一种基于头肩模型的人体识别方法
一种基于头肩模型的人体识别方法
【专利摘要】本发明提出一种基于头肩模型的人体识别方法。计算头肩模型的HOG特征并训练SVM分类器参与分类；采用混合高斯模型提取运动人体目标，结合边缘提取算法提取人体目标轮廓，进而根据人体比例关系获得人体头肩模型；对头肩模型HOG特征分类为非人体的目标，作进一步处理。本发明进一步减少了计算量，在提高人体识别率的同时降低了识别时间。
【专利说明】一种基于头肩模型的人体识别方法【技术领域】
[0001]本发明属于目标识别【技术领域】，具体涉及一种基于头肩模型的人体识别方法。
【背景技术】
[0002]HOG特征(方向梯度直方图描述子)是由法国国家计算机技术和控制研究所的研究员 Navneet Dalal 和 Bill Triggs 首次提出的(Chris Stauffer, W E L Grimson.Adaptive background mixture models for real-time tracking[C]\\Computer Visionand Pattern Recognition, Fort Collins, CO, Jun23_25,1999, 2:1063-6919.)。目前常用的人体识别方式是H0G+SVM模式，Dalal对INRIA和MIT等行人数据库的样本提取人体HOG特征并训练SVM(支持向量机)分类器，实现对静态图像的人体识别。M.Kachouane, S.Sahki在Dalal的基础上验证了在HOG提取过程中，细胞单元和块区域尺寸对人体识别效果的影响，(HOG Based fast Human Detection)并提出了 GAMMA校正,对遮挡在一起的人体有很好的识别效果(M.Kachouane, S.Sahki, M.Lakrouf, N.0uadah.HOG based fast humandetection [C] WMicroelectronics (ICM), Algiers, Algeria, Decl6_20, 2012.)。在静态图像的人体识别中，上述方法有较好的识别能力，但是，由于需要对整个图像依次按照搜索窗口进行计算，计算量很大，对于一幅图像，很大一部分是背景而人体所占的像素不多，计算这些背景像素的HOG特征消耗了很大的计算量，极大降低了人体识别的效率。
[0003]为了降低背景部分的计算，在行人检测中可以结合混合高斯等背景提取技术，将运动目标提取出来，单独处理运动目标图像。汪成亮等人采用混合高斯模型提取出人体区域，然后针对该区域的人体进行识别(汪成亮，周佳，黄晟.基于高斯混合模型与PCA-HOG的快速运动人体检测[J].计算机应用研究.2012，29(6):2156-1260.)，极大提高了识别速率，但是该方法仍然针对整个人体计算特征，计算量仍然较大。
【发明内容】
[0004]本发明提出一种基于头肩模型的人体识别方法，进一步减少了计算量，在提高人体识别率的同时降低了识别时间。
[0005]为了解决上述技术问题，本发明提出一种基于头肩模型的人体识别方法。本发明的发明思路是:人体运动是一个相对复杂的过程，其运动的复杂性主要体现在四肢的运动上，为了获得一个识别率高的SVM分类器，必然需要大量的多种运动形式的人体样本参与训练，导致进一步增加了运算量，且由于四肢的运动多样性，SVM的分类效果也有所局限，而人体头肩部分的运动相对简单，并且具有一定的稳定性，本发明用人体头肩模型来代替整个人体。本发明的技术方案是:
[0006]步骤一、使用人体头肩模型选择训练SVM分类器；
[0007]步骤二、获取取监控视频中运动目标图像I和运动目标的二值图1b ；
[0008]步骤三、提取头肩模型；
