復(fù)雜場景頭部識別方法模板

1、說 明 書復(fù)雜場景人體頭部識別方法本發(fā)明涉及一種視頻分析技術(shù)，具體的說是一種在有攝像機(jī)獲取的復(fù)雜場景下的人體頭部識別方法。在普通視頻監(jiān)控中，人群的行進(jìn)多出現(xiàn)相互遮擋、重疊現(xiàn)象，不便于單獨(dú)人體的識別與跟蹤。為避免這種現(xiàn)象，提高計數(shù)精度，現(xiàn)有基于視頻的客流統(tǒng)計系統(tǒng)往往要求攝像頭垂直向下照射。其缺點(diǎn)是需要獨(dú)立安裝攝像頭，適應(yīng)性差，不兼容于原有監(jiān)控系統(tǒng)。而且垂直角度攝像頭取得視頻信息量少，達(dá)不到監(jiān)控目的。普通監(jiān)控設(shè)備一般安裝于高處，與水平成3070度夾角。在人群監(jiān)控過程中，發(fā)生遮擋和連接現(xiàn)象的主要是身體軀干和四肢部位，而人體的頭、肩部一般會暴露在監(jiān)控系統(tǒng)中，否則監(jiān)控就失去了意義。利用這一特點(diǎn)，本方法只

2、采用肩膀以上的有效特征作為判別依據(jù)。圖像或視頻序列中行人的檢測與識別是計算機(jī)視覺熱門話題之一。無論是工業(yè)界還是學(xué)術(shù)界都出現(xiàn)了非常多的好方法。有基于頭、軀干、四肢分別匹配然后整合在一起的，有基于人體運(yùn)動周期性的，有基于特征的等等。下面對一些經(jīng)典的和相關(guān)的方法做簡單論述。文章Viola, P., Michael J., Snow, D., Detecting Pedestrians Using Patterns of Motion and Appearance, IJCV(63), No. 2, July 2005, pp. 153-161. 提出著名的由積分圖弱分類器級聯(lián)成強(qiáng)分類器識別人臉及人體

3、的方法，可用于檢測小型運(yùn)動人體。該方法處理速度慢（4幀/秒），模型學(xué)習(xí)時間長（十幾個小時），對被檢測人體的大小要求高，只適應(yīng)于固定場景下運(yùn)動人體檢測。文章Wu, B., Nevatia, R., Detection and Tracking of Multiple, Partially Occluded Humans by Bayesian Combination of Edgelet based Part Detectors，IJCV(75), No. 2, November 2007, pp. 247-266。融合了肢體分割、弱分類器識別以及級聯(lián)boosting等多種技術(shù)，對多方向、多角度

4、人體識別有較好的適應(yīng)性。該模型較為復(fù)雜，在保持被檢測人體尺度不變的前提下仍只能處理1幀/秒，實(shí)用困難。 文章Dalal, N., Triggs, B., Histograms of Oriented Gradients for Human Detection,CVPR05(I: 886-893). 基于美國專利（專利號：6,711,293 “METHOD AND APPARATUS FOR IDENTIFYING SCALE INVARIANT FEATURES IN AN IMAGE AND USE OF SAME FOR LOCATING AN OBJECT IN AN IMAGE”）改進(jìn)

5、的專門用于識別人體的方法。關(guān)鍵在于特征點(diǎn)的收集、篩選與表示。該方法對于光照、姿態(tài)、衣著和大小的變化以及遮擋有很好的魯棒性。適用于檢測靜態(tài)圖片中的直立人體，攝像機(jī)要求與人體基本水平，不能大角度俯視。中國專利（專利申請?zhí)枺?.1 “在攝像機(jī)獲取的場景的測試圖像中檢測人物的方法和系統(tǒng)”）是HoG算法和級連訓(xùn)練分類器Adaboost等多種經(jīng)典理論的一個結(jié)合和改進(jìn)，其工作主要面向應(yīng)用層面。仍然具有過程復(fù)雜，要求較高計算量的缺點(diǎn)。另外識別率依靠分類器的訓(xùn)練結(jié)果，場景的變化會出現(xiàn)不同的效果，不適于實(shí)際應(yīng)用。在現(xiàn)實(shí)場景中，特別是在人群密集的場合如車站、體育場館、商場等由于遮擋，人體往往不能夠被完整的攝錄下來。

6、這給傳統(tǒng)的基于人體外形特征或運(yùn)動特征的方法造成很大的障礙。然而，人體的頭和肩膀即使在這種條件下也會部分或全部顯現(xiàn)出來。利用人頭和肩部特征進(jìn)行人體識別的方法被逐漸提及。文章基于組合模板的人體頭部精確定位算法2007年 第12卷 第08期 作者: 湯金寬, 曹丹華, 吳裕斌, 顧雯雯提出采用“凸”字形模板匹配再通過水平和垂直模板矯正的方法檢測人體頭部及軀干。只能對室內(nèi)單體人處理，且攝像機(jī)需水平照射，不利于實(shí)際應(yīng)用。文章基于人體頭肩部形狀的身份識別2006年 第33卷 第12期 作者: 韓新宇, 朱齊丹, 章慧君提出對采集圖像去噪后進(jìn)行逐行掃描匹配樣本庫的方式檢測人頭部，前提是只能處理單人，且人體與

