[發明專利]一種基于頭肩輪廓及BP神經網絡的行人檢測及跟蹤方法

有效

• 申請號: 201410302238.X
• 申請日: 2014-06-27
• 公開（公告）號: CN105320917B
• 公開（公告）日: 2018-09-04
• 發明（設計）人: 顧國華;孔筱芳;費小亮;丁夕;劉琳;陳錢;錢惟賢
• 申請（專利權）人: 南京理工大學
• 主分類號: G06K9/00
• 分類號: G06K9/00;G06K9/46;G06K9/62
• 代理公司: 南京理工大學專利中心 32203
• 代理人: 唐代盛;孟睿

本發明提出一種基于頭肩輪廓及BP神經網絡的行人檢測及跟蹤方法。首先，采用自適應的混合高斯背景更新算法提取出視頻序列中的運動人體目標，并通過改變混合高斯模型的學習因子來提高背景估計的精確程度；其次，采用Canny算子為模板提取出原始目標的初始輪廓，并結合均值漂移Mean shift算法進行輪廓聚類以獲得較完整的人體輪廓；再次，結合人體的頭肩寬高比，建立頭肩輪廓模型并提取出頭肩輪廓特征向量，輸入BP神經網絡，聚類出多個人體頭肩模型，進行人體識別；最后，采用粒子濾波器對識別出的行人目標進行跟蹤。本發明克服了由于識別目標不完整而造成的誤判和錯判，提高了行人目標識別的準確率，同時減少了計算量。

技術領域

本發明屬于運動目標檢測與跟蹤技術領域，具體涉及一種基于頭肩輪廓及BP神經網絡的行人檢測及跟蹤方法。

背景技術

人體目標的檢測、識別與跟蹤是計算機視覺識別領域中的研究熱點問題之一，其準確程度影響著目標跟蹤、行為識別與分析等后續工作的順利進行。

人體識別通過獲取的信息特征，判斷運動目標是否為人體目標。N.Dalal等人將整個人體作為一個識別模型，通過計算該模型的HOG(Histograms of Oriented Gradients，方向梯度直方圖)特征，并結合SVM(Support-Vector Machines，支持向量機)分類器來實現人體識別；Kuno人等利用投影直方圖來分析目標形狀，區分人和非人；Nicolaou等利用標準矩和人工神經網絡ANN(Artificial Neural Networks)來識別人體目標。這些方法的共同特點是，用于人體檢測和識別的目標都是完整的。然而，由于人體是非剛性物體，在運動中的姿態不確定，而且完整的人體容易被外界物體遮擋，這些都會影響上述方法人體識別的正確率。

發明內容

本發明提出一種基于頭肩輪廓及BP神經網絡的行人檢測及跟蹤方法，該方法無需根據完整的人體作為識別目標，只需要對建立的頭肩輪廓模型進行訓練識別人體，算法計算量較小。

為了解決上述技術問題，本發明提供一種基于頭肩輪廓及BP神經網絡的行人檢測及跟蹤方法，包括以下步驟：

步驟一：采用自適應的混合高斯背景更新算法對視頻序列中的運動目標進行檢測，獲得運動目標的殘差圖；

步驟二：對運動目標殘差圖進行Canny算子邊緣檢測，提取運動目標的粗略輪廓；采用均值漂移Mean shift算法對粗略輪廓進行聚類，結合運動目標殘差圖，保留屬于人體的類，并將聚類出的人體部分疊加到粗略輪廓中，獲得目標輪廓二值圖像；

步驟三：根據人體頭肩寬高比例以及目標輪廓二值圖像，建立人體頭肩輪廓模型；提取人體頭肩輪廓模型的特征向量，將人體頭肩輪廓模型的特征向量作為BP神經網絡的輸入值，建立人體頭肩輪廓特征向量與運動目標的對應關系，聚類出多個人體頭肩輪廓模型，進行人體識別，獲得運動人體目標和運動非人體目標；

步驟四：采用粒子濾波算法對步驟三識別出的運動人體目標進行實時運動目標跟蹤。

本發明與現有技術相比，其顯著優點在于，(1)基于自適應混合高斯背景更新算法的運動目標提取算法能夠適應背景隨時間的緩慢變化，對微小變化的場景具有較好的檢測效果；(2)采用Canny算子與均值漂移Mean shift算法相結合的邊緣檢測方法提取運動目標輪廓，無需根據完整的人體作為識別目標，只需采用檢測目標的頭肩輪廓作為人體識別模型，減少了算法的計算量；(3)采用粒子濾波器進行檢測人體目標的跟蹤，考慮到了目標的復雜性，對于單臺攝像機監控視頻序列中的獨立運動的人體目標的跟蹤效果較好。

附圖說明

圖1是本發明基于頭肩輪廓及BP神經網絡的行人檢測及跟蹤方法流程圖。

圖2是發明中人體頭肩比例關系示意圖。

圖3是發明中建立的人體頭肩輪廓模型示意圖。