CN103632146A - 一种基于头肩距的人体检测方法 - Google Patents

Abstract

本发明提出一种基于头肩距的人体检测方法。本发明方法在一般人体检测方法的基础上对非人体的目标做进一步人体检测：首先确定满足头发颜色的图像区域；然后确定颜色区域界定的人体头肩模型的聚类范围；最后采用均值漂移算法，获得与聚类范围内每个像素一一对应的收敛值所构造的收敛矩阵，针对收敛矩阵内各个元素，先后依据目标图像的空间信息和颜色信息进行聚类，继而对聚类范围内的像素进行了聚类，判断每个聚类类别是否符合人体头肩模型，提取符合人体头肩模型的类别区域轮廓，获得头肩轮廓。本发明方法克服了人与人之间存在遮挡情况下人体头肩模型提取会发生错误的弊端，提高了人体检测的正确率和人体检测的应用范围。

Description

一种基于头肩距的人体检测方法

技术领域

本发明属于目标检测技术领域，具体涉及一种基于头肩距的人体检测方法。

背景技术

人体检测大致分为两大部分：人体描述特征的提取和人体特征识别。其中，人体描述特征的提取是人体特征识别的前提和条件，人体描述特征的准确性和复杂性，直接影响人体检测的结果和效果。因此，人体描述特征的提取是人体检测至关重要的一环。

人体躯干和四肢的运动是人体运动的主要形式，使人体形呈现多种多样的姿态。人体特征需要满足稳定性和代表性，从多种姿势中找到相对稳定的人体特征是人体检测的关键。目前，已经有学者提出将头肩部分作为人体描述特征。头肩部分受四肢运动的影响很小，基本可以保持形状的稳定，同时，头肩部分被遮挡的几率较低，方便提取。头肩部分只随着躯干弯曲和侧身的角度而有所改变。1961年，Hu M.K在几何距的基础上，构建了7组不变距，简称Hu距，Hu距具有平移、旋转和缩放不变性。因此，计算头肩部分的Hu距，作为特征向量，可以很好的解决侧身等对头肩部分的影响。之后即对特征向量进行处理，目前，常用的方式利用神经网络对特征向量进行学习和训练，得到人体检测分类器。测试集的人体描述特征，只要通过分类器的分类，即可完成人体检测。

文献一（毛以方等于2009年在科技信息发表的《基于头肩特征的人体识别研究》）中采用了头肩轮廓的Hu距作为人体特征向量，经过神经网络分类器来识别出人体。这种方法在人体之间相互独立的情况下，有很好的检测效果，但是，如果人与人之间存在遮挡，就会影响人体轮廓的提取，从而导致人体检测的正确率低。

由此可见，头肩模型的准确性，直接关系到特征向量的计算以及分类器的分类性能。所以，头肩模型提取的准确性是至关重要的。

发明内容

本发明解决了因人与人之间存在遮挡，会影响人体轮廓的提取，从而导致人体检测的正确率低的技术问题。

为了解决上述技术问题，本发明提供一种基于头肩距的人体检测方法，首先对摄像机获得的图像提取人体头肩模型，计算人体头肩特征向量，训练BP神经网络分类器，区分图像中的人体目标和非人体目标，其特征在于，对所述非人体的目标做进一步人体检测，具体过程为：

步骤一：从目标图像中找出满足头发颜色的图像区域，对每一个满足头发颜色图像区域的内部缺陷进行填充并滤波处理，获得更新后的满足头发颜色的图像区域；

步骤二：以更新后的满足头发颜色图像区域的区域宽度作为人体头肩模型的头部宽度，然后根据人体比例模型估计出人体头肩模型的高度，并根据人体头肩模型的高度确定聚类范围；

步骤三：采用均值漂移算法获得与聚类范围内每个像素一一对应的收敛值所构造的收敛矩阵，针对收敛矩阵内每个元素，先后依据目标图像的空间信息和颜色信息进行聚类，继而对聚类范围内的像素进行聚类；

