邊界曲線信號的頻域分析的結(jié)果，是對目標(biāo)的輪廓進(jìn)行頻域分析，能夠適用于分辨率較 低的攝像頭，而且實(shí)驗(yàn)表明目標(biāo)輪廓的傅里葉特征與離散噪聲的傅里葉特征具有較大的差 異，同時(shí)其運(yùn)算速度快。為了入侵檢測能夠有效應(yīng)對光照的變化以及噪聲的影響，本發(fā)明以 H0G+FD進(jìn)行人體目標(biāo)檢測。如圖1左側(cè)框內(nèi)所示，在進(jìn)行人體目標(biāo)檢測之初，需要進(jìn)行HOG 分類器和FD分類器的訓(xùn)練； HOG分類器的訓(xùn)練 準(zhǔn)備訓(xùn)練分類器的正負(fù)樣本，正負(fù)樣本樣例如圖2所示； 分別提取正負(fù)樣本的HOG特征，如圖3所示，特征提取過程如下： 為提高分類器對光照的魯棒性需對輸入圖像批進(jìn)行歸一化處理和Ga_a變換：
其中為圖像％iW%#彡為圖處的像素值； 采用模板14:?:I求取圖像:輕1^-水平和垂直方向的梯度懲懸玲、辱燃_及其方向 ：
劃分矩陣塊block并統(tǒng)計(jì)矩陣塊信息 如圖3所示，一個(gè)block由若干個(gè)單元格cell組成，每個(gè)cell包含若干個(gè)像素點(diǎn)。一 般情況下，在行人檢測中，block為知:2時(shí)，每個(gè)cell包含fe：賽個(gè)像素點(diǎn)；block為_3:時(shí)， cel 1大小為_-。對于人體目標(biāo)檢測，將匕Il的梯度方向平均分成9個(gè)區(qū)間bin，并統(tǒng)計(jì)每 個(gè)cell的梯度方向，然后每個(gè)cell內(nèi)所有像素的梯度值分別在各個(gè)bin區(qū)間進(jìn)行直方圖 統(tǒng)計(jì)，這樣一個(gè)cell得到一個(gè)9維的特征向量；為了增強(qiáng)HOG特征向量對光照、邊緣變化、 陰影的魯棒性，對block內(nèi)的數(shù)據(jù)進(jìn)行歸一化，得到特征向量； 獲得最終的HOG特征 對輸入圖像.6?..以滑動(dòng)窗口形式進(jìn)行檢測，獲取每個(gè)block的HOG特征，并將它們結(jié) 合成一個(gè)包含D個(gè)教掘的高維特征向量， 其中
^ η _ ^5// χ χ ； :每個(gè)block中cell的個(gè)數(shù)； :梯度方向區(qū)間bin的個(gè)數(shù)； 省:圖像>欲"細(xì)中包含block的個(gè)數(shù)； 目前在人體目標(biāo)檢測研究上較為常用且效果較好的有自適應(yīng)增強(qiáng)（Adaboost)分類器 和支持向量機(jī)（SVM)分類器兩種。Adaboost通過對訓(xùn)練集獲取大量的弱分類器，進(jìn)而整合 成具有較強(qiáng)分類效果的強(qiáng)分類器，比較適用于樣本較大的情況。SVM的特點(diǎn)是解決非線性問 題和高維度的識別問題。本發(fā)明采用SVM作為分類器，由于目的是判斷運(yùn)動(dòng)目標(biāo)是否為人， 因此SVM采用線性核函數(shù)，類別為2進(jìn)行訓(xùn)練，得到HOG分類器模型ModelHOG，此時(shí)可以設(shè) 定距離閾值來提高檢測的準(zhǔn)確率。
[0012] FD分類器的訓(xùn)練 準(zhǔn)備分類器訓(xùn)練的樣本，如圖4所示為其正負(fù)樣本及其對應(yīng)的傅里葉頻譜圖，可以發(fā) 現(xiàn)對于人體目標(biāo)的二值圖像，其頻譜能量主要集中在低頻區(qū)域，而對于噪聲引起的干擾，其 頻譜能量會分布在低頻至高頻的各個(gè)頻段； 提取傅里葉特征 離散采樣 如圖5所示，圖像邊緣以任意點(diǎn)1?綱丨作為起點(diǎn)進(jìn)行逆時(shí)針取樣：:零: …。以_;來表示坐標(biāo)序列，如下式所示： 標(biāo)； 引入復(fù)數(shù)坐標(biāo)系 利用復(fù)數(shù)坐標(biāo)系對邊界的坐標(biāo)序列進(jìn)行重新解釋，在不改變邊界本質(zhì)信息的前提下， 引入復(fù)數(shù)坐標(biāo)系能夠?qū)⒍S問題簡化到一維問題，降低問題的復(fù)雜度。邊界序列％在復(fù)數(shù) 坐標(biāo)系下的形式如下所示： CN 105096342 A 說明書 7/8 頁 進(jìn)行傅里葉變換
