本發(fā)明屬于圖像處理技術(shù)領(lǐng)域，尤其涉及一種行人頭部識(shí)別方法及系統(tǒng)。

背景技術(shù)：

計(jì)算機(jī)視覺技術(shù)的突飛猛進(jìn)帶動(dòng)了整個(gè)智能視頻監(jiān)控產(chǎn)業(yè)鏈的快速發(fā)展，由此孕育的巨大商機(jī)激發(fā)越來(lái)越多的企業(yè)及研究機(jī)構(gòu)投入到該行業(yè)的前沿技術(shù)研發(fā)中來(lái)。在此背景下，基于圖像處理、模式識(shí)別的行人檢測(cè)技術(shù)逐漸發(fā)展起來(lái)，該項(xiàng)技術(shù)在智能視頻監(jiān)控領(lǐng)域中逐漸占據(jù)非常重要的地位。

現(xiàn)有的基于圖像處理的行人頭部識(shí)別方法一般是通過識(shí)別人的一些身體特征比如識(shí)別頭發(fā)的顏色、頭部的輪廓或者頭肩部模型等方式實(shí)現(xiàn)，但是上述特征均不具有代表性；比如，有些染過的頭發(fā)的顏色并不能很好的識(shí)別，頭發(fā)的顏色也會(huì)隨著光照等因素變化，并且穿的衣服與頭發(fā)顏色接近或者戴帽子等情況下也會(huì)干擾識(shí)別，造成識(shí)別準(zhǔn)確率低；采用攝像頭提取人頭部的輪廓時(shí)，頭部的輪廓會(huì)根據(jù)行人的運(yùn)動(dòng)而變化，不具有統(tǒng)一性；頭肩部模型采用的是攝像頭斜向下拍攝的方式，這樣會(huì)產(chǎn)生遮擋問題，不能準(zhǔn)確識(shí)別。

技術(shù)實(shí)現(xiàn)要素：

本發(fā)明所要解決的技術(shù)問題在于提供一種行人頭部識(shí)別方法及系統(tǒng)，旨在通過圖像處理的方式智能高效的識(shí)別出人頭部。

本發(fā)明提供了一種行人頭部識(shí)別方法，包括：

步驟S1，獲取深度攝像頭垂直對(duì)準(zhǔn)地面時(shí)從目標(biāo)區(qū)域采集到的深度圖像，并從所述深度圖像中提取前景圖像；

步驟S2，從所述前景圖像中提取所有頭部的潛在區(qū)域作為感興趣區(qū)域即ROI區(qū)域；

步驟S3，以每一個(gè)ROI區(qū)域中的每一個(gè)像素點(diǎn)為圓心，通過構(gòu)造同心圓來(lái)計(jì)算當(dāng)前像素點(diǎn)屬于頭部區(qū)域內(nèi)的像素點(diǎn)的概率，得到每個(gè)ROI區(qū)域中的每個(gè)像素點(diǎn)的概率值，將每個(gè)ROI區(qū)域中每個(gè)像素點(diǎn)的概率值與預(yù)置的第一閾值比較，將低于所述第一閾值的像素點(diǎn)濾除，剩下的以區(qū)域形式存在的像素點(diǎn)即為頭部區(qū)域的點(diǎn)，每個(gè)區(qū)域即為識(shí)別出的一個(gè)頭部。

進(jìn)一步地，所述步驟S1具體為：利用深度攝像頭垂直對(duì)準(zhǔn)地面，采集目標(biāo)區(qū)域的深度圖像，得到深度圖像中坐標(biāo)為(x,y)的點(diǎn)的像素值f(x,y)，將所述像素值f(x,y)和通過預(yù)先背景建模得到的坐標(biāo)為(x,y)的點(diǎn)的像素值bg(x,y)比較，并結(jié)合公式得到前景圖像中坐標(biāo)為(x,y)的點(diǎn)的像素值mask(x,y)；

所述公式為：

其中，Tbg為背景模型和前景圖像區(qū)分閾值；

上述通過預(yù)先背景建模得到坐標(biāo)為(x,y)的點(diǎn)的像素值bg(x,y)的過程具體為：通過采集若干張所述目標(biāo)區(qū)域的背景圖像，并對(duì)所述若干張背景圖像中坐標(biāo)為(x，y)的點(diǎn)的像素值取均值得到；

所述坐標(biāo)為(x,y)的點(diǎn)的像素值為該點(diǎn)在目標(biāo)區(qū)域中的對(duì)應(yīng)點(diǎn)與所述深度攝像頭的相對(duì)距離。

進(jìn)一步地，所述步驟S2具體包括：

步驟S21，以所述前景圖像中的每一個(gè)像素點(diǎn)P為中心點(diǎn)，根據(jù)公式計(jì)算其8鄰域中像素點(diǎn)的像素值的均值m；

所述公式為：

其中，p(k)為該鄰域內(nèi)的像素點(diǎn)的像素值；

步驟S22，若該鄰域的均值m和其中心點(diǎn)像素值p的差值的絕對(duì)值d小于預(yù)置的第二閾值Tm，則根據(jù)方差公式計(jì)算該鄰域內(nèi)的方差v；

所述方差公式為：

步驟S23，若方差v小于預(yù)置的第三閾值Tv，則判定該鄰域?qū)儆赗OI區(qū)域。

進(jìn)一步地，所述步驟S3具體包括：

步驟S31，以每一個(gè)ROI區(qū)域中的每一個(gè)像素點(diǎn)為圓心，構(gòu)造同心圓，所述同心圓的內(nèi)圓半徑為r，外圓半徑為n×r；

其中，R為通過統(tǒng)計(jì)得到的人頭部區(qū)域中心點(diǎn)到邊緣的平均像素點(diǎn)個(gè)數(shù)，1.2≤n≤1.7；

步驟S32，對(duì)內(nèi)圓內(nèi)取得的像素點(diǎn)的像素值進(jìn)行排序，記錄從內(nèi)圓區(qū)域中取得的像素點(diǎn)的像素值所形成的序列ArrayInner，所述序列ArrayInner的長(zhǎng)度為lengthInner，其中，像素值最大點(diǎn)的像素值為NinnerMax；并對(duì)內(nèi)外圓之間的區(qū)域內(nèi)取得的像素點(diǎn)的像素值進(jìn)行排序，記錄從內(nèi)外圓之間的區(qū)域取得的像素點(diǎn)的像素值所形成的序列ArrayOuter，所述序列ArrayOuter的長(zhǎng)度為lengthOuter，其中，像素值最小點(diǎn)的像素值為NouterMin；

