1.基于视频的行人自动检测与跟踪方法,其特征在于,具体包括以下步骤:
步骤S10:采集在不同姿态、背景、场景、光照条件下的行人图像序列;
步骤S11:对采集到的图像序列裁剪、归一化技术手段处理,建立行人数据库;
步骤S12:基于梯度直方图的行人特征描述;
步骤S13:基于网格寻优方式的参数优化;
步骤S14:基于Libsvm平台的若干弱分类器的训练;
步骤S15:基于误差率归一化系数的强分类器形成;
步骤S16:基于强分类器的新视频图像序列中行人的自动检测和框定;
步骤S17:基于框定行人的实时跟踪和运行轨迹显示。
2.根据权利要求1所述的基于视频的行人自动检测与跟踪方法,其特征在于,步骤S10是在假设行人都处于直立或者近似直立的状态下所采集的不同姿态、背景和光照情形下的行人图像序列,该图像序列包含各色行人。
3.根据权利要求1所述的基于视频的行人自动检测与跟踪方法,其特征在于,步骤S11中对所采集的图像进行裁剪、归一化技术手段处理,使得这些图像序列有统一的格式,根据所采集的包含行人的正样本图像序列和不包含行人的负样本图像序列建立行人数据库。
4.根据权利要求1所述的基于视频的行人自动检测与跟踪方法,其特征在于,步骤S12是对所建立的行人数据库采用梯度直方图特征对各个图像序列进行描述。
5.根据权利要求1所述的基于视频的行人自动检测与跟踪方法,其特征在于,步骤S13是网格参数寻优,由于使用支持向量机都需要对参数进行设置,重要参数是gamma(-g)和cost(-C),交叉检验参数cross validation(-v)数值选取为5,对于一个给定的问题,事先不知道C和g取多少最优,进行模型选择即参数搜索,网格搜索就是尝试各种可能的(C,g)对值,然后进行交叉验证,找出使交叉验证精确度最高的(C,g)对,使得分类器能够精确地预测未知的数据。
6.根据权利要求5所述的基于视频的行人自动检测与跟踪方法,其特征在于,步骤S14使用已经获得的最佳参数对(C,g),对整个训练集进行训练获取支持向量机模型,其步骤包括:
S141)采用最佳参数C和g,对整个训练集进行训练获取支持向量机模型;
S142)使用软件包自带的数据heart_scale.mat进行学习;
S143)使用网格寻优函数SVMcgForClass得到的参数训练模型model。
7.根据权利要求1所述的基于视频的行人自动检测与跟踪方法,其特征在于,步骤S15是针对不同弱分类器的分类误差率,对分类误差率进行归一化,选择归一化系数对各个分类器进行组合,形成最终的强分类器,其步骤包括:
S151)各个分类器误差率的计算;
S152)误差率的归一化计算;
S153)各个分类器权重和分类的线性组合,形成强分类器。
8.根据权利要求1所述的基于视频的行人自动检测与跟踪方法,其特征在于,步骤S16是对新视频图像序列中行人的自动检测和框定,主要步骤包括:
S161)使用强分类器对新图像序列进行行人检测;
S162)对检测到的行人进行框定标注显示。
9.根据权利要求1所述的基于视频的行人自动检测与跟踪系统,其特征在于,步骤S17是对框定的行人进行实时跟踪,其步骤包括:
S171)对框定行人目标进行自适应分块;
S172)对各个分块进行直方图特征描述;
S173)使用Mean Shift算法进行跟踪;
S174)根据跟踪结果标注显示行人运行轨迹。