7、攝像頭距離為已知。這在一般現(xiàn)實(shí)場景中無法滿足。文章智能監(jiān)控中基于頭肩特征的人體檢測方法研究2004年 第38卷 第04期 作者: 潘鋒, 王宣銀, 王全強(qiáng)提出通過分割單體直方圖得到頭肩位置信息，再用SVM進(jìn)行分類的方法。該系統(tǒng)只能處理單個人體或互不遮擋的多人體，且攝像機(jī)要求水平照射，與實(shí)際應(yīng)用有較大出入。文章Zui Zhang, Gunes, Hatice Piccardi, Massimo ，“An accurate algorithm for head detection based on XYZ and HSV hair and skin color models”, ICIP 2008

8、，pp：1644-1647在位置空間及顏色空間建立高斯混合模型，然后利用橢圓擬合方式定位人頭。雖然能夠?qū)Χ嘟嵌热祟^進(jìn)行有效識別，但前提是畫面必須有較高的分辨率、背景為單色或已經(jīng)做好人體分割且只處理單個人體。發(fā)明內(nèi)容針對現(xiàn)有技術(shù)中因現(xiàn)場光照、攝像機(jī)角度、人體尺寸以及遮擋等外界因素造成的人體識別準(zhǔn)確度低或無法識別的問題，本發(fā)明的要解決的技術(shù)問題是提供一種復(fù)雜場景下的人體頭部識別方法。為解決上述技術(shù)問題，本發(fā)明采用的技術(shù)方案是：本發(fā)明復(fù)雜場景下的人體頭部識別方法包括以下步驟：將視頻設(shè)備輸入的視頻流分解成單幀視頻序列后分配給由外輪廓識別模塊、特征弧識別模塊和顏色識別模塊三個模塊進(jìn)行處理；外輪廓識別模塊

9、對單幀視頻序列進(jìn)行前背景分離后，進(jìn)行外輪廓提取，并計算出頭頂頂點(diǎn)權(quán)概率分布；特征弧識別模塊在對單幀視頻序列進(jìn)行平滑及灰度化處理后的圖像上做邊緣檢測，再經(jīng)過特征弧匹配后得到特征弧匹配概率分布；顏色識別模塊將前景圖像與顏色原始模板進(jìn)行匹配得到色彩權(quán)概率分布；將上述頂點(diǎn)權(quán)概率分布、特征弧匹配概率分布以及色彩權(quán)概率分布通過簡單boosting加權(quán)疊加，得到最終的頭頂概率分布。所述簡單boosting為通過對頂點(diǎn)權(quán)概率分布、特征弧匹配概率分布以及色彩權(quán)概率分布三種弱分類器的線性加權(quán)疊加得到強(qiáng)分類器結(jié)果輸出。所述外輪廓識別模塊、特征弧識別模塊和顏色識別模塊均在前背景分離后的前景圖像中進(jìn)行分析處理。所述計算

10、頂點(diǎn)權(quán)概率分布包括以下步驟：確定計算起始點(diǎn)P。，將外輪廓提取結(jié)果得到的輪廓鏈鏈?zhǔn)鬃鳛槠鹗键c(diǎn)；選取輔助計算點(diǎn)，沿輪廓鏈在起始點(diǎn)兩側(cè)分別確定近端輔助點(diǎn)和遠(yuǎn)端輔助點(diǎn)； 通過近端輔助點(diǎn)和遠(yuǎn)端輔助點(diǎn)計算起始點(diǎn)平均曲率的大小及法線方向；依據(jù)平均曲率大小及法線方向計算起始點(diǎn)頂點(diǎn)權(quán)； 如果沒到輪廓鏈鏈尾，則沿輪廓鏈計算下一點(diǎn)頂點(diǎn)權(quán)直到該輪廓所有點(diǎn)計算完為止；對頂點(diǎn)權(quán)進(jìn)行加權(quán)距離變換，將權(quán)重按值大小向空間散布；歸一化處理得到頂點(diǎn)權(quán)概率分布。加權(quán)距離變換在原有距離變換基礎(chǔ)上增加權(quán)重機(jī)制，通過種子權(quán)重控制其影響范圍，具體為：將頂點(diǎn)權(quán)權(quán)重按值大小向空間散布，加權(quán)距離變換考慮種子點(diǎn)權(quán)大小，即權(quán)重大的種子散布的范圍大于權(quán)

11、重小的種子。所述特征弧匹配概率分布通過以下步驟得到：將視頻設(shè)備輸入的視頻流分解成單幀視頻序列進(jìn)行平滑處理后的灰度圖與得到的前景圖進(jìn)行掩碼后作為邊緣特征計算的輸入；在上述輸入數(shù)據(jù)中抽取邊緣特征及邊緣特征點(diǎn)；判斷得到的邊緣特征點(diǎn)的邊緣強(qiáng)度是否大于閾值，如大于閾值，則取邊緣特征點(diǎn)所在位置相應(yīng)匹配模板大小圖像；將該圖像與預(yù)先建立好的原始模板進(jìn)行匹配并記錄得分； 在與原始模板匹配后，動態(tài)調(diào)節(jié)原始模板大小；判斷匹配得分是否高于前一次動態(tài)調(diào)節(jié)后的原始模板，如果匹配得分不高于前一次動態(tài)調(diào)節(jié)后的模板，則置特征弧匹配權(quán)為前一次動態(tài)調(diào)節(jié)后的模板匹配得分；判斷所有特征點(diǎn)是否處理完畢，如處理完畢，則進(jìn)行歸一化處理，得到

