CN104299005A - 一种人头检测方法及*** - Google Patents

Abstract

本申请公开了一种人头检测方法及***，包括：对输入的待检测图像提取基于方向梯度的局部二值模式特征；根据人头分类器对提取到的局部二值模式特征进行判决，输出判决结果，人头分类器的获取包括：通过从包括人头正样本和人头负样本的样本集中提取基于方向梯度的局部二值模式特征；对提取到的样本集的局部二值模式特征进行训练学习，获得人头分类器。本申请采用基于方向梯度的LBP特征，使得人头的边缘和轮廓信息可通过方向梯度予以表征，而且在此基础上加入了LBP特征来表征人头的局部纹理信息，使得人头检测效果更好，进而可将视频图像中的人头检测出来，可以用于人体跟踪、事件检测、人流量统计等，对于实现自动监控具有重要意义。

Description

一种人头检测方法及***

技术领域

本申请涉及视频监控和图像处理技术领域，具体涉及一种人头检测方法及一种人头检测***。

背景技术

在智能视频监控领域，对人头的智能检测和统计是一个重要的研究内容。然而，不同姿态的人头的灰度差异较大，例如，从人头正面、侧面、背面、以及顶部拍摄的人头灰度差异会非常大，使得实现人头检测比较困难。因此，如何提取鲁棒的特征是影响人头检测和统计准确率与实时性的重要方面。

发明内容

本申请提供一种人头检测方法及一种人头检测***，该方法/***中采用基于方向梯度的LBP特征。

根据本申请的第一方面，本申请提供一种人头检测方法，包括：对输入的待检测图像提取基于方向梯度的局部二值模式特征；根据人头分类器对提取到的局部二值模式特征进行判决，输出判决结果；所述人头分类器的获取包括：通过从包括人头正样本和人头负样本的样本集中提取基于方向梯度的局部二值模式特征；对提取到的样本集的局部二值模式特征进行训练学习，获得人头分类器。

进一步地，所述基于方向梯度的局部二值模式特征的提取包括：梯度图形成步骤，对输入的图像计算梯度，得到包含梯度幅值和梯度方向的梯度图；方向图形成步骤，将所述梯度方向等分为N个区间，N为正整数，根据梯度方向对所述梯度幅值进行插值，得到方向梯度图；累积图形成步骤，将所述方向梯度图分解为N个无方向梯度图，对每个所述无方向梯度图进行累积梯度幅值统计，形成N个累积无方向梯度图；独立符计算步骤，在每个所述累积无方向梯度图上，计算局部二值模式描述符，形成N个独立局部二值模式特征；特征形成步骤，将所述N个独立局部二值模式特征级联，形成基于方向梯度的局部二值模式特征。

优选地，所述梯度图形成步骤中，采用差分算子计算输入的图像中每个像素点的梯度方向和梯度幅值，形成梯度图；所述方向图形成步骤中，所述插值为一维线性插值，所述方向梯度图中的每个像素点存储相邻两个区间及各自被分配的梯度幅值。

优选地，所述累积图形成步骤中，第i个无方向梯度图上像素点的值为该像素点属于的第i个区间的梯度幅值，如果该像素点不属于所述第i个区间，则该像素点的值被赋为0，i为正整数且小于等于N；对于每个所述无方向梯度图，按预定大小的方格单元进行扫描，并将预定大小的方格单元上的梯度幅值之和作为该方格单元的中心像素点的值，从而形成该无方向梯度图的累积无方向梯度图。

