一種人頭檢測(cè)方法及裝置制造方法
【專利摘要】本申請(qǐng)公開了一種人頭檢測(cè)方法及裝置,包括:對(duì)待檢測(cè)圖像按預(yù)定尺寸的窗口進(jìn)行掃描;獲取每個(gè)掃描窗口的顏色自相似特征;利用分類器對(duì)掃描窗口進(jìn)行人頭/非人頭判決。本申請(qǐng)的有益效果是:選用了CSS作為人頭的特征表示,實(shí)驗(yàn)證明,CSS特征是一種魯棒的特征,能提高檢測(cè)的性能;同時(shí),結(jié)合SVM分類器學(xué)習(xí)訓(xùn)練,進(jìn)而可將視頻圖像中的人頭檢測(cè)出來,可以用于人體跟蹤、事件檢測(cè)、人流量統(tǒng)計(jì)等,對(duì)于實(shí)現(xiàn)自動(dòng)監(jiān)控具有重要意義。
【專利說明】一種人頭檢測(cè)方法及裝置
【技術(shù)領(lǐng)域】
[0001 ]本申請(qǐng)涉及視頻監(jiān)控與圖像處理【技術(shù)領(lǐng)域】,尤其涉及一種人頭檢測(cè)方法以及一種 人頭檢測(cè)裝置。
【背景技術(shù)】
[0002]在智能視頻監(jiān)控領(lǐng)域,對(duì)人頭的智能檢測(cè)和統(tǒng)計(jì)是一個(gè)重要的研究?jī)?nèi)容。然而,不 同姿態(tài)的人頭的灰度差異較大,例如,從人頭正面、側(cè)面、背面、以及頂部拍攝的人頭灰度差 異會(huì)非常大,使得實(shí)現(xiàn)人頭檢測(cè)比較困難。因此,如何提取魯棒的特征是影響人頭檢測(cè)和統(tǒng) 計(jì)準(zhǔn)確率與實(shí)時(shí)性的重要方面。
【發(fā)明內(nèi)容】
[0003]本申請(qǐng)?zhí)峁┮环N人頭檢測(cè)方法以及相應(yīng)的裝置。
[0004]根據(jù)本申請(qǐng)的第一方面,本申請(qǐng)?zhí)峁┮环N人頭檢測(cè)方法,包括:對(duì)待檢測(cè)圖像按預(yù) 定尺寸的窗口進(jìn)行掃描;獲取每個(gè)掃描窗口的顏色自相似特征;利用分類器對(duì)掃描窗口進(jìn) 行人頭/非人頭判決。
[0005]進(jìn)一步地,所述顏色自相似特征的獲取包括:量化步驟,將所述待檢測(cè)圖像進(jìn)行顏 色空間轉(zhuǎn)換,轉(zhuǎn)換為HSV空間,得到H、S、V三個(gè)分量,對(duì)所述H、S、V三個(gè)分量進(jìn)行均勻量化; 分塊步驟,將所述待檢測(cè)圖像均分按預(yù)定大小進(jìn)行分塊;直方圖計(jì)算步驟,計(jì)算每個(gè)所述分 塊在HSV空間的顏色直方圖;相似度計(jì)算步驟,計(jì)算所有所述分塊中任意兩個(gè)分塊之間的 相似度,得到所有相似度值;歸一處理步驟,將所述所有相似度值進(jìn)行級(jí)聯(lián),對(duì)級(jí)聯(lián)結(jié)果進(jìn) 行歸一化處理,處理結(jié)果即為顏色自相似度特征。
[0006]優(yōu)選地,所述量化步驟中,將所述H、S、V三個(gè)分量進(jìn)行3*3*3的均勻量化;所述分 塊步驟中,所述預(yù)定大小為8*8像素大小。
[0007] 優(yōu)選地,所述直方圖計(jì)算步驟中,在HSV空間中,對(duì)每個(gè)所述分塊中的每個(gè)像素點(diǎn) 進(jìn)行三線性插值后,再計(jì)算顏色直方圖。
[0008]優(yōu)選地,所述相似度計(jì)算步驟中,所述相似度的計(jì)算采用直方圖相交法。
