CN105956539A - 一种基于背景建模和双目视觉的人体身高测量方法 - Google Patents

Abstract

本发明提供一种基于背景建模和双目视觉的人体身高测量方法；本发明通过双目摄像机中的左摄像机先对当前无人体的干净背景建立混合高斯模型，并实时更新模型参数；当人体进入双目视觉测量装置的成像区域时，利用左摄像头建立的混合高斯背景模型清晰准确地分割出人体前景，同时检测人体阴影并消除，然后对生成的人体前景图像做形态学处理来去噪，进而得到完整的人体外轮廓；利用人体外轮廓在左摄像头图像像素坐标系下的人体最高点与最低点像素坐标，以及双目视觉三维测量原理，计算在左摄像头坐标系下的人体最高点与最低点的世界坐标，进而得到目标人体的身高；本发明适应性强，操作简单，速度快。

Description

一种基于背景建模和双目视觉的人体身高测量方法

技术领域

本发明涉及计算机视觉技术领域，特别涉及一种应用背景建模和双目视觉原理的人体身高测量方法。

背景技术

背景建模是目标检测的一种重要技术，目的是为了从序列图像中将运动目标从背景图像中分割提取出来，从而得到目标前景物体的轮廓信息。背景建模的难点在于环境光照的变化，背景的多模态性，运动物体的阴影等。在众多基于背景建模的目标检测算法中，混合高斯模型因其具有设置参数少，背景干净，拟合性好，自适应性强等优点而被广泛使用。基于背景建模的人体前景分割可以很好地将人体轮廓信息从视频序列图像中提取出来，进而可以运用双目立体视觉技术对人体轮廓进行测量。

双目立体视觉技术是机器视觉中的一种重要技术，它是模仿人眼的视觉特点，利用两台不同位置的摄像机模拟人眼。双目立体视觉技术主要运用视差原理从不同的成像设备中获取图像信息，进而获取物体的三维几何信息。双目视觉三维测量技术具有非接触，系统结构简单，成本低，速度快，精度较高等优点而被广泛应用在三维测量领域。

发明内容

本发明的目的在于提供一种基于背景建模和双目视觉的非接触式人体身高测量方法，相比现有的人体身高测量方法具有非接触，速度快，操作简单，实用性强等特点。

为达到上述目的，本发明提供的基于背景建模和双目视觉的人体身高测量方法包括步骤如下：

步骤1：平行固定双目视觉三维测量装置于与地面平行的同一水平线，调整双摄像头焦距，RGB增益，对比度，曝光参数，白平衡参数为一致，获取双目视觉图像；

步骤2：对步骤1中的左右摄像头先进行单目标定，再进行立体标定，获取双目摄像头内参数焦距f_x，f_y与主点坐标c_x，c_y，以及左右摄像头间的旋转矩阵R与平移向量T；对步骤1中的左右摄像头视图进行立体校正使双目摄像头前向平行对准；

步骤3：对步骤2中立体校正后的左视图建立混合高斯背景模型，学习100帧的当前背景后，对进入双目成像区域的人体进行运动前景的提取；

步骤4：对步骤3中提取出的人体运动前景图像进行检测，对检测出的人体前景中的阴影部分进行消除，同时对人体运动前景做形态学处理，消除图像噪声，运用连通域算法得到完整人体前景；

步骤5:根据步骤4得到的消除阴影和形态学处理后的人体前景图像，提取人体前景轮廓，并得到左摄像头图像像素坐标系下人体最高点与最低点像素坐标；

步骤6：根据步骤2得到的立体校正后的左右视图，对左右摄像头视图进行特征点匹配，得到人体轮廓最高点与最低点像素坐标处的视差信息；

步骤7：根据步骤5得到的人体坐标和步骤6得到的对应点视差信息，计算人体轮廓最高点与最低点在以左摄像头坐标系为世界坐标系下的三维坐标，继而计算得到目标人体的真实身高。

