本發(fā)明涉及交通領(lǐng)域，具體涉及一種交通路口行人行為監(jiān)測(cè)系統(tǒng)。

背景技術(shù)：

為了降低交通事故，一些地區(qū)出臺(tái)了行人違反交通而采取對(duì)應(yīng)措施的法律法規(guī)，這對(duì)降低行人違反交通而產(chǎn)生的事故發(fā)生率取得了一定成效，但是該方法浪費(fèi)了大量的人力，設(shè)置斑馬線的路口需要有交警來(lái)協(xié)助實(shí)施該法律法規(guī)。因此，需要一種交通路口行人行為監(jiān)測(cè)系統(tǒng)和方法，能夠降低事故發(fā)生率的情況下，有效減少人力成本。

技術(shù)實(shí)現(xiàn)要素：

為解決上述問(wèn)題，本發(fā)明旨在提供一種交通路口行人行為監(jiān)測(cè)系統(tǒng)。

本發(fā)明的目的采用以下技術(shù)方案來(lái)實(shí)現(xiàn)：

一種交通路口行人行為監(jiān)測(cè)系統(tǒng)，包括信號(hào)燈圖像采集模塊、視頻分析模塊、行人行為分析模塊和路口圖像采集處理模塊；所述信號(hào)燈圖像采集模塊，用于實(shí)時(shí)采集信號(hào)燈圖像；所述視頻分析模塊，用于根據(jù)信號(hào)燈圖像采集模塊采集的圖像判斷信號(hào)燈的狀態(tài)，并將禁行信號(hào)發(fā)給行人行為分析模塊和路口圖像采集處理模塊；所述路口圖像采集處理模塊，用于拍攝交通路口的視頻圖像并對(duì)視頻圖像進(jìn)行處理，并將處理圖像發(fā)給行人行為分析模塊；所述行人行為分析模塊，用于在接收到禁行信號(hào)后獲取路口圖像采集處理模塊的處理圖像，并對(duì)行人進(jìn)行捕捉和跟蹤處理，判斷行人行為是否違規(guī)。

本發(fā)明的有益效果為：通過(guò)對(duì)信號(hào)燈的顏色識(shí)別以及對(duì)交通路口行人行為的識(shí)別，不僅可以通過(guò)視頻圖像獲得交通路口的現(xiàn)狀，還能獲知違規(guī)過(guò)馬路的行人，監(jiān)控人員可以通過(guò)遠(yuǎn)程協(xié)助，來(lái)實(shí)現(xiàn)對(duì)該路口的控制，這將大大降低了交通路口的人工監(jiān)控維護(hù)的人力成本，從而解決了上述的技術(shù)問(wèn)題。

附圖說(shuō)明

利用附圖對(duì)本發(fā)明作進(jìn)一步說(shuō)明，但附圖中的應(yīng)用場(chǎng)景不構(gòu)成對(duì)本發(fā)明的任何限制，對(duì)于本領(lǐng)域的普通技術(shù)人員，在不付出創(chuàng)造性勞動(dòng)的前提下，還可以根據(jù)以下附圖獲得其它的附圖。

圖1是本發(fā)明的結(jié)構(gòu)示意圖；

圖2是本發(fā)明行人跟蹤單元的結(jié)構(gòu)示意圖。

附圖標(biāo)記：

信號(hào)燈圖像采集模塊1、視頻分析模塊2、路口圖像采集處理模塊3、行人行為分析模塊4、報(bào)警模塊5、行人跟蹤單元41、違規(guī)分析單元42、計(jì)數(shù)單元43、初始化子模塊411、狀態(tài)轉(zhuǎn)移模型建立子模塊412、觀測(cè)模型建立子模塊413、行人目標(biāo)區(qū)域計(jì)算子模塊414、位置修正子模塊415、重采樣子模塊416。

具體實(shí)施方式

結(jié)合以下應(yīng)用場(chǎng)景對(duì)本發(fā)明作進(jìn)一步描述。

應(yīng)用場(chǎng)景1

參見(jiàn)圖1、圖2，本應(yīng)用場(chǎng)景的一個(gè)實(shí)施例的一種交通路口行人行為監(jiān)測(cè)系統(tǒng)，包括信號(hào)燈圖像采集模塊1、視頻分析模塊2、行人行為分析模塊4和路口圖像采集處理模塊3；所述信號(hào)燈圖像采集模塊1，用于實(shí)時(shí)采集信號(hào)燈圖像；所述視頻分析模塊2，用于根據(jù)信號(hào)燈圖像采集模塊1采集的圖像判斷信號(hào)燈的狀態(tài)，并將禁行信號(hào)發(fā)給行人行為分析模塊4和路口圖像采集處理模塊3；所述路口圖像采集處理模塊3，用于拍攝交通路口的視頻圖像并對(duì)視頻圖像進(jìn)行處理，并將處理圖像發(fā)給行人行為分析模塊4；所述行人行為分析模塊4，用于在接收到禁行信號(hào)后獲取路口圖像采集處理模塊3的處理圖像，并對(duì)行人進(jìn)行捕捉和跟蹤處理，判斷行人行為是否違規(guī)。

本發(fā)明上述實(shí)施例通過(guò)對(duì)信號(hào)燈的顏色識(shí)別以及對(duì)交通路口行人行為的識(shí)別，不僅可以通過(guò)視頻圖像獲得交通路口的現(xiàn)狀，還能獲知違規(guī)過(guò)馬路的行人，監(jiān)控人員可以通過(guò)遠(yuǎn)程協(xié)助，來(lái)實(shí)現(xiàn)對(duì)該路口的控制，這將大大降低了交通路口的人工監(jiān)控維護(hù)的人力成本，從而解決了上述的技術(shù)問(wèn)題。

優(yōu)選的，所述系統(tǒng)還包括報(bào)警模塊5，用于在行人行為分析模塊4判斷有違規(guī)行人時(shí)發(fā)出報(bào)警聲音。

本優(yōu)選實(shí)施例增加了報(bào)警功能，使系統(tǒng)更加智能化。

優(yōu)選的，所述行人行為分析模塊4包括行人跟蹤單元41、違規(guī)分析單元42和計(jì)數(shù)單元43；所述行人跟蹤單元41，用于對(duì)行人進(jìn)行跟蹤，確定行人位置；所述違規(guī)分析單元42，用于根據(jù)行人的位置判斷行人是否違規(guī)；所述計(jì)數(shù)單元43用于對(duì)違規(guī)行人進(jìn)行計(jì)數(shù)。

本優(yōu)選實(shí)施例對(duì)行人行為分析模塊4進(jìn)行設(shè)計(jì)，增加了系統(tǒng)違規(guī)分析和違規(guī)人數(shù)計(jì)算的功能。

優(yōu)選的，所述行人跟蹤單元41包括運(yùn)動(dòng)區(qū)域檢測(cè)子單元、目標(biāo)跟蹤子單元和目標(biāo)定位子單元；所述運(yùn)動(dòng)區(qū)域檢測(cè)子單元用于在視頻圖像的一幀圖像中檢測(cè)行人的運(yùn)動(dòng)區(qū)域D₁并以此作為目標(biāo)模板；所述目標(biāo)跟蹤子單元用于建立粒子狀態(tài)轉(zhuǎn)移和觀測(cè)模型并基于上述模型，采用粒子濾波預(yù)測(cè)行人目標(biāo)區(qū)域；所述目標(biāo)定位子單元用于對(duì)所述行人目標(biāo)區(qū)域和所述目標(biāo)模板進(jìn)行特征相似度量，獲得所述行人的檢測(cè)跟蹤結(jié)果，實(shí)現(xiàn)行人定位。

本優(yōu)選實(shí)施例構(gòu)建了行人跟蹤單元41的模塊架構(gòu)。

優(yōu)選的，所述目標(biāo)跟蹤子單元包括：

(1)初始化子模塊411：用于在所述運(yùn)動(dòng)區(qū)域D₁內(nèi)隨機(jī)選取數(shù)量為n的粒子并對(duì)各粒子進(jìn)行初始化處理，初始化處理后粒子的初始狀態(tài)為x₀ⁱ，初始權(quán)值為{Q_oⁱ＝1/n,i＝1,...n}；

(2)狀態(tài)轉(zhuǎn)移模型建立子模塊412：用于建立粒子狀態(tài)轉(zhuǎn)移模型，所述粒子狀態(tài)轉(zhuǎn)移模型采用下式：

$x_m^i={\mathrm{Ax}}_{m-1}^i+v_m^i$

式中，表示m時(shí)刻的新粒子，m≥2，為均值為0的高斯白噪聲，A為4階單位陣；m-1時(shí)刻的粒子通過(guò)狀態(tài)轉(zhuǎn)移模型傳播；

(3)觀測(cè)模型建立子模塊413，用于通過(guò)顏色直方圖、紋理特征直方圖和運(yùn)動(dòng)邊緣特征相結(jié)合的方式建立粒子觀測(cè)模型；

