CN106845378A - 一种自对向图像中识别人体目标的方法 - Google Patents

Abstract

本发明提供了一种自对向图像中识别人体目标的方法，获取监控区域的视频流图像作为输入图像；将监控区域规划出多个面积相等的子区域；采用视频采集设备对标准人体模型在子区域中以设定间距进行采样，以获得若干标准人体模型图像并将其与背景进行密度差分运算，获取并存储表征标准人体模型轮廓的法向量组，作为标准参考数据；对输入图像与背景进行密度差分运算，获取表征输入图像中的目标轮廓的法向量组，结合标准参考数据确定输入图像中的目标轮廓的法向量组中的响应点，对响应点构成的聚集程度判断目标轮廓是否为行人轮廓。本发明所示出的方法显著提高了对行人目标的识别效率。

Description

一种自对向图像中识别人体目标的方法

技术领域

本发明涉及视频检测技术领域，尤其涉及一种自对向图像中识别人体目标的方法。

背景技术

随着电子科学技术的发展，基于图像或视频的人体检测技术已逐渐取代了传统的红外、雷达等人体检测方式。并且，基于图像或视频的人体检测技术具备更高的可靠性。另外赖于其低成本特性，使得其越来越受到广泛关注。

傅里叶变换是对二维灰度图像的一种纹理分析方法。傅里叶变换在图像处理中通常用于对图像纹理进行分析。图像被分割为正方形的网格化区域，并基于相位对正方形的网格化区域对二维灰度图像进行晶格及缺陷等方面的检测与分析。

由于傅里叶变换通常在正方形的网格化区域中进行，故需要计算对象图像的轮廓部分的法线方向。由于，输入图像被分割成若干正方形的网格化区域，因此可能无法精确的获得对象图像的法线矢量，从而导致无法对输入图像中所包含的行人进行有效检测与提取；同时，传统的傅里叶变换也存在计算开销较大的缺陷。

在现有技术中，输入图像往往通过位于监控区域上方的图像输入设备(摄像机或者照相机)垂直拍摄得到。在图像处理时，识别不同大小的移动物体的图像，可利用差分图像与当前图像之间相位差，通过对差分图像中的一组水平密度差值来对输入图像中所包含的行人区域进行预估与检测。这种检测方法不可避免的存在由于输入图像中的所包含的行人区域的大小存在差别，而导致无法区分一个较大的区域中包含了一个成年人还是包含了两个小孩，因此对监控区域中的行人进行检测和/或计数时存在非常大的计算误差。

同时，如果图像输入设备安装时并非垂直对着监控区域或者由于镜头的原因，导致输入图像中的局部图像的位置、数量、像素差等外界干扰时，进一步导致对监控区域中的行人进行检测和/或计数时存在计算误差。

有鉴于此，有必要对现有技术中的输入图像中包含行人的区域的进行行人检测的检测方法予以改进，以解决上述问题。

发明内容

本发明的目的在于公开一种自对向图像中识别人体目标的方法，用以实现人体目标轮廓的各种特征在背景图像中的密度差，从而高效的从背景图像中提取行人目标，克服图像输入装置由于外界干扰或者镜头本身的缺陷所导致的对复杂环境中无法有效识别行人目标的缺陷，提高行人目标的识别率。

