利用深度信息进行头部检测的方法.pdfVIP

第28卷第1期 烟台大学学报(自然科学与工程版) Vol.28 No.1 2015年1月 Journal of Yantai University (Natural Science and Engineering Edition) Jan. 2015 　 　 文章编号:1004 8820(2015)01 0038 04 doi:10.13951/ j.cnki.37 1213/ n.2015.01.009　 　 利用深度信息进行头部检测的方法 郭秀杰,叶俊勇 (重庆大学光电工程学院,重庆400044) 摘要:利用视频图像对进出公共场所的人员进行检测,一般需要检测人体头部.传统的头 部检测算法较多的依赖光线的质量,鲁棒性差,针对此问题设计了利用深度信息进行头部 检测的方法.采用改进的最大稳定极值区域算法提取候选头部区域,利用轮廓包围的面积 和圆形度约束条件对候选头部区域进行筛选,并利用圆形标示出检测到的人体头部.大量 实验结果表明,与现有方法相比,该方法识别率高、鲁棒性强、实时性好,各种光线条件下, 人体头部区域检测准确率都在90%以上. 关键词:深度信息;最大稳定极值区域;候选头部区域;圆形度 中图分类号:TP391　 　 　 　 文献标志码:A 　 　 在行人检测、智能监控、客流统计等应用领域 求,因此,以上2种方法均达不到精度稳定、实时性 中,为了尽可能避免行人间的相互遮挡,只能获取检 好的要求.2011 年,Luciano Spinello 提出把 Kinect 测区域的俯视图像.在这类图像中行人通常只有头 用于人体检测,并且用 GPU得到了实现,完全可以 部(尤其是头顶部)体现得较为完整,目前,俯视图 达到实时检测的要求[7-8] ,并且检测准确率不受光 像中提取人体头部区域方法主要有2 种:基于单目 线的影响,但是在正常CPU下,基于Kinect 的人体 图像处理的头部2D特征提取方法[1-3]和采用立体 检测还是达不到实时的要求. 视觉方法恢复出头部深度信息的头部3D特征提取 针对以上问题,本文充分利用 Kinect 同步采集 方法[4-6].其中,用于头部检测的头部2D特征主要 的深度图像和彩色图像信息,结合改进的最大稳定 [1] [3] [2] [9] 有头部运动特征 、几何特征 和统计特征 ,常 极值区域(MSER)检测算法 和人体头部约束条件 [4] [5-6] 用3D特征主要有头部区域的深度 和透视 特 提取人体头部区域.实验结果证明,该算法不但具有 征.利用头部2D 特征进行头部检测的主要问题在 很好的实时性,而且抗干扰性好,鲁棒性强. 于头部区域相对于复杂的背景并没有明显特征,和 头部区域颜色相似的背包、行李箱、深色服装等极易 1　 深度图像预处理 被误检为头部区域.而采用头部3D 特征进行头部 Kinect传感器采集不到的点的像素在输出时其 检测时由于借助深度信息去除了大量位于摄像机远 值被置为0,这样的点被认为是噪声点,在提取人体 端的背景干扰,使得人体头部区域的检测更加可靠, 头部区域之前要恢复这些噪声点的像素.本文采用 准确率也大幅提高.但采用立体视觉恢复的头部深 最近邻插值法使噪声点获得有意义的像素值,然后 度信息依赖原图像的质量,并且目前提取头部3D 利用9×9模板的中值滤波算法对处理后的图像进 特征的算法比较复杂,计算量大,很难达到实时的要 行平滑.处理效果图如图