(4)行人目標(biāo)區(qū)域計(jì)算子模塊414：其利用最小方差估計(jì)來(lái)計(jì)算行人目標(biāo)區(qū)域：

$x_{now}=\underset{j=1}{\overset{n}{\Σ}}{Q}_m^j\·x_m^j$

式中，x_now表示計(jì)算的當(dāng)前幀圖像的行人目標(biāo)區(qū)域，表示m時(shí)刻第j個(gè)粒子的對(duì)應(yīng)狀態(tài)值；

(5)位置修正子模塊415：用于修正異常數(shù)據(jù)：

$x_{pre}=\underset{j=1}{\overset{n}{\Σ}}{Q}_{m-1}^j\·x_{m-1}^j$

式中，x_pre表示計(jì)算的當(dāng)前幀圖像的行人目標(biāo)區(qū)域，表示m-1時(shí)刻第j個(gè)粒子的對(duì)應(yīng)狀態(tài)值；

設(shè)置數(shù)據(jù)異常評(píng)價(jià)函數(shù)P＝|x_now-x_pre|，若P的值大于設(shè)定的經(jīng)驗(yàn)值T,則x_now＝x_pre；

(6)重采樣子模塊416：用于通過(guò)重采樣操作刪除權(quán)值過(guò)小的粒子，重采樣時(shí)，利用系統(tǒng)當(dāng)前時(shí)刻預(yù)測(cè)和觀測(cè)的差值提供新息殘差，進(jìn)而通過(guò)量測(cè)新息殘差對(duì)采樣的粒子進(jìn)行在線自適應(yīng)性調(diào)整，采樣過(guò)程中粒子數(shù)量和信息殘差之間的關(guān)系定義為：

其中，N_m表示采樣過(guò)程中m時(shí)刻的粒子數(shù)量，N_max和N_min分別表示最小和最大粒子數(shù)，N_min+1表示僅大于N_min的粒子數(shù)，N_max-1表示僅小于N_max的粒子數(shù)，表示m時(shí)刻系統(tǒng)的新息殘差。

本優(yōu)選實(shí)施例采用基于顏色直方圖、紋理特征直方圖和運(yùn)動(dòng)邊緣特征相結(jié)合的方式進(jìn)行采樣粒子的權(quán)值更新，有效增強(qiáng)了跟蹤系統(tǒng)的魯棒性；設(shè)置位置修正子模塊415，能夠避免異常數(shù)據(jù)對(duì)整個(gè)系統(tǒng)帶來(lái)的影響；在重采樣子模塊416中，利用當(dāng)前時(shí)刻預(yù)測(cè)和觀測(cè)的差值提供新息殘差，進(jìn)而通過(guò)量測(cè)新息殘差對(duì)采樣的粒子進(jìn)行在線自適應(yīng)性調(diào)整，并定義了采樣過(guò)程中粒子數(shù)量和信息殘差之間的關(guān)系，較好地保證了粒子采樣的高效性和算法的實(shí)時(shí)性。

優(yōu)選地，所述粒子觀測(cè)模型的粒子權(quán)值更新公式為：

$Q_m^j=\frac{\stackrel{\‾}{Q_{Cm}^j}\·\stackrel{\‾}{Q_{Mm}^j}\·\stackrel{\‾}{Q_{Wm}^j}+{\mathrm{\λ}}_1\stackrel{\‾}{Q_{Cm}^j}+{{\mathrm{\λ}}_2}^2\stackrel{\‾}{Q_{Mm}^j}+{{\mathrm{\λ}}_2}^3\stackrel{\‾}{Q_{Wm}^j}+{\mathrm{\λ}}_1{\mathrm{\λ}}_2{\mathrm{\λ}}_3}{(1+{\mathrm{\λ}}_1)(1+{\mathrm{\λ}}_2)(1+{\mathrm{\λ}}_3)}$

式中

$\stackrel{\‾}{Q_{Cm}^j}=Q_{Cm}^j/\underset{j=1}{\overset{n}{\Σ}}{Q}_{Cm}^j,Q_{Cm}^j=Q_{C(m-1)}^j\frac{1}{\sqrt{2\mathrm{\π}\mathrm{\σ}}}\exp \left(-\frac{A_m^2}{2{\mathrm{\σ}}^2}\right)$

$\stackrel{\‾}{Q_{Mm}^j}=Q_{Mm}^j/\underset{j=1}{\overset{n}{\Σ}}{Q}_{Mm}^j,Q_{Mm}^j=Q_{M(m-1)}^j\frac{1}{\sqrt{2\mathrm{\π}\mathrm{\σ}}}\exp \left(-\frac{B_m^2}{2{\mathrm{\σ}}^2}\right)$

$\stackrel{\‾}{Q_{Wm}^j}=Q_{Wm}^j/\underset{j=1}{\overset{n}{\Σ}}{Q}_{Wm}^j,Q_{Wm}^j=Q_{W(m-1)}^j\frac{1}{\sqrt{2\mathrm{\π}\mathrm{\σ}}}\exp \left(-\frac{C_m^2}{2{\mathrm{\σ}}^2}\right)$

其中，表示m時(shí)刻第j個(gè)粒子的最終更新權(quán)值，和分別表示m時(shí)刻和m-1時(shí)刻中第j個(gè)粒子基于顏色直方圖的更新權(quán)值，表示m時(shí)刻和m-1時(shí)刻中第j個(gè)粒子基于運(yùn)動(dòng)邊緣的更新權(quán)值，表示m時(shí)刻和m-1時(shí)刻中第j個(gè)粒子基于紋理特征直方圖的更新權(quán)值，A_m為m時(shí)刻中第j個(gè)粒子基于顏色直方圖的觀測(cè)值與真實(shí)值之間的Bhattacharrya距離，B_m為m時(shí)刻中第j個(gè)粒子基于運(yùn)動(dòng)邊緣的觀測(cè)值與真實(shí)值之間的Bhattacharrya距離,C_m為m時(shí)刻中第j個(gè)粒子基于紋理特征直方圖的觀測(cè)值與真實(shí)值之間的Bhattacharrya距離,σ為高斯似然模型方差，λ₁為基于顏色直方圖的特征權(quán)值歸一化的自適應(yīng)調(diào)整因子，λ₂為基于運(yùn)動(dòng)邊緣的特征權(quán)值歸一化的自適應(yīng)調(diào)整因子,λ₃為基于紋理特征直方圖的特征權(quán)值歸一化的自適應(yīng)調(diào)整因子；

所述自適應(yīng)調(diào)整因子的計(jì)算公式為：

${\mathrm{\λ}}_s^m={\mathrm{\ξ}}_{m-1}\·\[-\underset{j=1}{\overset{n}{\Σ}}\left(p_{m-1}^{s/j}\right){\log }_2^{p_{m-1}^{s/j}}\],s=1,2,3;$

其中，s＝1時(shí)，表示m時(shí)刻中基于顏色直方圖的特征權(quán)值歸一化的自適應(yīng)調(diào)整因子，為m-1時(shí)刻中基于顏色直方圖的特征值在j個(gè)粒子下的觀測(cè)概率值；s＝2時(shí)，表示m時(shí)刻中基于運(yùn)動(dòng)邊緣的特征權(quán)值歸一化的自適應(yīng)調(diào)整因子，為m-1時(shí)刻中基于運(yùn)動(dòng)邊緣的特征值在j個(gè)粒子下的觀測(cè)概率值；s＝3時(shí)，表示m時(shí)刻中基于紋理特征直方圖的特征權(quán)值歸一化的自適應(yīng)調(diào)整因子，為m-1時(shí)刻中基于紋理特征直方圖的特征值在j個(gè)粒子下的觀測(cè)概率值；ξ_m-1表示在m-1時(shí)刻中所有粒子的空間位置方差值。

本優(yōu)選實(shí)施例提出粒子觀測(cè)模型的粒子權(quán)值更新公式和自適應(yīng)調(diào)整因子的計(jì)算公式，對(duì)粒子的特征權(quán)值進(jìn)行融合處理，有效克服了加性融合和乘性融合存在的缺陷，進(jìn)一步增強(qiáng)了跟蹤系統(tǒng)的魯棒性。

在此應(yīng)用場(chǎng)景中，選取粒子數(shù)n＝50，跟蹤速度相對(duì)提高了8％，跟蹤精度相對(duì)提高了7％。

應(yīng)用場(chǎng)景2

參見(jiàn)圖1、圖2，本應(yīng)用場(chǎng)景的一個(gè)實(shí)施例的一種交通路口行人行為監(jiān)測(cè)系統(tǒng)，包括信號(hào)燈圖像采集模塊1、視頻分析模塊2、行人行為分析模塊4和路口圖像采集處理模塊3；所述信號(hào)燈圖像采集模塊1，用于實(shí)時(shí)采集信號(hào)燈圖像；所述視頻分析模塊2，用于根據(jù)信號(hào)燈圖像采集模塊1采集的圖像判斷信號(hào)燈的狀態(tài)，并將禁行信號(hào)發(fā)給行人行為分析模塊4和路口圖像采集處理模塊3；所述路口圖像采集處理模塊3，用于拍攝交通路口的視頻圖像并對(duì)視頻圖像進(jìn)行處理，并將處理圖像發(fā)給行人行為分析模塊4；所述行人行為分析模塊4，用于在接收到禁行信號(hào)后獲取路口圖像采集處理模塊3的處理圖像，并對(duì)行人進(jìn)行捕捉和跟蹤處理，判斷行人行為是否違規(guī)。