为实现上述发明目的，本发明提供了一种自对向图像中识别人体目标的方法，包括以下步骤：

步骤1、获取监控区域的视频流图像作为输入图像；

步骤2、将监控区域规划出多个面积相等的子区域；

步骤3、采用视频采集设备对标准人体模型在子区域中以设定间距进行采样，以获得若干标准人体模型图像；

步骤4、对标准人体模型图像与背景进行密度差分运算，获取并存储表征标准人体模型轮廓的法向量组，作为标准参考数据；

步骤5、对步骤1获取的输入图像与背景进行密度差分运算，获取表征输入图像中的目标轮廓的法向量组，结合标准参考数据确定输入图像中的目标轮廓的法向量组中的响应点；

步骤6、将由多个响应点构成的聚集区中落入目标轮廓中的响应点比例判断输入图像中的目标轮廓是否为行人轮廓，以识别人体目标。

作为本发明的进一步改进，所述步骤2具体为：将监控区域网格化形成若干规格为4×6的矩形区域作为子区域，单位为像素点。

作为本发明的进一步改进，所述步骤3具体为：在监控区域内，等间隔设定位置坐标，采用视频采集设备对分别放置在不同子区域中的标准人体模型进行采样，以获得与子区域数量相匹配的若干标准人体模型图像；其中，视频采集设备垂直设置于监控区域中心的上方。

作为本发明的进一步改进，所述步骤4中的密度差分运算具体为：将单个像素点与相邻像素点进行差分运算，所述差分运算的计算公式为：

其中，Ω_p为像素p周围选取像素集，为像素p_i与像素p间所构建的向量，为对所有向量进行求和运算得到的和向量。

作为本发明的进一步改进，所述步骤4还包括：去除模值小于10的法向量，所述模值为像素间灰度绝对差值，从而保留模值大于10的若干法向量作为标准人体模型的法向量组，并记录符合条件的法向量的方向角信息以及与符合条件的法向量所对应的像素点的位置信息作为标准参考数据。

作为本发明的进一步改进，所述步骤6具体为：将由多个响应点构成的聚集区中落入目标轮廓中的响应点比例大于或者等于40％判定输入图像中的目标轮廓为行人轮廓，以识别人体目标。

与现有技术相比，本发明的有益效果是：本发明所示出的方法实现了高效的从背景图像中提取行人目标，克服了照相机或者摄像机由于外界干扰或者镜头本身的缺陷所导致的对复杂环境中无法有效识别行人目标的缺陷，提高了对行人目标的识别率。

附图说明

图1为本发明一种自对向图像中识别人体目标的方法的流程图；

图2为图1所示出的获取监控区域的视频流图像的工作原理示意图；

图3为将监控区域网格化为4×6个矩形区域的示意图；

图4为标准人体模型放在监控区域不同位置时的采样图像具有不同的轮廓；

图5为在前景图像轮廓处易形成垂直于轮廓边界的法向量；

图6为计算像素p处的法向量的示意图；

图7为放置在监控区域g2位置处的标准人体模型轮廓S2的法向量组；

图8为将2π弧度的圆周分为12个对称扇形区域，并设定各对称扇形区域相应的方向角分别为0、π/12、2π/12、...、11π/12的示意图；

图9为本发明在监控区域中的目标图像的法向量组所形成的响应点聚集区域。

具体实施方式

下面结合附图所示的各实施方式对本发明进行详细说明，但应当说明的是，这些实施方式并非对本发明的限制，本领域普通技术人员根据这些实施方式所作的功能、方法、或者结构上的等效变换或替代，均属于本发明的保护范围之内。

请参图1至图9所示出的本发明一种自对向图像中识别人体目标的方法的实施方式。参图1所示，图1为本发明一种基于密度差分的人体检测方法的流程示意图。在本实施方式中，该基于密度差分的人体检测方法包括以下步骤1至步骤6所示。

步骤1、获取监控区域的视频流图像作为输入图像；

参图2所示，该基于密度差分的人体检测方法是基于摄像机垂直拍摄并适用于室外情况和室内情况。在本实施方式中，该步骤S1具体为：通过摄像机10获取监控区域30的视频流图像作为输入图像，所述监控区域30位于摄像机10的正下方，并进一步优选为监控区域30的中心的垂直正上方。

具体的，摄像机10设置在出入口20附近的正上方，行人可沿着箭头201的方向上在出入口20中来回走动。摄像机10所获取的监控区域30可完全覆盖出入口20的全部区域。

在本实施方式中，该监控区域30为矩形，当然也可以为正方形或圆形或者其他形状。摄像机10位于监控区域30的中心点301的正上方，由此我们可以推导出，该监控区域30位于摄像机10的正下方。