上述取得的像素點(diǎn)在各自區(qū)域內(nèi)滿足均勻分布，且從內(nèi)圓區(qū)域內(nèi)取得的像素點(diǎn)的數(shù)量lengthInner與從內(nèi)外圓之間的區(qū)域取得的像素點(diǎn)的數(shù)量lengthOuter相等；

步驟S33，計(jì)算在序列ArrayOuter中比NinnerMax小的點(diǎn)的數(shù)量作為Num_1，計(jì)算在序列ArrayInner中比NouterMin大的點(diǎn)的數(shù)量作為Num_2，并根據(jù)公式計(jì)算當(dāng)前像素點(diǎn)屬于頭部區(qū)域內(nèi)的像素點(diǎn)的概率L，并記錄概率值；

所述公式為：

L＝(lengthInner+lengthOuter-Num_1-Num_2)/(lengthInner+lengthOuter)；

步驟S34，增大同心圓的內(nèi)圓半徑為r_new，r_new＝r+r×α，其中α代表同心圓的內(nèi)圓半徑r增大的速度，0＜α＜1，此時(shí)，外圓半徑為n×r_new；當(dāng)r_new≦2R時(shí)，令r＝r_new，并重復(fù)上述步驟S32-S34來(lái)計(jì)算ROI區(qū)域中的每一個(gè)像素點(diǎn)屬于頭部區(qū)域內(nèi)的像素點(diǎn)的概率，并記錄概率值，以記錄的每一個(gè)像素點(diǎn)的最大概率作為該像素點(diǎn)屬于頭部區(qū)域內(nèi)的像素點(diǎn)的最終概率；當(dāng)r_new>2R時(shí)，轉(zhuǎn)至步驟S35；

步驟S35，將每個(gè)像素點(diǎn)的最終概率與所述第一閾值比較，將低于所述第一閾值的像素點(diǎn)濾除，剩下的以區(qū)域形式存在的像素點(diǎn)即為頭部區(qū)域的點(diǎn)，每個(gè)區(qū)域即為識(shí)別出的一個(gè)頭部。

本發(fā)明還提供了一種行人頭部識(shí)別系統(tǒng)，包括：

前景圖像提取模塊，用于獲取深度攝像頭垂直對(duì)準(zhǔn)地面時(shí)從目標(biāo)區(qū)域采集到的深度圖像，并從所述深度圖像中提取前景圖像；

ROI區(qū)域提取模塊，用于從所述前景圖像中提取所有頭部的潛在區(qū)域作為感興趣區(qū)域即ROI區(qū)域；

頭部識(shí)別模塊，用于通過構(gòu)造同心圓來(lái)識(shí)別人頭部區(qū)域；具體地，以每一個(gè)ROI區(qū)域中的每一個(gè)像素點(diǎn)為圓心，通過構(gòu)造同心圓來(lái)計(jì)算當(dāng)前像素點(diǎn)屬于頭部區(qū)域內(nèi)的像素點(diǎn)的概率，得到每個(gè)ROI區(qū)域中的每個(gè)像素點(diǎn)的概率值，將每個(gè)ROI區(qū)域中每個(gè)像素點(diǎn)的概率值與預(yù)置的第一閾值比較，將低于所述第一閾值的像素點(diǎn)濾除，剩下的以區(qū)域形式存在的像素點(diǎn)即為頭部區(qū)域的點(diǎn)，每個(gè)區(qū)域即為識(shí)別出的一個(gè)頭部。

進(jìn)一步地，所述前景圖像提取模塊具體用于：利用深度攝像頭垂直對(duì)準(zhǔn)地面，采集目標(biāo)區(qū)域的深度圖像，得到深度圖像中坐標(biāo)為(x,y)的點(diǎn)的像素值f(x,y)，將像素值f(x,y)和通過預(yù)先背景建模得到的坐標(biāo)為(x,y)的點(diǎn)的像素值bg(x,y)比較，并結(jié)合公式得到前景圖像中坐標(biāo)為(x,y)的點(diǎn)的像素值mask(x,y)；

所述公式為：

其中，Tbg為背景模型和前景圖像區(qū)分閾值；

上述通過預(yù)先背景建模得到坐標(biāo)為(x,y)的點(diǎn)的像素值bg(x,y)的過程具體為：通過采集若干張所述目標(biāo)區(qū)域的背景圖像，并對(duì)所述若干張背景圖像中坐標(biāo)為(x,y)的點(diǎn)的像素值取均值得到；

所述坐標(biāo)為(x,y)的點(diǎn)的像素值為該點(diǎn)在目標(biāo)區(qū)域中的對(duì)應(yīng)點(diǎn)與所述深度攝像頭的相對(duì)距離。

進(jìn)一步地，所述ROI區(qū)域提取模塊具體包括：

均值計(jì)算子模塊，用于以所述前景圖像中的每一個(gè)像素點(diǎn)P為中心點(diǎn)，根據(jù)公式計(jì)算其8鄰域中像素點(diǎn)的像素值的均值m；

所述公式為：

其中，p(k)為該鄰域內(nèi)的像素點(diǎn)的像素值；

方差計(jì)算子模塊，用于在該鄰域的均值m和其中心點(diǎn)像素值p的差值的絕對(duì)值d小于預(yù)置的第二閾值Tm時(shí)，根據(jù)方差公式計(jì)算該鄰域內(nèi)的方差v；

