一种人头检测的方法与流程

本发明属于图像处理技术领域，具体为一种人头检测的方法。

背景技术：

图像处理系统中，目标检测是一个普遍而重要的方面，人头检测更是应用广泛。CN103020706 A、一种基于运动目标检测与Haar特征的人流量统计算法提出了一种采用Adaboost+Haar特征的检测器与运动目标检测结合的方案，其中运动检测仅仅作为一种限定检测区域的辅助，在检测效率上有一些提高但准确率仍然有待提高；CN102004924 A、一种人头检测系统及方法则采用了一种分块LBP特征进行检测，效果还算可以，实时性却远无法满足要求。

技术实现要素：

针对现有技术中存在的上述问题，本发明的目的在于设计提供一种人头检测的方法的技术方案，该方法采用像素差特征和人头先验模型在检测实时性和准率上都有一个较大提升。

所述的一种人头检测的方法，其特征在于包括以下步骤：对输入的视频图像进行前景提取同时将每帧图像缩放到不同的尺寸，对每个固定尺寸的图像窗口提取像素差特征送入Adaboost多视角分类器进行人头检测，采用人头模型对前景掩码进行匹配生成人头先验概率图，先验概率图与Adaboost多视角分类器结果进行加权得到最终结果。

所述的一种人头检测的方法，其特征在于对输入的图像数据，根据设定的最大最小人头尺寸按照一定的缩放比率构建图像金字塔，对金字塔上的每个图像进行窗口扫描，提取每个窗口内的像素差特征，并用Adaboost进行分类。

所述的一种人头检测的方法，其特征在于上述Adaboost多视角分类包括正面人头分类器、背面人头分类器、左侧面人头分类器、右侧面人头分类器、顶视人头分类器，各个视角分类器分别对扫描窗口进行判定，如果通过一个或者多个分类器则可以认为扫描窗口为候选人头窗口。

所述的一种人头检测的方法，其特征在于人头分类器采用的像素差特征，仅仅使用像素差对即可生成特征，也可以采用多个像素对联合而产生其他变种特征，公式（1）即为最基本的像素对差值特征：

(1)

为了对于光线的变化有更好的适应性，采用韦伯法则对上述特征进行归一化，如公式（2），

(2)；

上述公式中，F表示提取的像素差特征值，P（i，j）代表图像中第i行第j列的位置上对应的像素值，同理P（m，n）。

所述的一种人头检测的方法，其特征在于前景的提取采用均值背景差分、中值背景差分、混合高斯模型或VIBE方法，优选VIBE方法。

所述的一种人头检测的方法，其特征在于采用离线生成的人头模型对前景图像进行匹配得到人头先验概率图；离线人头模型，采用高斯椭圆模型，公式3；或者中心距离模型，公式4；

(3)

(4)

(5)

上式（5）中Model(i,j)取高斯模型或者取中心距离模型，foreground(i,j)则表示前景图中i行j列位置上的像素值，零为背景非零则为前景；

(6)

上式（6）中T为最终人头分类所采用的阈值，w1与w2分别为先验概率图对应位置匹配分数与检测器对应位置分数的加权值；此处得到的先验概率图与人头检测器结果进行加权并通过融合与过滤就可以获得最终的人头检测结果。

上述一种人头检测的方法，采用像素差特征和人头先验模型在检测实时性和准率上都有一个较大提升。

附图说明

图1为本发明的人头检测算法流程示意图；

图2为本发明的并联人头检测器示意图；

图3为本发明的人头先验概率图示意图。

具体实施方式

以下结合具体实施例对本发明作进一步说明。

人头检测方法的系统框图如图1所示。对输入的图像数据，根据设定的最大最小人头尺寸按照一定的缩放比率构建图像金字塔，对金字塔上的每个图像进行窗口扫描，提取每个窗口内的像素差特征，并用Adaboost进行分类；同时输入的图像数据也将被用来提取前景目标，采用离线生成的人头模型对前景图像进行匹配可以得到人头先验概率图；Adaboost分类结果和人头先验概率图进行加权即可得到最后的人头检测结果。

上述人头Adaboost分类器，可为多个视角的分类器，包括正面人头分类器、背面人头分类器、左侧面人头分类器、右侧面人头分类器、顶视人头分类器，各个视角分类器分别对扫描窗口进行判定，如果通过一个或者多个分类器则可以认为扫描窗口为候选人头窗口。分类器并联示意图如图2所示。

人头分类器采用的像素差特征，仅仅使用像素差对即可生成特征，当然也可以采用多个像素对联合而产生其他变种特征。公式（1）即为最基本的像素对差值特征：

(1)

单像素对的分类能力，一般来说稍微偏弱且对于噪声严重的情况鲁棒性下降，所以一般采用多个像素对联合的特征，如2像素对特征即4个像素点两两组对产生两个F值进行联合得到特征；另外为了对于光线的变化有更好的适应性，可以采用韦伯法则对上述特征进行归一化，如公式（2）；由于像素差特征只需要获取原始图像中对应的像素值进行差值即可得到特征，计算量大大减少，再加上Cascade Adaboost整个分类过程实时性非常高。

(2)

先验概率图的生成中一个关键环节就是前景的提取，存在很多的方法可以提取前景，如均值背景差分、中值背景差分、混合高斯模型、VIBE方法等；本发明优选VIBE方法，VIBE方法具有很高的实时性，算法结构很适合并行计算，同时其前景提取效果也很不错，辅助一些形态学操作可以获得很好的前景提取效果。离线人头模型，可以采用高斯椭圆模型(公式3)或者中心距离模型（公式4）；

(3)

(4)

(5)

上式（5）中Model(i,j)或者取高斯模型或者取中心距离模型，foreground(i,j)则表示前景图中i行j列位置上的像素值，零为背景非零则为前景，模型匹配的结果如图3所示；此处得到的先验概率图与人头检测器结果进行加权并通过融合与过滤就可以获得最终的人头检测结果。

(6)

上式（6）中T为最终人头分类所采用的阈值，w1与w2分别为先验概率图对应位置匹配分数与检测器对应位置分数的加权值。采用先验概率图与检测器结果加权的方法既可以考虑人头目标的细节特性也可以考虑全局的轮廓和运动特征，因此可以较大提高人头检测的准确率。

采用本发明的方法后，对于分辨率为352*288的视频帧检测50*50大小的人头，在普通PC上可以达到1ms/帧，在1280*720的视频帧上检测60*60大小的目标也只需要15ms，完全可以满足实时性要求及嵌入式平台的应用。

本发明提升了人头检测算法的实用性，可以应用在各种客流监控/统计的场景中，以下列举两个实例。

本发明在嵌入式商铺客流统计设备上的应用。嵌入式平台上的计算资源和存储资源有一定的限制，各方面的资源占用需要尽可能的少，本发明在各方面都具备条件。考虑本发明人头检测对输入的视频图像数据流进行检测得到人头的位置信息，再采用相应的追踪器对人头结果进行实时追踪，当发生越线行为时就可以按方向进行数量统计，统计数据用作后续信息挖掘与分析。

本发明在公交车乘客商量统计方案中的应用。就公交车乘客数量统计应用场景来说人头检测存在一定的难度，本发明结合了局部特征和全局运动轮廓特征可以较好的解决这个问题，同时对人头的各种角度有较好的学习，从而精准检测。考虑本发明人头检测对输入的视频图像数据流进行检测得到人头的位置信息，再采用相应的追踪器对人头结果进行实时追踪，当发生越线行为时就可以按方向进行数量统计，统计数据用作后续信息挖掘与分析。