CN103455799B - 一种人体头肩检测方法及其装置 - Google Patents
一种人体头肩检测方法及其装置 Download PDFInfo
- Publication number
- CN103455799B CN103455799B CN201310405178.XA CN201310405178A CN103455799B CN 103455799 B CN103455799 B CN 103455799B CN 201310405178 A CN201310405178 A CN 201310405178A CN 103455799 B CN103455799 B CN 103455799B
- Authority
- CN
- China
- Prior art keywords
- sub
- block
- shoulder
- structure chart
- human head
- 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.)
- Expired - Fee Related
Links
Landscapes
- Image Analysis (AREA)
Abstract
本发明属于图像识别领域,提供了一种人体头肩检测方法及其装置,该方法包括以下步骤:将待识别图像划分为若干颜色相似的子块,即得到划分后的待识别图像;将子块划分后的待识别图像构造成结构图;将结构图中的子块与人体头肩模型库中的人体头肩模型子块进行匹配。本发明提出的将图像的子块作为基本处理单元,并采用子块作为节点构造结构图的方法进行头肩检测,不仅可以提高方法的运行效率,而且采用逐层匹配搜索最优检测结果,提高了头肩检测的准确性。
Description
技术领域
本发明属于图像识别领域,尤其涉及一种人体头肩检测方法及其装置。
背景技术
头肩检测对于视频或图像中的人体目标检测与识别具有重要意义,可应用于图像或视频场景中的人体目标个数统计。进行人体目标分割时,首先需要确定场景中人体目标的位置和个数,所以头肩检测是进行人体目标分割的前提和基础。除此以外,头肩检测还为进一步准确的人体目标的准确分割提供有用的位置信息,方便进行后续处理。
人体的头肩部位在人体行走的过程中的形状变化较小,相对固定,所以目前的方法主要是依据人体头肩的形状进行匹配,根据单一模型进行检测准确率不高,效率低。而且,依据相机成像原理,当人体处于相机视野中的不同位置时,所呈现的头肩形状和大小都会存在一定差异,进一步的降低了检测的准确率。
发明内容
本发明实施例的目的在于提供一种人体头肩检测方法,本发明旨在提出一种能够自适应调整头肩模型大小的方法,提高头肩检测准确率。
本发明实施例是这样实现的,一种人体头肩检测方法,其特征在于,所述方法包括以下步骤:
将待识别图像划分为若干颜色相似的子块,即得到划分后的待识别图像;
将所述的子块划分后的待识别图像构造成结构图;
将所述的结构图中的子块与人体头肩模型库中的人体头肩模型子块进行匹配。
具体的,所述的将子块划分后的待识别图像构造成结构图,的步骤具体包括:
将所述的划分后的待识别图像作为结构图的最底层,构造最底层结构图时,以每个子块作为一个节点;
根据所述的最底层的结构图构造高层结构图,构造高层结构图时,以每个子块作为一个节点;
确定所述的节点之间的权值;
将所述的节点之间的权值做归一化处理,得到归一化处理后的权值。
具体的,所述的将结构图中的子块与人体头肩模型库中的人体头肩模型子块进行匹配,的步骤具体包括:
对所述的结构图最底层即V0层与所述的模型库中的任一模型S,分别计算该模型其与图像的各子块区域R的相似度φ(S,R),并将相似度大于某一阈值的子区域标记为感兴趣区域。
从结构图最底层的上一层即结构图V1层开始循环执行,设前次处理的为结构图第Vk层,在结构图第Vk+1层选择权值大于给定阈值的子区域对应节点的子块分别与模型库中的各个子模型进行相似度计算,并将相似度大于阈值的区域进行标记;直至处理到结构图的最高层即Vr层。
分别将各层中各子块的相似度累加,选取相似度累加值最大的层中的感兴趣区域作为最终的匹配结果。
具体的,所述的将待识别图像划分为若干颜色相似的子块,即得到划分后的待识别图像,的步骤具体包括:
所述的对待识别图像,采用高斯模糊函数,对其进行高斯滤波。
对高斯滤波后的待识别图像采用分水岭算法进行子块划分,即得到划分后的待识别图像。
