人体目标识别定位方法

1.一种人体目标识别定位方法，其特征在于，包括：
获取利用超高频射频识别系统对人体目标进行定位的第一定位结果；
获取利用计算机视觉系统对人体目标进行定位的第二定位结果；
利用预设融合算法对所述第一定位结果和第二定位结果进行融合，获得对人体目标的第三定位结果；
利用预设融合优化算法对所述第三定位结果进行定位精度优化，获得对人体目标的最终定位结果；
其中，所述预设融合优化算法，包括：初始化过程、循环追踪过程和显示过程；
所述初始化过程，用于初始化一个被捕捉到的新的人体目标；
所述循环追踪过程，用于不断更新并追踪人体目标的位置；
所述显示过程，用于将循环追踪的结果绘制于每帧图像中；
其中，所述初始化过程与所述循环追踪过程均包含：预处理模块、数据对比模块和精度增强模块；其中：
所述预处理模块：根据所述第一定位结果得到的人体目标位置或人体目标的上一帧位置估计目前人体目标可能存在的区域；
所述数据对比模块：将所述第一定位结果得到的人体目标位置和所述第二定位结果得到的人体目标位置分别与上一次人体目标位置做对比，选取最可能的人体目标位置并送入精度增强模块；
所述精度增强模块，用于根据所述数据对比模块选取的最可能的人体目标位置对所述第三定位结果进行精度优化，获得对人体目标的最终定位结果。
2.根据权利要求1所述的方法，其特征在于，所述获取利用超高频射频识别系统对人体目标进行定位的第一定位结果，包括：
利用基于被动标签列的到达角定位算法，对超高频射频识别系统中人体目标上的标签列位置进行定位，进而获得对所述人体目标进行定位的第一定位结果；
其中，所述超高频射频识别系统，包括：人体目标上的标签列和在同一直线间隔设置的至少三个超高频射频识别设备；任意相邻的两个超高频射频识别设备间隔预设第一距离，所述标签列包括：间隔预设第二距离的两个电子标签。
3.根据权利要求2所述的方法，其特征在于，所述预设第二距离大于零且小于λ/4，λ为所述超高频射频识别设备发送的载波的波长。
4.根据权利要求3所述的方法，其特征在于，所述利用基于被动标签列的到达角定位算法，对超高频射频识别系统中人体目标上的标签列位置进行定位，进而获得对所述人体目标进行定位的第一定位结果，包括：
获取每一超高频射频识别设备通过其天线接收所述标签列返回的回波信号的到达角；
根据所述到达角、所述标签列的位置和所述超高频射频识别设备天线位置间的几何关系，对所述标签列位置进行二维定位，进而获得对所述人体目标进行定位的第一定位结果。
5.根据权利要求1所述的方法，其特征在于，所述获取利用计算机视觉系统对人体目标进行定位的第二定位结果，包括：
获取计算机视觉系统中设置在预设位置的摄像头对人体目标拍摄后采集的图像；
利用高斯混合模型算法，统计所述图像中每一个像素的像素值的变化；
利用方向梯度直方图算法，检测出所述图像中的人体目标；
对所述图像中检测出的人体目标进行坐标系转换，获得人体目标的实际世界坐标，进而获得人体目标真实位置的第二定位结果。
6.根据权利要求5所述的方法，其特征在于，所述对所述图像中检测出的人体目标进行坐标系转换，获得人体目标的实际世界坐标，进而获得人体目标真实位置的第二定位结果，包括：
以所述摄像头的位置为原点建立一个的三维笛卡尔坐标系，用此三维笛卡尔坐标系的三个单位坐标向量表示世界坐标系的单位坐标向量，在此基础上进一步求取将人体目标像素坐标映射到该人体目标的实际平面坐标的转移矩阵，根据所述转移矩阵计算得到人体目标的实际世界坐标，进而获得人体目标真实位置的第二定位结果。
7.根据权利要求5所述的方法，其特征在于，所述利用方向梯度直方图算法，检测出所述图像中的人体目标，包括：
将所述图像转换为灰度图；
使用Gamma矫正算法对所述灰度图中的像素值进行归一化；
计算每个像素点的梯度方向及大小；
将归一化后的灰度图划分为具有相同大小的正方形单元，统计其中每个像素的梯度方向及大小，从而得到每个正方形单元的特征向量；
将多个相邻正方形单元组合为一个矩形块，对矩形块内的特征向量进行归一化，得到矩形块的特征描述子；
将所有块的特征描述子组合在一起，得到所述图像的梯度直方图特征向量，进而检测出所述图像中的人体目标。
8.根据权利要求1所述的方法，其特征在于，所述利用预设融合算法对所述第一定位结果和第二定位结果进行融合，获得对人体目标的第三定位结果，包括：
