專利名稱：基于第二代Bandelet變換和星型模型的靜態(tài)人體檢測方法
技術領域：
本發(fā)明屬于圖像處理技術領域，涉及靜態(tài)人體檢測方法，可用于智能監(jiān)控、駕駛員輔助系統(tǒng)、人體運動捕捉、色情圖片過濾、虛擬視頻等。
背景技術：
計算機視覺中的人體檢測是一門應用前景十分廣闊的技術，人體檢測其實在多個領域都有較好的應用前景，但是由于人體姿態(tài)的多樣性，背景的嘈雜以及衣服紋理，光照條件，自身遮擋等多方面的因素導致人體檢測成為一個非常困難的問題。目前，靜態(tài)圖像中人體檢測的方法主要有基于人體模型的方法、基于模板匹配的方法和基于統(tǒng)計分類的方法。其中基于人體模型的方法，要有明確的人體模型，然后根據(jù)模型構造的各個部位與人體之間的關系進行人體識別。這種方法可以處理遮擋問題，并且可以推斷出人體的姿態(tài)。但是這種方法的不足是模型的構建比較難，求解也比較復雜?；谀０迤ヅ涞姆椒?，先是給人體目標構造一個模板，然后根據(jù)模板匹配算法進行人體的識別。這種方法與基于模型的方法相比計算比較簡單，缺點是由于人體姿態(tài)的復雜性，很難構造出足夠的模板以處理不同的姿態(tài)。基于統(tǒng)計分類的方法，通過機器學習從一系列訓練數(shù)據(jù)中學習得到一個分類器， 用該分類器來表示人體，然后利用該分類器對輸入窗口進行分類及識別。基于統(tǒng)計分類的方法的優(yōu)點與人體模型的方法和模板匹配的方法相比是比較魯棒，檢測結果較優(yōu)，但其缺點是需要很多訓練數(shù)據(jù)，并且很難解決姿態(tài)和遮擋的問題。

發(fā)明內容
本發(fā)明目的是針對上述已有技術的不足，提出的一種基于第二代Bandelet變換與星型結構相結合的人體檢測方法，從圖像的幾何流特性和人體的幾何結構出發(fā)，有效處理遮擋問題，降低人體檢測的虛景率，提高人體檢測的正確率。為實現(xiàn)上述目的，本發(fā)明的技術方案包括如下(1)從INRIA數(shù)據(jù)庫中通過自舉操作獲取大量的負樣本，并與數(shù)據(jù)庫中其它的正樣本一起構成整個人體訓練樣本集FB，對FB進行手動切割，得到人體頭部，左肩，右肩，下肢，腳步五個人體部位的訓練樣本集；(2)提取FB和五個部位訓練樣本集的Bandelet系數(shù)和該系數(shù)的統(tǒng)計值，將其作為 Bandelet聯(lián)合特征，得到相應的樣本特征集，并利用Adaboost算法對這些樣本特征集進行分類訓練，得到整個人體分類器和五個部位分類器；(3)對人體各個部位進行基于星型模型的學習，得到整個人體星型模型，將步驟 (2)中得到的整個人體分類器和五個部位分類器的輸出值作為人體星型模型中相應部位濾波器的輸入值；
(4)輸入任意大小的待檢圖像，利用Bandelet變換計算待檢圖像的Bandelet系數(shù)矩陣；(5)根據(jù)待檢圖像的Bandelet系數(shù)矩陣，計算待檢圖像中所有掃描窗口的 Bandelet聯(lián)合特征，輸入步驟O)中所得整個人體分類器和五個部位分類器，初步判定待檢圖像中人體候選區(qū)域，在人體候選區(qū)域內進行從左到右9X9的鄰域掃描；(6)根據(jù)步驟(3)中所得的人體模型，計算待檢圖像中各掃描窗口在星型模型中濾波器的輸出值，并根據(jù)濾波器的輸出值判定掃描窗口中是否存在人體，若濾波器輸出值大于零則認為該掃描窗口中存在人體和人體部位，反之則認為不存在人體和人體部位；(7)對存在人體和人體部位的窗口利用主窗口合并法進行窗口合并，得到最終人體檢測結果。