CN106203274A - 一种视频监控中行人实时检测***及方法 - Google Patents

Abstract

本发明提出了一种视频监控中行人实时检测***，包括：信号采集单元，用于采集目标区域内的运动目标图像信息；信号处理单元，与所述信号采集单元连接，用于处理所述信号采集单元采集的运动目标图像信息，并从运动目标图像信息中检测出行人，计算行人数量、运动速度、运动趋势信息，进行运动目标跟踪。这样，所述检测***可同时对多个运动目标进行跟踪，并实现对行人检测与跟踪、统计行人数量进行运动跟踪等功能，环境适应性强、监控跟踪精度高。本发明还提出了一种视频监控中行人实时检测方法。

Description

一种视频监控中行人实时检测***及方法

技术领域

本发明涉及视频监控领域，特别涉及一种视频监控中行人实时检测***及方法。

背景技术

智能视频监控中的行人实时检测与跟踪在公共管理、公共安全等事务的日常生活中具有至关重要的作用。行人智能监控***由四个主要的部分组成：行人检测、行人跟踪和行人分类和行人异常行为识别。由于后续的分类识别过程非常依赖于准确的目标跟踪，正确的检测和跟踪目标是很重要的。目前，视频中行人目标识别借鉴了静止图像目标识别的方法，也有一些视频行人目标识别***应用了基于学习模型的方法以期获得较好的检测跟踪效果。而对行人快速而准确的检测与跟踪是智能视频监控***中的关键技术，它不仅能全天候地为公共事务管理者传送实时监控信息，还能够对运动目标自动跟踪，提高突发事件预警的能力。

目前在日常生活中，智能视频监控在城市智能交通管理中，可针对车辆进行检测和跟踪，并根据需要可计算车辆的速度、位置等数据，从而提高交通违章、交通事故及交通拥堵的处理与应急能力；在安保监控中，可以针对银行、医院、超市、居民区、仓库及有高安全的场合地点对行人进行实时检测与跟踪，有效防范大规模***或事故的发生，打击抢劫、盗窃等违法活动，智能家庭管理方面还可以对小孩、老人、孕妇及有重大疾病引起的意外通知医院进行及时施救等有重要意义。然而，城市快速扩张中所产生的问题与城市管理水平之间的矛盾严重制约着城市的发展要求，***件、骚乱、恐怖袭击等城镇突发社会安全事件，严重影响着城镇公共安全，而突发社会安全事件的时常发生，在很大程度上与人体行为活动紧密关联。如何有效确定人体行为活动，并对其异常、可疑行为自动识别，将有助于安全人员及时、迅速处理危机，大幅提升安全防范能力，从而构建和谐、平安的社会环境，己成为当今国际社会的一个重要课题。为有效确定人体行为活动，其关键是如何有效检测与跟踪视频场景中的行人位置。如何利用高科技、新技术来有效提高城市的智能运行、管理能力已经成为城市管理者思考的核心问题。网络信息化的迅猛发展，视频监控在城市管理中作用显著，而提供一种环境适应性更强、跟踪精度更准确视频监控中行人实时检测技术是本领域技术人员亟需解决的技术问题。

发明内容

本发明要解决的技术问题是：提供一种视频监控中行人实时检测***和方法，其环境适应性强、跟踪精度高。

本发明的解决方案是这样实现的：一种视频监控中行人实时检测***包括：

信号采集单元，用于采集目标区域内的运动目标图像信息；

信号处理单元，与所述信号采集单元连接，用于处理所述信号采集单元采集的运动目标图像信息，并从运动目标图像信息中检测出行人，计算行人数量、运动速度、运动趋势信息，进行运动目标跟踪；

所述信号处理单元包括：

运动目标检测单元，利用所述运动目标图像信息进行前景检测，用于对多个运动目标进行跟踪及分析计算各运动目标的运动速度、运动趋势；

行人检测单元，对行人进行特征提取并统计行人数量，分析行人运动方向、运动速度及运动趋势，并进行实时跟踪。

这样，视频监控中行人实时检测***，通过信号采集单元采集目标区域内图像信息，经过信号处理单元进行处理后，先进行前景检测，即背景建模，再进行多通道特征提取和Adaboost算法行人检测，同时可对多个运动目标进行跟踪，然后通过多帧数据融合判断运动目标的类型，最后实现对多目标自动跟踪、行人检测与跟踪、统计行人数量进行运动跟踪等功能，环境适应性强、监控跟踪精度高。

