CN104866843A - 一种面向监控视频的蒙面人脸检测方法 - Google Patents

Abstract

本发明涉及一种面向监控视频的蒙面人脸检测方法。该方法包括基于简单背景差值运算进行视频跳帧的处理策略、基于改进背景差法实现运动头肩区域检测、基于两级Haar分类器的蒙面人脸检测方法。基于简单背景差值运算进行视频跳帧的处理策略有效缩小处理范围，减少系统开销，提高处理效率。将含有头肩图像的区域判定为有效运动区域，有效降低背景被误检测为运动目标的情况；结合跳帧策略，仅在检测到存在头肩运动区域时才更新背景，可以进一步地加快处理速度和改善背景差法的运动目标提取质量。根据常见蒙面人脸的Haar线性特征，蒙面目标的训练和检测基于二值图像进行，可强化突出训练样本和待检测目标的灰度分布规律，获得比单纯灰度图像更好的效果。

Description

一种面向监控视频的蒙面人脸检测方法

技术领域

本发明属于面向公共安全预警的视频图像处理领域，具体涉及一种蒙面人脸检测方法。

背景技术

视频监控被广泛应用于公共安全领域，为公共安全管理业务中的预警与查证提供了有力的数据于技术支撑。但目前面向监控视频的智能分析水平还比较低，在面向监控视频的蒙面人脸检测方面，尚无专门针对该应用的有效技术手段。蒙面人脸检测主要用于从海量监控视频中快速筛选面部被故意遮挡的可疑人员目标，可以增强公安部门对特定目标的监管效率，对预防和打击违法犯罪、追查嫌疑人员、维护社会平安稳定等具有重要作用。面向监控视频的蒙面人脸检测是监控视频图像处理的重要功能。其处理流程为：首先从监控视频中获取图像数据，然后提取运动区域，进一步地进行人体或人脸检测，最后实现蒙面检测。

针对蒙面人脸检测中的各个环节，在运动目标检测方面，现有的方法如专利201410110812.1采用ViBe算法为视频图像帧建立背景模型，通过融合帧差法的ViBe算法，分割出前景区域，该方法背景更新速度较慢；专利201110253323.8采用基于边缘检测和帧差法进行运动检测，专利201310586151.5结合相邻帧差法和混合高斯模型实现运动目标，上述方法的不足是易出现空洞区域；在人体检测方面，专利201010218630.8采用具有模糊性的模板检测多姿态人体，速度较慢；专利201310415544.X基于彩色与深度信息的人体检测方法，联合特征提取获得的特征用于人体检测，受光照影响较大；专利201110026465.0基于深度图像进行人体检测，不适用于常规的监控视频图像；在蒙面人脸检测方面，专利201210052716.7针对整帧图像进行蒙面人头检测，处理速度较慢。

发明内容

针对蒙面人脸检测的技术需求，以及各关键环节现有方法的不足，本发明提出了面向监控视频的蒙面人脸检测方法，该方法包括基于简单背景差值运算进行视频跳帧的处理策略、基于改进背景差法实现运动头肩区域检测、基于两级Haar分类器的蒙面人脸检测方法。

下面对本发明中的技术方案阐述如下：

1、基于简单背景差值运算进行视频跳帧的处理策略

视频监控系统都要对原始视频数据压缩编码后进行传输和存储，因此对视频文件的处理应首先进行解码。正常帧率条件下，通常1秒钟的视频含有25帧视频信息。由于1秒内相邻帧之间差异一般很小，现有的处理方法，如对所有帧进行处理存在大量冗余运算，耗时较多；直接跳帧又容易因间隔设置不当而漏帧或多帧。本发明采取的策略是：对视频文件进行解码时，将待处理帧与背景帧进行简单的差值运算，若差值大于阈值，则进行后续处理，否则不进行后续处理，直接跳过该帧。具体流程为：

Step1：选取起始帧图像为初始背景帧                                               ，其中表示该帧中像素点的横纵坐标；

Step2：依次获取其它帧，令其为，为帧处理序号，为像素坐标，将当前帧与背景帧进行差分二值化运算：

其中为二值化后的差值图像，为帧处理序号，为像素坐标，为二值化阈值，可人工动态设定，一般可设置为的灰度均值；

Step3：统计中非零像素点的数目，令其为，如果，则进行后续分析处理，否则令，转至Step2。

2、基于改进背景差法实现运动头肩区域检测方法

背景差法是一种经典的运动检测方法，具有计算便捷、空洞区域少的优点。Haar分类器被用于提取图像局部区域特征并进行分类。现有方法的不足是在背景刷新过程中容易导致个别背景区域被误判为运动目标。在本发明中，目的是从视频帧图像中检测蒙面人脸目标，该目标属于人体头肩区域的一部分，而头肩区域又包含于运动区域中。基于此特点，本发明从简单背景差法检测到的运动区域中进行基于Haar分类器的头肩区域检测，当检测到头肩区域时将当前运动区域判定为有效运动区域，对当前帧进行背景更新，从而实现对背景差法的改进。其具体实现步骤为：

