CN101447023A - 人头检测方法和系统 - Google Patents

Abstract

本发明公开了一种人头检测方法和系统。本发明先在输入的图像中搜索得到候选人头窗口，并利用第一级分类器对搜索得到的所有候选人头窗口进行第一级检测过滤；此后，对第一级检测过滤后剩余的候选人头窗口进行灰度归一化处理，并利用第二级分类器对灰度归一化处理后的所有候选人头窗口进行第二级检测过滤；然后，再计算第二级检测过滤后剩余的所有候选人头窗口与预设人头特征规则的相似性，并将相似性大于预设第一阈值的候选人头窗口确定为人头，从而能够实现对人头的检测。

Description

人头检测方法和系统

技术领域

本发明涉及检测技术，特别涉及一种人头检测方法以及一种人头检测系统。

背景技术

在现有技术中，由于不同姿态的人头的灰度差异较大，因而实现人头检测比较困难。例如，自人头正面、侧面、背面、以及顶部拍摄的人头的灰度差异会非常大；另外，对于不同的头发、或有人可能会带帽子等其他因素，也会提高人头检测的复杂程度。

可见，现有技术中并未提供一成熟可靠的人头检测方式。

发明内容

有鉴于此，本发明提供了一种人头检测方法以及一种人头检测系统，能够实现对人头的检测。

本发明提供的一种人头检测方法，包括：

在输入的图像中搜索得到候选人头窗口；

利用第一级分类器对搜索得到的所有候选人头窗口进行第一级检测过滤；

对第一级检测过滤后剩余的候选人头窗口进行灰度归一化处理；

利用第二级分类器对灰度归一化处理后的所有候选人头窗口进行第二级检测过滤；

计算第二级检测过滤后剩余的所有候选人头窗口与预设人头特征规则的相似性；

将相似性大于预设第一阈值的候选人头窗口确定为人头。

所述第一级分类器是通过从多个人头正样本和多个人头反样本中抽取Haar微特征和灰度均值特征、并基于Adaboost算法而预先训练得到的；

所述第二级分类器是通过从多个人头正样本和多个人头反样本中抽取Haar微特征、并基于Adaboost算法而预先训练得到的；

所述利用第一级分类器对所有候选人头窗口进行第一级检测过滤包括：将搜索得到的所有候选人头窗口输入至所述第一级分类器，由所述第一级分类器从输入的所有候选人头窗口中分别抽取Haar微特征和灰度均值特征，然后依据抽取的Haar微特征和灰度均值特征、并基于Adaboost算法对输入的所有候选人头窗口进行第一级检测过滤；

所述利用第二级分类器利用第二级分类器对灰度归一化处理后的所有候选人头窗口进行第二级检测过滤包括：将灰度归一化处理后的所有候选人头窗口输入至所述第二级分类器，由所述第二级分类器从输入的所有候选人头窗口中分别抽取Haar微特征，然后依据抽取的Haar微特征、并基于Adaboost算法对灰度归一化处理后的所有候选人头窗口进行第二级检测过滤。

所述Haar微特征包括下述之一或任意组合：

左右相邻的一个黑色区域和一个白色区域之间的像素灰度均值差；

上下相邻的一个黑色区域和一个白色区域之间的像素灰度均值差；

一个黑色区域与其左右相邻的两个白色区域之间的像素灰度均值差；

两个对角相连的黑色区域，与相邻两个对角相连的两个白色区域之间的像素灰度均值差；

对角相连的一个黑色区域和一个白色区域之间的像素灰度均值差。

所述人头正样本包括：不同姿态、不同头发、戴不同帽子的真实人头图像；

所述人头反样本包括：未包含人头的图像。

所述在输入的图像中搜索得到候选人头窗口包括：对输入的图像进行预设比例的缩放、预设角度的旋转；在输入的图像、以及进行所述缩放、所述旋转后的图像中，以穷举的方式搜索得到不同尺寸的若干候选人头窗口；将不同尺寸的若干候选人头窗口进行尺寸归一化处理，得到预设标准尺寸的若干候选人头窗口；

所述人头正样本和所述人头反样本的图像尺寸与所述预设标准尺寸一致。

所述预设人头特征规则包括预设的标准人头边界的各轮廓点的边界幅度和边界方向；

计算候选人头窗口与预设人头特征规则的相似性包括：抽取候选人头窗口中的各轮廓点；利用Sobel算子计算候选人头窗口中各轮廓点在x方向的边界值edge_x、以及在y方向的边界值edge_y；利用公式

计算候选人头窗口中各轮廓点的边界幅度、利用公式

计算候选人头窗口中各轮廓点的边界方向；计算候选人头窗口中各轮廓点的边界幅度和边界方向与标准人头边界的各轮廓点的边界幅度和边界方向的相似性，得到候选人头窗口与预设人头特征规则的相似性。

计算候选人头窗口与预设人头特征规则的相似性之前，该方法进一步包括：将第二级检测过滤后剩余的所有候选窗口中，相互之间的尺寸差异小于预设第二阈值、和/或位置差异小于预设第三阈值、和/或重叠面积大于预设第四阈值的多个候选人头窗口合并为一个；

