CN101908150A - 一种人体检测方法 - Google Patents
一种人体检测方法 Download PDFInfo
- Publication number
- CN101908150A CN101908150A CN 201010218630 CN201010218630A CN101908150A CN 101908150 A CN101908150 A CN 101908150A CN 201010218630 CN201010218630 CN 201010218630 CN 201010218630 A CN201010218630 A CN 201010218630A CN 101908150 A CN101908150 A CN 101908150A
- Authority
- CN
- China
- Prior art keywords
- human body
- point
- efficient
- detection template
- human
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Images
Landscapes
- Image Analysis (AREA)
Abstract
本发明公开了一种人体检测方法,属于图像处理,模式识别,计算机视觉领域。通过多种体形、多种姿势的人体样本建立具有一定模糊性的人体检测模板,确定人体候补区域,最后建立人体检测方法:调节人体候补区域的大小与人体检测模板的大小一致,提取与人体检测模板匹配的边缘点,判断并计算匹配边缘点中的有效边缘点,判断人体检测模板分区是否为有效分区,判断人体候补是否被遮挡,累加各有效分区权重和人体候补未被遮挡的有效分区权重,判断出人体候补是否为人。利用本发明提出的方法,提高了人体检测的效率及精度。
Description
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的检测人体的装置,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,主要因为人体自身体形的多元性,人体姿态变化多端,衣着具有多样性以及背景,光照条件的复杂性等。而且,当监视空间中的人体的一部分被遮挡,无法拍摄到人体整体特征时,进行准确的人体检测是非常有挑战的课题。
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等人于2005年发表的文章“Histograms of orientedgradi ents 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非专利文献1(S.Munder,D.M.Gavrila,”An experimental study on pedestrianclassification”IEEE Transactions on Pattern Analysis and MachineIntelligence,Volume 28,Issue 11,2006)中提出的Adaboost法与支持向量机(Support Vector Machine)法.
为了去除人体自身体形的多元性,人体姿态变化多端,衣着具有多样性以及背景,光照条件的复杂性对人体检测的影响,非专利文献1通过Adaboost分类器进行机器学习时,需要收集大量的包含各种人体体形,人体姿态,衣着,背景等样本图片。并且,通过Adaboost分类器的学习及分类需要大量的处理时间,无法满足实时进行人体检测的要求。
为了实现对身体的一部分被遮挡的人物进行准确的检测,非专利文献2(B.Wu and R.Nevatia.“Detection and tracking of multiple,partially occludedhumans by bayesian combination of edgelet based part detectors.”IJCV,75(2):247-266,2007)提出了将人体分为几个部分,例如上半身,下半身,腿部等,对各部分建立不同的分类器进行分类,最后结合各分类器的分类结果,从而得到最终的人体检测结果。由于非专利文献2需要建立多个分类器,所以需要收集更多的样本图片,分类器的学习及分类需要更长的时间。
发明内容
有鉴于此,本发明的目的在于提供一种高效率,高精度的人体检测方法,通过多种体形、多种姿势的人体样本建立具有一定模糊性的人体检测模型,可提高人体检测的鲁棒性。而且,本发明提出了一种只使用一个模板同时对被遮挡的人物及没有被遮挡的人物进行检测的方法。利用本发明提出的方法,提高了人体检测的效率及精度。
本发明方法的具体工作流程如下,
1.建立人体检测模板
步骤100,收集各种人体图像。
步骤101,提取各图像人体轮廓。
步骤102,各人体轮廓累加。
步骤103,建立人体检测模板。人体检测模板的各点由(x,y,)各相组成,其中x为该点的x坐标;y为该点的y坐标;为该点的平均灰度值,该平均灰度值由下式计算而得:Wi为第i幅图中该点(x,y)的灰度值,N为建立人体检测模板用到的图像数;为出现在该点,出现次数最多的方向梯度相角量化值θ。