12、特征弧匹配概率分布并輸出；如果沒處理完，則返回至抽取邊緣特征點(diǎn)步驟進(jìn)行下一個點(diǎn)處理；如果模板匹配得分高于前一次動態(tài)調(diào)節(jié)后的原始模板，則繼續(xù)沿原調(diào)節(jié)方向?qū)δ０暹M(jìn)行放大或縮小處理直到得分不再增加為止，并將此時分?jǐn)?shù)作為最終模板匹配得分。所述原始模板只涉及人頭耳部以上區(qū)域。采用跳躍移動窗口方式計算特征弧匹配權(quán)；邊緣特征點(diǎn)的查找和匹配通過水平移動原始模板窗口實(shí)現(xiàn)，而配合閾值的判斷使其跳躍過邊緣強(qiáng)度小的噪音點(diǎn)。所述色彩權(quán)概率分布通過以下步驟得到：以一幀原始視頻圖像與前景圖進(jìn)行掩碼的結(jié)果作為輸入；在上述輸入數(shù)據(jù)中選取有效顏色特征點(diǎn)；判斷有效特征點(diǎn)對應(yīng)的特征弧點(diǎn)匹配權(quán)是否小于閾值；如果特征弧點(diǎn)匹配權(quán)不小于閾值

13、，則取該有效特征點(diǎn)所在圖像窗口分別與正面模板和負(fù)面模板進(jìn)行匹配，記錄上述匹配的最大匹配得分；判斷所有邊緣特征點(diǎn)是否處理完畢；如處理完畢，則進(jìn)行歸一化處理得到色彩權(quán)概率分布并輸出。采用正面及反面顏色模板進(jìn)行色彩匹配；正面及反面模板設(shè)計均為矩形，長寬比例為1：1.33。正面模板由上下相連的兩個矩形構(gòu)成，顏色分別為純黑及純白色，其中黑、白色部分寬度比例1：3，反面模板為純黑色。本發(fā)明具有以下有益效果及優(yōu)點(diǎn):1. 本發(fā)明提出一種在復(fù)雜場景下實(shí)時識別多人的人體頭部技術(shù)，應(yīng)用到多角度客流統(tǒng)計，人臉識別的前期定位、人體跟蹤與識別、快球跟蹤、頭像超分辨率等應(yīng)用當(dāng)中，有效抑制人體遮擋、攝像機(jī)角度、光照變化等客觀

14、環(huán)境造成不良影響。2本發(fā)明利用人體頭部多種特征進(jìn)行識別，動態(tài)調(diào)整各特征分類權(quán)重，識別最優(yōu)化設(shè)計；視頻圖像利用現(xiàn)有的普通視頻監(jiān)控錄像，在人群密度大、客流量大場所下，利用監(jiān)控攝像機(jī)一般處于高處，人體肩膀以上的部位不會被整體遮擋的特點(diǎn)完成人的定位和檢測。3本發(fā)明采用由頂點(diǎn)特征、輪廓特征，對稱特征以及色譜和紋理分析等多方面信息組成，以實(shí)現(xiàn)對人體的頭部檢測，識別速度快、精度高，可以利用現(xiàn)有大部分監(jiān)控系統(tǒng)，單體識別時間小于0.2秒。附圖說明圖1為行人在光照和攝像機(jī)角度、位置發(fā)生變化下的監(jiān)控示意圖；圖2為本發(fā)明方法人體頭部識別的總體流程圖；圖3為本發(fā)明方法中頂點(diǎn)權(quán)計算流程圖；圖4為本發(fā)明方法中特征弧匹配及特

15、征權(quán)計算流程圖；圖5為本發(fā)明方法中顏色模板匹配及色彩權(quán)計算流程圖；圖6為本發(fā)明方法中輪廓頂點(diǎn)權(quán)計算示意圖；圖7為本發(fā)明方法中特征弧模板示意圖；圖8為本發(fā)明方法中顏色模板示意圖。具體實(shí)施方式下面結(jié)合附圖和具體實(shí)施方式對本發(fā)明做進(jìn)一步詳細(xì)描述。圖1顯示的是一個模擬的現(xiàn)實(shí)監(jiān)控場景。用黑色人體剪影代表大小不同的人體在平面105上模擬客流進(jìn)出活動。第1、2攝像機(jī)103、104表示現(xiàn)實(shí)中可能存在的多種安置方式，它們在角度、方向、焦距等有很大變化。同時，現(xiàn)場的第1、2燈光101、102的位置、方向、強(qiáng)弱等變化也給人體識別帶來較大難度。處理器106運(yùn)行人體識別算法，對由攝像機(jī)輸入視頻流進(jìn)行實(shí)時處理。如圖2所示