本发明的另一技术方案在于在上述基础之上，所述图像采集装置为照相仪器、可见光摄像仪器、红外摄像仪器和热成像摄像仪器中的至少一种。

本发明的另一技术方案在于在上述基础之上，所述运动目标检测单元，利用所述运动目标图像信息进行前景检测后，再进行多通道特征提取和Adaboost算法行人检测，对多个运动目标进行跟踪。

本发明的另一技术方案在于在上述基础之上，还包括运动目标类型判断模块，与运动目标检测单元和行人检测单元连接，通过多帧数据融合判断运动目标的类型。

本发明的另一技术方案在于在上述基础之上，所述运动目标检测单元具体包括：

运动目标图像预处理模块，对目标区域图像信息采集时，通过仅使用一帧图像完成背景建模，对于采集图像信息中第一帧中的每一个像素点，随机的选择它的邻居点的像素值作为它的模型的样本值，得到运动目标的二值化图像；

运动目标图像区域确定模块，对二值化图像中的前景像素点做连通区域进行分析，计算出每个连通区域的轮廓点集，从而确定包围每个轮廓的最小矩形框的区域，然后针对高度大于或等于20个像素点的最小矩形框进行聚类，也就是在默认情况下，视频中运动目标的高度大于或等于20个像素点，最后获得完整的运动目标矩形框区域；

运动目标自动跟踪模块，利用光流法和灰度直方图匹配对运动目标矩形框区域的运动目标进行自动跟踪。

本发明的另一技术方案在于在上述基础之上，所述运动目标检测单元还包括行人检测模块，与运动目标图像区域确定模块连接，采用Adaboost算法在完整的运动目标矩形框区域内进行行人检测；得到候选的运动目标区域后，在矩形区域内进行行人检测。首先提取候选框中的多通道特征，多通道特征是指作用于原始图像的某种具备平移不变性的映射，所述多通道特征包括颜色特征(LUV)、梯度幅值特征和边缘方向特征。特征计算完成后，采用Adaboost算法计算该特征属于行人的概率，最后根据概率判断矩形区域中是否存在行人，以及行人数量。

本发明的另一技术方案在于在上述基础之上，所述运动目标检测单元还包括运动目标进行自动跟踪模块，利用光流法和灰度直方图匹配对运动目标进行自动跟踪；

首先对视频中前一帧的运动目标矩形框区域进行特征点提取，其次对其特征点采用光流法和当前帧运动目标矩形框区域进行特征点匹配，得到运动目标的特征点，再根据特征点的位置是否发生变化和特征点是否属于前景点，过滤掉错误的特征点，最后采用均值偏差法再次对特征点进行过滤，从而根据特征点的匹配情况得到该运动目标的跟踪结果。

若视频中存在多个运动目标时，其中存在多个运动目标位置之间的距离小于一定的像素点个数且运动目标矩形框之间出现重叠的情况，表示为多个运动目标重合。通过计算多个运动目标重合区域像素点密度，即密度＝运动目标像素点/运动目标矩形框像素点，其密度取值范围为0到1之间，当其值小于某一特定值时，判断为重合区域的多个运动目标分离；再使用灰度直方图对前景检测中的运动目标和跟踪的运动目标进行匹配，得到运动目标分开后的准确跟踪结果。

本发明的另一技术方案在于在上述基础之上，所述运动目标检测单元还包括统计分析模块，结合行人检测和运动目标跟踪的结果，可对运动目标进行运动方向判断、运动速度计算、运动趋势预测及行人数量统计。

