[發明專利]一種人體檢測方法

無效

• 申請號: 201010218630.8
• 申請日: 2010-06-25
• 公開（公告）號: CN101908150A
• 公開（公告）日: 2010-12-08
• 發明（設計）人: 袁雪;魏學業;宋永瑞
• 申請（專利權）人: 北京交通大學
• 主分類號: G06K9/64
• 分類號: G06K9/64
• 代理公司: 暫無信息
• 代理人: 暫無信息

技術領域

這個發明適用于，從單個固定攝像機提取的圖像中自動的檢測人體的裝置，屬于圖像處理，模式識別，計算機視覺領域。

背景技術

人體檢測在計算機視覺領域中有許多重要的應用，例如駕駛輔助系統，視頻監控，圖像檢索，機器人和高級人機交互等。在智能視頻監控中，自動在場景中搜索人體被視為理解人類活動的首要預處理步驟。但至今為止，人體的自動搜索問題仍然沒有得到令人滿意的結果，主要因為人體自身體形的多元性，人體姿態變化多端，衣著具有多樣性以及背景，光照條件的復雜性等。而且，當監視空間中的人體的一部分被遮擋，無法拍攝到人體整體特征時，進行準確的人體檢測是非常有挑戰的課題。

目前人體檢測裝置中的人體特征提取通常都是尋找一種表示人體輪廓信息的方法，例如N.Dalal等人于2005年發表的文章“Histograms?of?orientedgradi?ents?for?human?detection”中提出的梯度方向直方圖(Histogram?oforiented?gradient)特征等，人體檢測中所采用的分離器則主要有非專利文獻1(S.Munder，D.M.Gavrila，”An?experimental?study?on?pedestrianclassification”IEEE?Transactions?on?Pattern?Analysis?and?MachineIntelligence，Volume?28，Issue?11，2006)中提出的Adaboost法與支持向量機(Support?Vector?Machine)法.

為了去除人體自身體形的多元性，人體姿態變化多端，衣著具有多樣性以及背景，光照條件的復雜性對人體檢測的影響，非專利文獻1通過Adaboost分類器進行機器學習時，需要收集大量的包含各種人體體形，人體姿態，衣著，背景等樣本圖片。并且，通過Adaboost分類器的學習及分類需要大量的處理時間，無法滿足實時進行人體檢測的要求。

為了實現對身體的一部分被遮擋的人物進行準確的檢測，非專利文獻2(B.Wu?and?R.Nevatia.“Detection?and?tracking?of?multiple，partially?occludedhumans?by?bayesian?combination?of?edgelet?based?part?detectors.”IJCV，75(2)：247-266，2007)提出了將人體分為幾個部分，例如上半身，下半身，腿部等，對各部分建立不同的分類器進行分類，最后結合各分類器的分類結果，從而得到最終的人體檢測結果。由于非專利文獻2需要建立多個分類器，所以需要收集更多的樣本圖片，分類器的學習及分類需要更長的時間。

發明內容

有鑒于此，本發明的目的在于提供一種高效率，高精度的人體檢測方法，通過多種體形、多種姿勢的人體樣本建立具有一定模糊性的人體檢測模型，可提高人體檢測的魯棒性。而且，本發明提出了一種只使用一個模板同時對被遮擋的人物及沒有被遮擋的人物進行檢測的方法。利用本發明提出的方法，提高了人體檢測的效率及精度。

本發明方法的具體工作流程如下，

1.建立人體檢測模板

步驟100，收集各種人體圖像。

步驟101，提取各圖像人體輪廓。

步驟102，各人體輪廓累加。

步驟103，建立人體檢測模板。人體檢測模板的各點由(x，y，)各相組成，其中x為該點的x坐標；y為該點的y坐標；為該點的平均灰度值，該平均灰度值由下式計算而得：W_i為第i幅圖中該點(x，y)的灰度值，N為建立人體檢測模板用到的圖像數；為出現在該點，出現次數最多的方向梯度相角量化值θ。

步驟104，人體檢測模板分區。

2.確定人體候補區域

步驟200，計算前景背景差分。

步驟201，用Canny算子計算差分圖像的邊緣圖像。

步驟202，確定人體候補區域。

3.人體檢測

步驟401，調節人體候補區域的大小。使人體候補區域與人體檢測模板的大小一致。

步驟401，與人體檢測模板匹配的邊緣點的提取。

步驟402，判斷該匹配邊緣點是否為有效邊緣點。如果該點為有效邊緣點，則進入步驟403，如果該點位無效邊緣點，則進入步驟409。判斷標準為：各有效匹配邊緣點與模板中心的連線上只能有一個有效邊緣點；各有效匹配邊緣點間應相互連接。

步驟403，計算各分區內有效邊緣點點數。