16、，本發(fā)明復(fù)雜場景下的人體頭部識別方法步驟如下：將視頻設(shè)備輸入的視頻流分解成單幀視頻序列后分配給由顏色識別模塊、外輪廓識別模塊和特征弧識別模塊三個模塊進(jìn)行處理（201）；外輪廓識別模塊對單幀視頻序列進(jìn)行前背景分離（202）后，進(jìn)行外輪廓提取（203），并計算出頂點(diǎn)權(quán)概率分布（204）；顏色識別模塊將前背景分離結(jié)果作為圖像掩碼進(jìn)行處理后得到色彩權(quán)概率分布（206、208）；特征弧識別模塊將前背景分離結(jié)果作為圖像掩碼進(jìn)行處理后得到特征弧匹配概率分布（205、207、209）；將上述頂點(diǎn)權(quán)概率分布、色彩權(quán)概率分布以及特征弧匹配概率分布通過簡單boosting進(jìn)行線性加權(quán)疊加，得到最終的頭頂概率分布（2

17、10）。本實(shí)施例中運(yùn)動物體前背影分離可采用簡單幀差、背景建模、光流等方法，其中背景建模又可分為單高斯、高斯混合、Kernel-based、Eigen-Background等。本實(shí)施例采用高斯混合模型，定義如下：其中，wj是為j個高斯核權(quán)重；K為高斯核個數(shù)，一般為3。，是中值為、方差為的第j個高斯分布。在N時刻，每個像素?fù)碛兄档母怕时籏個高斯混合所描述。前背景分離202的結(jié)果一方面交給輪廓提取步驟203做外輪廓提取工作，另一方面作為圖像掩碼交給顏色模板匹配步驟206和特征弧匹配步驟207剔除與人體識別不相關(guān)區(qū)域，減少計算量。輪廓提取203計算得到一個或多個輪廓鏈，交給頂點(diǎn)權(quán)計算步驟204（在圖3

18、中詳細(xì)介紹）計算頂點(diǎn)權(quán)概率分布并輸出。特征弧匹配步驟207將經(jīng)過灰度化及高斯平滑步驟205處理過的灰度圖與經(jīng)過前背景分離步驟202得到的圖像掩碼做“與”操作得到有效識別區(qū)域，再經(jīng)過特征權(quán)計算步驟209得到特征弧匹配概率分布。特征弧匹配及特征權(quán)計算過程詳見圖4。顏色識別模塊由顏色模板匹配步驟206和色彩權(quán)計算步驟208構(gòu)成。顏色模板匹配步驟206將原始視頻圖像與前背景分離步驟202得到的圖像掩碼做“與”操作得到有效識別區(qū)域，再通過與顏色模板的匹配計算色彩權(quán)得到色彩權(quán)概率分布，詳細(xì)匹配計算過程見圖5。三個弱分類器已分別根據(jù)自己特征計算出頭肩部出現(xiàn)的位置概率，現(xiàn)在通過簡單boosting合成強(qiáng)分類器

19、，輸出最終結(jié)果。設(shè)權(quán)重為的弱分類器輸出結(jié)果為，這里，得到t時刻強(qiáng)分類器?？梢?，強(qiáng)分類器是弱分類器的線性加權(quán)疊加。弱分類器的權(quán)重體現(xiàn)為單個弱分類器的貢獻(xiàn)大小。權(quán)重越大的弱分類器對最終強(qiáng)分類器的影響越大，而權(quán)重的更新則通過完成。這里為時刻的錯誤率，通過得到（為時刻分類結(jié)果）?？梢?，前一時刻的分類錯誤會導(dǎo)致下一時刻該分類器貢獻(xiàn)減小。也就是說，假如某一時刻顏色信息不能夠幫助正確區(qū)分人體頭部的話，顏色比重在下一時刻整體辨別的時候會逐漸減小，這樣就保證了在任何時刻都有最合適的分類器做出正確的選擇。（一）計算頂點(diǎn)權(quán)概率分布包括以下步驟：確定曲率計算的起始點(diǎn)，將根據(jù)外輪廓提取結(jié)果得到的輪廓鏈鏈?zhǔn)鬃鳛槠鹗键c(diǎn)；選

20、取輔助計算點(diǎn)，沿輪廓鏈在起始點(diǎn)兩側(cè)分別確定近端輔助點(diǎn)和遠(yuǎn)端輔助點(diǎn)；通過近端輔助點(diǎn)和遠(yuǎn)端輔助點(diǎn)計算起始點(diǎn)平均曲率的大小及起始點(diǎn)的法線方向；分配曲率權(quán)重，根據(jù)上述起始點(diǎn)平均曲率的大小及起始點(diǎn)的法線方向計算起始點(diǎn)權(quán)重，將起始點(diǎn)平均曲率投影至坐標(biāo)軸正方向，取投影值作為權(quán)重；本實(shí)施例中坐標(biāo)以圖片左下角頂點(diǎn)為原點(diǎn)，規(guī)定水平右方向?yàn)閤軸正方向，豎直上為y軸正方向；如果沒到輪廓鏈鏈尾，則沿輪廓鏈計算下一點(diǎn)曲率權(quán)直到該輪廓所有點(diǎn)計算完為止；對曲率權(quán)進(jìn)行加權(quán)距離變換，將權(quán)重按值大小向空間散布；進(jìn)行歸一化處理，得到頂點(diǎn)權(quán)概率分布。圖3詳細(xì)介紹了頂點(diǎn)權(quán)計算過程。步驟301從圖2的步驟203中得到需要處理的輪廓鏈鏈?zhǔn)捉?/p>