且，在执行所述计算候选人头窗口与预设人头特征规则的相似性时，仅计算合并后的候选人头窗口与预设人头特征规则的相似性。

本发明提供的一种人头检测系统，包括：

窗口搜索单元，用于在输入的图像中搜索得到候选人头窗口；

第一级分类器，用于对搜索得到的所有候选人头窗口进行第一级检测过滤；

灰度归一化单元，用于对第一级检测过滤后剩余的候选人头窗口进行灰度归一化处理；

第二级分类器，用于对灰度归一化处理后的所有候选人头窗口进行第二级检测过滤；

相似性计算单元，用于计算第二级检测过滤后剩余的所有候选人头窗口与预设人头特征规则的相似性；

结果判定单元，用于将相似性大于预设第一阈值的候选人头窗口确定为人头。

所述第一级分类器是通过从多个人头正样本和多个人头反样本中抽取Haar微特征和灰度均值特征、并基于Adaboost算法而预先训练得到的；

所述第二级分类器是通过从多个人头正样本和多个人头反样本中抽取Haar微特征、并基于Adaboost算法而预先训练得到的。

所述第一级分类器从搜索得到的所有候选人头窗口中分别抽取Haar微特征和灰度均值特征，然后依据抽取的Haar微特征和灰度均值特征、并基于Adaboost算法对搜索得到的所有候选人头窗口进行第一级检测过滤；

所述第二级分类器从灰度归一化处理后的所有候选人头窗口中分别抽取Haar微特征，然后依据抽取的Haar微特征、并基于Adaboost算法对灰度归一化处理后的所有候选人头窗口进行第二级检测过滤。

所述Haar微特征包括下述之一或任意组合：

左右相邻的一个黑色区域和一个白色区域之间的像素灰度均值差；

上下相邻的一个黑色区域和一个白色区域之间的像素灰度均值差；

一个黑色区域与其左右相邻的两个白色区域之间的像素灰度均值差；

两个对角相连的黑色区域，与相邻两个对角相连的两个白色区域之间的像素灰度均值差；

对角相连的一个黑色区域和一个白色区域之间的像素灰度均值差。

所述人头正样本包括：不同姿态、不同头发、戴不同帽子的真实人头图像；

所述人头反样本包括：未包含人头的图像。

所述窗口搜索单元包括：

图像变换子单元，用于对输入的图像进行预设比例的缩放、预设角度的旋转；

穷举搜索子单元，用于在输入的图像、以及进行所述缩放、所述旋转后的图像中，以穷举的方式搜索得到不同尺寸的若干候选人头窗口；

尺寸归一化子单元，用于将不同尺寸的若干候选人头窗口进行尺寸归一化处理，得到预设标准尺寸的若干候选人头窗口；

且，所述人头正样本和所述人头反样本的图像尺寸与所述预设标准尺寸一致。

所述预设人头特征规则包括预设的标准人头边界的各轮廓点的边界幅度和边界方向；

所述相似性计算单元包括：

轮廓点抽取子单元，用于抽取候选人头窗口中的各轮廓点；

边界值计算子单元，用于利用Sobel算子计算候选人头窗口中各轮廓点在x方向的边界值edge_x、以及在y方向的边界值edge_y；

幅度计算子单元，用于利用公式

计算候选人头窗口中各轮廓点的边界幅度；

方向计算子单元，用于利用公式

计算候选人头窗口中各轮廓点的边界方向；

边界比较子单元，用于计算候选人头窗口中各轮廓点的边界幅度和边界方向与标准人头边界的各轮廓点的边界幅度和边界方向的相似性，得到候选人头窗口与预设人头特征规则的相似性。

该系统在所述第二级分类器与所述相似性计算单元之间，进一步包括：

窗口合并单元，用于将第二级检测过滤后剩余的所有候选窗口中，相互之间的尺寸差异小于预设第二阈值、和/或位置差异小于预设第三阈值、和/或重叠面积大于预设第四阈值的多个候选人头窗口合并为一个；

且，所述相似性计算单元仅计算合并后的候选人头窗口与预设人头特征规则的相似性。

由上述技术方案可见，本发明先在输入的图像中搜索得到候选人头窗口，并利用第一级分类器对搜索得到的所有候选人头窗口进行第一级检测过滤；此后，对第一级检测过滤后剩余的候选人头窗口进行灰度归一化处理，并利用第二级分类器对灰度归一化处理后的所有候选人头窗口进行第二级检测过滤；然后，再计算第二级检测过滤后剩余的所有候选人头窗口与预设人头特征规则的相似性，并将相似性大于预设第一阈值的候选人头窗口确定为人头，从而能够实现对人头的检测。

而且，由于第一级分类器进行第一级检测过滤的候选窗口未进行灰度归一化处理，因而能够检测过滤掉大量灰度分布较为复杂的非人脸图像，从而能够减少第二级分类器的处理，进而提高人头检测的效率。

进一步地，第一级分类器和第二级分类器可基于Adaboost算法、以及Haar微特征实现检测过滤，由于Adaboost算法、以及Haar微特征均为成熟技术，因而使得本发明的人头检测具有较高的准确性。

