本发明属于社会安全管理领域,具体涉及一种用于社会安全管理的计算机视觉步态识别的足根检测方法。
背景技术:
对于基于标准图像的步态分析中,足跟触地的时刻与位置信息十分关键。目前许多生物识别技术使用步态作为个人生物特征来识别个体。
但是,从已经开展的书面专利调查结果显示,当前技术无法做到实时检测,并且只能检测到足跟触地位置,却无法检测到足跟触地的时刻。因此,步态分析中足跟运动难以捕捉的问题仍然是公开的难题。
技术实现要素:
本发明是为了解决上述问题而进行的,目的在于提供用于社会安全管理的计算机视觉步态识别的足根检测方法。
本发明提供了一种用于社会安全管理的计算机视觉步态识别的足根检测方法,根据视频图像确定目标行走体的足根碰撞的时刻和位置,具有这样的特征,包括以下步骤:
步骤1,根据视频图像中目标行走体的高度H,以目标行走体的前脚为中心将高度和宽度小于高度H的区域设定为目标区域ROI;
步骤2,对视频图像进行逐帧计算,得到每一帧目标区域ROI内每一个像素点的径向加速度场ar,进而得到每一帧目标区域ROI内数值大于阈值的径向加速度ar的数量S;
步骤3,将各帧的数量S中与相邻帧的数量S差值最大的帧设为目标行走体的足根触地的关键帧;
步骤4,根据关键帧对应的目标区域ROI内的径向加速度ar,计算该关键帧对应的目标区域ROI内每一个像素点的径向加速度ar的旋转圆心(ox,oy);
步骤5,将所有旋转圆心(ox,oy)进行映射从而形成关键帧的旋转圆心稠密映射图I;
步骤6,根据径向圆心稠密映射图I以及下式(1)计算得到目标行走体的足跟碰撞位置(ih,jh),
上式(1)中,I(i,j)表示旋转圆心稠密映射图I中坐落于旋转圆心(ox,oy)的圆心稠密程度。
在本发明提供的用于社会安全管理的计算机视觉步态识别的足根检测方法中,还可以具有这样的特征:其中,目标区域ROI的高度为0.133H,宽度为0.177H。
在本发明提供的用于社会安全管理的计算机视觉步态识别的足根检测方法中,还可以具有这样的特征:其中,步骤2包括以下子步骤:
步骤2-1,基于视频图像,根据下式(2)逐帧计算加速度场a,
a=v(t+1)-(-v(t)) (2)
上式(2)中,t为视频图像中的当前处理帧,v(t)为当前处理帧到当前处理帧的前一帧的运动场,v(t+1)为当前处理帧到后一帧的速度场,速度场v由DeepFlow算法得到;
步骤2-2,根据下式(3)计算得到每一帧内与加速度场a对应的每个像素点的径向加速度ar,
ar=sinθ*a (3)
上式(3)中,θ表示加速场a和速度场v之间的角度;
步骤2-3,对每一帧目标区域ROI内径向加速度ar数值大于阈值的径向加速度ar的数量进行统计,得到数量S。
在本发明提供的用于社会安全管理的计算机视觉步态识别的足根检测方法中,还可以具有这样的特征:其中,步骤2-3中,阈值为0.5~2。
在本发明提供的用于社会安全管理的计算机视觉步态识别的足根检测方法中,还可以具有这样的特征:其中,步骤4包括以下子步骤:
步骤4-1,根据关键帧和该关键帧对应的目标区域ROI内的径向加速度ar并结合下式(4)计算得到该关键帧对应的目标区域ROI内每一个像素点的径向加速度ar对应的目标行走体的旋转半径r,
r=v2/ar (4)
上式(4)中,v为关键帧与相邻帧的速度场;
步骤4-2,根据下式(5)计算得到关键帧对应的目标区域ROI内每一个像素点的径向加速度ar的旋转圆心(ox,oy),
上式(5)中,(px,py)为关键帧内当前处理像素点的位置坐标。
发明的作用与效果
根据本发明所涉及的用于社会安全管理的计算机视觉步态识别的足根检测方法,首先根据视频图像中目标行走体的高度,设定目标区域,然后对视频图像进行逐帧计算,得到每一帧目标区域的每个像素点的径向加速度以及每一帧内数值大于阈值的径向加速度的数量,从而得到关键帧和旋转圆心,进一步获得关键帧的旋转圆心稠密映射图,最终通过公式计算得到目标行走体的足跟碰撞位置。本发明解决了目前用于社会安全管理的计算机视觉步态分析中足跟运动难以捕捉的问题,且检测结果只有一帧的延迟问题,做到了近似实时监测。