具体的,所述的根据最底层的结构图构造高层结构图,的具体方法为:
从所述的最底层的结构图开始,通过将当前层中相邻的颜色相似子块进行合并形成更高一层新的子块的方法,得到更高一层的子图,以每一个新的子块作为一个节点;当按上述方法构造的更高层图像不再发生变化时,则停止继续构造高层图像。
具体的,所述的将当前层中相邻的颜色相似子块进行合并,包括如下步骤:
将该层所有子块对应的节点放置到一个队列中;
从队列中第一个节点对应的子块开始循环执行,提取队列中第一个未被标记的子块,并计算所取出子块的颜色均值;并对该子块进行标记,表示已经进行处理过;对该子块相邻子块进行选择合并操作,直到队列中所有子块都被标记过;
对该子块相邻子块进行选择合并操作具体为:搜索与所取出子块相邻的子块,从第一个搜索到的相邻子块开始循环执行,若该相邻的子块是未被标记过的子块,则计算该相邻子块的颜色均值,并判断相邻子块的颜色均值与当前子块的颜色均值之差是否小于设定阈值T,若是,则将该邻域子块合并,并对该邻域子块进行标记;直到所有相邻子块都搜索完成。
具体的,所述的在步骤将待识别图像划分为若干颜色相似的子块,即得到划分后的待识别图像,之前,还包括步骤:
构造人体头肩模型库。
具体的,所述的构造人体头肩模型库,包括如下步骤:
确定人体头肩形状模型尺寸参数;
构造人体头肩形状模型;
将构造的人体头肩形状模型进行子块划分;
具体的,将构造的人体头肩形状模型进行子块划分,具体为:
将构造的人体头肩形状划分为九个相互具有重叠区域的子块。
一种人体头肩检测装置,其特征在于,所述装置包括以下模块:
模型库构造模块,用于构造人体头肩模型库。
待识别图像划分模块,用于将待识别图像划分为若干颜色相似的子块,即得到划分后的待识别图像。
结构图构造模块,用于将子块划分后的待识别图像构造成结构图。
匹配模块,用于将结构图中的子块与人体头肩模型库中的人体头肩模型子块进行匹配。
本发明提出的将图像的子块作为基本处理单元,并采用金字塔式结构以子块作为节点构造结构图的方法进行头肩检测,不仅可以提高方法的运行效率,而且采用逐层匹配搜索最优检测结果,提高了头肩检测的准确性。
附图说明
图1是本发明一种人体头肩检测方法的实施例一提供的流程图;
图2是本发明一种人体头肩检测方法的实施例一提供的划分后的待识别图像的示意图;
图3是本发明一种人体头肩检测方法的实施例一提供的结构图示意图;
图4是本发明一种人体头肩检测方法的实施例一提供的S12的子流程图;
图5是本发明一种人体头肩检测方法的实施例一提供的S13的子流程图;
图6是本发明一种人体头肩检测方法的实施例二提供的流程图;
图7是本发明一种人体头肩检测方法的实施例二提供的S10的子流程图;
图8是本发明一种人体头肩检测方法的实施例二提供的人体头肩形状模型示意图;
图9是本发明一种人体头肩检测方法的实施例二提供的划分后的人体头肩形状模型子块示意图;
图10是本发明一种人体头肩检测装置的实施例三提供的模块图;
图11是本发明一种人体头肩检测装置的实施例三提供的模型库构造模块的子模块图;
图12是本发明一种人体头肩检测装置的实施例三提供的结构图构造模块的子模块图;
图13是本发明一种人体头肩检测装置的实施例三提供的匹配模块的子模块图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
针对现有技术提供的问题,本发明提出的一种人体头肩检测方法是采用学习训练的方法,建立人体头肩所处位置与成像大小之间的对应关系。自动调节头肩模型的尺寸变化。且针对场景中人体在行走或运动的过程中,头肩形状会发生变化的情况,将人体头肩模型分为若干个互相有重叠的子模型块,再通过模型块的匹配找到近似人体头肩模型的近似区域,最后通过近似区域的整合实现人体头肩部位的定位,克服由于头肩的形状变化导致的头肩模型匹配准确率低的问题。
实施例一
本发明实施例一提出了一种人体头肩检测方法,如图1所示,包括:
S11:将待识别图像划分为若干颜色相似的子块,即得到划分后的待识别图像。
从图像中识别出某一具体形状的物体,其实际是通过识别该物体的轮廓。为了能够构造出物体的轮廓,本发明将图像划分为若干颜色相似的子块,具有特定形状的物体则是由这些子块组合而成,划分后的待识别图像如图2所示,图像中行人的头肩部位都由若干个子块组合而成。
S11:将待识别图像划分为若干颜色相似的子块,即得到划分后的待识别图像,的具体步骤为:
A1:对待识别图像,采用高斯模糊函数,对其进行高斯滤波。