本發(fā)明與現(xiàn)有的技術相比具有以下優(yōu)點1、本發(fā)明是結合Bandelet特征和星型模型的人體檢測方法，通過實驗結果可得本發(fā)明有效提高了人體檢測的正確率，降低了人體檢測的虛景率。2、本發(fā)明利用星型模型來表示人體，充分利用了人體的幾何結構，可以有效處理部位遮擋問題。3、本發(fā)明是利用Bandelet幾何流特性，通過Bandelet聯(lián)合特征來刻畫人體圖像的幾何特性，再與星型模型相結合使得人體每個部位都能被充分表征出來，與HOG方法相比更能體現(xiàn)人體幾何結構特性，獲得更多人體特征信息量。


圖1是本發(fā)明的流程示意圖；圖2是本發(fā)明中使用的整個人體以及各個部位的正樣本圖像；圖3是本發(fā)明中使用的整個人體以及各個部位的負樣本圖像；圖4是各個部位的性能比較圖；圖5是本發(fā)明與HOG方法的性能比較圖；圖6是本發(fā)明用于人體圖像檢測的結果圖。
具體實施例方式本發(fā)明是從基于部位的人體檢測出發(fā)，提出了一種基于第二代Bandelet變換和星型模型的人體檢測方法，利用Bandelet變換中的Bandelet系數(shù)及其統(tǒng)計特征作為最終的人體特征，然后利用星型模型的學習和匹配檢測出圖像中的人體，并將實驗結果與HOG 實驗結果進行比較。參照圖1，本發(fā)明的具體實現(xiàn)步驟如下步驟一，獲取整個人體訓練樣本集和各個人體部位的訓練樣本集。為了獲得本發(fā)明試驗所需的訓練樣本集，以INRIA數(shù)據(jù)庫為基礎，通過負樣本的自舉操作來獲取大量的負樣本，并與數(shù)據(jù)庫中其它的正樣本一起構成整個人體的訓練樣本集，再利用手動切割的方法獲得各個人體部位的訓練樣本集，其具體實現(xiàn)步驟如下(1. 1)所需的訓練樣本集來自INRIA人體數(shù)據(jù)庫，下載地址為http//pascal. inrialpes. fr/data/human/,由于該數(shù)據(jù)庫沒有提供足夠的負樣本，所以需要以該數(shù)據(jù)庫為基礎，通過負樣本的自舉操作來獲取大量的負樣本，其具體過程如下(1. Ia)先從INRIA數(shù)據(jù)庫中任取一小部分正樣本與負樣本，進行特征提取，訓練初始分類器；(1. Ib)使用這個初始分類器，來檢測數(shù)據(jù)庫中的其余非人體圖像，從錯分的掃描窗口圖像中隨機挑選一部分與當前的負樣本組成新的負樣本集，使用隨機挑選能夠避免混入大量特征相似的樣本圖像；(1. Ic)重復特征提取、訓練分類器、檢測非人體圖像及組成新的負樣本集這一過程直至收集到與INRIA數(shù)據(jù)庫中正樣本個數(shù)相同的最終負樣本；(1. 2)為了使訓練樣本更具有帶表性，分別使用基于梯度方向直方圖HOG特征及 Bandelet聯(lián)合特征兩種特征進行特征提取，這樣進行負樣本的自舉操作，可得到兩個負樣本集，然后取其交集作為最終的負樣本集，最后由這個負樣本集加上INRIA數(shù)據(jù)庫中的正樣本集，得到整個人體樣本集ra ；(1. 3)對整個人體樣本集FB中所有正負樣本進行頭部和腳部40X40像素的樣本圖像部位切割，左肩和右肩32X48像素的樣本圖像部位切割，下肢40X32像素的樣本圖像部位切割，刪除偏離人體較大的切割結果可得到頭部樣本集H，左肩樣本集LS，右肩樣本集 RS,下肢樣本集L，腳部樣本集F人體的五個部位樣本集；(1.4)將整個人體樣本集和人體的五個部位樣本集構成最終的訓練樣本集，其中整個人體樣本集有M16個正樣本與10000個負樣本作為訓練樣本集，樣本的大小均為 128 X 64像素，人體的五個部位樣本集各有2074個正樣本與10000個負樣本，頭部和腳部樣本大小為40X40像素，左肩和右肩為48X32像素，下肢為32X40像素。