[0009] 優(yōu)選地,所述歸一處理步驟中,所述歸一化處理采用L2-Norm實(shí)現(xiàn)。
[0010] 進(jìn)一步地,所述分類器是通過從樣本集中提取顏色自相似特征、并基于支持向量 機(jī)而預(yù)先訓(xùn)練得到,所述樣本集包括人頭正樣本和人頭負(fù)樣本。
[0011] 根據(jù)本申請(qǐng)的第二方面,本申請(qǐng)?zhí)峁┮环N人頭檢測(cè)裝置,包括:窗口掃描模塊,用 于對(duì)待檢測(cè)圖像按預(yù)定尺寸的窗口進(jìn)行掃描;特征獲取模塊,用于獲取每個(gè)掃描窗口的顏 色自相似特征;分類判決模塊,用于利用分類器對(duì)掃描窗口進(jìn)行人頭/非人頭判決。
[0012] 進(jìn)一步地,所述特征獲取模塊包括:量化單元,用于將所述待檢測(cè)圖像進(jìn)行顏色空 間轉(zhuǎn)換,轉(zhuǎn)換為HSV空間,得到H、S、V三個(gè)分量,對(duì)所述H、S、V三個(gè)分量進(jìn)行均勻量化;分塊 單元,用于將所述待檢測(cè)圖像均分按預(yù)定大小進(jìn)行分塊;直方圖計(jì)算單元,用于計(jì)算每個(gè)所 述分塊在HSV空間的顏色直方圖;相似度計(jì)算單元,用于計(jì)算所有所述分塊中任意兩個(gè)分 塊之間的相似度,得到所有相似度值;歸一處理單元,用于將所述所有相似度值進(jìn)行級(jí)聯(lián), 對(duì)級(jí)聯(lián)結(jié)果進(jìn)行歸一化處理,處理結(jié)果即為顏色自相似度特征。
[0013^優(yōu)選地,所述直方圖計(jì)算單元中,在HSV空間中,對(duì)每個(gè)所述分塊中的每個(gè)像素點(diǎn) 進(jìn)行三線性插值后,再計(jì)算顏色直方圖;所述相似度計(jì)算單元中,所述相似度的計(jì)算采用直 方圖相交法;所述歸一處理單元中,所述歸一化處理采用 L2-N0rm實(shí)現(xiàn)。
[0014]本申請(qǐng)的有益效果是:選用了 css作為人頭的特征表示,實(shí)驗(yàn)證明,css特征是一 種魯棒的_寸征,能提聞檢測(cè)的性能;同時(shí),結(jié)合SVM分類器學(xué)習(xí)訓(xùn)練,進(jìn)而可將視頻圖像中 的人頭檢測(cè)出來,可以用于人體跟蹤、事件檢測(cè)、人流量統(tǒng)計(jì)等,對(duì)于實(shí)現(xiàn)自動(dòng)監(jiān)控具有重 要意義。
【專利附圖】
【附圖說明】
[0015]圖1為本申請(qǐng)一種實(shí)施例的人頭檢測(cè)方法的流程示意圖;
[0016]圖2為本申請(qǐng)一種實(shí)施例的提取CSS特征的流程示意圖;
[0017]圖3為本申請(qǐng)一種實(shí)施例的特征值與HSV分量的映射關(guān)系表示意圖;
[0018]圖4為本申請(qǐng)一種實(shí)施例的人頭檢測(cè)裝置的結(jié)構(gòu)示意圖。
【具體實(shí)施方式】
[0019]下面通過【具體實(shí)施方式】結(jié)合附圖對(duì)本發(fā)明作進(jìn)一步詳細(xì)說明。
[0020]由于人頭五官、肩膀等具有對(duì)稱性,即使是俯仰一定角度的人頭或者側(cè)面的人頭, 圖像中不同分塊之間的顏色直方圖仍存在極大的相似性,因此,本申請(qǐng)利用這種顏色空間 的相似度,提出了基于顏色自相似(CSS, Color Self-Similarity)特征的統(tǒng)計(jì)學(xué)習(xí)方法來 檢測(cè)人頭。此外,這種特征對(duì)尺度具有不變性,有利于快速的多尺度檢測(cè)。