本發(fā)明上述實(shí)施例通過(guò)對(duì)信號(hào)燈的顏色識(shí)別以及對(duì)交通路口行人行為的識(shí)別，不僅可以通過(guò)視頻圖像獲得交通路口的現(xiàn)狀，還能獲知違規(guī)過(guò)馬路的行人，監(jiān)控人員可以通過(guò)遠(yuǎn)程協(xié)助，來(lái)實(shí)現(xiàn)對(duì)該路口的控制，這將大大降低了交通路口的人工監(jiān)控維護(hù)的人力成本，從而解決了上述的技術(shù)問(wèn)題。

優(yōu)選的，所述系統(tǒng)還包括報(bào)警模塊5，用于在行人行為分析模塊4判斷有違規(guī)行人時(shí)發(fā)出報(bào)警聲音。

本優(yōu)選實(shí)施例增加了報(bào)警功能，使系統(tǒng)更加智能化。

優(yōu)選的，所述行人行為分析模塊4包括行人跟蹤單元41、違規(guī)分析單元42和計(jì)數(shù)單元43；所述行人跟蹤單元41，用于對(duì)行人進(jìn)行跟蹤，確定行人位置；所述違規(guī)分析單元42，用于根據(jù)行人的位置判斷行人是否違規(guī)；所述計(jì)數(shù)單元43用于對(duì)違規(guī)行人進(jìn)行計(jì)數(shù)。

本優(yōu)選實(shí)施例對(duì)行人行為分析模塊4進(jìn)行設(shè)計(jì)，增加了系統(tǒng)違規(guī)分析和違規(guī)人數(shù)計(jì)算的功能。

優(yōu)選的，所述行人跟蹤單元41包括運(yùn)動(dòng)區(qū)域檢測(cè)子單元、目標(biāo)跟蹤子單元和目標(biāo)定位子單元；所述運(yùn)動(dòng)區(qū)域檢測(cè)子單元用于在視頻圖像的一幀圖像中檢測(cè)行人的運(yùn)動(dòng)區(qū)域D₁并以此作為目標(biāo)模板；所述目標(biāo)跟蹤子單元用于建立粒子狀態(tài)轉(zhuǎn)移和觀測(cè)模型并基于上述模型，采用粒子濾波預(yù)測(cè)行人目標(biāo)區(qū)域；所述目標(biāo)定位子單元用于對(duì)所述行人目標(biāo)區(qū)域和所述目標(biāo)模板進(jìn)行特征相似度量，獲得所述行人的檢測(cè)跟蹤結(jié)果，實(shí)現(xiàn)行人定位。

本優(yōu)選實(shí)施例構(gòu)建了行人跟蹤單元41的模塊架構(gòu)。

優(yōu)選的，所述目標(biāo)跟蹤子單元包括：

(1)初始化子模塊411：用于在所述運(yùn)動(dòng)區(qū)域D₁內(nèi)隨機(jī)選取數(shù)量為n的粒子并對(duì)各粒子進(jìn)行初始化處理，初始化處理后粒子的初始狀態(tài)為x₀ⁱ，初始權(quán)值為{Q_oⁱ＝1/n,i＝1,...n}；

(2)狀態(tài)轉(zhuǎn)移模型建立子模塊412：用于建立粒子狀態(tài)轉(zhuǎn)移模型，所述粒子狀態(tài)轉(zhuǎn)移模型采用下式：

$x_m^i={\mathrm{Ax}}_{m-1}^i+v_m^i$

式中，表示m時(shí)刻的新粒子，m≥2，為均值為0的高斯白噪聲，A為4階單位陣；m-1時(shí)刻的粒子通過(guò)狀態(tài)轉(zhuǎn)移模型傳播；

(3)觀測(cè)模型建立子模塊413，用于通過(guò)顏色直方圖、紋理特征直方圖和運(yùn)動(dòng)邊緣特征相結(jié)合的方式建立粒子觀測(cè)模型；

(4)行人目標(biāo)區(qū)域計(jì)算子模塊414：其利用最小方差估計(jì)來(lái)計(jì)算行人目標(biāo)區(qū)域：

$x_{now}=\underset{j=1}{\overset{n}{\Σ}}{Q}_m^j\·x_m^j$

式中，x_now表示計(jì)算的當(dāng)前幀圖像的行人目標(biāo)區(qū)域，表示m時(shí)刻第j個(gè)粒子的對(duì)應(yīng)狀態(tài)值；

(5)位置修正子模塊415：用于修正異常數(shù)據(jù)：

$x_{pre}=\underset{j=1}{\overset{n}{\Σ}}{Q}_{m-1}^j\·x_{m-1}^j$

式中，x_pre表示計(jì)算的當(dāng)前幀圖像的行人目標(biāo)區(qū)域，表示m-1時(shí)刻第j個(gè)粒子的對(duì)應(yīng)狀態(tài)值；

設(shè)置數(shù)據(jù)異常評(píng)價(jià)函數(shù)P＝|x_now-x_pre|，若P的值大于設(shè)定的經(jīng)驗(yàn)值T,則x_now＝x_pre；

(6)重采樣子模塊416：用于通過(guò)重采樣操作刪除權(quán)值過(guò)小的粒子，重采樣時(shí)，利用系統(tǒng)當(dāng)前時(shí)刻預(yù)測(cè)和觀測(cè)的差值提供新息殘差，進(jìn)而通過(guò)量測(cè)新息殘差對(duì)采樣的粒子進(jìn)行在線自適應(yīng)性調(diào)整，采樣過(guò)程中粒子數(shù)量和信息殘差之間的關(guān)系定義為：

其中，N_m表示采樣過(guò)程中m時(shí)刻的粒子數(shù)量，N_max和N_min分別表示最小和最大粒子數(shù)，N_min+1表示僅大于N_min的粒子數(shù)，N_max-1表示僅小于N_max的粒子數(shù)，表示m時(shí)刻系統(tǒng)的新息殘差。

本優(yōu)選實(shí)施例采用基于顏色直方圖、紋理特征直方圖和運(yùn)動(dòng)邊緣特征相結(jié)合的方式進(jìn)行采樣粒子的權(quán)值更新，有效增強(qiáng)了跟蹤系統(tǒng)的魯棒性；設(shè)置位置修正子模塊415，能夠避免異常數(shù)據(jù)對(duì)整個(gè)系統(tǒng)帶來(lái)的影響；在重采樣子模塊416中，利用當(dāng)前時(shí)刻預(yù)測(cè)和觀測(cè)的差值提供新息殘差，進(jìn)而通過(guò)量測(cè)新息殘差對(duì)采樣的粒子進(jìn)行在線自適應(yīng)性調(diào)整，并定義了采樣過(guò)程中粒子數(shù)量和信息殘差之間的關(guān)系，較好地保證了粒子采樣的高效性和算法的實(shí)時(shí)性。

優(yōu)選地，所述粒子觀測(cè)模型的粒子權(quán)值更新公式為：

$Q_m^j=\frac{\stackrel{\‾}{Q_{Cm}^j}\·\stackrel{\‾}{Q_{Mm}^j}\·\stackrel{\‾}{Q_{Wm}^j}+{\mathrm{\λ}}_1\stackrel{\‾}{Q_{Cm}^j}+{{\mathrm{\λ}}_2}^2\stackrel{\‾}{Q_{Mm}^j}+{{\mathrm{\λ}}_2}^3\stackrel{\‾}{Q_{Wm}^j}+{\mathrm{\λ}}_1{\mathrm{\λ}}_2{\mathrm{\λ}}_3}{(1+{\mathrm{\λ}}_1)(1+{\mathrm{\λ}}_2)(1+{\mathrm{\λ}}_3)}$

式中

$\stackrel{\‾}{Q_{Cm}^j}=Q_{Cm}^j/\underset{j=1}{\overset{n}{\Σ}}{Q}_{Cm}^j,Q_{Cm}^j=Q_{C(m-1)}^j\frac{1}{\sqrt{2\mathrm{\π}\mathrm{\σ}}}\exp \left(-\frac{A_m^2}{2{\mathrm{\σ}}^2}\right)$

$\stackrel{\‾}{Q_{Mm}^j}=Q_{Mm}^j/\underset{j=1}{\overset{n}{\Σ}}{Q}_{Mm}^j,Q_{Mm}^j=Q_{M(m-1)}^j\frac{1}{\sqrt{2\mathrm{\π}\mathrm{\σ}}}\exp \left(-\frac{B_m^2}{2{\mathrm{\σ}}^2}\right)$

