一种针对复杂背景的图像预处理技术的制作方法

本发明属于图像处理与计算机视觉技术领域，具体涉及一种针对复杂背景的图像预处理技术。

背景技术：

图像预处理是指在图像分析中，对输入图像进行特征抽取、分割和匹配前所进行的处理。图像预处理的主要目的是消除图像中无关的信息，恢复有用的真实信息，增强有关信息的可检测性和最大限度地简化数据，从而改进特征抽取、图像分割、匹配和识别的可靠性。现有图像预处理技术一般包括数字化、几何变换、归一化、颜色空间变换、图像平滑、图像增强。但是在讲座、会议、发布会以及学生教室等复杂背景的场景中，经现有的图像预处理方式处理后的图像在后续的人体姿态检测、情绪检测等技术的关键特征提取时，关键特征定位出现误差的几率较高，从而影响到整体效率和效果。结合现有的视频监控系统，本发明针对讲座、会议、发布会以及学生教室等复杂场景提供一种图像预处理技术。

技术实现要素：

本发明的目的在于克服以上存在的技术问题，提供一种针对复杂背景的图像预处理技术，可以有效的缩减待分析的范围，并可去除冗余的复杂背景。

为实现上述目的，本发明采用如下的技术方案：

一种针对复杂背景的图像预处理技术，包括如下步骤：

s1：利用图像分割技术对监控系统采集到的图像数据进行分割，获取以每个学生为中心人物的图像簇pics1；

s2：通过大量数据的训练，获取步骤s1应用场景下的人体检测分类器模型a；

s3：利用所述人体检测分类器模型a对所述学生图像簇pics1进行人体检测，标注人体检测框信息；

s4：利用非极大值抑制的方法对步骤s3得到的检测框信息进行交叉框的非极大值抑制处理，获取新的人体检测框信息；

s5：利用步骤s4得到的标注信息，提取人体检测框位置信息的最小、最大值，得到最终的人体检测框标注信息；

s6：利用步骤s5得到的标注信息，对原始图像簇pics1进行最大框标注，对图像中未标注部分进行虚化处理获得最终预处理结果。

进一步地，所述步骤s1图像分割技术为采用固定大小的滑框对输入图像进行裁剪，将图像分割为多个大小一致的待检图像。由于讲座、会议、发布会以及学生教室图像背景复杂，分割后的图像存在一图多人，一图没人等多样化情形，对于一图没人的情形，利用人工标注的方式加以去除，而对于一图多人的情形，利用步骤s4-s5进行最大框的标注。

进一步地，所述步骤s2人体检测分类器模型a对图像进行hog特征提取，利用线性svm作为分类器，实现人体检测，用一个滑动的窗口，在图像上从左到右，从上到下的滑动，每滑动到一个位置，计算其hog信息，每个hog信息，表现为一个1*n的矩阵。svm可以有效的最大化正负样本信息的间隔，对正负样本的检测具有较好的鲁棒性及可扩展性，因此本发明选择线性svm作为分类器。虽然opencv提供了hog和svm的api，也提供了行人检测的sample，但提供的api并不适用于本发明的应用场景。因此，针对本发明的应用场景，这里进行了自定义训练以得到适合的分类器。

进一步地，所述步骤s6虚化处理包括高斯平滑和/或均值平滑处理。由于本发明应用场景图像均是分割后的图像，本身像素值不高，模糊处理的效果不是非常显著，这里采用对rgb三通道值置255的方法，对图像进行白化。

本发明在现有颜色空间变换、图像平滑、图像增强等图像预处理的基础上，还增加了图像分割以及图像定区域虚化的步骤，通过对原始图像进行分割，根据人体检测分类器的检测结果进行区域锁定，进而做出无关区域白化的操作，对后续技术关键特征点的位置分布进行初步的范围划定，缩小了取样的范围，从而有效地提高了后续进行提取关键特征点时的取样效率。

附图说明

图1：本发明图像预处理技术的流程图。

图2：本发明人体检测技术的流程图。

具体实施方式

下面结合附图及实施例对本发明进行详细说明。

如图1所示，一种针对复杂背景的图像预处理技术，包括如下步骤：

s0：利用图像分割技术对监控系统采集到的图像数据进行分割，获取以每个学生为中心人物的图像簇pics1；图像分割技术为采用固定大小的滑框对输入图像进行裁剪，将图像分割为多个大小一致的待检图像，由于讲座、会议、发布会以及学生教室图像背景复杂，分割后的图像存在一图多人，一图没人等多样化情形，对于一图没人的情形，利用人工标注的方式加以去除。

s2：通过大量数据的训练，获取步骤s1应用场景下的人体检测分类器模型a；

s3：利用所述人体检测分类器模型a对所述学生图像簇pics1进行人体检测，标注人体检测框信息；

s4：利用非极大值抑制的方法对步骤s3得到的检测框信息进行交叉框的非极大值抑制处理，获取新的人体检测框信息；

s5：利用步骤s4得到的标注信息，提取人体检测框位置信息的最小、最大值，得到最终的人体检测框标注信息；

s6：利用步骤s5得到的标注信息，对原始图像簇pics1进行最大框标注，对图像中未标注部分进行高斯平滑和/或均值平滑处理，获得最终预处理结果。

如图2所示，所述步骤s2人体检测分类器的具体方法为，准备本发明应用场景的训练正负样本集；对图像进行hog特征提取；训练线性svm作为分类器实现正负样本信息间隔最大化；输入待检图像利用训练好的分类器进行人体目标检测。

所述步骤s5和s6中采用非极大值抑制的方法以及最大框的标注，由于利用步骤s3得到的人体框之间存在相互包含的情况，有的人体框完全包含于另一个较大的框，这些检测框均指向同一个被检测物体，因此选择了用非极大值抑制(nms)的方法，另外本发明应用场景中存在的一图多人的情形，不同的人之间存在交叉但不完全重叠的情况，因此，本发明中选择标注最大框信息。

标注信息下最大化主要包括：对重叠检测框进行非极大值抑制；对一图多人，不同的人之间存在交叉但不完全重叠的情况，标注最大位置信息。

最后应说明的是：以上实施例仅用以说明本发明而并非限制本发明所描述的技术方案；因此，尽管本说明书参照上述的各个实施例对本发明已进行了详细的说明，但是，本领域的普通技术人员应当理解，仍然可以对本发明进行修改或等同替换；而一切不脱离本发明的精神和范围的技术方案及其改进，其均应涵盖在本发明的权利要求范围中。

技术特征：

技术总结
本发明公开了一种针对复杂背景的图像预处理技术，主要包括原始图像分割、人体目标检测、标注信息最大化、图像背景虚化等步骤，本发明通过对原始图像进行分割，根据人体检测分类器的检测结果进行区域锁定，进而做出无关区域白化的操作，对后续技术关键特征点的位置分布进行初步的范围划定，缩小了取样的范围，从而有效地提高了后续进行提取关键特征点时的取样效率。

技术研发人员：张文铸;马维亮;杜远超
受保护的技术使用者：北京清帆科技有限公司
技术研发日：2019.02.01
技术公布日：2019.06.18