本發(fā)明涉及模式識別和計算機視覺領(lǐng)域，特別涉及一種基于在線學(xué)習(xí)人體重現(xiàn)檢測方法及其系統(tǒng)。

背景技術(shù)：
所謂人體重現(xiàn)檢測，就是給定一個人某一時刻在一個攝像機下的圖像幀(帶有該人的人體檢測窗口)，尋找所有其他時刻在當(dāng)前攝像機或其他攝像機下該人出現(xiàn)過的圖像幀/序列。從這些搜索結(jié)果中，我們可以獲得該人在一段時間里在不同位置上的出現(xiàn)情況和發(fā)生的行為等信息。人體重現(xiàn)檢測在視頻監(jiān)控領(lǐng)域中有著非常廣泛的應(yīng)用。利用重現(xiàn)檢測的結(jié)果，我們可以利用不同時段上人出現(xiàn)的位置和其所發(fā)生的行為進(jìn)行長周期行為分析；通過分析不同地理位置上待查詢?nèi)说某霈F(xiàn)情況，可以進(jìn)行失蹤尋人和嫌疑犯搜索等操作。另外，人體重現(xiàn)檢測也可以提高現(xiàn)有跟蹤算法的魯棒性，使得在跟蹤算法發(fā)生偏移或者跟丟的情況下重新尋回跟蹤目標(biāo)，保持跟蹤的連續(xù)性。已有的方法大多關(guān)注與不同視角下的同一個行人個體的匹配算法，而假設(shè)行人已經(jīng)被從圖像中很好的檢測到(檢測一般通過手工標(biāo)注)，而作為一個實用性人體重現(xiàn)系統(tǒng)，需要考慮自動性功能和根據(jù)運行時間自動管理行人特征數(shù)據(jù)庫的能力。

技術(shù)實現(xiàn)要素：
為解決上述問題，本發(fā)明試圖設(shè)計智能視頻處理功能，能夠自動的從視頻中實現(xiàn)人體的檢測、跟蹤和特征提??；并且可以根據(jù)對于人體的跟蹤情況以及該檢測體和其他檢測對象的關(guān)系來自動升級人體表觀模型。提供了一種基于在線學(xué)習(xí)的人體重現(xiàn)檢測系統(tǒng)及其方法。本發(fā)明公開一種基于在線學(xué)習(xí)的人體重現(xiàn)檢測方法，包括如下步驟：步驟1，在視頻幀中檢測人體，得到所述視頻幀中的人體檢測集合；步驟2，對所述的人體檢測集合中的人體進(jìn)行跟蹤；步驟3，根據(jù)所述人體檢測集合和人體跟蹤的結(jié)果，進(jìn)行學(xué)習(xí)和更新人體特征模型；步驟4，存儲和管理人體特征模型，得到匹配的人體特征模型，并在新的輸入視頻幀中進(jìn)行人體重現(xiàn)檢測。所述的基于在線學(xué)習(xí)的人體重現(xiàn)檢測方法，所述步驟1還包括：步驟21，采用圖像窗口掃描的方式，使用人體檢測器在圖像金字塔中檢測人體；當(dāng)人體出現(xiàn)在視頻幀中，輸出人體所在的矩形框。所述的基于在線學(xué)習(xí)的人體重現(xiàn)檢測方法，所述步驟21還包括：步驟31，收集標(biāo)注好的人體圖像窗口和非人體圖像窗口作為訓(xùn)練數(shù)據(jù)，并對訓(xùn)練數(shù)據(jù)提取特征；步驟32，基于提取到的圖像特征表示，通過統(tǒng)計學(xué)習(xí)的方式，學(xué)習(xí)人體圖像窗口分類器來區(qū)分某一圖像窗口中是否包含人體；步驟33，對于輸入圖像在各個尺度重采樣，構(gòu)成圖像金字塔，對圖像金字塔的每一個圖像重采樣的圖像提取圖像特征；步驟34，對圖像金字塔中的每一個圖像窗口進(jìn)行分類，找出所有人體特征的檢測窗口；步驟35，利用聚類方法對分類結(jié)果進(jìn)行去重復(fù)檢測的操作。