进一步的，所述的步骤1中搭建双目视觉三维测量装置步骤如下：

步骤1.1：将双目摄像头用微距板平行固定于摄影三脚架上，利用水平仪保证双目摄像头垂直于水平地面，建立以左摄像头坐标系为世界坐标系的三维空间；

步骤1.2：将双目摄像头的焦距，RGB增益，对比度，曝光参数，白平衡参数均设置为相同参数，左右视图没有明显的差异。

进一步的，所述的步骤3中对混合高斯背景模型的建立步骤如下：

步骤3.1：对每个像素点I_t，xy＝[R_I，t，G_I，t，B_I，t]^T，xy为像素点坐标，t为对应时刻帧，R，G，B分别为红绿蓝三通道值，建立K个高斯分布函数并在100帧内初始化参数，如式(1)所示：

$f\left(I_{t,xy}\right)={\Σ}_{i=1}^K{\mathrm{\ω}}_{i,t,xy}\×\mathrm{\η}\left(I_{t,xy}\right|{\mathrm{\μ}}_{i,t,xy},{\mathrm{\Σ}}_{i,t,xy})---\left(1\right)$

式中，ω_i，t，xy代表第i个高斯分布的权重，并且η(I_t，xy|μ_{i，t，xy，}∑_i，t，xy)代表t时刻在该像素点处的第i个高斯分布，其均值为μ_i，t，xy，其协方差矩阵为∑_i，t，xy，高斯分布函数表达式如式(2)：

$\mathrm{\η}\left(I_{t,xy}\right|{\mathrm{\μ}}_{i,t,xy},{\mathrm{\Σ}}_{i,t,xy})=\frac{1}{{\left(2\mathrm{\π}\right)}^{\frac{n}{2}}|{\Σ}_{i,t,xy}{|}^{\frac{1}{2}}}\×e^{-\frac{1}{2}{(I_{t,xy}-{\mathrm{\μ}}_{i,t,xy})}^T{\Σ}_{i,t,xy}(I_{t,xy}-{\mathrm{\μ}}_{i,t,xy})}---\left(2\right)$

式中，n为像素点I_t，xy的维数；如对RGB图像来说，n即为3；

步骤3.2：新读入的一帧图像内所有像素点与当前像素点的高斯混合模型进行匹配，匹配条件如式(3)所示：

|I_t，xy-μ_i，t，xy|≤λσ_i，t，xy (3)

式中，λ为匹配常数，一般取为2.5；σ_i，t，xy为对应像素点在当前帧第i个高斯分布的方差值；

步骤3.3：判断当前像素点是否与混合高斯模型的前B个背景分布相匹配；匹配成功则认为是背景像素点，否则认为是前景像素点；背景像素点用黑色标记，前景像素点用白色标记；所有的黑色像素点组成背景图像，所有的白色像素点组成前景图像；B的表达式如下：

$B=\arg {\min }_b({\Σ}_{i=1}^b{\mathrm{\ω}}_{i,t,xy}>1-c_f)---\left(4\right)$

式中，1-c_f是权重阈值；b为满足式4括号内的式子的i的最小值；

步骤3.4：按下式更新第i个高斯分布参数，并将更新后的混合高斯模型作为下一帧的背景：

ω_i，t+1，xy＝ω_i，t，xy+α(M_i，t，xy-ω_i，t，xy)-αc_T (5)

${\mathrm{\μ}}_{i,t+1,xy}={\mathrm{\μ}}_{i,t,xy}+\mathrm{\α}\frac{M_{i,t,xy}{I}_{t,xy}}{{\mathrm{\ω}}_{i,t,xy}}(I_{t,xy}-{\mathrm{\μ}}_{i,t,xy})---\left(6\right)$

${\Σ}_{i,t+1,xy}={\Σ}_{i,t,xy}+\mathrm{\α}\frac{M_{i,t,xy}{I}_{t,xy}}{{\mathrm{\ω}}_{i,t,xy}}\left({\left(I_{t,xy}-{\mathrm{\μ}}_{i,t,xy}\right)}^T\right(I_{t,xy}-{\mathrm{\μ}}_{i,t,xy})-{\Σ}_{i,t,xy})---\left(7\right)$