再进一步地，第一级分类器和第二级分类器可以是利用人头正样本训练得到的，且人头正样本可包括不同姿态、不同头发、戴不同帽子的真实人头图像，从而保证本发明从不同姿态、不同头发、戴不同帽子的图像中均能够检测出人头，进而使得本发明具有较高的实用价值。

此外，本发明在计算候选人头窗口与预设人头特征规则的相似性之前，还可以先合并相邻的多个候选人头窗口，从而避免了同一个人头对应多个候选人头窗口，进一步提高了人头检测的准确性；且，由于真实的人头才可能对应多个候选人头窗口、而虚警的出现往往比较孤立，因此，本发明如果仅计算合并后的候选人头窗口与预设人头特征规则的相似性，则能够避免将图像中的虚警误检测为人头，从而再进一步地提高了人头检测的准确性。

附图说明

图1为本发明实施例中第一级和第二级分类器的组成示意图；

图2为本发明实施例中Haar微特征的示例性结构图；

图3为本发明实施例中人头检测方法的示例性流程图；

图4为本发明实施例中人头检测系统的示例性结构图；

图5为本发明实施例人头检测系统中窗口搜索单元的结构示意图；

图6为本发明实施例人头检测系统中相似性计算单元的结构示意图。

具体实施方式

为使本发明的目的、技术方案及优点更加清楚明白，以下参照附图并举实施例，对本发明进一步详细说明。

在本发明中，对从输入图像中搜索得到的所有候选人头窗口采用三级检测过滤。其中，第一级检测过滤利用“人头/非人头”的二类分类器来实现，并针对未经灰度归一化处理的候选人头窗口；第二级检测过滤也利用“人头/非人头”的二类分类器来实现，但针对经灰度归一化处理的候选人头窗口；而第三级则是基于候选人头窗口与人头特征规则的相似性来实现。

上述“人头/非人头”的二类分类器可以确定某个尺度的矩形人头候选窗口是否是人头。设矩形人头候选窗口长为m，宽为n，则相应地，人头检测的流程可以为：在输入的图像中穷举搜索和判别所有大小为m×n像素的窗口作为人头候选窗口，将各个人头候选窗口输入到“人头/非人头”分类器中，即可留下识别为人头的候选人头窗口。“人头/非人头”的二类分类器在本文中简称为“分类器”。

本发明所需的第一级分类器和第二级分类器可利用现有人脸检测技术中成熟的Adaboost理论来实现。

具体来说，AdaBoost理论是一种将任意强于随机猜测的弱分类器组合成强分类器的通用算法，因此，本发明使用一种类似哈尔(Haar)小波的微结构特征(简称为Harr微特征)来表达人头、并结合基于AdaBoost理论的一种现有特征选择方法，将多个基于单个特征的弱分类器组成为一个强分类器，然后将多个强分类器级联成一个完整的“人头/非人头”的二类分类器，即本发明所需的第一级分类器、第二级分类器。

参见图1，第一级分类器、第二级分类器由n层上述强分类器级联而成，在第一级分类器、第二级分类器检测时，如果n层强分类器中的某一层强分类器判别一个候选人头窗口为(False)假，则排除此窗口而不进行进一步的判别，如果输出为(True)真，则使用下一层更复杂的强分类器对该窗口进行判别。

也就是说，每一层强分类器都能让几乎全部人头样本通过，而拒绝大部分非人头样本。这样输入低层强分类器的候选人头窗口就多，而输入高层的候选人头窗口大大减少。

此外，对于上述结构的第一级分类器和第二级分类器，还需要利用大量的人头正样本和人头反样本预先进行训练。其中，人头正样本可包括自人头正面、侧面、背面、以及顶部拍摄的人头图像，即覆盖了不同姿态、不同头发、戴不同帽子的真实人头图像；而人头反样本包括例如风景、动物、文字等任意未包含人头的图像；而具体的训练方法可以基于现有的Adaboost理论来实现，在此不再赘述。

需要说明的是，第一级分类器可以是通过从多个人头正样本和多个人头反样本中抽取Haar微特征和灰度均值特征、并基于Adaboost算法而训练得到的；由于第二级分类器针对的是经灰度归一化处理的候选人头窗口，因此，第二级分类器的训练无需灰度均值特征，而可以是只通过从多个人头正样本和多个人头反样本中抽取Haar微特征、并基于Adaboost算法而训练得到。

较佳地，本发明采用了如图2左侧的所示的6种Haar微特征、以及如图2最右侧所示的1种灰度均值特征。对于如图2所示的6种Haar微特征，本发明计算图像中对应黑色区域和白色区域内像素灰度均值的差值得到特征；对于灰度均值特征，本发明则计算矩形框内所有像素的均值。

其中，上述黑色区域通常表示人头的背景图像，而上述白色区域则通常表示人头、尤其是人头正面的人脸；且，如图2所示的6种组微特征中，黑色区域或者白色区域的长、宽可以任意选择，只需不超过候选人头窗口的尺寸即可。