利用方差加权平均算法，将所述第一定位结果和所述第二定位结果进行初步融合；
利用卡尔曼滤波算法，根据测量数据估计信号的真实值，进一步提高初步融合后得到的定位结果的精度，获得对人体目标的第三定位结果。

人体目标识别定位方法\n技术领域\n[0001] 本发明涉及安防识别定位技术领域，尤其涉及一种人体目标识别定位方法及装置。\n背景技术\n[0002] 目前，对安防的需求和应之而生的安防产业始终伴随着人类文明的发展。二十世纪六十年代闭路监控系统(Closed Circuit Television，简称CCTV)在纽约城市安保中的应用标志着现代安防产业的诞生。自那时以来，随着科技的发展和日益严峻的社会安全风险，很多技术被应用于安防产业并衍生出一系列安防设备。传统上，一个完整的安防系统包含三个部分：监测模块、风险评估模块和响应模块。尽管智能技术的普及已经模糊了三者的界限，但毋庸置疑，监测模块仍然是整个系统的最前端。监测设备的灵敏度和收集信息的能力决定了整个安防设备的精度和健壮性。\n[0003] 而由于三种常用的检测设备：闭路监控系统(即计算机视觉系统)、运动探测器与超高频射频识别系统各自存在技术弱点，任何单一的监测系统都不能满足现代安防产业对效率、准确度和自动化程度的需求。近年来，除研究新的监测方式外，各类不同的多监测系统融合方案也不断被提出。其中多数解决方案着眼于对各监测子系统最终结果的融合，而这种较高层次的融合通常难以完全发挥出各子系统的优势。因此有必要提出一种更深层次的多监测手段的融合方式来克服现有方案的局限性并提升融合系统的效率。\n[0004] 鉴于此，如何提供一种高效率、高准确度的人体目标识别定位方法成为目前需要解决的技术问题。\n发明内容\n[0005] 为解决上述的技术问题，本发明提供一种人体目标识别定位方法，可以实现对人体目标的识别定位，效率高、准确度高。\n[0006] 第一方面，本发明提供一种人体目标识别定位方法，包括：\n[0007] 获取利用超高频射频识别系统对人体目标进行定位的第一定位结果；\n[0008] 获取利用计算机视觉系统对人体目标进行定位的第二定位结果；\n[0009] 利用预设融合算法对所述第一定位结果和第二定位结果进行融合，获得对人体目标的第三定位结果；\n[0010] 利用预设融合优化算法对所述第三定位结果进行定位精度优化，获得对人体目标的最终定位结果。\n[0011] 可选地，所述获取利用超高频射频识别系统对人体目标进行定位的第一定位结果，包括：\n[0012] 利用基于被动标签列的到达角定位算法，对超高频射频识别系统中人体目标上的标签列位置进行定位，进而获得对所述人体目标进行定位的第一定位结果；\n[0013] 其中，所述超高频射频识别系统，包括：人体目标上的标签列和在同一直线间隔设置的至少三个超高频射频识别设备；任意相邻的两个超高频射频识别设备间隔预设第一距离，所述标签列包括：间隔预设第二距离的两个电子标签。\n[0014] 可选地，所述预设第二距离大于零且小于λ/4，λ为所述超高频射频识别设备发送的载波的波长。\n[0015] 可选地，所述利用基于被动标签列的到达角定位算法，对超高频射频识别系统中人体目标上的标签列位置进行定位，进而获得对所述人体目标进行定位的第一定位结果，包括：\n[0016] 获取每一超高频射频识别设备通过其天线接收所述标签列返回的回波信号的到达角；\n[0017] 根据所述到达角、所述标签列的位置和所述超高频射频识别设备天线位置间的几何关系，对所述标签列位置进行二维定位，进而获得对所述人体目标进行定位的第一定位结果。\n[0018] 可选地，所述获取利用计算机视觉系统对人体目标进行定位的第二定位结果，包括：\n[0019] 获取计算机视觉系统中设置在预设位置的摄像头对人体目标拍摄后采集的图像；\n[0020] 利用高斯混合模型算法，统计所述图像中每一个像素的像素值的变化；\n[0021] 利用方向梯度直方图算法，检测出所述图像中的人体目标；\n[0022] 对所述图像中检测出的人体目标进行坐标系转换，获得人体目标的实际世界坐标，进而获得人体目标真实位置的第二定位结果。