[0021] 實(shí)施例1 :
[0022] 如圖1所示,本實(shí)施例的人頭檢測(cè)方法包括訓(xùn)練過程和檢測(cè)過程兩個(gè)部分。其中, 訓(xùn)練過程包括步驟:獲取訓(xùn)練樣本集S11、提取CSS特征S13和分類器訓(xùn)練S15 ;檢測(cè)過程包 括步驟:掃描待檢測(cè)圖像S21、獲取每個(gè)掃描窗口的CSS特征S23和對(duì)掃描窗口進(jìn)行人頭/ 非人頭判決S25。
[0023] 對(duì)于獲取訓(xùn)練樣本集S21,可通過視頻圖像獲取方式得到。訓(xùn)練樣本集包括人頭正 樣本和人頭負(fù)樣本。其中,人頭正樣本可包括自人頭正面、側(cè)面、背面、以及頂部拍攝的人頭 圖像,即覆蓋了不同姿態(tài)、不同頭發(fā)、帶不同帽子的真實(shí)人頭圖像;而人頭負(fù)樣本可包括例 如風(fēng)景、動(dòng)物、文字等任意未包含人頭的圖像。
[0024] 對(duì)于掃描待檢測(cè)圖像S23,可以對(duì)輸入的待檢測(cè)圖像按一定尺寸大小的窗口進(jìn)行 掃描,首先對(duì)待檢測(cè)圖像進(jìn)行金字塔式縮放,即定義一個(gè)粗分辨率到精分辨率的多尺度過 程,然后在各個(gè)尺度的圖像上,按照與訓(xùn)練樣本集相同大小的候選人頭窗口進(jìn)行密集掃描, 將各個(gè)候選人頭窗口輸入到分類器中,即可留下識(shí)別為人頭的候選人頭窗口。
[0025] 對(duì)于分類器訓(xùn)練S15和對(duì)掃描窗口進(jìn)行人頭/非人頭判決S25,可采用模式識(shí)別的 相關(guān)方法實(shí)現(xiàn)。本實(shí)施例米用支持向量機(jī)(SVM,Support Vector Machine)實(shí)現(xiàn)分類器的訓(xùn) 練學(xué)習(xí),并在檢測(cè)過程中根據(jù)SVM訓(xùn)練得到的分類決策進(jìn)行判決。SVM是一種常用的機(jī)器學(xué) 習(xí)方法,其核心思想是,在較低維度上線性不可分的數(shù)據(jù)集,可以使用一種非線性的映射算 法將其轉(zhuǎn)化為更高維度的空間,使得數(shù)據(jù)集可分。它需要尋求最優(yōu)的分類面,不僅要求能夠 將兩類樣本無錯(cuò)誤的分開,還要求兩類樣本的分類間隔最大。具體的訓(xùn)練方法可以基于現(xiàn) 有的SVM理論來實(shí)現(xiàn)。具體實(shí)現(xiàn)時(shí),可以根據(jù)現(xiàn)有SVM理論知識(shí)編寫程序?qū)崿F(xiàn)對(duì)CSS特征 的SVM訓(xùn)練,也可以直接調(diào)用已有的SVM庫(kù)進(jìn)行SVM訓(xùn)練,例如使用臺(tái)灣林智仁(Chih-Jen Lin)教授開發(fā)的SVM工具箱,從而可得到掃描窗口判決所需要的支持向量機(jī)、閾值等,即最 優(yōu)的分類面,然后在檢測(cè)過程中,對(duì)掃描窗口進(jìn)行人頭/非人頭的判決。如果判決結(jié)果為 正,則此窗口包含人頭,否則為非人頭區(qū)域。