所述方差公式為：

ROI區(qū)域判定子模塊，用于在方差v小于預(yù)置的第三閾值Tv時(shí)，判定該鄰域?qū)儆赗OI區(qū)域。

進(jìn)一步地，所述頭部識(shí)別模塊具體包括：

同心圓構(gòu)造子模塊，用于以每一個(gè)ROI區(qū)域中的每一個(gè)像素點(diǎn)為圓心，構(gòu)造同心圓，所述同心圓的內(nèi)圓半徑為r，外圓半徑為n×r；

其中，R為通過統(tǒng)計(jì)得到的人頭部區(qū)域中心點(diǎn)到邊緣的平均像素點(diǎn)個(gè)數(shù)，1.2≤n≤1.7；

像素值排序子模塊，用于對(duì)內(nèi)圓內(nèi)取得的像素點(diǎn)的像素值進(jìn)行排序，記錄從內(nèi)圓區(qū)域中取得的像素點(diǎn)的像素值所形成的序列ArrayInner，所述序列ArrayInner的長(zhǎng)度為lengthInner，其中，像素值最大點(diǎn)的像素值為NinnerMax；并對(duì)內(nèi)外圓之間的區(qū)域內(nèi)取得的像素點(diǎn)的像素值進(jìn)行排序，記錄從內(nèi)外圓之間的區(qū)域取得的像素點(diǎn)的像素值所形成的序列ArrayOuter，所述序列ArrayOuter的長(zhǎng)度為lengthOuter，其中，像素值最小點(diǎn)的像素值為NouterMin；

上述取得的像素點(diǎn)在各自區(qū)域內(nèi)滿足均勻分布，且從內(nèi)圓區(qū)域內(nèi)取得的像素點(diǎn)的數(shù)量lengthInner與從內(nèi)外圓之間的區(qū)域取得的像素點(diǎn)的數(shù)量lengthOuter相等；

第一概率值確定子模塊，用于計(jì)算在序列ArrayOuter中比NinnerMax小的點(diǎn)的數(shù)量作為Num_1，計(jì)算在序列ArrayInner中比NouterMin大的點(diǎn)的數(shù)量作為Num_2，并根據(jù)公式計(jì)算當(dāng)前像素點(diǎn)屬于頭部區(qū)域內(nèi)的像素點(diǎn)的概率L，并記錄概率值；

所述公式為：

L＝(lengthInner+lengthOuter-Num_1-Num_2)/(lengthInner+lengthOuter)；

第二概率值確定子模塊，用于增大同心圓的內(nèi)圓半徑為r_new，r_new＝r+r×α，其中α代表同心圓的內(nèi)圓半徑r增大的速度，0＜α＜1，此時(shí)，外圓半徑為n×r_new；當(dāng)r_new≦2R時(shí)，令r＝r_new，并返回所述像素值排序子模塊來(lái)計(jì)算ROI區(qū)域中的每一個(gè)像素點(diǎn)屬于頭部區(qū)域內(nèi)的像素點(diǎn)的概率，并記錄概率值，以記錄的每一個(gè)像素點(diǎn)的最大概率作為該像素點(diǎn)屬于頭部區(qū)域內(nèi)的像素點(diǎn)的最終概率；當(dāng)r_new>2R時(shí)，進(jìn)入頭部識(shí)別子模塊；

頭部識(shí)別子模塊，用于將每個(gè)像素點(diǎn)的最終概率與所述第一閾值比較，將低于所述第一閾值的像素點(diǎn)濾除，剩下的以區(qū)域形式存在的像素點(diǎn)即為頭部區(qū)域的點(diǎn)，每個(gè)區(qū)域即為識(shí)別出的一個(gè)頭部。

本發(fā)明與現(xiàn)有技術(shù)相比，有益效果在于：本發(fā)明提供的一種行人頭部識(shí)別方法及系統(tǒng)，一方面，在進(jìn)行頭部識(shí)別之前，先在前景圖像中劃定ROI區(qū)域來(lái)鎖定頭部的潛在區(qū)域，有效降低了算法計(jì)算量，提高了識(shí)別速度；另一方面，結(jié)合人體中只有頭部區(qū)域有同心圓屬性的特征，利用同心圓對(duì)頭部區(qū)域進(jìn)行度量，提高了頭部識(shí)別準(zhǔn)確率；并且有效避免了由于衣服顏色、頭部顏色等對(duì)頭部識(shí)別造成的影響，提高了算法的抗干擾能力。

附圖說明

圖1是本發(fā)明實(shí)施例提供的行人頭部識(shí)別方法的流程示意圖；

圖2是本發(fā)明實(shí)施例提供的行人頭部識(shí)別系統(tǒng)的模塊示意圖；

圖3是本發(fā)明實(shí)施例提供的一種人流量統(tǒng)計(jì)方法的流程示意圖；

圖4是本發(fā)明實(shí)施例提供的一種人流量統(tǒng)計(jì)系統(tǒng)的模塊示意圖。

具體實(shí)施方式

為了使本發(fā)明的目的、技術(shù)方案及優(yōu)點(diǎn)更加清楚明白，以下結(jié)合附圖及實(shí)施例，對(duì)本發(fā)明進(jìn)行進(jìn)一步詳細(xì)說明。應(yīng)當(dāng)理解，此處所描述的具體實(shí)施例僅僅用以解釋本發(fā)明，并不用于限定本發(fā)明。

本發(fā)明的主要實(shí)現(xiàn)思想為：通過利用深度攝像頭采集目標(biāo)區(qū)域的深度圖像，并通過背景建模，來(lái)從所述深度圖像中提取出前景圖像；利用頭部區(qū)域比較平坦的特征，從所述前景圖像中提取所有頭部的潛在區(qū)域作為ROI區(qū)域，在每個(gè)ROI區(qū)域中利用頭部區(qū)域相對(duì)深度攝像機(jī)的距離(即像素值)比肩膀以及身體其它區(qū)域小的特征，通過構(gòu)造同心圓來(lái)識(shí)別出人的頭部；具體地，結(jié)合以頭部區(qū)域內(nèi)的像素點(diǎn)為圓心構(gòu)造同心圓，內(nèi)圓內(nèi)像素點(diǎn)的像素值普遍比內(nèi)外圓之間的像素點(diǎn)的像素值小的特征，以ROI區(qū)域中的每一點(diǎn)為圓心構(gòu)造同心圓，計(jì)算該點(diǎn)屬于頭部區(qū)域的概率，并將所述概率與預(yù)置的第一閾值比較，將低于所述第一閾值的像素點(diǎn)濾除，剩下的以區(qū)域形式存在的像素點(diǎn)即為頭部區(qū)域的點(diǎn)，每個(gè)區(qū)域即為識(shí)別出的一個(gè)頭部。

