CN104103077A - 一种人头检测方法和装置 - Google Patents
一种人头检测方法和装置 Download PDFInfo
- Publication number
- CN104103077A CN104103077A CN201410366646.1A CN201410366646A CN104103077A CN 104103077 A CN104103077 A CN 104103077A CN 201410366646 A CN201410366646 A CN 201410366646A CN 104103077 A CN104103077 A CN 104103077A
- Authority
- CN
- China
- Prior art keywords
- people
- coordinate
- target object
- rectangle
- pixel
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Landscapes
- Image Analysis (AREA)
Abstract
本发明提供一种人头检测方法和装置,其中方法包括:获取对第一图片进行人头检测得到的包括目标物体的初始矩形、以及初始矩形中各像素点的第一三维坐标信息;将目标物体的第一三维坐标信息转换为第二三维坐标信息;第二三维坐标信息中的第一轴坐标表示像素点距离地平面的高度,第二三维坐标信息中的第二轴坐标表示像素点与双目摄像机沿所述第二轴方向的水平距离,第二三维坐标信息中的第三轴坐标表示像素点沿第三轴方向距离原点的距离;若目标物体的所述第二三维坐标信息与人头物理属性信息匹配,则确定目标物体是人头,初始矩形是包含人头的有效矩形。本发明提高了人头检测的准确度。
Description
技术领域
本发明涉及视频监控领域,特别涉及一种人头检测方法和装置。
背景技术
随着人口的增长和人们出行的频繁,各类交通***、以及商场、展馆、机场、码头等地都会形成持续的人流,人头计数逐渐变得越来越重要。比如,对于交通***来说,通过人头计数来统计客流数量是公交管理部门合理安排公交线路、优化调度公交车辆的最主要依据,因此对人头计数方法的研究具有重大的实用价值。基于视频图像处理技术的方法目前是最有发展前途的人头计数方法,包括根据双目摄像机拍摄的图片或视频来统计人流量;并且在基于双目摄像机视频统计人流量的方法中,人头检测是其中关键的步骤,即需要首先从视频图片中将人头检测出来,才能跟踪该人头从而实现人流量的统计。
具体的,人头检测是通过分类器从视频图片中进行人头检测,输出包含目标物体即人头的矩形区域,而分类器是结合人脸肤色等特征来检测人头的,但是这些特征容易受到环境的影响,比如当摄像机距离目标物体较远或者受到光照影响时,人脸肤色特征可能会不明显,容易造成分类器对人头的漏检或者误判。因此,当前的人头检测方法的准确度较低。
发明内容
本发明提供一种人头检测方法和装置,以提高人头检测的准确度。
具体地,本发明是通过如下技术方案实现的:
第一方面,提供一种人头检测方法,应用于对双目摄像机输出的图片中的人头进行检测,所述双目摄像机包括第一摄像机和第二摄像机,所述双目摄像机输出的图片包括:所述第一摄像机输出的第一图片和所述第二摄像机输出的第二图片;所述人头检测方法包括:
获取对所述第一图片进行人头检测得到的包括目标物体的初始矩形、以及所述初始矩形中各像素点的第一三维坐标信息;
将所述目标物体的第一三维坐标信息转换为第二三维坐标信息,所述第二三维坐标信息所在的三维坐标系是以所述第一摄像机的光心在地平面的投影为原点、以所述光心和所述原点的连线为第一轴,第二轴和第三轴在所述地平面;所述第二三维坐标信息中的第一轴坐标表示像素点距离地平面的高度,所述第二三维坐标信息中的第二轴坐标表示像素点与所述双目摄像机沿所述第二轴方向的水平距离,所述第二三维坐标信息中的第三轴坐标表示像素点沿所述第三轴方向距离所述原点的距离;
若所述目标物体的所述第二三维坐标信息与人头物理属性信息匹配,则确定所述目标物体是人头,所述初始矩形是包含所述人头的有效矩形。
可选的,所述目标物体的所述第二三维坐标信息与人头物理属性信息匹配,包括:所述第二三维坐标信息满足如下条件:所述初始矩形中的所述目标物体中至少一个像素点的所述第一轴坐标符合人头高度范围;以及,所述目标物体中的像素点组成的连续线段位于同一区域范围,所述连续线段中的各相邻像素点的第二三维坐标信息的坐标差异在预设变化范围内;并且所述连续线段中像素点的第一轴坐标符合人头高度范围;以及,所述目标物体中的所述像素点组成的横向最长连续线段与纵向最长连续线段的长度之比在预设人脸比例范围内。
可选的,在确定所述目标物体是人头之后,还包括:若所述目标物体的第二轴坐标,包括坐标a1和坐标a2,且所述坐标a1和坐标a2之差达到预设阈值,则确定所述目标物体包括:所述坐标a1对应的第一人头、和所述坐标a2对应的第二人头;根据所述坐标a1和坐标a2,从所述初始矩形中确定:包括所述第一人头的第一子矩形和包括所述第二人头的第二子矩形。
可选的,在所述确定所述目标物体是人头,所述初始矩形是有效矩形,之后还包括:根据所述目标物体的第二轴坐标,从所述有效矩形中选择得到有效子矩形,在所述有效子矩形中,人头之外的像素点的数量少于所述有效矩形中的人头之外的像素点的数量。
可选的,若所述第一图片和第二图片是所述双目摄像机拍摄的视频中的图片;则在所述确定所述目标物体是人头,所述初始矩形是有效矩形,之后还包括:获取位于当前图片的前至少一帧的前图片中的有效矩形,并得到所述有效矩形中的人头的第一位置信息;若所述当前图片在所述第一位置对应的第二位置不存在所述人头,则再次在所述当前图片进行人头检测,所述第二位置通过跟踪算法由第一位置计算得到。
第二方面,提供一种人头检测装置,应用于对双目摄像机输出的图片中的人头进行检测,所述双目摄像机包括第一摄像机和第二摄像机,所述双目摄像机输出的图片包括:所述第一摄像机输出的第一图片和所述第二摄像机输出的第二图片;所述装置包括:
信息获取单元,用于获取对所述第一图片进行人头检测得到的包括目标物体的初始矩形、以及所述初始矩形中各像素点的第一三维坐标信息;
坐标转换单元,用于将所述目标物体的第一三维坐标信息转换为第二三维坐标信息,所述第二三维坐标信息所在的三维坐标系是以所述第一摄像机的光心在地平面的投影为原点、以所述光心和所述原点的连线为第一轴,第二轴和第三轴在所述地平面;所述第二三维坐标信息中的第一轴坐标表示像素点距离地平面的高度,所述第二三维坐标信息中的第二轴坐标表示像素点与所述双目摄像机沿所述第二轴方向的水平距离,所述第二三维坐标信息中的第三轴坐标表示像素点沿所述第三轴方向距离所述原点的距离;
矩形过滤单元,用于若所述目标物体的所述第二三维坐标信息与人头物理属性信息匹配,则确定所述目标物体是人头,所述初始矩形是包含所述人头的有效矩形。
