CN101887518B - 人体检测装置与方法 - Google Patents

Abstract

本发明提出一种人体检测装置及为强调人体轮廓进行的图像增强算法。在背景比较复杂的情况，当服装颜色为暗色的人物进入背景也为暗色的区域或服装颜色为亮色的人物进入背景为亮色的区域，因为人物与背景间的对比度低，该区域的人物轮廓无法清晰的抽出，进行灰度增强可以抽出清晰的人体轮廓。相反若该区域的人物轮廓已经可以足够清晰的抽出，进行灰度增强的话，将使检测精度下降。本发明将背景图像利用图像分割法分为几个区域，在每一个区域，根据前景图像与背景图像的灰度分布直方图的相似度来判断是否应进行灰度增强。本发明可以防止过多的无用的噪声边缘线的错误抽出，也可以强调人物的轮廓，提高人体检测装置的精度。

Description

人体检测装置与方法

技术领域

这个发明适用于，从单个固定摄像机提取的图像中自动检测人体的装置及检测方法，属于图像处理，模式识别，计算机视觉领域。

背景技术

人体检测在计算机视觉领域中有许多重要的应用，例如驾驶辅助系统，视频监控，图像检索，机器人和高级人机交互等。在智能视频监控中，自动在场景中搜索人体被视为理解人类活动的首要预处理步骤。但至今为止，人体的自动搜索问题仍然没有得到令人满意的结果，主要因为人体自身姿态变化多端，衣着具有多样性以及背景，光照条件的复杂性等。

目前人体检测装置中的人体特征提取通常都是寻找一种表示人体轮廓信息的方法，例如N.Dalal等人与2005年发表的文章“Histograms of orientedgradients for human detection”中提出的梯度方向直方图(Histogram oforiented gradient)特征等，人体检测中所采用的分离器则主要有S.Munder等于2006年在IEEE Transactions on Pattern Analysis and MachineIntelligence杂志上发表的文章”An experimental study on pedestrianclassification”中提出的Adaboost法与支持向量机(Support VectorMachine)法.

在背景复杂，光照条件等影响下，人体检测装置一般因无法清楚，准确地提取人体轮廓，导致系统产生漏报，降低检测装置的精度和可靠性。在日本专利局公开专利特开2007-025766中介绍了利用分类器对对象物体检测的过程中，为了提高检测精度，对图像进行灰度增强的方法。但在背景比较复杂的情况，当服装颜色为暗色的人物进入背景也为暗色的区域，因为人物与背景间的对比度低，该区域的人物轮廓无法清晰的抽出。同样的当服装颜色为亮色的人物进入背景为亮色的区域，该区域的人物轮廓也无法清晰的抽出，在这样的区域，需要进行灰度增强，以便抽出更加清晰的人体轮廓。相反的，如果服装颜色为亮色的人物进入背景为暗色的区域，该区域的人物轮廓已经可以足够清晰的抽出，如果还要对该区域进行灰度增强的话，存在于背景中及人物内部的无用的边缘线也会被增强，过多的无用的噪声边缘线也将使检测精度下降。为了实现精度高的人体检测，提高人体检测的鲁棒性，需要一种在强调人体轮廓边缘线的同时，减少因背景等噪音等产生的无用的噪音边缘线的图像增强法。

发明内容

有鉴于此，本发明的目的在于提供了一个人体检测装置及检测方法，使用该装置及方法即使在背景复杂，由于光照而产生的阴影等条件下，也可清晰，准确地提取人体轮廓，从而减少提高人体检测装置的精度，减少漏报和误报。