$\stackrel{\‾}{Q_{Wm}^j}=Q_{Wm}^j/\underset{j=1}{\overset{n}{\Σ}}{Q}_{Wm}^j,Q_{Wm}^j=Q_{W(m-1)}^j\frac{1}{\sqrt{2\mathrm{\π}\mathrm{\σ}}}\exp \left(-\frac{C_m^2}{2{\mathrm{\σ}}^2}\right)$

其中，表示m時(shí)刻第j個(gè)粒子的最終更新權(quán)值，和分別表示m時(shí)刻和m-1時(shí)刻中第j個(gè)粒子基于顏色直方圖的更新權(quán)值，表示m時(shí)刻和m-1時(shí)刻中第j個(gè)粒子基于運(yùn)動(dòng)邊緣的更新權(quán)值，表示m時(shí)刻和m-1時(shí)刻中第j個(gè)粒子基于紋理特征直方圖的更新權(quán)值，A_m為m時(shí)刻中第j個(gè)粒子基于顏色直方圖的觀測(cè)值與真實(shí)值之間的Bhattacharrya距離，B_m為m時(shí)刻中第j個(gè)粒子基于運(yùn)動(dòng)邊緣的觀測(cè)值與真實(shí)值之間的Bhattacharrya距離,C_m為m時(shí)刻中第j個(gè)粒子基于紋理特征直方圖的觀測(cè)值與真實(shí)值之間的Bhattacharrya距離,σ為高斯似然模型方差，λ₁為基于顏色直方圖的特征權(quán)值歸一化的自適應(yīng)調(diào)整因子，λ₂為基于運(yùn)動(dòng)邊緣的特征權(quán)值歸一化的自適應(yīng)調(diào)整因子,λ₃為基于紋理特征直方圖的特征權(quán)值歸一化的自適應(yīng)調(diào)整因子；

所述自適應(yīng)調(diào)整因子的計(jì)算公式為：

${\mathrm{\λ}}_s^m={\mathrm{\ξ}}_{m-1}\·\[-\underset{j=1}{\overset{n}{\Σ}}\left(p_{m-1}^{s/j}\right){\log }_2^{p_{m-1}^{s/j}}\],s=1,2,3;$

其中，s＝1時(shí)，表示m時(shí)刻中基于顏色直方圖的特征權(quán)值歸一化的自適應(yīng)調(diào)整因子，為m-1時(shí)刻中基于顏色直方圖的特征值在j個(gè)粒子下的觀測(cè)概率值；s＝2時(shí)，表示m時(shí)刻中基于運(yùn)動(dòng)邊緣的特征權(quán)值歸一化的自適應(yīng)調(diào)整因子，為m-1時(shí)刻中基于運(yùn)動(dòng)邊緣的特征值在j個(gè)粒子下的觀測(cè)概率值；s＝3時(shí)，表示m時(shí)刻中基于紋理特征直方圖的特征權(quán)值歸一化的自適應(yīng)調(diào)整因子，為m-1時(shí)刻中基于紋理特征直方圖的特征值在j個(gè)粒子下的觀測(cè)概率值；ξ_m-1表示在m-1時(shí)刻中所有粒子的空間位置方差值。

本優(yōu)選實(shí)施例提出粒子觀測(cè)模型的粒子權(quán)值更新公式和自適應(yīng)調(diào)整因子的計(jì)算公式，對(duì)粒子的特征權(quán)值進(jìn)行融合處理，有效克服了加性融合和乘性融合存在的缺陷，進(jìn)一步增強(qiáng)了跟蹤系統(tǒng)的魯棒性。

在此應(yīng)用場(chǎng)景中，選取粒子數(shù)n＝55，跟蹤速度相對(duì)提高了7％，跟蹤精度相對(duì)提高了8％。

應(yīng)用場(chǎng)景3

參見(jiàn)圖1、圖2，本應(yīng)用場(chǎng)景的一個(gè)實(shí)施例的一種交通路口行人行為監(jiān)測(cè)系統(tǒng)，包括信號(hào)燈圖像采集模塊1、視頻分析模塊2、行人行為分析模塊4和路口圖像采集處理模塊3；所述信號(hào)燈圖像采集模塊1，用于實(shí)時(shí)采集信號(hào)燈圖像；所述視頻分析模塊2，用于根據(jù)信號(hào)燈圖像采集模塊1采集的圖像判斷信號(hào)燈的狀態(tài)，并將禁行信號(hào)發(fā)給行人行為分析模塊4和路口圖像采集處理模塊3；所述路口圖像采集處理模塊3，用于拍攝交通路口的視頻圖像并對(duì)視頻圖像進(jìn)行處理，并將處理圖像發(fā)給行人行為分析模塊4；所述行人行為分析模塊4，用于在接收到禁行信號(hào)后獲取路口圖像采集處理模塊3的處理圖像，并對(duì)行人進(jìn)行捕捉和跟蹤處理，判斷行人行為是否違規(guī)。

本發(fā)明上述實(shí)施例通過(guò)對(duì)信號(hào)燈的顏色識(shí)別以及對(duì)交通路口行人行為的識(shí)別，不僅可以通過(guò)視頻圖像獲得交通路口的現(xiàn)狀，還能獲知違規(guī)過(guò)馬路的行人，監(jiān)控人員可以通過(guò)遠(yuǎn)程協(xié)助，來(lái)實(shí)現(xiàn)對(duì)該路口的控制，這將大大降低了交通路口的人工監(jiān)控維護(hù)的人力成本，從而解決了上述的技術(shù)問(wèn)題。

優(yōu)選的，所述系統(tǒng)還包括報(bào)警模塊5，用于在行人行為分析模塊4判斷有違規(guī)行人時(shí)發(fā)出報(bào)警聲音。

本優(yōu)選實(shí)施例增加了報(bào)警功能，使系統(tǒng)更加智能化。

優(yōu)選的，所述行人行為分析模塊4包括行人跟蹤單元41、違規(guī)分析單元42和計(jì)數(shù)單元43；所述行人跟蹤單元41，用于對(duì)行人進(jìn)行跟蹤，確定行人位置；所述違規(guī)分析單元42，用于根據(jù)行人的位置判斷行人是否違規(guī)；所述計(jì)數(shù)單元43用于對(duì)違規(guī)行人進(jìn)行計(jì)數(shù)。

本優(yōu)選實(shí)施例對(duì)行人行為分析模塊4進(jìn)行設(shè)計(jì)，增加了系統(tǒng)違規(guī)分析和違規(guī)人數(shù)計(jì)算的功能。

優(yōu)選的，所述行人跟蹤單元41包括運(yùn)動(dòng)區(qū)域檢測(cè)子單元、目標(biāo)跟蹤子單元和目標(biāo)定位子單元；所述運(yùn)動(dòng)區(qū)域檢測(cè)子單元用于在視頻圖像的一幀圖像中檢測(cè)行人的運(yùn)動(dòng)區(qū)域D₁并以此作為目標(biāo)模板；所述目標(biāo)跟蹤子單元用于建立粒子狀態(tài)轉(zhuǎn)移和觀測(cè)模型并基于上述模型，采用粒子濾波預(yù)測(cè)行人目標(biāo)區(qū)域；所述目標(biāo)定位子單元用于對(duì)所述行人目標(biāo)區(qū)域和所述目標(biāo)模板進(jìn)行特征相似度量，獲得所述行人的檢測(cè)跟蹤結(jié)果，實(shí)現(xiàn)行人定位。

本優(yōu)選實(shí)施例構(gòu)建了行人跟蹤單元41的模塊架構(gòu)。

優(yōu)選的，所述目標(biāo)跟蹤子單元包括：

(1)初始化子模塊411：用于在所述運(yùn)動(dòng)區(qū)域D₁內(nèi)隨機(jī)選取數(shù)量為n的粒子并對(duì)各粒子進(jìn)行初始化處理，初始化處理后粒子的初始狀態(tài)為x₀ⁱ，初始權(quán)值為{Q_oⁱ＝1/n,i＝1,...n}；

(2)狀態(tài)轉(zhuǎn)移模型建立子模塊412：用于建立粒子狀態(tài)轉(zhuǎn)移模型，所述粒子狀態(tài)轉(zhuǎn)移模型采用下式：

$x_m^i={\mathrm{Ax}}_{m-1}^i+v_m^i$

式中，表示m時(shí)刻的新粒子，m≥2，為均值為0的高斯白噪聲，A為4階單位陣；m-1時(shí)刻的粒子通過(guò)狀態(tài)轉(zhuǎn)移模型傳播；

(3)觀測(cè)模型建立子模塊413，用于通過(guò)顏色直方圖、紋理特征直方圖和運(yùn)動(dòng)邊緣特征相結(jié)合的方式建立粒子觀測(cè)模型；

