场所视频监控下的行人检测算法及其实现方法

行人检测算法，作为运动目标检测算法中的一个特殊领域，具有重要的现实意义，能够实现监控视频中行人目标的捕捉。对视频图像中的人体运动进行检测和跟踪，不仅是人体行为理解之前的必要步骤，也在基于视频处理的各类应用中具有广阔的发展前景。基于人员运动检测和跟踪的应用包括了居民社区安防、远距离身份鉴别、虚拟现实人机交互等方面。针对视频中的人员运动检测和跟踪，均已发展出一系列较为成熟的处理技术。

行人检测技术最早是在交通领域开展应用研究的，用于辅助驾驶技术中的针对行人目标的自主避让。交通领域行人检测系统（Pedestrian Detection System，PDS）着眼于在汽车行驶状态中建立一个自主、智能的行人检测、智能辅助驾驶系统，以提高驾驶安全性、保障行人生命财产安全。PDS作为一种主动安全手段，已成为产业界和研究界共同关注的一个研究热点。特别是近5年来，随着传感器、核心算法等的不断进步和使用，PDS研究发展很快，目前谷歌、百度的无人驾驶智能车项目在这方面的应用水平居于世界前列。

行人检测除了要面对一般人体检测共有的衣着变化、姿态变化等问题外，由于其特定的应用领域还具有以下难点：应用环境开放性高，路况、天气、光线等复杂多变，对算法的鲁棒性提出了很高的要求；实时性是系统必须满足的要求，这就要求采用的图像处理算法不能太复杂。更进一步，对于运动摄像头所拍的视频，由于摄像机是运动的，这样的话广泛应用于智能监控领域中检测动态目标的方法便不能直接使用。

由上面的论述可以知道，系统的鲁棒性和实时性构成了一个矛盾。现有的行人检测系统一般包括两个模块：ROI分割和目标识别。ROI分割的目的是从图像中提取可能包含行人的窗口域作进一步验证，以缩小搜索的深度和宽度，提高系统的速度。目标识别是行人检测系统的核心，它对得到的ROI进行验证判断有无行人，它的性能决定了系统整体鲁棒性和效能。

在本节中我们所讨论的行人检测算法是场所视频监控场景下的行人检测，不涉及机动车辆和道路信息。根据利用信息的不同，行人目标识别可以分为基于运动的识别和基于形状的识别两种方法。在一个实际应用系统中，这两种方法通常结合在一起使用。

1）基于运动的识别方法

基于运动的识别方法主要是指步态识别。步态识别指的是通过分析人运动时的步态（Gait）特征来识别行人。每个人的步态具有特定的周期性和跨度、加速度等物理特性，通过分析图像序列的周期性及相关物理特征，然后与行人步态的模式相比较，就可以识别出行人。步态识别的优点在于对纹理和光线变化不敏感；缺点是只能分析运动中的行人，基于连续若干帧才能给出分析结果，影响系统的实时性。

周期性的检测方法包括傅里叶变换和神经网络两种方法。傅里叶变换法需要计算不同时间间隔图像之间的相关性，然后对得到的相关信号利用短时傅里叶变换进行分析，进而识别出行人。神经网络法通过一个自适应时间延迟神经网络（Adaptive Time Delay Neutral Network）对图像序列进行分析，从而判断出该序列是否是人体的运动序列。以上方法都是对行人的全身进行分析，由于行走的时候双腿的周期性更加明显，所以还可以通过分析双腿的周期性来识别行人。

2）基于形状的识别方法(www.xing528.com)

基于形状的识别方法指通过分析目标的边缘、纹理和灰度信息来对目标进行识别。优点是可以检测出静止的行人；缺点是“虚警”（False Positives）太多。

基于形状的行人识别方法可分为三类：基于明确人体模型（Explicit Human Model）的方法、基于模板匹配（Template Matching）的方法和基于统计分类（Statistical Classification）的方法。

（1）基于明确人体模型的方法　这种方法根据人体结构的知识构造一个明确的2D或3D参数模型，通过提取图像的底层特征来求解模型，从而识别行人。此方法具有明确的模型，可推断人体姿态，能够处理遮挡问题；实际应用中模型构建难，求解复杂。该种方法能否成功依赖于ROIs分割的准确度。

（2）基于模板匹配的方法　模板匹配法通过灰度和轮廓模板来表示行人，识别时通过距离测度衡量度量模板与输入模板之间的相似性，给出识别结果。该方法计算负荷小，但算法对行人姿态敏感，针对不同的姿态需要构造不同的模板，一般来说很难构造出足够的模板以处理不同的姿态。

为了解决行人姿态的问题，Gavrila构造了将近2 500个轮廓模板对行人进行匹配，提出了基于轮廓的分层匹配算法。模板匹配法除了可以对全身通过模板匹配，也适用于身体局部部件。例如可以利用不同大小的二值图像模板来对头肩建模，将输入图像的边缘图像与该二值模板进行比较从而识别行人。

（3）基于统计分类的方法　该方法通过机器学习从训练集中学习得到一个分类器表示行人，利用该分类器对输入图像进行识别。该方法主要包括特征提取和分类器设计两个步骤。该方法鲁棒性好，普适性强；在训练数据上需要足够的数量，很难解决姿态变化和遮挡问题。特征提取的目的数据维数约简，以得到体现模式本质属性的特征，方便后面的分类。分类器设计属于机器学习领域的范畴，针对行人识别问题，可根据分类器的设计方法将现有的基于统计分类的方法分为基于神经网络（Neural Network，NN）的方法，基于支持向量机（Support Vector Machine，SVM）的方法和基于AdaBoost的方法。

AdaBoost是一种分类器组合的策略，它的目的是将一些弱分类器组合成一个强分类器。AdaBoost得到的分类器具有较好的推广性能。Viola等人利用矩形特征、AdaBoost算法和级联分类器成功地实现了第一个实时人脸检测系统。该方法同时利用两帧的信息，利用一系列矩形模板提取外貌和运动信息，从而实现了监控系统中的低分辨率的行人的检测。除了方便快速计算的矩形特征外，尺度不变特征变换法（Scale Invariant Feature Transform，SIFT）由于其尺度不变的良好特性，它与AdaBoost的结合也越来越受到学者的重视。