下面具體介紹這種行人頭部識(shí)別方法，如圖1所示，包括：

步驟S1，獲取深度攝像頭垂直對(duì)準(zhǔn)地面時(shí)從目標(biāo)區(qū)域采集到的深度圖像，并從所述深度圖像中提取前景圖像。

具體地，本發(fā)明采集目標(biāo)區(qū)域所用的攝像頭為深度攝像頭，其成像原理是通過給目標(biāo)連續(xù)發(fā)送光脈沖，然后用傳感器接收從目標(biāo)返回的光，通過探測(cè)光脈沖的往返時(shí)間來(lái)得到目標(biāo)物距離，所以深度攝像頭所形成的圖像是一副相對(duì)距離圖像，即圖像中每個(gè)像素點(diǎn)的值是目標(biāo)距離所述深度攝像頭的相對(duì)距離。為了避免行人之間的遮擋，深度攝像頭的拍攝角度為垂直對(duì)準(zhǔn)地面，此角度能有效的減少行人之間的遮擋。

所述步驟S1具體為：利用深度攝像頭垂直對(duì)準(zhǔn)地面，采集目標(biāo)區(qū)域的深度圖像，得到深度圖像中坐標(biāo)為(x,y)的點(diǎn)的像素值f(x,y)，將像素值f(x,y)和通過預(yù)先背景建模得到的坐標(biāo)為(x,y)的點(diǎn)的像素值bg(x,y)比較，并結(jié)合公式得到前景圖像中坐標(biāo)為(x,y)的點(diǎn)的像素值mask(x,y)。

所述公式為：

其中，Tbg為背景模型和前景圖像區(qū)分閾值，即將mask(x,y)中屬于背景圖像的像素點(diǎn)值設(shè)定為0，mask(x,y)中像素值不為0的點(diǎn)即為前景圖像中的點(diǎn)。

具體地，上述通過預(yù)先背景建模得到坐標(biāo)為(x,y)的點(diǎn)的像素值bg(x,y)的過程具體為：通過采集若干張所述目標(biāo)區(qū)域的背景圖像，并對(duì)所述若干張背景圖像中坐標(biāo)為(x，y)的點(diǎn)的像素值取均值，得到正對(duì)所述目標(biāo)區(qū)域的背景模型bg(x,y)，(x,y)代表圖像中的坐標(biāo)；所述坐標(biāo)為(x,y)的點(diǎn)的像素值為該點(diǎn)在目標(biāo)區(qū)域中的對(duì)應(yīng)點(diǎn)與所述深度攝像頭的相對(duì)距離。

具體地，上述目標(biāo)區(qū)域?yàn)樯疃葦z像頭能采集到的范圍內(nèi)的待檢測(cè)區(qū)域，將所述目標(biāo)區(qū)域中某點(diǎn)與所述深度攝像頭的相對(duì)距離作為圖像中該點(diǎn)的像素值。

步驟S2，從所述前景圖像中提取所有頭部的潛在區(qū)域作為感興趣區(qū)域即ROI區(qū)域；

具體地，由于頭部區(qū)域比較平坦，所以在深度圖像中頭部區(qū)域的像素點(diǎn)值比較接近，即區(qū)域的方差較小，即可以通過在圖像上將像素值平坦的區(qū)域劃定為ROI區(qū)域(Region Of Interest，感興趣區(qū)域)，所述ROI區(qū)域代表潛在的頭部區(qū)域，后期的頭部識(shí)別在ROI區(qū)域上進(jìn)行，ROI區(qū)域的確定降低了后期頭部判別的壓力。

所述步驟S2具體包括：

步驟S21，以所述前景圖像中的每一個(gè)像素點(diǎn)P為中心點(diǎn)，根據(jù)公式計(jì)算其8鄰域中像素點(diǎn)的像素值的均值m。

具體地，所述8鄰域?yàn)橐砸粋€(gè)像素點(diǎn)為中心點(diǎn)，其相鄰的8個(gè)像素點(diǎn)組成該中心點(diǎn)的8鄰域。

所述公式為：

其中，p(k)為該鄰域內(nèi)的像素點(diǎn)的像素值。

步驟S22，若該鄰域的均值m和其中心點(diǎn)像素值p的差值的絕對(duì)值d小于預(yù)置的第二閾值Tm，則根據(jù)方差公式計(jì)算該鄰域內(nèi)的方差v。

即，d＝｜p-m｜；

所述方差公式為：

步驟S23，若方差v小于預(yù)置的第三閾值Tv，則判定該鄰域?qū)儆赗OI區(qū)域。

具體地，對(duì)前景圖像中的每一個(gè)像素點(diǎn)P進(jìn)行上述判定，即可提取前景圖像中的所有ROI區(qū)域。

步驟S3，以每一個(gè)ROI區(qū)域中的每一個(gè)像素點(diǎn)為圓心，通過構(gòu)造同心圓來(lái)計(jì)算當(dāng)前像素點(diǎn)屬于頭部區(qū)域內(nèi)的像素點(diǎn)的概率，得到每個(gè)ROI區(qū)域中的每個(gè)像素點(diǎn)的概率值，將每個(gè)ROI區(qū)域中每個(gè)像素點(diǎn)的概率值與預(yù)置的第一閾值比較，將低于所述第一閾值的像素點(diǎn)濾除，剩下的以區(qū)域形式存在的像素點(diǎn)即為頭部區(qū)域的點(diǎn)，每個(gè)區(qū)域即為識(shí)別出的一個(gè)頭部。

事實(shí)上，不論行人的姿勢(shì)如何頭部區(qū)域都是身體的最高區(qū)域，根據(jù)深度攝像頭的成像原理，頭部區(qū)域的像素值要小于身體其他區(qū)域，所以可以結(jié)合這個(gè)特征，通過在前景圖像上構(gòu)造同心圓的方式實(shí)現(xiàn)。