可选的,所述矩形过滤单元,具体用于:若所述目标物体的所述第二三维坐标信息满足如下条件,则确定所述第二三维坐标信息与人头物理属性信息匹配,所述条件包括:所述初始矩形中的所述目标物体中至少一个像素点的所述第一轴坐标符合人头高度范围;以及,所述目标物体中的像素点组成的连续线段位于同一区域范围,所述连续线段中的各相邻像素点的第二三维坐标信息的坐标差异在预设变化范围内,并且所述像素点的第一轴坐标符合人头高度范围;以及,所述目标物体中的所述像素点组成的横向最长连续线段与纵向最长连续线段的长度之比在预设人脸比例范围内。
可选的,所述矩形过滤单元,还用于在确定所述目标物体是人头之后,若所述目标物体的第二轴坐标,包括坐标a1和坐标a2,且所述坐标a1和坐标a2之差达到预设阈值,则确定所述目标物体包括:所述坐标a1对应的第一人头、和所述坐标a2对应的第二人头;根据所述坐标a1和坐标a2,从所述初始矩形中确定:包括所述第一人头的第一子矩形和包括所述第二人头的第二子矩形。
可选的,所述矩形过滤单元,还用于根据所述目标物体的第二轴坐标,从所述有效矩形中选择得到有效子矩形,在所述有效子矩形中,人头之外的像素点的数量少于所述有效矩形中的人头之外的像素点的数量。
可选的,所述矩形过滤单元,还用于获取位于当前图片的前至少一帧的前图片中的有效矩形,并得到所述有效矩形中的人头的第一位置信息;若所述当前图片在所述第一位置对应的第二位置不存在所述人头,则再次在所述当前图片进行人头检测,所述第二位置通过跟踪算法由第一位置计算得到。
本发明实施例的人头检测方法和装置,通过进行三维坐标转换,并根据转换后的三维坐标信息进行判断,若三维坐标信息与人头物理属性信息匹配,则可以确定目标物体是人头;这种方式实现了对初始矩形的过滤,提高了人头检测的准确度。
附图说明
图1为本发明实施例提供的人头检测方法的应用示意图;
图2为本发明实施例提供的人头检测方法的流程示意图;
图3为本发明实施例提供的人头检测方法中的分类器检测示意图;
图4为本发明实施例提供的人头检测方法中的摄像机安装示意图;
图5为本发明实施例提供的人头检测方法中的距离计算原理图;
图6为本发明实施例提供的人头检测方法中的坐标系示意图;
图7为本发明实施例提供的人头检测方法中的人头物理属性信息判断流程图;
图8为图7中的高度判断原理图;
图9为图7中的连续性判断原理图;
图10为本发明实施例提供的人头检测方法中的遮挡情况一;
图11为本发明实施例提供的人头检测方法中的遮挡情况二;
图12为本发明实施例提供的人头检测方法中的遮挡情况三;
图13为本发明实施例提供的人头检测方法中的绊线检测示意图;
图14为本发明实施例提供的人头检测方法中的冗余去除示意图;
图15为本发明实施例提供的人头检测方法中的漏检检测示意图;
图16为本发明实施例提供的人头检测装置的结构示意图。
具体实施方式
为了使得本发明实施例的人头检测方法更加容易理解,首先结合图1说明该检测方法可选的一种应用场景,如图1所示,双目摄像机可以应用在例如商场、超市、地铁、火车站或公园入口等,用于进行人流量统计;比如图1中所示的,双目摄像机11设置在公园入口处,并且是倾斜面向前方设置,对进行公园的人流量进行统计。双目摄像机11将拍摄的图片或视频传输至后台服务器12,传输方式可以是有线或无线传输;后台服务器12将对接收到的图片或视频进行处理,识别出图片中的人头,并跟踪该人头的运动轨迹实现流量统计。
具体的,后台服务器12可以包括如下功能:例如,可以通过分类器从图片中检测出人头,输出包括人头的矩形区域,在本发明后续的各实施例中,将包括人头的矩形区域称为矩形(即人头矩形),例如后面提到的初始矩形、第一子矩形、第二子矩形等;并且,还可以结合双目摄像机11的两个摄像机拍摄的图片综合处理得到图片中的各像素点的三维坐标,称为第一三维坐标信息,是摄像机坐标系中的坐标;此外,具体实施中,包含人头的矩形也不一定是分类器的输出,也可以是其他的人头检测方法的输出,在本发明的各实施例中是以分类器输出为例。此外,本发明实施例是以后台服务器12执行上述处理为例,具体实施中,也可以是由双目摄像机11集成的分析功能模块来执行。
本实施例相对于现有技术的区别在于,增加了坐标转换的处理,将第一三维坐标信息转换为第二三维坐标信息,并据此对初始矩形进行过滤,过滤掉无效矩形(无效矩形比如是分类器判断失误,矩形中的物体不是人头),最终输出有效矩形,即有效矩形中的确包含的是人头,从而提高人头检测的准确性。
下面的各个实施例中将详细的解释如何对初始矩形进行过滤;需要说明的是,图1中仅仅示出了本发明实施例的人头检测方法中部分的改进功能,本实施例在生成最终输出的有效矩形的过程中,还包括了其他方面的改进,这些都将在后续的实施例中逐步进行说明,这里只是说明本发明实施例是对现有技术的分类器输出的初始矩形进行了过滤。此外,后台服务器12在输出包含人头的有效矩形之后,还可以跟踪检测到的人头以实现流量统计,这些由于不是本发明实施例的针对重点,所以未显示在图1中。
实施例一
图2为本发明实施例提供的一种人头检测方法的流程示意图,如图2所示,该流程示意了本实施例方法的主要思想,可以包括如下步骤:
201、获取分类器对所述第一图片进行人头检测得到的包括目标物体的初始矩形、以及所述初始矩形中各像素点的第一三维坐标信息;
本实施例中,双目摄像机可以包括第一摄像机(例如,左目摄像机)和第二摄像机(例如,右目摄像机),本步骤所述的第一图片可以是第一摄像机拍摄的图片;需要说明的是,本实施例所述的图片,可以是非视频的单个输出的图片、或者是视频中的连续图片中的某帧图片。
在通过分类器对第一图片进行人头检测之前,需要首先完成分类器的训练。本实施例选用Adaboost分类器,训练人脸和人头背面(由于人脸和人头的特征都比较明显),adaboost分类器可以做到很高的检测准确率,漏检率很低。在训练分类器的时候,本实施例选用haar矩形特征(实践证明该特征非常适合人头检测)进行训练,一共训练15~20级,这样可以保证有98%以上的检测准确率。取0.999的检测准确率+0.6的虚警率;需要说明的是,本实施例相对于现有技术中的虚警率(0.5),有所提高,目标是首先保证检测准确率,即允许有误检,但正确的目标尽可能都检测到,因为即使有误检,在本实施例提供的方法的后续步骤会有效过滤误检区域。并且在使用分类器进行人头检测时,选择被1~2个通过检测的相邻矩形所覆盖的区域即认为是目标区域(一般为了降低虚警率,会选择3~5个),这样做的目的是将部分遮挡的人脸区域都可以被识别出来,虽然提升了虚警率,但后续的三维信息处理可以有效过滤误检区域。
本步骤中,分类器对第一图片进行人头检测,可以得到包括目标物体的初始矩形,参见图3,以第一图片31为例,该第一图片31是第一摄像机拍摄的图片,其中可能包括人像32、树木33等物体,分类器的作用是要将人像32的人头检测出来,输出包含了该人头的初始矩形34。但是也可能该分类器发生了误判,将树木33的上部也认为是人头,而输出初始矩形35,因此,本实施例暂时称为分类器输出的是包含目标物体的初始矩形,该目标物体比如是图片34中的人头,也可能不是人头而是图片35中的树木上部;后续本实施例在对这些矩形进行过滤后,最终会输出目标物体确实是人头的有效矩形。