\n[0023] 可选地，所述对所述图像中检测出的人体目标进行坐标系转换，获得人体目标的实际世界坐标，进而获得人体目标真实位置的第二定位结果，包括：\n[0024] 以所述摄像头的位置为原点建立一个的三维笛卡尔坐标系，用此三维笛卡尔坐标系的三个单位坐标向量表示世界坐标系的单位坐标向量，在此基础上进一步求取将人体目标像素坐标映射到该人体目标的实际平面坐标的转移矩阵，根据所述转移矩阵计算得到人体目标的实际世界坐标，进而获得人体目标真实位置的第二定位结果。\n[0025] 可选地，所述利用方向梯度直方图算法，检测出所述图像中的人体目标，包括：\n[0026] 将所述图像转换为灰度图；\n[0027] 使用Gamma矫正算法对所述灰度图中的像素值进行归一化；\n[0028] 计算每个像素点的梯度方向及大小；\n[0029] 将归一化后的灰度图划分为具有相同大小的正方形单元，统计其中每个像素的梯度方向及大小，从而得到每个正方形单元的特征向量；\n[0030] 将多个相邻正方形单元组合为一个矩形块，对矩形块内的特征向量进行归一化，得到矩形块的特征描述子；\n[0031] 将所有块的特征描述子组合在一起，得到所述图像的梯度直方图特征向量，进而检测出所述图像中的人体目标。\n[0032] 可选地，所述利用预设融合算法对所述第一定位结果和第二定位结果进行融合，获得对人体目标的第三定位结果，包括：\n[0033] 利用方差加权平均算法，将所述第一定位结果和所述第二定位结果进行初步融合；\n[0034] 利用卡尔曼滤波算法，根据测量数据估计信号的真实值，进一步提高初步融合后得到的定位结果的精度，获得对人体目标的第三定位结果。\n[0035] 可选地，所述预设融合优化算法，包括：初始化过程、循环追踪过程和显示过程；\n[0036] 所述初始化过程，用于初始化一个被捕捉到的新的人体目标；\n[0037] 所述循环追踪过程，用于不断更新并追踪人体目标的位置；\n[0038] 所述显示过程，用于将循环追踪的结果绘制于每帧图像中；\n[0039] 其中，所述初始化过程与所述循环追踪过程均包含：预处理模块、数据对比模块和精度增强模块；其中：\n[0040] 所述预处理模块：根据所述第一定位结果得到的人体目标位置或人体目标的上一帧位置估计目前人体目标可能存在的区域；\n[0041] 所述数据对比模块：将所述第一定位结果得到的人体目标位置和所述第二定位结果得到的人体目标位置分别与上一次人体目标位置做对比，选取最可能的人体目标位置并送入精度增强模块；\n[0042] 所述精度增强模块，用于根据所述数据对比模块选取的最可能的人体目标位置对所述第三定位结果进行精度优化，获得对人体目标的最终定位结果。\n[0043] 由上述技术方案可知，本发明的人体目标识别定位方法，通过预设融合算法将利用超高频射频识别系统对人体目标进行定位的第一定位结果与利用计算机视觉系统对人体目标进行定位的第二定位结果进行融合，并利用预设融合优化算法对融合结果进行定位精度优化，获得对人体目标的最终定位结果，由此，可以实现对人体目标的识别定位，效率高、准确度高。\n附图说明\n[0044] 图1为本发明一实施例提供的人体目标识别定位方法的流程示意图；\n[0045] 图2为本发明实施例提供的基于被动标签列的到达角定位算法的基本模型的示意图；\n[0046] 图3为本发明实施例提供的基于被动标签列的到达角定位算法中到达角、标签列位置和天线位置间的几何关系示意图；\n[0047] 图4为对本发明实施例利用基于被动标签列的到达角定位算法对超高频射频识别系统中人体目标上的标签列位置定位而获取的第一定位结果进行验证和评估实验的天线摆放位置示意图；\n[0048] 图5a为本发明实施例提供的人体目标识别定位方法的一种具体流程示意图；\n[0049] 图5b为本发明实施例提供的人体目标识别定位方法的一种具体流程示意图。\n具体实施方式\n[0050] 为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整的描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他的实施例，都属于本发明保护的范围。\n[0051] 表1示出了超高频射频识别系统、计算机视觉系统和运动探测器的优劣对比，由表\n1可知，只有计算机视觉系统和超高频射频识别系统具有在较大区域内的人体目标定位能力。这一共同点意味着两系统可通过共享人体目标的位置信息来实现深度融合。