式中，I_t，xy是像素点，α是定义的学习速率，范围在0～1间。M_i，t，xy是匹配常数，若该像素点与第i个高斯分布函数相匹配，则M_i，t，xy＝1，否则M_i，t，xy＝0；c_T是一个常量设为0.05；ω_i，t+1，xy，μ_i，t+1，xy，∑_i，t+1，xy为对应像素点更新后第i个高斯分布的权重，均值和协方差矩阵；

步骤3.5：计算顺序参数order，由大到小对所有高斯分布函数进行重新排列，order表达式如下：

$order=\frac{{\mathrm{\ω}}_{i,t+1,xy}}{{\mathrm{\σ}}_{i,t+1,xy}}---\left(8\right)$

式中，σ_i，t+1，xy为对应像素点更新后第i个高斯分布的方差值；

步骤3.6：保留权重为正的高斯分布函数，删除权重为负的高斯分布函数；

步骤3.7：若当前像素点不与混合高斯背景模型任一高斯分布相匹配，则生成一个新的高斯分布函数来替代权重最小的第n个高斯分布函数，这个新的高斯分布参数设置如下所示，并且同步骤3.5重新排列高斯分布；

ω_n，t+1，xy＝α (9)

μ_n，t+1，xy＝I_t，xy (10)

σ_n，t+1，xy＝varInit (11)

式中，ω_n，t+1，xy，μ_n，t+1，xy，σ_n，t+1，xy是权重最小的第n个高斯分布函数的权重，均值和协方差矩阵；varInit是用来初始化高斯分布一个较大方差；

步骤3.8：归一化所有高斯分布函数权重；继续读入新的一帧图像，与更新后的混合高斯背景模型进行匹配；不断实时更新混合高斯模型，从而得到人体运动前景图像。

进一步的，所述的步骤4中阴影检测通过计算运动前景的色度失真CD_i与亮度失真α_i来判断，判断条件如下：

tau和τ_CD为色度和亮度阈值，判断当前帧的运动前景图像各像素点是阴影还是前景。

进一步的，所述的步骤4中通过开运算与闭运算去除人体前景图像噪声，并去除小于一定阈值的轮廓的非感兴趣的前景区域，只留下轮廓面积最大的人体前景区域。

进一步的，所述的步骤5中寻找人体在图像像素坐标系下的最高点与最低点通过遍历人体轮廓，得到人体轮廓在Y轴上的最小值与最大值而确定这两点的像素坐标(x_high，y_high)(x_low，y_low)。

进一步的，所述的步骤6中得到人体最高点与最低点视差信息步骤如下：

步骤6.1：利用surf算法对左右视图中的人体前景区域进行匹配，并通过匹配特征点对的欧式距离大小来筛选匹配较好的特征点；

步骤6.2：计算人体最高点区域与最低点区域的特征点对横坐标差值，得到人体最高点与最低点处视差信息d_high,d_low。

进一步的，所述的步骤7中结合双目摄像机内外参数，人体轮廓最高点最低点在图像像素坐标系下的像素坐标以及它们的视差信息，计算这两点在左摄像机坐标系(世界坐标系)下的三维坐标，其中Y坐标差即为人体身高，计算公式如下：

$Y_{high}=\frac{T_x\×(y_{high}-c_y)}{d_{high}}---\left(13\right)$

$Y_{low}=\frac{T_x\×(y_{low}-c_y)}{d_{low}}---\left(14\right)$

height_man＝Y_low-Y_high (15)