步骤2、将监控区域规划出多个面积相等的子区域。

在步骤2中，可将监控区域30网格化，以形成一系列等大的小的矩形区域，这些矩形区域面积相等。当然，也可将监控区域30网格化并形成若干呈矩阵形式布置的若干正方形或者圆形。

参图3所示，本发明给出一个将监控区域30网格化为4×6等大的小矩形区域实例(单位：像素点)。其中，各网格话的矩形区域根据其各自所处行列位置分别用A₁₁、A₁₂、...A₄₆进行标识。在具体实施时，可根据监控区域30大小，调整网格化生成矩形区域的数量。

步骤3、采用视频采集设备对标准人体模型在子区域中以设定间距进行采样，以获得若干标准人体模型图像。该视频采集设备可配置为摄像机、照相机或者其他具有拍摄连续帧图像的设备，在本实施方式中，该视频采集设备选用摄像机。

具体的，在步骤3中，可在监控区域30内，等间隔设定位置坐标，放置同一个标准人体模型并采样相应输入图像。参图4所示，当人体目标处在监控区域30的不同位置时，通过摄像机10采样的人体图像存在差异，相应标准人体模型的轮廓也就不相同。本发明在监控区域30内，等间隔设定位置坐标，放置同一个标准人体模型并通过摄像机10采样相应输入图像，进而获取同一标准人体模型在不同位置处的图像。

具体的，参图4所示，本发明将标准人体模型首先放置在监控区域30的网格矩形区域A₁₁处，位置g1取为标准人体模型在此处成像轮廓S1的重心，然后在水平方向上以网格矩形区域横向宽度的1/2为间距，在垂直方向上以网格矩形区域纵向宽度的1/2为间距，采用由左至右，由上至下方式间隔设置位置坐标放置同一标准人体模型，并通过摄像机10采样相应输入图像。在图4中，g2位置位于摄像机10正下方，标准人体模型在此处形成的相应轮廓为S2。由图4可以看出g1及g2位置处形成的标准人体模型的轮廓S1与标准人体模型的轮廓S2差异明显。

步骤4、对标准人体模型图像与背景进行密度差分运算，获取并存储表征标准人体模型轮廓的法向量组，作为标准参考数据。该标准参考数据中包括表征法向量组的角度信息及空间位置信息等信息。

通过步骤S3所获取的输入图像，除了在相应位置处含有标准人体模型图像外，其余均为背景。标准人体模型图像所在区域内像素灰度值的空间分布密度与背景间存在差异，本发明基于标准人体模型图像与背景间的密度差分运算，获取表征标准人体模型轮廓的法向量组，并存储法向量组中所有法向量的方向角度及空间位置等数据信息，作为标准参考数据。

具体的，在本实施方式中，该密度差分运算通过单个像素与周围像素的差分运算来实现。其中，在像素p周围选取像素集Ω_p，在像素p_i(p_i∈Ω_p)及p间构建向量模值取为像素间灰度绝对差值。然后对所有向量进行求和运算得到和向量上述计算公式如下所示：

由此，明显可以判定和向量总指向密集高亮度像素区域，且在该方向上有较大的亮度变化。参图5所示，在反映前景图像轮廓的边界处，和向量表现为垂直边界的法向量形式，为方便叙述，本发明定义和向量为像素p的法向量。参图6所示，具体的像素p处的法向量的运算采具体为：

以像素p为圆心，两像素宽度为半径确定一个圆周，并在圆周周围找寻离圆周最近的12个像素点p_i即：p₁、p₂、...、p₁₂。

构建向量设定所指水平向右方向为0度方向，逆时针方向为正方向，取其向量方向角为2π(i-1)/12。

取则法向量的方向角θ_p＝arctan(SV/CV)，法向量的模值为方便描述，本发明将θ_p取值设定在区间[0，π)内。

为提高计算效率，本发明先在监控区域30内获取不含标准人体模型的背景图像，然后采用背景差分法将步骤S3所获取的输入图像中的背景部分减除，即尽量使输入图像中的背景区域像素灰度值为0，凸显输入图像中标准人体模型所在区域亮度。最后，对通过背景差分处理的输入图像中的所有像素计算其法向量。