所述的基于在線學(xué)習(xí)的人體重現(xiàn)檢測方法，所述步驟2還包括：步驟41，采用光流特征，預(yù)測目標(biāo)物體的位置和尺度；步驟42，對于人體檢測的結(jié)果初始化目標(biāo)跟蹤算法；步驟43，在視頻的當(dāng)前幀和下一幀中提取光流，給予光流預(yù)測目標(biāo)物體在下一幀的位置和大??；步驟44，輸出跟蹤結(jié)果的可信度。所述的基于在線學(xué)習(xí)的人體重現(xiàn)檢測方法，所述步驟3還包括：步驟51，使用人體檢測和人體跟蹤的結(jié)果作為輸入數(shù)據(jù)，對于每一個被檢測并連續(xù)跟蹤到的人體建立一個人體特征模型；步驟52，在之后的視頻幀處理中，利用所述人體特征模型來檢測視頻幀中重現(xiàn)的人體，并利用檢測到的重現(xiàn)人體更新其對應(yīng)的人體特征模型。所述的基于在線學(xué)習(xí)的人體重現(xiàn)檢測方法，所述步驟51還包括：步驟61，判斷輸入視頻幀的人體檢測結(jié)果中是否包含新出現(xiàn)的人體；步驟62，如果是新出現(xiàn)的人體，對其訓(xùn)練人體特征模型，并加入人體特征模型集合中；步驟63，反之，將人體檢測與人體跟蹤結(jié)果關(guān)聯(lián)起來，基于所述人體檢測與人體跟蹤結(jié)果更新其對應(yīng)的人體特征模型。所述的基于在線學(xué)習(xí)的人體重現(xiàn)檢測方法，所述步驟4之后還包括：步驟5，記錄已經(jīng)建立的人體特征模型的被訪問時間，長期不被訪問的人體特征模型都被刪除掉。所述的基于在線學(xué)習(xí)的人體重現(xiàn)檢測方法，所述步驟4還包括：步驟81，在管理人體特征模型時，間隔N幀之后，重新進(jìn)行人體檢測，并將人體檢測結(jié)果比對已經(jīng)建立的人體特征模型，所述N為大于等于1的自然數(shù)；步驟82，對于沒有匹配的人體特征模型的人體檢測過程，重復(fù)執(zhí)行步驟1至步驟4；步驟83，對于被匹配的人體特征模型，利用所述新檢測的人體特征模型進(jìn)行更新。本發(fā)明公開一種基于在線學(xué)習(xí)的人體重現(xiàn)檢測系統(tǒng)，包括：人體檢測模塊，用于在視頻幀中檢測人體，得到所述視頻幀中的人體檢測集合；目標(biāo)跟蹤模塊，用于對所述的人體檢測集合中的人體進(jìn)行跟蹤；學(xué)習(xí)與更新模塊，用于根據(jù)所述人體檢測集合和人體跟蹤的結(jié)果，進(jìn)行學(xué)習(xí)和更新人體特征模型；存儲與管理模塊，用于存儲和管理人體特征模型，得到匹配的人體特征模型并在新的輸入視頻幀中進(jìn)行人體重現(xiàn)檢測。所述的基于在線學(xué)習(xí)的人體重現(xiàn)檢測系統(tǒng)，所述人體檢測模塊還包括：提取視頻幀模塊，用于提取視頻幀中圖像特征，并采用圖像窗口掃描，在圖像金字塔中檢測人體；當(dāng)人體出現(xiàn)在視頻幀中，輸出人體所在的矩形框。