[发明专利]一种基于头肩距的人体检测方法

说明书

技术领域

本发明属于目标检测技术领域，具体涉及一种基于头肩距的人体检测方法。

背景技术

人体检测大致分为两大部分：人体描述特征的提取和人体特征识别。其中，人体描述特征的提取是人体特征识别的前提和条件，人体描述特征的准确性和复杂性，直接影响人体检测的结果和效果。因此，人体描述特征的提取是人体检测至关重要的一环。

人体躯干和四肢的运动是人体运动的主要形式，使人体形呈现多种多样的姿态。人体特征需要满足稳定性和代表性，从多种姿势中找到相对稳定的人体特征是人体检测的关键。目前，已经有学者提出将头肩部分作为人体描述特征。头肩部分受四肢运动的影响很小，基本可以保持形状的稳定，同时，头肩部分被遮挡的几率较低，方便提取。头肩部分只随着躯干弯曲和侧身的角度而有所改变。1961年，Hu M.K在几何距的基础上，构建了7组不变距，简称Hu距，Hu距具有平移、旋转和缩放不变性。因此，计算头肩部分的Hu距，作为特征向量，可以很好的解决侧身等对头肩部分的影响。之后即对特征向量进行处理，目前，常用的方式利用神经网络对特征向量进行学习和训练，得到人体检测分类器。测试集的人体描述特征，只要通过分类器的分类，即可完成人体检测。

文献一（毛以方等于2009年在科技信息发表的《基于头肩特征的人体识别研究》）中采用了头肩轮廓的Hu距作为人体特征向量，经过神经网络分类器来识别出人体。这种方法在人体之间相互独立的情况下，有很好的检测效果，但是，如果人与人之间存在遮挡，就会影响人体轮廓的提取，从而导致人体检测的正确率低。

由此可见，头肩模型的准确性，直接关系到特征向量的计算以及分类器的分类性能。所以，头肩模型提取的准确性是至关重要的。

发明内容

本发明解决了因人与人之间存在遮挡，会影响人体轮廓的提取，从而导致人体检测的正确率低的技术问题。

为了解决上述技术问题，本发明提供一种基于头肩距的人体检测方法，首先对摄像机获得的图像提取人体头肩模型，计算人体头肩特征向量，训练BP神经网络分类器，区分图像中的人体目标和非人体目标，其特征在于，对所述非人体的目标做进一步人体检测，具体过程为：

步骤一：从目标图像中找出满足头发颜色的图像区域，对每一个满足头发颜色图像区域的内部缺陷进行填充并滤波处理，获得更新后的满足头发颜色的图像区域；

步骤二：以更新后的满足头发颜色图像区域的区域宽度作为人体头肩模型的头部宽度，然后根据人体比例模型估计出人体头肩模型的高度，并根据人体头肩模型的高度确定聚类范围；

步骤三：采用均值漂移算法获得与聚类范围内每个像素一一对应的收敛值所构造的收敛矩阵，针对收敛矩阵内每个元素，先后依据目标图像的空间信息和颜色信息进行聚类，继而对聚类范围内的像素进行聚类；

步骤四：判断每个聚类类别是否符合人体头肩模型，提取符合人体头肩模型的类别区域轮廓，获得头肩轮廓。

本发明与现有技术相比，其显著优点在于，本发明将颜色模型和均值漂移聚类算法用到人体特征提取中，克服了人与人之间存在遮挡情况下人体头肩模型提取会发生错误的弊端，提高了人体检测的正确率和人体检测的应用范围。

附图说明

图1是本发明方法流程图。

图2是使用本文发明对非人体目标进一步检测的流程图。

图3是本发明方法均值漂移聚类及轮廓提取流程图。

具体实施方式

如图1所示，本发明方法，首先对摄像机获得的图像提取人体头肩模型，计算人体头肩特征向量，训练BP神经网络分类器，区分图像中的人体目标和非人体目标。

对于人体头肩模型，Hu距7维特征向量、HOG特征和Harr特征均可作为描述头肩模型的特征向量。本发明方法通过计算头肩模型的Hu距获得7维特征向量，作为所述人体头肩特征向量，具体计算过程如下：