CN107578031A - 一种基于主从摄像机的行人头肩检测与外貌捕捉方法 - Google Patents
一种基于主从摄像机的行人头肩检测与外貌捕捉方法 Download PDFInfo
- Publication number
- CN107578031A CN107578031A CN201710884909.1A CN201710884909A CN107578031A CN 107578031 A CN107578031 A CN 107578031A CN 201710884909 A CN201710884909 A CN 201710884909A CN 107578031 A CN107578031 A CN 107578031A
- Authority
- CN
- China
- Prior art keywords
- head
- shoulder
- pedestrian
- detection
- video camera
- 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.)
- Pending
Links
Landscapes
- Image Analysis (AREA)
Abstract
一种基于主从摄像机的行人头肩检测与外貌捕捉方法,构建主从摄像机系统,使用自制标定板对主从摄像机之间的联动进行标定,采用改进ViBe算法实现场景下动目标区域的检测,克服传统ViBe算法出现“死区”的问题,采用基于两阶段行人头肩检测算法,对动目标区域的行人头肩部位进行检测,克服传统头肩检测算法误检率高的问题。本发明的优点是:可以实时对监控区域内的运动行人进行检测并获取到运动行人的清晰外貌。
Description
技术领域
本发明涉及基于主从摄像机的行人头肩检测以及外貌捕捉方法,属于对运动目标检测算法以及行人头肩检测算法的改进方法。
背景技术
在“平安城市工程”建设过程中,公共区域的视频监控地位也越来越重要。广泛应用视频监控系统对公安系统的刑侦工作带来了巨大帮助,甚至可以说已经改变了公安系统处理案件的方式。比如,2012年成功告破的“周克华持枪抢劫案”就是通过调用大量案发现场的监控视频进行分析侦破的。现如今,学校、超市以及车站等公共场所都已经大量布置了监控摄像设备,但是,日常所见的这些监控设备都需要人工参与,并且很难通过监控设备看见行人清晰的外貌。这种监控方式往往需要大量人力并且时常会出现遗漏,所以人们迫切需要一种智能化的视频监控系统。
发明内容
本发明的目的在于提供一种基于主从摄像机的行人头肩检测以及外貌捕捉方法,构建主从摄像机系统,使用自制标定板对主从摄像机之间的联动进行标定,采用改进ViBe算法实现场景下动目标区域的检测,克服传统ViBe算法出现“死区”的问题,采用基于两阶段行人头肩检测算法,对动目标区域的行人头肩部位进行检测,克服传统头肩检测算法误检率高的问题。本发明自动化程度高,可以全自动进行行人头肩检测以及行人外貌捕捉,同时在行人头肩检测准确率上有所提高。
本发明采用如下技术方案,一种基于主从摄像机的行人头肩检测以及外貌捕捉方法,包括以下主要步骤:
1)主从摄像机之间的联动标定,联动标定算法的具体步骤如下:
(a)设宽和高分别为W和H的全景图像的坐标原点位于图像的左上角,将图像沿x轴方向平均分为M等份,沿y轴方向平均分为N等份,这样可以将全景图像分割成M×N个网格。
(b)对每个网格进行编号,将左上角坐标为(0,0)坐标的网格编号为1,将左上角坐标为的网格编号为(i-1)·M+j,其中1≤i≤M,1≤j≤N。
(c)选择每个网格的四个坐标点作为样本点,手动调整PTZ摄像机,使得PTZ摄像机的视野中心对准样本点的位置,得到此时PTZ摄像机的水平旋转角度和垂直旋转角度坐标并保存。
(d)对于全景图像中任意一点p(x,y),首先必须得到其所处位置。p点可能处于网格样本点位置,可能处于网格线上,可能处于网格中,具体判断方法:分别使用p点的坐标和每个网格点坐标比较大小可以得到,具体的原理图如图1所示。若p点处在网格点上,则取此网格点对应的旋转角度坐标作为p点的旋转角度坐标;若p点位于网格线上,取距离p点最近的两个网格点坐标对应的旋转角度坐标作线性插值可以得到;若p点处于网格中,先求得与p点具有相同纵坐标的点p1(x1,y)以及p2(x2,y)两点坐标作线性插值分别求得两点的旋转角度坐标以及具体实现如公式(1)所示;之后在对p1点和p2点进行线性插值得到p点对应的具体实现公式如式(2)所示。
2)改进ViBe算法实现场景下动目标区域的检测,改进ViBe算法具体由以下四个步骤组成:
(a)算法的初始化。开辟一块内存用来保存原始的背景模型,为每个像素设置一个标志位C来判断该像素是否保存的是原始背景模型,C为1表示该像素点保存了原始的背景模型,C为0表示没有保存,刚开始C将会初始化为0。同时再为每个像素设定一个计数器,用来存储该像素连续被判定为前景的帧数。
(b)前景区域检测。应用原始ViBe算法进行运动目标检测,记录每个前景区域的位置信息。