(4)行人目標(biāo)區(qū)域計(jì)算子模塊414：其利用最小方差估計(jì)來(lái)計(jì)算行人目標(biāo)區(qū)域：

$x_{now}=\underset{j=1}{\overset{n}{\Σ}}{Q}_m^j\·x_m^j$

式中，x_now表示計(jì)算的當(dāng)前幀圖像的行人目標(biāo)區(qū)域，表示m時(shí)刻第j個(gè)粒子的對(duì)應(yīng)狀態(tài)值；

(5)位置修正子模塊415：用于修正異常數(shù)據(jù)：

$x_{pre}=\underset{j=1}{\overset{n}{\Σ}}{Q}_{m-1}^j\·x_{m-1}^j$

式中，x_pre表示計(jì)算的當(dāng)前幀圖像的行人目標(biāo)區(qū)域，表示m-1時(shí)刻第j個(gè)粒子的對(duì)應(yīng)狀態(tài)值；

設(shè)置數(shù)據(jù)異常評(píng)價(jià)函數(shù)P＝|x_now-x_pre|，若P的值大于設(shè)定的經(jīng)驗(yàn)值T,則x_now＝x_pre；

(6)重采樣子模塊416：用于通過(guò)重采樣操作刪除權(quán)值過(guò)小的粒子，重采樣時(shí)，利用系統(tǒng)當(dāng)前時(shí)刻預(yù)測(cè)和觀測(cè)的差值提供新息殘差，進(jìn)而通過(guò)量測(cè)新息殘差對(duì)采樣的粒子進(jìn)行在線自適應(yīng)性調(diào)整，采樣過(guò)程中粒子數(shù)量和信息殘差之間的關(guān)系定義為：

其中，N_m表示采樣過(guò)程中m時(shí)刻的粒子數(shù)量，N_max和N_min分別表示最小和最大粒子數(shù)，N_min+1表示僅大于N_min的粒子數(shù)，N_max-1表示僅小于N_max的粒子數(shù)，表示m時(shí)刻系統(tǒng)的新息殘差。

本優(yōu)選實(shí)施例采用基于顏色直方圖、紋理特征直方圖和運(yùn)動(dòng)邊緣特征相結(jié)合的方式進(jìn)行采樣粒子的權(quán)值更新，有效增強(qiáng)了跟蹤系統(tǒng)的魯棒性；設(shè)置位置修正子模塊415，能夠避免異常數(shù)據(jù)對(duì)整個(gè)系統(tǒng)帶來(lái)的影響；在重采樣子模塊416中，利用當(dāng)前時(shí)刻預(yù)測(cè)和觀測(cè)的差值提供新息殘差，進(jìn)而通過(guò)量測(cè)新息殘差對(duì)采樣的粒子進(jìn)行在線自適應(yīng)性調(diào)整，并定義了采樣過(guò)程中粒子數(shù)量和信息殘差之間的關(guān)系，較好地保證了粒子采樣的高效性和算法的實(shí)時(shí)性。

優(yōu)選地，所述粒子觀測(cè)模型的粒子權(quán)值更新公式為：

$Q_m^j=\frac{\stackrel{\‾}{Q_{Cm}^j}\·\stackrel{\‾}{Q_{Mm}^j}\·\stackrel{\‾}{Q_{Wm}^j}+{\mathrm{\λ}}_1\stackrel{\‾}{Q_{Cm}^j}+{{\mathrm{\λ}}_2}^2\stackrel{\‾}{Q_{Mm}^j}+{{\mathrm{\λ}}_2}^3\stackrel{\‾}{Q_{Wm}^j}+{\mathrm{\λ}}_1{\mathrm{\λ}}_2{\mathrm{\λ}}_3}{(1+{\mathrm{\λ}}_1)(1+{\mathrm{\λ}}_2)(1+{\mathrm{\λ}}_3)}$

式中

$\stackrel{\‾}{Q_{Cm}^j}=Q_{Cm}^j/\underset{j=1}{\overset{n}{\Σ}}{Q}_{Cm}^j,Q_{Cm}^j=Q_{C(m-1)}^j\frac{1}{\sqrt{2\mathrm{\π}\mathrm{\σ}}}\exp \left(-\frac{A_m^2}{2{\mathrm{\σ}}^2}\right)$

$\stackrel{\‾}{Q_{Mm}^j}=Q_{Mm}^j/\underset{j=1}{\overset{n}{\Σ}}{Q}_{Mm}^j,Q_{Mm}^j=Q_{M(m-1)}^j\frac{1}{\sqrt{2\mathrm{\π}\mathrm{\σ}}}\exp \left(-\frac{B_m^2}{2{\mathrm{\σ}}^2}\right)$

$\stackrel{\‾}{Q_{Wm}^j}=Q_{Wm}^j/\underset{j=1}{\overset{n}{\Σ}}{Q}_{Wm}^j,Q_{Wm}^j=Q_{W(m-1)}^j\frac{1}{\sqrt{2\mathrm{\π}\mathrm{\σ}}}\exp \left(-\frac{C_m^2}{2{\mathrm{\σ}}^2}\right)$

其中，表示m時(shí)刻第j個(gè)粒子的最終更新權(quán)值，和分別表示m時(shí)刻和m-1時(shí)刻中第j個(gè)粒子基于顏色直方圖的更新權(quán)值，表示m時(shí)刻和m-1時(shí)刻中第j個(gè)粒子基于運(yùn)動(dòng)邊緣的更新權(quán)值，表示m時(shí)刻和m-1時(shí)刻中第j個(gè)粒子基于紋理特征直方圖的更新權(quán)值，A_m為m時(shí)刻中第j個(gè)粒子基于顏色直方圖的觀測(cè)值與真實(shí)值之間的Bhattacharrya距離，B_m為m時(shí)刻中第j個(gè)粒子基于運(yùn)動(dòng)邊緣的觀測(cè)值與真實(shí)值之間的Bhattacharrya距離,C_m為m時(shí)刻中第j個(gè)粒子基于紋理特征直方圖的觀測(cè)值與真實(shí)值之間的Bhattacharrya距離,σ為高斯似然模型方差，λ₁為基于顏色直方圖的特征權(quán)值歸一化的自適應(yīng)調(diào)整因子，λ₂為基于運(yùn)動(dòng)邊緣的特征權(quán)值歸一化的自適應(yīng)調(diào)整因子,λ₃為基于紋理特征直方圖的特征權(quán)值歸一化的自適應(yīng)調(diào)整因子；

所述自適應(yīng)調(diào)整因子的計(jì)算公式為：

${\mathrm{\λ}}_s^m={\mathrm{\ξ}}_{m-1}\·\[-\underset{j=1}{\overset{n}{\Σ}}\left(p_{m-1}^{s/j}\right){\log }_2^{p_{m-1}^{s/j}}\],s=1,2,3;$

其中，s＝1時(shí)，表示m時(shí)刻中基于顏色直方圖的特征權(quán)值歸一化的自適應(yīng)調(diào)整因子，為m-1時(shí)刻中基于顏色直方圖的特征值在j個(gè)粒子下的觀測(cè)概率值；s＝2時(shí)，表示m時(shí)刻中基于運(yùn)動(dòng)邊緣的特征權(quán)值歸一化的自適應(yīng)調(diào)整因子，為m-1時(shí)刻中基于運(yùn)動(dòng)邊緣的特征值在j個(gè)粒子下的觀測(cè)概率值；s＝3時(shí)，表示m時(shí)刻中基于紋理特征直方圖的特征權(quán)值歸一化的自適應(yīng)調(diào)整因子，為m-1時(shí)刻中基于紋理特征直方圖的特征值在j個(gè)粒子下的觀測(cè)概率值；ξ_m-1表示在m-1時(shí)刻中所有粒子的空間位置方差值。

本優(yōu)選實(shí)施例提出粒子觀測(cè)模型的粒子權(quán)值更新公式和自適應(yīng)調(diào)整因子的計(jì)算公式，對(duì)粒子的特征權(quán)值進(jìn)行融合處理，有效克服了加性融合和乘性融合存在的缺陷，進(jìn)一步增強(qiáng)了跟蹤系統(tǒng)的魯棒性。

在此應(yīng)用場(chǎng)景中，選取粒子數(shù)n＝60，跟蹤速度相對(duì)提高了6.5％，跟蹤精度相對(duì)提高了8.4％。

應(yīng)用場(chǎng)景4

參見(jiàn)圖1、圖2，本應(yīng)用場(chǎng)景的一個(gè)實(shí)施例的一種交通路口行人行為監(jiān)測(cè)系統(tǒng)，包括信號(hào)燈圖像采集模塊1、視頻分析模塊2、行人行為分析模塊4和路口圖像采集處理模塊3；所述信號(hào)燈圖像采集模塊1，用于實(shí)時(shí)采集信號(hào)燈圖像；所述視頻分析模塊2，用于根據(jù)信號(hào)燈圖像采集模塊1采集的圖像判斷信號(hào)燈的狀態(tài)，并將禁行信號(hào)發(fā)給行人行為分析模塊4和路口圖像采集處理模塊3；所述路口圖像采集處理模塊3，用于拍攝交通路口的視頻圖像并對(duì)視頻圖像進(jìn)行處理，并將處理圖像發(fā)給行人行為分析模塊4；所述行人行為分析模塊4，用于在接收到禁行信號(hào)后獲取路口圖像采集處理模塊3的處理圖像，并對(duì)行人進(jìn)行捕捉和跟蹤處理，判斷行人行為是否違規(guī)。