圖2給出了其中的部分樣本圖像，其中圖2(a)為部分正樣本，圖2(b)為部分負樣本。步驟二，利用Bandelet變換，計算所有訓練樣本的Bandelet聯(lián)合特征組成六個訓練樣本特征集，其包括一個整個人體樣本特征集和人體的五個部位樣本特征集，其具體實現(xiàn)步驟如下(2. 1)對每個樣本圖像做如下二維離散正交小波變換(2. Ia)對樣本圖像的每行做一維小波變換Xi =(Xn +Xi2)/^2 i = 1,2, K nx/2 il = 1,3,5K i2 = 2，4，6KXu = (Xu-Xu2)Iyil \χ = nx/2, nx/2+1, K nx ul = 1,3,5K u2 = 2，4，6K其中，Xi, Xu, Xil, Xi2, Xul, Xu2分別表示每一行上第i，u，il, i2，ul, u2個像素點的灰度值，nx表示圖像灰度矩陣的行數(shù)；(2. Ib)對樣本圖像的每列做一維小波變換X1 =(Xn +Xj2)/42 j = 1,2, K ny/2 jl = 1，3，5K j2 = 2，4，6KXv = (Xvl-Xv2)/λ/2 ν = ny/2, ny/2+1, K ny vl = 1，3，5K v2 = 2，4，6K其中，X」，Xv, Xjl, XJ2, Xvl, Xv2分別表示每一列上第j，v，jl, j2，vl, v2個像素點的灰度值，ny表示圖像灰度矩陣的列數(shù)，可得樣本圖像二維離散正交小波變換系數(shù)，本發(fā)明通過對比實驗得出，做二維小波變換的層數(shù)為1時，特征的表征性能最好。(2. 2)將二維離散正交小波變換后的樣本圖像結合四叉樹分割優(yōu)化算法建立多尺度圖各子帶的最佳四叉樹分解，得到LXL的Bandelet塊，L表示Bandelet塊的寬度。所述
7的四叉樹分割優(yōu)化算法可參見文獻G. Peyr6 and S. MalIat，“Surface compression with geometric bandelets，，，ACM Transactions on Graphics (TOG) Vo 124-3, ACM New York, NY, USA, July 2005，pp.601—608 ；(2. 3)對各個Bandelet塊根據(jù)Lagrange罰函數(shù)法求取一個最佳幾何流方(2. 3a)對于尺寸為LXL的子塊S，將圓周角
的網格點，h，l為每個像素點分別在χ軸和y軸所在的位置，計算網格點在采樣角度α上的正交投影誤差t t = -sin (α ) · χ (h) +cos (α ) · y(l)將網格點按誤差值t從小到大排序，得到一個L2X 1的排序索引，然后將這個子塊 S的二維正交離散小波變換后的系數(shù)按排序索引進行重排序，得到一個一維信號fs ；(2. 3c)對一維信號fs進行一維小波變換得到一維信號f α，同時計算該信號的量化值7 ，量化公式為其中，T為量化閾值，q為整數(shù)，sign為符號函數(shù)；(2. 3d)根據(jù)fa和的值計算子塊S內的最佳幾何流方向，該方向就是使得 Lagrange函數(shù)丄(/Ω) = |/Ω _Λ|f +七尸(Rg + Rb)最小的幾何流方向，其中，Rg表示編碼