[0009]步骤四、对判断为非人体的目标图像重新进行分类。[0010]本发明与现有技术相比，其显著优点在于:(1)本发明计算头肩模型HOG特征的计算量要明显小于对整个人体的HOG特征的计算量，不仅减轻了内存负担，也提高了识别速率；(2)无论是行人还是骑自行车的人，头肩部分的运动除了角度上的差异，运动方式比较单一，增强了人体识别的可靠性和稳定性；(3)本发明大大降低了计算量，减少了内存开销，提高了算法的运行速度，同时，由于头肩模型稳定性很高，提高了识别正确率。
【专利附图】
【附图说明】
[0011]图1是本发明流程图。
[0012]图2是本发明实验步骤三中水平投影直方图曲线。
[0013]图3是本发明实验部分检测结果图。
【具体实施方式】
[0014]如图1所示，本发明一种基于头肩模型的人体识别方法，包括以下步骤:
[0015]步骤一、使用人体头肩模型选择训练SVM分类器，具体过程为:
[0016]针对行人数据库，例如INRIA，MIT等行人数据库，截取行人图像中的人体头肩模型后保存为正样本图片，并统一正样本图片大小为MXM;从背景图像中截取同样大小的图像并保存为负样本图片，并统一负样本图片大小为MXM ;计算保存后的正样本图片和负样本图片的HOG特征，然后用来训练SVM分类器。
[0017]所述HOG特征计算以及训练SVM分类器的方法，可以详见文献(Navneet Dalai,Bill Triggs.Histograms of oriented gradients for human detection[C]\\ComputerVision and Pattern Recognition, San Diego, CA, USA, June25_25, 2005,1:886-893.)
[0018]步骤二、获取取监控视频中运动目标图像I和运动目标的二值图1b，具体过程为:
[0019]采用混合高斯目标提取技术获取监控视频中的运动目标，获得运动目标图像I和运动目标的二值图1b，对运动目标的二值图1b进行腐蚀膨胀处理，然后提取运动目标的最外层轮廓，填充运动目标最外层轮廓获得一次运动目标二值图1b'。
[0020]所述混合高斯目标提取技术详见文献(Chris Stauffer, Grimson, ff.E.L.Adaptive background mixture models for real-time tracking[C]\\ComputerVision and Pattern Recognition, Fort Collins, CO:1999:1063-6919.)。
[0021]步骤三、提取头肩模型，具体过程为:
[0022]对运动目标图像I进行边缘检测，常用的边缘检测方法有Sobel算子边缘检测、Canny算子边缘检测等；调整边缘检测算子的阈值参数，获得清晰的运动目标轮廓；用步骤二中混合高斯模型获取的一次运动目标二值图1b'对运动目标轮廓进行修正，剔除超出运动目标二值图1b'以外的轮廓点，降低背景轮廓对运动目标轮廓的干扰，获得修正后的轮廓；对修正后的轮廓进行填充形成二次运动目标二值图像Ib";计算二次运动目标二值图像Ib"的水平投影直方图，水平投影直方图曲线中靠近起始点的第一个极小值点即头肩模型中头肩的连接部位，将起始点到第一个极小值点之间曲线的最大值作为人体头部宽度；根据人体正常比例关系，可以进一步确定人体头肩模型的高度；将头肩部分的高度范围内的直方图曲线的最大值作为头肩模型的宽度；按照头肩模型的高度和宽度，从运动目标图像I中提取出对应的头肩部分；计算每个头肩模型的HOG特征，并采用SVM分类器对HOG特征进行分类，判断相应的运动目标图像I是否属于人体。
[0023]步骤四、对判断为非人体的目标图像重新进行分类，具体过程为:
[0024]若运动目标图像I被分类为非人体，则对运动目标图像I进行二次分类。二次分类采用搜索窗口依次扫描运动目标图像I，计算搜索窗口内的HOG特征并分类。通过这种方式将发生遮挡等情况下的人体识别出来。
[0025]本发明方法的有益效果可以通过以下实验结果进一步说明:
[0026]步骤一、使用人体头肩模型选择训练SVM分类器。具体实验过程如下:
[0027]针对INRIA行人数据库，截取行人的头肩部分作为正样本，统一正负样本的大小为64X 64，按照Dalal提供的最佳HOG提取方案，设定细胞大小为8 X 8，9个直方图通道，块大小为16 X 16，每个样本获得一个1764维的HOG描述子，采用2000组正样本和2000组负样本训练SVM分类器。
[0028]步骤二、获取取监控视频中运动目标图像I和运动目标的二值图1b。具体实验过程如下:
[0029]针对分辨率为660X492、共有703帧的视频，从混合高斯模型检测到的前景图中获取运动目标的二值图1b，同时根据运动目标的二值图1b在图像中的位置，在原图中确定运动目标图像I。对运动目标的二值图1b进行腐蚀膨胀处理，然后提取运动目标的最外层轮廓，填充运动目标的最外层轮廓得到一次运动目标二值图1b'。
[0030]步骤三、提取头肩模型Ib。具体实验过程如下:
[0031]首先对采用Sobel算子检测运动目标图像I的轮廓，设定边缘检测算子阈值为
0.01。对运动目标图像I的轮廓中的每一个点分别与运动目标二值图1b'中相应的点进行比较，若轮廓中的点同时是运动目标二值图1b'中的目标点，则认为该点不属于背景轮廓，需要将此点保留。对修正后的目标轮廓进行填充，形成二次运动目标二值图像Ib"。
[0032]计算二次运动目标二值图像Ib"的水平投影直方图，如图2所示，直方图曲线的第一个极小值点B即头肩连接部位，以该点为下边界、曲线起始A点到下边界B之间曲线的最大值作为人体头部宽度HW。根据人体正常比例关系确定人体头肩模型的高度
UW
-0-72)。直方图曲线在头肩模型高度范围内的最大值即头肩模型的宽度。按照
头肩模型的高度和宽度，从运动目标图像I中提取出对应的头肩部分。将头肩部分的尺寸统一为64X64，计算头肩模型的HOG特征，并采用SVM分类器进行分类，判断相应的运动目标图像I是否为人体。
[0033]步骤四、对判断为非人体的目标图像重新进行分类。具体实验过程如下:
[0034]对步骤三分类为非人体的目标，进行二次分类。采用大小64X64搜索窗口依次扫描运动目标图像I，计算搜索窗口内的HOG特征并分类。通过这种方式将发生遮挡等情况下的人体识别出来。
[0035]图3是本实验部分人体检测效果图，I框代表检测为人体，2框代表检测为非人体。
[0036]针对同一组视频本实验还采用【背景技术】中的传统Dalal方法进行实验，并将本发明方法与Dalal方法在识别率和识别速率上进行了详细比较，如表一所示。从表一可以看出，就识别率，本发明由于选取了稳定的头肩模型作为识别目标，避免了肢体等复杂运动的干扰，识别率有所提高；就识别速率(处理时间)，由于本方法结合了混合高斯目标提取，避免了传统Dalal方法在背景区域上重复计算，同时，头肩模型的搜索窗口与人体的搜索窗口相比，尺寸可以很小，减少了计算量，每帧的平均处理速度很大程度的提高。
[0037]表一本发明方法与Dalal方法的人体识别性能比较
【权利要求】
1.一种基于头肩模型的人体识别方法，其特征在于，包括以下步骤: 步骤一、使用人体头肩模型选择训练SVM分类器； 步骤二、获取取监控视频中运动目标图像I和运动目标的二值图1b ； 步骤三、提取头肩模型； 步骤四、对判断为非人体的目标图像重新进行分类。