当然，实际使用的Haar微特征可以不限于如图2所示的6种，而是包括下述之一或任意组合：

左右相邻的一个黑色区域和一个白色区域之间的像素灰度均值差，即不限于黑色区域和白色区域哪一个在左、哪一个在右；

上下相邻的一个黑色区域和一个白色区域之间的像素灰度均值差，即不限于黑色区域和白色区域哪一个在上、哪一个在下；

一个黑色区域与其左右相邻的两个白色区域之间的像素灰度均值差；

一个白色区域与其左右相邻的两个黑色区域之间的像素灰度均值差；

两个对角相连的黑色区域，与相邻两个对角相连的白色区域之间的像素灰度均值差，不限于黑色区域与白色区域的相对位置关系；

对角相连的一个黑色区域和一个白色区域之间的像素灰度均值差，不限于黑色区域与白色区域的相对位置关系。

而且，为了保证对所有人头正样本和人头反样本被处理时处于同等条件，在进行训练之前，本发明可以先设定样本搜索窗口的尺寸，例如13×13，然后由第一级分类器和第二级分类器利用设定尺寸的样本搜索窗口对所有人头正样本和人头反样本进行裁剪和尺寸归一化处理，得到尺寸相同的人头正样本和人头反样本。

另外，为增强第一级分类器和第二级分类器对倾斜或旋转一定角度的不同姿态人头、或不同大小的人头检测的鲁棒性，在对所有人头正样本和人头反样本进行裁剪和尺寸归一化处理之前，本发明还可以先对所有人头正样本和人头反样本进行镜像、例如±10度等任意角度的旋转、例如1.05倍的尺寸放大、例如0.95倍的尺寸缩小等处理，以扩充人头正样本和人头反样本的数量。

下面，基于上述的第一级分类器和第二级分类器，对本发明实施例中的人头检测方法和人头检测系统进行详细说明。

图3为本发明实施例中人头检测方法的示例性流程图。如图3所示，本实施例中的人头检测方法包括：

步骤301，在输入的图像中搜索得到候选人头窗口。

较佳地，为了尽可能保证输入图像中所有可能的候选人头窗口不会被遗漏，本步骤中的处理过程可具体包括：

a1、对输入的图像进行预设比例的缩放、预设角度的旋转；

a2、在输入的图像、以及进行所述缩放、所述旋转后的图像中，以穷举的方式搜索得到不同尺寸的若干候选人头窗口；

a3、将不同尺寸的若干候选人头窗口进行尺寸归一化处理，得到预设标准尺寸的若干候选人头窗口。

这样，经上述步骤a1、a2的处理，即可最大限度地避免不同角度或不同大小的候选人头窗口被遗漏；经上述a3的处理，还可保证在后续的处理过程中，对所有候选人头窗口采用同等条件的处理。

步骤302，利用第一级分类器对搜索得到的所有候选人头窗口进行第一级检测过滤。其中，本步骤所利用的第一级分类器可以是按照如前所述的方式预先构成并训练得到的。

较佳地，本实施例可以启用一假设条件，即当前输入的图像来自视频监控场景，而拍摄输入图像的摄像头的自动曝光参数为一个正常的数值，使得整个图像的亮暗适中、亮度均匀，这就意味着，场景中人头背景图像一般是黑色的，而正面人头的人脸不会太黑，也不会过亮。

此时，本步骤中的具体处理过程可以为：将搜索得到的所有候选人头窗口输入至训练后的第一级分类器，由训练后的第一级分类器从搜索得到的所有候选人头窗口中分别抽取如前所述的Haar微特征和灰度均值特征，然后依据抽取的Haar微特征和灰度均值特征、并基于Adaboost算法对输入的所有候选人头窗口进行第一级检测过滤。当然，上述具体处理过程仅仅是对于上述假设条件能够产生更好的效果，但并不仅限于上述假设条件。

由于所有候选人头窗口经灰度归一化处理后，有可能存在某些非人头的候选人头窗口与实际为人头的候选人头窗口的灰度分布相类似，区分较为困难，因此，本步骤先不对所有候选人头窗口进行灰度归一化处理、并通过第一级检测过滤将上述的某些非人头的候选人头窗口排除掉，以减少后续为区分上述的某些非人头的候选人头窗口的处理，因而能够提高人头检测的效率。

而且，假设各候选人头窗口的尺寸均为13×13、抽取如图2所示的6种Haar微特征、Haar微特征中黑色区域和白色区域的最小尺寸均为1×1，则对于一个候选人头窗口可抽取的Haar微特征和灰度均值特征总数最多可以为13×13×13×13×7＝199927个。考虑到部分特征中黑色区域或者白色区域位于13×13的候选人头窗口外、可忽略不计，因此有效的特征数为23583。可见，第一级检测过滤时抽取的所有Haar微特征和灰度均值特征中实际有效的数量也不多，因而能够保证人头检测效率的提高。

需要说明的是，本步骤中从每个候选人头窗口抽取的Harr微特征的种类数量可任意设定；Harr微特征中黑色区域或者白色区域的长、宽可以任意选择，只需不超过候选人头窗口的尺寸即可；Harr微特征中的位置也可任意选择。