加入步骤A1是为了避免在后续子块划分的时候导致形成的子块面积过小,子块数量过大,造成后续计算量增加。
A2:对高斯滤波后的待识别图像采用分水岭算法进行子块划分,即得到划分后的待识别图像。
S12将子块划分后的待识别图像构造成结构图。
构造结构图具体为以金子塔的方式构造结构图,这样构造的结构图不仅可以描述每一层的各个子块之间的关系,而且可以描述出不同层之间各个子块的相似度关系,如图3所示。
S12将子块划分后的待识别图像构造成结构图,的具体步骤为:
S121将得到的划分后的待识别图像作为结构图的最底层;构造该层结构图时,以每个子块作为一个节点。
为了运算的方便这里我们对各层以及各节点的数据结构做了定义:
设最低一层为V0层,其上一层为V1层,V1的上一层为V2,最高层为Vr层。
对于每一层,将一个子块作为一个节点,如Vik表示第k层的第i个节点,Vjk+1表示第k+1层的第j个节点,每个节点Vik是由该节点所对应的子块与图像中所有像素q的连通性来描述,也就是当该子块与像素q连通时,其取值为1,不连通时其取值为0,其数学描述如公式1所示。
如此定义的节点结构,不仅描述了该子块的像素,还描述了该子块与其他子块的位置关系,为后续以子块作为处理单元进行模型匹配奠定了基础。
S122根据最底层的结构图构造高层结构图;构造高层结构图时,以每个子块作为一个节点。
S122根据最底层的结构图构造高层结构图;构造高层结构图时,以每个子块作为一个节点,的具体方法为:
从最底层的结构图开始,通过将当前层中相邻的颜色相似子块进行合并形成更高一层新的子块的方法,得到更高一层的子图,以每一个新的子块作为一个节点。越高层的图像的子块数目越来越少,而子块的面积越来越大,同时可以描述的目标信息越粗略。当按上述方法构造的更高层图像不再发生变化时,则停止继续构造高层图像。
将当前层中相邻的颜色相似子块进行合并,具体包括如下步骤:
步骤B1将该层所有子块对应的节点放置到一个队列中。
步骤B2从队列中第一个节点对应的子块开始循环执行,提取队列中第一个未被标记的子块,并计算所取出子块的颜色均值;并对该子块进行标记,表示已经进行处理过;对该子块相邻子块进行选择合并操作,直到队列中所有子块都被标记过。
对该子块相邻子块进行选择合并操作具体为:搜索与所取出子块相邻的子块,从第一个搜索到的相邻子块开始循环执行,若该相邻的子块是未被标记过的子块,则计算该相邻子块的颜色均值,并判断相邻子块的颜色均值与当前子块的颜色均值之差是否小于设定阈值T,若是,则将该邻域子块合并,并对该邻域子块进行标记;直到所有相邻子块都搜索完成。
S123:确定节点之间的权值。
S123:其中的节点是指底层节点与高层节点的集合。
节点之间的权值用于表示不同层节点之间的位置相似度。在用于头肩检测所构造的图中,不同层之间的相似度也就是不同子块表示为同一目标的相似度,为此这里假设第k层的第i个节点Vik与第k+1层的第j个节点Vjk+1的权值Eijk为:两个子块的所有像素中位于图像不同位置的像素数之和与第k+1层的第j个节点的面积之比,如公式2所示。
权值描述了上下两层图像中子块之间位置的相似度,这样在更高一层进行匹配时,依据权值的大小可以较快的确定与下一层子块的位置相似区域,提高方法效率。如此定义权值,使权值的大小与子块的面积无关,得到的数据更加客观。
S124:将节点之间的权值做归一化处理,得到归一化处理后的权值。
权值进行归一化,即将权值Eijk的大小调整到0~1之间,其归一化的方法如公式3所示。
使权值的大小控制在一个区间内,方便对不同层的权值进行统一比较分析,降低计算复杂度。
S13:将结构图中的子块与一预设的人体头肩模型库中的人体头肩模型子块进行匹配。
如图5所示,S13:将结构图中的子块与一预设的人体头肩模型库中的人体头肩模型子块进行匹配,具体包括以下步骤:
S131:对结构图最底层即V0层与模型库中的任一模型S,分别计算该模型其与图像的各子块区域R的相似度φ(S,R),并将相似度大于某一阈值的子区域标记为感兴趣区域。
S132:从结构图最底层的上一层即结构图V1层开始循环执行,设前次处理的为结构图第Vk层,在结构图第Vk+1层选择权值大于给定阈值的子区域对应节点的子块分别与模型库中的各个子模型进行相似度计算,并将相似度大于阈值的区域进行标记;直至处理到结构图的最高层即Vr层。
S133:分别将各层中各子块的相似度累加,选取相似度累加值最大的层中的感兴趣区域作为最终的匹配结果。即从V0层开始累加该层中的所有子块的相似度,直至Vr层,选取相似度累加值最大的层中的感兴趣区域作为最终的匹配结果。