幾何流所需比特數(shù)，Rb表示編碼量化后的Bandelet系數(shù)所需比特數(shù)，λ是Lagrange乘子取 3/28 ；(2. 3e)取最小Lagrange函數(shù)值對應的一維小波變換系數(shù)f0，并按Mallet法則將此系數(shù)重新組合為二維形式，作為子塊S內的Bandelet系；(2. 4)按每個子塊S提取樣本圖像的Bandelet系數(shù)和Bandelet系數(shù)的統(tǒng)計量， 本發(fā)明優(yōu)先選取的統(tǒng)計量包括如下能量:e = 1心、熵-乙^乂”10^^小均值
^Σ、《和最大值max (cm,n)，其中，cm,n為各個子塊S中(m，n)為坐標上的Bandelet系數(shù)，
丄、m,n
N為各個子塊S中所含元素的個數(shù)。將Bandelet系數(shù)和Bandelet系數(shù)的統(tǒng)計量作為最終的圖像特征，對整個人體樣本集和人體的五個部位樣本集提取圖像特征，得到相應的整個人體訓練樣本特征集和人體的五個部位訓練樣本特征集。步驟三，利用AdaBoost算法，對各個訓練樣本特征集進行分類訓練得到相應的 AdaBoost分類器，其具體步驟如下(3. 1)輸入整個人體訓練樣本特征集和人體的五個部位訓練樣本特征集可建立相
qT<\fa\<(q + l)T應的多個弱分類器；(3. 2)通過對弱分類器的學習，得到每個樣本特征的權重值，使每個樣本特征的權重值來表示該樣本特征被錯分的大小，根據(jù)該樣本特征被錯分的大小更新該樣本特征的權重值從而構造出相應的整個人體分類器和人體的五個部位分類器。步驟四，對人體各個部位進行基于星型模型的學習，得到整個人體星型模型，其具體步驟如下(4. 1)通過連接參數(shù)Ck建立人體各個部位與對應的人體根部位間的彈性連接，初步確定整個人體星型模型，該模型符合高斯分布，表示為P(lk, 10/Ck) = N(lk-10, Vk, Σ k)式中，N表示高斯分布，Ik表示人體第k個部位所在位置，k = 1，. . .，5，依次表示頭部，左肩部，右肩部，下肢部，腳部所在位置山表示人體根部位所在位置，該根部位是指整個人體的中心位置；Vk是一個二維矢量，是第k個部位相對于其根部位的理想位置，將人體的五個部位分類器的輸出值作為整個人體星型模型中相應人體部位濾波器的輸入值，Vk 由第k個部位濾波器最大輸出值確定；連接參數(shù)Ck = (Vk, Σ k)，Σ k是第k個部位與對應根部位之間彈性連接剛度的全協(xié)方差矩陣；(4. 2)對全協(xié)方差矩陣Σ k進行奇異值分解，表示為Ik = uAljI，式中，Uk是Σ k的奇異向量，Uk=E kT，W是T另外一個奇異向量，W = ， Dk是一個對角矩陣，代表Σ k的奇異值，上標T表示矩陣的轉置；由Σ k的奇異值分解得到第k個人體部位與該人體部位根部位的變換式Tktl(Ik)和該人體部位根部位本身的變換式 Tok(Io)Tko(Ik) = UlQk-Vk) ,T0k(I0) = Urk(I0)；根據(jù)上述變換式得到整個人體的星型模型為P(lk, 10/Ck) = N[Tk0 (Ik)-Ttlk(I0)，0，Dk]式中，N表示高斯分布，Tk0(Ik)-T0k(I0)表示該高斯分布的隨機變量，0表示該高斯分布的均值，Dk表示該高斯分布的協(xié)方差；(4. 3)將人體的第k個部位相對于其理想位置Vk的形變代價式，4表示為dkh =% )- ^;^ ^)- )試中 Mk = 2XDk,上標 T 表示矩陣的轉置；由此可將每一個人體部位濾波器的輸出值民，&表示為Rk,lk = mMfkJk — dk,lk + b)
