CN103049747A - 利用肤色的人体图像再识别的方法 - Google Patents

Abstract

本发明提供了一种利用肤色的人体图像再识别的方法，包括：检测出视频图像中的人体图像；检测所述人体图像中的多个肤色区域；检测每个肤色区域中的多个特征点，确定每个特征点的特征向量；将每个区域确定的特征向量与预先采集的数据库中的每个人体图像对应的各个区域的多个基准向量进行匹配；根据匹配的结果，确定匹配成功的人体图像。通过上述的步骤，可在数据库中确定出人体图像，将确定出的人体图像作为检测到的人体图像。从而可在视频中掌握每个人体图像的运动轨迹以及活动范围。

Description

利用肤色的人体图像再识别的方法

技术领域

本发明涉及视频监控领域，具体而言，涉及一种利用肤色的人体图像再识别的方法。

背景技术

对于公共场所的安防，目前通常采用摄像头实现图像的采集。

由于目前的视频识别技术，只能识别出视频中的人体图像，不能对人体图像所对应的个体进行确认，从而导致不能区分出每个人的移动轨迹，不能确定当前视频中的人体图像所对应的身份。

发明内容

本发明旨在提供一种利用肤色的人体图像再识别的方法，以解决不能对人体图像的个体进行确认的问题。

在本发明的实施例中，提供了一种利用肤色的人体图像再识别的方法，包括：

检测出视频图像中的人体图像；

检测所述人体图像中的多个肤色区域；

检测每个肤色区域中的多个特征点，确定每个特征点的特征向量；

将每个区域确定的特征向量与预先采集的数据库中的每个人体图像对应的各个区域的多个基准向量进行匹配；

根据匹配的结果，确定匹配成功的人体图像。

通过上述的步骤，可在数据库中确定出人体图像，将确定出的人体图像作为检测到的人体图像。从而可在视频中掌握每个人体图像的运动轨迹以及活动范围。

附图说明

此处所说明的附图用来提供对本发明的进一步理解，构成本申请的一部分，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。在附图中：

图1示出了实施例的流程图；

图2示出了实施例中识别到的人体图像的示意图；

图3示出了实施例中识别到的人体图像的各个肤色区域的示意图。

具体实施方式

下面将参考附图并结合实施例，来详细说明本发明。参见图1，实施例的步骤包括：

S11：检测出视频图像中的人体图像；

S12：检测所述人体图像中的多个肤色区域；

S13：检测每个肤色区域中的多个特征点，确定每个特征点的特征向量；

S14：将每个区域确定的特征向量与预先采集的数据库中的每个人体图像对应的各个区域的多个基准向量进行匹配；

S15：根据匹配的结果，确定匹配成功的人体图像。

通过上述的步骤，可在数据库中确定出人体图像，将确定出的人体图像作为检测到的人体图像。从而可在视频的多个人体图像中确定出唯一的人体图像。

优选地，实施例中，检测人体图像的步骤包括：使用高斯背景建模法在视频中检测运动区域。在检测到的运动区域内，使用基于方向梯度直方图(HOG)和带有隐含参数的支持向量机(latent SVM)的物体检测方法，在不同尺度上对视频中的人体图像进行检测。

优选地，实施例中，所述检测多个肤色区域的过程包括：

将所述人体图像转换为YCrCb格式；可按照以下公式转换：

Y＝0.299R+0.587G+0.114B

Cr＝0.500R-0.419G-0.081B+128

Cb＝-0.169R-0.331G+0.500B+128

在YCrCb格式的人体图像中检测满足符合133≤Cr≤173，77≤Cb≤127的像素点；

将符合的像素点形成的区域为肤色区域。具体参见图2中的人体图像，经过上述步骤后，最后得到如图3所示的人体图像。

该肤色区域的图像先进行形态学开运算去除掉孤立的小点，噪声，毛刺及小桥。再通过形态学闭运算弥合断裂的人体区域。然后输出图像作为后续处理。

优选地，实施例中，所述区域包括脸部皮肤区域和手部皮肤区域。

优选地，实施例中，所述特征向量或基准向量通过以下步骤确定：

1、使用fast算子检测人体图像的各个肤色区域的特征点；这些特征点往往是皮肤的非平坦区域，例如眼角位置、鼻部、口部的轮廓位置，手指缝隙位置等。

2、通过以下moment矩运算，检测1中的所述特征点中主方向特征点的主方向；

·Moments：

$M_{\mathrm{ij}}=\underset{x}{\mathrm{\Σ}}\underset{y}{\mathrm{\Σ}}{x}^i{y}^{i}I(x,y)$