此外,本实施例的第一三维坐标信息(以左目摄像机光心为原点的摄像机三维坐标系)可以是后台服务器根据双目摄像机中的两个摄像机输出的第一图片和第二图片综合处理得到,当然也可以通过其他算法得到,此处不做限定。。
202、将所述目标物体的第一三维坐标信息转换为第二三维坐标信息;
本实施例需要用到转换后的第二三维坐标信息进行矩形的过滤,如下详细描述第二三维坐标信息如何转换:
首先,在做三维坐标转换时需要使用一些参数,即双目摄像机的光心相对于地平面的垂直距离、以及双目摄像机相对于垂直方向的安装倾斜角度。为了获取这两个参数,本实施例在安装双目摄像机时,参照图4的安装方式:可以设置一个垂直指示杆41,该垂直指示杆41在安装时需要保持和地平面的垂直,用途是以便于双目摄像机在安装时便于掌握和控制垂直指示杆的夹角a。双目摄像机的两个摄像机的连线也需要和垂直指示杆相互垂直,即该连线和地平面平行。双目摄像机42上可以安装一个角度测量仪43,用于测量上述的夹角a。
还需要在垂直指示杆41上设置一个距离测量仪44,借助于该距离测量仪44可以计算得到双目摄像机中的左目摄像机45的光心相对于地平面的垂直距离。例如,该距离测量仪44可以选择简单的红外距离传感器。根据该距离测量仪44测量左目摄像机45的光心相对于地平面的垂直距离的原理可以参见图5,距离测量仪44可以将双目摄像机的安装位置和地平面的垂直距离D1测量出来,记为D1,光心GX与摄像机端部的距离D2是已知的,根据D2和夹角a可以计算得到D3,D1-D3就是光心相对于地平面的垂直距离T。
接着,在获取了上述的T和夹角a后,可以根据这两个参数进行坐标变换。那么在解释变换之前,先结合图6说明将要变换到的目标坐标系。第二三维坐标信息所在的三维坐标系,是以第一摄像机(本实施例以左目摄像机为例)的光心在地平面的投影为原点,以光心和原点的连线为第一轴(本实施例以该第一轴是Y轴为例),第二轴和第三轴在地平面(本实施例以第二轴是Z轴,第三轴是X轴为例);那么,第二三维坐标信息中的第一轴坐标即Y轴坐标表示像素点距离地平面的高度(因为后续步骤中的处理需要获取图片中每个像素点的第二三维坐标信息),第二轴坐标即Z轴坐标表示像素点与双目摄像机沿Z轴方向的水平距离,第三轴坐标即X轴坐标表示像素点沿X轴方向距离原点的距离。本实施例中,XZ平面是地平面,且尽量是水平的没有明显坡度的平面。
最后,描述如何进行三维坐标的变换:两个三维坐标系的转换可以通过一个旋转矩阵R和一个平移矩阵T来完成,其中T=世界坐标系原点-摄像机坐标系原点(向量的计算参考世界坐标系)。在三维空间,旋转可以分为绕三个坐标轴的二维旋转,旋转的角度θ等同于将目标点反方向旋转同样的角度,如果依次绕x/y/z轴旋转的角度记为a/b/c,那么总的旋转矩阵R是三个矩阵Rx(a),Ry(b),Rz(c)的乘积,其中,
可以结合参见图6,在图6中用s0表示左目摄像机的光心,用a0表示左目摄像机的光轴f与垂直指示杆的夹角,用s1表示坐标系的原心即光心s0在地平面的投影。在垂直指示杆保持对地面垂直的情况下,只需要将双目摄像机绕x轴逆时针旋转a=(π/2)-a0,然后向下平移T,即可完成摄像机坐标系到世界坐标系的转换,所以这里角度b和c都为0,这样上述Ry(b)和Rz(c)矩阵变成了单位矩阵(对角线为1,其它矩阵元素均为0的矩阵,相当于乘法中的1),所以R=Rx(a)*Ry(b)*Rz(c)=Rx(a)。T=(0,-T,0)。根据三维坐标系原理,在世界坐标系中的坐标P0到在摄像机坐标系的坐标P1的转换过程如下:
P1=R*(P0–T)=Rx(a)*(P0–T);
对上述公式进行变换,两侧同时乘以R-1x(a)(即Rx(a)的逆矩阵),则得到如下公式:R-1x(a)*P1=P0–T;
所以有P0=R-1x(a)*P1+T;由该公式就可以通过摄像机坐标系的三维坐标,得到世界坐标系中所有点的三维信息。
需要说明的是,本步骤中将目标物体的第一三维坐标信息转换为第二三维坐标信息,可以是单独将初始矩形中的目标物体对应的像素点的第一三维坐标信息转换为第二三维坐标信息,这样计算量较小;当然也可以是将整个初始矩形中的所有像素点的第一三维坐标信息转换为第二三维坐标信息,再从中选择目标物体对应的像素点的第二三维坐标信息。
203、若目标物体的第二三维坐标信息与人头物理属性信息匹配,则确定所述目标物体是人头,初始矩形是包含人头的有效矩形;
其中,人头物理属性信息,例如可以包括如下几个方面:
第一、人头高度,即相当于人的身高,比如一个身高1.6米的成人他的头部距离地平面的高度大致在1.4米——1.6米的范围内;
第二、从图片上来看,人头部分的像素点整个集中在一个区域内,即这是一个整体的像素点集合,而不是分散的;
第三、普通人的人脸长宽比,大致在一个范围,比如是1.5~2。
从上面的举例可以看到,人头物理属性信息,是用于描述人头部的物理形状或者物理位置的信息,当然上面的几个信息只是举例,后面的实施例中也将以这些信息为例来说明具体的检测方法,但是具体实施中并不局限于此,只要是一些能够用于描述人头的固定的物理信息即可。
本实施例之所以选择此类信息来进行人头的检测,是因为这些信息比较固定,即大部分的成人的头部信息都在一个相对固定的范围比如人脸长宽比;并且,这些信息不容易受到环境因素的影响,比如,分类器有可能会因为光照或距离等外部环境影响,将某个物体误判为人头,那么通过实施本实施例的方法,可能通过检测第二三维坐标信息,发现该物体的高度不在人头的高度范围内,那么就可以将该物体排除在人头之外。
上述的目标物体的第二三维坐标信息与人头物理属性信息匹配的意思,不仅包括比如上述的第二三维坐标信息中的Y轴坐标在人头高度范围内,还包括比如根据第二三维坐标信息进行处理得到的一些处理结果符合人头物理属性信息,例如,通过获取目标物体的相邻像素点的第二三维坐标信息是否具有连续性来得到横纵向最长连续线段之比,并判断其是否在人脸长宽比的预设范围内。
具体的判断过程举例将在后续的实施例中详细说明。当目标物体的第二三维坐标信息与人头物理属性信息匹配时,可以确定目标物体是人头,初始矩形是包含人头的有效矩形。例如,在图3中,通过按照本实施例的方法进行比较,就可以得到图片35中的树木上部不符合人脸长宽比的条件,也有可能树木上部不符合人头高度的条件等,从而确定图片35中的目标物体不是人头,不再将图片35确定为有效矩形。
本实施例的人头检测方法,通过进行三维坐标转换,并根据转换后的三维坐标信息进行判断,若三维坐标信息与人头物理属性信息匹配,则可以确定目标物体是人头;这种方式由于检测所依据的人头物理属性信息不容易受到外部环境的影响,因此可以有效实现对分类器选择的初始矩形的过滤,提高人头检测的准确度。
实施例二