式中，T_x为双目摄像头间的基线长度；c_y为主点的纵坐标值，height_man即为人体的高度。

进一步的，所述的K的取值为(3～5)。

与现有技术相比，本发明具有如下有益效果：

(1)适应性强，本发明的方法采用混合高斯模型对当前测量环境背景进行建模，可以适应相对较为复杂的测量环境，对测量环境的要求不高。

(2)操作简单，本发明的方法只需要被测人体进入双目摄像机的理想成像区域即可实现一键测量，无需任何复杂的操作。

(3)速度快，本发明的方法在人体进入双目成像区域后，可以立即测量目标人体，无需等待时间。

附图说明

图1是本发明实施例的整体流程图；

图2是本发明一个实施例的原理示意图。

具体实施方式

下面详细描述本发明的实施例，所述实施例的示例在附图中示出。下面通过参考附图描述的实施例是示例性的，仅用于解释本发明，而不能解释为对本发明的限制。

本实例的所有代码均为C/C++编写，在Microsoft Visual Studio 2013环境下运行。

如图1所示，本发明基于背景建模和双目视觉的人体身高测量方法包括以下步骤：

步骤1：平行固定双目视觉三维测量装置于与地面平行的同一水平线，调整双摄像头焦距，RGB增益，对比度，曝光参数，白平衡参数为一致，获取双目视觉图像；

所述的步骤1中搭建双目视觉三维测量装置步骤如下：

步骤1.1：将双目摄像头用微距板平行固定于摄影三脚架上，利用水平仪保证双目摄像头垂直于水平地面，建立以左摄像头坐标系为世界坐标系的三维空间；

步骤1.2：将双目摄像头的焦距，RGB增益，对比度，曝光参数，白平衡参数均设置为相同参数，左右视图没有明显的差异。

步骤2：对步骤1中的左右摄像头先进行单目标定，再进行立体标定，获取双目摄像头内参数焦距f_x，f_y与主点坐标c_x，c_y，以及左右摄像头间的旋转矩阵R与平移向量T；对步骤1中的左右摄像头视图进行立体校正使双目摄像头前向平行对准；

步骤3：对步骤2中立体校正后的左视图建立混合高斯背景模型，学习100帧的当前背景后，对进入双目成像区域的人体进行运动前景的提取；

所述的步骤3中对混合高斯背景模型的建立步骤如下：

步骤3.1：对每个像素点I_t，xy＝[R_I，t，G_I，t，B_I，t]^T，xy为像素点坐标，t为对应时刻帧，R，G，B分别为红绿蓝三通道值，建立K(3～5)个高斯分布函数并在100帧内初始化参数，如式(1)所示：

$f\left(I_{t,xy}\right)={\Σ}_{i=1}^K{\mathrm{\ω}}_{i,t,xy}\×\mathrm{\η}\left(I_{t,xy}\right|{\mathrm{\μ}}_{i,t,xy},{\mathrm{\Σ}}_{i,t,xy})---\left(1\right)$

式中，ω_i，t，xy代表第i个高斯分布的权重，并且η(I_t，xy|μ_i，t，xy，∑_i，t，xy)代表t时刻在该像素点处的第i个高斯分布，其均值为μ_i，t，xy，其协方差矩阵为∑_i，t，xy，高斯分布函数表达式如式(2)：

$\mathrm{\η}\left(I_{t,xy}\right|{\mathrm{\μ}}_{i,t,xy},{\mathrm{\Σ}}_{i,t,xy})=\frac{1}{{\left(2\mathrm{\π}\right)}^{\frac{n}{2}}|{\Σ}_{i,t,xy}{|}^{\frac{1}{2}}}\×e^{-\frac{1}{2}{(I_{t,xy}-{\mathrm{\μ}}_{i,t,xy})}^T{\Σ}_{i,t,xy}(I_{t,xy}-{\mathrm{\μ}}_{i,t,xy})}---\left(2\right)$

式中，n为像素点I_t，xy的维数；如对RGB图像来说，n即为3；

步骤3.2：新读入的一帧图像内所有像素点与当前像素点的高斯混合模型进行匹配，匹配条件如式(3)所示：

|I_t，xy-μ_i，t，xy|≤λσ_i，t，xy (3)

式中，λ为匹配常数，一般取为2.5；σ_i，t，xy为对应像素点在当前帧第i个高斯分布的方差值；

步骤3.3：判断当前像素点是否与混合高斯模型的前B个背景分布相匹配；匹配成功则认为是背景像素点，否则认为是前景像素点；背景像素点用黑色标记，前景像素点用白色标记；所有的黑色像素点组成背景图像，所有的白色像素点组成前景图像；B的表达式如下：