优选地，所述预定大小的方格单元上的梯度幅值之和采用公式A+D-B-C计算得到，其中A、B、C和D分别表示所述方格单元的四个顶点的像素的积分值。

优选地，所述独立符计算步骤中，对于每个所述累积无方向梯度图，其独立局部二值模式特征的计算包括：

将所述累积无方向梯度图分块；

计算每个所述分块的局部二值模式描述符；

对所述局部二值模式描述符进行归一化处理；

将所有所述分块的局部二值模式描述符级联，形成独立局部二值模式特征。

根据本申请的第二方面，本申请提供一种人头检测***，包括：特征提取模块，用于对输入的待检测图像提取基于方向梯度的局部二值模式特征；分类判决模块，用于根据人头分类器对提取到的局部二值模式特征进行判决，输出判决结果，其中，所述人头分类器的获取包括：通过从包括人头正样本和人头负样本的样本集中提取基于方向梯度的局部二值模式特征，对提取到的样本集的局部二值模式特征进行训练学习，获得人头分类器。

进一步地，所述特征提取模块包括：梯度图形成单元，用于采用差分算子计算输入的图像中每个像素点的梯度方向和梯度幅值，形成梯度图；方向图形成单元，用于将所述梯度方向等分为N个区间，N为正整数，根据梯度方向对所述梯度幅值进行一维线性插值，得到方向梯度图，所述方向梯度图中的每个像素点存储相邻两个区间及各自被分配的梯度幅值；累积图形成单元，用于将所述方向梯度图分解为N个无方向梯度图，，其中第i个无方向梯度图上像素点的值为该像素点属于的第i个区间的梯度幅值，如果该像素点不属于所述第i个区间，则该像素点的值被赋为0，i为正整数且小于等于N，对于每个所述无方向梯度图，按预定大小的方格单元进行扫描，并将预定大小的方格单元上的梯度幅值之和作为该方格单元的中心像素点的值，从而形成该无方向梯度图的累积无方向梯度图；独立符计算单元，用于在每个所述累积无方向梯度图上，计算局部二值模式描述符，形成N个独立局部二值模式特征；特征形成单元，用于将所述N个独立局部二值模式特征级联，形成基于方向梯度的局部二值模式特征。

本申请的有益效果是：采用基于方向梯度的局部二值模式特征，使得人头的边缘和轮廓信息可通过方向梯度予以表征，而且在此基础上加入了局部二值模式特征来表征人头的局部纹理信息，使得人头检测效果更好，进而可将视频图像中的人头检测出来，可以用于人体跟踪、事件检测、人流量统计等，对于实现自动监控具有重要意义。

附图说明

图1为本申请一种实施例的人头检测方法的流程示意图；

图2为本申请一种实施例的提取基于方向梯度的LBP特征的流程示意图；

图3为本申请一种实施例的无方向梯度图形成为累积无方向梯度图的过程示意图；

图4为本申请一种实施例的形成独立LBP特征的过程示意图；

图5为本申请一种实施例的人头检测***的结构示意图。

具体实施方式

人头检测算法一般包含特征值提取和分类器分类两个部分。特征值提取是指在一幅图像中提取有效的数据用以判断图像中是否有目标。特征值提取算法的好坏直接关系到检测算法的准确度。分类器算法包括训练和检测两个部分。训练部分通过对样本集提取特征值，并用这些特征值训练分类器；检测部分对于待检测图像，提取其特征值，然后用训练好的分类器对提取出的特征值进行分类，判断图像中是否含有检测目标。

综合考虑人头检测算法中采用的各种特征后，本申请各实施例将HOG（Histogram of Oriented Gradient，方向梯度直方图）特征的优势与LBP（LocalBinary Pattern，局部二值模式）算子相结合，得到基于方向梯度的LBP特征，将其用于人头检测。

下面通过具体实施方式结合附图对本发明作进一步详细说明。

实施例1：

如图1所示，本实施例的人头检测方法包括如下步骤：

步骤S111，对输入的待检测图像提取基于方向梯度的LBP特征；

步骤S113，根据人头分类器对得到的基于方向梯度的LBP特征进行判决，其中人头分类器是通过训练得到，该训练包括如下步骤：

步骤S121，对输入由人头正样本和人头负样本组成的样本集，提取其基于方向梯度的LBP特征；其中，人头正样本可包括自人头正面、侧面、背面、以及顶部拍摄的人头图像，即覆盖了不同姿态、不同头发、带不同帽子的真实人头图像，而人头负样本可包括例如风景、动物、文字等任意未包含人头的图像。