\n[0052]\n[0053] 表1\n[0054] 图1示出了本发明一实施例提供的人体目标识别定位方法的流程示意图，如图1所示，本实施例的人体目标识别定位方法包括下述步骤101-104。\n[0055] 101、获取利用超高频射频识别系统对人体目标进行定位的第一定位结果。\n[0056] 102、获取利用计算机视觉系统对人体目标进行定位的第二定位结果。\n[0057] 103、利用预设融合算法对所述第一定位结果和第二定位结果进行融合，获得对人体目标的第三定位结果。\n[0058] 104、利用预设融合优化算法对所述第三定位结果进行定位精度优化，获得对人体目标的最终定位结果。\n[0059] 本实施例的人体目标识别定位方法，通过预设融合算法将利用超高频射频识别系统对人体目标进行定位的第一定位结果与利用计算机视觉系统对人体目标进行定位的第二定位结果进行融合，并利用预设融合优化算法对融合结果进行定位精度优化，获得对人体目标的最终定位结果，由此，可以实现对人体目标的识别定位，效率高、准确度高。\n[0060] 在具体应用中，上述步骤101，可以包括：\n[0061] 利用基于被动标签列的到达角定位算法，对超高频射频识别系统中人体目标上的标签列位置进行定位，进而获得对所述人体目标进行定位的第一定位结果；\n[0062] 其中，所述超高频射频识别系统，包括：人体目标上的标签列和在同一直线间隔设置的至少三个超高频射频识别设备；任意相邻的两个超高频射频识别设备间隔预设第一距离，所述标签列包括：间隔预设第二距离的两个电子标签。\n[0063] 其中，所述预设第二距离大于零且小于λ/4，λ为所述超高频射频识别设备发送的载波的波长。\n[0064] 在具体应用中，所述超高频射频识别设备为超高频射频识别RFID读写器。\n[0065] 具体地，所述利用基于被动标签列的到达角定位算法，对超高频射频识别系统中人体目标上的标签列位置进行定位，进而获得对所述人体目标进行定位的第一定位结果，可以进一步具体包括图中未示出的步骤101a和101b：\n[0066] 101a、获取每一超高频射频识别设备通过其天线接收所述标签列返回的回波信号的到达角。\n[0067] 具体地，所述步骤101a可以包括图中未示出的步骤S1和S2：\n[0068] S1、获取每一超高频射频识别设备通过其天线接收的所述标签列中的两个电子标签分别返回的两个回波信号的到达相位偏移值。\n[0069] S2、根据所述两个回波信号的到达相位偏移值、所述超高频射频识别设备发送的载波的波长和所述预设第二距离，获取每一超高频射频识别设备通过其天线接收所述标签列返回的回波信号的到达角。\n[0070] 进一步地，所述步骤S2可以具体包括：\n[0071] 根据所述两个回波信号的到达相位偏移值 和 所述超高频射频识别设备发送的载波的波长λ和所述预设第二距离d，通过第一公式，获取每一超高频射频识别设备通过其天线接收所述标签列返回的回波信号的到达角θ；\n[0072] 其中，所述第一公式为：\n[0073]\n[0074] 101b、根据所述到达角、所述标签列的位置和所述超高频射频识别设备天线位置间的几何关系，对所述标签列位置进行二维定位，进而获得对所述人体目标进行定位的第一定位结果。\n[0075] 具体地，上述公式(1)的推导过程如下所述：\n[0076] 参见图2，图2示出了基于被动标签列的到达角定位算法的基本模型，该基本模型中包括：所述超高频射频识别系统中的任意一超高频射频识别设备的天线C和所述标签列(即间隔预设第二距离的两个电子标签A和B)，令电子标签A的坐标为(0，0)，电子标签B的坐标为(d，0)，天线C的坐标为(x，h)，则电子标签A和B与天线C的距离之差为：\n[0077]\n[0078] 由于d远小于天线C到电子标签A/B的距离，对公式(2)的右侧做无穷小量代换可得：\n[0079]\n[0080] 考虑到每一超高频射频识别设备通过其天线接收所述标签列返回的回波信号的到达相位偏移与距离间的线性关系可得：\n[0081]\n[0082] 其中， 为超高频射频识别设备通过天线C接收的电子标签A和B分别返回的两个回波信号的到达相位偏移值；\n[0083] 令 根据公式(3)和(4)经过变换可得到：\n[0084]\n[0085] 由于标签列为定位目标位置引入了一个新的自由度(标签列的方向)，因此上述步骤101b需要三个或更多天线才能够实现对标签列位置的二维定位。