[发明专利]基于第二代Bandelet变换和星型模型的静态人体检测方法

说明书

技术领域

本发明属于图像处理技术领域，涉及静态人体检测方法，可用于智能监控、驾驶员辅助系统、人体运动捕捉、色情图片过滤、虚拟视频等。

背景技术

计算机视觉中的人体检测是一门应用前景十分广阔的技术，人体检测其实在多个领域都有较好的应用前景，但是由于人体姿态的多样性，背景的嘈杂以及衣服纹理，光照条件，自身遮挡等多方面的因素导致人体检测成为一个非常困难的问题。

目前，静态图像中人体检测的方法主要有基于人体模型的方法、基于模板匹配的方法和基于统计分类的方法。其中：

基于人体模型的方法，要有明确的人体模型，然后根据模型构造的各个部位与人体之间的关系进行人体识别。这种方法可以处理遮挡问题，并且可以推断出人体的姿态。但是这种方法的不足是模型的构建比较难，求解也比较复杂。

基于模板匹配的方法，先是给人体目标构造一个模板，然后根据模板匹配算法进行人体的识别。这种方法与基于模型的方法相比计算比较简单，缺点是由于人体姿态的复杂性，很难构造出足够的模板以处理不同的姿态。

基于统计分类的方法，通过机器学习从一系列训练数据中学习得到一个分类器，用该分类器来表示人体，然后利用该分类器对输入窗口进行分类及识别。基于统计分类的方法的优点与人体模型的方法和模板匹配的方法相比是比较鲁棒，检测结果较优，但其缺点是需要很多训练数据，并且很难解决姿态和遮挡的问题。

发明内容

本发明目的是针对上述已有技术的不足，提出的一种基于第二代Bandelet变换与星型结构相结合的人体检测方法，从图像的几何流特性和人体的几何结构出发，有效处理遮挡问题，降低人体检测的虚景率，提高人体检测的正确率。

为实现上述目的，本发明的技术方案包括如下：

(1)从INRIA数据库中通过自举操作获取大量的负样本，并与数据库中其它的正样本一起构成整个人体训练样本集FB，对FB进行手动切割，得到人体头部，左肩，右肩，下肢，脚步五个人体部位的训练样本集；

(2)提取FB和五个部位训练样本集的Bandelet系数和该系数的统计值，将其作为Bandelet联合特征，得到相应的样本特征集，并利用Adaboost算法对这些样本特征集进行分类训练，得到整个人体分类器和五个部位分类器；

(3)对人体各个部位进行基于星型模型的学习，得到整个人体星型模型，将步骤(2)中得到的整个人体分类器和五个部位分类器的输出值作为人体星型模型中相应部位滤波器的输入值；

(4)输入任意大小的待检图像，利用Bandelet变换计算待检图像的Bandelet系数矩阵；

(5)根据待检图像的Bandelet系数矩阵，计算待检图像中所有扫描窗口的Bandelet联合特征，输入步骤(2)中所得整个人体分类器和五个部位分类器，初步判定待检图像中人体候选区域，在人体候选区域内进行从左到右9×9的邻域扫描；

(6)根据步骤(3)中所得的人体模型，计算待检图像中各扫描窗口在星型模型中滤波器的输出值，并根据滤波器的输出值判定扫描窗口中是否存在人体，若滤波器输出值大于零则认为该扫描窗口中存在人体和人体部位，反之则认为不存在人体和人体部位；

(7)对存在人体和人体部位的窗口利用主窗口合并法进行窗口合并，得到最终人体检测结果。

本发明与现有的技术相比具有以下优点：

1、本发明是结合Bandelet特征和星型模型的人体检测方法，通过实验结果可得本发明有效提高了人体检测的正确率，降低了人体检测的虚景率。

2、本发明利用星型模型来表示人体，充分利用了人体的几何结构，可以有效处理部位遮挡问题。

3、本发明是利用Bandelet几何流特性，通过Bandelet联合特征来刻画人体图像的几何特性，再与星型模型相结合使得人体每个部位都能被充分表征出来，与HOG方法相比更能体现人体几何结构特性，获得更多人体特征信息量。

附图说明

图1是本发明的流程示意图；

图2是本发明中使用的整个人体以及各个部位的正样本图像；

图3是本发明中使用的整个人体以及各个部位的负样本图像；

图4是各个部位的性能比较图；

图5是本发明与HOG方法的性能比较图；

图6是本发明用于人体图像检测的结果图。

具体实施方式