Lk式中，表示第k部位在Ik位置濾波器的輸入值，b是第k部位相對于其根部位的偏移量；(4. 4)根據(jù)各個人體部位濾波器輸出值民，4，由下式得到整個人體濾波器FO輸出值
5 ScoreiF0) = /。+ ΣKk (Z。+Vk)‘
k=\ 式中，&是整個人體濾波器的輸入值，I0表示人體根部位所在位置，Vk是第k個部位相對于其根部位的理想位置，將整個人體濾波器Ftl的輸出值作為整個人體星型模型最終
9的輸出值。步驟五，輸入任意大小的待檢圖像，計算其Bandelet系數(shù)矩陣得到待檢圖像的圖像特征，其具體步驟如下(5. 1)輸入任意大小待檢圖像，將其按一定的比例縮放，縮放比取
,然后按下式截去右邊小于8個像素與下邊小于16個像素的多余部分X = IX/8 I X 8Y = |Y/16| X 16其中，X為待檢圖像在水平方向的像素值，Y為待檢圖像在垂直方向的像素值，I 表示截尾取整；對待檢圖像進行二維離散正交小波變換，小波變換的層數(shù)為1 ；(5.2)將二維離散正交小波變換后的圖像進行4X4像素的二進剖分，并將每個 4X4像素的小塊作為一個Bandelet塊；(5. 3)計算每個Bandelet塊在各方向上的投影誤差，并按最小Lagrange函數(shù)法， 求取一個最優(yōu)的投影誤差排序索引；(5. 4)根據(jù)每個Bandelet塊的最優(yōu)排序索引，將其上的二維離散小波變換系數(shù)進行重排序，得到對應的一維信號；(5. 5)對每個一維信號作一維小波變換得到一維小波變換系數(shù)，按Mallet法則將此系數(shù)重新組合為二維形式，作為對應Bandelet塊的Bandelet系數(shù)，用所有Bandelet塊的Bandelet系數(shù)，構成經步驟(5. 1)處理過的待檢圖像的Bandelet系數(shù)矩陣，從而得到待檢圖像的圖像特征。步驟六，將待檢圖像的圖像特征輸入整個人體分類器和人體各個部位分類器，得到整個人體濾波器的輸出值，其具體步驟如下(6. 1)根據(jù)整個人體分類器的輸出值初步確定人體的候選區(qū)域，然后在候選區(qū)域的9 X 9鄰域內從左到右掃描，依次掃描人體的頭部，左肩，右肩，下肢以及腳部；(6. 2)每掃描一個人體部位，計算出該人體部位的形變代價和該人體部位濾波器的輸出值，最終確定整個人體濾波器的輸出值。步驟七，根據(jù)整個人體濾波器的輸出值，利用主窗口合并法，對所有分為人體的掃描窗口進行組合，形成最終的人體檢測結果，具體步驟如下(7. 1)根據(jù)整個人體濾波器的輸出窗口判定被測圖像中人體候選區(qū)域，若濾波器輸出的掃描窗口不含有人體窗口，則待檢圖像中不含人體，否則，找出整個人體濾波器輸出值最大的人體窗口作為人體主窗口；(7.2)在候選區(qū)域內進行χ方向步長為9，y方向步長為9的濃密掃描，得到各個人體部位窗口濾波器的輸出值，找出部位濾波器輸出值最大的人體部位窗口作為人體部位
主窗口 ；(7. 3)對人體主窗口和人體部位主窗口與其他人體窗口或人體部位窗口進行組合判定，當其他人體窗口處于人體主窗口周圍且重疊小于3/5時，判為不組合，同理，當其他人體部位窗口處于人體部位主窗口周圍且重疊小于3/5時也判為不組合，否則進行組合；(7. 4)將人體主窗口與人體部位主窗口與所需要組合的人體窗口或人體部位窗口的邊界均值作為一個檢測結果；(7.5)刪除主窗口與部位主窗口以及所有參與組合的人體窗口與人體部位窗口 ；
