[发明专利]基于深度信息的人体检测方法

说明书

技术领域

本发明涉及人体检测技术，特别涉及基于深度信息的人体检测方法。

背景技术

近两年，由于VR、AR的热度与日俱增，各方巨头争抢市场占有率时，与之相关的各方面技术都得到进一步的推广与研究，而深度信息则是其中的核心。

人体检测作为计算机视觉领域备受关注的研究热点和前沿方向，它在机器人视觉、高级人机交互以及智能监控、智能交通、安全辅助驾驶等方面得到广泛的应用和推广。人体检测除了这些比较直接的应用外，还是实现人体动作、姿态识别和跟踪的技术基础，具有很深的理论研究价值和广泛的应用前景。

目前，根据图像的类型，人体检测可以分为两类：基于RGB图像的检测和基于深度图像的检测。前者已经取到了很大的进展，也是现在比较主流的实现方式，但是，基于RGB图像容易受到光照变化、阴影、物体遮挡以及复杂背景等外在因素的干扰，使得检测性能大打折扣。深度图像作为一种新型的数据描述方式，它保存的只是物体的空间位置信息，更重要的是具有保护隐私和维度小的优点。

积分通道特征是由dollar等人2009年提出的人体特征描述方法，使得人体检测不仅在检测速度上有了显著提高，而且检测质量也更加准确。积分通道特征主要是应用于RGB图像中人体的检测，而且最主要的一个通道特征就是像素灰度，为了能够在深度图像中适用，将其灰度特征通道替换为深度信息，而后，通过样本的训练得到基于深度图的分类器，从而能够在深度图像上进行人体检测。

发明内容

本发明要解决的技术问题是：提供一种基于深度信息的人体检测方法，解决人体检测受外部环境干扰大、适用性低的问题。

为解决上述问题，本发明采用的技术方案是：基于深度信息的人体检测方法，包括图像预处理步骤和人体检测步骤；其中，

图像预处理步骤包括：

s11、图像深度信息提取；

s12、对深度图像进行高斯图像金字塔下采样；

s13、对下采样后的图像进行梯度直方图，以获取特征通道；

s14、对梯度直方图后得到特征通道进行积分图运算；

人体检测步骤包括：

s21、通过帧间运动信息，找到检测区域；

s22、采用基于离散AdaBoost算法的分类器对需要检测区域进行特征提取；

s23、对通过分类器检测输出人体窗口进行合并，在图像上标志处人体区域。

进一步的，步骤s12输出图像分辨率是输入图像的四分之一。

进一步的，步骤s13之后总共获得8个特征通道，包括：采用了梯度直方图方法得到的6个梯度直方图特征通道，一个梯度幅值特征通道以及一个图像深度值特征通道。

进一步的，步骤s13包括：

s131、在每个深度像素上计算图像梯度幅值和梯度方向；

s132、将梯度方向在[0-180°]区间内量化为6个单位，梯度幅值通过HOG映射到这个区间内，共占据6个特征通道，再包括图像深度值占一个特征通道，梯度幅值占一个特征通道，总共8个特征通道。

进一步的，s131中，梯度幅值首先采用sobel算子从横向和纵向分别求梯度值，然后对同一个像素位置的横向和纵向梯度求平方和再开方得到其梯度值；梯度方向根据横向和纵向梯度值求取。

进一步的，步骤21根据上1帧人体所在位置确定当前图像检测区域。

进一步的，步骤22包括：训练多个检测窗口大小不同的分类器，其中弱分类器采用2层决策树，决策树及其权重通过离散AdaBoost算法学习得到，检测区域经过多个分类器计算判断是否包含人体。

本发明的有益效果是：由于在人体检测过程中，加入了帧间运动信息，排除了大部分非人体区域，同时，训练了多个不同尺度的分类器，分别对检测区域进行分类，有效提高了检测得准确度。

具体实施方式

本发明实现了一种基于深度信息的人体检测，使其能在智能家居、人机交互等平台上得到广泛应用，为了使本发明的目的、技术方案和优点更加清楚，以下对本发明实施步骤进行了进一步的详细说明。

基于深度信息的人体检测方法包括：s0、通过深度摄像头获取每帧图像；s1、对每一帧图像进行预处理；s2、对预处理后的图像进行人体检测。

本发明图像预处理包括以下步骤：

s11、对图像进行深度信息提取，如深度图像的高度和宽度以及检测窗口的大小；