附图说明
图1是本发明的实施例中用于社会安全管理的计算机视觉步态识别的足根检测方法的流程图;
图2是本发明的实施例中目标行走体和目标区域的模型示意图;
图3是本发明的实施例中关键帧的确认示意图;
图4是本发明的实施例中CASIA-A(45°)数据库采集结果样本的示意图;
图5是本发明的实施例中CASIA-A(90°)数据库采集结果样本的示意图;
图6是本发明的实施例中CASIA-B数据库采集结果样本的示意图;
图7是本发明的实施例中SOTON数据库采集结果样本的示意图;
图8是本发明的实施例中添加了高斯可加性白噪声的图像示意图;
图9是本发明的实施例中对高斯可加性白噪声的免疫性测试的结果示意图;
图10是本发明的实施例中对目标区域进行遮挡噪声的示意图;
图11是本发明的实施例中对目标区域中的遮挡免疫性测试的结果示意图;
图12是本发明的实施例中对低分辨率的图像免疫性测试的结果示意图。
具体实施方式
为了使本发明实现的技术手段与功效易于明白了解,以下结合实施例及附图对本发明作具体阐述。
<实施例>
图1是本发明的实施例中用于社会安全管理的计算机视觉步态识别的足根检测方法的流程图。
如图1所示,用于社会安全管理的计算机视觉步态识别的足根检测方法,根据视频图像确定目标行走体的足根触地的关键帧以及位置,包括以下步骤:
步骤1,根据视频图像中目标行走体的高度H,以目标行走体的前脚为中心将高度和宽度小于高度H的区域设定为目标区域ROI。
图2是本发明的实施例中目标行走体和目标区域的模型示意图。
在本实施例中,如图2所示,目标行走体的高度为H,则目标区域ROI的高度为0.133H,宽度为0.177H。
步骤2,对视频图像进行逐帧计算,得到每一帧目标区域ROI内每一个像素点的径向加速度场ar,进而得到每一帧目标区域ROI内数值大于阈值的径向加速度ar的数量S。
步骤2包括以下子步骤:
步骤2-1,基于视频图像,根据下式(1)逐帧计算加速度场a,
a=v(t+1)-(-v(t)) (1)
上式(1)中,t为视频图像中的当前处理帧,v(t)为当前处理帧到当前处理帧的前一帧的运动场,v(t+1)为当前处理帧到后一帧的速度场,速度场v由DeepFlow算法得到。
步骤2-2,根据下式(2)计算得到每一帧内与加速度场a对应的每个像素点的径向加速度ar,
ar=sinθ*a (2)
上式(2)中,θ表示加速场a和速度场v之间的角度。
步骤2-3,对每一帧目标区域ROI内径向加速度ar数值大于阈值的径向加速度ar的数量进行统计,得到数量S。
图3是本发明的实施例中关键帧的确认示意图。
在本实施例中,如图3所示,(a)为原始图像,(b)为对视频进行背景移除后获得的人体轮廓。根据图2中的人体比例,我们设定出需要检测径向加速度的目标区域ROI。在足跟触地时刻,目标区域ROI内的径向加速度会达到阈值(阈值为0.5~2)。
如图3(c)所示,横轴代表图像的帧数,纵轴代表在目标区域ROI内径向加速度ar超过阈值的数量。对每一帧内径向加速度ar数值大于阈值的径向加速度ar的数量进行统计,得到各帧对应的数量S。
步骤3,将各帧的数量S中与相邻帧的数量S差值最大的帧设为目标行走体的足根触地的关键帧。
在本实施例中,如图3(c)所示,目标区域ROI内,帧数13、27、41、54和55满足阈值的径向加速度ar的数量与相邻其他帧明显不同,显示出了步态的周期性,说明帧数13、27、41、54和55为关键帧。因为视频的采样率偏低,帧数54和55的径向加速度的数量S差异不明显,即第四个脚跟触地发生在两帧之间。
步骤4,根据关键帧对应的目标区域ROI内的径向加速度ar,计算该关键帧对应的目标区域ROI内每一个像素点的径向加速度ar的旋转圆心(ox,oy)。
步骤4包括以下子步骤:
步骤4-1,根据关键帧和该关键帧对应的目标区域ROI内的径向加速度ar并结合下式(3)计算得到该关键帧对应的目标区域ROI内每一个像素点的径向加速度ar对应的目标行走体的旋转半径r,