1)对检测出来的运动目标进行行人检测再结合运动目标的跟踪结果，就可以统计行人的数量；

2)针对光流法匹配出的特征点，根据视频图像中特征点连续N帧的位移，可以判别出运动目标的方向；

3)针对光流法匹配出的特征点，根据视频图像中特征点前、后帧的位移和帧间时间差，可以计算出运动目标的速度；

4)结合运动目标的速度、位移，可以预测出运动目标的趋势。

本发明的另一技术方案在于在上述基础之上，提高一种视频监控中行人实时检测方法，包括以下步骤：

信号采集，用于采集目标区域内的运动目标图像信息；

信号处理，用于处理所述运动目标图像信息，并从运动目标图像信息中检测出行人，计算行人数量、运动速度、运动趋势信息，进行运动目标跟踪；

所述信号处理步骤具体包括：

运动目标检测，利用所述运动目标图像信息进行前景检测，用于对多个运动目标进行跟踪及分析计算各运动目标的运动速度、运动趋势；

行人检测，对行人进行特征提取并统计行人数量，分析行人运动方向、运动速度及运动趋势，并进行实时跟踪。

这样，所述视频监控中行人实时检测方法，通过先采集目标区域内图像信息，经过信号处理后，先进行前景检测，即背景建模，再进行多通道特征提取和Adaboost算法行人检测，同时可对多个运动目标进行跟踪，然后通过多帧数据融合判断运动目标的类型，最后实现对多目标自动跟踪、行人检测与跟踪、统计行人数量进行运动跟踪等功能，环境适应性强、监控跟踪精度高。

本发明的另一技术方案在于在上述基础之上，所述运动目标检测步骤中，在利用所述运动目标图像信息进行前景检测后，再进行多通道特征提取和Adaboost算法行人检测，对多个运动目标进行跟踪。

本发明的另一技术方案在于在上述基础之上，还包括运动目标类型判断，所述运动目标类型判断步骤在所述运动目标检测和行人检测步骤之后，通过多帧数据融合判断运动目标的类型。

本发明的另一技术方案在于在上述基础之上，所述运动目标检测步骤具体包括：

运动目标图像预处理，对目标区域图像信息采集时，通过仅使用一帧图像完成背景建模，对于采集图像信息中第一帧中的每一个像素点，随机的选择它的邻居点的像素值作为它的模型的样本值，随机选择的过程如下：先对每一个像素点的坐标(x、y)进行平移，再得到坐标平移量，最后根据对应的坐标平移量来得到随机的邻居点的像素值，即模型初始化；在得到了这样一个样本集之后，当每次更新时，即每遇到一个新的像素时，就将这个像素值和这个样本集中的采集点进行对比，判断这个新的像素值是否为背景点，即所说的对背景点的分类的过程，从而得到运动目标的二值化图像；

运动目标图像区域确定，对二值化图像中的前景像素点做连通区域进行分析，计算出每个连通区域的轮廓点集，从而确定包围每个轮廓的最小矩形框的区域，然后针对高度大于或等于20个像素点的最小矩形框进行聚类，也就是在默认情况下，视频中运动目标的高度大于或等于20个像素点，最后获得完整的运动目标矩形框区域；

运动目标自动跟踪，利用光流法和灰度直方图匹配对运动目标进行自动跟踪。

本发明的另一技术方案在于在上述基础之上，所述运动目标检测步骤还包括行人检测步骤，采用Adaboost算法在完整的运动目标矩形框区域内进行行人检测；

得到候选的运动目标区域后，在矩形区域内进行行人检测。首先提取候选框中的多通道特征，多通道特征是指作用于原始图像的某种具备平移不变性的映射，本专利采用的多通道特征包括颜色特征(LUV)、梯度幅值特征和边缘方向特征。特征计算完成后，采用Adaboost算法计算该特征属于行人的概率，最后根据概率判断矩形区域中是否存在行人，以及行人数量。

本发明的另一技术方案在于在上述基础之上，所述运动目标检测步骤还包括运动目标进行自动跟踪步骤，利用光流法和灰度直方图匹配对运动目标进行自动跟踪；

首先对视频中前一帧的运动目标矩形框区域进行特征点提取，其次对其特征点采用光流法和当前帧运动目标矩形框区域进行特征点匹配，得到运动目标的特征点，再根据特征点的位置是否发生变化和特征点是否属于前景点，过滤掉错误的特征点，最后采用均值偏差法再次对特征点进行过滤，从而根据特征点的匹配情况得到该运动目标的跟踪结果。