(7. 6)若還有剩余的窗口，則再找出其中分類器分數(shù)最高的作為主窗口，并重復步驟(7. 2)-(7. 5)的操作；(7. 7)在待檢人體圖像上標出所有的檢測結果，作為該被測圖像的最終檢測結果， 該最終檢測結果可以采用矩形框來表示，被檢出的人體處于矩形框內。本發(fā)明的效果可通過以下實驗結果與分析進一步的說明1、實驗條件實驗所需的正樣本和負樣本均取自于INRIA數(shù)據(jù)庫，由此可得到M16個正樣本與 10000個負樣本作為訓練集，1132個正樣本與4050個負樣本作為測試集，樣本的大小均為 1 X 64像素，在以上樣本集的基礎上切割得到各個部位樣本集，然后再手動移除一些偏離較大的樣本最后得到部位集均包含2074個正樣本與1000個負樣本作為訓練集，1132個正樣本于4050個負樣本作為測試集。其中H頭部樣本的大小為40 X 40像素，LS左肩和RS右肩樣本大小為32X48像素，L腿部樣本大小為40X32像素，F(xiàn)腳部樣本大小為40 X 40像素，圖2給出了其中部分樣本圖像，其中圖2 (a)為部分整個人體正樣本，2 (b)為部分頭部正樣本，2 (c)為部分左肩正樣本，2(d)為部分右肩負樣本，2(e)為部分下肢正樣本，2(f)為部分腳部正樣本， 3(a),3(b),3 (c) ,3(d),3(e),3 (f)為與正樣本對應的部分負樣本。硬件平臺為dntel Core2 Duo CPU E6550 i 2. 33GHZ、2GB RAM。軟件平臺為 MATLAB R2009a。2、對比實驗方法本發(fā)明使用的對比實驗方法是N. Dalal和B. Triggs在文章“N. Dalai and B. Triggs, ”Historgram of oriented gradient for human detection，，，In CVPR Vol. 1, San Diego, California, June 2005，pp. 886-893. ”中提出的基于梯度方向直方圖HOG特征的人體檢測方法。首先提取人體的HOG特征，再利用SVM分類器對特征進行分類訓練，輸入待檢圖像，根據(jù)分類器的輸出值得到最終的檢測結果。3、實驗內容與實驗結果分析實驗1 用本發(fā)明方法與對比實驗方法對同一幅來自MIT數(shù)據(jù)庫的待檢圖像進行人體檢測，檢測結果如圖6，其中圖像6(a)表示本發(fā)明方法對各個部位的分類識別的結果， 圖像6(b)為本發(fā)明方法的最終檢測結果，圖6 (c)是采用對比實驗方法所得到的檢測結果， 從圖6中可以看出，使用本發(fā)明的方法具有更高的分類正確率，使其具有更高的人體檢測正確率，非常適合于靜態(tài)圖像的人體檢測，同時本發(fā)明的方法能大大降低檢測的虛景率，與 HOG方法相比，在檢測有部位遮擋的情況下能夠表現(xiàn)出較強的魯棒性。實驗2 用本發(fā)明方法對人體各個部位進行分類性能比較，其分類性能比較結果如圖4，從圖4可以看出頭部和腳步的分類效果較好，這是因為頭部和腳步在行走的時候形變是最小的，左肩和右肩的分類效果較差，這是因為在行走時甩臂的幅度較大，產生的形變也比較大。實驗3 用本發(fā)明方法與對比實驗方法的檢測能進行比較，其檢測性能比較結果如圖5，從圖5可以看出本發(fā)明方法的檢測性能高于其他方法的檢測性能。
權利要求