由于整個(gè)檢測(cè)過程對(duì)待檢測(cè)圖像進(jìn)行金字塔縮 放,會(huì)得到很多個(gè)被分類為人頭的檢測(cè)窗口,使用mean-shift算法對(duì)這些窗口進(jìn)行融合, 將多個(gè)在位置上和大小上可以被認(rèn)為是同一個(gè)目標(biāo)對(duì)象的窗口融合變成一個(gè)窗口,最后將 檢測(cè)結(jié)果顯示出來。研究表明,魯棒的特征能夠提高檢測(cè)的性能?;诖耍緦?shí)施例提出的 提取CSS特征的流程如圖2所示,相應(yīng)地,可根據(jù)該流程實(shí)現(xiàn)圖1所示檢測(cè)過程中的獲取每 個(gè)掃描窗口的CSS特性S23。
[0026] 通常在分類問題中,根據(jù)類的不同選用不同的樣本大小,例如,人臉檢測(cè)常用數(shù)據(jù) 庫(kù)選用24*24像素大小的訓(xùn)練圖片,行人檢測(cè)中INRIA數(shù)據(jù)庫(kù)選用64*128像素大小的訓(xùn)練 圖片,而在人頭檢測(cè)中,沒有通用的數(shù)據(jù)庫(kù),可通過攝像頭拍攝用于訓(xùn)練和檢測(cè)的人頭數(shù)據(jù) 庫(kù)。這里用于人頭檢測(cè)的訓(xùn)練樣本大小以40*40像素為例進(jìn)行說明,當(dāng)然其它實(shí)施例中可 采用其它像素大小,對(duì)此不作限制。CSS特征提取具體包括如下步驟S131?S139 :
[0027] 步驟S131, H、S、V各分量均勻量化。
[0028] 對(duì)于輸入的待檢測(cè)圖像,先進(jìn)行顏色空間轉(zhuǎn)換,將圖像從RGB (Red, Green, Blue) 空間轉(zhuǎn)換到HSV (Hue, Saturation, Value)空間,得到H、S、V三個(gè)通道。在HSV空間,將Η、 S、V三個(gè)分量進(jìn)行均勻量化。均勻量化是指將量化區(qū)間均分為若干份。由于H、S、V每個(gè)通 道的最大最小值是確定的,在選定均勻量化的方法后,可以確定出量化值。實(shí)施例中,在HSV 空間,將H、S、V三個(gè)分量進(jìn)行3*3*3的均勻量化,即將每個(gè)通道均分為3份。實(shí)現(xiàn)時(shí)可調(diào)用 OpenCV庫(kù)(Open Source Computer Vision Library)實(shí)現(xiàn),得到的具體量化值如下:
[0029]
【權(quán)利要求】
1. 一種人頭檢測(cè)方法,其特征在于,包括: 對(duì)待檢測(cè)圖像按預(yù)定尺寸的窗口進(jìn)行掃描; 獲取每個(gè)掃描窗口的顏色自相似特征; 利用分類器對(duì)掃描窗口進(jìn)行人頭/非人頭判決。
2. 如權(quán)利要求1所述的人頭檢測(cè)方法,其特征在于,所述顏色自相似特征的獲取包括: 量化步驟,將所述待檢測(cè)圖像進(jìn)行顏色空間轉(zhuǎn)換,轉(zhuǎn)換為HSV空間,得到H、S、V三個(gè)分 量,對(duì)所述H、S、V三個(gè)分量進(jìn)行均勻量化; 分塊步驟,將所述待檢測(cè)圖像均分按預(yù)定大小進(jìn)行分塊; 直方圖計(jì)算步驟,計(jì)算每個(gè)所述分塊在HSV空間的顏色直方圖; 相似度計(jì)算步驟,計(jì)算所有所述分塊中任意兩個(gè)分塊之間的相似度,得到所有相似度 值; 歸一處理步驟,將所述所有相似度值進(jìn)行級(jí)聯(lián),對(duì)級(jí)聯(lián)結(jié)果進(jìn)行歸一化處理,處理結(jié)果 即為顏色自相似度特征。
