CN106022278A - 一种视频图像中吉里巴甫服饰人群检测的方法及系统 - Google Patents

Abstract

本发明涉及一种视频图像中吉里巴甫服饰人群检测的方法及系统，该方法通过采用混合高斯背景建模方法求取图像的移动前景区域；在移动前景区域上进行目标特征提取；运用分类器对目标特征分类，检测出移动的前景区域中是否有行人；对检测出的行人采用颜色滤波器识别出穿着黑色服饰的行人，提取该穿着黑色服饰的行人的边缘信息获得吉里巴甫服饰特征并对行人分类；采用人脸检测算法对行人的分类结果进行检测，将检测不到完整人脸的目标进行标记；对标记的目标进行跟踪检测，判断标记的目标的运动方向排除反方向的背影，判定面对摄像器运动的目标为吉里巴甫服饰目标人群并报警；从而为在视频图像中有效地进行吉里巴甫服饰人群检测提供有效的检测手段。

Description

一种视频图像中吉里巴甫服饰人群检测的方法及系统

技术领域

本发明属于图像识别技术领域，具体涉及一种视频图像吉里巴甫服饰人群检测的方法及系统。

背景技术

在一些不安全的地区，为了加强社会安全的需要，对一些穿着特别服饰的人物需要进行特别检测进行识别，即提前预防性检测识别并预警。目前的识别检测主要是通过图像检测来对监控区域进行监控，这种监控仅是监控图像的采集与保存。对于一些不安定的人物，如穿着吉里巴甫服饰的人物即使采集图像也无法有效地进行识别并提前进行预警提示，使人们做到提前预防，采取防护措施。

发明内容

本发明的目的在于解决上述的技术问题而提供一种视频图像中吉里巴甫服饰人群检测的方法及系统。

为实现上述目的，本发明采用如下技术方案：

一种视频图像中吉里巴甫服饰人群检测的方法，包括以下步骤：

读入视频流并采用混合高斯背景建模方法求取图像的移动前景区域；

在所述移动前景区域上进行目标特征提取，包括HOG特征和LBP特征；

运用分类器对目标特征分类，检测出移动的前景区域中是否有行人；

对检测出的行人采用颜色滤波器识别出穿着黑色服饰的行人，然后提取该穿着黑色服饰的行人的边缘信息获得吉里巴甫服饰特征并对行人分类；

采用人脸检测算法对行人的分类结果进行检测，将检测不到完整人脸的目标进行标记；

对标记的目标进行跟踪检测，判断标记的目标的运动方向排除反方向的背影，将面向摄像器移动且无法检测到完整人脸的目标判定为吉里巴甫服饰目标人群并报警。

所述采用混合高斯背景建模方法求取图像的移动前景区域的方法为：在背景建模完成后，判断当前建模点与对应的背景模型是否匹配，若匹配则当前建模点为背景点，否则当前建模点为前景点。

所述判断当前建模点与对应的背景模型是否匹配采用以下步骤：

判断当前建模点对应的背景模型的变化量是否在预设的匹配阈值范围内和\或当前建模点的平均梯度与背景模型里的梯度相差是否在预定的百分比阈值范围内，若有一项不在则认为不匹配。

所述匹配阈值表示为：

Threshold_i＝(Value_base+Theta)*Sensitivity

其中，Value_base是基础阈值，Theta是方差，Sensitivity是灵敏度。

所述分类器采用采用latentSVM分类器。

本发明的目的还在于提供一种视频图像中吉里巴甫服饰人群检测的系统，包括：

前景区域求取模块，用于读入视频流后采用混合高斯背景建模方法求取图像的移动前景区域；

特征提取模块，用于在所述移动前景区域上进行目标特征提取，包括HOG特征和LBP特征；

行人检测模块，用于运用分类器对目标特征分类，检测出移动的前景区域中是否有行人；

服饰特征提取分类模块，用于对检测出的行人采用颜色滤波器识别出穿着黑色服饰的行人，然后提取该穿着黑色服饰的行人的边缘信息获得吉里巴甫服饰特征并对行人分类；

人脸检测模块，用于采用人脸检测算法对行人的分类结果进行检测，将检测不到完整人脸的目标进行标记；

目标确定模块，用于对标记的目标进行跟踪检测，判断标记的目标的运动方向排除反方向的背影，将面向摄像器移动且无法检测到完整人脸的目标判定为吉里巴甫服饰目标人并报警。

本发明通过以上技术方案，可以快速地在视频图像中检测出图像中是否有行人穿着吉里巴甫服饰，从而为在视频图像中检测图像中的人物穿着吉里巴甫服饰人群的有效性提供了一种有效的检测解决方法。

