一种基于随机森林算法的行人跟踪方法技术

本发明专利技术属于视频图像处理技术领域，并提供了一种基于随机森林算法的行人跟踪方法，包括：S1、提取训练样本集中的HOG特征向量；S2、基于SVM算法对所述的HOG特征向量进行训练，得到初始化运动行人分类器；S3、获取监控区域的视频流图像作为输入图像；S4、利用初始化运动行人分类器对输入图像进行运动行人检测；S5、对检测到的运动行人区域的邻域进行跟踪集的采集操作；S6、利用随机森林算法对检测到的运动行人进行跟踪。通过本发明专利技术，提高了视频检测技术中图像的鲁棒性，提高了对公共区域中呈不规则运动状态的运动行人进行跟踪的效果。

【技术实现步骤摘要】

本专利技术属于计算机视频图像处理
，特别涉及一种基于随机森林算法的行人跟踪方法。
技术介绍
随着计算机技术和图像处理技术的发展，基于视频的智能监控系统得到了广泛的应用。在保障社会公共安全和交通安全方面、保护人民生命财产安全方面、在工业控制领域保障安全生产和产品检测方面以及有关商业领域方面都发挥着巨大的作用。目前，智能视频监控系统的应用主要在安全防控领域和非安全防控领域。公共场所人群监控、道路交通安全监控、工业生产安全监控等都属于安全防控领域的应用。对计算机视频图像处理技术而言，对监控区域中的出现的行人进行统计与计数是最终的目标。在现有技术中，通常采用MeanShift算法对运动行人进行跟踪。MeanShift算法属于核密度估计法，它不需要任何先验知识而完全依靠特征空间中样本点的计算其密度函数值。对于一组采样数据，直方图法通常把数据的值域分成若干相等的区间，数据按区间分成若干组，每组数据的个数与总参数个数的比率就是每个单元的概率值；核密度估计法的原理相似于直方图法，只是多了一个用于平滑数据的核函数。采用核函数估计法，在采样充分的情况下，能够渐进地收敛于任意的密度函数，即可以对服从任何分布的数据进行密度估计。然而，MeanShift算法对运动行人进行跟踪的现有技术在实际使用过程中的鲁棒性不佳，并伴随对运动行人进行跟踪的效果不佳。因此，有必要对现有技术中对呈现运动状态的行人跟踪方法予以改进，以解决上述技术问题。
技术实现思路
本专利技术的目的在于公开一种基于随机森林算法的行人跟踪方法，用以解决视频检测技术中图像的鲁棒性不佳的技术问题，提高对公共区域中呈不规则运动状态的运动行人进行跟踪的效果。为实现上述专利技术目的，本专利技术提供了一种基于随机森林算法的行人跟踪方法，包括以下步骤：S1、提取训练样本集中的HOG特征向量；S2、基于SVM算法对所述的HOG特征向量进行训练，得到初始化运动行人分类器；S3、获取监控区域的视频流图像作为输入图像；S4、利用初始化运动行人分类器对输入图像进行运动行人检测；S5、对检测到的运动行人区域的邻域进行跟踪集的采集操作；S6、利用随机森林算法对检测到的运动行人进行跟踪。作为本专利技术的进一步改进，所述步骤S6具体包括以下子步骤：S61、提取跟踪集内样本的HSV特征和梯度特征；S62、根据提取到的HSV特征向量和梯度征向量建立运动行人跟踪分类器；S63、根据运动行人跟踪分类器对运动行人进行跟踪；S64、对运动行人跟踪分类器进行更新。作为本专利技术的进一步改进，所述步骤S62具体为：利用meanshift算法分别对超像素特征和LBP特征进行聚类分析，得到超像素字典和LBP字典。作为本专利技术的进一步改进，所述子步骤S62中的聚类分析包括简单线性聚类分析、模糊聚类分析、基于密度方法的聚类分析。作为本专利技术的进一步改进，所述基于密度方法的聚类分析由分段线性隶属度函数确定，所述分段线性隶属度函数为三角形隶属度函数、单调隶属度函数形函数或者梯形隶属度函数。作为本专利技术的进一步改进，对于首次出现在监控区域内的运动行人，将该运动行人邻域的区域的图像信息保存在跟踪集内；对于已出现在监控区域内的运动行人，将该运动行人邻域区域的图像信息保存在跟踪集内，并将之前保存在跟踪集内的该运动行人的图像信息删除掉。作为本专利技术的进一步改进，对于已出现在监控区域的运动行人，仅对该运动行人在其所对应的子跟踪集内保存一帧该运动行人区域的图像信息。作为本专利技术的进一步改进，所述图像信息包括彩色图像信息与灰度图像信息。与现有技术相比，本专利技术的有益效果是：通过本专利技术，提高了视频检测技术中图像的鲁棒性，提高了对公共区域中呈不规则运动状态的运动行人进行跟踪的效果。附图说明图1为本专利技术一种基于随机森林算法的行人跟踪方法的流程示意图；图2为步骤S3中获取监控区域的视频流图像作为输入图像的示意图；图3为在步骤S5中所提取的运动行人区域的示意图；图4为样本集不纯度度量Gini系数和信息熵示意图；图5为meanshift迭代计算的计算流程图。具体实施方式下面结合附图所示的各实施方式对本专利技术进行详细说明，但应当说明的是，这些实施方式并非对本专利技术的限制，本领域普通技术人员根据这些实施方式所作的功能、方法、或者结构上的等效变换或替代，均属于本专利技术的保护范围之内。参图1所示的本专利技术一种基于随机森林算法的行人跟踪方法的具体实施方式。由于行人在行走时头部与肩部的变化较小，基于易于检测方面的考虑，可将训练样本集定义为：只包含行头部和/或肩部的正样本集、不包含行人头部和/或肩部的负样本图集。首先，执行步骤S1、提取训练样本集中的HOG特征向量。由于行人在行走时头部与肩部的变化较小，基于易于检测方面的考虑，可将训练样本集定义为：只包含行头部和/或肩部的正样本集、不包含行人头部和/或肩部的负样本图集。其中，该正样本集中的正样本是包含行人头部和/或肩部的样本(即正样本)；该负样本集中的负样本是不包含行人头部和/或肩部的样本(即负样本)。具体的，该正/负样本集中正/负样本为30×30像素的256阶灰度图像。具体的，在本实施方式中，在初始化运动行人分类器中的正样本集中的正样本的个数为4000，负样本集中的负样本的个数为6000。在本实施方式中，该训练样本集包括正/负样本集，正/负样本集中的正/负样本为30×30像素的256阶灰度图像，所述正样本为包含行人区域的图像，所述负样本为不包含或者不完全包含行人区域的图像。进一步的，所谓不包含行人区域的图像，是指训练样本中完全不包含行人任何人体结构特征区域的图像，所谓不完全包含行人区域的图像，是指仅包含部分人体结构特征(例如，头、手、脚或者部分上述人体结构)区域的图像。然后，执行步骤S2、基于SVM算法对所述的HOG特征向量进行训练，得到初始化运动行人分类器。具体的，在本实施方式中，先计算正/负样本集中正/负样本的HOG特征向量，然后基于SVM算法对所述HOG特征向量进行训练，以得到初始化运动行人分类器。然后，执行步骤S3、获取监控区域的视频流图像作为输入图像。参图2所示，在本实施方式中，摄像机10垂直拍摄并可适用于室外环境和室内环境。在本实施方式中，该步骤中的“通过摄像机获取监控区域的视频流图像”具体为：通过摄像机10获取监控区域30的视频流图像作为输入图像，所述监控区域30位于摄像机10的正下方。本文档来自技高网...