若视频中存在多个运动目标时，其中存在多个运动目标位置之间的距离小于一定的像素点个数且运动目标矩形框之间出现重叠的情况，表示为多个运动目标重合。通过计算多个运动目标重合区域像素点密度，即密度＝运动目标像素点/运动目标矩形框像素点，其密度取值范围为0到1之间，当其值小于某一特定值时，判断为重合区域的多个运动目标分离；再使用灰度直方图对前景检测中的运动目标和跟踪的运动目标进行匹配，得到运动目标分开后的准确跟踪结果。

本发明的另一技术方案在于在上述基础之上，所述运动目标检测步骤中还包括统计分析步骤，结合行人检测和运动目标跟踪的结果，可对运动目标进行运动方向判断、运动速度计算、运动趋势预测及行人数量统计。

1)对检测出来的运动目标进行行人检测再结合运动目标的跟踪结果，就可以统计行人的数量；

2)针对光流法匹配出的特征点，根据视频图像中特征点连续N帧的位移，可以判别出运动目标的方向；

3)针对光流法匹配出的特征点，根据视频图像中特征点前、后帧的位移和帧间时间差，可以计算出运动目标的速度；

4)结合运动目标的速度、位移，可以预测出运动目标的趋势。

本发明的另一技术方案在于在上述基础之上，所述运动目标图像区域确定步骤中的聚类方法具体为：

1)确定最小矩形框的质心；

2)计算每两个最小矩形框之间的距离；

3)当两个最小矩形框之间的距离小于某一特定值时，就将两个最小矩形框合并，实现对运动目标的聚类。

附图说明

构成本发明的一部分的附图用来提供对本发明的进一步理解，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。

图1为表示本实施方式所涉及的视频监控中行人实时检测***的结构框图。

图2为表示本实施方式所涉及的视频监控中行人实时检测方法流程图；

图3为表示本实施方式所涉及的背景减除算法的结果和对目标进行聚类之后的结果；

图4为表示本实施方式所涉及的运动目标重合后的目标跟踪结果。

具体实施方式

下面结合附图对本发明进行详细描述，本部分的描述仅是示范性和解释性，不应对本发明的保护范围有任何的限制作用。此外，本领域技术人员根据本文件的描述，可以对本文件中实施例中以及不同实施例中的特征进行相应组合。

本发明实施例如下，请参见图1，一种视频监控中行人实时检测***，包括：

信号采集单元1，用于采集目标区域内的运动目标图像信息；

信号处理单元2，与所述信号采集单元连接，用于处理所述信号采集单元采集的运动目标图像信息，并从运动目标图像信息中检测出行人，计算行人数量、运动速度、运动趋势信息，进行运动目标跟踪；

所述信号处理单元包括：

运动目标检测单元，利用所述运动目标图像信息进行前景检测，用于对多个运动目标进行跟踪及分析计算各运动目标的运动速度、运动趋势；

行人检测单元，对行人进行特征提取并统计行人数量，分析行人运动方向、运动速度及运动趋势，并进行实时跟踪。

这样，视频监控中行人实时检测***，通过信号采集单元采集目标区域内图像信息，经过信号处理单元进行处理后，先进行前景检测，即背景建模，再进行多通道特征提取和Adaboost算法行人检测，同时可对多个运动目标进行跟踪，然后通过多帧数据融合判断运动目标的类型，最后实现对多目标自动跟踪、行人检测与跟踪、统计行人数量进行运动跟踪等功能，环境适应性强、监控跟踪精度高。

在上述实施例的基础上，本发明另一实施例中，所述图像采集装置为照相仪器、可见光摄像仪器、红外摄像仪器和热成像摄像仪器中的至少一种。

在上述实施例的基础上，本发明另一实施例中，所述运动目标检测单元，利用所述运动目标图像信息进行前景检测后，再进行多通道特征提取和Adaboost算法行人检测，对多个运动目标进行跟踪。

