[发明专利]一种人体检测方法

说明书

技术领域

这个发明适用于，从单个固定摄像机提取的图像中自动的检测人体的装置，属于图像处理，模式识别，计算机视觉领域。

背景技术

人体检测在计算机视觉领域中有许多重要的应用，例如驾驶辅助系统，视频监控，图像检索，机器人和高级人机交互等。在智能视频监控中，自动在场景中搜索人体被视为理解人类活动的首要预处理步骤。但至今为止，人体的自动搜索问题仍然没有得到令人满意的结果，主要因为人体自身体形的多元性，人体姿态变化多端，衣着具有多样性以及背景，光照条件的复杂性等。而且，当监视空间中的人体的一部分被遮挡，无法拍摄到人体整体特征时，进行准确的人体检测是非常有挑战的课题。

目前人体检测装置中的人体特征提取通常都是寻找一种表示人体轮廓信息的方法，例如N.Dalal等人于2005年发表的文章“Histograms of orientedgradi ents for human detection”中提出的梯度方向直方图(Histogram oforiented gradient)特征等，人体检测中所采用的分离器则主要有非专利文献1(S.Munder，D.M.Gavrila，”An experimental study on pedestrianclassification”IEEE Transactions on Pattern Analysis and MachineIntelligence，Volume 28，Issue 11，2006)中提出的Adaboost法与支持向量机(Support Vector Machine)法.

为了去除人体自身体形的多元性，人体姿态变化多端，衣着具有多样性以及背景，光照条件的复杂性对人体检测的影响，非专利文献1通过Adaboost分类器进行机器学习时，需要收集大量的包含各种人体体形，人体姿态，衣着，背景等样本图片。并且，通过Adaboost分类器的学习及分类需要大量的处理时间，无法满足实时进行人体检测的要求。

为了实现对身体的一部分被遮挡的人物进行准确的检测，非专利文献2(B.Wu and R.Nevatia.“Detection and tracking of multiple，partially occludedhumans by bayesian combination of edgelet based part detectors.”IJCV，75(2)：247-266，2007)提出了将人体分为几个部分，例如上半身，下半身，腿部等，对各部分建立不同的分类器进行分类，最后结合各分类器的分类结果，从而得到最终的人体检测结果。由于非专利文献2需要建立多个分类器，所以需要收集更多的样本图片，分类器的学习及分类需要更长的时间。

发明内容

有鉴于此，本发明的目的在于提供一种高效率，高精度的人体检测方法，通过多种体形、多种姿势的人体样本建立具有一定模糊性的人体检测模型，可提高人体检测的鲁棒性。而且，本发明提出了一种只使用一个模板同时对被遮挡的人物及没有被遮挡的人物进行检测的方法。利用本发明提出的方法，提高了人体检测的效率及精度。

本发明方法的具体工作流程如下，

1.建立人体检测模板

步骤100，收集各种人体图像。

步骤101，提取各图像人体轮廓。

步骤102，各人体轮廓累加。

步骤103，建立人体检测模板。人体检测模板的各点由(x，y，)各相组成，其中x为该点的x坐标；y为该点的y坐标；为该点的平均灰度值，该平均灰度值由下式计算而得：W_i为第i幅图中该点(x，y)的灰度值，N为建立人体检测模板用到的图像数；为出现在该点，出现次数最多的方向梯度相角量化值θ。

步骤104，人体检测模板分区。

2.确定人体候补区域

步骤200，计算前景背景差分。

步骤201，用Canny算子计算差分图像的边缘图像。

步骤202，确定人体候补区域。

3.人体检测

步骤401，调节人体候补区域的大小。使人体候补区域与人体检测模板的大小一致。

步骤401，与人体检测模板匹配的边缘点的提取。

步骤402，判断该匹配边缘点是否为有效边缘点。如果该点为有效边缘点，则进入步骤403，如果该点位无效边缘点，则进入步骤409。判断标准为：各有效匹配边缘点与模板中心的连线上只能有一个有效边缘点；各有效匹配边缘点间应相互连接。

步骤403，计算各分区内有效边缘点点数。