一种适用于低对比度视频的人体上半身检测及分割的方法技术

本发明专利技术涉及一种适用于低对比度视频的人体上半身检测及分割的方法，主要由两个过程构成。首先，从当前帧中通过背景剔除技术及形态学方法提取出表示前景对象的连通区域，然后对于每个前景区域，提取出其对应的基于极坐标二维直方图的形状特征，作为一个预先训练好的基于支持向量机的分类器的输入，输出一个对应于人体上半身类及非人体上半身类的类标签。第二步过程，当已经被识别为人体的区域被误判为非人体区域时，用一个能量函数来表征相应区域，同时通过一个能量函数最小化过程纠正错误的轮廓线。最后在获得正确的前景人体轮廓的基础上更新背景帧。本发明专利技术能够实时处理较低对比度及分辨率的视频，检测正确率及分割结果都能满足应用的需求。

【技术实现步骤摘要】

本专利技术涉及视频处理
，尤其涉及人体上半身区域的检测和提取方法，具体地说是。
技术介绍
自动检测和视频中的人体区域分割是两个不同的监控应用的关键步骤。人体检测方法通常从视频中找到前景对象并基于形状、颜色以及其它特征把它们标识为人或非人区域。背景剔除法是一种常见的提取前景区域的预处理技术。另一类为基于机器学习的方法，并应用了许多适用于机器学习的新特征。基于梯度的特征最具有代表性。这些方法不需要进行背景剔除的预处理但是却以高昂的计算成本为代价，因此限制了其在实时系统的应用。视频分割方法同样基于背景剔除技术，同时集成了概率框架，如贝叶斯理论和马尔可夫链蒙特卡罗模型。由于许多方法需要提供一个相对较好的背景剔除算法结果，一旦由于光照变化使得环境光照发生改变，这些方法便会失效。虽然一些改进的背景剔除算法能够解决上述问题，但如果前景对象在镜头前保持相当长的一段时间静止不动，那么前景会逐渐变化为背景。另外因为许多监控系统所配备的摄像机其CCD芯片的质量并不高，从而使得所获得的视频对比度较低，现有的方法处理这些视频将更加困难。
技术实现思路
(1)前景提取首先指定视频的第一帧作为背景帧，把其格式从RGB颜色空间转换到Lab颜色空间，然后对于输入的每一帧，都用同样的方式进行颜色转换；转换后的输出帧与背景帧使用背景剔除的方法来提取前景对象区域；然后对提取后的每个区域，使用膨胀腐蚀的形态学操作对噪点及空洞进行滤波，最后使用广度优先连通区域搜索算法对前背景区域进行标记，生成前景区域掩码；(2)形状特征提取首先通过轮廓检测算法提取出前景区域的轮廓线并对其采样；然后以区域质心为原点建立一个极坐标系，对于每个采样轮廓点，把其映射到一个二维平面，最终所有采样点便形成了一二维直方图；最后对得到的直方图归一化并展开，便可以获得一高维向量；(3)基于支持向量机的人体上半身模型训练以上一步骤中获得的向量作为样本，使用以半径基函数为核函数的非线性支持向量机算法对所有训练样本进行K次交叉验证分析，最终生成一非线性决策超平面作为人体上半身区域与非人体上半身区域的分类器；(4)基于支持向量机的人体上半身模型分类同样以步聚O)中所获得的向量作为步骤(3)中训练所得分类器的输入，输出经分类器决策映射后的类标签；(5)能量函数最小化优化过程对于一个开始被认为是人体区域的前景区域，当其处理过程中被分类器检测到其类标签为非人体区域时，用一个能量函数来对轮廓曲线进行建模，以前一帧中正确的轮廓曲线为初始值，用欧拉-拉格朗日方法求解。本专利技术的方法主要由两大过程构成。首先，从当前帧中通过背景剔除技术及形态学方法提取出表示前景对象的连通区域，然后对于每个前景区域，提取出其对应的基于极坐标二维直方图的形状特征，作为一个预先训练好的基于支持向量机的分类器的输入，输出一个对应于人体上半身类及非人体上半身类的类标签。第二步过程，当已经被识别为人体的区域被误判为非人体区域时，本专利技术用一个能量函数来表征相应区域，同时通过一个能量函数最小化过程纠正错误的轮廓线。最后在获得正确的前景人体轮廓的基础上更新背景帧。本专利技术能够实时处理较低对比度及分辨率的视频，检测正确率及分割结果都能满足应用的需求。附图说明图1为本专利技术的流程图。 具体实施例方式下面根据本专利技术的流程1对各个部分进行详细说明1.