在上述实施例的基础上，本发明另一实施例中，还包括运动目标类型判断模块，与运动目标检测单元和行人检测单元连接，通过多帧数据融合判断运动目标的类型。

在上述实施例的基础上，本发明另一实施例中，所述运动目标检测单元具体包括：

运动目标图像预处理模块，对目标区域图像信息采集时，通过仅使用一帧图像完成背景建模，对于采集图像信息中第一帧中的每一个像素点，随机的选择它的邻居点的像素值作为它的模型的样本值，随机选择的过程如下：先对每一个像素点的坐标(x、y)进行平移，再得到坐标平移量，最后根据对应的坐标平移量来得到随机的邻居点的像素值，即模型初始化；在得到了这样一个样本集之后，当每次更新时，即每遇到一个新的像素时，就将这个像素值和这个样本集中的采集点进行对比，判断这个新的像素值是否为背景点，即所说的对背景点的分类的过程，从而得到运动目标的二值化图像；

运动目标图像区域确定模块，对二值化图像中的前景像素点做连通区域进行分析，计算出每个连通区域的轮廓点集，从而确定包围每个轮廓的最小矩形框的区域，然后针对高度大于或等于20个像素点的最小矩形框进行聚类，也就是在默认情况下，视频中运动目标的高度大于或等于20个像素点，最后获得完整的运动目标矩形框区域；

运动目标自动跟踪模块，利用光流法和灰度直方图匹配对运动目标矩形框区域的运动目标进行自动跟踪。

在上述实施例的基础上，本发明另一实施例中，如图2所示，一种视频监控中行人实时检测方法，包括以下步骤：

信号采集，用于采集目标区域内的运动目标图像信息；

信号处理，用于处理所述运动目标图像信息，并从运动目标图像信息中检测出行人，计算行人数量、运动速度、运动趋势信息，进行运动目标跟踪；

所述信号处理步骤具体包括：

运动目标检测，利用所述运动目标图像信息进行前景检测，用于对多个运动目标进行跟踪及分析计算各运动目标的运动速度、运动趋势；

行人检测，对行人进行特征提取并统计行人数量，分析行人运动方向、运动速度及运动趋势，并进行实时跟踪。

在上述实施例的基础上，本发明另一实施例中，所述运动目标检测步骤中，在利用所述运动目标图像信息进行前景检测后，再进行多通道特征提取和Adaboost算法行人检测，对多个运动目标进行跟踪。

在上述实施例的基础上，本发明另一实施例中，还包括运动目标类型判断，所述运动目标类型判断步骤在所述运动目标检测和行人检测步骤之后，通过多帧数据融合判断运动目标的类型。

在上述实施例的基础上，本发明另一实施例中，所述运动目标检测步骤具体包括：

运动目标图像预处理，对目标区域图像信息采集时，通过仅使用一帧图像完成背景建模，对于采集图像信息中第一帧中的每一个像素点，随机的选择它的邻居点的像素值作为它的模型的样本值，得到运动目标的二值化图像；

运动目标图像区域确定，对二值化图像中的前景像素点做连通区域进行分析，计算出每个连通区域的轮廓点集，从而确定包围每个轮廓的最小矩形框的区域，然后针对高度大于或等于20个像素点的最小矩形框进行聚类，最后获得完整的运动目标矩形框区域；

运动目标自动跟踪，利用光流法和灰度直方图匹配对运动目标进行自动跟踪。

在上述实施例的基础上，本发明另一实施例中，所述运动目标图像区域确定步骤中的聚类方法具体为：

1)确定最小矩形框的质心；

2)计算每两个最小矩形框之间的距离；

3)当两个最小矩形框之间的距离小于某一特定值时，就将两个最小矩形框合并，实现对运动目标的聚类。

具体地，下面以在视频监控***中的应用为例，针对采集监控视频序列为720*576像素，帧率为25fps进行处理，该视频静态场景有固定的汽车、植物等，运动物体主要有行人，还受到行人间遮挡、自遮挡及树叶扰动等干扰等因素，本实施例包括以下步骤：