本發(fā)明上述實(shí)施例通過(guò)對(duì)信號(hào)燈的顏色識(shí)別以及對(duì)交通路口行人行為的識(shí)別，不僅可以通過(guò)視頻圖像獲得交通路口的現(xiàn)狀，還能獲知違規(guī)過(guò)馬路的行人，監(jiān)控人員可以通過(guò)遠(yuǎn)程協(xié)助，來(lái)實(shí)現(xiàn)對(duì)該路口的控制，這將大大降低了交通路口的人工監(jiān)控維護(hù)的人力成本，從而解決了上述的技術(shù)問(wèn)題。

優(yōu)選的，所述系統(tǒng)還包括報(bào)警模塊5，用于在行人行為分析模塊4判斷有違規(guī)行人時(shí)發(fā)出報(bào)警聲音。

本優(yōu)選實(shí)施例增加了報(bào)警功能，使系統(tǒng)更加智能化。

優(yōu)選的，所述行人行為分析模塊4包括行人跟蹤單元41、違規(guī)分析單元42和計(jì)數(shù)單元43；所述行人跟蹤單元41，用于對(duì)行人進(jìn)行跟蹤，確定行人位置；所述違規(guī)分析單元42，用于根據(jù)行人的位置判斷行人是否違規(guī)；所述計(jì)數(shù)單元43用于對(duì)違規(guī)行人進(jìn)行計(jì)數(shù)。

本優(yōu)選實(shí)施例對(duì)行人行為分析模塊4進(jìn)行設(shè)計(jì)，增加了系統(tǒng)違規(guī)分析和違規(guī)人數(shù)計(jì)算的功能。

優(yōu)選的，所述行人跟蹤單元41包括運(yùn)動(dòng)區(qū)域檢測(cè)子單元、目標(biāo)跟蹤子單元和目標(biāo)定位子單元；所述運(yùn)動(dòng)區(qū)域檢測(cè)子單元用于在視頻圖像的一幀圖像中檢測(cè)行人的運(yùn)動(dòng)區(qū)域D₁并以此作為目標(biāo)模板；所述目標(biāo)跟蹤子單元用于建立粒子狀態(tài)轉(zhuǎn)移和觀測(cè)模型并基于上述模型，采用粒子濾波預(yù)測(cè)行人目標(biāo)區(qū)域；所述目標(biāo)定位子單元用于對(duì)所述行人目標(biāo)區(qū)域和所述目標(biāo)模板進(jìn)行特征相似度量，獲得所述行人的檢測(cè)跟蹤結(jié)果，實(shí)現(xiàn)行人定位。

本優(yōu)選實(shí)施例構(gòu)建了行人跟蹤單元41的模塊架構(gòu)。

優(yōu)選的，所述目標(biāo)跟蹤子單元包括：

(1)初始化子模塊411：用于在所述運(yùn)動(dòng)區(qū)域D₁內(nèi)隨機(jī)選取數(shù)量為n的粒子并對(duì)各粒子進(jìn)行初始化處理，初始化處理后粒子的初始狀態(tài)為x₀ⁱ，初始權(quán)值為{Q_oⁱ＝1/n,i＝1,...n}；

(2)狀態(tài)轉(zhuǎn)移模型建立子模塊412：用于建立粒子狀態(tài)轉(zhuǎn)移模型，所述粒子狀態(tài)轉(zhuǎn)移模型采用下式：

$x_m^i={\mathrm{Ax}}_{m-1}^i+v_m^i$

式中，表示m時(shí)刻的新粒子，m≥2，為均值為0的高斯白噪聲，A為4階單位陣；m-1時(shí)刻的粒子通過(guò)狀態(tài)轉(zhuǎn)移模型傳播；

(3)觀測(cè)模型建立子模塊413，用于通過(guò)顏色直方圖、紋理特征直方圖和運(yùn)動(dòng)邊緣特征相結(jié)合的方式建立粒子觀測(cè)模型；

(4)行人目標(biāo)區(qū)域計(jì)算子模塊414：其利用最小方差估計(jì)來(lái)計(jì)算行人目標(biāo)區(qū)域：

$x_{now}=\underset{j=1}{\overset{n}{\Σ}}{Q}_m^j\·x_m^j$

式中，x_now表示計(jì)算的當(dāng)前幀圖像的行人目標(biāo)區(qū)域，表示m時(shí)刻第j個(gè)粒子的對(duì)應(yīng)狀態(tài)值；

(5)位置修正子模塊415：用于修正異常數(shù)據(jù)：

$x_{pre}=\underset{j=1}{\overset{n}{\Σ}}{Q}_{m-1}^j\·x_{m-1}^j$

式中，x_pre表示計(jì)算的當(dāng)前幀圖像的行人目標(biāo)區(qū)域，表示m-1時(shí)刻第j個(gè)粒子的對(duì)應(yīng)狀態(tài)值；

設(shè)置數(shù)據(jù)異常評(píng)價(jià)函數(shù)P＝|x_now-x_pre|，若P的值大于設(shè)定的經(jīng)驗(yàn)值T,則x_now＝x_pre；

(6)重采樣子模塊416：用于通過(guò)重采樣操作刪除權(quán)值過(guò)小的粒子，重采樣時(shí)，利用系統(tǒng)當(dāng)前時(shí)刻預(yù)測(cè)和觀測(cè)的差值提供新息殘差，進(jìn)而通過(guò)量測(cè)新息殘差對(duì)采樣的粒子進(jìn)行在線自適應(yīng)性調(diào)整，采樣過(guò)程中粒子數(shù)量和信息殘差之間的關(guān)系定義為：

其中，N_m表示采樣過(guò)程中m時(shí)刻的粒子數(shù)量，N_max和N_min分別表示最小和最大粒子數(shù)，N_min+1表示僅大于N_min的粒子數(shù)，N_max-1表示僅小于N_max的粒子數(shù)，表示m時(shí)刻系統(tǒng)的新息殘差。

本優(yōu)選實(shí)施例采用基于顏色直方圖、紋理特征直方圖和運(yùn)動(dòng)邊緣特征相結(jié)合的方式進(jìn)行采樣粒子的權(quán)值更新，有效增強(qiáng)了跟蹤系統(tǒng)的魯棒性；設(shè)置位置修正子模塊415，能夠避免異常數(shù)據(jù)對(duì)整個(gè)系統(tǒng)帶來(lái)的影響；在重采樣子模塊416中，利用當(dāng)前時(shí)刻預(yù)測(cè)和觀測(cè)的差值提供新息殘差，進(jìn)而通過(guò)量測(cè)新息殘差對(duì)采樣的粒子進(jìn)行在線自適應(yīng)性調(diào)整，并定義了采樣過(guò)程中粒子數(shù)量和信息殘差之間的關(guān)系，較好地保證了粒子采樣的高效性和算法的實(shí)時(shí)性。

優(yōu)選地，所述粒子觀測(cè)模型的粒子權(quán)值更新公式為：

$Q_m^j=\frac{\stackrel{\‾}{Q_{Cm}^j}\·\stackrel{\‾}{Q_{Mm}^j}\·\stackrel{\‾}{Q_{Wm}^j}+{\mathrm{\λ}}_1\stackrel{\‾}{Q_{Cm}^j}+{{\mathrm{\λ}}_2}^2\stackrel{\‾}{Q_{Mm}^j}+{{\mathrm{\λ}}_2}^3\stackrel{\‾}{Q_{Wm}^j}+{\mathrm{\λ}}_1{\mathrm{\λ}}_2{\mathrm{\λ}}_3}{(1+{\mathrm{\λ}}_1)(1+{\mathrm{\λ}}_2)(1+{\mathrm{\λ}}_3)}$

式中

$\stackrel{\‾}{Q_{Cm}^j}=Q_{Cm}^j/\underset{j=1}{\overset{n}{\Σ}}{Q}_{Cm}^j,Q_{Cm}^j=Q_{C(m-1)}^j\frac{1}{\sqrt{2\mathrm{\π}\mathrm{\σ}}}\exp \left(-\frac{A_m^2}{2{\mathrm{\σ}}^2}\right)$

$\stackrel{\‾}{Q_{Mm}^j}=Q_{Mm}^j/\underset{j=1}{\overset{n}{\Σ}}{Q}_{Mm}^j,Q_{Mm}^j=Q_{M(m-1)}^j\frac{1}{\sqrt{2\mathrm{\π}\mathrm{\σ}}}\exp \left(-\frac{B_m^2}{2{\mathrm{\σ}}^2}\right)$