所述步驟S3具體包括：

步驟S31，以每一個(gè)ROI區(qū)域中的每一個(gè)像素點(diǎn)為圓心，構(gòu)造同心圓，所述同心圓的內(nèi)圓半徑為r，外圓半徑為n×r。

其中，R為通過統(tǒng)計(jì)得到的人頭部區(qū)域中心點(diǎn)到邊緣的平均像素點(diǎn)個(gè)數(shù)，1.2≤n≤1.7。

具體地，通過統(tǒng)計(jì)得到的人頭部區(qū)域中心點(diǎn)到邊緣的平均像素點(diǎn)個(gè)數(shù)的方法為：利用深度攝像機(jī)垂直拍攝大量行人通過拍攝區(qū)域的圖像；從大量行人圖像中統(tǒng)計(jì)行人頭部區(qū)域的半徑，即統(tǒng)計(jì)頭部區(qū)域中心到邊緣的像素點(diǎn)個(gè)數(shù)(此像素點(diǎn)個(gè)數(shù)稱為頭部區(qū)域的半徑)；對(duì)統(tǒng)計(jì)得到的頭部區(qū)域半徑取均值，得到平均頭部區(qū)域半徑R；以上述平均頭部區(qū)域半徑R的一半為同心圓內(nèi)圓的半徑，即內(nèi)圓半徑r為外圓的半徑為內(nèi)圓半徑的n倍，即外圓半徑為n×r；在一定范圍內(nèi)，n越大，判斷標(biāo)準(zhǔn)越嚴(yán)格。

步驟S32，對(duì)內(nèi)圓內(nèi)取得的像素點(diǎn)的像素值進(jìn)行排序，記錄從內(nèi)圓區(qū)域中取得的像素點(diǎn)的像素值所形成的序列ArrayInner，所述序列ArrayInner的長(zhǎng)度為lengthInner，其中，像素值最大點(diǎn)的像素值為NinnerMax；并對(duì)內(nèi)外圓之間的區(qū)域內(nèi)取得的像素點(diǎn)的像素值進(jìn)行排序，記錄從內(nèi)外圓之間的區(qū)域取得的像素點(diǎn)的像素值所形成的序列ArrayOuter，所述序列ArrayOuter的長(zhǎng)度為lengthOuter，其中，像素值最小點(diǎn)的像素值為NouterMin。

上述取得的像素點(diǎn)在各自區(qū)域內(nèi)滿足均勻分布，且從內(nèi)圓區(qū)域內(nèi)取得的像素點(diǎn)的數(shù)量lengthInner與從內(nèi)外圓之間的區(qū)域取得的像素點(diǎn)的數(shù)量lengthOuter相等。

步驟S33，計(jì)算在序列ArrayOuter中比NinnerMax小的點(diǎn)的數(shù)量作為Num_1，計(jì)算在序列ArrayInner中比NouterMin大的點(diǎn)的數(shù)量作為Num_2，根據(jù)公式計(jì)算當(dāng)前像素點(diǎn)屬于頭部區(qū)域內(nèi)的像素點(diǎn)的概率L，并記錄概率值。

所述公式為：

L＝(lengthInner+lengthOuter-Num_1-Num_2)/(lengthInner+lengthOuter)；

若NinnerMax<NouterMin，概率直接記為1，因?yàn)镹um_1＝0；

若NinnerMax>NouterMin，根據(jù)公式(lengthInner+lengthOuter-Num_1-Num_2)/(lengthInner+lengthOuter)計(jì)算概率。

下面對(duì)上述利用同心圓計(jì)算某點(diǎn)屬于頭部區(qū)域概率的方式舉兩個(gè)具體實(shí)施例說明：

實(shí)施例一，假設(shè)1、2、3、4、5為內(nèi)圓中的像素點(diǎn)值，7、8、9、10、11為外圓和內(nèi)圓之間的像素點(diǎn)值，則內(nèi)圓中的像素值最大的點(diǎn)的值為5，外圓和內(nèi)圓之間像素值最小的點(diǎn)的值為7,由于5<7,則概率為1，計(jì)算公式為(5+5-0-0)/(5+5)＝1。

實(shí)施例二，假設(shè)34、56、78、100、234、500為內(nèi)圓中的像素點(diǎn)值，98、123、466、700、877、100為外圓和內(nèi)圓之間的像素點(diǎn)值，則內(nèi)圓中的像素值最大的點(diǎn)的值為500，外圓和內(nèi)圓之間像素值最小的點(diǎn)的值為98,由于500>98,則概率為(6+6-3-3)/(6+6)＝0.5。

步驟S34，增大同心圓的內(nèi)圓半徑為r_new，r_new＝r+r×α，其中α代表同心圓的內(nèi)圓半徑r增大的速度，0＜α＜1，此時(shí)，外圓半徑為n×r_new；當(dāng)r_new≦2R時(shí)，令r＝r_new，并重復(fù)上述步驟S32-S34來(lái)計(jì)算ROI區(qū)域中的每一個(gè)像素點(diǎn)屬于頭部區(qū)域內(nèi)的像素點(diǎn)的概率，并記錄概率值，以記錄的每一個(gè)像素點(diǎn)的最大概率作為該像素點(diǎn)屬于頭部區(qū)域內(nèi)的像素點(diǎn)的最終概率，由此得到一幅概率圖，概率圖中每點(diǎn)的概率值代表此點(diǎn)屬于頭部區(qū)域的程度；當(dāng)r_new>2R時(shí)，轉(zhuǎn)至步驟S35；

步驟S35，將每個(gè)像素點(diǎn)的最終概率與所述第一閾值比較，將低于所述第一閾值的像素點(diǎn)濾除，剩下的以區(qū)域形式存在的像素點(diǎn)即為頭部區(qū)域的點(diǎn)，每個(gè)區(qū)域即為識(shí)別出的一個(gè)頭部。