對邊界離散序列％進(jìn)行傅里葉變換，復(fù)系數(shù)A即為目標(biāo)邊界的傅里葉描述子，如下式 所示：
刀疋符、T秒、51自取個(gè)艾?土處埋 由于傅里葉描述子的起始點(diǎn)是隨機(jī)選擇的，而結(jié)果又依賴于取點(diǎn)的順序。因此為了增 強(qiáng)傅里葉描述子對邊界旋轉(zhuǎn)的魯棒性需要對邊界序列做旋轉(zhuǎn)變換。這種變換通過乘以因子 實(shí)現(xiàn)，對g的每個(gè)點(diǎn)都乘以旋轉(zhuǎn)因子，如下式所示：
其中患為旋轉(zhuǎn)變換后的邊緣點(diǎn)，^ 后的傅里葉描述子。
[0013] 平移和縮放變換原理與旋轉(zhuǎn)變換類似。下式分別為邊界序列的平移變換和縮放變 換，其中f為平移變換后的邊緣點(diǎn)，_為經(jīng)平移變換后的傅里葉描述子，_為旋轉(zhuǎn)變換后 的邊緣點(diǎn)，％為經(jīng)縮放變換后的傅里葉描述子：
其中，美為每個(gè)點(diǎn)對應(yīng)的位移常量，即:?:*:激;;a為縮放因子；為脈沖函數(shù)，
[0014] 選擇SVM為分類器，核函數(shù)類型為線性，分類類別為2進(jìn)行，得到FD分類器模型 ModelFD ； 提取視頻幀圖像中對應(yīng)步驟2. 5)得到的實(shí)際運(yùn)動(dòng)區(qū)域，以窗口大小為_x|p，提取 HOG特征，采用HOG分類器進(jìn)行滑動(dòng)檢測，HOG特征提取過程如圖3所示； 提取二值圖像中對應(yīng)步驟2. 5)得到的實(shí)際運(yùn)動(dòng)區(qū)域，以窗口大小為 計(jì)算其FD特征，特征維度選取800,并歸一化為，_1，采用FD分類器進(jìn)行滑動(dòng)檢測，F(xiàn)D特 征提取過程如所述步驟②； 對所述步驟3. 2)及步驟3. 3)的判斷結(jié)果進(jìn)行邏輯與操作； 當(dāng)所述步驟3. 4)結(jié)果為O時(shí)，返回步驟1)進(jìn)行后續(xù)視頻幀的判斷；當(dāng)結(jié)果為1時(shí)，進(jìn) 行行為邏輯分類和連續(xù)幀判斷，當(dāng)達(dá)到報(bào)警閾值時(shí)，觸發(fā)報(bào)警系統(tǒng)。
【主權(quán)項(xiàng)】
1. 一種基于傅里葉描述子和方向梯度直方圖的入侵檢測算法，所述檢測算法包括如下 步驟： 1) 連續(xù)視頻幀圖像辦％:的獲取，其中表示第幀視頻圖像，g為正整數(shù)； 2) 對視頻中運(yùn)動(dòng)目標(biāo)的提取，過程如下： 2.1)對獲取得到相鄰視頻幀進(jìn)行幀間差分，得到差分圖像UlLii.并以閾值 對差分圖像進(jìn)行二值化，得到二值圖像ikfjnr; 2. 2)對二值圖像進(jìn)行閉運(yùn)算，得到圖像； 2. 3)對圖像先后進(jìn)行鄰域均值濾波和中值濾波，得到圖像 Img_smooih. 2.4)疑似人體運(yùn)動(dòng)目標(biāo)區(qū)域確定，選出&壤中連通區(qū)域面積大于閾值 7>W的區(qū)域作為疑似人體運(yùn)動(dòng)目標(biāo)區(qū)域； 2. 5)計(jì)算疑似人體運(yùn)動(dòng)目標(biāo)區(qū)域的最大外接矩形，作為實(shí)際運(yùn)動(dòng)目標(biāo)區(qū)域； 3) 人體目標(biāo)檢測 3. 1)對視頻幀圖像Jmgi及二值圖像在步驟2)中檢測得到的實(shí)際運(yùn)動(dòng)目標(biāo) 區(qū)域進(jìn)行截取，并分別采用HOG分類器和FD分類器以滑動(dòng)窗口形式進(jìn)行判斷，具體過程如 下： HOG分類器判斷 對視頻幀圖像Sfcfe中對應(yīng)所述步驟2. 5)得到的實(shí)際運(yùn)動(dòng)區(qū)域以大小為_:__81的 窗口進(jìn)行滑動(dòng)檢測，計(jì)算HOG特征，根據(jù)模型MaaaodelHOG來進(jìn)行判斷，此時(shí)可以設(shè)定距離 閾值?