所述的基于在線學(xué)習(xí)人體重現(xiàn)檢測系統(tǒng)，所述提取視頻幀模塊還包括：訓(xùn)練數(shù)據(jù)模塊，用于收集標(biāo)注好的人體圖像窗口和非人體圖像窗口作為訓(xùn)練數(shù)據(jù)，并對訓(xùn)練數(shù)據(jù)提取特征；統(tǒng)計學(xué)習(xí)模塊，用于基于提取到的圖像特征表示，通過統(tǒng)計學(xué)習(xí)的方式，學(xué)習(xí)人體圖像窗口分類器來區(qū)分某一圖像窗口中是否包含人體；圖像金字塔模塊，用于對于輸入圖像在各個尺度重采樣，構(gòu)成圖像金字塔，對圖像金字塔的每一個圖像重采樣的圖像提取圖像特征；窗口分類模塊，用于對圖像金字塔中的每一個圖像窗口進(jìn)行分類，找出所有人體特征的檢測窗口；聚類模塊，用于利用聚類方法對分類結(jié)果進(jìn)行去重復(fù)檢測的操作。所述的基于在線學(xué)習(xí)人體重現(xiàn)檢測系統(tǒng)，所述目標(biāo)跟蹤模塊還包括：光流特征模塊，用于采用光流特征，預(yù)測目標(biāo)物體的位置和尺度；初始化模塊，用于對于人體檢測的結(jié)果初始化目標(biāo)跟蹤算法；光流預(yù)測模塊，用于在視頻幀的當(dāng)前幀和下一幀中提取光流，給予光流預(yù)測目標(biāo)物體在下一幀的位置和大小；輸出模塊，用于輸出跟蹤結(jié)果的可信度。所述的基于在線學(xué)習(xí)人體重現(xiàn)檢測系統(tǒng)，所述學(xué)習(xí)與更新模塊還包括：建立人體特征模型模塊，用于對于人體檢測和人體跟蹤的結(jié)果作為輸入數(shù)據(jù)，對于每一個新檢測到的人體建立一個人體特征模型；更新人體特征模型模塊，用于在之后的視頻幀處理中，利用所述人體特征模型來檢測視頻幀中的人體重現(xiàn)，并利用重現(xiàn)的人體來更新其對應(yīng)的人體特征模型。所述的基于在線學(xué)習(xí)人體重現(xiàn)檢測系統(tǒng)，所述建立人體特征模型模塊還包括：判斷檢測結(jié)果模塊，用于判斷新獲得的人體檢測結(jié)果中是否包含新出現(xiàn)的人體；訓(xùn)練模塊，用于如果是新出現(xiàn)的人體，訓(xùn)練人體表觀的模型，并加入到人體檢測集合中；結(jié)果關(guān)聯(lián)模塊，用于將人體檢測與人體跟蹤結(jié)果關(guān)聯(lián)起來，基于所述人體檢測與人體跟蹤結(jié)果更新當(dāng)前的人體特征模型。所述的基于在線學(xué)習(xí)人體重現(xiàn)檢測系統(tǒng)，還包括：記錄更新模塊，用于記錄已經(jīng)建立的人體特征模型的被訪問時間，不被訪問的人體特征模型都被刪除掉。所述的基于在線學(xué)習(xí)人體重現(xiàn)檢測系統(tǒng)，存儲與管理模塊還包括：重新檢測模塊，用于在管理人體特征模型時，間隔N幀之后，重新進(jìn)行人體檢測，并將人體檢測結(jié)果比對已經(jīng)建立的人體特征模型，所述N為大于等于1的自然數(shù)；重復(fù)執(zhí)行模塊，用于對于沒有匹配的人體特征模型的人體檢測過程，重復(fù)執(zhí)行操作；匹配人體特征模型模塊，用于對于被匹配的人體特征模型，利用所述新檢測的人體特征模型進(jìn)行更新。發(fā)明由于采取以上技術(shù)方案，具有以下技術(shù)效果：(1)本方法將人體自動的檢測技術(shù)、目標(biāo)跟蹤技術(shù)以及目標(biāo)識別的技術(shù)結(jié)合起來，因此可以全自動的管理、檢測以及更新人體特征模型，進(jìn)行在線的全自動人體重現(xiàn)檢測；(2)使用人體表觀特征，使得重現(xiàn)檢測具有一定的視角魯棒性，并且可以應(yīng)用于分辨率較低的環(huán)境；(3)由于人體檢測器和在線學(xué)習(xí)的人體特征模型，在人體由于嚴(yán)重遮擋或者移動出視野之后的重現(xiàn)具有重新檢測的能力。