步骤四：判断每个聚类类别是否符合人体头肩模型，提取符合人体头肩模型的类别区域轮廓，获得头肩轮廓。

本发明与现有技术相比，其显著优点在于，本发明将颜色模型和均值漂移聚类算法用到人体特征提取中，克服了人与人之间存在遮挡情况下人体头肩模型提取会发生错误的弊端，提高了人体检测的正确率和人体检测的应用范围。

附图说明

图1是本发明方法流程图。

图2是使用本文发明对非人体目标进一步检测的流程图。

图3是本发明方法均值漂移聚类及轮廓提取流程图。

具体实施方式

如图1所示，本发明方法，首先对摄像机获得的图像提取人体头肩模型，计算人体头肩特征向量，训练BP神经网络分类器，区分图像中的人体目标和非人体目标。

对于人体头肩模型，Hu距7维特征向量、HOG特征和Harr特征均可作为描述头肩模型的特征向量。本发明方法通过计算头肩模型的Hu距获得7维特征向量，作为所述人体头肩特征向量，具体计算过程如下：

对摄像机获得的图像进行背景更新获得目标二值图像，分别做目标二值图像的垂直投影直方图和水平投影直方图；统计垂直投影直方图的最大值，将该最大值作为目标二值图像的宽度；统计水平投影直方图的最大值，将该最大值作为目标二值图像的的高度；计算宽高比并判断宽高比是否在预先设定的宽高比范围内，若宽高比在预先设定的宽高比范围内，则认为该目标为人体，再根据人体比例获得人体头肩模型的宽度和高度；若宽高比不在预先设定的宽高比范围内，则将垂直投影直方图的最大值作为人体头肩模型的宽度，然后根据人体比例获得人体头肩模型的高度；根据人体头肩模型的宽度和高度，在目标二值图像中提取头肩轮廓，获得轮廓数组；计算轮廓数组的Hu距获得7维特征向量，作为人体头肩特征向量。

获取到人体目标和非人体目标后，本发明方法再对非人体的目标做进一步人体检测，提高了人体检测的正确率。对非人体的目标做进一步人体检测的具体过程为：

步骤一：确定满足头发颜色的图像区域：以亚洲黑发人为例，从目标图像中找出满足头发颜色的图像区域，对每一个满足头发颜色图像区域的内部缺陷进行填充并滤波处理，获得更新后的满足头发颜色的图像区域。计算过程为：

1.1设BP神经网络分类器判断为非人体目标的样本集合为NP^P，

${\mathrm{NP}}^P=\{x_{\mathrm{ij}}^p,i=1,...,H,j=1,...,W\},p=1,...,\mathrm{NN},$

其中，为非人体目标的样本，H为的行数，W为

的列数，NN为非人体目标的样本个数；

1.2根据头发颜色设定RGB阈值，将样本

满足阈值的像素的像素值设置为0，将不满足阈值的像素的像素值设置为255，从目标图像中找到满足阈值颜色的区域N_i，组成满足阈值颜色区域集合N＝{N_i,i＝1,2,...}；

1.3依次扫描区域N_i的每一行，若本行间断处两个端点的像素值为0，且上一行与本行间断处对应部分的像素值也为0，则对本行间断处进行填充，使其像素值为0；

1.4按照预先设定的头发区域的宽高比，保留宽高比范围内区域，计算连通域并标记为N′_i，获得更新区域集合N′＝{N′_i,i＝1,2,...}，N′_i即为符合头发颜色的区域。

步骤二：计算人体头肩模型高度，并确定聚类范围：以更新后的满足头发颜色图像区域的区域宽度作为人体头肩模型的头部宽度，然后根据人体比例模型估计出人体头肩模型的高度，并根据人体头肩模型的高度确定聚类范围。计算过程为：

将满足阈值颜色区域N′_i的宽度W_i作为头部宽度，根据人体比例模型，估计人体头肩模型的高度HSH_i，例如一般情况下计算N′_i的中心坐标，将以中心坐标的纵坐标所在轴线为中心轴、高度为HSH_i、宽度为3W_i的矩形范围作为人体头肩模型的聚类范围。