步骤104,人体检测模板分区。
2.确定人体候补区域
步骤200,计算前景背景差分。
步骤201,用Canny算子计算差分图像的边缘图像。
步骤202,确定人体候补区域。
3.人体检测
步骤401,调节人体候补区域的大小。使人体候补区域与人体检测模板的大小一致。
步骤401,与人体检测模板匹配的边缘点的提取。
步骤402,判断该匹配边缘点是否为有效边缘点。如果该点为有效边缘点,则进入步骤403,如果该点位无效边缘点,则进入步骤409。判断标准为:各有效匹配边缘点与模板中心的连线上只能有一个有效边缘点;各有效匹配边缘点间应相互连接。
步骤403,计算各分区内有效边缘点点数。
步骤404,判断该分区是否为有效分区。如果该分区内的有效边缘点点数大于阈值1,则该分区为有效分区,否则为无效分区。
步骤405,判断该人体候补是否被遮挡。如果该人体候补被遮挡,则进入步骤407,如果该人体候补没有被遮挡,则进入步骤406。在表示酮体及腿部的分区中,如果连续存在一定数量的无效分区,则判断该人体候补被遮挡。否则,则判断该人体候补没有被遮挡。
步骤406,累加各有效分区权重。权重由事前通过分类器学习样本图片等方法获得。
步骤407,累加没有被遮挡的有效分区权重。
步骤408,判断该人体候补是否为人。通过步骤406计算的各有效分区权重的和如果大于阈值2,则判断该人体候补为人,否则,则判断该人体候补不为人。通过步骤407计算的没有被遮挡的有效分区权重的和如果大于阈值3,则判断该人体候补为人,否则,则判断该人体候补不为人。阈值2根据经验确定。阈值3根据下式确定:
i为没有被遮挡的分区,K为没有被遮挡的分区数,j为所有分区,N为人体检测模板的总分区数,ε为各分区权重,th3为阈值3,th2为阈值2。
步骤409,删除该边缘点。
本发明具有如下优点:1,通过各种身高,体型,性别,姿势,动作的人体模型建立具有一定模糊性的人体检测模板,可以提高人体检测的鲁棒性。2,通过对各匹配边缘点有效性的判断,可以有效地去除复杂背景中的杂音边缘线,提高人体检测的精度。3,通过对人体候补是否被遮挡的判断,实现只通过一个人体检测模板可以同时对被遮挡人物及没有被遮挡人物的检测,提高了人体检测系统的效率。4,本人体检测方法实现了只使用少量的样本图片,进行高速度,高精度的人体检测。
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是本发明的建立人体检测模板方法流程图。
图2是建立人体检测模板实施例示意图。
图3是本发明的确定人体候补区域流程图。
图4是在边缘图像中确定人体候补区域实施例示意图。
图5是本发明的人体检测方法流程图。
图6是本发明的确定匹配边缘点是否为有效边缘点实施例示意图。
图7是计算判断边缘点是否为有效边缘点的流程图。
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,建立人体检测模板的具体工作步骤如下:
步骤100,收集各种人体图像。本实施例利用Metacreations公司的三维人体照型软件Poser 7建立了各种身高,体型,性别,姿势,动作的人体模型合计600幅。
步骤101,提取各图像人体轮廓。
步骤102,各人体轮廓累加。每幅图像轮廓上各点的灰度值W定义为255,轮廓点以外点的灰度值为0。各点的方向梯度相角量化值θ定义为:将α标准化为0至180°的角,即θ为[0,1,2,3,4,5,6]中的值。
步骤103,建立人体检测模板。人体检测模板的各点由(x,y,)各相组成,其中x为该点的x坐标;y为该点的y坐标;为该点的平均灰度值,该平均灰度值由下式计算而得:Wi为第i幅图中该点(x,y)的灰度值,N为建立人体检测模板用到的图像数;为出现在该点,出现次数最多的方向梯度相角量化值θ。本实施例建立的人体检测模板结果如图2示出,白色各点为属于人体检测模板的点,该点为平均灰度值在一定阈值以上的点,各点以(x,y,)的形式保存。
步骤104,人体检测模板分区。以中心轴501为基准,按照相同的Y轴间距分为20个分区,分区结果如图2的1-20示出。
如图3所示,确定人体候补区的具体工作步骤如下:
步骤200,计算前景背景差分。
步骤201,用Canny算子计算差分图像的边缘图像。
步骤202,确定人体候补区域。确定人体候补区域的长和宽。由于人物与摄像头之间的距离不同,图像中的人物大小也将不同,所以需要不断的变化人体候补区域的长和宽。将人体候补区域按照一定的间隔移动,直至整个图片扫描完毕。在边缘图像300中确定人体候补区域实施例示意图如图4示出。人体候补区域301与人体候补区域302为同一坐标的不同大小的人体候补区域,303与304也为同一坐标的不同大小的人体候补区域。
如图5所示,建立人体检测方法的具体工作步骤如下:
步骤401,调节人体候补区域的大小。由于人体候补区域的大小不同,需要将根据在步骤103中构建的人体检测模板的大小来调节人体候补区域的大小。
步骤401,与人体检测模板匹配的边缘点的提取。计算判断边缘点是否为有效边缘点的实施例示意图如图6示出,如果边缘点600的x,y,θ值均与人体检测模板匹配,则该点600作为匹配边缘点被提取。