本实施例列举了一种可选的将目标物体的第二三维坐标信息与人头物理属性信息进行匹配判断的例子,需要说明的是,这仅是举例,具体实施中,检测所依据的人头物理属性信息也可以是其他方面的信息,并且检测方法也可以采用其他的比较判断方式,只要满足本发明实施例上面所描述的思想,即选择人头物理属性信息并据此判断目标物体的第二三维坐标信息是否匹配即可。
具体的,本实施例可以这样设定:目标物体的第二三维信息满足同时满足如下三个条件,只要有其中一个不满足,就判定第二三维坐标信息与人头物理属性信息不匹配:
第一条件:所述初始矩形中的所述目标物体中至少一个像素点的所述第一轴坐标符合人头高度范围;本实施例将第一条件的判断称为高度判断;
第二条件:所述目标物体中的像素点组成的连续线段(以下实施例中涉及到的连续线段均是目标物体的像素点组成的线段)位于同一区域范围,所述连续线段中的各相邻像素点的第二三维坐标信息的坐标差异在预设变化范围内,而且,该连续线段的像素点的第一轴坐标符合人头高度范围;本实施例将第二条件的判断称为连续性判断;
第三条件:目标物体中的像素点组成的横向最长连续线段与纵向最长连续线段的长度之比在预设人脸比例范围内;本实施例将第三条件的判断称为长宽比判断。
为了在实现时更为简单,本实施例可以依次按照上述三个条件进行三轮验证,并且每轮验证进行否定式过滤,即只要有一个条件不满足就确定为非有效矩形,参见图7的判断流程。如下分别介绍每个条件具体如何判断:
第一条件的判断:高度判断
参见图8,以图3中所示的初始矩形34为例进行说明,不同的是该图8中所示的人头是以一正面人头为例,当然具体实施中摄像机获取的也可能是人头背面。
首先,这一步骤检测的主要依据是,如果目标物体是人头,那么该目标物体的像素点的第二三维坐标信息中的Y轴坐标应该在普通人的高度范围内,比如,根据一般人的身高,人头从下巴到头顶这一部分距离地平面的高度(即Y轴坐标)应该符合1400<y<2100(单位毫米,y是Y轴坐标值)。
需要说明的是,上述的1400<y<2100的范围仅是一个举例,具体实施中还要根据具体情况而定,例如,如果摄像机是用于对幼儿园的小朋友进行检测,那么上述的高度范围将会降低。本发明各实施例中涉及到高度判断的地方将均基于上述同样的道理。
其次,如果对初始矩形34中的目标物体中的每个像素点都进行Y轴坐标值的上述判断,那么计算量是很大的;本实施例为了减小计算量,只选取了初始矩形34中的一部分像素点进行判断。选择像素点可以基于如下考虑:
第一、如果初始矩形34中仅仅是最下方一部分(例如图8中的最下方的1/6区域)包括了符合上述高度范围的像素点,其他区域都没有,那么就表明该人头遮挡过于严重,因此该初始矩形34在后续的人头跟踪中使用价值较低,因此可以直接判定该图片34不是有效矩形,基于该第一个考虑,本实施例选择的像素点位于图片上部5/6的区域(仅是举例,具体实施中可以变动,后续参数也是本实施例中的举例,不再说明);
第二、在上面5/6的区域内,也不必要进行全部像素点的判断,比如在图8中,有些区域的像素点就不是人头,但是根据一般情况,人头如果在图片中,通常会在图片的中间位置检测到。
基于以上考虑,因此本实施例选择了图8中所示的检测线,即从矩形上方边缘1/2处的m点,垂直向下扫描到5/6处的e点,在扫描过程中,对每个像素点,都要根据其第一三维坐标信息进行坐标转换得到第二三维坐标信息,并判断Y轴坐标是否符合1400<y<2100。如果未扫描到满足要求的像素点,即所有像素点都不满足,则直接将图片34确定为非有效矩形,即目标物体不是人头;否则,只要扫描到一个像素点符合要求,比如图8中的n点符合,那就可以停止继续向下扫描,确认该图片在本第一步骤的高度判断通过验证,继续进行第二条件的判断即可。
此外,即使人头不在图片的中间位置,其高度信息变化也不会太大,在扫描时仍然还是会扫描到符合上述条件的像素点的。即使人物带了帽子或者平头,也不会对上述判断有什么影响。
第二条件的判断:连续性判断
仍以图8为例进行说明,在图8通过上述的高度判断验证后,已经证实了矩形34中的目标物体的高度符合了人头的高度范围;本步骤继续判断目标物体是否符合连续性条件。
这一条件的判断思想的依据是:想象一个人头,从额头垂直向下扫描,依次经过鼻子、嘴巴至下巴,各像素点的Y轴坐标是连续降低的,相当于距离地平面的高度是连续性降低,符合“相邻像素在y轴的变化是连续的,Δy<30毫米,即相邻像素点的Y轴坐标的差异在30毫米的范围内”;并且,沿额头、鼻子、嘴巴至下巴的顺序,相邻像素点的Z轴坐标是不同的,Z轴坐标表示的人头距离原点即摄像机的距离,比如,人脸正面来看,鼻子的Z轴坐标是小于额头的Z轴坐标的,但是即使有差异,人脸中的各相邻像素点的Z轴坐标差异也不会太大,符合“相邻像素在z轴的变化是连续的,Δz<100毫米”。同理,如果横行扫描,比如从左耳朵,依次经过左脸、鼻子、右脸至右耳朵,相邻像素点在x轴和z轴的变化也会呈现连续性,变化不会太大。
基于上述,并结合图9(图9中仍然是矩形34,与图8是同一目标物体),本步骤的连续性的判断原则可以总结为“参见图9中的各个线段,如果该条线段是纵向线段,在扫描该线段时,相邻像素点在y轴和z轴的变化呈现连续性,Δy<30毫米,Δz<100毫米,则称为连续线段(也称为纵向连续线段);如果该条线段是横向线段,在扫描该线段时,相邻像素点在x轴和z轴的变化呈现连续性,Δx<30毫米,Δz<100毫米,则称为连续线段(也称为横向连续线段)”。
本实施例中,为减少计算量,选择了图9中的六条线继续扫描,分别为:纵向1/3(图9中称为纵一线)、1/2(纵二线)、和2/3线(纵三线),以及横向1/3(横二线)、1/2(横二线)、和2/3线(横二线)。扫描上述的六条线,从每条线中都要找到符合上述连续性原则的六条“最长连续线段”。以纵三线为例,在从w1扫描到w4,最后得到w2至w3之间的线段是纵三线中的最长连续线段,该最长连续线段中的各相邻像素点满足上述的连续性原则。
经过上述扫描,最后得到的六条最长连续线段分别为“w2-w3”、“w5-w6”、“w7-w8”、“w9-w10”、“w11-w12”、“w13-w14”,上述的各个线段在图9中已经圈示出。本实施例可以设定,这六条最长连续线段,每一条的长度不得少于1/6(即图9中的“纵向线段”指示的线段的长度),并且,横向的三条最长连续线段之间相互重叠区域也不得少于1/6,纵向的三条最长连续线段之间相互重叠区域也不得少于1/6;并且,横向最长连续线段和纵向最长连续线段的交点不少于3个,这样其实就相当于限定这些最长连续线段位于同一片区域。
从图9可以很明显的看到,上述的六条最长连续线段分别为“w2-w3”、“w5-w6”、“w7-w8”、“w9-w10”、“w11-w12”、“w13-w14”已经满足了上述的条件,这些线段在一个区域内比如图9中的圆圈所指示的“同一区域”。例如,图9中的上述的六条最长连续线段的交点已经达到了9个;而且,横向的三条最长连续线段之间相互重叠区域已经达到了近1/2;纵向的三条最长连续线段之间相互重叠区域已经超过了1/2。