2.如权利要求1所述的基于头肩模型的人体识别方法，其特征在于，步骤一的具体过程为:针对行人数据库，截取行人图像中的人体头肩模型后保存为正样本图片，从背景图像中截取同样大小的图像并保存为负样本图片，将正样本图片和负样本图片统一大小为MXM,计算正样本图片和负样本图片的HOG特征，然后用HOG特征训练SVM分类器。
3.如权利要求1所述的基于头肩模型的人体识别方法，其特征在于，步骤二的具体过程为:采用混合高斯目标提取技术获取监控视频中的运动目标，获得运动目标图像I和运动目标的二值图1b，对运动目标的二值图1b进行腐蚀膨胀处理，然后提取运动目标的最外层轮廓，填充运动目标最外层轮廓获得一次运动目标二值图1b'。
4.如权利要求1所述的基于头肩模型的人体识别方法，其特征在于，步骤三的具体过程为:对运动目标图像I进行边缘检测，获得清晰的运动目标轮廓；用步骤二获得的一次运动目标二值图1b'对运动目标轮廓进行修正，剔除超出运动目标二值图1b'以外的轮廓点，获得修正后的轮廓；对修正后的轮廓进行填充形成二次运动目标二值图像Ib";计算二次运动目标二值图像Ib"的水平投影直方图，将起始点到第一个极小值点之间曲线的最大值作为人体头部宽度；根据人体正常比例关系确定人体头肩模型的高度；将头肩部分的高度范围内的直方图曲线的最大值作为头肩模型的宽度；按照头肩模型的高度和宽度，从运动目标图像I中提取出对应的头肩部分；计算每个头肩模型的HOG特征，并采用SVM分类器对HOG特征进行分类，判断相应的运动目标图像I是否属于人体。
5.如权利要求1所述的基于头肩模型的人体识别方法，其特征在于，步骤四的具体过程为:若运动目标图像I被分类为非人体，则采用搜索窗口依次扫描运动目标图像I，计算搜索窗口内的HOG特征并分类。
【文档编号】G06K9/00GK103955673SQ201410178810
【公开日】2014年7月30日 申请日期:2014年4月30日 优先权日:2014年4月30日
【发明者】顾国华, 龚文彪, 任建乐, 刘琳, 钱惟贤, 路东明, 任侃, 于雪莲, 吕芳, 汪鹏程 申请人:南京理工大学
【专利摘要】本发明提出一种基于头肩模型的人体识别方法。计算头肩模型的HOG特征并训练SVM分类器参与分类；采用混合高斯模型提取运动人体目标，结合边缘提取算法提取人体目标轮廓，进而根据人体比例关系获得人体头肩模型；对头肩模型HOG特征分类为非人体的目标，作进一步处理。本发明进一步减少了计算量，在提高人体识别率的同时降低了识别时间。
【专利说明】一种基于头肩模型的人体识别方法【技术领域】
[0001]本发明属于目标识别【技术领域】，具体涉及一种基于头肩模型的人体识别方法。
【背景技术】
[0002]HOG特征(方向梯度直方图描述子)是由法国国家计算机技术和控制研究所的研究员 Navneet Dalal 和 Bill Triggs 首次提出的(Chris Stauffer, W E L Grimson.Adaptive background mixture models for real-time tracking[C]\\Computer Visionand Pattern Recognition, Fort Collins, CO, Jun23_25,1999, 2:1063-6919.)。目前常用的人体识别方式是H0G+SVM模式，Dalal对INRIA和MIT等行人数据库的样本提取人体HOG特征并训练SVM(支持向量机)分类器，实现对静态图像的人体识别。