附图说明

图1为本发明实施例提供的视频图像中吉里巴甫服饰人群检测的方法的流程图。

具体实施方式

下面，结合实例对本发明的实质性特点和优势作进一步的说明，但本发明并不局限于所列的实施例。

参见图1所示，一种视频图像中吉里巴甫服饰人群检测的方法，包括：

S101,读入视频流并采用混合高斯背景建模方法求取图像的移动前景区域；

S102,在所述移动前景区域上进行目标特征提取，包括HOG特征和LBP特征；

S103,运用分类器对目标特征分类，检测出移动的前景区域中是否有行人；

S104,对检测出的行人采用颜色滤波器识别出穿着黑色服饰的行人，然后提取该穿着黑色服饰的行人的边缘信息获得吉里巴甫服饰特征并对行人分类；

S105,采用人脸检测算法对行人的分类结果进行检测，将检测不到完整人脸的目标进行标记；

S106,对标记的目标进行跟踪检测，判断标记的目标的运动方向排除反方向的背影，将面向摄像器移动且无法检测到完整人脸的目标判定为吉里巴甫服饰目标人群并报警同，否则返回第一步骤S101继续进行检测。

本发明通过以上技术方案，可以快速地在视频图像中检测出图像中是否有行人穿着吉里巴甫服饰，从而为在视频图像中检测图像中的人物穿着吉里巴甫服饰人群的有效性提供了一种有效的检测解决方法。

以下，结合背景建模，目标特征提取以及分类器对特征进行分类的具体实现手段进行说明。

Step1：读入视频流后，采用混合高斯背景建模求取移动前景区域。

因摄像机为固定视角所以被检测行人为移动目标，采用混合高斯背景建模可以将目标锁定为移动物体，并为后续检测提供合理的目标区域。

混合高斯背景建模的整体流程包括三个步骤：背景模型的初始化、背景模型的匹配更新、背景学习成功并检测前景。建模点分为前景点和背景点两类。在更新学习过程中需采用不同的速率对其匹配的高斯模型进行更新。

对于第一帧数据利用当前图像的建模点数据初始化最先分配的高斯模型，之后依据建模点的数据不断训练对应的模型均值、方差和权重。当建模点权重达到设定的建模成功阈值，说明该建模点建模成功，反之继续学习直到权重满足阈值。

通过对建模点高斯模型参数不断的训练和学习，越来越多的建模点建模成功，统计整帧图像中建模成功的建模点数量，若达到整幅图像建模点总数的1/5，则背景学习成功。然后进入前景检测阶段，并对检测到的前景点和背景点分别以不同速率更新背景模型，以提高背景模型的适应性。

背景建模完成后进入前景检测阶段，利用当前建模点与对应背景模型进行匹配。匹配的判断阈值是与对应的背景模型方差有关，模块会根据其值的变化自适应的调整，各颜色分量的模型匹配阈值可表示为：

Threshold_i＝(Value_base+Theta)*Sensitivity

其中，Value_base是基础阈值，Theta是方差，Sensitivity是灵敏度。若建模点与其背景模型的变化量在这个阈值范围内，说明建模点与该模型匹配。此外，当前建模点的平均梯度与背景模型里的梯度相差超过20％，即被认为不匹配。

另外在背景模型中若背景模型没有建模成功，则默认为该建模点为背景点。在建模点对应的背景模型成功的情况下，若该建模点与其背景模型未匹配，则该建模点不一定为前景点，还要同其四邻域的建模点的背景模型做匹配，若匹配依然未成功，则该建模点确定为前景点，反之此点依然是背景点。

Step2:在移动前景区域上进行目标特征提取，包括HOG特征和LBP特征。

HOG特征提取：

通过计算和统计图像局部区域的梯度方向直方图来构成特征。在一副图像中，局部目标的表象和形状能够被梯度或边缘的方向密度分布很好地描述。把这些局部直方图在图像的更大的范围内(区间或block)进行对比度归一化(contrast-normalized)，所采用方法是：先计算各直方图在这个区间(block)中的密度，然后根据此密度对区间中的各细胞单元做归一化。通过归一化后，能对光照变化和阴影获得更好的效果。