Step1：预先采集大量人体头肩区域图像作为正样本，将其分辨率缩放为60×60像素，并采集大量无人体头肩区域图像作为负样本，其分辨率无变换要求，结合正负样本训练基于Adaboost的头肩分类器；

Step2：选取起始帧图像为初始背景帧，其中表示该帧中像素点的横纵坐标；

Step3：按照跳帧策略依次获取其它帧，令其为，为帧处理序号，为像素坐标，将当前帧与背景帧进行差分二值化运算：

其中为二值化后的差值图像，为帧处理序号，为像素坐标，为二值化阈值，可人工动态设定，一般可设置为的灰度均值；

Step4：对当前二值化差值图像进行先腐蚀后膨胀的形态学运算：

其中为形态学模板，为腐蚀后的二值图像，为膨胀后的二值图像，为帧处理序号，为像素坐标；

Step5：对提取其中的非零像素点构成的区块序列，其中为各区块，总数为n。遍历该区块序列，如果每个区块的像素数都，则当前帧不含满足要求的运动区域，获取下一帧，令，，转至Step3；若存在像素数的区块，则转至step6。其中为区块像素数量阈值，令当前帧的高、宽分别为、，可取值为；

Step6：将满足区块像素数量阈值条件的区块输入头肩分类器，其输出为该区块中是否存在头肩区域，如存在，则当前帧的该区块为满足要求的运动区域，类似地检测完当前帧的所有区块后,将当前帧更新为背景帧,即,然后获取下一帧，令，转至Step3；若当前帧所有区块均未检测到头肩区域，则当前帧无满足要求的运动区域，获取下一帧，令，背景帧不更新,即，转至Step3；

按上述流程处理，直至所有帧处理完毕。

3、基于两级Haar分类器的蒙面人脸区域检测方法

Haar分类器融合了Haar-like特征和Adaboost分类器，可以有效提取图像区域特征并进行分类。现有方法采用单一的蒙面分类器对整帧图像进行检测，易受无关背景中的灰度分布近似区域干扰，导致检测准确率较低。在监控视频图像中，蒙面人脸属于人体头肩区域的一部分，基于此特点，本发明采用两级Haar分类器，第一级实施于前一步骤中检测并定位运动区域中可能存在的人体头肩区域，缩小后续蒙面检测的搜索范围，降低背景干扰；第二级从头肩区域中检测可能存在的蒙面人脸,特别地,为了提高训练和搜索效率,考虑到蒙面人脸部主要满足以下两种Haar线性特征：

将蒙面人脸的训练和检测都在二值图像中进行。具体实施步骤为：

Step1：预先采集大量蒙面人脸区域正方形图像，并将其分辨率缩放至30像素×30像素，获得原始正样本图像,为图像序号，为像素坐标。采用下述公式计算快速二值化后的正样本：

其中为的灰度均值；

Step2：预先采集无蒙面人脸的负样本原始图像，，对其分辨率无缩放要求，按照与step1类似的方法处理得到二值化负样本，为图像序号，为像素坐标；

Step3：利用二值化蒙面正负样本图像，训练建立基于Adaboost的蒙面分类器；

Step4：针对头肩分类器检测到的运动头肩区域图像，利用Step1所述公式将其转化为二值图像，其中为图像序号，为像素坐标；

Step5：将二值化头肩区域图像输入到蒙面分类器，输出结果即为是否存在蒙面人脸。

本发明的优点在于：

1、基于简单背景差值运算进行视频跳帧的处理策略的创新点在于：

有效缩小处理范围，减少系统开销，提高处理效率。

2、基于改进背景差法实现运动头肩区域检测的创新点在于：

（1）将含有头肩图像的区域判定为有效运动区域，有效降低背景被误检测为运动目标的情况；

（2）结合跳帧策略，仅在检测到存在头肩运动区域时才更新背景，可以进一步地加快处理速度和改善背景差法的运动目标提取质量。

3、基于两级Haar分类器的蒙面人脸区域检测方法的创新点在于：

（1）由于人体头肩形状特征比蒙面特征更具有典型性，因此基于两级分类器搜索的准确性优于采用单一蒙面人脸分类器对整个运动区域进行搜索；

（2）第一级分类器有助于缩小待搜索范围，从而提高整体处理速度。

（3）根据常见蒙面人脸的Haar线性特征，蒙面目标的训练和检测基于二值图像进行，可强化突出训练样本和待检测目标的灰度分布规律，获得比单纯灰度图像更好的效果。

附图说明

图1是本发明实施例的整体示意图；

图2是本发明基于改进背景差法实现头肩运动区域检测的示意图；

图3是本发明用于检测蒙面人脸的两类Haar线性特征示意图。

具体实施方式

下面结合图示，对本发明的优选实施例作详细介绍。

本发明的人体目标检测工作流程如图1所示，首先计算机读入视频文件，解码并基于简单背景差值运算进行视频跳帧，获得待处理图像数据，然后利用改进的背景差法结合第一级头肩Haar分类器，获取存在人体头肩运动目标的区域，最后针对二值化人体头肩运动区域图像，采用第二级蒙面人脸Haar分类器检测其中是否存在蒙面人脸区域。该方法利用监控视频中蒙面人脸的运动特征与形态特征，能可靠地检测行走、奔跑的人体中所具有的正面蒙面人脸目标。