步骤三：对头肩模型聚类范围内的除背景以外的像素进行聚类，提取头肩轮廓：采用均值漂移算法获得与聚类范围内每个像素一一对应的收敛值所构造的收敛矩阵，针对收敛矩阵内每个元素，先后依据目标图像的空间信息和颜色信息进行聚类，继而对聚类范围内的像素进行聚类。计算过程为：

3.1初始化均值漂移算法的搜索带宽h，将目标图像像素空间转化为特征空间中的5维采样点X即由目标图像的空间信息和色彩信息组成的特征向量，X＝(x,y,r,g,b)，其中，(x,y)为空间信息，(r,g,b)为RGB三基色对应的颜色信息；计算头肩模型聚类范围内除背景以外的像素，即每一采样点X的收敛向量m_h(X)，计算过程为，

3.1.1以采样点X为搜索圆心，以搜索带宽h为半径，计算圆内所有采样点的均值m_h(X)，并进一步获得均值漂移向量M_h(X)；

计算均值m_h(X)的方法如公式(1)所示，

$m_h\left(X\right)=\frac{{\mathrm{\Σ}}_{i=0}^{n}g\left(\right|\left|(X-X_i)h^{-1}{\left|\right|}^2\right)X_i}{{\mathrm{\Σ}}_{i=0}^{n}g\left(\right|\left|(X-X_i)h^{-1}{\left|\right|}^2\right)}---\left(1\right)$

式（1）中，X_i是圆内除采样点X以外的采样点，n是圆内除采样点X以外的采样点的总数，g(X)＝-k′(X)，其中， $k\left(X\right)=\left\{\begin{array}{cc}c(1-\left|\right|X{\left|\right|}^2)& \left|\right|X\left|\right|<1\\ 0& \mathrm{otherwise}\end{array}\right.,$ k(X)是积分方差MISE准则下的核函数；

计算均值漂移向量M_h(X)的方法如公式(2)所示，

M_h(X)＝X-m_h(X)   (2)

3.1.2判断均值漂移向量||M_h(X)||＜ε是否成立，若成立，停止计算，获得采样点X的收敛向量m_h(X)；若不成立，则再以均值m_h(X)为搜索圆心重复步骤5.1.1和5.1.2的计算过程，直到均值漂移向量||M_h(X)||＜ε，停止计算，获得采样点X的收敛向量m_h(X)，其中，ε为判断阈值。

3.2依据空间信息(x,y)计算每两个采样点的收敛向量m_h(X)之间的距离d，以判断是否属于同一个类型，计算方法如公式(3)所示，

$d=\sqrt{{(x_1-x_2)}^2+{(y_1-y_2)}^2}---\left(3\right)$

若d满足预先设定的取值范围，则该两个收敛向量一一对应的两个采样点属于一类，记录类别号；

3.3依据颜色信息(r,g,b)进一步聚类，计算过程为，

3.3.1计算5.2所获得的每个类型的RGB三参量均值，计算方法如公式(4)所示，

其中，r_i,g_i,b_i是属于同一类别的采样点的颜色分量，n为该类别中采样点个数。

3.3.2计算每两个类型之间的颜色距离，计算方法如公式(5)所示，

$d=\sqrt{{({\mathrm{mvr}}_1-{\mathrm{mvr}}_2)}^2+{({\mathrm{mvg}}_1-{\mathrm{mvg}}_2)}^2+{({\mathrm{mvb}}_1-{\mathrm{mvb}}_2)}^2}---\left(5\right)$

若d满足预先设定的取值范围，则该两个类型属于同一个类型。

步骤四：判断每个聚类类别是否符合人体头肩模型，提取符合人体头肩模型的类别区域轮廓，获得头肩轮廓。过程具体为，计算聚类后各个类型的中心坐标，若中心坐标的纵坐标到聚类范围中心轴的距离小于1/2W_i，则该类型属于当前人体并保留该类型，否则，该类型不属于当前人体头肩模型，予以剔除；按行提取各个类型的列最大值和列最小值，得到人体头肩模型的初始轮廓，利用三次样条差值，对初始轮廓间断处进行平滑处理，获得完整的人体头肩轮廓。