由于HOG是在图像的局部方格单元上操作，所以它对图像几何的和光学的形变都能保持很好的不变性，这两种形变只会出现在更大的空间领域上。其次，在粗的空域抽样、精细的方向抽样以及较强的局部光学归一化等条件下，只要行人大体上能够保持直立的姿势，可以容许行人有一些细微的肢体动作，这些细微的动作可以被忽略而不影响检测效果。因此HOG特征是特别适合于做图像中的人体检测的。

LBP特征：

LBP算子定义为在3*3的窗口内，以窗口中心像素为阈值，将相邻的8个像素的灰度值与其进行比较，若周围像素值大于中心像素值，则该像素点的位置被标记为1，否则为0。这样，3*3邻域内的8个点经比较可产生8位二进制数(通常转换为十进制数即LBP码，共256种)，即得到该窗口中心像素点的LBP值，并用此值反映该区域的纹理信息。

提取出HOG特征与LBP特征后，分别计算HOG特征直方图和LBP特征直方图，然后串行连接形成联合直方图作为目标特征。

Step4：采用latentSVM分类器对上述特征进行分类，实现对行人检测。

latentSVM分类器是采用多模型即包括主模型和子模型来描述一个目标，并采用弹簧形变原理来将子模型与主模型组合起来，以很好的适应运动过程中的形变问题，主要是通过计算综合得分来实现，综合得分公式为：

$score(x_0,y_0,l_0)=R_{0,l_0}(x_0,y_0)+\underset{i=1}{\overset{n}{\Σ}}{D}_{i,l_0-\mathrm{\λ}}\left(2\right(x_0,y_0)+v_i)+b.$

是主模型的得分或者说是匹配程度。中间是n个子模型的得分。b是为了组件之间对齐而设的自动补偿系数，(x₀，y₀)为主模型的left-top位置在模型图中的坐标，2(x₀，y₀)+υ_i为第i个子模型映射到子模型特征图中的坐标。χ2是因为子模型特征图的分辨率是主模型特征图的两倍，υ_i为相对于主模型左上角的偏移。在此基础上用LatentSVM分类，公式为：

$L_D\left(\mathrm{\β}\right)=\frac{1}{2}\left|\right|\mathrm{\β}|{|}^2+C\underset{i=1}{\overset{n}{\Σ}}\max (0,1-y_i{f}_{\mathrm{\β}}(x_i\left)\right)$

用坐标下降法来求解该问题。

Step3：在检测出的行人中采用颜色滤波器识别出穿着黑色服饰的人，并采用边缘信息提取方法提取该穿着黑色服饰的人的边缘信息，提取获得吉里巴甫服饰特征并对行人进行分类。

Step4：对以上的行人的分类结果采用人脸检测算法进行检测，为检测到完整人脸的行人进行标记；因吉里巴甫服饰是蒙面的，因此检测不到完整人脸，故而将为检测不到完整人脸的行人进行标记，作疑似吉里巴甫服饰的人进行再进一步的检测、跟踪；

Step5：对上一步标记的目标进行跟踪，判断目标运动方向，并根据目标的运动方向排除反方向的背影，从而保留面向摄像机镜头运动的目标。

Step6：如满足以上各项条件，即如果行人面向摄像机运动且无完整人脸检测出，则认为是穿着吉里巴甫服饰的人群，进行报警，否则进入step1继续进行检测。

本发明的目的还在于提供一种视频图像中吉里巴甫服饰人群检测的系统，包括：

前景区域求取模块，用于读入视频流后采用混合高斯背景建模方法求取图像的移动前景区域；

特征提取模块，用于在所述移动前景区域上进行目标特征提取，包括HOG特征和LBP特征；

行人检测模块，用于运用分类器对目标特征分类，检测出移动的前景区域中是否有行人；

服饰特征提取分类模块，用于对检测出的行人采用颜色滤波器识别出穿着黑色服饰的行人，然后提取该穿着黑色服饰的行人的边缘信息获得吉里巴甫服饰特征并对行人分类；

人脸检测模块，用于采用人脸检测算法对行人的分类结果进行检测，将检测不到完整人脸的目标进行标记；

目标确定模块，用于对标记的目标进行跟踪检测，判断标记的目标的运动方向排除反方向的背影，将面向摄像器移动且无法检测到完整人脸的目标判定为吉里巴甫服饰目标人并报警。

关于视频图像中吉里巴甫服饰人群检测的系统，其检测原理及方法，与上述的视频图像中吉里巴甫服饰人群检测的方法相同，在此不再进行详细说明。

可以看出本发明通过以上技术方案，可以快速地在视频图像中检测出图像中是否有行人穿着吉里巴甫服饰，从而为在视频图像中检测图像中的人物穿着吉里巴甫服饰人群的有效性提供了一种有效的检测解决方法。