步骤303，对第一级检测过滤后剩余的候选人头窗口进行灰度归一化处理。

步骤304，利用第二级分类器对灰度归一化处理后的所有候选人头窗口进行第二级检测过滤。其中，本步骤所利用的第二级分类器可以是按照如前所述的方式预先构成并训练得到的。

较佳地，对于步骤302中所提及的假设条件，本步骤中的具体处理过程可以为：将灰度归一化处理后的所有候选人头窗口输入至训练后的第二级分类器，由训练后的第二级分类器从输入的所有候选人头窗口中分别抽取Haar微特征，然后依据抽取的Haar微特征、并基于Adaboost算法对灰度归一化处理后的所有候选人头窗口进行第二级检测过滤。当然，上述具体处理过程仅仅是对于步骤302中所提及的假设条件能够产生更好的效果，但并不仅限于上述假设条件。

虽然所有候选人头窗口经灰度归一化处理后，有可能存在某些非人头的候选人头窗口与实际为人头的候选人头窗口的灰度分布相类似、区分较为困难，但由于上述的某些非人头的候选人头窗口已在第一次检测过滤时被排除掉，因此，从本步骤开始的后续步骤均避免了对上述的某些非人头的候选人头窗口的处理，从而提高了人头检测的效率。

需要说明的是，本步骤中从每个候选人头窗口抽取的Harr微特征的种类数量可任意设定；Harr微特征中黑色区域或者白色区域的长、宽可以任意选择，只需不超过候选人头窗口的尺寸即可；Harr微特征中的位置也可任意选择。

步骤305，将第二级检测过滤后剩余的所有候选窗口中相邻的多个候选人头窗口合并为一个。

本步骤所述的相邻可以是指：相互之间的尺寸差异小于预设尺寸差异阈值、和/或位置差异小于预设位置差异阈值、和/或重叠面积大于预设重叠面积阈值。

由于从输入图像中搜索得到的某些相邻候选人头窗口，实际上可能对应的是该输入图像中的同一个人头，因此，为了避免对应同一个人头的多个相邻候选人头窗口被分别识别为不同的人头，由本步骤将相邻的多个候选人头窗口合并为一个、并由后续步骤仅针对合并后的候选人头窗口进行处理，以提高人头检测的准确性；且，由于真实的人头才可能对应多个候选人头窗口、而虚警的出现往往比较孤立，因此，如果后续步骤仅针对合并后的候选人头窗口进行处理，则能够避免将图像中的虚警误检测为人头，从而能够再进一步地提高人头检测的准确性。

当然，由于本步骤的作用主要是提高人头检测的准确性，如果不执行本步骤仅仅是降低人头检测的准确性、而不会妨碍人头检测的实现，因而实际应用中本步骤为可选的、而非必须执行的步骤，并在图3中表示为虚线框。

步骤306，计算第二级检测过滤后剩余的、且被合并的所有候选人头窗口与预设人头特征规则的相似性。

本步骤中，预设人头特征规则包括预设的标准人头边界特征。

相应地，本步骤中的具体处理过程可以包括：

b1、按照现有人脸检测中抽取轮廓点的方式，抽取候选人头窗口中的各轮廓点；

b2、利用现有的Sobel算子计算候选人头窗口中各轮廓点在x方向的边界值edge_x、以及在y方向的边界值edge_y；

b3、利用公式计算候选人头窗口中各轮廓点的边界幅度、利用公式计算候选人头窗口中各轮廓点的边界方向；

b4、计算候选人头窗口中各轮廓点的边界幅度和边界方向与标准人头边界的各轮廓点的边界幅度和边界方向的相似性，得到候选人头窗口与预设人头特征规则的相似性。

需要说明的是，由于步骤305为可选的步骤，因此，当执行完步骤304后、不执行步骤305而直接执行本步骤时，本步骤可以按照上述方式计算第二级检测过滤后剩余的所有候选人头窗口与预设人头特征规则的相似性。

步骤307，将相似性大于预设相似性阈值的候选人头窗口确定为人头。

本步骤之后，还可以进一步输出所有检测到的人头的位置、大小等信息。

至此，本流程结束。

由上述流程可见，本实施例中的人头检测方法先在输入的图像中搜索得到候选人头窗口，并利用第一级分类器对搜索得到的所有候选人头窗口进行第一级检测过滤；此后，对第一级检测过滤后剩余的候选人头窗口进行灰度归一化处理，并利用第二级分类器对灰度归一化处理后的所有候选人头窗口进行第二级检测过滤；然后，再计算第二级检测过滤后剩余的所有候选人头窗口与预设人头特征规则的相似性，并将相似性大于预设第一阈值的候选人头窗口确定为人头，从而能够实现对人头的检测。

而且，由于第一级分类器进行第一级检测过滤的候选窗口未进行灰度归一化处理，因而能够检测过滤掉大量灰度分布较为复杂的非人脸图像，从而能够减少第二级分类器的处理，进而提高人头检测的效率。

进一步地，第一级分类器和第二级分类器可基于Adaboost算法、以及Haar微特征实现检测过滤，由于Adaboost算法、以及Haar微特征均为成熟技术，因而使得本实施例中的人头检测方法具有较高的准确性。