附圖說明圖1A-1B為本發(fā)明基于在線學(xué)習(xí)的人體重現(xiàn)檢測系統(tǒng)具體實施方式流程示意圖；圖2為本發(fā)明基于在線學(xué)習(xí)的人體重現(xiàn)檢測方法流程圖；圖3為本發(fā)明基于在線學(xué)習(xí)的人體重現(xiàn)檢測系統(tǒng)流程圖。具體實施方式下面給出本發(fā)明的具體實施方式，結(jié)合附圖對本發(fā)明做出了詳細(xì)描述。如圖2所示，本發(fā)明公開一種基于在線學(xué)習(xí)的人體重現(xiàn)檢測方法，包括如下步驟：步驟1，在視頻幀中檢測人體，得到所述視頻幀中的人體檢測集合；步驟2，對所述的人體檢測集合中的人體進(jìn)行跟蹤；步驟3，根據(jù)所述人體檢測集合和人體跟蹤的結(jié)果，進(jìn)行學(xué)習(xí)和更新人體特征模型；步驟4，存儲和管理人體特征模型，得到匹配的人體特征模型，并在新的輸入視頻幀中進(jìn)行人體重現(xiàn)檢測。技術(shù)效果：通過綜合檢測、跟蹤、在線人體模型學(xué)習(xí)和動態(tài)管理等策略，使得本發(fā)明能夠在線全自動的進(jìn)行人體重現(xiàn)檢測。并能夠自動的管理存儲，使得系統(tǒng)能夠長期的高效運行。所述的基于在線學(xué)習(xí)的人體重現(xiàn)檢測方法，所述步驟1還包括：步驟21，采用圖像窗口掃描的方式，使用人體檢測器在圖像金字塔中檢測人體；當(dāng)人體出現(xiàn)在視頻幀中，輸出人體所在的矩形框。所述的基于在線學(xué)習(xí)的人體重現(xiàn)檢測方法，所述步驟21還包括：步驟31，收集標(biāo)注好的人體圖像窗口和非人體圖像窗口作為訓(xùn)練數(shù)據(jù)，并對訓(xùn)練數(shù)據(jù)提取特征；步驟32，基于提取到的圖像特征表示，通過統(tǒng)計學(xué)習(xí)的方式，學(xué)習(xí)人體圖像窗口分類器來區(qū)分某一圖像窗口中是否包含人體；步驟33，對于輸入圖像在各個尺度重采樣，構(gòu)成圖像金字塔，對圖像金字塔的每一個圖像重采樣的圖像提取圖像特征；步驟34，對圖像金字塔中的每一個圖像窗口進(jìn)行分類，找出所有人體特征的檢測窗口；步驟35，利用聚類方法對分類結(jié)果進(jìn)行去重復(fù)檢測的操作。技術(shù)效果：通過金子塔掃描的方式和使用簡單的梯度直方圖，這種檢測算法能夠高效、快速的定位視頻中出現(xiàn)的人體。所述的基于在線學(xué)習(xí)的人體重現(xiàn)檢測方法，所述步驟2還包括：步驟41，采用光流特征，預(yù)測目標(biāo)物體的位置和尺度；步驟42，對于人體檢測的結(jié)果初始化目標(biāo)跟蹤算法；步驟43，在視頻的當(dāng)前幀和下一幀中提取光流，給予光流預(yù)測目標(biāo)物體在下一幀的位置和大?。徊襟E44，輸出跟蹤結(jié)果的可信度。技術(shù)效果：使用光流的方法預(yù)測人體位置，提高了跟蹤速度，為系統(tǒng)的實時性提供保障。所述的基于在線學(xué)習(xí)的人體重現(xiàn)檢測方法，所述步驟3還包括：步驟51，使用人體檢測和人體跟蹤的結(jié)果作為輸入數(shù)據(jù)，對于每一個被檢測并連續(xù)跟蹤到的人體建立一個人體特征模型；步驟52，在之后的視頻幀處理中，利用所述人體特征模型來檢測視頻幀中重現(xiàn)的人體，并利用檢測到的重現(xiàn)人體更新其對應(yīng)的人體特征模型。