[发明专利]一种基于LSD算法的人形轮廓描述方法

说明书

本发明涉及一种基于LSD算法的人形轮廓描述方法，其特征在于，包括以下步骤：输入数据、计算所所述运动点的梯度信息、网格化处理、遍历所述运动点、更新所述网格的主方向点、再次遍历所述运动点、利用LSD算法更新所述网格的主方向、计算所有所述网格内的线段信息和输出数据；本发明耗时低并且可进行各个视角的人形判定，可适用于门店监控拍摄视角多样，红外模式低对比度，场景复杂的特点。

技术领域

本方法设计图像处理领域，属于图像分析领域的图像特征提取方法。

背景技术

目前，基于HOG特征以及CNN深度卷积特征是最主要的人形特征提取方法，这两种特征描述方法维度高，需要结合机器学习算法对人形进行判定，一方面目标检测耗时高不满足实时应用的要求，另一方面利用机器学习算法得到的判定模型不能适用于安防多视角的应用场景；实际的商店监控具有场景复杂，拍摄视角多样，且红外模式下图像质量低的特点，原有的HOG特征以及CNN深度卷积特征不能适应实际商店监控的应用需求。

发明内容

有鉴于此，本发明提供了一种基于LSD算法的人形轮廓描述方法，其特征在于，包括如下步骤：

(1)输入数据，数据为运动目标检测到的运动点集合，执行步骤(2)；

(2)计算所运动点的梯度信息，利用灰度图计算运动点的梯度值以及梯度方向，并将梯度方向归一化到[0,180]范围，执行步骤(3)；

(3)网格化处理，对运动点集合进行空间上的8*8网格化分割，并初始化网格内的主方点为空,主方向为-1，执行步骤(4)；

(4)遍历运动点，如果遍历结束执行步骤(6),否则获取当前运动点P执行步骤(5)；

(5)更新网格的主方向点,计算当前运动点P的网格化坐标(Yp,Xp)，如果网格(Yp,Xp)内的主方向为-1或者已存在主方向点P0的梯度值Grad(P0)小于当前运动点P的梯度值Grad(P)，则更新网格(Yp,Xp)内的主方向为运动点P的梯度方向，更新网格的主方向点为P，继续执行步骤(4)；

(6)再次遍历运动点，如果遍历结束执行步骤(8),否则获取当前运动点P执行步骤(7)执行步骤(8)；

(7)利用LSD算法更新网格的主方向，计算当前运动点P的网格化坐标(Yp,Xp)，如果网格(Yp,Xp)内的主方向的与当前运动点P的梯度方向相差小于30度，则利用LSD算法中的方向合并方法更新网格(Yp,Xp)内的主方向，并将当前运动点P累积到网格(Yp，Xp)主方向点内，继续执行步骤(6)；

(8)计算所有网格内的线段信息，初始化人形轮廓信息链表L为空，遍历所有网格，计算网格内的局部线段信息，包括网格内线段的方向，梯度大小以及中心位置信息，如果网格内的主方向点个数大于3，则认为网格内的局部线段有效，并将有效局部线段信息插入到轮廓信息链表L中，遍历完毕后，执行步骤(9)；

(9)输出数据，输出由局部线条组成的人形轮廓信息链表L。

本发明的有益成果为：本方法在所述运动点的基础上通过LSD算法提取了人形轮廓特征，一方面降低了冗余所述运动点对人形轮廓的干扰，提供了算法鲁棒性，另一方面将人形轮廓以局部线段的形式描述，局部线段信息包括了局部的方向，强度信息，方便用模式判定的方式进行人形判定，使得人形判定效率高，且适应于商场监控多视角的应用场景，具有广阔的市场前景和应用价值。

具体实施方式

为了使本发明所要解决的技术问题、技术方案及有益效果更加清楚明白，以下结合实施例，对本发明进行详细的说明。应当说明的是，此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明，能实现同样功能的产品属于等同替换和改进，均包含在本发明的保护范围之内。具体方法如下：

实施例1：有鉴于此，本发明提供了一种基于LSD算法的人形轮廓描述方法，其特征在于，包括如下步骤：