再进一步地，第一级分类器和第二级分类器可以是利用人头正样本训练得到的，且人头正样本可包括不同姿态、不同头发、戴不同帽子的真实人头图像，从而保证本发明从不同姿态、不同头发、戴不同帽子的图像中均能够检测出人头，进而使得本实施例中的人头检测方法具有较高的实用价值。

此外，本实施例中的人头检测方法在计算候选人头窗口与预设人头特征规则的相似性之前，还可以先合并相邻的多个候选人头窗口，从而避免了同一个人头对应多个候选人头窗口，进一步提高了人头检测的准确性；且，由于真实的人头才可能对应多个候选人头窗口、而虚警的出现往往比较孤立，因此，本实施例中的人头检测方法如果仅计算合并后的候选人头窗口与预设人头特征规则的相似性，则能够避免将图像中的虚警误检测为人头，从而再进一步地提高了人头检测的准确性。

图4为本发明实施例中人头检测系统的示例性结构图。如图4所示，本实施例中的人头检测系统包括：

窗口搜索单元401，用于在输入的图像中搜索得到候选人头窗口；

第一级分类器402，该第一级分类器402可以是按照如前所述的方式预先构成并训练得到的，并用于对搜索得到的所有候选人头窗口进行第一级检测过滤；具体来说，第一级分类器402可以从搜索得到的所有候选人头窗口中分别抽取如前所述的任意种类的Haar微特征和灰度均值特征，然后依据抽取的Haar微特征和灰度均值特征、并基于Adaboost算法对搜索得到的所有候选人头窗口进行第一级检测过滤；

灰度归一化单元403，用于对第一级检测过滤后剩余的候选人头窗口进行灰度归一化处理；

第二级分类器404，该第二级分类器404可以是按照如前所述的方式预先构成并训练得到的，并用于对灰度归一化处理后的所有候选人头窗口进行第二级检测过滤；具体来说，第二级分类器从灰度归一化处理后的所有候选人头窗口中分别抽取如前所述的任意种类的Haar微特征，然后依据抽取的Haar微特征、并基于Adaboost算法对灰度归一化处理后的所有候选人头窗口进行第二级检测过滤；

相似性计算单元406，用于计算第二级检测过滤后剩余的所有候选人头窗口与预设人头特征规则的相似性；

结果判定单元407，用于将相似性大于预设相似性阈值的候选人头窗口确定为人头。

如图5所示，在上述系统中，窗口搜索单元401可具体包括：

图像变换子单元411，用于对输入的图像进行预设比例的缩放、预设角度的旋转；

穷举搜索子单元412，用于在输入的图像、以及进行所述缩放、所述旋转后的图像中，以穷举的方式搜索得到不同尺寸的若干候选人头窗口；

尺寸归一化子单元413，用于将不同尺寸的若干候选人头窗口进行尺寸归一化处理，得到预设标准尺寸的若干候选人头窗口，即与训练第一级分类器和第二级分类器所使用的人头正样本和所述人头反样本的图像尺寸一致。

如图6所示，在上述系统中，对于预设人头特征规则包括预设的标准人头边界的各轮廓点的边界幅度和边界方向的情况，相似性计算单元406可具体包括：

轮廓点抽取子单元461，用于抽取候选人头窗口中的各轮廓点；

边界值计算子单元462，用于利用Sobel算子计算候选人头窗口中各轮廓点在x方向的边界值edge_x、以及在y方向的边界值edge_y；

幅度计算子单元463，用于利用公式

计算候选人头窗口中各轮廓点的边界幅度；

方向计算子单元464，用于利用公式

计算候选人头窗口中各轮廓点的边界方向；

边界比较子单元465，用于计算候选人头窗口中各轮廓点的边界幅度和边界方向与标准人头边界的各轮廓点的边界幅度和边界方向的相似性，得到候选人头窗口与预设人头特征规则的相似性。

此外，仍参见图4，可选地，上述系统在第二级分类器404与相似性计算单元406之间，还可以进一步包括如图4中虚线框所示的窗口合并单元405，用于将第二级检测过滤后剩余的所有候选窗口中，相邻的多个候选人头窗口合并为一个；其中，这里所述的相邻可以是指相互之间的尺寸差异小于预设尺寸差异阈值、和/或位置差异小于预设位置差异阈值、和/或重叠面积大于预设重叠面积阈值。

对于进一步包括了窗口合并单元405的情况，相似性计算单元406仅计算合并后的候选人头窗口与预设人头特征规则的相似性。

可见，本实施例中的人头检测系统先在输入的图像中搜索得到候选人头窗口，并利用第一级分类器402对搜索得到的所有候选人头窗口进行第一级检测过滤；此后，对第一级检测过滤后剩余的候选人头窗口进行灰度归一化处理，并利用第二级分类器404对灰度归一化处理后的所有候选人头窗口进行第二级检测过滤；然后，再计算第二级检测过滤后剩余的所有候选人头窗口与预设人头特征规则的相似性，并将相似性大于预设相似性阈值的候选人头窗口确定为人头，从而能够实现对人头的检测。