$\stackrel{\‾}{Q_{Wm}^j}=Q_{Wm}^j/\underset{j=1}{\overset{n}{\Σ}}{Q}_{Wm}^j,Q_{Wm}^j=Q_{W(m-1)}^j\frac{1}{\sqrt{2\mathrm{\π}\mathrm{\σ}}}\exp \left(-\frac{C_m^2}{2{\mathrm{\σ}}^2}\right)$

其中，表示m時(shí)刻第j個(gè)粒子的最終更新權(quán)值，和分別表示m時(shí)刻和m-1時(shí)刻中第j個(gè)粒子基于顏色直方圖的更新權(quán)值，表示m時(shí)刻和m-1時(shí)刻中第j個(gè)粒子基于運(yùn)動(dòng)邊緣的更新權(quán)值，表示m時(shí)刻和m-1時(shí)刻中第j個(gè)粒子基于紋理特征直方圖的更新權(quán)值，A_m為m時(shí)刻中第j個(gè)粒子基于顏色直方圖的觀測(cè)值與真實(shí)值之間的Bhattacharrya距離，B_m為m時(shí)刻中第j個(gè)粒子基于運(yùn)動(dòng)邊緣的觀測(cè)值與真實(shí)值之間的Bhattacharrya距離,C_m為m時(shí)刻中第j個(gè)粒子基于紋理特征直方圖的觀測(cè)值與真實(shí)值之間的Bhattacharrya距離,σ為高斯似然模型方差，λ₁為基于顏色直方圖的特征權(quán)值歸一化的自適應(yīng)調(diào)整因子，λ₂為基于運(yùn)動(dòng)邊緣的特征權(quán)值歸一化的自適應(yīng)調(diào)整因子,λ₃為基于紋理特征直方圖的特征權(quán)值歸一化的自適應(yīng)調(diào)整因子；

所述自適應(yīng)調(diào)整因子的計(jì)算公式為：

${\mathrm{\λ}}_s^m={\mathrm{\ξ}}_{m-1}\·\[-\underset{j=1}{\overset{n}{\Σ}}\left(p_{m-1}^{s/j}\right){\log }_2^{p_{m-1}^{s/j}}\],s=1,2,3;$

其中，s＝1時(shí)，表示m時(shí)刻中基于顏色直方圖的特征權(quán)值歸一化的自適應(yīng)調(diào)整因子，為m-1時(shí)刻中基于顏色直方圖的特征值在j個(gè)粒子下的觀測(cè)概率值；s＝2時(shí)，表示m時(shí)刻中基于運(yùn)動(dòng)邊緣的特征權(quán)值歸一化的自適應(yīng)調(diào)整因子，為m-1時(shí)刻中基于運(yùn)動(dòng)邊緣的特征值在j個(gè)粒子下的觀測(cè)概率值；s＝3時(shí)，表示m時(shí)刻中基于紋理特征直方圖的特征權(quán)值歸一化的自適應(yīng)調(diào)整因子，為m-1時(shí)刻中基于紋理特征直方圖的特征值在j個(gè)粒子下的觀測(cè)概率值；ξ_m-1表示在m-1時(shí)刻中所有粒子的空間位置方差值。

本優(yōu)選實(shí)施例提出粒子觀測(cè)模型的粒子權(quán)值更新公式和自適應(yīng)調(diào)整因子的計(jì)算公式，對(duì)粒子的特征權(quán)值進(jìn)行融合處理，有效克服了加性融合和乘性融合存在的缺陷，進(jìn)一步增強(qiáng)了跟蹤系統(tǒng)的魯棒性。

在此應(yīng)用場(chǎng)景中，選取粒子數(shù)n＝65，跟蹤速度相對(duì)提高了6.5％，跟蹤精度相對(duì)提高了8.5％。

應(yīng)用場(chǎng)景5

參見(jiàn)圖1、圖2，本應(yīng)用場(chǎng)景的一個(gè)實(shí)施例的一種交通路口行人行為監(jiān)測(cè)系統(tǒng)，包括信號(hào)燈圖像采集模塊1、視頻分析模塊2、行人行為分析模塊4和路口圖像采集處理模塊3；所述信號(hào)燈圖像采集模塊1，用于實(shí)時(shí)采集信號(hào)燈圖像；所述視頻分析模塊2，用于根據(jù)信號(hào)燈圖像采集模塊1采集的圖像判斷信號(hào)燈的狀態(tài)，并將禁行信號(hào)發(fā)給行人行為分析模塊4和路口圖像采集處理模塊3；所述路口圖像采集處理模塊3，用于拍攝交通路口的視頻圖像并對(duì)視頻圖像進(jìn)行處理，并將處理圖像發(fā)給行人行為分析模塊4；所述行人行為分析模塊4，用于在接收到禁行信號(hào)后獲取路口圖像采集處理模塊3的處理圖像，并對(duì)行人進(jìn)行捕捉和跟蹤處理，判斷行人行為是否違規(guī)。

本發(fā)明上述實(shí)施例通過(guò)對(duì)信號(hào)燈的顏色識(shí)別以及對(duì)交通路口行人行為的識(shí)別，不僅可以通過(guò)視頻圖像獲得交通路口的現(xiàn)狀，還能獲知違規(guī)過(guò)馬路的行人，監(jiān)控人員可以通過(guò)遠(yuǎn)程協(xié)助，來(lái)實(shí)現(xiàn)對(duì)該路口的控制，這將大大降低了交通路口的人工監(jiān)控維護(hù)的人力成本，從而解決了上述的技術(shù)問(wèn)題。

優(yōu)選的，所述系統(tǒng)還包括報(bào)警模塊5，用于在行人行為分析模塊4判斷有違規(guī)行人時(shí)發(fā)出報(bào)警聲音。

本優(yōu)選實(shí)施例增加了報(bào)警功能，使系統(tǒng)更加智能化。

優(yōu)選的，所述行人行為分析模塊4包括行人跟蹤單元41、違規(guī)分析單元42和計(jì)數(shù)單元43；所述行人跟蹤單元41，用于對(duì)行人進(jìn)行跟蹤，確定行人位置；所述違規(guī)分析單元42，用于根據(jù)行人的位置判斷行人是否違規(guī)；所述計(jì)數(shù)單元43用于對(duì)違規(guī)行人進(jìn)行計(jì)數(shù)。

本優(yōu)選實(shí)施例對(duì)行人行為分析模塊4進(jìn)行設(shè)計(jì)，增加了系統(tǒng)違規(guī)分析和違規(guī)人數(shù)計(jì)算的功能。

優(yōu)選的，所述行人跟蹤單元41包括運(yùn)動(dòng)區(qū)域檢測(cè)子單元、目標(biāo)跟蹤子單元和目標(biāo)定位子單元；所述運(yùn)動(dòng)區(qū)域檢測(cè)子單元用于在視頻圖像的一幀圖像中檢測(cè)行人的運(yùn)動(dòng)區(qū)域D₁并以此作為目標(biāo)模板；所述目標(biāo)跟蹤子單元用于建立粒子狀態(tài)轉(zhuǎn)移和觀測(cè)模型并基于上述模型，采用粒子濾波預(yù)測(cè)行人目標(biāo)區(qū)域；所述目標(biāo)定位子單元用于對(duì)所述行人目標(biāo)區(qū)域和所述目標(biāo)模板進(jìn)行特征相似度量，獲得所述行人的檢測(cè)跟蹤結(jié)果，實(shí)現(xiàn)行人定位。

本優(yōu)選實(shí)施例構(gòu)建了行人跟蹤單元41的模塊架構(gòu)。

優(yōu)選的，所述目標(biāo)跟蹤子單元包括：

(1)初始化子模塊411：用于在所述運(yùn)動(dòng)區(qū)域D₁內(nèi)隨機(jī)選取數(shù)量為n的粒子并對(duì)各粒子進(jìn)行初始化處理，初始化處理后粒子的初始狀態(tài)為x₀ⁱ，初始權(quán)值為{Q_oⁱ＝1/n,i＝1,...n}；

(2)狀態(tài)轉(zhuǎn)移模型建立子模塊412：用于建立粒子狀態(tài)轉(zhuǎn)移模型，所述粒子狀態(tài)轉(zhuǎn)移模型采用下式：

$x_m^i={\mathrm{Ax}}_{m-1}^i+v_m^i$

式中，表示m時(shí)刻的新粒子，m≥2，為均值為0的高斯白噪聲，A為4階單位陣；m-1時(shí)刻的粒子通過(guò)狀態(tài)轉(zhuǎn)移模型傳播；

(3)觀測(cè)模型建立子模塊413，用于通過(guò)顏色直方圖、紋理特征直方圖和運(yùn)動(dòng)邊緣特征相結(jié)合的方式建立粒子觀測(cè)模型；