1、采集视频图像的采集及前景检测。完成目标区域视频图像信息采集后，通过仅使用视频中的第一帧图像完成模型初始化，随机的选择图像中每一个像素点(x，y)的邻居点的像素值作为它的模型的样本值，构建样本集；其中x点处的像素值为V_i，x处的背景样本集M(N)＝{V₁,V₂,...,V_N},为，样本集大小为N＝20；以x为中心R为半径的区域表示的一个球体为SR(v(x))，通过计算像素点x到这些采样点的距离和半径差值是否大于给定的阈值，若大于或者等于，则判定这个像素点x属于背景点，即完成了像素点是背景点还是前景点的分类过程，从而得到运动目标的二值化图像。当一个像素点被分类为背景点时，则有1/φ的概率来更新自己的背景模型，其中φ根据检测出来前景点的准确度来确定，在它的样本集中随机的选择一个样本点用这个像素点进行填充更新。同时它也有1/φ的概率来更新它的邻居点的背景模型，最后它有1/φ的概率来更新自己的背景模型，依次不断的向外扩散更新，从而更新背景像素点的样本集，完成对运动目标实时检测。

2、如图3和图4所示，在上述步骤得到的二值化图像的基础上，首先对检测到的二值化图像中的前景像素点做连通域分析，采用Cany边缘检测算法计算出每个连通域的轮廓点集，对每个轮廓从上到下、从左到右的顺序进行逐行扫描，寻找每个轮廓的最左极值点(X_L，Y_L),最右极值点(X_R,Y_R),最顶端极值点(X_T,Y_T),最低端极值点(X_B,Y_B),从而确定包围每个轮廓的最小矩形框的区域，然后针对高度大于或等于20个像素点的最小矩形框的做聚类，也就是在默认情况下，视频中运动目标的高度大于或等于20个像素点，最后获得完整的运动目标矩形框区域图像。

在找到检测运动目标的轮廓后，聚类方法具体如下：计算出所有最小矩形框的质心(x_i，y_i)，根据每两个最小矩形框质心之间的距离，当距离小于某一特定值时，则判断为合并，反之，则判断为分开，根据实验得出，特定值为10个像素点为最佳；其中两个矩形框之间的距离的计算公式为：

假设两个矩形框的质心的坐标为(x_a，y_a)和(x_b，y_b)，宽度分别为w_a、w_b，高度分别为h_a、h_b，根据人体独有的矩形框特性，高宽比为7:3。

如果x_a-x_b<＝(w_a+w_b)*0.3且y_a-y_b<＝(h_a+h_b)*0.7，则判断矩形框重叠；其之间的距离为0；

如果x_a-x_b<＝(w_a+w_b)*0.3，则判断矩形框x方向重叠；其之间的距离为|y_a-y_b|-(h_a+h_b)*0.7；

如果y_a-y_b<＝(h_a+h_b)*0.7，则判断矩形框y方向重叠；其之间的距离为|x_a-x_b|-(w_a+w_b)*0.3；

如果x_a-x_b>＝(w_a+w_b)*0.3且y_a-y_b>＝(h_a+h_b)*0.7，则判断矩形框不重叠；其之间的距离为

不断重复这一过程直到标准测度函数开始收敛为止，一般都采用均方差作为标准测度函数，以此来对其运动目标进行跟踪。

3、采用Adaboost算法对完整的运动目标矩形框区域进行行人检测；

得到候选的运动目标区域后，采用滑动窗口法检测行人。首先，按照一定比例缩放候选矩形窗口内的图像，直到图像窗口小于64*32，从而构建候选矩形窗口的图像金字塔。在金字塔的每一层，使用固定64*32大小的窗口在图像中滑动，计算64*32窗口内的多通道特征，并利用Adaboost算法计算该特征属于行人的概率，最终得到运动目标区域内的行人位置。

在图像金字塔的每一个层次的每个位置，都需要计算多通道特征。多通道特征包括颜色特征(LUV)、梯度方向特征以及边缘幅值特征，其中颜色特征3维，梯度方向特征6维，边缘幅值特征3维，实际计算时，将64*32的图像块分成16*8个4*4的小块，每个小块有10维特征，所以64*32的图像块总共有16*8*10维特征。首先计算64*32的图像块中每个像素点位置的横向梯度值和纵向梯度值，并得到每个像素的梯度幅值。然后，将64*32的图像块分成4*4的小块，在每个小块内，分别计算梯度幅值特征和梯度方向特征。梯度幅值特征为4*4个像素的梯度幅值均值，而计算梯度方向特征时，将0-360度的梯度方向分为6个等分，每个等分60度，把小块的4*4个像素的横向梯度和纵向梯度投影到这6个等分中，从而得到6个方向上的投影累积，归一化之后就得到了梯度方向特征。