(c)背景模型更新。分析新的图像帧的每个像素,若像素为背景像素,则直接用来更新背景模型,若像素为前景像素,并且标志位C为1,将使用原始背景模型中的像素替换当前背景模型中的像素。并将标志位C清零。
(d)“死区”的判定。若某像素为前景像素,其在原始背景模型中的标志位C为0,则将计数器自增一。当计数器大于某个设定阈值K的时候,判定该像素为持续前景像素,并标记其所在区域位置。计算该区域下背景模型的哈希值hashB以及新传入的视频帧哈希值hashN。若hashB与hashN之间的“汉明距离”大于某个设定的阈值hamming,那么判断该持续前景像素点区域为“死区”。
(e)“死区”的抑制。使用新来视频帧图像该区域下的像素值代替背景模型该区域下的像素值,并清零计数器。
抑制ViBe算法“死区”的流程图如图2所示。
3)两阶段行人头肩检测算法,对动目标区域的行人头肩部位进行检测,两阶段行人头肩检测算法流程框图如图3所示,具体由以下四个步骤组成:
(a)第一阶段训练过程。使用AdaBoost思想的级联分类思想训练HOG、LBP或者Haar-Like特征生成“第一阶段头肩检测器”。
(b)第一阶段分类过程。使用“第一阶段头肩检测器”检测图像中的头肩部位区域作为“候选区域”。
(c)第二阶段训练过程。使用SVM分类算法训练ORB特征生成“第二阶段头肩检测器”。
(d)第二阶段分类过程。使用“第二阶段头肩检测器”对“候选区域”进行第二次检测,将第二次检测的结果作为最终的结果。
本发明的优点是:可以实时对监控区域内的运动行人进行检测并获取到运动行人的清晰外貌。
附图说明
图1是联动标定原理图。
图2是ViBe算法“死区”抑制流程图。
图3是两阶段检测算法检测头肩部位的流程框图。
图4是工作流程图。
具体实施方式
本发明的一种基于主从摄像机的行人头肩检测以及外貌捕捉方法,采用如图4所示的流程,实现行人头肩部位检测以及外貌捕捉,其具体实施步骤如下:
1)主从摄像机之间的联动标定,联动标定算法的具体步骤如下:
(a)设宽和高分别为W和H的全景图像的坐标原点位于图像的左上角,将图像沿x轴方向平均分为M等份,沿y轴方向平均分为N等份,这样可以将全景图像分割成M×N个网格。
(b)对每个网格进行编号,将左上角坐标为(0,0)坐标的网格编号为1,将左上角坐标为的网格编号为(i-1)·M+j,其中1≤i≤M,1≤j≤N。
(c)选择每个网格的四个坐标点作为样本点,手动调整PTZ摄像机,使得PTZ摄像机的视野中心对准样本点的位置,得到此时PTZ摄像机的水平旋转角度和垂直旋转角度坐标并保存。
(d)对于全景图像中任意一点p(x,y),首先必须得到其所处位置。p点可能处于网格样本点位置,可能处于网格线上,可能处于网格中,具体判断方法:分别使用p点的坐标和每个网格点坐标比较大小可以得到,具体的原理图如图1所示。若p点处在网格点上,则取此网格点对应的旋转角度坐标作为p点的旋转角度坐标;若p点位于网格线上,取距离p点最近的两个网格点坐标对应的旋转角度坐标作线性插值可以得到;若p点处于网格中,先求得与p点具有相同纵坐标的点p1(x1,y)以及p2(x2,y)两点坐标作线性插值分别求得两点的旋转角度坐标以及之后在对p1点和p2点进行线性插值得到p点对应的
2)改进ViBe算法实现场景下动目标区域的检测,改进ViBe算法具体由以下四个步骤组成:
(a)算法的初始化。开辟一块内存用来保存原始的背景模型,为每个像素设置一个标志位C来判断该像素是否保存的是原始背景模型,C为1表示该像素点保存了原始的背景模型,C为0表示没有保存,刚开始C将会初始化为0。同时再为每个像素设定一个计数器,用来存储该像素连续被判定为前景的帧数。
(b)前景区域检测。应用原始ViBe算法进行运动目标检测,记录每个前景区域的位置信息。
(c)背景模型更新。分析新的图像帧的每个像素,若像素为背景像素,则直接用来更新背景模型,若像素为前景像素,并且标志位C为1,将使用原始背景模型中的像素替换当前背景模型中的像素。并将标志位C清零。
(d)“死区”的判定。若某像素为前景像素,其在原始背景模型中的标志位C为0,则将计数器自增一。当计数器大于某个设定阈值K的时候,判定该像素为持续前景像素,并标记其所在区域位置。计算该区域下背景模型的哈希值hashB以及新传入的视频帧哈希值hashN。若hashB与hashN之间的“汉明距离”大于某个设定的阈值hamming,那么判断该持续前景像素点区域为“死区”。
(e)“死区”的抑制。使用新来视频帧图像该区域下的像素值代替背景模型该区域下的像素值,并清零计数器。
抑制ViBe算法“死区”的流程图如图2所示:
3)两阶段行人头肩检测算法,对动目标区域的行人头肩部位进行检测,两阶段行人头肩检测算法流程框图如图3所示,具体由以下四个步骤组成:
(a)第一阶段训练过程。使用AdaBoost思想的级联分类思想训练HOG、LBP或者Haar-Like特征生成“第一阶段头肩检测器”。
(b)第一阶段分类过程。使用“第一阶段头肩检测器”检测图像中的头肩部位区域作为“候选区域”。
(c)第二阶段训练过程。使用SVM分类算法训练ORB特征生成“第二阶段头肩检测器”。
(d)第二阶段分类过程。使用“第二阶段头肩检测器”对“候选区域”进行第二次检测,将第二次检测的结果作为最终的结果。