$B=\arg {\min }_b({\Σ}_{i=1}^b{\mathrm{\ω}}_{i,t,xy}>1-c_f)---\left(4\right)$

式中，1-c_f是权重阈值；b为满足式4括号内的式子的i的最小值；

步骤3.4：按下式更新第i个高斯分布参数，并将更新后的混合高斯模型作为下一帧的背景：

ω_i，t+1，xy＝ω_i，t，xy+α(M_i，t，xy-ω_i，t，xy)-αc_T (5)

${\mathrm{\μ}}_{i,t+1,xy}={\mathrm{\μ}}_{i,t,xy}+\mathrm{\α}\frac{M_{i,t,xy}{I}_{t,xy}}{{\mathrm{\ω}}_{i,t,xy}}(I_{t,xy}-{\mathrm{\μ}}_{i,t,xy})---\left(6\right)$

${\Σ}_{i,t+1,xy}={\Σ}_{i,t,xy}+\mathrm{\α}\frac{M_{i,t,xy}{I}_{t,xy}}{{\mathrm{\ω}}_{i,t,xy}}\left({\left(I_{t,xy}-{\mathrm{\μ}}_{i,t,xy}\right)}^T\right(I_{t,xy}-{\mathrm{\μ}}_{i,t,xy})-{\Σ}_{i,t,xy})---\left(7\right)$

式中，I_t，xy是像素点，α是定义的学习速率，范围在0～1间。M_i，t，xy是匹配常数，若该像素点与第i个高斯分布函数相匹配，则M_i，t，xy＝1，否则M_i，t，xy＝0；c_T是一个常量设为0.05；ω_i，t+1，xy，μ_i，t+1，xy，∑_i，t+1，xy为对应像素点更新后第i个高斯分布的权重，均值和协方差矩阵；

步骤3.5：计算顺序参数order，由大到小对所有高斯分布函数进行重新排列，order表达式如下：

$order=\frac{{\mathrm{\ω}}_{i,t+1,xy}}{{\mathrm{\σ}}_{i,t+1,xy}}---\left(8\right)$

式中，σ_i，t+1，xy为对应像素点更新后第i个高斯分布的方差值；

步骤3.6：保留权重为正的高斯分布函数，删除权重为负的高斯分布函数；

步骤3.7：若当前像素点不与混合高斯背景模型任一高斯分布相匹配，则生成一个新的高斯分布函数来替代权重最小的第n个高斯分布函数，这个新的高斯分布参数设置如下所示，并且同步骤3.5重新排列高斯分布；

ω_n，t+1，xy＝α (9)

μ_n，t+1，xy＝I_t，xy (10)

σ_n，t+1，xy＝varInit (11)

式中，ω_n，t+1，xy，μ_n，t+1，xy，σ_n，t+1，xy是权重最小的第n个高斯分布函数的权重，均值和协方差矩阵；varInit是用来初始化高斯分布一个较大方差；

步骤3.8：归一化所有高斯分布函数权重；继续读入新的一帧图像，与更新后的混合高斯背景模型进行匹配；不断实时更新混合高斯模型，从而得到人体运动前景图像。

步骤4：对步骤3中提取出的人体运动前景图像进行检测，对检测出的人体前景中的阴影部分进行消除，同时对人体运动前景做形态学处理，消除图像噪声，运用连通域算法得到完整人体前景；

所述的步骤4中阴影检测通过计算运动前景的色度失真CD_i与亮度失真α_i来判断，判断条件如下：

tau和τ_CD为色度和亮度阈值，判断当前帧的运动前景图像各像素点是阴影还是前景。

所述的步骤4中通过开运算与闭运算去除人体前景图像噪声，并去除小于一定阈值的轮廓的非感兴趣的前景区域，只留下轮廓面积最大的人体前景区域。

步骤5:根据步骤4得到的消除阴影和形态学处理后的人体前景图像，提取人体前景轮廓，并得到左摄像头图像像素坐标系下人体最高点与最低点像素坐标；

所述的步骤5中寻找人体在图像像素坐标系下的最高点与最低点通过遍历人体轮廓，得到人体轮廓在Y轴上的最小值与最大值而确定这两点的像素坐标(x_high，y_high),(x_low，y_low)。