为了实现高精度的人体检测，本发明装置包括摄影装置、信号处理装置、存储装置和结果输出装置；摄影装置包括摄像头，存储装置包括图像存储部和分类器存储部，信号处理装置包括人体候补区域确定部、图像增强部和人体检测部，结果输出装置包括显示器；摄影装置将拍摄的图片传输给信号处理装置，存储装置与信号处理装置相连，存储装置按照信号处理装置发出的指令，将背景图像、头部候补区域坐标，人体候补区域坐标，背景图像分区结果，各分区灰度直方图存储于图像存储部中，将判断是否为人体的分类器存储于分类器存储部中，结果输出装置与信号处理装置相连，当人体检测部检测到有人存在，由显示器显示出该图像，发出异常信号，并把图像传输到用户端。

上述人体候补区域确定部的具体工作流程如下，

步骤1，得到前景图像。

步骤2，求出前景图像的边缘图像。

步骤3，确定头部候补区域。

步骤4，确定人体候补区域。

上述图像增强部的具体工作流程如下，

步骤41，在背景图像中确定人体候补区域的对应区域。称为人体候补背景区域。

步骤51，人体候补背景区域的图像分区。

步骤52，按照人体候补背景区域的图像分区结果，对人体候补区域分区即前景分区。

步骤53，计算各背景分区灰度直方图。

步骤54，计算各前景分区灰度直方图。

步骤55，计算各背景分区灰度直方图与前景分区灰度直方图的相似度。

步骤56，判断各前景分区是否需要进行灰度增强。

步骤57，对需要进行灰度增强的分区进行灰度增强。

步骤58，分区合并。

上述人体检测部的具体工作流程如下，

对分区合并的图像提取HOG特征，利用Adaboost分类器分类。

本发明具有如下优点：1，在进行人体检测前，先进行图像增强，使系统可更准确，更清晰的提取人物轮廓，从而提高人体检测的精度。2，本发明将背景图像分区，按照背景图像的分区，对前景图像的每一个分区进行灰度增强，从而实现在复杂的背景下有效率的图像增强。3，本发明提出了一个是否需要进行灰度增强的判断方法，即根据前景图像与背景图像的灰度分布直方图的相似度来判断该分区是否需要进行灰度增强。只对被判断为需要进行灰度增强的分区实施灰度增强。利用此判断标准，可以防止过多的无用的噪声边缘线的错误提取，从而提高人体检测装置的精度。4，提取图像增强后的前景图像的边缘图像时，删除所有背景分区间的边缘线，从而实现在强调了人体轮廓线的同时，减少由背景图像噪音产生的无用的噪声边缘线，因此真正做到了在复杂环境下人体的准确测量，为智能视频监控中的目标识别和跟踪提供了一种新的可靠的方法。

附图说明

下面结合附图和实施例对本发明进一步说明。

图1是本发明所示系统组成框图

图2是人体候补区域确定部的具体工作流程图。

图3是图像增强部的具体工作流程图。

图41a为背景图像，1b，1c为背景图像分区结果，2a前景图像，2b，2c为前景图像分区结果的示意图。

图5为各背景及前景图像的分区及各分区的灰度直方图示意图，1d、1e为背景图像分区1b，1c的灰度直方图，2d、2e为前景图像分区2b，2c的灰度直方图。

图6为判断为需要进行灰度增强的分区的图像增强的结果示意图。

图7a为各分区图像合并的结果，b为合并后图像的边缘图像，c为删除所有分区间的边缘线后边缘图像示意图。

具体实施方式

以下结合附图和实施例对本发明的技术方案作进一步详细说明。以下实施例在以本发明技术方案为前提下进行实施，给出了详细的实施方式和过程，但本发明的保护范围不限于下述实施例。

如图1所示，本发明由以下装置构成：

摄影装置01，由CCD或者C-MOS摄像装置构成，由摄影装置拍摄的图片传输向信号处理装置03。摄影装置拍摄的图片可以是例如大小为320*240的彩色图片。

存储装置02，由ROM，RAM等存储元件构成，与信号处理装置03相连，按照信号处理装置发出的指令，将背景图像、头部候补区域坐标，人体候补区域坐标，背景图像分区结果，各分区灰度直方图等存储于图像存储部021中。在事前，通过学习建立的判断是否为人体的分类器存储于分类器存储部022中，在人体检测部033中调用。