21、給步驟302作為起始點(diǎn)P0，步驟303和步驟304完成輔助計算點(diǎn)選取工作，沿輪廓鏈在P0兩側(cè)間隔為r和3r位置分別確定近端輔助點(diǎn)P1、P2和遠(yuǎn)端輔助點(diǎn)P3、P4。其中r用來控制曲率計算的局域性防止奇異點(diǎn)干擾。步驟305分別通過計算弧和弧的平均曲率再求平均的方式得到P0點(diǎn)的曲率S0，其中，為P1點(diǎn)切線到P2 點(diǎn)時轉(zhuǎn)過的角度，同理。為簡便計算，P0點(diǎn)法線方向取與直線和直線 斜率平均值垂直方向，其斜率為 ，其中，k12與k34 分別是直線和直線的斜率。曲率權(quán)重分配步驟306根據(jù)S0的大小和法線方向計算P0點(diǎn)權(quán)重QP0，根據(jù)公式將曲率投影至豎直軸正方向，取投影坐標(biāo)作為權(quán)重，這樣有利于頭頂弧形成，因?yàn)橐?/p>

22、般豎直人體頭頂弧線的曲率往往是向上的。沿輪廓鏈計算下一點(diǎn)曲率權(quán)直到該輪廓所有點(diǎn)計算完為止。步驟308對得到的曲率權(quán)進(jìn)行Weighted Distance Transform（加權(quán)距離變換），將權(quán)重按值大小向空間散布。加權(quán)距離變換與傳統(tǒng)距離變換不同，這里不僅考慮種子點(diǎn)有無（二進(jìn)制），而且考慮種子點(diǎn)權(quán)大小，也就是說，權(quán)重大的種子散布的范圍要大于權(quán)重小的種子。這對于在頂點(diǎn)權(quán)大的點(diǎn)附近尋找頭頂非常有效。最后經(jīng)過步驟309歸一化得到人頭部的概率分布。該一系列的過程在圖6中有示例。如圖6所示，步驟601中黑色封閉曲線為輪廓鏈，計算后的曲率權(quán)在步驟602中以不同灰度的像素點(diǎn)表示。顏色越深表明權(quán)重越大?？梢娗?/p>

23、率大并且方向朝上的弧線部分具有較大的權(quán)重。放大的一段曲率權(quán)在604中表示，為便于顯示，圖中數(shù)值已被統(tǒng)一縮放僅表明大小關(guān)系。最后Distance Transform得到的概率分布顯示在步驟603，圖中深色區(qū)域?yàn)轭^頂出現(xiàn)幾率較大的區(qū)域。（二）特征弧匹配概率分布通過以下步驟得到：將視頻設(shè)備輸入的視頻流分解成單幀視頻序列進(jìn)行平滑處理后的灰度圖與得到的前景圖進(jìn)行掩碼后作為邊緣特征計算的輸入；在上步驟計算結(jié)果中抽取邊緣特征及邊緣特征點(diǎn)；判斷得到的邊緣特征點(diǎn)的邊緣強(qiáng)度是否大于閾值，如大于閾值，則取邊緣特征點(diǎn)所在位置相應(yīng)匹配模板大小圖像；將該圖像與預(yù)先建立好的原始模板進(jìn)行匹配并記錄得分； 在與原始模板匹配后，

24、動態(tài)調(diào)節(jié)原始模板大小，使其適應(yīng)于不同尺寸人體； 如果匹配得分不高于前一次動態(tài)調(diào)節(jié)后的原始模板，則置特征弧匹配權(quán)為前一次動態(tài)調(diào)節(jié)后的模板匹配得分；判斷所有特征點(diǎn)是事處理完畢，如處理完畢，則進(jìn)行歸一化處理，得到特征弧匹配概率分布并輸出；如果所有特征點(diǎn)沒有處理完畢，則返回抽取邊緣特征點(diǎn)步驟；如果匹配得分高于前一次動態(tài)調(diào)節(jié)后的原始模板，則繼續(xù)沿調(diào)節(jié)方向?qū)δ０暹M(jìn)行放大或縮小處理，返回取邊緣特征點(diǎn)所在位置相應(yīng)匹配模板大小圖像步驟；如果邊緣特征點(diǎn)的邊緣強(qiáng)度不大于閾值，則視為噪音，置特征弧匹配權(quán)為零，返回在上步驟計算結(jié)果中抽取邊緣特征及邊緣特征點(diǎn)步驟。上述原始模板是在模型訓(xùn)練過程對上千張不同場景、不同角度的圖