而且，由于第一级分类器402进行第一级检测过滤的候选窗口未进行灰度归一化处理，因而能够检测过滤掉大量灰度分布较为复杂的非人脸图像，从而能够减少第二级分类器404的处理，进而提高人头检测的效率。

进一步地，第一级分类器402和第二级分类器404可基于Adaboost算法、以及Haar微特征实现检测过滤，由于Adaboost算法、以及Haar微特征均为成熟技术，因而使得本实施例中的人头检测系统具有较高的准确性。

再进一步地，第一级分类器402和第二级分类器404可以是利用人头正样本训练得到的，且人头正样本可包括不同姿态、不同头发、戴不同帽子的真实人头图像，从而保证本发明从不同姿态、不同头发、戴不同帽子的图像中均能够检测出人头，进而使得本实施例中的人头检测系统具有较高的实用价值。

此外，本实施例中的人头检测系统还可以由窗口合并单元405先合并相邻的多个候选人头窗口，从而避免了同一个人头对应多个候选人头窗口，进一步提高了人头检测的准确性；且，由于真实的人头才可能对应多个候选人头窗口、而虚警的出现往往比较孤立，因此，如果本实施例中的人头检测系统内的相似性计算单元406仅计算合并后的候选人头窗口与预设人头特征规则的相似性，则能够避免将图像中的虚警误检测为人头，从而再进一步地提高了人头检测的准确性。

以上所述仅为本发明的较佳实施例而已，并非用于限定本发明的保护范围。凡在本发明的精神和原则之内，所作的任何修改、等同替换以及改进等，均应包含在本发明的保护范围之内。

Claims (16)

1、一种人头检测方法，其特征在于，该方法包括：

在输入的图像中搜索得到候选人头窗口；

利用第一级分类器对搜索得到的所有候选人头窗口进行第一级检测过滤；

对第一级检测过滤后剩余的候选人头窗口进行灰度归一化处理；

利用第二级分类器对灰度归一化处理后的所有候选人头窗口进行第二级检测过滤；

计算第二级检测过滤后剩余的所有候选人头窗口与预设人头特征规则的相似性；

将相似性大于预设第一阈值的候选人头窗口确定为人头。

2、如权利要求1所述的方法，其特征在于，

所述第一级分类器是通过从多个人头正样本和多个人头反样本中抽取Haar微特征和灰度均值特征、并基于Adaboost算法而预先训练得到的；

所述第二级分类器是通过从多个人头正样本和多个人头反样本中抽取Haar微特征、并基于Adaboost算法而预先训练得到的；

3、如权利要求2所述的方法，其特征在于，

所述利用第一级分类器对所有候选人头窗口进行第一级检测过滤包括：将搜索得到的所有候选人头窗口输入至所述第一级分类器，由所述第一级分类器从输入的所有候选人头窗口中分别抽取Haar微特征和灰度均值特征，然后依据抽取的Haar微特征和灰度均值特征、并基于Adaboost算法对输入的所有候选人头窗口进行第一级检测过滤；

所述利用第二级分类器利用第二级分类器对灰度归一化处理后的所有候选人头窗口进行第二级检测过滤包括：将灰度归一化处理后的所有候选人头窗口输入至所述第二级分类器，由所述第二级分类器从输入的所有候选人头窗口中分别抽取Haar微特征，然后依据抽取的Haar微特征、并基于Adaboost算法对灰度归一化处理后的所有候选人头窗口进行第二级检测过滤。

4、如权利要求2或3所述的方法，其特征在于，所述Haar微特征包括下述之一或任意组合：

左右相邻的一个黑色区域和一个白色区域之间的像素灰度均值差；

上下相邻的一个黑色区域和一个白色区域之间的像素灰度均值差；

一个黑色区域与其左右相邻的两个白色区域之间的像素灰度均值差；

两个对角相连的黑色区域，与相邻两个对角相连的白色区域之间的像素灰度均值差；

对角相连的一个黑色区域和一个白色区域之间的像素灰度均值差。

5、如权利要求2或3所述的方法，其特征在于，

所述人头正样本包括：不同姿态、不同头发、戴不同帽子的真实人头图像；

所述人头反样本包括：未包含人头的图像。

6、如权利要求2或3所述的方法，其特征在于，

所述在输入的图像中搜索得到候选人头窗口包括：对输入的图像进行预设比例的缩放、预设角度的旋转；在输入的图像、以及进行所述缩放、所述旋转后的图像中，以穷举的方式搜索得到不同尺寸的若干候选人头窗口；将不同尺寸的若干候选人头窗口进行尺寸归一化处理，得到预设标准尺寸的若干候选人头窗口；

所述人头正样本和所述人头反样本的图像尺寸与所述预设标准尺寸一致。

7、如权利要求6所述的方法，其特征在于，所述预设人头特征规则包括预设的标准人头边界的各轮廓点的边界幅度和边界方向；

计算候选人头窗口与预设人头特征规则的相似性包括：抽取候选人头窗口中的各轮廓点；利用Sobel算子计算候选人头窗口中各轮廓点在x方向的边界值edge_x、以及在y方向的边界值edge_y；利用公式