步骤S123，对样本集的基于方向梯度的LBP特征值进行训练学习；

步骤S125，由训练学习的结果获得人头分类器。

步骤S115，根据步骤S113的判决结果，输出待检测图像的人头检测结果。

对于步骤S121和步骤S111，在提取基于方向梯度的LBP特征之前，可以采用现有数字图像处理技术进行图像去噪、增强等处理。对于步骤S123，在对样本集的特征值进行训练学习时，可采用模式识别技术的相关方法实现，例如采用支持向量机（SVM，Support Vector Machine）或者Adaboost算法或者Fisher判别器等进行训练。在步骤S113中可根据步骤S123中训练得到的分类决策进行判决，在步骤S115中根据判决结果进行输出。步骤S123、S125、S113、S115具体可参考现有相关的图像处理和模式识别技术来实现。

假设进行人头检测的训练样本大小为width*height像素，关于步骤S121和步骤S111中基于方向梯度的LBP特征的提取，本实施例提供了如图2所示的流程，具体包括如下步骤S201～S206：

步骤S201，计算输入的图像中每个像素的梯度方向和梯度幅值，形成梯度图。

本实施例中，根据差分算子[-1,0,1]，利用公式（1）和（2）计算输入的图像中每个像素点(x,y)的梯度方向θ(x,y)和梯度幅值G(x,y)，形成梯度图。

G_x(x,y)=I(x+1,y)-I(x-1,y)    （1）

G_y(x,y)=I(x,y+1)-I(x,y-1)

$G(x,y)=\sqrt{G_x{(x,y)}^2+G_y{(x,y)}^2}---\left(2\right)$

θ(x,y)=π/2+arctan(G_y(x,y)/G_x(x,y))

其中，G_x(x,y)和G_y(x,y)分别表示像素点(x,y)处的水平方向梯度和垂直方向梯度，I(x+1,y)、I(x-1,y)、I(x,y+1)、I(x,y-1)分别表示像素点(x+1,y)、(x-1,y)、(x,y+1)、(x,y-1)的灰度值。

其他实施例中，还可以使用其它边缘算子如Roberts算子、Prewitt算子、Sobel算子等。

步骤S202，将梯度方向等分，生成方向梯度图。

本步骤中，将梯度方向均匀划分为N个区间（bin），N为正整数，则某个梯度的方向落在某个bin中即确定属于这个bin，然后根据梯度方向对梯度幅值进行一维线性插值，则梯度图变成两通道的梯度图，称之为方向梯度图，在方向梯度图中，每个像素位置存储相邻的两个bin和各自被分配的梯度幅值。一种实现中N=3。

步骤S203，将方向梯度图分解为N个无方向梯度图。

本步骤中，将方向梯度图分割为N个无方向梯度图，其中，第i个无方向梯度图上像素点的值为该像素点属于的第i个bin的梯度幅值，如果该像素点不属于该第i个bin，则像素点的值赋为0。

步骤S204，对每个无方向梯度图进行累积梯度幅值统计，形成N个累积无方向梯度图。

本步骤中，对于每个无方向梯度图，进行累积梯度幅值统计，即将大小为cell_width*cell_height像素的方格单元上梯度幅值的和作为该方格单元中心像素点的值，如此便形成累积无方向梯度图。

一种具体实现中，为保证分辨率，方格单元一般选用3*3～9*9像素的大小，例如7*7。

又一种具体实现中采用积分图计算以提高速度，如图3所述，最右侧图中所示的像素点（图示中的实心黑圈）的值是最左侧图中所框定的cell_width*cell_height像素大小的方格单元（图示中的黑色加粗线条构成的矩形框）中所有梯度幅值的和，且最右侧图中所示的像素点位于该方格单元的中心，中间的示意图表示积分图计算，该图中像素点的值为积分值，方格单元中所有梯度幅值的和可用A+D-B-C计算得到，其中A、B、C和D分别表示方格单元的四个顶点像素（图示中的实心黑圈）的积分值。