所述的基于在線學(xué)習(xí)的人體重現(xiàn)檢測方法，所述步驟51還包括：步驟61，判斷輸入視頻幀的人體檢測結(jié)果中是否包含新出現(xiàn)的人體；步驟62，如果是新出現(xiàn)的人體，對其訓(xùn)練人體特征模型，并加入人體特征模型集合中；步驟63，反之，將人體檢測與人體跟蹤結(jié)果關(guān)聯(lián)起來，基于所述人體檢測與人體跟蹤結(jié)果更新其對應(yīng)的人體特征模型。技術(shù)效果：使用在線的人體特征模型學(xué)習(xí)方法，使得系統(tǒng)可以全自動的進(jìn)行人體重現(xiàn)檢測；模型的自動更新保證了系統(tǒng)具有根據(jù)當(dāng)前環(huán)境的光線、人的視角等的變化調(diào)節(jié)模型參數(shù)，自適應(yīng)場景變化。所述的基于在線學(xué)習(xí)的人體重現(xiàn)檢測方法，所述步驟4之后還包括：步驟5，記錄已經(jīng)建立的人體特征模型的被訪問時間，長期不被訪問的人體特征模型都被刪除掉。。所述長期不被訪問存在時間閾值，可以根據(jù)具體場景設(shè)計，在實驗中我們一般使用100幀(或者4秒)。技術(shù)效果：人體模型內(nèi)存管理保證了系統(tǒng)在運行時不會內(nèi)存溢出，并且保證了模型匹配的速度，這保證了我們的重現(xiàn)檢測系統(tǒng)可以長時間運行。所述的基于在線學(xué)習(xí)的人體重現(xiàn)檢測方法，所述步驟4還包括：步驟81，在管理人體特征模型時，間隔N幀之后，重新進(jìn)行人體檢測，并將人體檢測結(jié)果比對已經(jīng)建立的人體特征模型，所述N為大于等于1的自然數(shù)；步驟82，對于沒有匹配的人體特征模型的人體檢測過程，重復(fù)執(zhí)行步驟1至步驟4；步驟83，對于被匹配的人體特征模型，利用所述新檢測的人體特征模型進(jìn)行更新。由于視角和光照等條件的不同，即便是同一個人，在不同攝像機下也會表現(xiàn)出巨大的差異，這些都使得人體重現(xiàn)檢測變得非常困難。在國際和國內(nèi)的已有研究工作中，研究者們試圖通過人臉和步態(tài)等信息來進(jìn)行人體重現(xiàn)檢測，并取得了一定的進(jìn)展。但是，人的正臉在監(jiān)控視頻中很多時候是不可見的，而且低分辨率監(jiān)控視頻極大的影響了面部特征的提?。粚τ诓綉B(tài)而言，由于視角的變化和生理狀況的影響(比如生病)通常表現(xiàn)出了很大的差異性。根據(jù)這些觀察，本發(fā)明提出利用人體的表觀(衣著)特征來表示人體，并利用在線學(xué)習(xí)的方式來建立人體表觀判別模型，進(jìn)而實現(xiàn)比較魯棒重現(xiàn)檢測。本發(fā)明通過提取當(dāng)前觀察人體的特征模型，通過模型比對的方式從其它時刻在相同或不同攝像機捕獲的圖像幀中尋找能夠很好的被該特征模型描述的人來進(jìn)行人體重現(xiàn)檢測；特別地，本發(fā)明提出一種基于人體檢測技術(shù)和在線學(xué)習(xí)的方法從監(jiān)控視頻中自動的獲得人體目標(biāo)，并針對檢測到的人體目標(biāo)訓(xùn)練和更新人體特征模型的自動人體重現(xiàn)檢測算法?