如果某图片不满足该第二条件,则直接确定其为非有效矩形;否则,继续判断是否满足第三条件。此外,需要说明的是,在本步骤进行连续性判断时,除了对上述的各相邻像素点的坐标差异是否在预设范围内进行判断,还要判断连续线段中各像素点的Y轴坐标是否在人头高度范围内,例如,需要满足1400<y<2100。
第三条件的判断:长宽比判断
本步骤的判断比较简单,即结合人脸宽度和长度的比值的先验知识,并且在假设人头没有遮挡的情况下,目标物体中的横向最长连续线段与纵向最长连续线段的长度之比在预设人脸比例范围内。这里的横向最长连续线段与纵向最长连续线段,当然选取的是最长的线段;比如在图9中,横向的最长连续线段中的再选一个最长的,那就是“w13-w14”,纵向的最长连续线段中的再选一个最长的,那就是“w7-w8”;(“w7-w8”)/(“w13-w14”)即人脸长宽比,通常该比值可以是大于1/5,小于2。
至此,如果上述三个条件都满足,那么可以确定初始矩形是有效矩形,目标物体是人头。
实施例三
在实施例二中描述了一种可选的判断目标物体是否是人头的方法,即通过高度判断、连续性判断和长宽比判断的三轮验证,最终得到目标物体是人头的有效矩形。
本实施例中,针对的是一种特殊的图片情况,即有的图片中目标物体是人头,但是包括了至少两个人头;本实施例的目的是将各个人头进行区分,并分别输出对应的矩形。比如,假设一个矩形中包括了两个人头,按照本实施例的方法,将输出两个子矩形,每个子矩形包括其中一个人头,这样会利用后续的人头跟踪的处理,使得人头跟踪更加准确。
如下列举三种最常见的人头遮挡情况:
第一种情况:参见图10,图10所示的情况是,人头甲在人头乙的上方,且乙遮挡住甲。在实施例二中纵向扫描时(比如在连续性判断的纵向扫描时),会发现人头甲所在目标物体部分与人头乙所在的目标物体部分,两者的Z轴坐标差异明显,这就类似于,前后两个人,这两个人距离摄像机的距离肯定会差别较大的,因此据此可以判断上述的两个目标物体部分,是两个人头。
可以将这种判断人头数目的方法,归结为:若目标物体的第二轴坐标即Z轴坐标,包括坐标a1和坐标a2(即差异较大的两个Z轴坐标),且坐标a1和坐标a2之差达到预设阈值,则确定所述目标物体包括:所述坐标a1对应的第一人头、和所述坐标a2对应的第二人头。
需要说明的是,这种根据Z轴坐标来判断人头数量的方法中,坐标a1和坐标a2,可以是单个像素点的坐标,比如从人头甲中任取一个像素点,其Z轴坐标都会与人头乙中任取的一个像素点的Z轴坐标差异较大;该坐标a1和坐标a2,也可以是人头甲或人头乙的平均Z轴坐标,比如可以通过简单的平均值计算方法,得到人头甲中各像素点的平均Z轴坐标,与人头乙中的各像素点的平均Z轴坐标差异较大。
在确定两个人头后,可以根据坐标a1和坐标a2,从初始矩形中确定:包括第一人头的第一子矩形、和包括第二人头的第二子矩形。在将这两个子矩形进行划分时,仍然可以根据Z轴进行识别,比如图10中所示的,先纵向扫描,可以得到ab线(ab线是两个人头的分割线,为处理方便,本实施例以直线表示),在ab线以上的部分与ab线以下的部分,其Z轴坐标相差较大;纵向扫描还可以得到区域1的顶线和区域2的底线。然后横向扫描,识别具有连续性的区域而得到区域2和区域1的左侧线和右侧线。至此,包括人头甲的区域1和人头乙的区域2已经得到,需要说明的是,图10中的虚线仅是示意人头的范围,最终输出的区域1不包括虚线区域,而是ab线以上的矩形,后续的其他情况同理。后续的人头跟踪将基于区域1和区域2的两个矩形进行。
第二种情况:参见图11,图11所示的情况是,人头甲遮挡住人头乙(当然如果人头乙遮挡人头甲采用方法相同)。通过先横向扫描,得到ab线,然后分别纵向扫描,就可以将包括人头甲的区域1和人头乙的区域2。
第三种情况:参见图12,图12所示的情况是,人头甲遮挡住人头乙,并且类似于遮挡住人头乙的一个角部区域。可以通过先纵向后横向的扫描,可以识别出区域1、区域3、以及区域2的宽度;其实最后可以将ab线延长就可以确定区域2和区域的分界线。
从上述的描述可以看到,本实施例的人头分割,主要是根据Z轴坐标,不同人头距离摄像机的距离不同,导致各人头的Z轴坐标差异较大;并且,通过扫描将属于人头的连续性区域识别出来,从而得到人头边界;当然,整个人头区域的划分都可以根据Z轴坐标来实现,同一人头区域其Z轴坐标是符合连续性条件的。
实施例四
本实施例在确定出有效矩形的基础上,对图片进行进一步的过滤或者修饰,比如,有些摄像机只想用于检测距离摄像机某个预定距离范围内的目标物体,那本实施例就可以将位于该范围之外的物体的图片去除;再例如,在人头跟踪时,如果基于的是更加精确的图片即矩形边缘紧贴人头,那么跟踪的准确性会更高,所以本实施例将图片的冗余背景技术去除。如下将分别说明:
一方面,可以根据实际场景的需要设置绊线,绊线需要和双目摄像机的两个摄像机光心的连线平行,绊线相当于界定上述的目标物体距离范围的线。假定将目标物体距离摄像机的距离设定为大于5m,小于15m为有效检测区域,那么参见图13,沿Z轴方向,Z轴坐标位于5m的位置设置绊线1,Z轴坐标位于15m的位置设置绊线2,绊线之外的区域不予检测。
本实施例中,可以根据目标物体范围比如上面实施例所述的连续性判断得到的同一区域中的连续线段中的各像素点的第二轴坐标即Z轴坐标,计算得到目标物体与双目摄像机之间的水平距离,可以采用平均值计算方法,各像素点的Z轴坐标平均得到该人头的Z轴坐标,即人头距离摄像机的水平距离。若所述水平距离不在预设距离范围内比如图13中的绊线1和绊线2的范围内,则将所述有效矩形删除。当然也可以不真正的删除,这里想表达的意思是,确定该矩形是非有效矩形,将其从有效矩形的集合中去除。比如图13中,人丙所在的矩形是有效矩形,人丁所在的矩形不是有效矩形。
另一方面,本实施例为了保障后续跟踪的准确性,求取更加精确的矩形区域(即矩形边缘紧贴人头区域)。通过横向扫描和纵向扫描,可以在图片中多扫描几条线,参见图14,图14是仍以图9中所示的人头图片为例,扫描纵一线至纵三线、横一线至横三线,根据目标物体的第二轴坐标即Z轴坐标,可以得到人头在横向和纵向的几个边界点,即图14中的L1、L2、L3和L4,然后沿这几个点做切线,得到仅包括人头的有效矩形;经过上述处理,从初始矩形中选择得到了“有效子矩形”,在该有效子矩形中,人头之外的像素点的数量少于初始矩形中的人头之外的像素点,也就是说,有效子矩形是比初始矩形更为精确的人头矩形,包含了较少的非人头像素点。
实施例五
具体实施中,分类器有时会发生漏检,比如双目摄像机输出的是连续性视频信号,分类器在视频的前一帧也许检测到了包括某个人头的初始矩形,而在后一帧因为遮挡或光线变化等原因,可能就发生了漏检,未检测到包括上述同一个人头的矩形。本实施例就是要检测是否发生了漏检现象,如果确实漏检,则本实施例也会进行对应的改善,以便为跟踪算法提供有效支持。