步骤402,该匹配边缘点是否为有效边缘点。如果该点为有效边缘点,则进入步骤403,如果该点为无效边缘点,则进入步骤409。判断是否为有效边缘点的具体步骤如图7示出。步骤700,该匹配边缘点与模板中心点(如图6的602所示)的连线(如图6的601所示)上是否有其它的匹配边缘点。如果有其它匹配边缘点,则进入步骤701,如果没有其它匹配边缘点,则进入步骤702。步骤701,选择与其它匹配边缘点连接的点。即在复数匹配边缘点中,选择在各匹配边缘点的24邻接像素中,与该点成线形连接的匹配边缘点的点数最多的点。步骤702,该匹配边缘点是否与其它匹配边缘点连接。即判断在该匹配边缘点的24邻接像素中,与该点成线形连接的匹配边缘点的点数是否大于阈值。如果与其它匹配边缘点连接,则进入步骤703,如果不与其它任何匹配边缘点连接,则进入步骤704。步骤703,判断该边缘点为有效边缘点。步骤704,判断该边缘点为无效边缘点。
步骤403,计算各分区(如图2的分区1-20所示)内有效边缘点点数。
步骤404,判断该分区是否为有效分区。如果该分区内的有效边缘点点数大于阈值1,则该分区为有效分区,否则为无效分区。例如,本实施例中的阈值1为在建立人体检测模板时各人体模型轮廓在该分区内的轮廓点点数*0.7。定义有效分区的值为1,无效分区的值为0。
步骤405,判断该人体候补是否被遮挡。如果该人体候补被遮挡,则进入步骤407,如果该人体候补没有被遮挡,则进入步骤406。由于人体的头部,肩部是人体检测的重要部分,如果人体的头部,肩部被遮挡,则无法正确的检测出人体,所以本实施例只适用于酮体及腿部的一部分被遮挡的人体检测。在表示酮体及腿部的分区5-16(如图2的分区5-16所示)中,如果连续存在3至6个无效分区,则判断该人体候补被遮挡。否则,则判断该人体候补没有被遮挡。
步骤406,累加各有效分区权重。本实施例的各分区权重通过支持向量机(Super Vector Machine)算出。本实施例中,通过支持向量机计算各分区权重时使用的样本为由200幅无遮挡的人体图像及200幅较为复杂的背景图像提取出的特征值。
步骤407,累加没有被遮挡的有效分区权重。
步骤408,判断该人体候补是否为人。通过步骤406计算的各有效分区权重的和如果大于阈值2,则判断该人体候补为人,否则,则判断该人体候补不为人。通过步骤407计算的没有被遮挡的有效分区权重的和如果大于阈值3,则判断该人体候补为人,否则,则判断该人体候补不为人。阈值2根据经验确定。阈值3根据下式确定:
i为没有被遮挡的分区,K为没有被遮挡的分区数,j为所有分区,ε为各分区权重,th3为阈值3,th2为阈值2。
步骤409,删除该边缘点。
Claims (3)
1.一种人体检测方法,其特征是包括以下步骤:
建立人体检测模板的步骤:收集人体图像,提取人体轮廓并累加,建立人体检测模板并对其分区;所述人体检测模板的各点由(x,y,)各相组成,其中x为该点的x坐标;y为该点的y坐标;为该点的平均灰度值,该平均灰度值由下式计算而得:Wi为第i幅图中该点(x,y)的灰度值,N为建立人体检测模板用到的图像数;为出现在该点出现次数最多的方向梯度相角量化值θ;
确定人体候补区域的步骤;
建立人体检测方法的步骤:调节人体候补区域的大小与人体检测模板的大小一致,提取与人体检测模板匹配的边缘点,判断并计算匹配边缘点中的有效边缘点,判断人体检测模板分区是否为有效分区,判断人体候补是否被遮挡,累加各有效分区权重和人体候补未被遮挡的有效分区权重,判断出人体候补是否为人;所述有效边缘点的判断标准为:有效边缘点与人体检测模板中心的连线上只有一个有效边缘点,各有效匹配边缘点间应相互连接;所述人体候补是否为人的判断方法为:若累加的各有效分区权重大于阈值2或累加的人体候补未被遮挡的有效分区权重大于阈值3,则判断该人体候补为人,否则,则判断该人体候补不为人;阈值2根据经验确定,阈值3根据公式确定,i为未被遮挡的有效分区,K为未被遮挡的有效分区数,j为所有有效分区,N为人体检测模板的总的有效分区数,ε为各有效分区权重,th3为阈值3,th2为阈值2。
2.根据权利要求1所述的一种人体检测方法,其特征是:所述人体检测模板分区是否为有效分区的判断方法是,若分区内的有效边缘点点数大于阈值1,则该分区为有效分区,否则为无效分区,阈值1为在建立人体检测模板时人体轮廓在该分区内的轮廓点点数乘以0.7。
3.根据权利要求1所述的一种人体检测方法,其特征是:各有效分区权重通过支持向量机算出。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN2010102186308A CN101908150B (zh) | 2010-06-25 | 2010-06-25 | 一种人体检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN2010102186308A CN101908150B (zh) | 2010-06-25 | 2010-06-25 | 一种人体检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN101908150A true CN101908150A (zh) | 2010-12-08 |