25、片數(shù)據(jù)學(xué)習(xí)所建立，該原始模板的設(shè)計經(jīng)過大量實(shí)驗(yàn)測試，充分考慮人頭頂在不同方向、角度觀測條件下的形態(tài)變化，做到受影響最小。模板著重檢測頭頂部弧線，權(quán)重最大。而靠近該弧線人頭頂區(qū)域下側(cè)一般為頭發(fā)、額頭或帽邊，顏色一般均勻，紋理不明顯，在模板中用灰色作為負(fù)反饋。在頭頂左右兩側(cè)同樣設(shè)置負(fù)反饋區(qū)域，有效過濾肩膀、背包等不對稱或存在多余紋理情況。特征弧匹配及特征權(quán)計算過程如圖4。步驟401將圖2中步驟205平滑后的灰度圖與步驟202得到的前景圖進(jìn)行掩碼，作為步驟402邊緣特征計算的輸入，這樣即減少了計算量也降低了噪音干擾。邊緣特征檢測使用Sobel算子，只對圖像Y方向進(jìn)行邊緣檢測，有效抑制豎邊干擾，具體形

26、式為；通過步驟403405，在得到的邊緣特征中提取強(qiáng)度超過預(yù)定閾值的點(diǎn)作為原始模板匹配基點(diǎn)q0，其余點(diǎn)視為噪音，置特征弧匹配權(quán)為零。步驟406411完成模板匹配過程。在q0位置取與默認(rèn)模板大小一致邊緣圖像（23x7像素），將該圖像與圖7中步驟701所示原始模板進(jìn)行匹配。設(shè)模板位置上像素強(qiáng)度為，相應(yīng)匹配圖像像素強(qiáng)度為，則該圖像匹配得分可由計算得到。模板數(shù)值離散化的結(jié)果在其右側(cè)步驟702中顯示，圖中黑色區(qū)域?yàn)檎答亝^(qū)域，對應(yīng)數(shù)值為正，暗灰色區(qū)域?yàn)樨?fù)反饋區(qū)域，對應(yīng)數(shù)值為負(fù)。在與原始模板匹配后，為適應(yīng)物體（人頭）大小變化，動態(tài)調(diào)節(jié)模板大小，比例系數(shù)為0.9（縮小）和1.1（放大）。將調(diào)整后的模板繼續(xù)與

27、q0點(diǎn)圖像進(jìn)行匹配，直到匹配結(jié)果不再變好時記錄最好匹配時得分以及當(dāng)時模板大小（以后顏色匹配時用到）。在步驟411確保所有有效特征點(diǎn)處理完后經(jīng)步驟412歸一化得到特征弧匹配概率分布。（三）色彩權(quán)概率分布通過以下步驟得到：以一幀原始視頻圖像與前景圖進(jìn)行掩碼的結(jié)果作為輸入；在上述輸入數(shù)據(jù)中選取有效特征點(diǎn)，這里的特征點(diǎn)是“特征弧匹配”步驟中特征點(diǎn)的子集（超過閾值部分）；判斷有效特征點(diǎn)對應(yīng)的特征弧點(diǎn)匹配權(quán)是否小于閾值；如果特征弧點(diǎn)匹配權(quán)不小于閾值，則取該有效特征點(diǎn)所在圖像窗口分別與正面模板和負(fù)面模板進(jìn)行匹配，記錄上述匹配的最大匹配得分；判斷所有邊緣特征點(diǎn)是否處理完畢；如處理完畢，則進(jìn)行歸一化處理得到色彩

28、權(quán)概率分布并輸出；如果所有邊緣特征點(diǎn)沒有處理完畢，則返回在上述輸入數(shù)據(jù)中選取有效特征點(diǎn)步驟；如果有效特征點(diǎn)對應(yīng)的特征弧點(diǎn)匹配權(quán)小于閾值，則將該有效特征點(diǎn)的色彩權(quán)置為0，返回在上述輸入數(shù)據(jù)中選取有效特征點(diǎn)步驟。圖5所示為色彩權(quán)的計算過程。步驟501得到原始一幀視頻圖像與前景掩碼的結(jié)果作為輸入。步驟502504選取有效特征點(diǎn)r0，該點(diǎn)與圖4所示過程中滿足步驟404的點(diǎn)集一致，也就是說，只考慮具有一定邊緣強(qiáng)度的點(diǎn)做色彩匹配，而不是對所有點(diǎn)進(jìn)行處理，這樣極大節(jié)省系統(tǒng)開銷。步驟505根據(jù)q0匹配時最佳模板大小取r0相應(yīng)大小圖像。將該圖像分別與色彩正面模板和反面模板進(jìn)行匹配，兩種模板實(shí)例見圖8。圖8中顯示