Claims (4)
1.一种基于主从摄像机的行人头肩检测与外貌捕捉方法,包括以下步骤:
1)利用主从摄像机系统构建运动行人图像获取装置;
2)在主摄像机拍摄视频帧中设置监控区域,并在监控区域选取样本点;
3)利用自制标定板逐次摆放在第2步中的样本点位置,调整从摄像机的方位,使从摄像机的中心对准标定板中心位置;
4)记录第3步每个样本点在主摄像机中的像素位置以及在从摄像中的水平旋转角度和垂直旋转角度,添加到查找表;
5)对主摄像机获取到的视频帧应用改进的ViBe算法获取监控区域的运动目标区域;
6)利用基于两阶段分类的行人头肩检测算法对第5步获取到的运动目标区域进行头肩部位检测,检测出行人头肩部位,获取行人头肩像素坐标;
7)利用第4步中建立的主从摄像机之间的对应关系获取从摄像机的水平旋转角度和垂直旋转角度;
8)旋转从摄像机进行对行人的清晰外貌进行捕捉。
2.根据权利要求1所述的基于主从摄像机的行人头肩检测与外貌捕捉方法,其特征在于:所述改进的ViBe算法包括以下步骤:
(a)算法的初始化;
(b)前景区域检测;
(c)背景模型更新;
(d)“死区”的判定;
(e)“死区”的抑制。
3.根据权利要求1所述的基于主从摄像机的行人头肩检测与外貌捕捉方法,其特征在于:所述基于两阶段分类的行人头肩检测算法包括以下步骤:
(a)第一阶段训练过程:使用AdaBoost思想的级联分类思想训练HOG、LBP或者Haar-Like特征生成“第一阶段头肩检测器”;
(b)第一阶段分类过程:使用“第一阶段头肩检测器”检测图像中的头肩部位区域作为“候选区域”;
(c)第二阶段训练过程:使用SVM分类算法训练ORB特征生成“第二阶段头肩检测器”;
(d)第二阶段分类过程:使用“第二阶段头肩检测器”对“候选区域”进行第二次检测,将第二次检测的结果作为最终的结果。
4.根据权利要求1~3任一权利要求所述的基于主从摄像机的行人头肩检测与外貌捕捉方法,其特征在于:所述主摄像机为鱼眼摄像机,所述从摄像机为云台摄像机。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710884909.1A CN107578031A (zh) | 2017-09-26 | 2017-09-26 | 一种基于主从摄像机的行人头肩检测与外貌捕捉方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710884909.1A CN107578031A (zh) | 2017-09-26 | 2017-09-26 | 一种基于主从摄像机的行人头肩检测与外貌捕捉方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN107578031A true CN107578031A (zh) | 2018-01-12 |
Family
ID=61038575
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710884909.1A Pending CN107578031A (zh) | 2017-09-26 | 2017-09-26 | 一种基于主从摄像机的行人头肩检测与外貌捕捉方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107578031A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111242076A (zh) * | 2020-01-20 | 2020-06-05 | 江铃汽车股份有限公司 | 行人检测方法及系统 |
CN112520606A (zh) * | 2020-10-21 | 2021-03-19 | 浙江大华技术股份有限公司 | 塔吊监控系统和塔吊监控方法 |
CN112767452A (zh) * | 2021-01-07 | 2021-05-07 | 北京航空航天大学 | 摄像机主动感知方法及系统 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102006461A (zh) * | 2010-11-18 | 2011-04-06 | 无锡中星微电子有限公司 | 摄像机联合跟踪检测系统 |
CN102291569A (zh) * | 2011-07-27 | 2011-12-21 | 上海交通大学 | 双摄像机自动协同多目标鹰眼观测系统及其观测方法 |
CN103824070A (zh) * | 2014-03-24 | 2014-05-28 | 重庆邮电大学 | 一种基于计算机视觉的快速行人检测方法 |
-
2017
- 2017-09-26 CN CN201710884909.1A patent/CN107578031A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102006461A (zh) * | 2010-11-18 | 2011-04-06 | 无锡中星微电子有限公司 | 摄像机联合跟踪检测系统 |
