本发明专利技术提出了一种基于第二代Bandelet变换和星型模型的人体检测方法，主要解决现有方法不能较好处理遮挡问题。实现步骤是：(1)通过INRIN数据库获得大量负样本，并与数据库中其它正样本一起构成整个人体的训练样本集FB，再对FB切割得到各个部位训练样本集；(2)利用Bandelet变换，计算各训练样本集的Bandelet联合特征，组成六个训练样本特征集；(3)利用Adaboost算法，对样本特征集进行分类训练，得到相应部位分类器，通过对各部位的学习得到人体星型模型；(4)计算待检图像的Bandelet系数矩阵，通过星型模型进行人体部位检测，再利用主窗口合并法，对所有人体及部位的扫描窗口进行组合，得到最终人体检测结果。本发明专利技术能够准确检测人体，可用于视频监控和目标识别等视频处理领域。
【技术实现步骤摘要】
本专利技术属于图像处理
，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。
技术介绍
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。
技术实现思路
本专利技术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，本专利技术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O)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9X9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。本专利技术与现有的技术相比具有以下优点1、本专利技术是结合Bandelet特征和星型模型的人体检测方法，通过实验结果可得本专利技术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、本专利技术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、本专利技术是利用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是本专利技术的流程示意图；图2是本专利技术中使用的整个人体以及各个部位的正样本图像；图3是本专利技术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是本专利技术与HOG方法的性能比较图；图6是本专利技术用于人体图像检测的结果图。具体实施例方式本专利技术是从基于部位的人体检测出发，提出了一种基于第二代Bandelet变换和星型模型的人体检测方法，利用Bandelet变换中的Bandelet系数及其统计特征作为最终的人体特征，然后利用星型模型的学习和匹配检测出图像中的人体，并将实验结果与HOG 实验结果进行比较。参照图1，本专利技术的具体实现步骤如下步骤一，获取整个人体训练样本集和各个人体部位的训练样本集。为了获得本专利技术试验所需的训练样本集，以INRIA数据库为基础，通过负样本的自举操作来获取大量的负样本，并与数据库中其它的正样本一起构成整个人体的训练样本集，再利用手动切割的方法获得各个人体部位的训练样本集，其具体实现步骤如下(1. 1)所需的训练样本集来自INRIA人体数据库，下载地址为http//pascal. inrialpes. fr/data/human/,由于该数据库没有提供足够的负样本，所以需要以该数据库为基础，通过负样本的自举操作来获取大量的负样本，其具体过程如下(1. Ia)先从INRIA数据库中任取一小部分正样本与负样本，进行特征提取，训练初始分类器；(1. Ib)使用这个初始分类器，来检测数据库中的其余非人体图像，从错分的扫描窗口图像中随机挑选一部分与当前的负样本组成新的负样本集，使用随机挑选能够避免混入大量特征相似的样本图像；(1. Ic)重复特征提取、训练分类器、检测非人体图像及组成新的负样本集这一过程直至收集到与INRIA数据库中正样本个数相同的最终负样本；(1. 2)为了使训练样本更具有带表性，分别使用基于梯度方向直方图HOG特征及 Bandelet联合特征两种特征进行特征提取，这样进行负样本的自举操作，可得到两个负样本集，然后取其交集作为最终的负样本集，最后由这个负样本集加上INRIA数据库中的正样本集，得到整个人体样本集ra ；(1. 3)对整个人体样本集FB中所有正负样本进行头部和脚部40X40像素的样本图像部位切割，左肩和右肩32X48像素的样本图像部位切割，下肢40X32像素的样本图像部位切割，删除偏离人体较大的切割结果可得到头部样本集H，左肩样本集LS，右肩样本集 RS,下肢样本集L，脚部样本集F人体的五个部位样本集；(1.4)将整个人体样本集和人体的五个部位样本集构成最终的训练样本集，其中整个人体样本集有M16个正样本与10000个负样本作为训练样本集，样本的大小均为 128 X 64像素，人体的五个部位样本集各有2074个正样本与10000个负样本，头部和脚部样本大小为40X40像素，左肩和右肩为48X32像素，下肢为32X40像素。图2给出了其中的部分样本图像，其中图2(a)为部分正样本，图2(b)为部分负样本。步骤二，利用Bandelet变换，计算所有训练样本的Bandelet联合特征组成六个训练样本特征集，其包括一个整个人体样本特征集和人体的五个部位样本特征集，其具体实现步骤如下(2. 1)对每个样本图像做如下二维离散正交小波变换(2. Ia)对样本图像的每行做一维小波变换Xi =(Xn +Xi2)/^2 i = 1,2, K nx/2 il = 1,3,5K i2 = 2，4，6KXu = (Xu-Xu2)I本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.一种基于第二代Bandelet变换和星型模型的静态人体检测方法，包括如下步骤(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9X9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。2.根据权利要求1所述的人体检测方法，其中步骤C3)所述的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，按如下步骤进行(3a)通过连接参数Ck建立人体各个部位与对应的人体根部位间的弹性连接，初步确定基于人体部位的星型模型，该模型符合高斯分布，表示为P(lk，10/Ck) = N(lk-10, Vk, Σ k)式中，Ik表示人体第k个部位所在位置，k= 1，…，5，依次表示头部，左肩部，右肩部， 下肢部，脚部所在位置；Itl表示人体根部位所在位置，该根部位是指整个人体的中心位置； Vk是一个二维矢量，是第k个部位相对于其根部位的理想位置，由第k个部位滤波器最大输出值确定；连接参数Ck = (Vk, Σ k)，Σ k是第k个部位与对应根部位之间弹性连接刚度的全协方差矩阵；(3b)对Σ k进行奇异值分解，表示为-Σ『υ卵I，式中，队是乙k的奇异向量，Uk=E k Σ 1/，记是乙1;另外一个奇异向量，巧=2/\，队是一个对角矩阵，代表5 k的奇异值，由Σ k的奇异值分解，得到第k个部位与根部位的变换式Tktl(Ik)和根部位本身的变换式Ttlk (1。)Tko(Ik) = Ul(Ik-Vk) T0k(I0) = Urk(I0) ^ ？ 根据上述变换式得到基于人体部位的星型模型为P(lk，10/Ck) =N[Tk0(lk)-T0k(l0)，0，Dk]式中，N表示高斯分布，Tk0(Ik)-T0k(I0)表示该高斯分布的随机变量...
【专利技术属性】
技术研发人员：韩红，王瑞，冯光洁，苟靖翔，顾建银，李晓君，张红蕾，
申请(专利权)人：西安电子科技大学，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。