1.一種基于第二代Bandelet變換和星型模型的靜態(tài)人體檢測方法，包括如下步驟(1)從INRIA數(shù)據(jù)庫中通過自舉操作獲取大量的負樣本，并與數(shù)據(jù)庫中其它的正樣本一起構成整個人體訓練樣本集FB，對FB進行手動切割，得到人體頭部，左肩，右肩，下肢，腳步五個人體部位的訓練樣本集；(2)提取FB和五個部位訓練樣本集的Bandelet系數(shù)和該系數(shù)的統(tǒng)計值，將其作為 Bandelet聯(lián)合特征，得到相應的樣本特征集，并利用Adaboost算法對這些樣本特征集進行分類訓練，得到整個人體分類器和五個部位分類器；(3)對人體各個部位進行基于星型模型的學習，得到整個人體星型模型，將步驟中得到的整個人體分類器和五個部位分類器的輸出值作為人體星型模型中相應部位濾波器的輸入值；(4)輸入任意大小的待檢圖像，利用Bandelet變換計算待檢圖像的Bandelet系數(shù)矩陣；(5)根據(jù)待檢圖像的Bandelet系數(shù)矩陣，計算待檢圖像中所有掃描窗口的Bandelet聯(lián)合特征，輸入步驟中所得整個人體分類器和五個部位分類器，初步判定待檢圖像中人體候選區(qū)域，在人體候選區(qū)域內進行從左到右9X9的鄰域掃描；(6)根據(jù)步驟(3)中所得的人體模型，計算待檢圖像中各掃描窗口在星型模型中濾波器的輸出值，并根據(jù)濾波器的輸出值判定掃描窗口中是否存在人體，若濾波器輸出值大于零則認為該掃描窗口中存在人體和人體部位，反之則認為不存在人體和人體部位；(7)對存在人體和人體部位的窗口利用主窗口合并法進行窗口合并，得到最終人體檢測結果。
2.根據(jù)權利要求1所述的人體檢測方法，其中步驟C3)所述的對人體各個部位進行基于星型模型的學習，得到整個人體星型模型，按如下步驟進行(3a)通過連接參數(shù)Ck建立人體各個部位與對應的人體根部位間的彈性連接，初步確定基于人體部位的星型模型，該模型符合高斯分布，表示為P(lk，10/Ck) = N(lk-10, Vk, Σ k)式中，Ik表示人體第k個部位所在位置，k= 1，…，5，依次表示頭部，左肩部，右肩部， 下肢部，腳部所在位置；Itl表示人體根部位所在位置，該根部位是指整個人體的中心位置； Vk是一個二維矢量，是第k個部位相對于其根部位的理想位置，由第k個部位濾波器最大輸出值確定；連接參數(shù)Ck = (Vk, Σ k)，Σ k是第k個部位與對應根部位之間彈性連接剛度的全協(xié)方差矩陣；(3b)對Σ k進行奇異值分解，表示為-Σ『υ卵I，式中，隊是乙k的奇異向量，Uk=E k Σ 1/，記是乙1;另外一個奇異向量，巧=2/\，隊是一個對角矩陣，代表5 k的奇異值，由Σ k的奇異值分解，得到第k個部位與根部位的變換式Tktl(Ik)和根部位本身的變換式Ttlk (1。)Tko(Ik) = Ul(Ik-Vk) T0k(I0) = Urk(I0) ^ ？ 根據(jù)上述變換式得到基于人體部位的星型模型為P(lk，10/Ck) =N[Tk0(lk)-T0k(l0)，0，Dk]式中，N表示高斯分布，Tk0(Ik)-T0k(I0)表示該高斯分布的隨機變量，O表示該高斯分布的均值，Dk表示該高斯分布的協(xié)方差；(3c)根據(jù)步驟(3b)可將Ik相對于Vk的形變代價式A表示為 dkJt =% )- ^;^ ^)- )試中 Mk = 2XDk ； 由此可將每一個人體部位濾波器的輸出值民，4表示為K,Ik = m嚴(/“ - dk，lk + b)式中，·ΛΑ表示第k部位在Ik位置濾波器的輸入值，b是第k部位相對于其根部位的偏移量；(3d)根據(jù)各個人體部位濾波器輸出值iiWi，由下式得到整個人體濾波器Ftl輸出值 Score(F0) = f0+^Rklt (I0+Vk)式中，fo是整個人體濾波器的輸入值，I0表示人體根部位所在位置，Vk是第k個部位相對于其根部位的理想位置。