每层的各个子块R分别与模型库中的各个子模型S进行相似度计算时依据二者之间的形状信息而定,具体如公式4所示。
φ(S,R)=αe-(λ10N10+λ01N01) 公式4
其中α,λ10,λ01分别为给定的常数系数,N10为位于模型S但不位于图像子块R的像素个数,N01为位于图像子块R但不位于模型S的像素个数。
S132中采用了区域内的像素数进行相似度评价,在保证实现形状相似评价作用的同时,与采用边缘信息进行形状比较的方法比昂比较,对图像区域与模型的细微形状差别又具有一定的容忍性。
本发明提出的将图像的子块作为基本处理单元,并采用金字塔式结构以子块作为节点构造结构图的方法进行头肩检测,不仅可以提高方法的运行效率,而且采用逐层匹配搜索最优检测结果,提高了头肩检测的准确性。
实施例二
本发明实施例二提出了一种人体头肩检测方法,如图6所示。与实施例一不同之处在于,在S11之前,还包括:
S10:构造人体头肩模型库。
如图7所示,S10:构造人体头肩模型库,具体包括以下步骤:
S101确定人体头肩形状模型尺寸参数。
对于某一固定的场景,当人体目标所处的位置与摄像机距离不同时,其在图像中所呈现的尺寸也不同。这里,采用学习训练的方法,得出对于场景中人体头部模型的半径的参数r与图像位置pos(x,y)之间的对应关系r=F(pos),其中pos为模型头部圆心所在图像中的位置,F()为其对应的变换关系。
S102构造人体头肩形状模型。
S102构造人体头肩形状模型,的方法具体为:
人体的头肩部位由头和肩两部分组成,本发明构造的人体头肩形状模型如图8所示,头部是由一个圆构成,肩部是由一个等腰三角形组成。头部和肩部的尺寸关系为:假设头部模型的半径为r,肩部等腰三角形的高度为0.6*2r,底边为2.5*2r。
如此设计头肩模型的优点是,实现了头肩模型的参数化设计,在具体的头肩检测中,要设计不同尺寸的头肩模型,只需确定其参数r即可,有效提高了模型的适应性。
S103将构造的人体头肩形状模型进行子块划分。
S103将构造的人体头肩形状模型进行子块划分,的具体方法为:
将构造的人体头肩形状划分为九个相互具有重叠区域的子块,如图9所示。
利用整体头肩模型的匹配时,由于人体头肩部位的形状总是会存在一定差别,采用固定的形状模型进行匹配时,其匹配度一般较低,导致检测效率不高。而将头肩模型划分为若干子块,可以包容具体人体的头肩模型的形状差别,有利于提高检测效率。
本实施例的其他部分与实施例1相同在此不在赘述。需要说明的是实施例2中,S13:将结构图中的子块与一预设的人体头肩模型库中的人体头肩模型子块进行匹配。其中的一预设的人体头肩模型库为步骤S10构造的人体头肩模型库。
由于人体头肩部位的形状相对固定,所以本发明采用构造人体头肩部位的形状模型,并通过头肩模型与图像进行形状匹配的方法检测出人体的头肩部位。考虑到人体头肩部位在图像中所成像的尺寸与人体的位置相关,同一人体在不同位置所成像的尺寸会有差别,为了使构造的人体头肩模型能够自动适应这一差别,本发明将头肩模型的尺寸采用参数化设计,即进行头肩模型设计时,将人体头部由一个圆来近似,而将圆的半径作为其尺寸参数。进行头肩模型设计时,只需确定这一参数尺寸,即可确定头肩模型的尺寸及形状。
实施例三
本发明实施例三提出了一种人体头肩检测的装置,如图10所示,为了便于说明,仅示出了与本发明实施例三相关的部分。
本发明实施例三提出了一种人体头肩检测的装置包括:
模型库构造模块1,用于构造人体头肩模型库。
待识别图像划分模块2,用于将待识别图像划分为若干颜色相似的子块,即得到划分后的待识别图像。
结构图构造模块3,用于将子块划分后的待识别图像构造成结构图。
匹配模块4,用于将结构图中的子块与一预设的人体头肩模型库中的人体头肩模型子块进行匹配。
如图11所示,模型库构造模块1包括:
模型尺寸参数确定模块11,用于确定人体头肩形状模型尺寸参数。
人体头肩形状模型构造模块12,用于构造人体头肩形状模型。
人体头肩形状模型子块划分模块13,用于将构造的人体头肩形状模型进行子块划分。
如图12所示,结构图构造模块3包括:
最底层结构图构造模块31,用于将得到的划分后的待识别图像作为结构图的最底层;构造该层结构图时,以每个子块作为一个节点。
高层结构图构造模块32,用于根据最底层的结构图构造高层结构图;构造高层结构图时,以每个子块作为一个节点。
权值确定模块33,用于确定节点之间的权值。