以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。

Claims (10)

1.一种视频图像中吉里巴甫服饰人群检测的方法，其特征在于，包括以下步骤：

读入视频流并采用混合高斯背景建模方法求取图像的移动前景区域；

在所述移动前景区域上进行目标特征提取，包括HOG特征和LBP特征；

运用分类器对目标特征分类，检测出移动的前景区域中是否有行人；

对检测出的行人采用颜色滤波器识别出穿着黑色服饰的行人，然后提取该穿着黑色服饰的行人的边缘信息获得吉里巴甫服饰特征并对行人分类；

采用人脸检测算法对行人的分类结果进行检测，将检测不到完整人脸的目标进行标记；

对标记的目标进行跟踪检测，判断标记的目标的运动方向排除反方向的背影，将面向摄像器移动且无法检测到完整人脸的目标判定为吉里巴甫服饰目标人群并报警。

2.根据权利要求1所述视频图像中吉里巴甫服饰人群检测的方法，其特征在于，所述采用混合高斯背景建模方法求取图像的移动前景区域的方法为：在背景建模完成后，判断当前建模点与对应的背景模型是否匹配，若匹配则当前建模点为背景点，否则当前建模点为前景点。

3.根据权利要求2所述视频图像中吉里巴甫服饰人群检测的方法，其特征在于，所述判断当前建模点与对应的背景模型是否匹配采用以下步骤：

判断当前建模点对应的背景模型的变化量是否在预设的匹配阈值范围内和\或当前建模点的平均梯度与背景模型里的梯度相差是否在预定的百分比阈值范围内，若有一项不在则认为不匹配。

4.根据权利要求3所述视频图像中吉里巴甫服饰人群检测的方法，其特征在于，所述匹配阈值表示为：

Threshold_i＝(Value_base+Theta)*Sensitivity

其中，Value_base是基础阈值，Theta是方差，Sensitivity是灵敏度。

5.根据权利要求1-4任一项所述视频图像中吉里巴甫服饰人群检测的方法，其特征在于，所述分类器采用采用latentSVM分类器。

6.一种视频图像中吉里巴甫服饰人群检测的系统，其特征在于，包括：

前景区域求取模块，用于读入视频流后采用混合高斯背景建模方法求取图像的移动前景区域；

特征提取模块，用于在所述移动前景区域上进行目标特征提取，包括HOG特征和LBP特征；

行人检测模块，用于运用分类器对目标特征分类，检测出移动的前景区域中是否有行人；

服饰特征提取分类模块，用于对检测出的行人采用颜色滤波器识别出穿着黑色服饰的行人，然后提取该穿着黑色服饰的行人的边缘信息获得吉里巴甫服饰特征并对行人分类；

人脸检测模块，用于采用人脸检测算法对行人的分类结果进行检测，将检测不到完整人脸的目标进行标记；

目标确定模块，用于用于对标记的目标进行跟踪检测，判断标记的目标的运动方向排除反方向的背影，将面向摄像器移动且无法检测到完整人脸的目标判定为吉里巴甫服饰目标人群并报警。

7.根据权利要求6所述视频图像中吉里巴甫服饰人群检测的方法，其特征在于，所述采用混合高斯背景建模方法求取图像的移动前景区域的方法为：在背景建模完成后，判断当前建模点与对应的背景模型是否匹配，若匹配则当前建模点为背景点，否则当前建模点为前景点。

8.根据权利要求7所述视频图像中吉里巴甫服饰人群检测的方法，其特征在于，所述判断当前建模点与对应的背景模型是否匹配采用以下步骤：

判断当前建模点对应的背景模型的变化量是否在预设的匹配阈值范围内和\或当前建模点的平均梯度与背景模型里的梯度相差是否在预定的百分比阈值范围内，若有一项不在则认为不匹配。

9.根据权利要求8所述视频图像中吉里巴甫服饰人群检测的方法，其特征在于，所述匹配阈值表示为：

Threshold_i＝(Value_base+Theta)*Sensitivity

其中，Value_base是基础阈值，Theta是方差，Sensitivity是灵敏度。

10.根据权利要求1-4任一项所述视频图像中吉里巴服饰人群检测的方法，其特征在于，所述分类器采用采用latentSVM分类器。