M.Kachouane, S.Sahki在Dalal的基础上验证了在HOG提取过程中，细胞单元和块区域尺寸对人体识别效果的影响，(HOG Based fast Human Detection)并提出了 GAMMA校正,对遮挡在一起的人体有很好的识别效果(M.Kachouane, S.Sahki, M.Lakrouf, N.0uadah.HOG based fast humandetection [C] WMicroelectronics (ICM), Algiers, Algeria, Decl6_20, 2012.)。在静态图像的人体识别中，上述方法有较好的识别能力，但是，由于需要对整个图像依次按照搜索窗口进行计算，计算量很大，对于一幅图像，很大一部分是背景而人体所占的像素不多，计算这些背景像素的HOG特征消耗了很大的计算量，极大降低了人体识别的效率。
[0003]为了降低背景部分的计算，在行人检测中可以结合混合高斯等背景提取技术，将运动目标提取出来，单独处理运动目标图像。汪成亮等人采用混合高斯模型提取出人体区域，然后针对该区域的人体进行识别(汪成亮，周佳，黄晟.基于高斯混合模型与PCA-HOG的快速运动人体检测[J].计算机应用研究.2012，29(6):2156-1260.)，极大提高了识别速率，但是该方法仍然针对整个人体计算特征，计算量仍然较大。
【发明内容】
[0004]本发明提出一种基于头肩模型的人体识别方法，进一步减少了计算量，在提高人体识别率的同时降低了识别时间。
[0005]为了解决上述技术问题，本发明提出一种基于头肩模型的人体识别方法。本发明的发明思路是:人体运动是一个相对复杂的过程，其运动的复杂性主要体现在四肢的运动上，为了获得一个识别率高的SVM分类器，必然需要大量的多种运动形式的人体样本参与训练，导致进一步增加了运算量，且由于四肢的运动多样性，SVM的分类效果也有所局限，而人体头肩部分的运动相对简单，并且具有一定的稳定性，本发明用人体头肩模型来代替整个人体。本发明的技术方案是:
[0006]步骤一、使用人体头肩模型选择训练SVM分类器；
[0007]步骤二、获取取监控视频中运动目标图像I和运动目标的二值图1b ；
[0008]步骤三、提取头肩模型；
[0009]步骤四、对判断为非人体的目标图像重新进行分类。[0010]本发明与现有技术相比，其显著优点在于:(1)本发明计算头肩模型HOG特征的计算量要明显小于对整个人体的HOG特征的计算量，不仅减轻了内存负担，也提高了识别速率；(2)无论是行人还是骑自行车的人，头肩部分的运动除了角度上的差异，运动方式比较单一，增强了人体识别的可靠性和稳定性；(3)本发明大大降低了计算量，减少了内存开销，提高了算法的运行速度，同时，由于头肩模型稳定性很高，提高了识别正确率。
【专利附图】
【附图说明】
[0011]图1是本发明流程图。
[0012]图2是本发明实验步骤三中水平投影直方图曲线。
[0013]图3是本发明实验部分检测结果图。
【具体实施方式】
[0014]如图1所示，本发明一种基于头肩模型的人体识别方法，包括以下步骤:
[0015]步骤一、使用人体头肩模型选择训练SVM分类器，具体过程为:
[0016]针对行人数据库，例如INRIA，MIT等行人数据库，截取行人图像中的人体头肩模型后保存为正样本图片，并统一正样本图片大小为MXM;从背景图像中截取同样大小的图像并保存为负样本图片，并统一负样本图片大小为MXM ;计算保存后的正样本图片和负样本图片的HOG特征，然后用来训练SVM分类器。
[0017]所述HOG特征计算以及训练SVM分类器的方法，可以详见文献(Navneet Dalai,Bill Triggs.Histograms of oriented gradients for human detection[C]\\ComputerVision and Pattern Recognition, San Diego, CA, USA, June25_25, 2005,1:886-893.)