归一化模块34,用于将节点之间的权值做归一化处理,得到归一化处理后的权值。
如图13所示,匹配模块4包括:
结构图最底层匹配模块41:用于对结构图最底层即V0层与模型库中的任一模型S,分别计算该模型其与图像的各子块区域R的相似度φ(S,R),并将相似度大于某一阈值的子区域标记为感兴趣区域。
结构图高层匹配模块42:用于从结构图V1层开始循环执行,设前次处理的为结构图第Vk层,在结构图第Vk+1层选择权值大于给定阈值的子区域对应节点的子块分别与模型库中的各个子模型进行相似度计算,并将相似度大于阈值的区域进行标记;直至处理到结构图的最高层即Vr层。
结果选择模块43:用于选取各子块累加相似度最大的层的感兴趣区域作为最终的匹配结果。
由于人体头肩部位的形状相对固定,所以本发明采用构造人体头肩部位的形状模型,并通过头肩模型与图像进行形状匹配的方法检测出人体的头肩部位。考虑到人体头肩部位在图像中所成像的尺寸与人体的位置相关,同一人体在不同位置所成像的尺寸会有差别,为了使构造的人体头肩模型能够自动适应这一差别,本发明将头肩模型的尺寸采用参数化设计,即进行头肩模型设计时,将人体头部由一个圆来近似,而将圆的半径作为其尺寸参数。进行头肩模型设计时,只需确定这一参数尺寸,即可确定头肩模型的尺寸及形状。
本发明提出的将图像的子块作为基本处理单元,并采用金字塔式结构以子块作为节点构造结构图的方法进行头肩检测,不仅可以提高方法的运行效率,而且采用逐层匹配搜索最优检测结果,提高了头肩检测的准确性。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分步骤是可以通过程序来控制相关的硬件完成,所述的程序可以在存储于一计算机可读取存储介质中,所述的存储介质,如ROM/RAM、磁盘、光盘等。
以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等,均应包含在本发明的保护范围之内。
Claims (8)
1.一种人体头肩检测方法,其特征在于,所述方法包括以下步骤:
将待识别图像划分为若干颜色相似的子块,即得到划分后的待识别图像;
将所述的子块划分后的待识别图像构造成结构图;
将所述的结构图中的子块与人体头肩模型库中的人体头肩模型子块进行匹配;
所述的将子块划分后的待识别图像构造成结构图的步骤具体包括:
将所述的划分后的待识别图像作为结构图的最底层,构造最底层结构图时,以每个子块作为一个节点;
根据所述的最底层的结构图构造高层结构图:从所述的最底层的结构图开始,通过将当前层中相邻的颜色相似子块进行合并形成更高一层新的子块的方法,得到更高一层的子图,以每一个新的子块作为一个节点;当按上述方法构造的更高层图像不再发生变化时,则停止继续构造高层图像;
确定所述的节点之间的权值;所述的节点是指所述最底层结构图的节点与高层结构图的节点的集合,且所述的节点之间的权值用于表示不同层节点之间的位置相似度;
将所述的节点之间的权值做归一化处理,得到归一化处理后的权值。
2.如权利要求1所述的人体头肩检测方法,其特征在于,所述的将结构图中的子块与人体头肩模型库中的人体头肩模型子块进行匹配的步骤具体包括:
对所述的结构图最底层即V0层与所述的模型库中的任一模型S,分别计算该模型其与图像的各子块区域R的相似度φ(S,R),并将相似度大于某一阈值的子区域标记为感兴趣区域;
从结构图最底层的上一层即结构图V1层开始循环执行,设前次处理的为结构图第Vk层,在结构图第Vk+1层选择权值大于给定阈值的子区域对应节点的子块分别与模型库中的各个子模型进行相似度计算,并将相似度大于阈值的区域进行标记;直至处理到结构图的最高层即Vr层;
分别将各层中各子块的相似度累加,选取相似度累加值最大的层中的感兴趣区域作为最终的匹配结果。
3.如权利要求1所述的人体头肩检测方法,其特征在于,所述的将待识别图像划分为若干颜色相似的子块,即得到划分后的待识别图像的步骤具体包括:
对所述的待识别图像,采用高斯模糊函数,对其进行高斯滤波;
对高斯滤波后的待识别图像采用分水岭算法进行子块划分,即得到划分后的待识别图像。
4.如权利要求1所述的人体头肩检测方法,其特征在于,所述的将当前层中相邻的颜色相似子块进行合并,包括如下步骤:
将该层所有子块对应的节点放置到一个队列中;
从队列中第一个节点对应的子块开始循环执行,提取队列中第一个未被标记的子块,并计算所取出子块的颜色均值;并对该子块进行标记,表示已经进行过处理;对该子块相邻子块进行选择合并操作,直到队列中所有子块都被标记过;