标签列的二维坐标可根据得到的到达角根据简单几何关系算出，图3为到达角、标签列位置和天线位置间的几何关系示意图。\n[0086] 需说明的是，所述预设第二距离d的选取过程如下：\n[0087] 一方面，公式(5)中 的取值范围为[-1,1]，而 的取值范围为[0,2\nπ)，因此公式(5)对任意 均成立当且仅当d＜λ/4。在具体应用中，对于超高频射频识别设备，载波的波长约为32cm，因此d应当小于8cm。另一方面，下述的误差分析表明定位的随机误差反比于电子标签间隔d，因此d应当尽可能大来减小随机误差。因此，在本实施例中的d值应优选为8cm。\n[0088] 为了验证和评估基于被动标签列的到达角算法，本实施例使用信号为IPJ-REV-R420-GX21M的超高频射频识别读写器进行试验，选用天线型号为E911011PCR，其方向性增益为11dBic，波束宽度为40°，天线摆放方式参看图4。A1和A2为天线，b和b’为天线的周线。\n标签列被放置于矩形D1D2D3D4内，标签列间的线间隔为0.5m。实验结果显示最大定位偏差为0.43m，最小定位偏差为0.07m。此结果满足理论预期，本实施例所述方法的检测结果准确度较高。\n[0089] 在具体应用中，上述步骤102，可以包括图中未示出的步骤102a-102d：\n[0090] 102a、获取计算机视觉系统中设置在预设位置的摄像头对人体目标拍摄后采集的图像。\n[0091] 102b、利用高斯混合模型算法，统计所述图像中每一个像素的像素值的变化。\n[0092] 需说明的是，在所述高斯混合模型算法中，需要对每一个像素建立K个高斯分布模型，并用这些高斯分布模型来统计图像中每一个像素的像素值的变化，即所述图像中的每一个像素分别用K个高斯分布模型表示其在时间域上的值概率；\n[0093] 当前像素取值为xt＝[x1,t,x2,t,…,xn,t]的概率可表达为：\n[0094]\n[0095]\n[0096] 其中，K为高斯模型的个数，wk,t为t时刻当前像素中第k个高斯分布模型的权重，μk,t为t时刻当前像素中第k个高斯分布模型的数学期望，σk,t为t时刻当前像素中第k个高斯分布模型的协方差矩阵，n为正整数。简单起见，通常认为RGB色彩空间或YUV色彩空间中的三个同道是互独立的，即 其中I为三维单位矩阵，σk,t为t时刻当前像素中第k个高斯分布模型中各颜色分量的标准差。\n[0097] 将每个像素点的高斯分布模型按照wk,t/σk,t排序，此值可表征对应高斯分布模型是背景模型的概率。如果一个像素值不满足任何一个高斯分布模型，则会建立一个新的高斯分布模型，而排序最靠后的高斯分布模型将会被淘汰。\n[0098] 为了进一步简化运算，在t时刻，像素值xt被划归第K个高斯分布模型当且仅当其满足下述公式(3)：\n[0099] |xt-μk,t-1|＜Dσk,t-1  (8)\n[0100] 其中，D为用户定义的参数，通常取值为2.5。\n[0101] 此时，高斯高斯分布模型的参数按照如下递推式更新：\n[0102] wk,t＝(1-ρ)wk,t-1+ρ  (9)\n[0103] μk,t＝(1-ρ)μk,t-1+ρxt  (10)\n[0104]\n[0105] 其中，ρ为学习率，可在0到1间取值。ρ的值决定了高斯分布模型更新的速率。\n[0106] 未匹配的高斯分布模型的权值按照下述公式(12)更新：\n[0107] wi,t＝(1-α)wi,t-1 i≠k  (12)\n[0108] 若像素值不满足任何一个高斯分布模型，则会建立一个新的高斯分布模型，新的高斯分布模型的期望为像素值xt，而其标准差和期望将被设为预设的默认值。\n[0109] 102c、利用方向梯度直方图算法，检测出所述图像中的人体目标。\n[0110] 具体地，所述步骤102c，可以包括图中未示出的步骤A1-A6：\n[0111] A1、将所述图像转换为灰度图。\n[0112] A2、使用伽马Gamma矫正算法对所述灰度图中的像素值进行归一化。\n[0113] 在具体应用中，Gamma矫正算法的表达式为：\n[0114] I'(x,y)＝I(x,y)Γ  (13)\n[0115] 其中，I(x,y)为输入的像素值，I'(x,y)为输出的像素值，Γ为伽马参数，Γ的取值范围为(0,1)，通常情况下Γ取值为0.5。