29、正面及反面顏色模板例子，其中801顯示正面模板，該模板由上部及下部兩種顏色構(gòu)成，上部顏色可為發(fā)色或帽子顏色，下部顏色可為膚色或白色（戴口罩情況）。該模板同時可作為側(cè)面模板使用。802顯示人頭反面或頂面模板，模板可為黑色、灰色等單一顏色或通過發(fā)色學(xué)習(xí)得到的任意顏色分布。色彩匹配可由計算。其中，為圖像位置上像素點(diǎn)與模板顏色分布在RGB色彩空間上的距離。 步驟508記錄顏色模板匹配的最高得分，在處理完所有特征點(diǎn)后（步驟509），經(jīng)步驟510歸一化得到色彩權(quán)概率分布。本發(fā)明方法考慮人體頭部的形態(tài)特征、顏色特征、輪廓特征以及運(yùn)動特征，分別建立動態(tài)模型，計算概率。這些特征都是獨(dú)立的弱分類器，根據(jù)自己特點(diǎn)對

30、圖像內(nèi)容進(jìn)行獨(dú)立分析識別，形成分值，再結(jié)合自己的經(jīng)驗(yàn)權(quán)重進(jìn)行投票，投票結(jié)果作為最終結(jié)論統(tǒng)一輸出。也就是由弱分類器構(gòu)建強(qiáng)分類器最后由強(qiáng)分類器決定輸出結(jié)果的過程。每個弱分類器都有屬于自己的權(quán)重，通過對所有弱分類器線性疊加得到強(qiáng)分類器。這樣做的好處在于，在現(xiàn)實(shí)多變的場景中，所有特征不可能同時都得到很好的體現(xiàn)，顏色明顯的地方輪廓可能不明顯，輪廓清晰的地方可能運(yùn)動信息不那么強(qiáng)。這就需要特征明顯的弱分類器權(quán)重大些，特征不明顯的權(quán)重小些，通過實(shí)時動態(tài)的調(diào)節(jié)各特征的權(quán)重達(dá)到最好的檢測效果。由于這種通過弱分類器合成強(qiáng)分類器并且能夠動態(tài)調(diào)節(jié)弱分類器權(quán)重（限于Adaboost訓(xùn)練）的過程與經(jīng)典的boosting相似

31、，并且出于實(shí)用性考慮，本發(fā)明去掉boosting費(fèi)時的訓(xùn)練以及大量樣本權(quán)重變化，稱之為：簡單boosting。該模型與Viola, P.最早提出的用于人臉檢測的AdaBoost有幾點(diǎn)不同，首先，Viola, P.弱分類器是極小的積分圖，往往只有幾個像素大小，而本方法中的模型是大尺度的宏觀特征像輪廓、顏色等等；其次，Viola模型的學(xué)習(xí)需要很長時間以及大量樣本，從幾十萬個這樣的積分圖中挑出最合適的弱分類器構(gòu)成強(qiáng)分類器。相反的，本方法中的模型不需要學(xué)習(xí)，可以通過識別結(jié)果動態(tài)調(diào)節(jié)弱分類器權(quán)重及模板大??；Viola模型通過級聯(lián)一級級剔除的方式進(jìn)行識別，本發(fā)明則通過投票；最后，為了使弱分類器具有區(qū)別正樣

32、本與負(fù)樣本的能力，Viola模型的訓(xùn)練被限制在一定角度、光線及尺度變化范圍內(nèi)，這樣訓(xùn)練好的分類器也只適用于一定角度以及光線變化的情況。在整個監(jiān)控畫面中尋找人體比在某特定區(qū)域?qū)ふ乙ㄙM(fèi)更多的計算及更低的準(zhǔn)確率。為了節(jié)省計算及提高準(zhǔn)確率，首先通過前背景分離排除了與人體無關(guān)的背景。這里的背景即包括不動背景像道路、建筑、家具等也包括一些運(yùn)動著的緩慢變化的背景像波動的水、隨風(fēng)飄動的旗幟、浮動的云、搖曳的樹枝等。在以下各步弱分類器作用過程中，計算只在分離出的前景圖中進(jìn)行。第一類弱分類器基于人體運(yùn)動時的外輪廓特征。介于人體直立行走的特點(diǎn)，人體頭部往往居于人體外輪廓的頂部。同時，頭部與肩部的外輪廓形成方向向上

33、曲線，與頸部及身體其他部位形成的輪廓有鮮明對比。計算前景圖中外輪廓各點(diǎn)曲率及方向，并根據(jù)其方向和大小分配不同權(quán)重。曲率大及方向向上分配大權(quán)重，曲率小或方向偏離向上分配小權(quán)重，目的在于突出頭肩部位置，再利用Distance Transform變換發(fā)散權(quán)重適應(yīng)偏移誤差，最后歸一化得到頭肩部概率分布。第一類弱分類器的優(yōu)點(diǎn)是特征明顯，前景中未與其他前景物交疊的人體都會滿足這一特點(diǎn)，但最大缺點(diǎn)是無法對存在于外輪廓內(nèi)部的人體頭部進(jìn)行有效識別。本發(fā)明引入第二類弱分類器-頭部邊緣弧。頭部邊緣基于紋理特征，與物體運(yùn)動無關(guān)，而且對人體的旋轉(zhuǎn)及攝像機(jī)照射角度變化都有很強(qiáng)的魯棒性（經(jīng)測試，人體頭頂邊緣弧形狀及強(qiáng)度在人