步骤6：根据步骤2得到的立体校正后的左右视图，对左右摄像头视图进行特征点匹配，得到人体轮廓最高点与最低点像素坐标处的视差信息；

所述的步骤6中得到人体最高点与最低点视差信息步骤如下：

步骤6.1：利用surf算法对左右视图中的人体前景区域进行匹配，并通过匹配特征点对的欧式距离大小来筛选匹配较好的特征点；

步骤6.2：计算人体最高点区域与最低点区域的特征点对横坐标差值，得到人体最高点与最低点处视差信息d_high,d_low。

步骤7：根据步骤5得到的人体坐标和步骤6得到的对应点视差信息，计算人体轮廓最高点与最低点在以左摄像头坐标系为世界坐标系下的三维坐标，继而计算得到目标人体的真实身高。

所述的步骤7中结合双目摄像机内外参数，人体轮廓最高点最低点在图像像素坐标系下的像素坐标以及它们的视差信息，计算这两点在左摄像机坐标系(世界坐标系)下的三维坐标，其中Y坐标差即为人体身高，计算公式如下：

$Y_{high}=\frac{T_x\×(y_{high}-c_y)}{d_{high}}---\left(13\right)$

$Y_{low}=\frac{T_x\×(y_{low}-c_y)}{d_{low}}---\left(14\right)$

height_max＝Y_low-Y_high (15)

式中，T_x为双目摄像头间的基线长度；c_y为主点的纵坐标值，height_man即为人体的高度。利用双目立体视觉技术测量人体身高原理示意图如图2所示，其中01-U1V1为左图像坐标系，02-U2V2为右图像坐标系，O_c1-X_c1Y_c1Z_c1为左摄像头坐标系，O_cr-X_crY_crZ_cr为右摄像头坐标系，P1为人体最高点，P2为人体最低点，至此人体身高信息即可得到。

本发明的上述实施例仅仅是为清楚地说明本发明所作的举例，对于本领域的普通技术人员可以在上述的基础上做出不同程度的修改和变动，但不偏离本发明的精神和原则，都应涵盖在本发明的权利要求书保护范围内。

Claims (8)

1.一种基于背景建模和双目视觉的人体身高测量方法，其特征在于，包括以下步骤：

步骤1：平行固定双目视觉三维测量装置于与地面平行的同一水平线，调整双摄像头焦距，RGB增益，对比度，曝光参数，白平衡参数为一致，获取双目视觉图像；

步骤2：对步骤1中的左右摄像头先进行单目标定，再进行立体标定，获取双目摄像头内参数焦距f_x，f_y与主点坐标c_x，c_y，以及左右摄像头间的旋转矩阵R与平移向量T；对步骤1中的左右摄像头视图进行立体校正使双目摄像头前向平行对准；

步骤3：对步骤2中立体校正后的左视图建立混合高斯背景模型，学习100帧的当前背景后，对进入双目成像区域的人体进行运动前景的提取；

步骤4：对步骤3中提取出的人体运动前景图像进行检测，对检测出的人体前景中的阴影部分进行消除，同时对人体运动前景做形态学处理，消除图像噪声，运用连通域算法得到完整人体前景；

步骤5:根据步骤4得到的消除阴影和形态学处理后的人体前景图像，提取人体前景轮廓，并得到左摄像头图像像素坐标系下人体最高点与最低点像素坐标；

步骤6：根据步骤2得到的立体校正后的左右视图，对左右摄像头视图进行特征点匹配，得到人体轮廓最高点与最低点像素坐标处的视差信息；

步骤7：根据步骤5得到的人体坐标和步骤6得到的对应点视差信息，计算人体轮廓最高点与最低点在以左摄像头坐标系为世界坐标系下的三维坐标，继而计算得到目标人体的真实身高。