下面介紹一種行人頭部識(shí)別系統(tǒng)，如圖2所示，包括：

前景圖像提取模塊10，用于獲取深度攝像頭垂直對(duì)準(zhǔn)地面時(shí)從目標(biāo)區(qū)域采集到的深度圖像，并從所述深度圖像中提取前景圖像。

所述前景圖像提取模塊10具體用于：利用深度攝像頭垂直對(duì)準(zhǔn)地面，采集目標(biāo)區(qū)域的深度圖像，得到深度圖像中坐標(biāo)為(x,y)的點(diǎn)的像素值f(x,y)，將像素值f(x,y)和通過預(yù)先背景建模得到的坐標(biāo)為(x,y)的點(diǎn)的像素值bg(x,y)比較，并結(jié)合公式得到前景圖像中坐標(biāo)為(x,y)的點(diǎn)的像素值mask(x,y)。

所述公式為：

其中，Tbg為背景模型和前景圖像區(qū)分閾值。

上述通過預(yù)先背景建模得到坐標(biāo)為(x,y)的點(diǎn)的像素值bg(x,y)的過程具體為：通過采集若干張所述目標(biāo)區(qū)域的背景圖像，并對(duì)所述若干張背景圖像中坐標(biāo)為(x,y)的點(diǎn)的像素值取均值得到。

所述坐標(biāo)為(x,y)的點(diǎn)的像素值為該點(diǎn)在目標(biāo)區(qū)域中的對(duì)應(yīng)點(diǎn)與所述深度攝像頭的相對(duì)距離。

ROI區(qū)域提取模塊11，用于從所述前景圖像中提取所有頭部的潛在區(qū)域作為感興趣區(qū)域即ROI區(qū)域。

所述ROI區(qū)域提取模塊11具體包括：

均值計(jì)算子模塊，用于以所述前景圖像中的每一個(gè)像素點(diǎn)P為中心點(diǎn)，根據(jù)公式計(jì)算其8鄰域中像素點(diǎn)的像素值的均值m。

所述公式為：

其中，p(k)為該鄰域內(nèi)的像素點(diǎn)的像素值；

方差計(jì)算子模塊，用于在該鄰域的均值m和其中心點(diǎn)像素值p的差值的絕對(duì)值d小于預(yù)置的第二閾值Tm時(shí)，根據(jù)方差公式計(jì)算該鄰域內(nèi)的方差v；

即，d＝｜p-m｜；

所述方差公式為：

ROI區(qū)域判定子模塊，用于在方差v小于閾值的第三閾值Tv時(shí)，判定該鄰域?qū)儆赗OI區(qū)域。

頭部識(shí)別模塊12，用于通過構(gòu)造同心圓來(lái)識(shí)別人頭部區(qū)域；具體地，以每一個(gè)ROI區(qū)域中的每一個(gè)像素點(diǎn)為圓心，通過構(gòu)造同心圓來(lái)計(jì)算當(dāng)前像素點(diǎn)屬于頭部區(qū)域內(nèi)的像素點(diǎn)的概率，得到每個(gè)ROI區(qū)域中的每個(gè)像素點(diǎn)的概率值，將每個(gè)ROI區(qū)域中每個(gè)像素點(diǎn)的概率值與預(yù)置的第一閾值比較，將低于所述第一閾值的像素點(diǎn)濾除，剩下的以區(qū)域形式存在的像素點(diǎn)即為頭部區(qū)域的點(diǎn)，每個(gè)區(qū)域即為識(shí)別出的一個(gè)頭部。

所述頭部識(shí)別模塊12具體包括：

同心圓構(gòu)造子模塊，用于以每一個(gè)ROI區(qū)域中的每一個(gè)像素點(diǎn)為圓心，構(gòu)造同心圓，所述同心圓的內(nèi)圓半徑為r，外圓半徑為n×r。

其中，R為通過統(tǒng)計(jì)得到的人頭部區(qū)域中心點(diǎn)到邊緣的平均像素點(diǎn)個(gè)數(shù)，1.2≤n≤1.7。

像素值排序子模塊，用于對(duì)內(nèi)圓內(nèi)取得的像素點(diǎn)的像素值進(jìn)行排序，記錄從內(nèi)圓區(qū)域中取得的像素點(diǎn)的像素值所形成的序列ArrayInner，所述序列ArrayInner的長(zhǎng)度為lengthInner，其中，像素值最大點(diǎn)的像素值為NinnerMax；并對(duì)內(nèi)外圓之間的區(qū)域內(nèi)取得的像素點(diǎn)的像素值進(jìn)行排序，記錄從內(nèi)外圓之間的區(qū)域取得的像素點(diǎn)的像素值所形成的序列ArrayOuter，所述序列ArrayOuter的長(zhǎng)度為lengthOuter，其中，像素值最小點(diǎn)的像素值為NouterMin。

上述取得的像素點(diǎn)在各自區(qū)域內(nèi)滿足均勻分布，且從內(nèi)圓區(qū)域內(nèi)取得的像素點(diǎn)的數(shù)量lengthInner與從內(nèi)外圓之間的區(qū)域取得的像素點(diǎn)的數(shù)量lengthOuter相等。

第一概率值確定子模塊，用于計(jì)算在序列ArrayOuter中比NinnerMax小的點(diǎn)的數(shù)量作為Num_1，計(jì)算在序列ArrayInner中比NouterMin大的點(diǎn)的數(shù)量作為Num_2，并根據(jù)公式計(jì)算當(dāng)前像素點(diǎn)屬于頭部區(qū)域內(nèi)的像素點(diǎn)的概率L，并記錄概率值。

所述公式為：

L＝(lengthInner+lengthOuter-Num_1-Num_2)/(lengthInner+lengthOuter)；

第二概率值確定子模塊，用于增大同心圓的內(nèi)圓半徑為r_new，r_new＝r+r×α，其中α代表同心圓的內(nèi)圓半徑r增大的速度，0＜α＜1，此時(shí)，外圓半徑為n×r_new；當(dāng)r_new≦2R時(shí)，令r＝r_new，并返回所述像素值排序子模塊來(lái)計(jì)算ROI區(qū)域中的每一個(gè)像素點(diǎn)屬于頭部區(qū)域內(nèi)的像素點(diǎn)的概率，并記錄概率值，以記錄的每一個(gè)像素點(diǎn)的最大概率作為該像素點(diǎn)屬于頭部區(qū)域內(nèi)的像素點(diǎn)的最終概率；當(dāng)r_new>2R時(shí)，進(jìn)入頭部識(shí)別子模塊。