\n[0116] 可以理解的是，步骤A2能够减少来自光照变化和随机噪声的影响。\n[0117] A3、计算每个像素点的梯度方向及大小。\n[0118] 在具体应用中，计算每个像素点的梯度Gx和Gy的公式为：\n[0119]\n[0120] 其中，Gx(x,y)为坐标为(x,y)的像素点水平方向上的梯度向量，Gy(x,y)为坐标为(x,y)的像素点水平方向上的梯度向量，H(x,y)为坐标为(x,y)的像素点的像素值；\n[0121] 梯度的模G(x,y)(即梯度幅值)为：\n[0122]\n[0123] 梯度方向θ'(x,y)为：\n[0124]\n[0125] 通常，这一步骤可以通过将图像矩阵与Canny边缘检测算子进行二维卷积实现。\n[0126] A4、将归一化后的灰度图划分为具有相同大小的正方形单元，统计其中每个像素的梯度方向及大小，从而得到每个正方形单元的特征向量。\n[0127] A5、将多个相邻正方形单元组合为一个矩形块，对矩形块内的特征向量进行归一化，得到矩形块的特征描述子。\n[0128] A6、将所有块的特征描述子组合在一起，得到所述图像的梯度直方图特征向量，进而检测出所述图像中的人体目标。\n[0129] 102d、对所述图像中检测出的人体目标进行坐标系转换，获得人体目标的实际世界坐标，进而获得人体目标真实位置的第二定位结果。\n[0130] 具体地，所述步骤102d，可以包括：\n[0131] 以所述摄像头的位置为原点建立一个的三维笛卡尔坐标系，用此三维笛卡尔坐标系的三个单位坐标向量表示世界坐标系的单位坐标向量，在此基础上进一步求取将人体目标像素坐标映射到该人体目标的实际平面坐标的转移矩阵，根据所述转移矩阵计算得到人体目标的实际世界坐标，进而获得人体目标真实位置的第二定位结果。\n[0132] 需说明的是，本实施例中，摄像头指向与水平面的夹角可看作摄像头指向与由摄像头所在位置和沿向量V至无穷远处某点确定的直线间的夹角。像点到图像中心(也称为消失点)的距离L正比于消失点到被成像点的连线与摄像头指向间夹角的正切[4]。其表达式由下述公式(17)和(18)给出：\n[0133]\n[0134]\n[0135] 其中，α为成像中心与被成像点所成的水平角，β为成像中心与被成像点所成的俯仰角，x'和z'为像点到成像面中心的水平和竖直像素距离。\n[0136] 如上所述，估计摄像头指向的关键在于找到图像中心与世界坐标系坐标轴上无穷远处“点”间的像素距离。而无穷远处“点”在图像中的位置可通过计算世界坐标系竖直或水平平面内在实际中平行的两条直线在图中的“交点”来得到。\n[0137] 通常在室内监测中，地板或天花板间的接缝可看作理想的参考平行线，于是无穷远处“点”的图像上位置可经由以下步骤得到：\n[0138] a)使用Hough变换找到图像中所有的直线；\n[0139] b)选取其中长度满足要求的直线；\n[0140] c)根据来自云台的先验姿态信息滤除所有斜率不满足要求的直线；\n[0141] d)将距离过近的两条直线合并为一条\n[0142] e)找到其中三条或更多直线共同经过的点。\n[0143] 建立一个以摄像头位置为原点的三维笛卡尔坐标系，称为摄像头坐标系。令摄像头指向为坐标轴V，令水平向右的轴为坐标轴U，坐标轴W由U×V给出。三维世界坐标系的三个坐标轴为X、Y和Z。根据上节得到的摄像头指向信息，世界坐标系的单位坐标向量可被摄像头坐标系的三个单位向量 表示为：\n[0144]\n[0145]\n[0146]\n[0147] 于是有：\n[0148]\n[0149]\n[0150] 在此基础上进一步求取将目标像素坐标映射到目标的实际平面坐标的转移矩阵。\n[0151] 假设人体目标的Z坐标为定值h。由于摄像头坐标到世界坐标的映射为线性映射，世界坐标系中的水平面z＝h一定在摄像头坐标系中被映射为一平面。假设此平面为[0152] v＝au+bw+c  (22)\n[0153] 根据公式(20)可得\n[0154]\n[0155] 于是\n[0156]\n[0157] 显然公式(24)的等号右侧部分应与u或w无关，因此得到方程\n[0158]\n[0159] 求解可得：\n[0160]\n[0161] 于是，实际坐标[x,y]T可被图上坐标[u,w]T表示为\n[0162]\n[0163]\n[0164]\n[0165] 同样，图像上坐标可被实际坐标表示为\n[0166]\n[0167] 从而通过矩阵计算得出具体的人物识别实际坐标。