复杂场景下的人体头部识别方法复杂场景下的人体头部识别方法.docVIP

说 明 书 复杂场景下的人体头部识别方法 技术领域 本发明涉及一种视频分析技术，具体的说是一种在有摄像机获取的复杂场景下的人体头部识别方法。 在普通视频监控中，人群的行进多出现相互遮挡、重叠现象，不便于单独人体的识别与跟踪。为避免这种现象，提高计数精度，现有基于视频的客流统计系统往往要求摄像头垂直向下照射。其缺点是需要独立安装摄像头，适应性差，不兼容于原有监控系统。而且垂直角度摄像头取得视频信息量少，达不到监控目的。 普通监控设备一般安装于高处，与水平成30~70度夹角。在人群监控过程中，发生遮挡和连接现象的主要是身体躯干和四肢部位，而人体的头、肩部一般会暴露在监控系统中，否则监控就失去了意义。利用这一特点，本方法只采用肩膀以上的有效特征作为判别依据。 图像或视频序列中行人的检测与识别是计算机视觉热门话题之一。无论是工业界还是学术界都出现了非常多的好方法。有基于头、躯干、四肢分别匹配然后整合在一起的，有基于人体运动周期性的，有基于特征的等等。下面对一些经典的和相关的方法做简单论述。 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. 提出著名的由积分图弱分类器级联成强分类器识别人脸及人体的方法，可用于检测小型运动人体。该方法处理速度慢（4帧/秒），模型学习时间长（十几个小时），对被检测人体的大小要求高，只适应于固定场景下运动人体检测。 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。融合了肢体分割、弱分类器识别以及级联boosting等多种技术，对多方向、多角度人体识别有较好的适应性。该模型较为复杂，在保持被检测人体尺度不变的前提下仍只能处理1帧/秒，实用困难。文章Dalal, N., Triggs, B., Histograms of Oriented Gradients for Human Detection,CVPR05(I: 886-893). 基于美国专利（专利号：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”）改进的专门用于识别人体的方法。关键在于特征点的收集、筛选与表示。该方法对于光照、姿态、衣着和大小的变化以及遮挡有很好的鲁棒性。适用于检测静态图片中的直立人体，摄像机要求与人体基本水平，不能大角度俯视。 中国专利（专利申请号：200780001314.1 “在摄像机获取的场景的测试图像中检测人物的方法和系统”）是HoG算法和级连训练分类器Adaboost等多种经典理论的一个结合和改进，其工作主要面向应用层面。仍然具有过程复杂，要求较高计算量的缺点。另外识别率依靠分类器的训练结果，场景的变化会出现不同的效果，不适于实际应用。在现实场景中，特别是在人群密集的场合如车站、体育场馆、商场等由于遮挡，人体往往不能够被完整的摄录下来。这给传统的基于人体外形特征或运动特征的方法造成很大的障碍。然而，人体的头和肩膀即使在这种条件下也会部分或全部显现出来。利用人头和肩部特征进行人体识别的方法被逐渐提及。文章《基于组合模板的人体头部精确定位算法》中国图象图形学报2007年 第12卷 第08期 作者: 汤金宽, 曹丹华, 吴裕斌, 顾雯雯提出采用“凸”字形模板匹配再通过水平和垂直模板矫正的方法检测人体头部及躯干。只能对室内单体人处理，且摄像机需水平照射，不利实际应用。文章《基于人体头肩部形状的身份识别》应用科技2006年 第33卷 第12期 作者: 韩新宇, 朱齐丹, 章慧君提出对采集图像去噪后进行逐行扫描匹配样本库的方式检测人头部，前提是只能处理单人，且人体与摄像头距离为已知。这在一般现实场景中无法满足。文章《智能监控中基于头肩特征的人体检测方法研究》浙江大学学报(工学版)2004年 第38卷 第04期 作者: 潘锋, 王宣银, 王全强提出通过分割单体直方图得到头肩位置信息，再用SVM进行分类的方法。该系统只能处理单个人体或互不遮挡的多人体，且摄像机要求水平照