【技术保护点】
一种基于随机森林算法的行人跟踪方法，其特征在于，包括以下步骤：S1、提取训练样本集中的HOG特征向量；S2、基于SVM算法对所述的HOG特征向量进行训练，得到初始化运动行人分类器；S3、获取监控区域的视频流图像作为输入图像；S4、利用初始化运动行人分类器对输入图像进行运动行人检测；S5、对检测到的运动行人区域的邻域进行跟踪集的采集操作；S6、利用随机森林算法对检测到的运动行人进行跟踪。

【技术特征摘要】
1.一种基于随机森林算法的行人跟踪方法，其特征在于，包括以下步骤：
S1、提取训练样本集中的HOG特征向量；
S2、基于SVM算法对所述的HOG特征向量进行训练，得到初始化运动行人分类器；
S3、获取监控区域的视频流图像作为输入图像；
S4、利用初始化运动行人分类器对输入图像进行运动行人检测；
S5、对检测到的运动行人区域的邻域进行跟踪集的采集操作；
S6、利用随机森林算法对检测到的运动行人进行跟踪。
2.根据权利要求1所述的行人跟踪方法，其特征在于，所述步骤S6具体包括以下子
步骤：
S61、提取跟踪集内样本的HSV特征和梯度特征；
S62、根据提取到的HSV特征向量和梯度征向量建立运动行人跟踪分类器；
S63、根据运动行人跟踪分类器对运动行人进行跟踪；
S64、对运动行人跟踪分类器进行更新。
3.根据权利要求2所述的行人跟踪方法，其特征在于，所述步骤S62具体为：
利用meanshift算法分别对超像素特征和LBP特征进行聚类分析，得到超像素字典
和LBP字典...

【专利技术属性】
技术研发人员：吕楠，张丽秋，
申请(专利权)人：江苏慧眼数据科技股份有限公司，
类型：发明
国别省市：江苏;32