信号处理装置03由CPU，DSP，MCU，IC等计算装置等构成，与摄影装置01，存储装置02，结果输出装置04相连，信号处理装置由人体候补区域确定部031，图像增强部032，人体检测部033构成。

结果输出装置04，由显示器等构成，与信号处理装置03相连，当人体检测部检测到有人存在的情况，由显示器显示出该图像，发出异常信号，并把图像传输到用户端。

如图2所示，人体候补区域确定部031的具体处理步骤如下：

步骤1，得到前景图像。

步骤2，用Canny算子计算前景图像的边缘图像。

步骤3，利用Hough变换，找到边缘图像中的圆形区域，作为头部候补区域。

对于每一个头部候补，进行以下的处理。

步骤4，根据头部候补半径的大小，确定该人体候补区域。例如，当头部候补半径为r时，人体候补区域的宽度为8*r长度为32*r.如图4_2a所示。

如图3所示，图像增强部032的具体处理步骤如下：

步骤41，根据步骤4中确定的人体候补区域在前景图像中的坐标，确定相对应的背景图像中的对应区域。如图4_1a所示。

步骤51，利用Mean shift Segmentation法(D.Comaniciu等人2002年在IEEE Transactions on Pattern Analysis and Machine Intelligence杂志上发表的“Mean shift：A robust approach toward feature space analysis”中提出的方法)，对背景图像中的进行图像分区，图像分区的结果如图4_1b，1c所示。

步骤52，根据步骤51中背景图像分区的结果，在人体候补区域中，决定同样的分区，确定的分区结果如图4_2b，2c所示。

对于每一个分区，进行以下的处理。

步骤53，计算背景图像分区的灰度直方图，背景分区的灰度直方图的结果如图5_1d，1e所示。

步骤54，计算前景图像分区的灰度直方图，前景分区的灰度直方图的结果如图5_2d，2e所示。

步骤55，计算步骤53，54中算出的背景分区直方图和相应的前景图像分区直方图的相似度。

计算相似度的方法如下：

前景分区的直方图表示为：∑H_input(X_k)＝1  and   0≤X_k≤1

背景分区的直方图表示为：∑H_back(X_k)＝1   and   0≤X_k≤1

相似度： $\mathrm{Similarity}=\underset{k=0}{\overset{255}{\mathrm{\Σ}}}(H_{\mathrm{input}}\left(X_k\right)-H_{\mathrm{back}}\left(X_k\right))$

步骤56，如果相似度大于阈值，判断该前景图像分区需要进行灰度增强，如果相似度小于阈值，判断该分区不需要进行灰度增强。该阈值由经验值判断。例如前景图像分区如图5_2b与背景图像分区如图5_1b的灰度直方图相似度高，所以该分区需要进行图像增强。相反，前景图像分区如图5_2c与背景图像分区如图5_1c的灰度直方图相似度低，所以该分区不需要进行图像增强。

步骤57，针对被步骤56判断为需要灰度增强的前景图像分区进行灰度增强。本实施方式利用直方图均衡化的方法，进行灰度增强。前景图像分区5_2b图像增强后的结果如图6所示。

对于每一个分区的处理结束。

步骤58，将以上的图像分区合并，合并后的结果如图7_a所示。本发明在抽出合并后图像的边缘图像后，删除所有分区间的边缘线，从而达到只强调人体轮廓，而减少误差边缘线的目的，合并后图像的边缘图像如图7_b所示，删除所有分区间的边缘线后的图像如图7_c所示。

人体检测部033的具体处理

利用N.Dalal等人与2005年发表的文章“Histograms of orientedgradients for human detection”中介绍的方法，抽出分区边缘图像D梯度方向直方图(Histogram of oriented gradient)特征。利用S.Munder等于2006年在IEEE Transactions on Pattern Analysis and Machine Intelligence杂志上发表的文章“An experimental study on pedestrian classification”中介绍的Adaboost法对该区域进行分类，分类的结果为人或非人。