本发明方法的效果可以通过以下实验结果进一步说明：

使用背景技术中文献一所述方法和本发明方法进行仿真实验，表一为在实验过程中对两种方法的人体检测正确率进行统计的结果。从表一中可以看出，随着遮挡样本的增加，文献一所述方法对人体识别正确率严重降低，本发明方法提高了人体头肩模型提取的准确度，进而提高了人体检测的正确率。

表一使用文献一所述方法和本发明方法进行人体检测的正确率统计表

Claims (6)

1.一种基于头肩距的人体检测方法，首先对摄像机获得的图像提取人体头肩模型，计算人体头肩特征向量，训练BP神经网络分类器，区分图像中的人体目标和非人体目标，其特征在于，对所述非人体的目标做进一步人体检测，具体过程为：

步骤一：从目标图像中找出满足头发颜色的图像区域，对每一个满足头发颜色图像区域的内部缺陷进行填充并滤波处理，获得更新后的满足头发颜色的图像区域；

步骤二：以更新后的满足头发颜色图像区域的区域宽度作为人体头肩模型的头部宽度，然后根据人体比例模型估计出人体头肩模型的高度，并根据人体头肩模型的高度确定聚类范围；

步骤三：采用均值漂移算法获得与聚类范围内每个像素一一对应的收敛值所构造的收敛矩阵，针对收敛矩阵内每个元素，先后依据目标图像的空间信息和颜色信息进行聚类，继而对聚类范围内的像素进行聚类；

步骤四：判断每个聚类类别是否符合人体头肩模型，提取符合人体头肩模型的类别区域轮廓，获得头肩轮廓。

2.如权利要求1所述的基于头肩距的人体检测方法，其特征在于，通过计算头肩模型的Hu距获得7维特征向量，作为所述人体头肩特征向量，具体计算过程如下：

对摄像机获得的图像进行背景更新获得目标二值图像，分别做目标二值图像的垂直投影直方图和水平投影直方图；统计垂直投影直方图的最大值，将该最大值作为目标二值图像的宽度；统计水平投影直方图的最大值，将该最大值作为目标二值图像的的高度；计算宽高比并判断宽高比是否在预先设定的宽高比范围内，若宽高比在预先设定的宽高比范围内，则认为该目标为人体，再根据人体比例获得人体头肩模型的宽度和高度；若宽高比不在预先设定的宽高比范围内，则将垂直投影直方图的最大值作为人体头肩模型的宽度，然后根据人体比例获得人体头肩模型的高度；根据人体头肩模型的宽度和高度，在目标二值图像中提取头肩轮廓，获得轮廓数组；计算轮廓数组的Hu距获得7维特征向量，作为人体头肩特征向量。

3.如权利要求1所述的基于头肩距的人体检测方法，其特征在于，所述步骤一的计算过程为:

3.1设BP神经网络分类器判断为非人体目标的样本集合为NP^P，

${\mathrm{NP}}^P=\{x_{\mathrm{ij}}^p,i=1,...,H,j=1,...,W\},p=1,...,\mathrm{NN},$

其中，

为非人体目标的样本，H为

的行数，W为

的列数，NN为非人体目标的样本个数；

3.2根据头发颜色设定RGB阈值，将样本

满足阈值的像素的像素值设置为0，将不满足阈值的像素的像素值设置为255，从目标图像中找到满足阈值颜色的区域Ni，组成满足阈值颜色区域集合N＝{Ni,i＝1,2,...}；

3.3依次扫描区域N_i的每一行，若本行间断处两个端点的像素值为0，且上一行与本行间断处对应部分的像素值也为0，则对本行间断处进行填充，使其像素值为0；

3.4按照预先设定的头发区域的宽高比，保留宽高比范围内区域，计算连通域并标记为N′_i，获得更新区域集合N′＝{N′_i,i＝1,2,...}，N′_i即为符合头发颜色的区域。