CN102291569A (zh) * | 2011-07-27 | 2011-12-21 | 上海交通大学 | 双摄像机自动协同多目标鹰眼观测系统及其观测方法 |
CN103824070A (zh) * | 2014-03-24 | 2014-05-28 | 重庆邮电大学 | 一种基于计算机视觉的快速行人检测方法 |
Non-Patent Citations (1)
Title |
---|
WEI YUN 等: "An Improved Pedestrian Detection Algorithm Integrating Haar-Like Features and HOG Descriptors", 《ADVANCES IN MECHANICAL ENGINEERING》 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111242076A (zh) * | 2020-01-20 | 2020-06-05 | 江铃汽车股份有限公司 | 行人检测方法及系统 |
CN112520606A (zh) * | 2020-10-21 | 2021-03-19 | 浙江大华技术股份有限公司 | 塔吊监控系统和塔吊监控方法 |
CN112767452A (zh) * | 2021-01-07 | 2021-05-07 | 北京航空航天大学 | 摄像机主动感知方法及系统 |
CN112767452B (zh) * | 2021-01-07 | 2022-08-05 | 北京航空航天大学 | 摄像机主动感知方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN103824070B (zh) | 一种基于计算机视觉的快速行人检测方法 | |
CN104106260B (zh) | 基于地理图的控制 | |
CN105894702B (zh) | 一种基于多摄像机数据融合的入侵检测报警系统及其检测方法 | |
CN111160125B (zh) | 基于铁路监控的铁路异物入侵检测方法 | |
CN105205455B (zh) | 一种移动平台上人脸识别的活体检测方法及系统 | |
US10445887B2 (en) | Tracking processing device and tracking processing system provided with same, and tracking processing method | |
CN109344702B (zh) | 基于深度图像和彩色图像的行人检测方法及装置 | |
US11107246B2 (en) | Method and device for capturing target object and video monitoring device | |
CN106534766B (zh) | 一种使用ptz摄像机对目标进行自动跟踪的方法及装置 | |
KR101788225B1 (ko) | 건설현장 맞춤형 이미지 분석기술을 활용한 중장비/근로자 인식 및 추적 방법 및 시스템 | |
JP5127067B2 (ja) | 画像検索装置及び画像検索方法 | |
CN107657626B (zh) | 一种运动目标的检测方法和装置 | |
CN104954747B (zh) | 视频监视方法和装置 | |
CN107578031A (zh) | 一种基于主从摄像机的行人头肩检测与外貌捕捉方法 | |
CN112036257A (zh) | 一种无感知人脸图像采集方法和系统 | |
JP4764172B2 (ja) | 画像処理による移動体候補の検出方法及び移動体候補から移動体を検出する移動体検出方法、移動体検出装置及び移動体検出プログラム | |
CN107968916A (zh) | 一种适用于非固定场景的快速视频稳像方法 | |
CN109313806A (zh) | 图像处理装置、图像处理系统、图像处理方法和程序 | |
CN109697428A (zh) | 基于rgb_d和深度卷积网络的无人机识别定位系统 | |
KR101542206B1 (ko) | 코아스-파인 기법을 이용한 객체 추출과 추적 장치 및 방법 | |
Chen et al. | Head-shoulder detection using joint HOG features for people counting and video surveillance in library | |
CN111144260A (zh) | 一种翻越闸机的检测方法、装置及系统 | |
CN112954188B (zh) | 一种仿人眼感知的目标主动抓拍方法和装置 | |
CN112766033B (zh) | 一种基于多视角相机估计场景下行人共同关注目标的方法 | |
CN108288261A (zh) | 脸部照片的筛选方法及脸部辨识系统 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20180112 |