Claims (7)

1.一种人体检测装置，包括摄影装置、信号处理装置、存储装置和结果输出装置，其特征是：信号处理装置包括人体候补区域确定部(031)、图像增强部(032)和人体检测部(033)，摄影装置拍摄到的图像先经过人体候补区域确定部(031)，再经图像增强部(032)对背景图像区域进行灰度增强处理，最后由人体检测部(033)进行检测，检测结果由结果输出装置显示；

所述人体候补区域确定部(031)，用于根据获取的前景图像利用Canny算子求出边缘图像，利用Hough变换找到所述边缘图像中的圆形图像作为头部候补区域，根据所述头部候补区域半径的大小，确定人体候补区域；

所述图像增强部(032)，用于根据所述人体候补区域确定部(031)确定的所述人体候补区域在背景图像中得出人体候补背景区域，对所述人体候补背景区域的图像分区，对所述人体候补背景区域对应的前景图像分区，计算各人体候补背景区域分区直方图和与其对应的各前景分区直方图，并比较人体候补背景区域分区直方图和与其对应的前景分区直方图的相似度，根据比较结果对需要进行灰度增强的前景分区进行灰度增强，还用于分区合并的处理；

所述人体检测部(033)，用于对所述分区合并的图像抽出分区边缘图像的梯度方向直方图特征，利用Adaboost算法进行检测。

2.一种人体检测方法，其特征是：对拍摄到的图像依次进行以下处理：确定人体候补区域、进行图像增强处理、进行人体检测；所述图像增强处理的具体步骤如下：

步骤41，在背景图像中根据人体候补区域在前景图像中的坐标确定人体候补背景区域；

步骤51，对人体候补背景区域的图像分区； 

步骤52，按照人体候补背景区域的图像分区结果，对人体候补区域分区，即对前景图像分区；

步骤53，计算各人体候补背景区域分区灰度直方图；

步骤54，计算各前景分区灰度直方图；

步骤55，计算人体候补背景区域分区灰度直方图与前景分区灰度直方图的相似度；

步骤56，判断各前景分区是否需要进行灰度增强；

步骤57，对需要进行灰度增强的前景分区进行灰度增强；

所述确定人体候补区域的具体工作流程如下，

步骤1，得到前景图像；

步骤2，用Canny算子求出前景图像的边缘图像；

步骤3，利用Hough变换找到边缘图像中的圆形区域作为头部候补区域；

步骤4，根据头部候补区域半径的大小，确定人体候补区域。

3.根据权利要求2所述的一种人体检测方法，其特征是：步骤55所述相似度的计算方法如下：

前景分区的直方图表示为，∑H_input(X_k)＝1，其中0≤X_k≤1

背景分区的直方图表示为：∑H_back(X_k)＝1，其中0≤X_k≤1

相似度： 

4.根据权利要求2所述的一种人体检测方法，其特征是：所述步骤56进行灰度增强的判断标准为：如果相似度大于阈值，判断该前景分区需要进行灰度 增强，如果相似度小于阈值，则不需要进行灰度增强，上述阈值由经验值判断。

5.根据权利要求2所述的一种人体检测方法，其特征是：所述步骤57利用直方图均衡化的方法对需要进行灰度增强的分区进行灰度增强。

6.根据权利要求2所述的一种人体检测方法，其特征是：所述进行图像增强处理后还包括：合并所有分区，抽出合并分区的图像的边缘图像，删除所有分区间的边缘线。

7.根据权利要求6所述的一种人体检测方法，其特征是：所述进行人体检测的具体处理过程如下：对分区合并的图像抽出分区边缘图像的梯度方向直方图特征，利用Adaboost算法进行检测，检测结果为人或非人。 

Images