·Corner orientation：

$c_x=\frac{M_{10}}{M_{00}},$ $c_y=\frac{M_{01}}{M_{00}}$

$C_{\mathrm{ori}}={\tan }^{-1}\left(\frac{c_y}{c_x}\right)$

主方向为C_ori

I（x,y）是位置为（x，y）的特征点的像素亮度或灰度。

x，y分别为特征点水平和竖直坐标。

i，j根据后面公式的需要设定。例如计算M₁₀时i为1，j为0。

M_ij的物理意义与一般矩的意义相同。

3、在该主方向上，提取BRIEF描述子作为一个特征点的特征向量或基准向量。

优选地，实施例中，所述匹配过程如下：

采用hamming距离计算所述特征向量和基准向量对应位置的数值不同的个数，当不同数值的个数小于20%时，确定该特征向量匹配成功；

确定各个区域匹配成功的特征向量的数量，当各个区域匹配成功的数量大于阈值时，确定匹配成功。

例如：阈值为10，每个区域中匹配成功的特征点数量＞12，则认为匹配成功。

当存在多个匹配成功的人体图像，还包括：选择匹配成功的特征向量与基准向量最多的特征点的人体图像作为识别的人体图像。

另外，还可根据不同场景为面部皮肤或手部皮肤设置权重，以消除环境因素的影响，例如，在室外光线好的情况下，将面部皮肤的图像的与手部皮肤的图像的权重的比值设置为3:2；在室内光线不好的情况下，将将面部皮肤的图像的与手部皮肤的图像的权重的比值设置为4:5。增加手部皮肤的权重，以消除环境光线的影响。

优选地，在实施例中，还包括，用RANSAC算法消除错误匹配。

RANSAC算法的输入是一组观测数据（往往含有较大的噪声或无效点），一个用于解释观测数据的参数化模型以及一些可信的参数。RANSAC通过反复选择数据中的一组随机子集来达成目标。被选取的子集被假设为局内点，并用下述方法进行验证：

1、有一个模型适应于假设的局内点，即所有的未知参数都能从假设的局内点计算得出。

2、用1中得到的模型去测试所有的其它数据，如果某个点适用于估计的模型，认为它也是局内点。

3、如果有足够多的点被归类为假设的局内点，那么估计的模型就足够合理。

4、然后，用所有假设的局内点去重新估计模型（譬如使用最小二乘法），因为它仅仅被初始的假设局内点估计过。

5、最后，通过估计局内点与模型的错误率来评估模型。

上述过程被重复执行固定的次数，每次产生的模型要么因为局内点太少而被舍弃，要么因为比现有的模型更好而被选用。

优选地，实施例中，还包括：

如果没有匹配成功，则将所述检测出的人体图像的各个区域的特征向量作为新的基准向量加入到所述数据库。

优选地，实施例中，还包括：

在当前帧图像和之前的视频图像中，采用最小的带颜色框体框住所述检测到的该人体图像。

显然，本领域的技术人员应该明白，上述的本发明的各模块或各步骤可以用通用的计算装置来实现，它们可以集中在单个的计算装置上，或者分布在多个计算装置所组成的网络上，可选地，它们可以用计算装置可执行的程序代码来实现，从而，可以将它们存储在存储装置中由计算装置来执行，或者将它们分别制作成各个集成电路模块，或者将它们中的多个模块或步骤制作成单个集成电路模块来实现。这样，本发明不限制于任何特定的硬件和软件结合。

以上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (8)

1.一种利用肤色的人体图像再识别的方法，其特征在于，包括：

检测出视频图像中的人体图像；

检测所述人体图像中的多个肤色区域；

检测每个肤色区域中的多个特征点，确定每个特征点的特征向量；

将每个区域确定的特征向量与预先采集的数据库中的每个人体图像对应的各个区域的多个基准向量进行匹配；

根据匹配的结果，确定匹配成功的人体图像。

2.根据权利要求1所述的方法，其特征在于，所述检测多个肤色区域的过程包括：

将所述人体图像转换为YCrCb格式；

在YCrCb格式的人体图像中检测满足符合133≤Cr≤173，77≤Cb≤127的像素点；

将符合的像素点形成的区域作为肤色区域。

3.根据权利要求2所述的方法，其特征在于，所述区域包括脸部皮肤区域和手部皮肤区域。

4.根据权利要求1所述的方法，其特征在于，所述特征向量或基准向量通过以下步骤确定：

使用fast算子检测人体图像的各个肤色区域的特征点；

通过moment矩运算检测所述特征点中主方向特征点的主方向；

在该主方向上，提取BRIEF描述子作为一个特征点的特征向量或基准向量。

5.根据权利要求4所述的方法，其特征在于，所述匹配过程如下：

采用hamming距离计算所述特征向量和基准向量对应位置的数值不同的个数，当不同数值的个数小于20%时，确定该特征向量匹配成功；

确定各个区域匹配成功的特征向量的数量，当各个区域匹配成功的数量大于阈值时，确定匹配成功。

6.根据权利要求5所述的方法，其特征在于，

当存在多个匹配成功的人体图像，还包括：在匹配成功的人体图像中，选择特征向量与基准向量匹配成功数量最多的人体图像作为识别到的人体图像。

7.根据权利要求5所述的方法，其特征在于，还包括：

如果没有匹配成功，则将所述检测出的人体图像的各个区域的特征向量作为新的基准向量加入到所述数据库。

8.根据权利要求1所述的方法，其特征在于，还包括：

在当前帧图像和之前的视频图像中，采用最小的带颜色框体框住所述检测到的该人体图像。

Images