(4)行人目標(biāo)區(qū)域計(jì)算子模塊414：其利用最小方差估計(jì)來(lái)計(jì)算行人目標(biāo)區(qū)域：

$x_{now}=\underset{j=1}{\overset{n}{\Σ}}{Q}_m^j\·x_m^j$

式中，x_now表示計(jì)算的當(dāng)前幀圖像的行人目標(biāo)區(qū)域，表示m時(shí)刻第j個(gè)粒子的對(duì)應(yīng)狀態(tài)值；

(5)位置修正子模塊415：用于修正異常數(shù)據(jù)：

$x_{pre}=\underset{j=1}{\overset{n}{\Σ}}{Q}_{m-1}^j\·x_{m-1}^j$

式中，x_pre表示計(jì)算的當(dāng)前幀圖像的行人目標(biāo)區(qū)域，表示m-1時(shí)刻第j個(gè)粒子的對(duì)應(yīng)狀態(tài)值；

設(shè)置數(shù)據(jù)異常評(píng)價(jià)函數(shù)P＝|x_now-x_pre|，若P的值大于設(shè)定的經(jīng)驗(yàn)值T,則x_now＝x_pre；

(6)重采樣子模塊416：用于通過(guò)重采樣操作刪除權(quán)值過(guò)小的粒子，重采樣時(shí)，利用系統(tǒng)當(dāng)前時(shí)刻預(yù)測(cè)和觀測(cè)的差值提供新息殘差，進(jìn)而通過(guò)量測(cè)新息殘差對(duì)采樣的粒子進(jìn)行在線自適應(yīng)性調(diào)整，采樣過(guò)程中粒子數(shù)量和信息殘差之間的關(guān)系定義為：

其中，N_m表示采樣過(guò)程中m時(shí)刻的粒子數(shù)量，N_max和N_min分別表示最小和最大粒子數(shù)，N_min+1表示僅大于N_min的粒子數(shù)，N_max-1表示僅小于N_max的粒子數(shù)，表示m時(shí)刻系統(tǒng)的新息殘差。

本優(yōu)選實(shí)施例采用基于顏色直方圖、紋理特征直方圖和運(yùn)動(dòng)邊緣特征相結(jié)合的方式進(jìn)行采樣粒子的權(quán)值更新，有效增強(qiáng)了跟蹤系統(tǒng)的魯棒性；設(shè)置位置修正子模塊415，能夠避免異常數(shù)據(jù)對(duì)整個(gè)系統(tǒng)帶來(lái)的影響；在重采樣子模塊416中，利用當(dāng)前時(shí)刻預(yù)測(cè)和觀測(cè)的差值提供新息殘差，進(jìn)而通過(guò)量測(cè)新息殘差對(duì)采樣的粒子進(jìn)行在線自適應(yīng)性調(diào)整，并定義了采樣過(guò)程中粒子數(shù)量和信息殘差之間的關(guān)系，較好地保證了粒子采樣的高效性和算法的實(shí)時(shí)性。

優(yōu)選地，所述粒子觀測(cè)模型的粒子權(quán)值更新公式為：

$Q_m^j=\frac{\stackrel{\‾}{Q_{Cm}^j}\·\stackrel{\‾}{Q_{Mm}^j}\·\stackrel{\‾}{Q_{Wm}^j}+{\mathrm{\λ}}_1\stackrel{\‾}{Q_{Cm}^j}+{{\mathrm{\λ}}_2}^2\stackrel{\‾}{Q_{Mm}^j}+{{\mathrm{\λ}}_2}^3\stackrel{\‾}{Q_{Wm}^j}+{\mathrm{\λ}}_1{\mathrm{\λ}}_2{\mathrm{\λ}}_3}{(1+{\mathrm{\λ}}_1)(1+{\mathrm{\λ}}_2)(1+{\mathrm{\λ}}_3)}$

式中

$\stackrel{\‾}{Q_{Cm}^j}=Q_{Cm}^j/\underset{j=1}{\overset{n}{\Σ}}{Q}_{Cm}^j,Q_{Cm}^j=Q_{C(m-1)}^j\frac{1}{\sqrt{2\mathrm{\π}\mathrm{\σ}}}\exp \left(-\frac{A_m^2}{2{\mathrm{\σ}}^2}\right)$

$\stackrel{\‾}{Q_{Mm}^j}=Q_{Mm}^j/\underset{j=1}{\overset{n}{\Σ}}{Q}_{Mm}^j,Q_{Mm}^j=Q_{M(m-1)}^j\frac{1}{\sqrt{2\mathrm{\π}\mathrm{\σ}}}\exp \left(-\frac{B_m^2}{2{\mathrm{\σ}}^2}\right)$

$\stackrel{\‾}{Q_{Wm}^j}=Q_{Wm}^j/\underset{j=1}{\overset{n}{\Σ}}{Q}_{Wm}^j,Q_{Wm}^j=Q_{W(m-1)}^j\frac{1}{\sqrt{2\mathrm{\π}\mathrm{\σ}}}\exp \left(-\frac{C_m^2}{2{\mathrm{\σ}}^2}\right)$

其中，表示m時(shí)刻第j個(gè)粒子的最終更新權(quán)值，和分別表示m時(shí)刻和m-1時(shí)刻中第j個(gè)粒子基于顏色直方圖的更新權(quán)值，表示m時(shí)刻和m-1時(shí)刻中第j個(gè)粒子基于運(yùn)動(dòng)邊緣的更新權(quán)值，表示m時(shí)刻和m-1時(shí)刻中第j個(gè)粒子基于紋理特征直方圖的更新權(quán)值，A_m為m時(shí)刻中第j個(gè)粒子基于顏色直方圖的觀測(cè)值與真實(shí)值之間的Bhattacharrya距離，B_m為m時(shí)刻中第j個(gè)粒子基于運(yùn)動(dòng)邊緣的觀測(cè)值與真實(shí)值之間的Bhattacharrya距離,C_m為m時(shí)刻中第j個(gè)粒子基于紋理特征直方圖的觀測(cè)值與真實(shí)值之間的Bhattacharrya距離,σ為高斯似然模型方差，λ₁為基于顏色直方圖的特征權(quán)值歸一化的自適應(yīng)調(diào)整因子，λ₂為基于運(yùn)動(dòng)邊緣的特征權(quán)值歸一化的自適應(yīng)調(diào)整因子,λ₃為基于紋理特征直方圖的特征權(quán)值歸一化的自適應(yīng)調(diào)整因子；

所述自適應(yīng)調(diào)整因子的計(jì)算公式為：

${\mathrm{\λ}}_s^m={\mathrm{\ξ}}_{m-1}\·\[-\underset{j=1}{\overset{n}{\Σ}}\left(p_{m-1}^{s/j}\right){\log }_2^{p_{m-1}^{s/j}}\],s=1,2,3;$

其中，s＝1時(shí)，表示m時(shí)刻中基于顏色直方圖的特征權(quán)值歸一化的自適應(yīng)調(diào)整因子，為m-1時(shí)刻中基于顏色直方圖的特征值在j個(gè)粒子下的觀測(cè)概率值；s＝2時(shí)，表示m時(shí)刻中基于運(yùn)動(dòng)邊緣的特征權(quán)值歸一化的自適應(yīng)調(diào)整因子，為m-1時(shí)刻中基于運(yùn)動(dòng)邊緣的特征值在j個(gè)粒子下的觀測(cè)概率值；s＝3時(shí)，表示m時(shí)刻中基于紋理特征直方圖的特征權(quán)值歸一化的自適應(yīng)調(diào)整因子，為m-1時(shí)刻中基于紋理特征直方圖的特征值在j個(gè)粒子下的觀測(cè)概率值；ξ_m-1表示在m-1時(shí)刻中所有粒子的空間位置方差值。

本優(yōu)選實(shí)施例提出粒子觀測(cè)模型的粒子權(quán)值更新公式和自適應(yīng)調(diào)整因子的計(jì)算公式，對(duì)粒子的特征權(quán)值進(jìn)行融合處理，有效克服了加性融合和乘性融合存在的缺陷，進(jìn)一步增強(qiáng)了跟蹤系統(tǒng)的魯棒性。

在此應(yīng)用場(chǎng)景中，選取粒子數(shù)n＝70，跟蹤速度相對(duì)提高了6％，跟蹤精度相對(duì)提高了9％

最后應(yīng)當(dāng)說(shuō)明的是，以上應(yīng)用場(chǎng)景僅用以說(shuō)明本發(fā)明的技術(shù)方案，而非對(duì)本發(fā)明保護(hù)范圍的限制，盡管參照較佳應(yīng)用場(chǎng)景對(duì)本發(fā)明作了詳細(xì)地說(shuō)明，本領(lǐng)域的普通技術(shù)人員應(yīng)當(dāng)理解，可以對(duì)本發(fā)明的技術(shù)方案進(jìn)行修改或者等同替換，而不脫離本發(fā)明技術(shù)方案的實(shí)質(zhì)和范圍。