34、體360旋轉(zhuǎn)和-60 60觀測角變化時維持在5%以內(nèi)）。本實(shí)施例采用Sobel算子抽取前景圖中Y方向物體邊緣，與定義頭頂弧模板進(jìn)行匹配得到權(quán)重。為適應(yīng)場景中人頭部大小變化，模板尺寸隨匹配得分趨勢動態(tài)調(diào)整，對前景圖進(jìn)行移動窗口式搜索，計算頭頂弧權(quán)重，得到頭頂概率分布。第二類弱分類器的優(yōu)點(diǎn)是可以解決第一類弱分類器無法檢測到的位于前景內(nèi)部的人體頭部問題，漏檢率低，缺點(diǎn)是誤檢率相對較高。特別遇到包裹外形與人體頭部相似情形，往往會被誤識為頭部。這時可以通過最后一類弱分類器將其剔除，也就是利用物體的顏色特征。為適應(yīng)各種攝像機(jī)在色彩、清晰度、白平衡等參數(shù)上的差異，不對膚色和發(fā)色進(jìn)行細(xì)致建模，相反的，本發(fā)明注

35、重顏色均一性以及分布位置特點(diǎn)，對人頭部正面（包括側(cè)面）和背面（包括上面）的顏色分布建立模板，移動窗口式匹配前景，模板尺寸與頭頂弧匹配模板一致，從正面和背面模板匹配結(jié)果中取最大值作為顏色分類器分類結(jié)果。最后，將這三類弱分類器的計算結(jié)果乘以它們各自的弱分類器權(quán)重后累加得到最終識別結(jié)果。結(jié)果在輸出的同時反饋到各弱分類器動態(tài)調(diào)節(jié)各自權(quán)重。也就是說，匹配正確的弱分類器權(quán)重增加，錯誤的減少。權(quán) 利 要 求 書1一種復(fù)雜場景下的人體頭部識別方法，其特征在于包括以下步驟：將視頻設(shè)備輸入的視頻流分解成單幀視頻序列后分配給由外輪廓識別模塊、特征弧識別模塊和顏色識別模塊三個模塊進(jìn)行處理；外輪廓識別模塊對單幀視頻序列

36、進(jìn)行前背景分離后，進(jìn)行外輪廓提取，并計算出頭頂頂點(diǎn)權(quán)概率分布；特征弧識別模塊在對單幀視頻序列進(jìn)行平滑及灰度化處理后的圖像上做邊緣檢測，再經(jīng)過特征弧匹配后得到特征弧匹配概率分布；顏色識別模塊將前景圖像與顏色原始模板進(jìn)行匹配得到色彩權(quán)概率分布；將上述頂點(diǎn)權(quán)概率分布、特征弧匹配概率分布以及色彩權(quán)概率分布通過簡單boosting加權(quán)疊加，得到最終的頭頂概率分布。2. 按權(quán)利要求1所述的復(fù)雜場景下的人體頭部識別方法，其特征在于所述簡單boosting為通過對頂點(diǎn)權(quán)概率分布、特征弧匹配概率分布以及色彩權(quán)概率分布三種弱分類器的線性加權(quán)疊加得到強(qiáng)分類器結(jié)果輸出。3. 按權(quán)利要求1所述的復(fù)雜場景下的人體頭部識別

37、方法，其特征在于：所述外輪廓識別模塊、特征弧識別模塊和顏色識別模塊均在前背景分離后的前景圖像中進(jìn)行分析處理。4按權(quán)利要求1所述的復(fù)雜場景下的人體頭部識別方法，其特征在于所述計算頂點(diǎn)權(quán)概率分布包括以下步驟：確定計算起始點(diǎn)P。，將外輪廓提取結(jié)果得到的輪廓鏈鏈?zhǔn)鬃鳛槠鹗键c(diǎn)；選取輔助計算點(diǎn)，沿輪廓鏈在起始點(diǎn)兩側(cè)分別確定近端輔助點(diǎn)和遠(yuǎn)端輔助點(diǎn)； 通過近端輔助點(diǎn)和遠(yuǎn)端輔助點(diǎn)計算起始點(diǎn)平均曲率的大小及法線方向；依據(jù)平均曲率大小及法線方向計算起始點(diǎn)頂點(diǎn)權(quán)； 如果沒到輪廓鏈鏈尾，則沿輪廓鏈計算下一點(diǎn)頂點(diǎn)權(quán)直到該輪廓所有點(diǎn)計算完為止；對頂點(diǎn)權(quán)進(jìn)行加權(quán)距離變換，將權(quán)重按值大小向空間散布；歸一化處理得到頂點(diǎn)權(quán)概率分布。5. 按權(quán)利要求4所述的復(fù)雜場景下的人體頭部識別方法，其特征在于加權(quán)距離變換在原有距離變換基礎(chǔ)上增加權(quán)重機(jī)制，通過種子權(quán)重控制其影響范圍，具體為：將頂點(diǎn)權(quán)權(quán)重按值大小向空間散布，加權(quán)距離變換考慮種子點(diǎn)權(quán)大小，即權(quán)重大的種子散布的范圍大于權(quán)重小的種子。6按權(quán)利要求