[0018]步骤二、获取取监控视频中运动目标图像I和运动目标的二值图1b，具体过程为:
[0019]采用混合高斯目标提取技术获取监控视频中的运动目标，获得运动目标图像I和运动目标的二值图1b，对运动目标的二值图1b进行腐蚀膨胀处理，然后提取运动目标的最外层轮廓，填充运动目标最外层轮廓获得一次运动目标二值图1b'。
[0020]所述混合高斯目标提取技术详见文献(Chris Stauffer, Grimson, ff.E.L.Adaptive background mixture models for real-time tracking[C]\\ComputerVision and Pattern Recognition, Fort Collins, CO:1999:1063-6919.)。
[0021]步骤三、提取头肩模型，具体过程为:
[0022]对运动目标图像I进行边缘检测，常用的边缘检测方法有Sobel算子边缘检测、Canny算子边缘检测等；调整边缘检测算子的阈值参数，获得清晰的运动目标轮廓；用步骤二中混合高斯模型获取的一次运动目标二值图1b'对运动目标轮廓进行修正，剔除超出运动目标二值图1b'以外的轮廓点，降低背景轮廓对运动目标轮廓的干扰，获得修正后的轮廓；对修正后的轮廓进行填充形成二次运动目标二值图像Ib";计算二次运动目标二值图像Ib"的水平投影直方图，水平投影直方图曲线中靠近起始点的第一个极小值点即头肩模型中头肩的连接部位，将起始点到第一个极小值点之间曲线的最大值作为人体头部宽度；根据人体正常比例关系，可以进一步确定人体头肩模型的高度；将头肩部分的高度范围内的直方图曲线的最大值作为头肩模型的宽度；按照头肩模型的高度和宽度，从运动目标图像I中提取出对应的头肩部分；计算每个头肩模型的HOG特征，并采用SVM分类器对HOG特征进行分类，判断相应的运动目标图像I是否属于人体。
[0023]步骤四、对判断为非人体的目标图像重新进行分类，具体过程为:
[0024]若运动目标图像I被分类为非人体，则对运动目标图像I进行二次分类。二次分类采用搜索窗口依次扫描运动目标图像I，计算搜索窗口内的HOG特征并分类。通过这种方式将发生遮挡等情况下的人体识别出来。
[0025]本发明方法的有益效果可以通过以下实验结果进一步说明:
[0026]步骤一、使用人体头肩模型选择训练SVM分类器。具体实验过程如下:
[0027]针对INRIA行人数据库，截取行人的头肩部分作为正样本，统一正负样本的大小为64X 64，按照Dalal提供的最佳HOG提取方案，设定细胞大小为8 X 8，9个直方图通道，块大小为16 X 16，每个样本获得一个1764维的HOG描述子，采用2000组正样本和2000组负样本训练SVM分类器。
[0028]步骤二、获取取监控视频中运动目标图像I和运动目标的二值图1b。具体实验过程如下:
[0029]针对分辨率为660X492、共有703帧的视频，从混合高斯模型检测到的前景图中获取运动目标的二值图1b，同时根据运动目标的二值图1b在图像中的位置，在原图中确定运动目标图像I。对运动目标的二值图1b进行腐蚀膨胀处理，然后提取运动目标的最外层轮廓，填充运动目标的最外层轮廓得到一次运动目标二值图1b'。
[0030]步骤三、提取头肩模型Ib。具体实验过程如下:
[0031]首先对采用Sobel算子检测运动目标图像I的轮廓，设定边缘检测算子阈值为
0.01。对运动目标图像I的轮廓中的每一个点分别与运动目标二值图1b'中相应的点进行比较，若轮廓中的点同时是运动目标二值图1b'中的目标点，则认为该点不属于背景轮廓，需要将此点保留。对修正后的目标轮廓进行填充，形成二次运动目标二值图像Ib"。
[0032]计算二次运动目标二值图像Ib"的水平投影直方图，如图2所示，直方图曲线的第一个极小值点B即头肩连接部位，以该点为下边界、曲线起始A点到下边界B之间曲线的最大值作为人体头部宽度HW。根据人体正常比例关系确定人体头肩模型的高度