步骤S205，在每个累积无方向梯度图上，计算LBP描述符，形成N个独立LBP特征LBPⁱ(p)，i=1,2,…N。

本步骤的具体过程如下：

将每个累积无方向梯度图划分成block_width*block_height像素大小的分块，可以是均匀划分，也可以相邻的分块之间存在重叠，计算每个分块的LBP描述符，然后归一化处理，最后将所有分块的LBP描述符级联，形成独立LBP特征。

一种实现中采用的LBP算子为R₁ ⁸，且使用均匀模式（Uniform Pattern）。符号R₁ ⁸表示LBP特征采集的局部邻域区域的半径为1个像素，

且以中心像素点为中心，半径为1像素的圆环上均匀分布的周围像素点的个数为8个，用此算子扫描一幅图像后，得到整幅图的R₁ ⁸邻域LBP特征编码。用公式描述如下：

${\mathrm{LBP}}^i\left(p\right)=\underset{j=0}{\overset{7}{\mathrm{\&Sigma;}}}f(I_p^i-I_{\mathrm{Cj}}^i)2^j,$ $f\left(x\right)=\left\{\begin{array}{ccc}1& \mathrm{if}& x\&GreaterEqual;\mathrm{\&tau;}\\ 0& \mathrm{if}& x<\mathrm{\&tau;}\end{array}\right.$

其中，i表示该LBP描述符在第i个累积无方向梯度图上计算得到，I_p和I_Cj分别表示每个累积无方向直方图中像素点p及其周围像素C_j的值。f(x)中的阈值τ是大于0的一个较小的值。

归一化处理的方式可以是L1-Norm、L1-Sqrt和L2-Norm等常用的归一化方式。

上述过程的示意图如图4所示，左侧图为累积无方向梯度图上R₁ ⁸算子的示意图，像素P表示中心像素点，C_j，j=0,1,2,…,7表示像素P周围的8个像素点。由于图中每个像素点的值是由以其为中心的方格单元上所有像素梯度值的和所得，如图4的右侧图所示，其中矩形区域代表每个像素点相应的方格单元。

步骤S206，将每个累积无方向梯度图上的LBP特征描述符级联，形成最终的特征描述符，用公式描述如下：

LBP(p)={LBP¹(p),...LBPⁱ(p)}i=1,2...N

LBP特征是一种纹理特征，在人脸识别、行人检测领域均表现出较好的鲁棒性。LBP算子利用中心像素和邻域像素的差值来确定编码方式，在提取中心像素过程中，对噪声过于敏感。同时LBP算子注重突出图像区域细节变化，在背景环境变化剧烈时会导致较高的错检率。因此为降低LBP算子对噪声的敏感度，我们提出将(2r+1)×(2r+1)个像素点得累加值作为中心像素的值，然后利用R₁ ⁸模式（即半径为1，周周像素点个数为8个）提取LBP算子。另外，HOG特征是行人检测最为常用，同时非常具有鲁棒性的特征，其思想是一幅图像中的物体的表象和形状可以被像素强度梯度或边缘的方向分布很好地描述，其实现方法是先将图像分成小的方格单元，然后采集方格单元中各像素点的梯度方向或边缘方向直方图，最后把这些直方图组合起来就可以构成特征描述子。本实施例在设计特征时，充分考虑了LBP特征和HOG特征优劣性，提出了基于方向梯度的LBP特征进行人头检测，使得人头的边缘和轮廓信息可通过方向梯度予以表征，而且在此基础上加入了LBP特征来表征人头的局部纹理信息，使得人头检测效果更好。

实施例2：

如图5所示，本实施例提供一种人头检测装置，包括：特征提取模块和分类判决模块。特征提取模块用于对输入的待检测图像提取基于方向梯度的局部二值模式特征；分类判决模块，用于根据人头分类器对提取到的局部二值模式特征进行判决，输出判决结果，其中，人头分类器的获取包括：通过从包括人头正样本和人头负样本的样本集中提取基于方向梯度的局部二值模式特征，对提取到的样本集的局部二值模式特征进行训练学习，获得人头分类器。