CN101908150B CN101908150B (zh) | 2012-05-30 |
Family
ID=43263605
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN2010102186308A Expired - Fee Related CN101908150B (zh) | 2010-06-25 | 2010-06-25 | 一种人体检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN101908150B (zh) |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102567743A (zh) * | 2011-12-20 | 2012-07-11 | 东南大学 | 基于视频图像的驾驶员姿态自动识别方法 |
CN102867214A (zh) * | 2012-07-26 | 2013-01-09 | 福建天晴数码有限公司 | 区域范围内人数统计管理方法 |
CN102930334A (zh) * | 2012-10-10 | 2013-02-13 | 北京凯森世纪科技发展有限公司 | 视频人体轮廓识别计数器 |
CN103186777A (zh) * | 2013-04-03 | 2013-07-03 | 西安电子科技大学 | 基于非负矩阵分解的人体检测方法 |
CN104364821A (zh) * | 2012-05-31 | 2015-02-18 | 株式会社电装 | 人检测装置 |
CN104364821B (zh) * | 2012-05-31 | 2016-11-30 | 株式会社电装 | 人检测装置 |
CN106418847A (zh) * | 2015-08-04 | 2017-02-22 | 王廷金 | 一种基于计算机视觉技术的人体三维尺寸测量方法 |
CN107707975A (zh) * | 2017-09-20 | 2018-02-16 | 天津大学 | 基于监控平台的视频智能剪辑方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20040091153A1 (en) * | 2002-11-08 | 2004-05-13 | Minolta Co., Ltd. | Method for detecting object formed of regions from image |
US6751348B2 (en) * | 2001-03-29 | 2004-06-15 | Fotonation Holdings, Llc | Automated detection of pornographic images |
CN101216885A (zh) * | 2008-01-04 | 2008-07-09 | 中山大学 | 一种基于视频的行人人脸检测与跟踪算法 |
CN101303726A (zh) * | 2008-06-06 | 2008-11-12 | 重庆大学 | 基于粒子动态采样模型的红外人体目标跟踪系统 |
CN101561867A (zh) * | 2009-05-19 | 2009-10-21 | 华中科技大学 | 一种基于高斯形状特征的人体检测方法 |
-
2010
- 2010-06-25 CN CN2010102186308A patent/CN101908150B/zh not_active Expired - Fee Related
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6751348B2 (en) * | 2001-03-29 | 2004-06-15 | Fotonation Holdings, Llc | Automated detection of pornographic images |
US20040091153A1 (en) * | 2002-11-08 | 2004-05-13 | Minolta Co., Ltd. | Method for detecting object formed of regions from image |
CN101216885A (zh) * | 2008-01-04 | 2008-07-09 | 中山大学 | 一种基于视频的行人人脸检测与跟踪算法 |
CN101303726A (zh) * | 2008-06-06 | 2008-11-12 | 重庆大学 | 基于粒子动态采样模型的红外人体目标跟踪系统 |
CN101561867A (zh) * | 2009-05-19 | 2009-10-21 | 华中科技大学 | 一种基于高斯形状特征的人体检测方法 |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102567743A (zh) * | 2011-12-20 | 2012-07-11 | 东南大学 | 基于视频图像的驾驶员姿态自动识别方法 |
