点在于：该方法能够利用计算机日益增长的强大计算能力，自动地从某一场景下的摄像头拍摄的视频流中检测出行人，并提取出行人的颜色信息，并可以分别得出行人上半身颜色，下半身颜色等具体部位信息。

附图说明

图1为算法整体流程图。

具体实施方式

以下结合附图和实施例对本发明进行进一步说明。

本发明首先使用公共行人样本库结合特定场景下采集到的行人样本库使用SVM训练出特定场景下的行人模型；然后对视频流的背景采用混合高斯模型进行颜色建模和前景切割，得到能够区分背景和前景的前景二值化图。在前景二值化图在原始图像中标示出的区域中使用支持向量机结合的预先训练好的行人的模型和梯度方向直方图特征，不同缩放比下检索行人，合并检索出的相同行人目标，结合前景分割结果对合并结果准确提取行人的全部区域，对结果区域提取颜色直方图，获取颜色信息。

如图1所示，整个算法分成两个子过程：模型训练、行人分割及颜色提取。模型训练子过程是根据系统预先采集的样本使用支持向量机进行训练，得到特定场景下的行人模型；行人检测及颜色提取子过程首先根据视频流进行背景建模，分割出前景，然后在前景中根据模型按照不同缩放比例检索行人目标，最后根据前景和检索出的行人目标精确分割行人在在图像中的全部区域，提取该区域的颜色信息即行人目标的颜色信息。

1)模型训练。

a)训练样本库准备。