其中，特征提取模块包括：梯度图形成单元、方向图形成单元、累积图形成单元、独立符计算单元和特征形成单元。梯度图形成单元，用于采用差分算子计算输入的图像中每个像素点的梯度方向和梯度幅值，形成梯度图；方向图形成单元，用于将梯度方向等分为N个区间，N为正整数，根据梯度方向对梯度幅值进行一维线性插值，得到方向梯度图，方向梯度图中的每个像素点存储相邻两个区间及各自被分配的梯度幅值；累积图形成单元，用于将方向梯度图分解为N个无方向梯度图，，其中第i个无方向梯度图上像素点的值为该像素点属于的第i个区间的梯度幅值，如果该像素点不属于第i个区间，则该像素点的值被赋为0，i为正整数且小于等于N，对于每个无方向梯度图，按预定大小的方格单元进行扫描，并将预定大小的方格单元上的梯度幅值之和作为该方格单元的中心像素点的值，从而形成该无方向梯度图的累积无方向梯度图；独立符计算单元，用于在每个累积无方向梯度图上，计算局部二值模式描述符，形成N个独立局部二值模式特征；特征形成单元，用于将N个独立局部二值模式特征级联，形成基于方向梯度的局部二值模式特征。

以上各模块和单元的实现可参考实施例1中的相关描述，在此不作重述。

本领域技术人员可以理解，上述实施方式中各种方法的全部或部分步骤可以通过程序来指令相关硬件完成，该程序可以存储于一计算机可读存储介质中，存储介质可以包括：只读存储器、随机存储器、磁盘或光盘等。

以上内容是结合具体的实施方式对本发明所作的进一步详细说明，不能认定本发明的具体实施只局限于这些说明。对于本发明所属技术领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干简单推演或替换。

Claims (10)

1.一种人头检测方法，其特征在于，包括：

对输入的待检测图像提取基于方向梯度的局部二值模式特征；

根据人头分类器对提取到的局部二值模式特征进行判决，输出判决结果；

所述人头分类器的获取包括：通过从包括人头正样本和人头负样本的样本集中提取基于方向梯度的局部二值模式特征；对提取到的样本集的局部二值模式特征进行训练学习，获得人头分类器。

2.如权利要求1所述的人头检测方法，其特征在于，所述基于方向梯度的局部二值模式特征的提取包括：

梯度图形成步骤，对输入的图像计算梯度，得到包含梯度幅值和梯度方向的梯度图；

方向图形成步骤，将所述梯度方向等分为N个区间，N为正整数，根据梯度方向对所述梯度幅值进行插值，得到方向梯度图；

累积图形成步骤，将所述方向梯度图分解为N个无方向梯度图，对每个所述无方向梯度图进行累积梯度幅值统计，形成N个累积无方向梯度图；

独立符计算步骤，在每个所述累积无方向梯度图上，计算局部二值模式描述符，形成N个独立局部二值模式特征；

特征形成步骤，将所述N个独立局部二值模式特征级联，形成基于方向梯度的局部二值模式特征。

3.如权利要求2所述的人头检测方法，其特征在于，

所述梯度图形成步骤中，采用差分算子计算输入的图像中每个像素点的梯度方向和梯度幅值，形成梯度图；

所述方向图形成步骤中，所述插值为一维线性插值，所述方向梯度图中的每个像素点存储相邻两个区间及各自被分配的梯度幅值。

4.如权利要求2所述的人头检测方法，其特征在于，所述累积图形成步骤中，

第i个无方向梯度图上像素点的值为该像素点属于的第i个区间的梯度幅值，如果该像素点不属于所述第i个区间，则该像素点的值被赋为0，i为正整数且小于等于N；

对于每个所述无方向梯度图，按预定大小的方格单元进行扫描，并将预定大小的方格单元上的梯度幅值之和作为该方格单元的中心像素点的值，从而形成该无方向梯度图的累积无方向梯度图。