对该子块相邻子块进行选择合并操作具体为:搜索与所取出子块相邻的子块,从第一个搜索到的相邻子块开始循环执行,若该相邻的子块是未被标记过的子块,则计算该相邻子块的颜色均值,并判断相邻子块的颜色均值与当前子块的颜色均值之差是否小于设定阈值T,若是,则将该相邻子块合并,并对该相邻子块进行标记;直到所有相邻子块都搜索完成。
5.如权利要求1所述的人体头肩检测方法,其特征在于,在所述的将待识别图像划分为若干颜色相似的子块,即得到划分后的待识别图像步骤之前,还包括步骤:
构造人体头肩模型库。
6.如权利要求5所述的人体头肩检测方法,其特征在于,所述的构造人体头肩模型库,包括如下步骤:
确定人体头肩形状模型尺寸参数;
构造人体头肩形状模型;
将构造的人体头肩形状模型进行子块划分。
7.如权利要求6所述的人体头肩检测方法,其特征在于,将构造的人体头肩形状模型进行子块划分,具体为:
将构造的人体头肩形状划分为九个相互具有重叠区域的子块。
8.一种人体头肩检测装置,其特征在于,所述装置包括以下模块:
模型库构造模块,用于构造人体头肩模型库;
待识别图像划分模块,用于将待识别图像划分为若干颜色相似的子块,即得到划分后的待识别图像;
结构图构造模块,用于将子块划分后的待识别图像构造成结构图;
匹配模块,用于将结构图中的子块与人体头肩模型库中的人体头肩模型子块进行匹配;
其中,所述结构图构造模块包括:
最底层结构图构造模块,用于将得到的划分后的待识别图像作为结构图的最底层;构造该层结构图时,以每个子块作为一个节点;
高层结构图构造模块,用于根据最底层的结构图构造高层结构图:从所述的最底层的结构图开始,通过将当前层中相邻的颜色相似子块进行合并形成更高一层新的子块的方法,得到更高一层的子图,以每一个新的子块作为一个节点;当按上述方法构造的更高层图像不再发生变化时,则停止继续构造高层图像;
权值确定模块,用于确定所述的节点之间的权值;所述的节点是指所述最底层结构图的节点与高层结构图的节点的集合,且所述的节点之间的权值用于表示不同层节点之间的位置相似度;
归一化模块,用于将节点之间的权值做归一化处理,得到归一化处理后的权值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201310405178.XA CN103455799B (zh) | 2013-09-06 | 2013-09-06 | 一种人体头肩检测方法及其装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201310405178.XA CN103455799B (zh) | 2013-09-06 | 2013-09-06 | 一种人体头肩检测方法及其装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN103455799A CN103455799A (zh) | 2013-12-18 |
CN103455799B true CN103455799B (zh) | 2017-02-08 |
Family
ID=49738143
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201310405178.XA Expired - Fee Related CN103455799B (zh) | 2013-09-06 | 2013-09-06 | 一种人体头肩检测方法及其装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN103455799B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104463144A (zh) * | 2014-12-26 | 2015-03-25 | 浙江慧谷信息技术有限公司 | 基于局部主方向与能量分析策略的图像中行人头肩检测方法及系统 |
CN109117835B (zh) * | 2017-06-26 | 2022-10-14 | 佳能株式会社 | 图像处理装置和方法 |
CN110770739A (zh) * | 2018-10-31 | 2020-02-07 | 深圳市大疆创新科技有限公司 | 一种基于图像识别的控制方法、装置及控制设备 |
-
2013