应当理解的是，对本领域普通技术人员来说，可以根据上述说明加以改进或变换，比如更改应用领域等，而所有这些改进和变换都应属于本发明所附权利要求的保护范围。

本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

Claims (4)

1.一种面向监控视频的蒙面人脸检测方法，包括基于简单背景差值运算进行视频跳帧的处理策略、基于改进背景差法实现运动头肩区域检测、基于两级Haar分类器的蒙面人脸检测，其特征在于，

所述基于简单背景差值运算进行视频跳帧的处理策略具体为：

对视频文件进行解码时，将待处理帧与背景帧进行简单的差值运算，若差值大于阈值，则进行后续处理，否则不进行后续处理，直接跳过该帧；

所述基于改进背景差法实现运动头肩区域检测具体为：

从简单背景差法检测到的运动区域中进行基于Haar分类器的头肩区域检测，当检测到头肩区域时将当前运动区域判定为有效运动区域，对当前帧进行背景更新，从而实现对背景差法的改进；

所述基于两级Haar分类器的蒙面人脸区域检测具体为：

采用两级Haar分类器，第一级实施于前一步骤中检测并定位运动区域中可能存在的人体头肩区域，缩小后续蒙面检测的搜索范围，降低背景干扰；第二级从头肩区域中检测可能存在的蒙面人脸，将蒙面人脸的训练和检测在二值图像中进行。

2.根据权利要求1所述的一种面向监控视频的蒙面人脸检测方法，其特征在于，所述基于简单背景差值运算进行视频跳帧的处理策略具体流程为：

Step1：选取起始帧图像为初始背景帧                                               ，其中表示该帧中像素点的横纵坐标；

Step2：依次获取其它帧，令其为，为帧处理序号，为像素坐标，将当前帧与背景帧进行差分二值化运算：

其中为二值化后的差值图像，为帧处理序号，为像素坐标，为二值化阈值，可人工动态设定，一般可设置为的灰度均值；

Step3：统计中非零像素点的数目，令其为，如果，则进行后续分析处理，否则令，转至Step2。

3.根据权利要求1所述的一种面向监控视频的蒙面人脸检测方法，其特征在于，所述基于改进背景差法实现运动头肩区域检测具体实现步骤为：

Step2.1：预先采集大量人体头肩区域图像作为正样本，将其分辨率缩放为60×60像素，并采集大量无人体头肩区域图像作为负样本，其分辨率无变换要求，结合正负样本训练基于Adaboost的头肩分类器；

Step2.2：选取起始帧图像为初始背景帧，其中表示该帧中像素点的横纵坐标；

Step2.3：按照跳帧策略依次获取其它帧，令其为，为帧处理序号，为像素坐标，将当前帧与背景帧进行差分二值化运算：

其中为二值化后的差值图像，为帧处理序号，为像素坐标，为二值化阈值，可人工动态设定，一般可设置为的灰度均值；

Step2.4：对当前二值化差值图像进行先腐蚀后膨胀的形态学运算：

其中为形态学模板，为腐蚀后的二值图像，为膨胀后的二值图像，为帧处理序号，为像素坐标；

Step2.5：对提取其中的非零像素点构成的区块序列，其中为各区块，总数为n，遍历该区块序列，如果每个区块的像素数都，则当前帧不含满足要求的运动区域，获取下一帧，令，，转至Step3；若存在像素数的区块，则转至step2.6，其中为区块像素数量阈值，令当前帧的高、宽分别为、，可取值为；

Step2.6：将满足区块像素数量阈值条件的区块输入头肩分类器，其输出为该区块中是否存在头肩区域，如存在，则当前帧的该区块为满足要求的运动区域，类似地检测完当前帧的所有区块后,将当前帧更新为背景帧,即,然后获取下一帧，令，转至Step2.3；若当前帧所有区块均未检测到头肩区域，则当前帧无满足要求的运动区域，获取下一帧，令，背景帧不更新,即，转至Step2.3；

按上述流程处理，直至所有帧处理完毕。

4.根据权利要求1所述的一种面向监控视频的蒙面人脸检测方法，其特征在于，所述基于两级Haar分类器的蒙面人脸区域检测具体实施步骤为：

Step3.1：预先采集大量蒙面人脸区域正方形图像，并将其分辨率缩放至30像素×30像素，获得原始正样本图像,为图像序号，为像素坐标，采用下述公式计算快速二值化后的正样本：

其中为的灰度均值；

Step3.2：预先采集无蒙面人脸的负样本原始图像，，对其分辨率无缩放要求，按照与step3.1的方法处理得到二值化负样本，为图像序号，为像素坐标；

Step3.3：利用二值化蒙面正负样本图像，训练建立基于Adaboost的蒙面分类器；

Step3.4：针对头肩分类器检测到的运动头肩区域图像，利用Step3.1所述公式将其转化为二值图像，其中为图像序号，为像素坐标；

Step3.5：将二值化头肩区域图像输入到蒙面分类器，输出结果即为是否存在蒙面人脸。