；谠诰€學(xué)習(xí)的人體重現(xiàn)檢測系統(tǒng)，具體包括以下幾個步驟：(1)給定輸入視頻的第一幀，通過人體檢測器對該幀進(jìn)行人體檢測，得到視頻幀中的人體檢測框集合；(2)通過跟蹤算法對這些檢測到的人體進(jìn)行跟蹤；(3)根據(jù)上述人體檢測和跟蹤的結(jié)果來學(xué)習(xí)和更新人體特征模型；(4)間隔幾幀后，重新進(jìn)行人體檢測，并將這些檢測結(jié)果比對已經(jīng)建立的人體特征模型；對于沒有找到人體特征模型匹配的人體檢測重復(fù)步驟(1)至(3)建立新的特征模型；對于被匹配上的特征模型，利用這些新的觀察數(shù)據(jù)進(jìn)行模型更新；(5)在間隔一段時間后，刪除這些沒有被更新過的特征模型。由于本發(fā)明的目的是建立一套計算效率高的人體重現(xiàn)系統(tǒng)，在設(shè)計檢測模塊、跟蹤模塊中，我們采用了一些快速算法。使用一種全自動的人體檢測算法，包括以下操作步驟：(1)收集標(biāo)注好的人體圖像窗口和非人體圖像窗口作為訓(xùn)練數(shù)據(jù)，并對訓(xùn)練數(shù)據(jù)提取特征，比如梯度直方圖；(2)基于提取到的圖像特征表示，通過統(tǒng)計學(xué)習(xí)的方式學(xué)習(xí)人體圖像窗口分類器來區(qū)分某一圖像窗口中是否包含人體。在實驗中，我們采用自舉(boosting)學(xué)習(xí)算法作為統(tǒng)計學(xué)習(xí)模型；(3)對于輸入圖像在各個尺度上重采樣，構(gòu)成圖像金字塔，對圖像金字塔的每一個圖像重采樣的圖像提取梯度直方圖特征；其中所述圖像金字塔就是把圖像進(jìn)行下采樣為多個尺度，這些不同尺度的圖像構(gòu)成圖像金字塔；(4)對圖像金字塔中的每一個窗口進(jìn)行分類，找出所有可能是人體目標(biāo)的檢測窗口；(5)利用聚類方法使用聚類方法是本發(fā)明的一部分，但是聚類算法使用已有的算法即可對分類結(jié)果進(jìn)行去重復(fù)檢測的操作。所述去重復(fù)是指有的窗口之間交疊很大，對應(yīng)的是同一個人體。這種人體檢測算法，由于梯度直方圖可以基于積分圖快速的計算和自舉(boosting)算法可以用來設(shè)計檢測器，因此可以快速確定人體目標(biāo)的位置和尺度。根據(jù)檢測結(jié)果，我們提出一種快速的目標(biāo)跟蹤算法來對檢測到的物體進(jìn)行跟蹤，跟蹤算法包括以下三個步驟：(1)基于人體檢測的結(jié)果初始化目標(biāo)跟蹤算法；(2)在視頻的當(dāng)前幀和下一幀中提取光流，給予光流預(yù)測目標(biāo)物體在下一幀的位置和大??；(3)輸出跟蹤結(jié)果的可信度。由于采用光流跟蹤，能夠進(jìn)一步加快系統(tǒng)的工作速度。在線人體特征模型學(xué)習(xí)算法是建立于上述人體檢測的結(jié)果和跟蹤的結(jié)果基礎(chǔ)上，具有自動的管理、訓(xùn)練以及更新功能，其工作流程如下：(1)判斷新獲得的人體檢測結(jié)果中是否包含新出現(xiàn)的人體；(2)基于步驟(1)中得出的判斷做出如下操作：(2.1)如果是新出現(xiàn)的人體，訓(xùn)練人體表觀的模型，并加入到人體數(shù)據(jù)庫；(2.2)反之，將檢測結(jié)果與跟蹤結(jié)果關(guān)聯(lián)起來，基于跟蹤結(jié)果更新當(dāng)前的人體特征模型。