4.如权利要求1所述的基于头肩距的人体检测方法，其特征在于，所述步骤二的计算过程为，将满足阈值颜色区域N′_i的宽度W_i作为头部宽度，根据人体比例模型，估计人体头肩模型的高度HSH_i；计算N′_i的中心坐标，将以中心坐标的纵坐标所在轴线为中心轴、高度为HSH_i、宽度为3W_i的矩形范围作为人体头肩模型的聚类范围。

5.如权利要求1所述的基于头肩距的人体检测方法，其特征在于，所述步骤三的计算过程为：

5.1初始化均值漂移算法的搜索带宽h，将目标图像像素空间转化为特征空间中的5维采样点X即由目标图像的空间信息和色彩信息组成的特征向量，X＝(x,y,r,g,b)，其中，(x,y)为空间信息，(r,g,b)为RGB三基色对应的颜色信息；计算头肩模型聚类范围内除背景以外的像素，即每一采样点X的收敛向量m_h(X)，计算过程为，

5.1.1以采样点X为搜索圆心，以搜索带宽h为半径，计算圆内所有采样点的均值m_h(X)，并进一步获得均值漂移向量M_h(X)；

计算均值m_h(X)的方法如公式(1)所示，

$m_h\left(X\right)=\frac{{\mathrm{\&Sigma;}}_{i=0}^{n}g\left(\right|\left|(X-X_i)h^{-1}{\left|\right|}^2\right)X_i}{{\mathrm{\&Sigma;}}_{i=0}^{n}g\left(\right|\left|(X-X_i)h^{-1}{\left|\right|}^2\right)}---\left(1\right)$

式（1）中，X_i是圆内除采样点X以外的采样点，n是圆内除采样点X以外的采样点的总数，g(X)＝-k′(X)，其中， $k\left(X\right)=\left\{\begin{array}{cc}c(1-\left|\right|X{\left|\right|}^2)& \left|\right|X\left|\right|<1\\ 0& \mathrm{otherwise}\end{array}\right.,$ k(X)是积分方差MISE准则下的核函数；

计算均值漂移向量M_h(X)的方法如公式(2)所示，

M_h(X)＝X-m_h(X)    (2)

5.1.2判断均值漂移向量||M_h(X)||＜ε是否成立，若成立，停止计算，获得采样点X的收敛向量m_h(X)；若不成立，则再以均值m_h(X)为搜索圆心重复步骤5.1.1和5.1.2的计算过程，直到均值漂移向量||M_h(X)||＜ε，停止计算，获得采样点X的收敛向量m_h(X)，其中，ε为判断阈值；

5.2依据空间信息(x,y)计算每两个采样点的收敛向量m_h(X)之间的距离d，以判断是否属于同一个类型，计算方法如公式(3)所示，

$d=\sqrt{{(x_1-x_2)}^2+{(y_1-y_2)}^2}---\left(3\right)$

若d满足预先设定的取值范围，则该两个收敛向量一一对应的两个采样点属于一类，记录类别号；

5.3依据颜色信息(r,g,b)进一步聚类，计算过程为，

5.3.1计算5.2所获得的每个类型的RGB三参量均值，计算方法如公式(4)所示，

其中，r_i,g_i,b_i是属于同一类别的采样点的颜色分量，n为该类别中采样点个数；

5.3.2计算每两个类型之间的颜色距离，计算方法如公式(5)所示，

$d=\sqrt{{({\mathrm{mvr}}_1-{\mathrm{mvr}}_2)}^2+{({\mathrm{mvg}}_1-{\mathrm{mvg}}_2)}^2+{({\mathrm{mvb}}_1-{\mathrm{mvb}}_2)}^2}---\left(5\right)$

若d满足预先设定的取值范围，则该两个类型属于同一个类型。

6.如权利要求1所述的基于头肩距的人体检测方法，其特征在于，所述步骤四的过程具体为：计算聚类后各个类型的中心坐标，若中心坐标的纵坐标到聚类范围中心轴的距离小于12W_i，则该类型属于当前人体并保留该类型，否则，该类型不属于当前人体头肩模型，予以剔除；按行提取各个类型的列最大值和列最小值，得到人体头肩模型的初始轮廓，利用三次样条差值，对初始轮廓间断处进行平滑处理，获得完整的人体头肩轮廓。

Images