3. 如權(quán)利要求2所述的人頭檢測(cè)方法,其特征在于, 所述量化步驟中,將所述H、S、V三個(gè)分量進(jìn)行3*3*3的均勻量化; 所述分塊步驟中,所述預(yù)定大小為8*8像素大小。
4. 如權(quán)利要求2所述的人頭檢測(cè)方法,其特征在于,所述直方圖計(jì)算步驟中,在HSV空 間中,對(duì)每個(gè)所述分塊中的每個(gè)像素點(diǎn)進(jìn)行三線性插值后,再計(jì)算顏色直方圖。
5. 如權(quán)利要求2所述的人頭檢測(cè)方法,其特征在于,所述相似度計(jì)算步驟中,所述相似 度的計(jì)算采用直方圖相交法,公式為: 乞 min( 取義)=上^ Σ"'.⑷ k=0 其中,S(x, y)表示兩個(gè)分塊X和y之間的相似度,Hx(k)和Hy(k)分別表示X和y兩個(gè) 分塊的顏色直方圖,Μ為均勻量化H、S、V這三個(gè)分量時(shí)的組合,k為整數(shù)。
6. 如權(quán)利要求2所述的人頭檢測(cè)方法,其特征在于,所述歸一處理步驟中,所述歸一化 處理采用L2-Norm實(shí)現(xiàn)。
7. 如權(quán)利要求1或2所述的人頭檢測(cè)方法,其特征在于,所述分類器是通過從樣本集中 提取顏色自相似特征、并基于支持向量機(jī)而預(yù)先訓(xùn)練得到,所述樣本集包括人頭正樣本和 人頭負(fù)樣本。
8. -種人頭檢測(cè)裝置,其特征在于,包括: 窗口掃描模塊,用于對(duì)待檢測(cè)圖像按預(yù)定尺寸的窗口進(jìn)行掃描; 特征獲取模塊,用于獲取每個(gè)掃描窗口的顏色自相似特征; 分類判決模塊,用于利用分類器對(duì)掃描窗口進(jìn)行人頭/非人頭判決。
9. 如權(quán)利要求8所述的人頭檢測(cè)裝置,其特征在于,所述特征獲取模塊包括: 量化單元,用于將所述待檢測(cè)圖像進(jìn)行顏色空間轉(zhuǎn)換,轉(zhuǎn)換為HSV空間,得到H、S、V三 個(gè)分量,對(duì)所述H、S、V三個(gè)分量進(jìn)行均勻量化; 分塊單元,用于將所述待檢測(cè)圖像均分按預(yù)定大小進(jìn)行分塊; 直方圖計(jì)算單元,用于計(jì)算每個(gè)所述分塊在HSV空間的顏色直方圖; 相似度計(jì)算單元,用于計(jì)算所有所述分塊中任意兩個(gè)分塊之間的相似度,得到所有相 似度值; 歸一處理單元,用于將所述所有相似度值進(jìn)行級(jí)聯(lián),對(duì)級(jí)聯(lián)結(jié)果進(jìn)行歸一化處理,處理 結(jié)果即為顏色自相似度特征。
10.如權(quán)利要求9所述的人頭檢測(cè)裝置,其特征在于, 所述直方圖計(jì)算單元中,在HSV空間中,對(duì)每個(gè)所述分塊中的每個(gè)像素點(diǎn)進(jìn)行三線性 插值后,再計(jì)算顏色直方圖; 所述相似度計(jì)算單元中,所述相似度的計(jì)算采用直方圖相交法; 所述歸一處理單元中,所述歸一化處理采用L2-Norm實(shí)現(xiàn)。
【文檔編號(hào)】G06K9/00GK104298955SQ201310302623
【公開日】2015年1月21日 申請(qǐng)日期:2013年7月15日 優(yōu)先權(quán)日:2013年7月15日
【發(fā)明者】趙勇, 李晶晶 申請(qǐng)人:深圳市振邦實(shí)業(yè)有限公司