前景提取首先指定视频的第一帧作为背景帧，把其格式从RGB颜色空间转换到Lab颜色空间。然后对于输入的每一帧，都用同样的方式进行颜色转换，转换后的输出帧与背景帧使用背景剔除的方法来提取前景对象区域(即用两帧按像素求差取绝对值的方式，其值高于一定的阈值，便认为是前景像素，否则为背景像素)。对提取后的每个区域，使用膨胀腐蚀的形态学操作对噪点及空洞进行滤波，最后使用广度优先连通区域搜索算法对前背景区域进行标记，生成前景区域掩码。2.形状特征提取本专利技术所提出的特征较之于局部的有相梯度直方图特征更加能够描述人体上半身的形状，因此具有更大的区分度，同时具有更小的计算复杂度。一个人的轮廓，特别是上半身的轮廓，可以看做是一个星凸集。若集S中存在一点 Xtl,使得由&到S中任何一点的直线段都属于s，则称s为星形域或星形凸集。本专利技术的形状特征便是以此为依据而设计的。对于一个特定的前景区域，本专利技术通过广度优先搜索找到前景区域的质心，然后通过边界跟随算法找到同一区域的边界轮廓线。接着在轮廓线上等角度地对轮廓线进行逆时针采样，即以前景区域的质心做为一极坐标系原点，则轮廓线上的每个采样点在此坐标系下便可表示成一组级坐标(θ i，ri)，i = 1，2，. . .，N，其中ri为区域质心到每个轮廓点的欧式距离，N为采样点的总数。随后这些级坐标值被投影到一个二维平面上，平面的χ轴表示θ值，y轴表示r值，每个维度分别被量化，均分成m和η份。当一个极坐标值(θ ”满足下列条件时θ k 彡 θ j ^ θ k+1，rx ^ Ti ^ r1+1, k = 0，· · ·，m_l，1 = 0，· · ·，n_l则增加相应的单元(k，1)的值。当按上述方法遍历完所有的点时，将会形成一具有特定模式的二维直方图。此特定的模式表征着对应轮廓线的特定形状。最后，按行展开此直方图各单元格的值并对其进行归一化后将得到一个mXn维的向量f。显然经本专利技术获得的形状特征与物体的位置和大小无关。 3.基于支持向量机的人体上半身模型训练与检测 在训练阶段，大量人体上半身图像和非人体上半身图像被搜集，通过手工标记前景区域从而提取前景的形状特征。这些形状特征所对应高维向量的集合组成了本专利技术用于训练的样本集。本专利技术用支持向量机作为训练的算法，其核函数采用了高斯半径基函数权利要求1.，其特征在于该方法包括以下步骤(1)前景提取首先指定视频的第一帧作为背景帧，把其格式从RGB颜色空间转换到 Lab颜色空间，然后对于输入的每一帧，都用同样的方式进行颜色转换；转换后的输出帧与背景帧使用背景剔除的方法来提取前景对象区域；然后对提取后的每个区域，使用膨胀腐蚀的形态学操作对噪点及空洞进行滤波，最后使用广度优先连通区域搜索算法对前背景区域进行标记，生成前景区域掩码；(2)形状特征提取首先通过轮廓检测算法提取出前景区域的轮廓线并对其采样 ’然后以区域质心为原点建立一个极坐标系，对于每个采样轮廓点，把其映射到一个二维平面， 最终所有采样点便形成了一二维直方图；最后对得到的直方图归一化并展开，获得一高维向量；(3)基于支持向量机的人体上半身模型训练以上一步骤中获得的向量作为样本，使用以半径基函数为核函数的非线性支持向量机算法对所有训练样本进行K次交叉验证分析，最终生成一非线性决策超平面作为人体上半身区域与非人体上半身区域的分类器；(4)基于支持向量机的人体上半身模型分类同样以步骤O)中所获得的向量作为步骤(3)中训练所得分类器的输入，输出经分类器决策映射后的类标签；(5)能量函数最小化优化对于一个开始被认为是人体区域的前景区域，当其处理过程中被分类器检测到其类标签为非人体区域时，用一个能量函数来对轮廓曲线进行建模， 以前一帧中正确的轮廓曲线为初始值，用欧拉-拉格朗日方法求解，并用最后的结果更新背景区域。2.如权利要求1所述的适用于低对比度视频的人体上半身检测及分割的方法，其特本文档来自技高网...

【技术保护点】

【技术特征摘要】

【专利技术属性】
技术研发人员：谢迪，童若锋，
申请(专利权)人：浙江大学，
类型：发明
国别省市：