[发明专利]一种基于GMM背景差分与联合特征的行人检测方法

说明书

技术领域

本发明涉及一种基于GMM背景差分与联合特征的行人检测方法，属于视频监控与识别技术领域。

背景技术

行人作为交通及日常视频场景中出现最多的对象之一，对于视频自动识别技术的研究至关重要，所以近年来行人检测技术成为研究热点，在智能交通和智能安防等领域发展迅速。但是经过近十几年的发展行人检测技术虽然取得了一定的成绩，但是目前还没有一种行人检测系统能够在任何环境和背景之下通用。

近年来基于机器学习与特征设计的行人检测方法已经成为行人检测领域的主流研究方向，设计的特征包括角点特征（haar），LBP（局部二值模式），edgelet（边缘特征），梯度方向直方图（HOG）等，而机器学习算法则主要采用支持向量机（SVM）和级联分类器（Adaboost），现有的行人检测技术有着检测速度慢，检出率不高，误检率较高等问题。

当前视频序列中运动物体的检测主要有帧差法和背景差法，而GMM背景差方法正是应用混合高斯模型方法为图像中的每个像素建立高斯背景模型展会，使用视频序列中出现概率较大点组成背景图像，具有背景清晰，运算速度能满足实时性等优点。

梯度方向直方图（Histogram of Oriented Gradient，HOG）是一种在计算机视觉和图像处理领域中用来进行物体检测的特征描述子，他通过计算和统计图像局部区域的梯度直方图来构成特征。HOG描述子最早由法国科学家Dalal提出，但是HOG描述子结合SVM机器学习算法训练的分类器对于图片的正确检出率不高，且在检测时检测效率较低，不能满足视频中实时性的要求。

发明内容

本发明提供了一种基于GMM背景差分与联合特征的行人检测方法，该方法针对传统的机器学习+特征描述子训练的分类器对于视频序列检测速度较慢的问题，检测正确率低，提出了一种结合视频图像物体运动信息的行人检测方法，先使用混合高斯模型对视频图像的背景建模，得到背景图像之后与视频当前帧做差分运算，得出运动前景物体的位置，确定图像的待检测区域，再使用联合特征训练的分类器对待检测区域进行检测，最后得到行人的框图。

所述方法的具体步骤如下：

Step1、采集视频序列图像；

Step2、对步骤Step 1中采集的序列图像应用混合高斯模型方法进行背景建模，得到背景图像；

Step3、将当前帧图像与背景帧图像做差分运算，得出差异图像区域，并对该差异区域做腐蚀，膨胀，最大化操作，对联通的区域进行最大化矩形区域得出一个矩形区域，将矩形区域的位置映射至当前帧图像，映射后当前帧的位置也就是行人待检测窗口；

Step4、使用基于HOG与LBP联合特征并采用支持向量机SVM方法训练的行人检测分类器以步骤Step3中得出的窗口位置为ROI，在当前帧图像上进行检测；

Step5、对当前帧中的行人待检测窗口进行多尺度检测，检出行人图像，并使用矩形框标出。

所述步骤Step2的背景图像提取的方法使用的是基于混合高斯模型的背景差分算法。

所述步骤Step3中对差异图像区域进行腐蚀膨胀操作后，在最大化操作中设定补偿值，将腐蚀后的区域进行联通，对接近的差异图像区域连通，即将满足补偿值的相邻差异图像区域进行联通。

所述的步骤Step3中，相邻区域的连通条件为，左右，上下相邻像素的距离均小于补偿值0.03（x+y），其中x为视频图像的像素宽度，y为视频图像的像素长度。

所述步骤Step4中， SVM方法训练出来的模型的检测原理为目标图像的ROI，即感兴趣区域。

所述的步骤Step5中，对图像的检测结果最终在原图像中呈现。

本发明的有益效果是：

1、相对于先前的单独使用模型对静态图片进行检测，本方法通过使用运动信息对行人大致位置进行判定，缩小窗口扫描的区域，大大减小检测时间，提高行人检测系统的效率；

2、相对于先前单独使用混合高斯方法检测运动目标，本方法直接判别出行人分类，进一步提高运动目标检测的针对性；

3、相对于先前单独使用混合高斯模型方法会将整片区域群行人目标不加辨别的提取出来，本方法对群行人的单个行人目标分别给出具体的位置；

4、相对于传统方法增加了检测的准确度，在公共数据集的测试中提升约两个百分点；

5、本发明的单帧测试速度达到60ms，在不影响检测准确率的情况下基本满足实时性的要求。

附图说明

图1为本发明中的流程图；