5.如权利要求4所述的人头检测方法，其特征在于，所述预定大小的方格单元上的梯度幅值之和采用公式A+D-B-C计算得到，其中A、B、C和D分别表示所述方格单元的四个顶点的像素的积分值。

6.如权利要求2所述的人头检测方法，其特征在于，所述独立符计算步骤中，对于每个所述累积无方向梯度图，其独立局部二值模式特征的计算包括：

将所述累积无方向梯度图分块；

计算每个所述分块的局部二值模式描述符；

对所述局部二值模式描述符进行归一化处理；

将所有所述分块的局部二值模式描述符级联，形成独立局部二值模式特征。

7.如权利要求6所述的人头检测方法，其特征在于，

所述分块为将所述累积无方向梯度图均匀划分，或者相邻的分块之间存在重叠；

所述局部二值模式描述符采用均匀模式的R₁ ⁸算子;

所述独立局部二值模式特征的计算公式为：

${\mathrm{LBP}}^i\left(p\right)=\underset{j=0}{\overset{7}{\mathrm{\&Sigma;}}}f(I_p^i-I_{\mathrm{Cj}}^i)2^j,$ $f\left(x\right)=\left\{\begin{array}{ccc}1& \mathrm{if}& x\&GreaterEqual;\mathrm{\&tau;}\\ 0& \mathrm{if}& x<\mathrm{\&tau;}\end{array}\right.$

其中，LBPⁱ(p)表示第i个累积无方向梯度图的中心像素点为p的局部二值模式描述符，I_p和I_Cj分别表示所述中心像素点p及其周围像素C_j的值，τ为阈值且大于0。

8.如权利要求2所述的人头检测方法，其特征在于，所述特征形成步骤中，所述基于方向梯度的局部二值模式特征用公式描述为：

LBP(p)={LBP¹(p),...LBPⁱ(p)}，i=1,2...N

其中LBP(p)表示所述基于方向梯度的局部二值模式特征，LBPⁱ(p)表示第i个累积无方向梯度图的中心像素点为p的独立局部二值模式特征。

9.一种人头检测***，其特征在于，包括：

特征提取模块，用于对输入的待检测图像提取基于方向梯度的局部二值模式特征；

分类判决模块，用于根据人头分类器对提取到的局部二值模式特征进行判决，输出判决结果，其中，所述人头分类器的获取包括：通过从包括人头正样本和人头负样本的样本集中提取基于方向梯度的局部二值模式特征，对提取到的样本集的局部二值模式特征进行训练学习，获得人头分类器。

10.如权利要求9所述的人头检测方法，其特征在于，所述特征提取模块包括：

梯度图形成单元，用于采用差分算子计算输入的图像中每个像素点的梯度方向和梯度幅值，形成梯度图；

方向图形成单元，用于将所述梯度方向等分为N个区间，N为正整数，根据梯度方向对所述梯度幅值进行一维线性插值，得到方向梯度图，所述方向梯度图中的每个像素点存储相邻两个区间及各自被分配的梯度幅值；

累积图形成单元，用于将所述方向梯度图分解为N个无方向梯度图，，其中第i个无方向梯度图上像素点的值为该像素点属于的第i个区间的梯度幅值，如果该像素点不属于所述第i个区间，则该像素点的值被赋为0，i为正整数且小于等于N，对于每个所述无方向梯度图，按预定大小的方格单元进行扫描，并将预定大小的方格单元上的梯度幅值之和作为该方格单元的中心像素点的值，从而形成该无方向梯度图的累积无方向梯度图；

独立符计算单元，用于在每个所述累积无方向梯度图上，计算局部二值模式描述符，形成N个独立局部二值模式特征；

特征形成单元，用于将所述N个独立局部二值模式特征级联，形成基于方向梯度的局部二值模式特征。