3.根據(jù)權利要求1所述的人體檢測方法，其中步驟(4)所述輸入任意大小的待檢圖像， 利用Bandelet變換計算待檢圖像的Bandelet系數(shù)矩陣，按如下步驟進行(4a)輸入任意大小的待檢圖像，先將其按一定比例縮放，然后按下式截去右邊小于8 個像素與下邊小于16個像素的多余部分 X = Χ/8 X 8 Y= Υ/16 X 16其中，X為待檢圖像在水平方向的像素值，Y為待檢圖像在垂直方向的像素值，I I表示截尾取整；(4b)對截去處理過的待檢圖像進行二維離散正交小波變換，小波變換的層數(shù)為1 ； (4c)將二維離散正交小波變換后的待檢圖像進行4X4像素的二進剖分，并將每個 4X4像素的小塊作為一個Bandelet塊；(4d)計算每個Bandelet塊在各方向上的投影誤差，并按最小Lagrange函數(shù)法，求取一個最優(yōu)的投影誤差排序索引；(4e)根據(jù)每個Bandelet塊的最優(yōu)排序索引，將其上的二維離散小波變換系數(shù)進行重排序，得到對應的一維信號；(4f)將每個一維信號作一維小波變換，并將對應的一維小波變換系數(shù)，按Mallet法則重新組合為二維形式，作為對應Bandelet塊的Bandelet系數(shù)，將所有Bandelet塊的 Bandelet系數(shù)構成該待檢圖像的Bandelet系數(shù)矩陣。
4.根據(jù)權利要求1所述的人體檢測方法，其中步驟( 所述計算待檢圖像中所有掃描窗口的Bandelet聯(lián)合特征，按如下步驟進行(5a)將待檢測圖像左上角的一個樣本大小的區(qū)域作為第一個掃描窗口，每向右平移8 個像素或向下平移16個像素作為一個新的掃描窗口，得到一組掃描窗口 ；(5b)計算每個掃描窗口上Bandelet系數(shù)的能量、熵、均值及最大值這幾類統(tǒng)計值，并將這些統(tǒng)計值與Bandelet系數(shù)一起作為對應掃描窗口的Bandelet聯(lián)合特征。
5.根據(jù)權利要求1所述的人體檢測方法，其中步驟(6)所述的計算待檢圖像中各掃描窗口在星型模型中濾波器的輸出值，按如下步驟進行(6a)根據(jù)各掃描窗口濾波器的輸出值初步確定人體的候選區(qū)域，然后在候選區(qū)域的9X9鄰域內進行從左到右掃描；(6b)依次掃描人體的頭部，左肩，右肩，下肢以及腳部，每掃描一個人體部位，計算出該人體部位的形變代價和該人體部位濾波器的輸出值，最終確定整個人體濾波器的輸出值。
全文摘要
本發(fā)明提出了一種基于第二代Bandelet變換和星型模型的人體檢測方法，主要解決現(xiàn)有方法不能較好處理遮擋問題。實現(xiàn)步驟是(1)通過INRIN數(shù)據(jù)庫獲得大量負樣本，并與數(shù)據(jù)庫中其它正樣本一起構成整個人體的訓練樣本集FB，再對FB切割得到各個部位訓練樣本集；(2)利用Bandelet變換，計算各訓練樣本集的Bandelet聯(lián)合特征，組成六個訓練樣本特征集；(3)利用Adaboost算法，對樣本特征集進行分類訓練，得到相應部位分類器，通過對各部位的學習得到人體星型模型；(4)計算待檢圖像的Bandelet系數(shù)矩陣，通過星型模型進行人體部位檢測，再利用主窗口合并法，對所有人體及部位的掃描窗口進行組合，得到最終人體檢測結果。本發(fā)明能夠準確檢測人體，可用于視頻監(jiān)控和目標識別等視頻處理領域。
文檔編號G06K9/66GK102426653SQ201110334700
公開日2012年4月25日 申請日期2011年10月28日 優(yōu)先權日2011年10月28日
發(fā)明者馮光潔, 張紅蕾, 李曉君, 王瑞, 茍靖翔, 韓紅, 顧建銀 申請人:西安電子科技大學