多通道特征计算完成后，根据多通道特征的各个分量能够形成许多弱分类器，我们采用Adaboost算法将这些弱分类器集成一个强分类器，其训练过程如下：

假定X表示样本空间，Y表示样本类别标识集合，由于当前问题只存在行人和非行人碍两类，所以Y＝{1，-1}。令S＝{(x₁,y₁),(x₂,y₂)...(x_N,y_N)}为样本训练集，其中x_i∈X，y_i∈Y，i＝1,2...N。

第一步，初始化样本权重，对正样本，对负样本其中m，n分别是正负样本的数目，且满足m+n＝N。

第二步，初始化最大迭代次数T＝50；

第三步，For t＝1,2,…,T

1)调用弱分类器学习算法，获得最佳弱分类器h_t:X→Y，使得其对应的误检率为：

${\mathrm{\&epsiv;}}_t=min\left(\underset{i=1}{\overset{L}{\&Sigma;}}{w}_t\right|h_t\left(x_i\right)-y_i\left|\right)---\left(1\right)$

2)对所有样本权重进行更新，其中β_t＝ε_t/(1-ε_t)，e_i＝1表示x_i被h_t(x)正确分类，e_i＝0表示x_i被h_t(x)正确分类；

3)对所有样本的权重进行归一化，使得

第四步，根据步骤3生成的T个最优弱分类器，最终得到行人判别分类器为：

本文将作为样本属于行人的概率，作为样本属于非行人的概率。

4、利用光流法和灰度直方图匹配对运动目标进行自动跟踪；

首先对一个连续的视频帧序列进行处理，提取出视频中前一帧的运动目标矩形框区域特征点，其次对其特征点采用光流法和当前帧运动目标矩形框区域进行特征点匹配，得到运动目标的特征点，再根据特征点的位置是否发生变化和特征点是否属于前景点，即对之后的任意两个相邻视频帧而言，寻找上一帧中出现的关键特征点在当前帧中的最佳位置，从而得到前景目标在当前帧中的位置坐标，得到有效的跟踪特征点，筛选出预测区域内匹配度高的特征点，先过滤掉错误的特征点，最后采用均值偏差法再次对特征点进行过滤，如此迭代进行，从而根据特征点的匹配情况得到该运动目标的跟踪结果。

若视频中存在多个运动目标时，其中多个运动目标位置之间的距离小于一定的像素点个数且运动目标矩形框之间出现重叠的情况，表示为多个运动目标重合。通过计算多个运动目标重合区域像素点密度来表示运动目标区域之间的重叠度，即密度＝运动目标像素点/运动目标矩形框像素点，其密度取值范围为0到1之间，当其值小于某一特定值时，判断为重合区域的多个运动目标分离，反之判断为重叠，例如该密度特定值通过实验可得出0.1为最佳，也就是当小于0.1时，运动目标分离；当大于0.1时，判断为多个运动目标重叠；再使用灰度直方图对前景检测中的运动目标和跟踪的运动目标进行匹配，得到运动目标分开后的准确跟踪结果。

5、结合行人检测和运动目标跟踪的结果，可对运动目标进行运动方向判断、运动速度计算、运动趋势预测及行人数量统计。

1)对检测出来的运动目标进行行人检测再结合运动目标的跟踪结果，就可以统计行人的数量；

2)针对光流法匹配出的特征点，根据视频图像中特征点连续N帧的位移，可以判别出运动目标的方向；

3)针对光流法匹配出的特征点，根据视频图像中特征点前、后帧的位移和帧间时间差，可以计算出运动目标的速度；

4)结合运动目标的速度、位移，可以预测出运动目标的趋势。

以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。

Claims (10)

1.一种视频监控中行人实时检测***，其特征在于，包括

信号采集单元，用于采集目标区域内的运动目标图像信息；

信号处理单元，与所述信号采集单元连接，用于处理所述信号采集单元采集的运动目标图像信息，并从运动目标图像信息中检测出行人，计算行人数量、运动速度、运动趋势信息，进行运动目标跟踪；