具体如下:参见图15,假设第N帧中分类器检测得到了分别包括三个人头的图片151、图片152和图片153,称为初始矩形(由于包括人头,也是有效矩形);可以将这三个人头分别对应的第二三维坐标信息记录下来,比如用于表示人头距离地平面的高度的Y轴坐标,用于表示人头距离摄像机的水平距离的Z轴坐标,这些坐标信息也可以称为第一位置信息。
然后查看第N+1帧,在第N帧所记录的第一位置(即第一位置信息对应的位置)的对应位置,可以将该第N+1帧对应的位置称为第二位置,该第二位置可以通过跟踪算法由第一位置计算得到;查看该第二位置是否存在对应的人头。比如在第N帧检测到在距离摄像机10m远的地方,且位于高度是1.6m的位置有人头,而在第N+1帧的同样在“距离摄像机10m远的地方,且位于高度是1.6m的位置”的附近位置(是附近的位置,因为两帧之间可能会有微小的位置移动,该位置差异可以根据实际情况设定),未检测到人头,则表明发生漏检。比如在图15中,检测到在第N+1帧,缺少了图片153中的人头。
本实施例中,在检测到漏检后,可以根据第N帧的对应位置附近,在当前帧即第N+1帧的图片中再次进行人头检测,一般情况下再次检测后就可以得到对应人头,从而输出对应所述人头的有效矩形,由于这是检测后再重新补充的,所以可以称为补充有效矩形。比如在图15中,补充了有效矩形154,其中包括的人头是第N帧中的矩形153中的人头。
需要说明的是,具体实施中检测是否发生漏检,也可以是查看当前图片的前至少一帧的前图片,比如查看了在时域上位于当前帧的图片的前一帧或者前两帧的图片(这些图片就可以称为前图片)等,结合前面的信息来判断是否发生漏检。
以上的几个实施例所描述的人头检测方法,在很大程度上解决了人流密集、相互遮挡、光线变化或者阴影、障碍物等因素造成人头检测效果不好、误检率过高的问题,其输出结果更加接近真实的人头区域(去除了矩形区域多余的背景信息),很好的保障了后续跟踪的准确性。本方法也可以有效解决人头间的遮挡问题,可应用于场景复杂,人流密集的区域(如商场、地铁口或公园)进行人头检测或人头计数,能够达到理想的精度要求。
实施例六
图16为本发明实施例提供的人头检测装置的结构示意图,该装置可以执行本发明上述方法实施例所述的人头检测方法,该装置应用于对双目摄像机输出的图片中的人头进行检测,所述双目摄像机包括第一摄像机和第二摄像机,所述双目摄像机输出的图片包括:所述第一摄像机输出的第一图片和所述第二摄像机输出的第二图片;本实施例仅对该装置的结构做简单说明,其具体的工作原理可以结合方法实施例所述。
本实施例的装置可以是设置在图1中所示的后台服务器中;如图16所示,所述装置包括:信息获取单元1601、坐标转换单元1602和矩形过滤单元1603;
信息获取单元1601,用于获取对所述第一图片进行人头检测得到的包括目标物体的初始矩形、以及所述初始矩形中各像素点的第一三维坐标信息;
坐标转换单元1602,用于将所述目标物体的第一三维坐标信息转换为第二三维坐标信息,所述第二三维坐标信息所在的三维坐标系是以所述第一摄像机的光心在地平面的投影为原点、以所述光心和所述原点的连线为第一轴,第二轴和第三轴在所述地平面;所述第二三维坐标信息中的第一轴坐标表示像素点距离地平面的高度,所述第二三维坐标信息中的第二轴坐标表示像素点与所述双目摄像机沿所述第二轴方向的水平距离,所述第二三维坐标信息中的第三轴坐标表示像素点沿所述第三轴方向距离所述原点的距离;
矩形过滤单元1603,用于若所述目标物体的所述第二三维坐标信息与人头物理属性信息匹配,则确定所述目标物体是人头,所述初始矩形是包含所述人头的有效矩形。
进一步的,所述信息获取单元1601获取的所述初始矩形是根据虚警率0.6训练得到的分类器检测得到。
进一步的,所述矩形过滤单元1603,具体用于:若所述目标物体的所述第二三维坐标信息满足如下条件,则确定所述第二三维坐标信息与人头物理属性信息匹配,所述条件包括:所述初始矩形中的所述目标物体中至少一个像素点的所述第一轴坐标符合人头高度范围;以及,所述目标物体中的像素点组成的连续线段位于同一区域范围,所述连续线段中的各相邻像素点的第二三维坐标信息的坐标差异在预设变化范围内,并且所述连续线段像素点的第一轴坐标符合人头高度范围;以及,所述目标物体中的所述像素点组成的横向最长连续线段与纵向最长连续线段的长度之比在预设人脸比例范围内。
进一步的,矩形过滤单元1603,还用于根据所述区域范围内的连续线段中的各像素点的第二轴坐标,计算得到所述目标物体与所述双目摄像机之间的水平距离;若所述水平距离不在预设距离范围内,则将所述有效矩形删除。
进一步的,所述矩形过滤单元1603,还用于在确定所述目标物体是人头之后,若所述目标物体的第二轴坐标,包括坐标a1和坐标a2,且所述坐标a1和坐标a2之差达到预设阈值,则确定所述目标物体包括:所述坐标a1对应的第一人头、和所述坐标a2对应的第二人头;根据所述坐标a1和坐标a2,从所述初始矩形中确定:包括所述第一人头的第一子矩形和包括所述第二人头的第二子矩形。
进一步的,矩形过滤单元1603,还用于根据所述目标物体的第二轴坐标,从所述有效矩形中选择得到有效子矩形,在所述有效子矩形中,人头之外的像素点的数量少于所述有效矩形中的人头之外的像素点的数量。
进一步的,矩形过滤单元1603,还用于获取位于当前图片的前至少一帧的前图片中的有效矩形,并得到所述有效矩形中的人头的第一位置信息;若所述当前图片在所述第一位置对应的第二位置不存在所述人头,则再次在所述当前图片进行人头检测,所述第二位置通过跟踪算法由第一位置计算得到。
以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的精神和原则之内,所做的任何修改、等同替换、改进等,均应包含在本发明保护的范围之内。
Claims (10)
1.一种人头检测方法,其特征在于,应用于对双目摄像机输出的图片中的人头进行检测,所述双目摄像机包括第一摄像机和第二摄像机,所述双目摄像机输出的图片包括:所述第一摄像机输出的第一图片和所述第二摄像机输出的第二图片;所述人头检测方法包括:
获取对所述第一图片进行人头检测得到的包括目标物体的初始矩形、以及所述初始矩形中各像素点的第一三维坐标信息;
将所述目标物体的第一三维坐标信息转换为第二三维坐标信息,所述第二三维坐标信息所在的三维坐标系是以所述第一摄像机的光心在地平面的投影为原点、以所述光心和所述原点的连线为第一轴,第二轴和第三轴在所述地平面;所述第二三维坐标信息中的第一轴坐标表示像素点距离地平面的高度,所述第二三维坐标信息中的第二轴坐标表示像素点与所述双目摄像机沿所述第二轴方向的水平距离,所述第二三维坐标信息中的第三轴坐标表示像素点沿所述第三轴方向距离所述原点的距离;
若所述目标物体的所述第二三维坐标信息与人头物理属性信息匹配,则确定所述目标物体是人头,所述初始矩形是包含所述人头的有效矩形。
2.根据权利要求1所述的方法,其特征在于,所述目标物体的所述第二三维坐标信息与人头物理属性信息匹配,包括:
所述第二三维坐标信息满足如下条件:
所述初始矩形中的所述目标物体中至少一个像素点的所述第一轴坐标符合人头高度范围;以及,
所述目标物体中的像素点组成的连续线段位于同一区域范围,所述连续线段中的各相邻像素点的第二三维坐标信息的坐标差异在预设变化范围内;并且所述连续线段中像素点的第一轴坐标符合人头高度范围;以及,
所述目标物体中的所述像素点组成的横向最长连续线段与纵向最长连续线段的长度之比在预设人脸比例范围内。
3.根据权利要求1所述的方法,其特征在于,在确定所述目标物体是人头之后,还包括:
若所述目标物体的第二轴坐标,包括坐标a1和坐标a2,且所述坐标a1和坐标a2之差达到预设阈值,则确定所述目标物体包括:所述坐标a1对应的第一人头、和所述坐标a2对应的第二人头;
根据所述坐标a1和坐标a2,从所述初始矩形中确定:包括所述第一人头的第一子矩形和包括所述第二人头的第二子矩形。
4.根据权利要求1所述的方法,其特征在于,在所述确定所述目标物体是人头,所述初始矩形是有效矩形,之后还包括:
根据所述目标物体的第二轴坐标,从所述有效矩形中选择得到有效子矩形,在所述有效子矩形中,人头之外的像素点的数量少于所述有效矩形中的人头之外的像素点的数量。
5.根据权利要求1所述的方法,其特征在于,若所述第一图片和第二图片是所述双目摄像机拍摄的视频中的图片;则在所述确定所述目标物体是人头,所述初始矩形是有效矩形,之后还包括:
获取位于当前图片的前至少一帧的前图片中的有效矩形,并得到所述有效矩形中的人头的第一位置信息;
若所述当前图片在所述第一位置对应的第二位置不存在所述人头,则再次在所述当前图片进行人头检测,所述第二位置通过跟踪算法由第一位置计算得到。
6.一种人头检测装置,其特征在于,应用于对双目摄像机输出的图片中的人头进行检测,所述双目摄像机包括第一摄像机和第二摄像机,所述双目摄像机输出的图片包括:所述第一摄像机输出的第一图片和所述第二摄像机输出的第二图片;所述装置包括:
信息获取单元,用于获取对所述第一图片进行人头检测得到的包括目标物体的初始矩形、以及所述初始矩形中各像素点的第一三维坐标信息;
坐标转换单元,用于将所述目标物体的第一三维坐标信息转换为第二三维坐标信息,所述第二三维坐标信息所在的三维坐标系是以所述第一摄像机的光心在地平面的投影为原点、以所述光心和所述原点的连线为第一轴,第二轴和第三轴在所述地平面;所述第二三维坐标信息中的第一轴坐标表示像素点距离地平面的高度,所述第二三维坐标信息中的第二轴坐标表示像素点与所述双目摄像机沿所述第二轴方向的水平距离,所述第二三维坐标信息中的第三轴坐标表示像素点沿所述第三轴方向距离所述原点的距离;
矩形过滤单元,用于若所述目标物体的所述第二三维坐标信息与人头物理属性信息匹配,则确定所述目标物体是人头,所述初始矩形是包含所述人头的有效矩形。
7.根据权利要求6所述的装置,其特征在于,
所述矩形过滤单元,具体用于:若所述目标物体的所述第二三维坐标信息满足如下条件,则确定所述第二三维坐标信息与人头物理属性信息匹配,所述条件包括:所述初始矩形中的所述目标物体中至少一个像素点的所述第一轴坐标符合人头高度范围;以及,所述目标物体中的像素点组成的连续线段位于同一区域范围,所述连续线段中的各相邻像素点的第二三维坐标信息的坐标差异在预设变化范围内,并且所述像素点的第一轴坐标符合人头高度范围;以及,所述目标物体中的所述像素点组成的横向最长连续线段与纵向最长连续线段的长度之比在预设人脸比例范围内。
8.根据权利要求7所述的装置,其特征在于,
所述矩形过滤单元,还用于在确定所述目标物体是人头之后,若所述目标物体的第二轴坐标,包括坐标a1和坐标a2,且所述坐标a1和坐标a2之差达到预设阈值,则确定所述目标物体包括:所述坐标a1对应的第一人头、和所述坐标a2对应的第二人头;根据所述坐标a1和坐标a2,从所述初始矩形中确定:包括所述第一人头的第一子矩形和包括所述第二人头的第二子矩形。
9.根据权利要求7所述的装置,其特征在于,
所述矩形过滤单元,还用于根据所述目标物体的第二轴坐标,从所述有效矩形中选择得到有效子矩形,在所述有效子矩形中,人头之外的像素点的数量少于所述有效矩形中的人头之外的像素点的数量。
10.根据权利要求7所述的装置,其特征在于,
所述矩形过滤单元,还用于获取位于当前图片的前至少一帧的前图片中的有效矩形,并得到所述有效矩形中的人头的第一位置信息;若所述当前图片在所述第一位置对应的第二位置不存在所述人头,则再次在所述当前图片进行人头检测,所述第二位置通过跟踪算法由第一位置计算得到。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410366646.1A CN104103077B (zh) | 2014-07-29 | 2014-07-29 | 一种人头检测方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410366646.1A CN104103077B (zh) | 2014-07-29 | 2014-07-29 | 一种人头检测方法和装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN104103077A true CN104103077A (zh) | 2014-10-15 |
CN104103077B CN104103077B (zh) | 2017-04-19 |
Family
ID=51671197
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201410366646.1A Active CN104103077B (zh) | 2014-07-29 | 2014-07-29 | 一种人头检测方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN104103077B (zh) |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104680532A (zh) * | 2015-03-02 | 2015-06-03 | 北京格灵深瞳信息技术有限公司 | 一种对象标注方法及装置 |
CN107292906A (zh) * | 2017-08-11 | 2017-10-24 | 阔地教育科技有限公司 | 一种目标跟踪方法、存储设备及目标跟踪装置 |
CN107610142A (zh) * | 2017-04-17 | 2018-01-19 | 中华电信股份有限公司 | 依据影像进行人流计数的***及方法 |
CN108069307A (zh) * | 2016-11-14 | 2018-05-25 | 杭州海康威视数字技术股份有限公司 | 一种对电梯中的人数进行统计的方法及装置 |
CN109344746A (zh) * | 2018-09-17 | 2019-02-15 | 曜科智能科技(上海)有限公司 | 行人计数方法、***、计算机设备和存储介质 |