具體來說，對于人體特征模型模塊，本發(fā)明使用在線的方式來學(xué)習(xí)和更新人體特征模型。如附圖1所示，按照當(dāng)前觀察幀中是否包含有特征模型對應(yīng)的人體，把特征模型劃分為兩類：當(dāng)特征模型對應(yīng)的人經(jīng)過系統(tǒng)的人體檢測和模型匹配之后，認(rèn)定是在當(dāng)前觀察幀中出現(xiàn)時，我們稱其為“活躍的分類器”，否則，稱其為“非活躍的分類器”。其中圖1A為如果新檢測到的人體在經(jīng)過所有非活躍分類器T_I判斷后均未達(dá)到閾值，即其和已有的人體特征模型都不匹配，則初始化一個新的活躍分類器對其進(jìn)行跟蹤；圖1B為重現(xiàn)人體出現(xiàn)時，其對應(yīng)的分類器被激活繼續(xù)人體并更新分類器模型。對于輸入監(jiān)控視頻，初始時前活躍分類器集合TA以及非活躍分類器集合TI均為空。我們每隔n(在實驗中，n＝50)幀進(jìn)行一次人體檢測，得到檢測框集合BD。若BD不為空，每個檢測框作為初始標(biāo)定位置初始化一個活躍分類器(特征模型)，并將其加入到活躍分類器集合TA中。接下來的每一幀，TA中的分類器都對目標(biāo)進(jìn)行跟蹤且同時進(jìn)行在線特征模型的更新，TA對應(yīng)的跟蹤框集合為BT。若某人從視頻中消失，將其對應(yīng)的分類器狀態(tài)置為非活躍狀態(tài)，加入到非活躍分類器集合TI中。若BD中的檢測框Bi與BT的所有跟蹤框的交集面積比例小于一定閾值閾值一般設(shè)計為檢測框尺寸的50％，則認(rèn)為Bi屬于新進(jìn)入攝像機的人，需要對其進(jìn)行重現(xiàn)檢測，即判斷TI中是否存在該人的分類器。用非活躍分類器集合TI中的模型對Bi進(jìn)行分類判斷，得到屬于該人的概率，取所有分類概率的最大值，若最大值大于一定閾值，其閾值比如為0.7，則啟動該分類器繼續(xù)對Bi進(jìn)行跟蹤，否則認(rèn)為是新出現(xiàn)的人，初始化一個關(guān)于該人的新的活躍分類器，加入到TA中。對于人體特征模型管理方面，出于匹配速度、內(nèi)存和磁盤空間的考慮，在一段時間內(nèi)都沒有成為活躍分類器的人體特征模型，我們將其刪除。本發(fā)明采用“最近訪問優(yōu)先”的原則來管理人體特征模型。建立一個特征模型隊列，凡是最近被訪問的特征模型(即與新的檢測結(jié)果匹配上的特征模型)被置于隊首。每隔一段固定時間，將隊尾的特征模型刪除來釋放存儲空間。如圖3所示，本發(fā)明公開一種基于在線學(xué)習(xí)的人體重現(xiàn)檢測系統(tǒng)，包括：人體檢測模塊10，用于在視頻幀中檢測人體，得到所述視頻幀中的人體檢測集合；目標(biāo)跟蹤模塊20，用于對所述的人體檢測集合中的人體進(jìn)行跟蹤；學(xué)習(xí)與更新模塊30，用于根據(jù)所述人體檢測集合和人體跟蹤的結(jié)果，進(jìn)行學(xué)習(xí)和更新人體特征模型；存儲與管理模塊40，用于存儲和管理人體特征模型，得到匹配的人體特征模型并在新的輸入視頻幀中進(jìn)行人體重現(xiàn)檢測。所述的基于在線學(xué)習(xí)的人體重現(xiàn)檢測系統(tǒng)，所述人體檢測模塊還包括：提取視頻幀模塊，用于提取視頻幀中圖像特征，并采用圖像窗口掃描，在圖像金字塔中檢測人體；當(dāng)人體出現(xiàn)在視頻幀中，輸出人體所在的矩形框。所述的基于在線學(xué)習(xí)人體重現(xiàn)檢測系統(tǒng)，所述提取視頻幀模塊還包括：訓(xùn)練數(shù)據(jù)模塊，用于收集標(biāo)注好的人體圖像窗口和非人體圖像窗口作為訓(xùn)練數(shù)據(jù)，并對訓(xùn)練數(shù)據(jù)提取特征；統(tǒng)計學(xué)習(xí)模塊，用于基于提取到的圖像特征表示，通過統(tǒng)計學(xué)習(xí)的方式，學(xué)習(xí)人體圖像窗口分類器來區(qū)分某一圖像窗口中是否包含人體；圖像金字塔模塊，用于對于輸入圖像在各個尺度重采樣，構(gòu)成圖像金字塔，對圖像金字塔的每一個圖像重采樣的圖像提取圖像特征；窗口分類模塊，用于對圖像金字塔中的每一個圖像窗口進(jìn)行分類，找出所有人體特征的檢測窗口；聚類模塊，用于利用聚類方法對分類結(jié)果進(jìn)行去重復(fù)檢測的操作。所述的基于在線學(xué)習(xí)人體重現(xiàn)檢測系統(tǒng)，所述目標(biāo)跟蹤模塊還包括：光流特征模塊，用于采用光流特征，預(yù)測目標(biāo)物體的位置和尺度；初始化模塊，用于對于人體檢測的結(jié)果初始化目標(biāo)跟蹤算法；光流預(yù)測模塊，用于在視頻幀的當(dāng)前幀和下一幀中提取光流，給予光流預(yù)測目標(biāo)物體在下一幀的位置和大?。惠敵瞿K，用于輸出跟蹤結(jié)果的可信度。所述的基于在線學(xué)習(xí)人體重現(xiàn)檢測系統(tǒng)，所述學(xué)習(xí)與更新模塊還包括：建立人體特征模型模塊，用于對于人體檢測和人體跟蹤的結(jié)果作為輸入數(shù)據(jù)，對于每一個新檢測到的人體建立一個人體特征模型；更新人體特征模型模塊，用于在之后的視頻幀處理中，利用所述人體特征模型來檢測視頻幀中的人體重現(xiàn)，并利用重現(xiàn)的人體來更新其對應(yīng)的人體特征模型。所述的基于在線學(xué)習(xí)人體重現(xiàn)檢測系統(tǒng)，所述建立人體特征模型模塊還包括：判斷檢測結(jié)果模塊，用于判斷新獲得的人體檢測結(jié)果中是否包含新出現(xiàn)的人體；訓(xùn)練模塊，用于如果是新出現(xiàn)的人體，訓(xùn)練人體表觀的模型，并加入到人體檢測集合中；結(jié)果關(guān)聯(lián)模塊，用于將人體檢測與人體跟蹤結(jié)果關(guān)聯(lián)起來，基于所述人體檢測與人體跟蹤結(jié)果更新當(dāng)前的人體特征模型。所述的基于在線學(xué)習(xí)人體重現(xiàn)檢測系統(tǒng)，還包括：記錄更新模塊，用于記錄已經(jīng)建立的人體特征模型的被訪問時間，不被訪問的人體特征模型都被刪除掉。所述的基于在線學(xué)習(xí)人體重現(xiàn)檢測系統(tǒng)，存儲與管理模塊還包括：重新檢測模塊，用于在管理人體特征模型時，間隔N幀之后，重新進(jìn)行人體檢測，并將人體檢測結(jié)果比對已經(jīng)建立的人體特征模型，所述N為大于等于1的自然數(shù)；重復(fù)執(zhí)行模塊，用于對于沒有匹配的人體特征模型的人體檢測過程，重復(fù)執(zhí)行操作；匹配人體特征模型模塊，用于對于被匹配的人體特征模型，利用所述新檢測的人體特征模型進(jìn)行更新。本領(lǐng)域的技術(shù)人員在不脫離權(quán)利要求書確定的本發(fā)明的精神和范圍的條件下，還可以對以上內(nèi)容進(jìn)行各種各樣的修改。