[發明專利]一種基于邊緣約束的實時行人檢測方法

有效

• 申請號: 201710194081.7
• 申請日: 2017-03-28
• 公開（公告）號: CN107122714B
• 公開（公告）日: 2020-05-26
• 發明（設計）人: 陸瑞智;何煒雄;潘子瀟;黃劍
• 申請（專利權）人: 天棣網絡科技（上海）有限公司
• 主分類號: G06K9/00
• 分類號: G06K9/00;G06T7/12;G06T7/13;G06T7/136;G06T7/194
• 代理公司: 廣州粵高專利商標代理有限公司 44102
• 代理人: 林麗明

本發明提供的方法首先使用傳統的行人檢測方法進行初步的行人檢測，然后在初步的行人檢測的基礎上增加邊緣信息約束，使得行人檢測算法具有實時性和魯棒性。

技術領域

本發明涉及安防監控領域，更具體地，涉及一種基于邊緣約束的實時行人檢測方法。

背景技術

現有技術中所提及的行人檢測技術，為給定一張輸入圖像自動地檢測出輸入圖像中行人的位置的技術。隨著社會的發展，公共場所的安防問題變得越來越重要，而行人檢測技術是行人跟蹤的基礎，會很大程度上輔助公共場所的安防監控，因此越來越受到重視。行人檢測技術在視頻監控、人機互動、公安偵查等領域都有廣泛的應用。譬如，在人機互動系統中，運動機器人通過攝像頭拍攝的畫面檢測出行人的位置并緊緊跟隨，然后協助人完成各種事情。在公安偵查方面，通過檢測公共場所中行人的位置，判斷出行人的數量；或者大致判斷出公共場所是否有異常事件發生。

現有的行人檢測技術主要有以下幾種：

1)基于前景輪廓的行人檢測方法。該方法首先對輸入圖像進行前景提取，將背景消去，提取出感興趣的前景部分，然后根據前景輪廓與行人輪廓的相似度判斷每個前景連通域是不是行人，從而檢測出行人的位置。

2)基于前后幀運動信息的行人檢測方法。該方法利用幀與幀之間的差異信息提取邊緣灰度圖進行行人檢測。其具體如下：對于t時刻的輸入圖像，計算t時刻灰度圖和t-1時刻灰度圖的絕對差值，得到絕對差灰度圖像g_t，同理再計算t-1時刻灰度圖和t-2時刻灰度圖的絕對差值，得到第二張絕對差灰度圖像g_t-1，總的運動區域邊緣灰度圖G_t定義為g_t和g_t-1進行與操作的結果。得到前后幀運動區域的邊緣灰度圖G_t后，根據邊緣符不符合人體對稱的特點，從而判斷出圖像中行人的位置。

3)基于特征分類器的行人檢測方法。該方法利用一個固定大小的模板在圖像上遍歷一遍，然后對圖像上的每一個位置都提取方向梯度直方圖特征(HOG)和局部二值模式(LBP)作為圖像的邊緣信息，然后用支持向量機進行分類實現行人檢測。

4)基于神經網絡的行人檢測方法。首先根據前景提取算法提取出人體輪廓信息，然后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，將提取的頭肩輪廓特征向量輸入至BP神經網絡，聚類出多個人體頭肩模型，進行行人檢測。

現有的行人檢測技術尚有許多不足。比如，基于特征分類器和基于神經網絡的行人檢測方法利用物體的邊緣、輪廓、顏色等信息，通過輸入到分類器或神經網絡進行行人檢測，能夠具有較強的魯棒性，同時準確度較高。但這種方法需要事先用大量數據訓練分類器或神經網絡，其訓練周期過長。且用這種方法進行行人檢測時需要耗費比較長的時間，無法做到實時快速檢測，難以滿足實際的需求。

基于前后幀運動信息的行人檢測方法把運動的邊緣圖提取了出來，并利用行人身體的對稱性作為判斷是否為行人的條件。方法有很強的實時性，但對于靜止不動的行人，由于方法無法提取出行人的邊緣信息，因此無法檢測出行人。

基于前景輪廓的行人檢測方法無論對于運動或靜止的行人都能提取出輪廓信息并檢測出來，并且算法快速。然而光照變化等外部因素容易造成偽前景，這種方法在這種情況下容易發生誤判，魯棒性較差。

為了實現行人檢測的實時快速性，往往只能采用邊緣、輪廓等比較簡單的特征，搭配上比較簡單的匹配算法，如基于前景輪廓的和基于前后幀運動信息的行人檢測方法。由于使用了較簡單的特征，這些方法的魯棒性較差。靜態圖像的邊緣紋理信息是一種魯棒的特征，然而由于這種特征較復雜，許多方法往往把它輸入到分類器中進行分類，這雖然提高了魯棒性，但是降低了算法的實時性。

發明內容

本發明為解決以上現有技術提供的方法魯棒性和實時性不能兼容的缺陷，提供了一種基于邊緣約束的實時行人檢測方法。