[發明專利]基于車載紅外視頻的行人檢測方法及系統

有效

• 申請號: 201810073180.4
• 申請日: 2018-01-25
• 公開（公告）號: CN108319906B
• 公開（公告）日: 2020-09-29
• 發明（設計）人: 劉李漫;劉佳;諶先敢;劉海華
• 申請（專利權）人: 中南民族大學
• 主分類號: G06K9/00
• 分類號: G06K9/00;G06K9/46;G06K9/62;G06T7/246
• 代理公司: 北京捷誠信通專利事務所(普通合伙) 11221
• 代理人: 王衛東

1.一種基于車載紅外視頻的行人檢測方法，其特征在于，包括以下步驟：

S1、通過車載紅外探測儀獲取紅外視頻，采用積分圖和通道特征，提取紅外視頻的顏色特征和梯度特征；

S2、采用自適應增強迭代算法Adaboost，對步驟S1提取的特征進行訓練和篩選，檢測紅外視頻的圖像中的行人，得到初步檢測結果；

S3、采用匈牙利算法，對步驟S2得到的初步檢測結果進行計算，得到所有圖像中的行人關聯形成的初始軌跡序列，具體包括以下步驟：將步驟S2得到的初步檢測結果的圖像中的所有行人均用檢測窗標出，設置檢測窗的相似度臨界值，剔除相似度低于該臨界值的檢測窗；將檢測窗的交比作為幾何線索，計算檢測窗在當前幀的區域與其在前一幀的區域之間的相關性，得到外觀線索，結合檢測窗的幾何線索和外觀線索進行計算，得到圖像間的關聯矩陣A_i,j：

其中，Γ(d_i,d_j)表示檢測窗的相似度，d_i表示前一幀圖像第i個檢測窗，d_j表示后一幀圖像的第j個檢測窗，i、j均為正整數；Γ(d_i,d_j)數值越低，相似度越高；box(·)表示一個目標的檢測窗口，xcorr(d_i,d_j)表示兩個檢測窗的最大化的歸一化的互相關性，τ是用于判斷檢測窗的相似度的閾值；

從第一幀圖像開始，采用匈牙利算法，通過圖像間的關聯矩陣A_i,j建立所有檢測窗中行人的軌跡，得到所有圖像中的行人關聯形成的初始軌跡序列；

S4、將步驟S3得到的初始軌跡序列作為初始值，采用曼克萊斯算法，計算最優的軌跡關聯信息，得到最終的跟蹤軌跡。

2.如權利要求1所述的基于車載紅外視頻的行人檢測方法，其特征在于：步驟S1具體包括以下步驟：

通過車載紅外探測儀獲取紅外視頻，對紅外視頻的圖像進行圖像金字塔的縮放；在不同的尺度上，采用積分圖，對縮放后的每一幀圖像I的3個顏色通道特征L(I),U(I),V(I)、夾角為Θ＝i的6個梯度方向通道特征G(I)·1[Θ＝i]、1個梯度幅值通道特征||G(I)||分別進行提取，再進行歸一化處理，得到表示該幀圖像的顏色特征和梯度特征的綜合特征向量F，綜合特征向量F的計算公式為：

F＝{L(I),U(I),V(I),||G(I)||,G(I)·1[Θ＝i]},

3.如權利要求2所述的基于車載紅外視頻的行人檢測方法，其特征在于：步驟S2具體包括以下步驟：

設輸入的n個訓練樣本為：{(x₁,y₁),(x₂,y₂),…,(x_n,y_n)}，其中x_i是輸入的訓練樣本，y_i∈{0,1}分別表示正樣本和負樣本，其中，正樣本數為l，負樣本數為m，n＝l+m，l、m、n均為正整數；采用自適應增強迭代算法Adaboost，初始化每個樣本的權重，對每個通道特征訓練一個用于檢測圖像中是否有行人的弱分類器，計算弱分類器的加權錯誤率，按照錯誤率最小的弱分類器調整權重，迭代弱分類器的選擇過程，將選擇的弱分類器合成強分類器，用于檢測圖像中是否有行人；采用該強分類器對所有圖像的綜合特征向量F進行訓練和篩選，將檢測到行人的所有圖像作為初步檢測結果。