頭部識(shí)別子模塊，用于將每個(gè)像素點(diǎn)的最終概率與所述第一閾值比較，將低于所述第一閾值的像素點(diǎn)濾除，剩下的以區(qū)域形式存在的像素點(diǎn)即為頭部區(qū)域的點(diǎn)，每個(gè)區(qū)域即為識(shí)別出的一個(gè)頭部。

通過上述行人頭部識(shí)別方法識(shí)別出行人頭部后，結(jié)合計(jì)數(shù)方法，可對(duì)商場(chǎng)、機(jī)場(chǎng)、公交車站、地鐵站等人流量密集的公共場(chǎng)所提供人流量統(tǒng)計(jì)服務(wù)。下面具體介紹一種人流量統(tǒng)計(jì)方法，所述人流量統(tǒng)計(jì)方法基于上述行人頭部識(shí)別系統(tǒng)，所述人流量統(tǒng)計(jì)方法為：通過跟蹤所述行人頭部識(shí)別系統(tǒng)識(shí)別出的行人頭部區(qū)域來(lái)確定其運(yùn)動(dòng)軌跡，當(dāng)所述運(yùn)動(dòng)軌跡穿過預(yù)置區(qū)域時(shí)計(jì)數(shù)，從而統(tǒng)計(jì)出目標(biāo)區(qū)域的人流量。

如圖3所示，所述人流量統(tǒng)計(jì)方法具體包括：

步驟A1，將識(shí)別出的頭部區(qū)域用矩形框包圍，所述頭部區(qū)域內(nèi)接于所述矩形框。

步驟A2，將前景圖像中前一幀圖像中的每一個(gè)頭部區(qū)域分別與后一幀圖像中的所有頭部區(qū)域進(jìn)行聯(lián)合相似性計(jì)算。

具體地，鑒于連續(xù)兩幀之間頭部區(qū)域的位置和面積不會(huì)發(fā)生劇烈變化，對(duì)頭部目標(biāo)的跟蹤，依靠計(jì)算連續(xù)兩幀間頭部矩形框?qū)蔷€的交點(diǎn)位置坐標(biāo)和頭部區(qū)域面積大小的聯(lián)合相似性確定。

計(jì)算公式為：

P_associate(d1,d2)＝A_position(d1,d2)A_area(d1,d2)；

其中，d1和d2分別代表連續(xù)兩幀圖像中的任一個(gè)頭部區(qū)域，P_associate(d1,d2)、A_position(d1,d2)和A_area(d1,d2)分別代表聯(lián)合相似性、位置相似性和面積相似性，其中A_position(d1,d2)和A_area(d1,d2)的計(jì)算公式為：

其中，(x₁,y₁)和(x₂,y₂)分別表示連續(xù)兩幀圖像中任一個(gè)頭部區(qū)域d1和d2對(duì)角線交點(diǎn)的坐標(biāo)，s₁和s₂分別表示連續(xù)兩幀圖像中任一個(gè)頭部區(qū)域d1和d2的面積，a_x、a_y表示連續(xù)兩幀圖像中所有頭部區(qū)域矩形框?qū)蔷€交點(diǎn)坐標(biāo)在X軸和Y軸上的方差，a_s表示連續(xù)兩幀圖像中所有頭部區(qū)域面積的方差。

步驟A3，將計(jì)算出的前一幀圖像中的每一個(gè)頭部區(qū)域分別與后一幀圖像中所有頭部區(qū)域的聯(lián)合相似性的最大值與閾值比較，若大于閾值，則代表前一幀圖像中的該頭部區(qū)域與后一幀圖像中所述聯(lián)合相似性的最大值對(duì)應(yīng)的頭部區(qū)域匹配成功；若小于閾值，則代表匹配失敗，目標(biāo)丟失。

步驟A4，將每連續(xù)兩幀圖像中匹配成功的兩個(gè)頭部區(qū)域的矩形框?qū)蔷€交點(diǎn)連接起來(lái)，從而確定所述頭部區(qū)域的運(yùn)動(dòng)軌跡。

步驟A5，當(dāng)檢測(cè)到所述運(yùn)動(dòng)軌跡穿過預(yù)置區(qū)域時(shí)計(jì)數(shù)，從而統(tǒng)計(jì)出目標(biāo)區(qū)域的人流量。

具體地，所述預(yù)置區(qū)域?yàn)樵谒銮熬皥D像的幀圖像上設(shè)置的兩條平行虛擬判定線L1和L2及與所述前景圖像的邊緣所形成的區(qū)域；當(dāng)檢測(cè)到所述運(yùn)動(dòng)軌跡連續(xù)穿越L1和L2時(shí)，人數(shù)計(jì)數(shù)器計(jì)數(shù)；更具體地，當(dāng)檢測(cè)到所述運(yùn)動(dòng)軌跡連續(xù)穿越虛擬判定線的次序?yàn)長(zhǎng)1和L2時(shí)，出計(jì)數(shù)器計(jì)數(shù)；當(dāng)檢測(cè)到所述運(yùn)動(dòng)軌跡連續(xù)穿越虛擬判定線的次序?yàn)長(zhǎng)2和L1時(shí)，進(jìn)計(jì)數(shù)器計(jì)數(shù)；采用上述方式對(duì)所有頭部區(qū)域的運(yùn)動(dòng)軌跡進(jìn)行檢測(cè)并計(jì)數(shù)，并分別將出計(jì)數(shù)器和進(jìn)計(jì)數(shù)器的結(jié)果實(shí)時(shí)輸出。

