[发明专利]基于多类型信息融合的场景自适应行人检测方法和系统

说明书

技术领域

本发明涉及计算机技术领域，尤其涉及的是一种基于多类型信息融合的场景自适应行人检测方法和系统。

背景技术

现有技术的主要流程是：

方法一：通过在数据集中标注图像的正负样本，即一个样本图像只能是行人或非行人中的一种标签，然后训练可以判断图像是行人还是非行人的分类器。在分类器训练好以后，在视频的每一帧图像中做滑动窗口，把不同位置不同尺度的子图像输入分类器，如果分类器判断是行人则算做检测到行人，输出此子图的位置信息。

方法二：在训练集的整幅图像中标注所有行人的位置，使用深度神经网络提取图像的特征并产生候选的行人区域，最后由深度神经网络中的判别层对候选区域进行判断，删除不是行人的候选区域，并使用回归算法对是行人的候选区域进行微调，产生最终输出此区域的位置信息。

方法一：在新的场景中会产生很多训练集中没出现过的滑窗子图，因此在线下训练好的行人检测模型应用在新的场景中效果往往不好。且此方法如果使用弱分类器则误检较多，使用强分类器则运算过慢。

方法二：深度神经网络对整幅图像做多层多次的卷积时消耗的运算力十分大，同样的运算资源条件下，运算耗时可能方法一的几百倍。如果使用性能良好的GPU进行运算可以勉强达到实时，但GPU的成本远高于CPU，不利于工程化。且方法二也会遇到在新场景下不适应的问题。

因此，现有技术存在缺陷，需要改进。

发明内容

本发明所要解决的技术问题是：提供一种检测速度快、准确性高、场景适应能力强的基于多类型信息融合的场景自适应行人检测方法。

本发明的技术方案如下：一种快速的基于多类型信息融合的场景自适应行人检测方法，包含如下步骤：S1：输入图像；S2：使用混合高斯模型的背景减除算法计算当前帧与背景模板的差距，提取出当前帧的前景区域；S3：使用帧差法，在当前帧与前一帧的差距大于阈值时，提取当前帧的运动区域；S4：使用了肤色提取算法和发色提取算法，提取当前帧的肤色与发色区域；S5：提取轮廓峰值点，其中，提取每个完整轮廓的上部分的1/5区域作为轮廓峰值点区域；S6：根据步骤S2-S5得到补充性前景区域，使用联通区域滤波去除了补充性前景区域的噪点，并对联通区域内的孔洞进行了补充，得到最终前景区域；S7：将最终前景区域加入到AdaBoost检测器中，快速检测出候选行人区域；S8：使用卷积神经网络对候选行人区域进行确认；S9：输出行人检测结果。

应用于上述技术方案，所述的场景自适应行人检测方法中，任意调换S2-S5的步骤顺序。

应用于各个上述技术方案，所述的场景自适应行人检测方法中，步骤S4中，具体执行将输入的RBG图像转化为HSV空间的图像，在HSV空间中定义H、S、V三个通道的最大和最小值，同时满足此值的像素被认为是肤色或者发色像素，将肤色或者发色像素对应的区域提取为肤色与发色区域。

应用于各个上述技术方案，所述的场景自适应行人检测方法中，步骤S5中，具体执行，将图像的边缘使用canny算子提取后，二值化图像并提取轮廓峰值点区域。

应用于各个上述技术方案，所述的场景自适应行人检测方法中，步骤S6中，提取轮廓峰值点区域后，删除掉所有周长或面积不在限定范围内的轮廓，并把合法的轮廓进行填充重绘制后生成补充性前景区域。

应用于各个上述技术方案，所述的场景自适应行人检测方法中，在步骤S7之前，还采集AdaBoost检测器漏判误判场景背景数据，并存储在场景数据库中。

应用于各个上述技术方案，所述的场景自适应行人检测方法中，定期更新场景数据库的数据。