计算候选人头窗口中各轮廓点的边界幅度、利用公式

计算候选人头窗口中各轮廓点的边界方向；计算候选人头窗口中各轮廓点的边界幅度和边界方向与标准人头边界的各轮廓点的边界幅度和边界方向的相似性，得到候选人头窗口与预设人头特征规则的相似性。

8、如权利要求7所述的方法，其特征在于，计算候选人头窗口与预设人头特征规则的相似性之前，该方法进一步包括：将第二级检测过滤后剩余的所有候选窗口中，相互之间的尺寸差异小于预设第二阈值、和/或位置差异小于预设第三阈值、和/或重叠面积大于预设第四阈值的多个候选人头窗口合并为一个；

且，在执行所述计算候选人头窗口与预设人头特征规则的相似性时，仅计算合并后的候选人头窗口与预设人头特征规则的相似性。

9、一种人头检测系统，其特征在于，包括：

窗口搜索单元，用于在输入的图像中搜索得到候选人头窗口；

第一级分类器，用于对搜索得到的所有候选人头窗口进行第一级检测过滤；

灰度归一化单元，用于对第一级检测过滤后剩余的候选人头窗口进行灰度归一化处理；

第二级分类器，用于对灰度归一化处理后的所有候选人头窗口进行第二级检测过滤；

相似性计算单元，用于计算第二级检测过滤后剩余的所有候选人头窗口与预设人头特征规则的相似性；

结果判定单元，用于将相似性大于预设第一阈值的候选人头窗口确定为人头。

10、如权利要求1所述的系统，其特征在于，

所述第一级分类器是通过从多个人头正样本和多个人头反样本中抽取Haar微特征和灰度均值特征、并基于Adaboost算法而预先训练得到的；

所述第二级分类器是通过从多个人头正样本和多个人头反样本中抽取Haar微特征、并基于Adaboost算法而预先训练得到的。

11、如权利要求10所述的系统，其特征在于，

所述第一级分类器从搜索得到的所有候选人头窗口中分别抽取Haar微特征和灰度均值特征，然后依据抽取的Haar微特征和灰度均值特征、并基于Adaboost算法对搜索得到的所有候选人头窗口进行第一级检测过滤；

所述第二级分类器从灰度归一化处理后的所有候选人头窗口中分别抽取Haar微特征，然后依据抽取的Haar微特征、并基于Adaboost算法对灰度归一化处理后的所有候选人头窗口进行第二级检测过滤。

12、如权利要求10或11所述的系统，其特征在于，所述Haar微特征包括下述之一或任意组合：

左右相邻的一个黑色区域和一个白色区域之间的像素灰度均值差；

上下相邻的一个黑色区域和一个白色区域之间的像素灰度均值差；

一个黑色区域与其左右相邻的两个白色区域之间的像素灰度均值差；

两个对角相连的黑色区域，与相邻两个对角相连的两个白色区域之间的像素灰度均值差；

对角相连的一个黑色区域和一个白色区域之间的像素灰度均值差。

13、如权利要求10或11所述的系统，其特征在于，

所述人头正样本包括：不同姿态、不同头发、戴不同帽子的真实人头图像；

所述人头反样本包括：未包含人头的图像。

14、如权利要求10或11所述的系统，其特征在于，所述窗口搜索单元包括：

图像变换子单元，用于对输入的图像进行预设比例的缩放、预设角度的旋转；

穷举搜索子单元，用于在输入的图像、以及进行所述缩放、所述旋转后的图像中，以穷举的方式搜索得到不同尺寸的若干候选人头窗口；

尺寸归一化子单元，用于将不同尺寸的若干候选人头窗口进行尺寸归一化处理，得到预设标准尺寸的若干候选人头窗口；

且，所述人头正样本和所述人头反样本的图像尺寸与所述预设标准尺寸一致。

15、如权利要求14所述的系统，其特征在于，所述预设人头特征规则包括预设的标准人头边界的各轮廓点的边界幅度和边界方向；

所述相似性计算单元包括：

轮廓点抽取子单元，用于抽取候选人头窗口中的各轮廓点；

边界值计算子单元，用于利用Sobel算子计算候选人头窗口中各轮廓点在x方向的边界值edge_x、以及在y方向的边界值edge_y；

幅度计算子单元，用于利用公式计算候选人头窗口中各轮廓点的边界幅度；

方向计算子单元，用于利用公式

计算候选人头窗口中各轮廓点的边界方向；

边界比较子单元，用于计算候选人头窗口中各轮廓点的边界幅度和边界方向与标准人头边界的各轮廓点的边界幅度和边界方向的相似性，得到候选人头窗口与预设人头特征规则的相似性。

16、如权利要求15所述的系统，其特征在于，该系统在所述第二级分类器与所述相似性计算单元之间，进一步包括：

窗口合并单元，用于将第二级检测过滤后剩余的所有候选窗口中，相互之间的尺寸差异小于预设第二阈值、和/或位置差异小于预设第三阈值、和/或重叠面积大于预设第四阈值的多个候选人头窗口合并为一个；

且，所述相似性计算单元仅计算合并后的候选人头窗口与预设人头特征规则的相似性。

Images