本发明设定阈值10，即将模值小于10的法向量去除，只保留模值大于10的一组法向量，然后用该法向量组来表征标准人体模型轮廓。参图7所示，其显示了放置在监控区域30在g2位置处的标准人体模型轮廓S2的一组法向量。在获取标准人体模型的法向量组后，需要记录法向量组的方向角度信息以及产生相应法向量的像素所在位置信息，以便于将这些数据信息作为标准参考数据。

具体的，参图7取像素点A、B、C、D为例，该四个像素点处的法向量分别为V1、V2、V3、V4。像素点A、B、C、D空间位置坐标是相对位置点g2而定的，具体的，以位置点g2为坐标原点，水平向右为X轴方向，垂直向上为Y轴方向设定坐标系，如此可以设定像素点A、B、C、D的空间相对位置坐标分别为(-11，0)、(-4，0)、(4，0)、(11，0)。V1、V2的方向角在π处，本发明将其归为0，V3、V4的方向角为0。

对于图7中，法向量的方向角具体取值设置参图8所示。

在本实施方式中，将2π弧度的圆周分为12个对称扇形区域，并设定各对称扇形区域相应的方向角分别为0、π/12、2π/12、...、11π/12。对于图7中方向指向恰好处在图8中相应对称扇形区域内的所有法向量。将其方向角统一设定为相应扇形区域设定值。例如，对于方向角在区域(-π/24π/24)及(23π/24，25π/24)内的法向量，设定其方向角为0。通过上述方式，将图7中的方向角的法向量归为12组，同一组中的法向量具有相同的方向角。例如上述V1、V2、V3、V4即为一具有相同的方向角的法向量组，组中各法向量的方向角度为0。

存储12组法向量组的空间位置及方向角信息，作为标准参考数据。例如，对于法向量组V1、V2、V3、V4，本发明存储其相对位置信息(-11，0)、(-4，0)、(4，0)、(11，0)以及方向角值0。具体存储时，标准参考数据按矩形区域存储，即在相应矩形区域仅仅存储位于其中的法向量的位置及角度信息。参图4，标准人体模型的轮廓S2分布于四个矩形区域中，则描述轮廓S2的标准参考数据分别对应存储在四个矩形区域中。

通过上述方式获取标准人体模型在监控区域不同位置处轮廓的标准参考数据。

步骤5、对步骤1获取的输入图像与背景进行密度差分运算，获取表征输入图像中的目标轮廓的法向量组，结合标准参考数据确定输入图像中的目标轮廓的法向量组中的响应点。

通过摄像机10在监控区域30内采样含有实际人体目标图像的输入图像，然后基于输入图像与背景间的密度差分运算，采用步骤S4中同样方式获取表征目标轮廓的法向量组，同时记录法向量组中各法向量的位置及方向角信息，再结合步骤S4所存储的标准参考数据，确定法向量组中各法向量的响应点位置。

假定，目标图像的一法向量位于矩形区域A₁₁中，产生该法向量的像素点位于输入图像的(x，y)处(该位置相对于输入图像中心)，且该法向量方向角为θ。为确定该法向量的响应点(实际类似于标准人体模型的位置点)，需查找该区域内存储的标准参考数据中方向角为θ的法向量所对应的位置信息(x₀，y₀)(该位置为相对于标准人体模型位置点，在矩形区域A₁₁处时为位置点g1)，然后确定响应点位置为(x-x₀，y-y₀)(该坐标位置相对于输入图像中心)。通过这种方式可以确定目标图像所有法向量所对应的响应点。