^來提高檢測的準(zhǔn)確率； FD分類器判斷 對二值圖像。沖對應(yīng)所述步驟2. 5)得到的實(shí)際運(yùn)動(dòng)區(qū)域以大小為___的窗 口進(jìn)行滑動(dòng)檢測，計(jì)算FD特征，根據(jù)模型ModelFD來進(jìn)行判斷，設(shè)定距離閾值7：.治々淑從來提尚檢測的準(zhǔn)確率； 3. 2)融合HOG分類器和FD分類器的判斷結(jié)果 根據(jù)HOG分類器和FD分類器的判定結(jié)果進(jìn)行邏輯與操作，得到最終的判定結(jié)果； 4)當(dāng)所述步驟3. 2)結(jié)果為0時(shí)，返回步驟1)進(jìn)行后續(xù)視頻幀的判斷；當(dāng)結(jié)果為1時(shí)， 進(jìn)行行為邏輯分類和連續(xù)幀判斷，當(dāng)達(dá)到報(bào)警閾值時(shí)，觸發(fā)報(bào)警系統(tǒng)。2.如權(quán)利要求1所述的一種基于傅里葉描述子（FD)和方向梯度直方圖（HOG)的入侵 檢測算法，其特征在于：所述步驟3. 1)中，還包括提取FD特征，步驟如下： 離散采樣 圖像邊緣以幾為起點(diǎn)進(jìn)行逆時(shí)針取樣，以,來表示坐標(biāo)序列，如下式所示： _ :賽:動(dòng):選纖義;其中參齡 邊緣點(diǎn)，的坐標(biāo)； 引入復(fù)數(shù)坐標(biāo)系 利用復(fù)數(shù)坐標(biāo)系對邊界的坐標(biāo)序列進(jìn)行重新解釋，邊界序列g(shù)在復(fù)數(shù)坐標(biāo)系下的形式 如下所示： 芎=:u撲，-JJ{A)，其中_3_1__羅4|:; 進(jìn)行傅里葉變換 對邊界離散序列||進(jìn)行傅里葉變換，復(fù)系數(shù)即為目標(biāo)邊界的傅里葉描述子，如下 式所示：其中::_:巧_|送;;_:4績一隹德|s美樹:一:！； 旋轉(zhuǎn)、平移、縮放不變性處理 通過乘以因子實(shí)現(xiàn)旋轉(zhuǎn)不變特性，對g的每個(gè)點(diǎn)都乘以旋轉(zhuǎn)因子，如下式所示：其中..遽為旋轉(zhuǎn)變換后的邊緣點(diǎn)，灸二:Q；J,義鱗:-:i:，:聽3:麵::〖為 增加旋轉(zhuǎn)變換后的傅里葉描述子。3. 平移和縮放變換原理與旋轉(zhuǎn)變換類似。4. 下式分別為邊界序列的平移變換和縮放變換，其中為平移變換后的邊緣點(diǎn)，1；:: 為經(jīng)平移變換后的傅里葉描述子，廠為旋轉(zhuǎn)變換后的邊緣點(diǎn)，ft為經(jīng)縮放變換后的傅里 葉描述子：其中，_^為每個(gè)點(diǎn)對應(yīng)的位移常量，即;為縮放因子；為脈沖函數(shù)，是=〇51，2、…，/?ii -1.，沒二謝一1。
【專利摘要】一種基于傅里葉描述子和方向梯度直方圖的入侵檢測算法，包括如下步驟：1）獲取連續(xù)視頻幀圖像；2）對視頻幀圖像進(jìn)行幀間差分，進(jìn)行一系列形態(tài)學(xué)操作，得到實(shí)際運(yùn)動(dòng)區(qū)域；3）運(yùn)動(dòng)區(qū)域是否為人體目標(biāo)判斷，截取視頻幀圖像及二值圖像中對應(yīng)步驟2）得到的實(shí)際運(yùn)動(dòng)區(qū)域，以滑動(dòng)窗口形式提取視頻幀圖像的HOG特征，并采用基于HOG分類器進(jìn)行判斷；提取二值圖像中規(guī)定維數(shù)的FD特征，并采用基于FD分類器進(jìn)行判斷；然后對兩個(gè)分類器得到的結(jié)果進(jìn)行邏輯與操作，得到最終判定結(jié)果；4）根據(jù)步驟3）的判定結(jié)果，如果判斷為人則進(jìn)行后續(xù)的行為邏輯判斷并報(bào)警。本發(fā)明對光照、圖像質(zhì)量、環(huán)境干擾魯棒性強(qiáng)，檢測精度較高。
【IPC分類】G08B13/196, G06T7/20, G06K9/62
【公開號】CN105096342
【申請?zhí)枴緾N201510488408
【發(fā)明人】張永良, 張智勤, 黃聰敏, 姜曉麗
【申請人】杭州景聯(lián)文科技有限公司
【公開日】2015年11月25日
【申請日】2015年8月11日