UW
-0-72)。直方图曲线在头肩模型高度范围内的最大值即头肩模型的宽度。按照
头肩模型的高度和宽度，从运动目标图像I中提取出对应的头肩部分。将头肩部分的尺寸统一为64X64，计算头肩模型的HOG特征，并采用SVM分类器进行分类，判断相应的运动目标图像I是否为人体。
[0033]步骤四、对判断为非人体的目标图像重新进行分类。具体实验过程如下:
[0034]对步骤三分类为非人体的目标，进行二次分类。采用大小64X64搜索窗口依次扫描运动目标图像I，计算搜索窗口内的HOG特征并分类。通过这种方式将发生遮挡等情况下的人体识别出来。
[0035]图3是本实验部分人体检测效果图，I框代表检测为人体，2框代表检测为非人体。
[0036]针对同一组视频本实验还采用【背景技术】中的传统Dalal方法进行实验，并将本发明方法与Dalal方法在识别率和识别速率上进行了详细比较，如表一所示。从表一可以看出，就识别率，本发明由于选取了稳定的头肩模型作为识别目标，避免了肢体等复杂运动的干扰，识别率有所提高；就识别速率(处理时间)，由于本方法结合了混合高斯目标提取，避免了传统Dalal方法在背景区域上重复计算，同时，头肩模型的搜索窗口与人体的搜索窗口相比，尺寸可以很小，减少了计算量，每帧的平均处理速度很大程度的提高。
[0037]表一本发明方法与Dalal方法的人体识别性能比较
【权利要求】
1.一种基于头肩模型的人体识别方法，其特征在于，包括以下步骤: 步骤一、使用人体头肩模型选择训练SVM分类器； 步骤二、获取取监控视频中运动目标图像I和运动目标的二值图1b ； 步骤三、提取头肩模型； 步骤四、对判断为非人体的目标图像重新进行分类。
2.如权利要求1所述的基于头肩模型的人体识别方法，其特征在于，步骤一的具体过程为:针对行人数据库，截取行人图像中的人体头肩模型后保存为正样本图片，从背景图像中截取同样大小的图像并保存为负样本图片，将正样本图片和负样本图片统一大小为MXM,计算正样本图片和负样本图片的HOG特征，然后用HOG特征训练SVM分类器。
3.如权利要求1所述的基于头肩模型的人体识别方法，其特征在于，步骤二的具体过程为:采用混合高斯目标提取技术获取监控视频中的运动目标，获得运动目标图像I和运动目标的二值图1b，对运动目标的二值图1b进行腐蚀膨胀处理，然后提取运动目标的最外层轮廓，填充运动目标最外层轮廓获得一次运动目标二值图1b'。
4.如权利要求1所述的基于头肩模型的人体识别方法，其特征在于，步骤三的具体过程为:对运动目标图像I进行边缘检测，获得清晰的运动目标轮廓；用步骤二获得的一次运动目标二值图1b'对运动目标轮廓进行修正，剔除超出运动目标二值图1b'以外的轮廓点，获得修正后的轮廓；对修正后的轮廓进行填充形成二次运动目标二值图像Ib";计算二次运动目标二值图像Ib"的水平投影直方图，将起始点到第一个极小值点之间曲线的最大值作为人体头部宽度；根据人体正常比例关系确定人体头肩模型的高度；将头肩部分的高度范围内的直方图曲线的最大值作为头肩模型的宽度；按照头肩模型的高度和宽度，从运动目标图像I中提取出对应的头肩部分；计算每个头肩模型的HOG特征，并采用SVM分类器对HOG特征进行分类，判断相应的运动目标图像I是否属于人体。
5.如权利要求1所述的基于头肩模型的人体识别方法，其特征在于，步骤四的具体过程为:若运动目标图像I被分类为非人体，则采用搜索窗口依次扫描运动目标图像I，计算搜索窗口内的HOG特征并分类。
【文档编号】G06K9/00GK103955673SQ201410178810
【公开日】2014年7月30日 申请日期:2014年4月30日 优先权日:2014年4月30日
【发明者】顾国华, 龚文彪, 任建乐, 刘琳, 钱惟贤, 路东明, 任侃, 于雪莲, 吕芳, 汪鹏程 申请人:南京理工大学
最新回复(0)