\n[0168] 在具体应用中，上述步骤103，可以包括图中未示出的步骤103a和103b：\n[0169] 103a、利用方差加权平均算法，将所述第一定位结果和所述第二定位结果进行初步融合。\n[0170] 在具体应用中，所述方差加权平均算法的过程可以包括：\n[0171] 假设超高频射频识别系统和计算机视觉系统的位置测量方程分别为：\n[0172] B＝X+U  (31)\n[0173] C＝X+V  (32)\n[0174] 其中，B为超高频射频识别系统测得的位置向量；C为计算机视觉子系统测得的位置向量；X为实际位置向量；U和V为噪声向量，且二者满足：\n[0175]\n[0176]\n[0177] 其中，Q和R均为正定矩阵；\n[0178] 令Z＝K×B+(I-K)×C  (35)\n[0179] 其中，K为Z协方差矩阵最小时的系数矩阵，称为最优系数矩阵；\n[0180] Z与实际位置X间的偏移量为:\n[0181]\n[0182] Z的协方差矩阵为：\n[0183]\n[0184] 令 若以偏移系数矩阵δK加最优系数矩阵K，则有\n[0185]\n[0186] δP＝δKW+(δKW)T+δK(Q+R)δKT  (39)\n[0187] 其中：\n[0188] W＝QKT-R(I-K)T  (40)\n[0189] 根据前面的假设，(Q+R)为正定矩阵。因此不论δK取何值，公式(39)的第三项恒为正；而当W≠0时，公式(39)的前两项的符号随δK的变化而变化。因此P方差最小当且仅当W≡\n0，即\n[0190] K＝R(Q+R)-1  (41)\n[0191] (I-K)＝Q(Q+R)-1  (42)\n[0192] 此时Z及其协方差的矩阵为：\n[0193] Z＝R(Q+R)-1×B+Q(Q+R)-1×C  (43)\n[0194] P＝(Q+R)-1(QRQ+RQR)(Q+R)-1  (44)\n[0195] 协方差矩阵的行列式为：\n[0196]\n[0197] |P|小于|Q|和|R|中的任一值。\n[0198] 103b、利用卡尔曼滤波算法，根据测量数据估计信号的真实值，进一步提高初步融合后得到的定位结果的精度，获得对人体目标的第三定位结果。\n[0199] 在具体应用中，所述卡尔曼滤波算法的过程可以包括：\n[0200] 定义时刻tk处的状态向量为Xk。Xk由随机噪声序列Wk-1驱动，其驱动方程为：\n[0201] Xk＝Φk,k-1Xk-1+Γk-1Wk-1  (46)\n[0202] 测量方程为：\n[0203] Zk＝HkXk+Vk  (47)\n[0204] 其中，Φk,k-1为tk-1时刻至tk时刻的转移矩阵；Γk-1为驱动矩阵；Hk为测量矩阵；Vk为随机测量噪声。\n[0205] 随机噪声序列Wk和Vk满足如下关系：\n[0206]\n[0207]\n[0208] 对状态向量Xk的估计值 可根据如下递推式得出：\n[0209] 一步状态估计：\n[0210]\n[0211] 状态估计：\n[0212]\n[0213] 滤波增益：\n[0214]\n[0215] 一步状态估计方差：\n[0216]\n[0217] 状态估计方差：\n[0218]\n[0219] 在具体应用中，上述步骤104中的所述预设融合优化算法，可以包括：初始化过程、循环追踪过程和显示过程；\n[0220] 所述初始化过程，用于初始化一个被捕捉到的新的人体目标；\n[0221] 所述循环追踪过程，用于不断更新并追踪人体目标的位置；\n[0222] 所述显示过程，用于将循环追踪的结果绘制于每帧图像中；\n[0223] 其中，所述初始化过程与所述循环追踪过程均包含：预处理模块、数据对比模块和精度增强模块；其中：\n[0224] 所述预处理模块：根据所述第一定位结果得到的人体目标位置或人体目标的上一帧位置估计目前人体目标可能存在的区域；\n[0225] 所述数据对比模块：将所述第一定位结果得到的人体目标位置和所述第二定位结果得到的人体目标位置分别与上一次人体目标位置做对比，选取最可能的人体目标位置并送入精度增强模块；\n[0226] 所述精度增强模块，用于根据所述数据对比模块选取的最可能的人体目标位置对所述第三定位结果进行精度优化，获得对人体目标的最终定位结果。