2.根据权利要求1所述的一种基于背景建模和双目视觉的人体身高测量方法，其特征在于：所述的步骤1中搭建双目视觉三维测量装置步骤如下：

步骤1.1：将双目摄像头用微距板平行固定于摄影三脚架上，利用水平仪保证双目摄像头垂直于水平地面，建立以左摄像头坐标系为世界坐标系的三维空间；

步骤1.2：将双目摄像头的焦距，RGB增益，对比度，曝光参数，白平衡参数均设置为相同参数，左右视图没有明显的差异。

3.根据权利要求1所述的一种基于背景建模和双目视觉的人体身高测量方法，其特征在于：

所述的步骤3中对混合高斯背景模型的建立步骤如下：

步骤3.1：对每个像素点I_t，xy＝[R_I，t，G_I，t，B_I，t]^T，xy为像素点坐标，t为对应时刻帧，R，G，B分别为红绿蓝三通道值，建立K(3～5)个高斯分布函数并在100帧内初始化参数，如式(1)所示：

$f\left(I_{t,xy}\right)={\mathrm{\Σ}}_{i=1}^K{\mathrm{\ω}}_{i,t,xy}\×\mathrm{\η}\left(I_{t,xy}|{\mathrm{\μ}}_{i,t,xy},{\mathrm{\Σ}}_{i,t,xy}\right)---\left(1\right)$

式中，ω_i，t，xy代表第i个高斯分布的权重，并且η(I_t，xy|μ_i，t，xy，∑_i，t，xy)代表t时刻在该像素点处的第i个高斯分布，其均值为μ_i，t，xy，其协方差矩阵为∑_i，t，xy，高斯分布函数表达式如式(2)：

$\mathrm{\η}\left(I_{t,xy}|{\mathrm{\μ}}_{i,t,xy},{\mathrm{\Σ}}_{i,t,xy}\right)=\frac{1}{{\left(2\mathrm{\π}\right)}^{\frac{n}{2}}|{\mathrm{\Σ}}_{i,t,xy}{|}^{\frac{1}{2}}}\×e^{-\frac{1}{2}{\left(I_{t,xy}-{\mathrm{\μ}}_{i,t,xy}\right)}^T{\mathrm{\Σ}}_{i,t,xy}\left(I_{t,xy}-{\mathrm{\μ}}_{i,t,xy}\right)}---\left(2\right)$

式中，n为像素点I_t，xy的维数；如对RGB图像来说，n即为3；

步骤3.2：新读入的一帧图像内所有像素点与当前像素点的高斯混合模型进行匹配，匹配条件如式(3)所示：

|I_t，xy-μ_i，t，xy|≤λσ_i，t，xy (3)

式中，λ为匹配常数，一般取为2.5；σ_i，t，xy为对应像素点在当前帧第i个高斯分布的方差值；

步骤3.3：判断当前像素点是否与混合高斯模型的前B个背景分布相匹配；匹配成功则认为是背景像素点，否则认为是前景像素点；背景像素点用黑色标记，前景像素点用白色标记；所有的黑色像素点组成背景图像，所有的白色像素点组成前景图像；B的表达式如下：

$B=\arg {\min }_b({\mathrm{\Σ}}_{i=1}^b{\mathrm{\ω}}_{i,t,xy}>1-c_f)---\left(4\right)$

式中，1-c_f是权重阈值；b为满足式4括号内的式子的i的最小值；

步骤3.4：按下式更新第i个高斯分布参数，并将更新后的混合高斯模型作为下一帧的背景：

ω_i，t+1，xy＝ω_i，t，xy+α(M_i，t，xy-ω_i，t，xy)-αc_T (5)

${\mathrm{\μ}}_{i,t+1,xy}={\mathrm{\μ}}_{i,t,xy}+\mathrm{\α}\frac{M_{i,t,xy}{I}_{t,xy}}{{\mathrm{\ω}}_{i,t,xy}}\left(I_{t,xy}-{\mathrm{\μ}}_{i,t,xy}\right)---\left(6\right)$

${\mathrm{\Σ}}_{i,t+1,xy}={\mathrm{\Σ}}_{i,t,xy}+\mathrm{\α}\frac{M_{i,t,xy}{I}_{t,xy}}{{\mathrm{\ω}}_{i,t,xy}}\left({\left(I_{t,xy}-{\mathrm{\μ}}_{i,t,xy}\right)}^T\right(I_{t,xy}-{\mathrm{\μ}}_{i,t,xy})-{\mathrm{\Σ}}_{i,t,xy})---\left(7\right)$