CN104364821A (zh) * | 2012-05-31 | 2015-02-18 | 株式会社电装 | 人检测装置 |
CN104364821B (zh) * | 2012-05-31 | 2016-11-30 | 株式会社电装 | 人检测装置 |
CN102867214A (zh) * | 2012-07-26 | 2013-01-09 | 福建天晴数码有限公司 | 区域范围内人数统计管理方法 |
CN102867214B (zh) * | 2012-07-26 | 2015-03-18 | 福建天晴数码有限公司 | 区域范围内人数统计管理方法 |
CN102930334A (zh) * | 2012-10-10 | 2013-02-13 | 北京凯森世纪科技发展有限公司 | 视频人体轮廓识别计数器 |
CN103186777A (zh) * | 2013-04-03 | 2013-07-03 | 西安电子科技大学 | 基于非负矩阵分解的人体检测方法 |
CN103186777B (zh) * | 2013-04-03 | 2016-01-13 | 西安电子科技大学 | 基于非负矩阵分解的人体检测方法 |
CN106418847A (zh) * | 2015-08-04 | 2017-02-22 | 王廷金 | 一种基于计算机视觉技术的人体三维尺寸测量方法 |
CN107707975A (zh) * | 2017-09-20 | 2018-02-16 | 天津大学 | 基于监控平台的视频智能剪辑方法 |
Also Published As
Publication number | Publication date |
---|---|
CN101908150B (zh) | 2012-05-30 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109522793B (zh) | 基于机器视觉的多人异常行为检测与识别方法 | |
CN101464946B (zh) | 基于头部识别和跟踪特征的检测方法 | |
CN105160317B (zh) | 一种基于区域分块行人性别识别方法 | |
CN101908150B (zh) | 一种人体检测方法 | |
CN108520226B (zh) | 一种基于躯体分解和显著性检测的行人重识别方法 | |
CN102722698B (zh) | 多姿态人脸检测与跟踪方法及系统 | |
JP5675229B2 (ja) | 画像処理装置及び画像処理方法 | |
CN106886216B (zh) | 基于rgbd人脸检测的机器人自动跟踪方法和系统 | |
CN104794451B (zh) | 基于分块匹配结构的行人比对方法 | |
CN110378179B (zh) | 基于红外热成像的地铁逃票行为检测方法及系统 | |
CN103279768B (zh) | 一种基于增量学习人脸分块视觉表征的视频人脸识别方法 | |
CN101587485B (zh) | 一种基于人脸识别技术的人脸信息自动登录方法 | |
CN103390164A (zh) | 基于深度图像的对象检测方法及其实现装置 | |
CN102521565A (zh) | 低分辨率视频的服装识别方法及系统 | |
CN109697430A (zh) | 基于图像识别的工作区域安全帽佩戴的检测方法 | |
CN102542289A (zh) | 一种基于多高斯计数模型的人流量统计方法 | |
CN102214291A (zh) | 一种快速准确的基于视频序列的人脸检测跟踪方法 | |
CN105160319A (zh) | 一种在监控视频下实现行人再识别的方法 | |
CN103310194A (zh) | 视频中基于头顶像素点梯度方向的行人头肩部检测方法 | |
CN106203237A (zh) | 集装箱拖车编号的识别方法和装置 | |
CN103440478A (zh) | 一种基于hog特征的人脸检测方法 | |
CN106548131A (zh) | 一种基于行人检测的施工人员安全帽实时检测方法 | |
CN101456501A (zh) | 一种控制电梯按钮的方法及装置 | |
Lee et al. | Human detection using histogram of oriented gradients and human body ratio estimation | |
CN102332094A (zh) | 半监督在线学习人脸检测方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C14 | Grant of patent or utility model | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20120530 Termination date: 20140625 |
|
EXPY | Termination of patent right or utility model |