- 2013-09-06 CN CN201310405178.XA patent/CN103455799B/zh not_active Expired - Fee Related
Non-Patent Citations (4)
Title |
---|
基于Joint HOG特征复杂场景下的头肩检测;顾炯等;《电子设计工程》;20120430;第20卷(第7期);第58-62页 * |
基于分块主颜色匹配的图像检索;林克正等;《计算机工程》;20100731;第36卷(第13期);第187页 * |
基于颜色和变形模板的实时人体检测;王长军等;《中国图象图形学报》;20060630;第11卷(第6期);第861-862页 * |
联合人体模型与块生长的人群目标分割;邓颖娜等;《电子与信息学报》;20100331;第32卷(第3期);第752-753页 * |
Also Published As
Publication number | Publication date |
---|---|
CN103455799A (zh) | 2013-12-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110321813B (zh) | 基于行人分割的跨域行人重识别方法 | |
Siagian et al. | Biologically inspired mobile robot vision localization | |
CN106651767A (zh) | 一种获取全景图像的方法及装置 | |
CN107066916B (zh) | 基于反卷积神经网络的场景语义分割方法 | |
CN105303152B (zh) | 一种人体再识别方法 | |
CN106529573A (zh) | 一种结合三维点云分割和局部特征匹配的实时物体检测方法 | |
US20130243343A1 (en) | Method and device for people group detection | |
CN103679142B (zh) | 一种基于空间约束的目标人体识别方法 | |
CN106778628A (zh) | 一种基于tof深度相机的面部表情捕捉方法 | |
CN104794737B (zh) | 一种深度信息辅助粒子滤波跟踪方法 | |
CN103955682B (zh) | 基于surf兴趣点的行为识别方法及装置 | |
CN106127145A (zh) | 瞳孔定位及跟踪方法 | |
Takahashi et al. | Expandable YOLO: 3D object detection from RGB-D images | |
CN111860587B (zh) | 一种用于图片小目标的检测方法 | |
CN109086659A (zh) | 一种基于多模道特征融合的人体行为识别方法和装置 | |
CN109993103A (zh) | 一种基于点云数据的人体行为识别方法 | |
CN110827304B (zh) | 一种基于深度卷积网络与水平集方法的中医舌像定位方法和系统 | |
CN108564120A (zh) | 基于深度神经网络的特征点提取方法 | |
CN112287906B (zh) | 一种基于深度特征融合的模板匹配跟踪方法及系统 | |
CN106529441A (zh) | 基于模糊边界分片的深度动作图人体行为识别方法 | |
CN103455799B (zh) | 一种人体头肩检测方法及其装置 | |
CN104063871A (zh) | 可穿戴设备的图像序列场景分割方法 | |
CN107766864A (zh) | 提取特征的方法和装置、物体识别的方法和装置 | |
Tong et al. | Cross-view gait recognition based on a restrictive triplet network | |
CN110472495B (zh) | 一种基于图形推理全局特征的深度学习人脸识别方法 |
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: 20170208 Termination date: 20200906 |
|
CF01 | Termination of patent right due to non-payment of annual fee |