式中，I_t，xy是像素点，α是定义的学习速率，范围在0～1间。M_i，t，xy是匹配常数，若该像素点与第i个高斯分布函数相匹配，则M_i，t，xy＝1，否则M_i，t，xy＝0；c_T是一个常量设为0.05；ω_i，t+1，xy，μ_i，t+1，xy，∑_i，t+1，xy为对应像素点更新后第i个高斯分布的权重，均值和协方差矩阵；

步骤3.5：计算顺序参数order，由大到小对所有高斯分布函数进行重新排列，order表达式如下：

$order=\frac{{\mathrm{\ω}}_{i,t+1,xy}}{{\mathrm{\σ}}_{i,t+1,xy}}---\left(8\right)$

式中，σ_i，t+1，xy为对应像素点更新后第i个高斯分布的方差值；

步骤3.6：保留权重为正的高斯分布函数，删除权重为负的高斯分布函数；

步骤3.7：若当前像素点不与混合高斯背景模型任一高斯分布相匹配，则生成一个新的高斯分布函数来替代权重最小的第n个高斯分布函数，这个新的高斯分布参数设置如下所示，并且同步骤3.5重新排列高斯分布；

ω_n，t+1，xy＝α (9)

μ_n，t+1，xy＝I_t，xy (10)

σ_n，t+1，xy＝varInit (11)

式中，ω_n，t+1，xy，μ_n，t+1，xy，σ_n，t+1，xy是权重最小的第n个高斯分布函数的权重，均值和协方差矩阵；varInit是用来初始化高斯分布一个较大方差；

步骤3.8：归一化所有高斯分布函数权重；继续读入新的一帧图像，与更新后的混合高斯背景模型进行匹配；不断实时更新混合高斯模型，从而得到人体运动前景图像。

4.根据权利要求1所述的一种基于背景建模和双目视觉的人体身高测量方法，其特征在于：所述的步骤4中阴影检测通过计算运动前景的色度失真CD_i与亮度失真α_i来判断，判断条件如下：

tau和τ_CD为色度和亮度阈值，判断当前帧的运动前景图像各像素点是阴影还是前景。

5.根据权利要求1所述的一种基于背景建模和双目视觉的人体身高测量方法，其特征在于：

所述的步骤4中通过开运算与闭运算去除人体前景图像噪声，并去除小于一定阈值的轮廓的非感兴趣的前景区域，只留下轮廓面积最大的人体前景区域。

6.根据权利要求1所述的基于背景建模和双目视觉的人体身高测量方法，其特征在于：所述的步骤5中寻找人体在图像像素坐标系下的最高点与最低点通过遍历人体轮廓，得到人体轮廓在Y轴上的最小值与最大值而确定这两点的像素坐标(x_high，y_high),(x_low，y_low)。

7.根据权利要求1所述的一种基于背景建模和双目视觉的人体身高测量方法，其特征在于，所述的步骤6中得到人体最高点与最低点视差信息步骤如下：

步骤6.1：利用surf算法对左右视图中的人体前景区域进行匹配，并通过匹配特征点对的欧式距离大小来筛选匹配较好的特征点；

步骤6.2：计算人体最高点区域与最低点区域的特征点对横坐标差值，得到人体最高点与最低点处视差信息d_high,d_low。

8.根据权利要求1所述的一种基于背景建模和双目视觉的人体身高测量方法，其特征在于，所述的步骤7中结合双目摄像机内外参数，人体轮廓最高点最低点在图像像素坐标系下的像素坐标以及它们的视差信息，计算这两点在左摄像机坐标系(世界坐标系)下的三维坐标，其中Y坐标差即为人体身高，计算公式如下：

$Y_{high}=\frac{T_x\×\left(y_{high}-c_y\right)}{d_{high}}---\left(13\right)$

$Y_{low}=\frac{T_x\×\left(y_{low}-c_y\right)}{d_{low}}---\left(14\right)$

height_man＝Y_low-Y_high

式中，T_x为双目摄像头间的基线长度；c_y为主点的纵坐标值，height_man即为人体的高度。