\n[0227] 为评估所述预设融合优化算法的有效性，本实施例使用了一段由商业级闭路监控摄像头(DS-2DC2202-DE3/W HIKVISION)录制的监控录像进行实验。受限于实验场地电磁环境的复杂性难以满足超高频射频识别定位的需要，此处超高频射频识别的定位数据采用了仿真结果。视频长度约为6秒，共130帧。结果显示，误检现象被完全消除，同时对目标的定位精度提高了大约一个数量级：均方根误差从超高频射频识别系统的0.0673m和计算机视觉系统的0.1226m提高到了0.0107m。Kalman滤波的输出结果显示，其绝对误差较初步融合结果有了进一步提高，均方根值为0.0071m，提高幅度约为30％，目标的位置被精确标记。\n[0228] 图5a和图5b分别示出了本发明实施例提供的人体目标识别定位方法的一种具体流程示意图。\n[0229] 本实施例的人体目标识别定位方法，通过预设融合算法将利用超高频射频识别系统对人体目标进行定位的第一定位结果与利用计算机视觉系统对人体目标进行定位的第二定位结果进行融合，并利用预设融合优化算法对融合结果进行定位精度优化，获得对人体目标的最终定位结果，可以实现对人体目标的识别定位，效率高、准确度高。\n[0230] 本领域内的技术人员应明白，本申请的实施例可提供为方法、系统、或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。\n[0231] 本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。\n[0232] 这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。\n[0233] 这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。\n[0234] 需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。术语“上”、“下”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。除非另有明确的规定和限定，术语“安装”、“相连”、“连接”应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或一体地连接；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通。对于本领域的普通技术人员而言，可以根据具体情况理解上述术语在本发明中的具体含义。\n[0235] 本发明的说明书中，说明了大量具体细节。然而能够理解的是，本发明的实施例可以在没有这些具体细节的情况下实践。在一些实例中，并未详细示出公知的方法、结构和技术，以便不模糊对本说明书的理解。类似地，应当理解，为了精简本发明公开并帮助理解各个发明方面中的一个或多个，在上面对本发明的示例性实施例的描述中，本发明的各个特征有时被一起分组到单个实施例、图、或者对其的描述中。然而，并不应将该公开的方法解释呈反映如下意图：即所要求保护的本发明要求比在每个权利要求中所明确记载的特征更多的特征。更确切地说，如权利要求书所反映的那样，发明方面在于少于前面公开的单个实施例的所有特征。因此，遵循具体实施方式的权利要求书由此明确地并入该具体实施方式，其中每个权利要求本身都作为本发明的单独实施例。需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。本发明并不局限于任何单一的方面，也不局限于任何单一的实施例，也不局限于这些方面和/或实施例的任意组合和/或置换。而且，可以单独使用本发明的每个方面和/或实施例或者与一个或更多其他方面和/或其实施例结合使用。\n[0236] 最后应说明的是：以上各实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述各实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的范围，其均应涵盖在本发明的权利要求和说明书的范围当中。