r=v2/ar (3)
上式(3)中,v为关键帧与相邻帧的速度场。
步骤4-2,根据下式(4)计算得到关键帧对应的目标区域ROI内每一个像素点的径向加速度ar的旋转圆心(ox,oy),
上式(4)中,(px,py)为关键帧内当前处理像素点的位置坐标。
步骤5,将所有旋转圆心(ox,oy)进行映射从而形成关键帧的旋转圆心稠密映射图I。
步骤6,根据径向圆心稠密映射图I以及下式(5)计算得到目标行走体的足跟碰撞位置(ih,jh),
上式(5)中,I(i,j)表示旋转圆心稠密映射图I中坐落于旋转圆心(ox,oy)的圆心稠密程度。
根据三个基准数据库CASIA,SOTON和OU-ISIR对用于社会安全管理的计算机视觉步态识别的足根检测方法进行评估,如下:
图4是本发明的实施例中CASIA-A(45°)数据库采集结果样本的示意图,图5是本发明的实施例中CASIA-A(90°)数据库采集结果样本的示意图,图6是本发明的实施例中CASIA-B数据库采集结果样本的示意图,图7是本发明的实施例中SOTON数据库采集结果样本的示意图。
每个数据库的数据是在不同的环境下采集的,在每个场景中测试了大约100次足跟撞击,测试数据包含了多个视角和步行方向(如图4至图7所示),详细信息由表1所示。
表1 各数据库的测试数据信息
表2为各数据库检测关键帧的检测正确率(由F表示),表3为足跟碰撞位置的检测正确率(由F表示)。表1和表2中设定的判别条件为,检测到的关键帧与手动标记值相差±1帧;准确的足跟碰撞位置的条件为检测值距真实值±10像素范围内(沿两个轴)。表1和表2的数据表明,本发明的用于社会安全管理的计算机视觉步态识别的足根检测方法在确认关键帧和足跟碰撞位置时展现出较高的准确性。
表2 各数据库检测关键帧的检测正确率
表3 各数据库检测足根碰撞位置的检测正确率
分别对本发明的用于社会安全管理的计算机视觉步态识别的足根检测方法进行高斯可加性白噪声、目标区域的遮挡和分辨率降低三个方面的免疫性测试,如图8至图12所示。
图8是本发明的实施例中添加了高斯可加性白噪声的图像示意图,图9是本发明的实施例中对高斯可加性白噪声的免疫性测试的结果示意图。
如图8所示,对目标行走体施加强度σ=1.5%的高斯噪声。如图9所示,随着高斯噪声的干扰加重,而本方法的检出关键帧的正确率并没有下降得很厉害,说明本方法抗高斯噪声的干扰能力很强。
图10是本发明的实施例中对目标区域进行遮挡噪声的示意图,图11是本发明的实施例中对目标区域中的遮挡免疫性测试的结果示意图。
如图10所示,目标领域被遮挡了40%。如图11所示,随着被遮挡比例的增加,而本方法的检出关键帧的正确率稳步下降,当遮挡面积超过整个目标区域ROI面积的30%时,该方法失效。
图12是本发明的实施例中对低分辨率的图像免疫性测试的结果示意图。
如图12所示,随着图像降采样率增加(即图像尺寸不断减小),关键帧的检测率也逐渐降低,当降采样窗口增加到4x4时(也就是图像尺寸为原图的四分之一),关键帧的检测率降低到了30%左右。
实施例的作用与效果
根据本实施例提到的用于社会安全管理的计算机视觉步态识别的足根检测方法,首先根据视频图像中目标行走体的高度H,设定目标区域ROI,然后对视频图像进行逐帧计算,得到每一帧内的目标区域ROI的每个像素点的径向加速度ar,从而获得每一帧内数值大于阈值的径向加速度ar的数量S,进而得到关键帧、该关键帧对应的旋转圆心以及旋转圆心稠密映射图,最终通过稠密度作为权重,计算得到目标行走体的足跟碰撞位置。
本发明解决了目前用于社会安全管理的计算机视觉步态分析中足跟运动难以捕捉的问题,且检测结果只有一帧的延迟问题,做到了近似实时监测,而且展现出较好的抗高斯可加性白噪声性能,对被遮挡30%以内的目标区域ROI仍然有效,同时对图像的分辨率要求不高。
上述实施方式为本发明的优选案例,并不用来限制本发明的保护范围。