步骤6、将由多个响应点构成的聚集区中落入目标轮廓中的响应点比例判断输入图像中的目标轮廓是否为行人轮廓，以识别人体目标。

参图9所示，监控区域30中含有两个目标图像，进而法向量组形成了两个响应点聚集区域。

在图9中，目标图像的轮廓分别为O1及O2。具体的，在本实施方式中，定义如果各响应点聚集区域内有40％以上的响应点位于目标轮廓内，就认为该目标图像为人体目标。

由图9可以明显看出，图9中两个响应点聚集区域满足条件，即可认为两目标图像为人体目标，从而实现本发明由输入图像检测人体目标的目的。另外，两个响应点聚集区域中心分别离位置点g1及g2较近，进而可以说明检测到的目标图像的轮廓与标准人体目标轮廓S1及S2具有较高匹配度。并且，通过计算响应点聚集区域中心的数量还可以实现对监控区域30内的人体目标进行数量统计。

上文所列出的一系列的详细说明仅仅是针对本发明的可行性实施方式的具体说明，它们并非用以限制本发明的保护范围，凡未脱离本发明技艺精神所作的等效实施方式或变更均应包含在本发明的保护范围之内。

对于本领域技术人员而言，显然本发明不限于上述示范性实施例的细节，而且在不背离本发明的精神或基本特征的情况下，能够以其他的具体形式实现本发明。因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本发明的范围由所附权利要求而不是上述说明限定，因此旨在将落在权利要求的等同要件的含义和范围内的所有变化囊括在本发明内。不应将权利要求中的任何附图标记视为限制所涉及的权利要求。

此外，应当理解，虽然本说明书按照实施方式加以描述，但并非每个实施方式仅包含一个独立的技术方案，说明书的这种叙述方式仅仅是为清楚起见，本领域技术人员应当将说明书作为一个整体，各实施例中的技术方案也可以经适当组合，形成本领域技术人员可以理解的其他实施方式。

Claims (6)

1.自对向图像中识别人体目标的方法，其特征在于，包括以下步骤：

步骤1、获取监控区域的视频流图像作为输入图像；

步骤2、将监控区域规划出多个面积相等的子区域；

步骤3、采用视频采集设备对标准人体模型在子区域中以设定间距进行采样，以获得若干标准人体模型图像；

步骤4、对标准人体模型图像与背景进行密度差分运算，获取并存储表征标准人体模型轮廓的法向量组，作为标准参考数据；

步骤5、对步骤1获取的输入图像与背景进行密度差分运算，获取表征输入图像中的目标轮廓的法向量组，结合标准参考数据确定输入图像中的目标轮廓的法向量组中的响应点；

步骤6、将由多个响应点构成的聚集区中落入目标轮廓中的响应点比例判断输入图像中的目标轮廓是否为行人轮廓，以识别人体目标。

2.根据权利要求1所述的方法，其特征在于，所述步骤2具体为：将监控区域网格化形成若干规格为4×6的矩形区域作为子区域，单位为像素点。

3.根据权利要求2所述的方法，其特征在于，所述步骤3具体为：在监控区域内，等间隔设定位置坐标，采用视频采集设备对分别放置在不同子区域中的标准人体模型进行采样，以获得与子区域数量相匹配的若干标准人体模型图像；其中，视频采集设备垂直设置于监控区域中心的上方。

4.根据权利要求1所述的方法，其特征在于，所述步骤4中的密度差分运算具体为：将单个像素点与相邻像素点进行差分运算，所述差分运算的计算公式为：

其中，Ω_p为像素p周围选取像素集，为像素p_i与像素p间所构建的向量，为对所有向量进行求和运算得到的和向量。

5.根据权利要求4所述的方法，其特征在于，所述步骤4还包括：去除模值小于10的法向量，所述模值为像素间灰度绝对差值，从而保留模值大于10的若干法向量作为标准人体模型的法向量组，并记录符合条件的法向量的方向角信息以及与符合条件的法向量所对应的像素点的位置信息作为标准参考数据。

6.根据权利要求1所述的方法，其特征在于，所述步骤6具体为：将由多个响应点构成的聚集区中落入目标轮廓中的响应点比例大于或者等于40％判定输入图像中的目标轮廓为行人轮廓，以识别人体目标。