所述信号处理单元包括：

运动目标检测单元，利用所述运动目标图像信息进行前景检测，用于对多个运动目标进行跟踪及分析计算各运动目标的运动速度、运动趋势；

行人检测单元，对行人进行特征提取并统计行人数量，分析行人运动方向、运动速度及运动趋势，并进行实时跟踪。

2.根据权利要求1所述的视频监控中行人实时检测***，其特征在于，所述图像采集装置为照相仪器、可见光摄像仪器、红外摄像仪器和热成像摄像仪器中的至少一种。

3.根据权利要求1所述的视频监控中行人实时检测***，其特征在于，所述运动目标检测单元，利用所述运动目标图像信息进行前景检测后，再进行多通道特征提取和Adaboost算法行人检测，对多个运动目标进行跟踪。

4.根据权利要求3所述的视频监控中行人实时检测***，其特征在于，还包括运动目标类型判断模块，与运动目标检测单元和行人检测单元连接，通过多帧数据融合判断运动目标的类型。

5.根据权利要求1至4中任一项所述的视频监控中行人实时检测***，其特征在于，所述运动目标检测单元具体包括：

运动目标图像预处理模块，对目标区域图像信息采集时，通过仅使用一帧图像完成背景建模，对于采集图像信息中第一帧中的每一个像素点，随机的选择它的邻居点的像素值作为它的模型的样本值，得到运动目标的二值化图像；

运动目标图像区域确定模块，对二值化图像中的前景像素点做连通区域进行分析，计算出每个连通区域的轮廓点集，从而确定包围每个轮廓的最小矩形框的区域，然后针对高度大于或等于20个像素点的最小矩形框进行聚类，最后获得完整的运动目标矩形框区域；

运动目标自动跟踪模块，利用光流法和灰度直方图匹配对运动目标矩形框区域的运动目标进行自动跟踪。

6.一种视频监控中行人实时检测方法，其特征在于，包括以下步骤：

信号采集，用于采集目标区域内的运动目标图像信息；

信号处理，用于处理所述运动目标图像信息，并从运动目标图像信息中检测出行人，计算行人数量、运动速度、运动趋势信息，进行运动目标跟踪；

所述信号处理步骤具体包括：

运动目标检测，利用所述运动目标图像信息进行前景检测，用于对多个运动目标进行跟踪及分析计算各运动目标的运动速度、运动趋势；

行人检测，对行人进行特征提取并统计行人数量，分析行人运动方向、运动速度及运动趋势，并进行实时跟踪。

7.根据权利要求6所述的视频监控中行人实时检测方法，其特征在于，所述运动目标检测步骤中，在利用所述运动目标图像信息进行前景检测后，再进行多通道特征提取和Adaboost算法行人检测，对多个运动目标进行跟踪。

8.根据权利要求7所述的视频监控中行人实时检测方法，其特征在于，还包括运动目标类型判断，所述运动目标类型判断步骤在所述运动目标检测和行人检测步骤之后，通过多帧数据融合判断运动目标的类型。

9.根据权利要求6至8中任一项所述的视频监控中行人实时检测方法，其特征在于，所述运动目标检测步骤具体包括：

运动目标图像预处理，对目标区域图像信息采集时，通过仅使用一帧图像完成背景建模，对于采集图像信息中第一帧中的每一个像素点，随机的选择它的邻居点的像素值作为它的模型的样本值，得到运动目标的二值化图像；

运动目标图像区域确定，对二值化图像中的前景像素点做连通区域进行分析，计算出每个连通区域的轮廓点集，从而确定包围每个轮廓的最小矩形框的区域，然后针对高度大于或等于20个像素点的最小矩形框进行聚类，最后获得完整的运动目标矩形框区域；

运动目标自动跟踪，利用光流法和灰度直方图匹配对运动目标进行自动跟踪。

10.根据权利要求9所述的视频监控中行人实时检测方法，其特征在于，所述运动目标图像区域确定步骤中的聚类方法具体为：

1)确定最小矩形框的质心；

2)计算每两个最小矩形框之间的距离；

3)当两个最小矩形框之间的距离小于某一特定值时，就将两个最小矩形框合并，实现对运动目标的聚类。