其中，L1和L2的距離是一個(gè)標(biāo)準(zhǔn)成年人頭頂部區(qū)域長(zhǎng)度的兩倍，且L1和L2的中線是幀圖像的中線。

下面具體介紹一種人流量統(tǒng)計(jì)系統(tǒng)，所述人流量統(tǒng)計(jì)方法基于上述行人頭部識(shí)別系統(tǒng)，所述人流量統(tǒng)計(jì)系統(tǒng)用于：通過跟蹤所述行人頭部識(shí)別系統(tǒng)識(shí)別出的頭部區(qū)域來(lái)確定其運(yùn)動(dòng)軌跡，當(dāng)所述運(yùn)動(dòng)軌跡穿過預(yù)置區(qū)域時(shí)計(jì)數(shù)，從而統(tǒng)計(jì)出目標(biāo)區(qū)域的人流量。

如圖4所示，所述人流量統(tǒng)計(jì)系統(tǒng)具體包括：

頭部區(qū)域框定模塊20，用于將識(shí)別出的頭部區(qū)域用矩形框包圍，所述頭部區(qū)域內(nèi)接于所述矩形框。

聯(lián)合相似性計(jì)算模塊21，用于將前景圖像中前一幀圖像中的每一個(gè)頭部區(qū)域分別與后一幀圖像中的所有頭部區(qū)域進(jìn)行聯(lián)合相似性計(jì)算。

具體地，所述聯(lián)合相似性為連續(xù)兩幀間頭部矩形框?qū)蔷€的交點(diǎn)位置坐標(biāo)和頭部區(qū)域面積大小的聯(lián)合相似性。

計(jì)算公式為：

P_associate(d1,d2)＝A_position(d1,d2)A_area(d1,d2)；

其中，d1和d2分別代表連續(xù)兩幀圖像中的任一個(gè)頭部區(qū)域，P_associate(d1,d2)、A_position(d1,d2)和A_area(d1,d2)分別代表聯(lián)合相似性、位置相似性和面積相似性，其中A_position(d1,d2)和A_area(d1,d2)的計(jì)算公式為：

其中，(x₁,y₁)和(x₂,y₂)分別表示連續(xù)兩幀圖像中任一個(gè)頭部區(qū)域d1和d2對(duì)角線交點(diǎn)的坐標(biāo)，s₁和s₂分別表示連續(xù)兩幀圖像中任一個(gè)頭部區(qū)域d1和d2的面積，a_x、a_y表示連續(xù)兩幀圖像中所有頭部區(qū)域矩形框?qū)蔷€交點(diǎn)坐標(biāo)在X軸和Y軸上的方差，a_s表示連續(xù)兩幀圖像中所有頭部區(qū)域面積的方差。

頭部區(qū)域匹配模塊22，用于將計(jì)算出的前一幀圖像中的每一個(gè)頭部區(qū)域分別與后一幀圖像中所有頭部區(qū)域的聯(lián)合相似性的最大值與閾值比較，若大于閾值，則代表前一幀圖像中的該頭部區(qū)域與后一幀圖像中所述聯(lián)合相似性的最大值對(duì)應(yīng)的頭部區(qū)域匹配成功；若小于閾值，則代表匹配失敗，目標(biāo)丟失。

運(yùn)動(dòng)軌跡確定模塊23，用于將每連續(xù)兩幀圖像中匹配成功的兩個(gè)頭部區(qū)域的矩形框?qū)蔷€交點(diǎn)連接起來(lái)，從而確定所述頭部區(qū)域的運(yùn)動(dòng)軌跡。

人流量統(tǒng)計(jì)模塊24，用于在檢測(cè)到所述運(yùn)動(dòng)軌跡穿過預(yù)置區(qū)域時(shí)計(jì)數(shù)，從而統(tǒng)計(jì)出目標(biāo)區(qū)域的人流量。

具體地，所述預(yù)置區(qū)域?yàn)樵谒銮熬皥D像的幀圖像上設(shè)置的兩條平行虛擬判定線L1和L2及與所述前景圖像的邊緣所形成的區(qū)域；當(dāng)檢測(cè)到所述運(yùn)動(dòng)軌跡連續(xù)穿越L1和L2時(shí)，人數(shù)計(jì)數(shù)器計(jì)數(shù)；當(dāng)檢測(cè)到所述運(yùn)動(dòng)軌跡連續(xù)穿越虛擬判定線的次序?yàn)長(zhǎng)1和L2時(shí)，出計(jì)數(shù)器計(jì)數(shù)；當(dāng)檢測(cè)到所述運(yùn)動(dòng)軌跡連續(xù)穿越虛擬判定線的次序?yàn)長(zhǎng)2和L1時(shí)，進(jìn)計(jì)數(shù)器計(jì)數(shù)；并分別將出計(jì)數(shù)器和進(jìn)計(jì)數(shù)器的結(jié)果實(shí)時(shí)輸出。

其中，L1和L2的距離是一個(gè)標(biāo)準(zhǔn)成年人頭頂部區(qū)域長(zhǎng)度的兩倍，且L1和L2的中線是幀圖像的中線。

通過上述提供的人流量統(tǒng)計(jì)方法及系統(tǒng)，可為機(jī)場(chǎng)、商場(chǎng)和火車站等人流量密集的地方提供人流量統(tǒng)計(jì)服務(wù)。

本發(fā)明提供的行人頭部識(shí)別方法，一方面，在進(jìn)行頭部識(shí)別之前，先在前景圖像中劃定ROI區(qū)域來(lái)鎖定頭部的潛在區(qū)域，有效降低了算法計(jì)算量，提高了識(shí)別速度；另一方面，結(jié)合人體中只有頭部區(qū)域有同心圓屬性的特征，利用同心圓對(duì)頭部區(qū)域進(jìn)行度量，提高了頭部識(shí)別準(zhǔn)確率；并且有效避免了由于衣服顏色、頭部顏色等對(duì)頭部識(shí)別造成的影響，提高了算法的抗干擾能力。

以上所述僅為本發(fā)明的較佳實(shí)施例而已，并不用以限制本發(fā)明，凡在本發(fā)明的精神和原則之內(nèi)所作的任何修改、等同替換和改進(jìn)等，均應(yīng)包含在本發(fā)明的保護(hù)范圍之內(nèi)。