CN112633096A (zh) * | 2020-12-14 | 2021-04-09 | 深圳云天励飞技术股份有限公司 | 客流的监测方法、装置、电子设备及存储介质 |
CN112733666A (zh) * | 2020-12-31 | 2021-04-30 | 湖北亿咖通科技有限公司 | 一种难例图像的搜集、及模型训练方法、设备及存储介质 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101872422B (zh) * | 2010-02-10 | 2012-11-21 | 杭州海康威视数字技术股份有限公司 | 可精确辨别目标的人流量统计的方法及*** |
CN103839038A (zh) * | 2012-11-23 | 2014-06-04 | 浙江大华技术股份有限公司 | 一种人数统计的方法及装置 |
CN103150552B (zh) * | 2013-02-06 | 2016-08-17 | 湖北微驾技术有限公司 | 一种基于人头计数的驾驶培训管理方法 |
-
2014
- 2014-07-29 CN CN201410366646.1A patent/CN104103077B/zh active Active
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104680532A (zh) * | 2015-03-02 | 2015-06-03 | 北京格灵深瞳信息技术有限公司 | 一种对象标注方法及装置 |
CN104680532B (zh) * | 2015-03-02 | 2017-12-08 | 北京格灵深瞳信息技术有限公司 | 一种对象标注方法及装置 |
CN108069307A (zh) * | 2016-11-14 | 2018-05-25 | 杭州海康威视数字技术股份有限公司 | 一种对电梯中的人数进行统计的方法及装置 |
CN107610142A (zh) * | 2017-04-17 | 2018-01-19 | 中华电信股份有限公司 | 依据影像进行人流计数的***及方法 |
TWI618002B (zh) * | 2017-04-17 | 2018-03-11 | Chunghwa Telecom Co Ltd | System and method for counting human flow according to images |
CN107610142B (zh) * | 2017-04-17 | 2020-09-25 | 中华电信股份有限公司 | 依据影像进行人流计数的***及方法 |
CN107292906A (zh) * | 2017-08-11 | 2017-10-24 | 阔地教育科技有限公司 | 一种目标跟踪方法、存储设备及目标跟踪装置 |
CN109344746A (zh) * | 2018-09-17 | 2019-02-15 | 曜科智能科技(上海)有限公司 | 行人计数方法、***、计算机设备和存储介质 |
CN112633096A (zh) * | 2020-12-14 | 2021-04-09 | 深圳云天励飞技术股份有限公司 | 客流的监测方法、装置、电子设备及存储介质 |
WO2022127181A1 (zh) * | 2020-12-14 | 2022-06-23 | 深圳云天励飞技术股份有限公司 | 客流的监测方法、装置、电子设备及存储介质 |
CN112733666A (zh) * | 2020-12-31 | 2021-04-30 | 湖北亿咖通科技有限公司 | 一种难例图像的搜集、及模型训练方法、设备及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN104103077B (zh) | 2017-04-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104103077A (zh) | 一种人头检测方法和装置 | |
CN109878552B (zh) | 基于机器视觉的轨道交通站台门与列车间异物监测装置 | |
US9846802B2 (en) | Passenger counting system, passenger counting method and passenger counting program | |
JP6549797B2 (ja) | 通行人の頭部識別方法及びシステム | |
JP6281492B2 (ja) | 乗車人数計測装置、方法およびプログラム | |
CN102945603A (zh) | 检测交通事件的方法及电子警察装置 | |
CN102867417B (zh) | 一种出租车防伪***及方法 | |
CN106327863A (zh) | 一种车辆拥堵检测预警方法、装置及*** | |
CN104805784A (zh) | 一种闸机逃票检测***及方法 | |
CN107274678B (zh) | 一种基于Kinect的夜间车流量统计及车型识别方法 | |
CN103473554A (zh) | 人流统计***及方法 | |
CN104036640A (zh) | 一种全景图像采集装置、全景图像采集方法 | |
WO2020237939A1 (zh) | 一种人眼眼睑曲线的构建方法及装置 | |
KR102434154B1 (ko) | 영상감시시스템에서의 고속 이동물체의 위치 및 모션 캡쳐 방법 | |
CN111523386B (zh) | 一种基于机器视觉的高速铁路站台门监测防护方法及*** | |
CN110516600A (zh) | 一种基于人脸检测的公交客流检测方法 | |
CN103021179A (zh) | 基于实时监控视频中的安全带检测方法 | |
CN112508893B (zh) | 基于机器视觉的铁路双轨间微小异物检测方法及*** | |
CN114067287A (zh) | 一种基于车侧路侧数据感知融合的异物识别及预警*** | |
CN109591850A (zh) | 一种轨道异物检测方法及装置 | |
CN117253203A (zh) | 一种基于视觉传感器的障碍物检测*** | |
CN112270258A (zh) | 一种非机动车的违规信息获取方法及装置 | |
CN203849862U (zh) | 一种全景图像采集装置 | |
CN110930432A (zh) | 一种视频分析方法、装置及*** | |
KR20070090299A (ko) | 영상검지를 이용한 차량속도 표시 장치 및 시스템 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |