CN105740862A - 一种基于宏特征点描述的行人轮廓检测方法 - Google Patents

Abstract

本发明提供了一种基于宏特征点描述的行人轮廓检测方法，包括：S1、获取监控区域的视频流图像作为输入图像；S2、通过Sobel算子对输入图像进行边缘检测，得到边缘图像；S3、根据输入图像，通过背景差分法处理得到差分图像，并对差分图像进行二值化处理，以得到运动目标区域；S4、结合边缘图像和运动目标区域，进行与运算，并提取出公共部分，以得到运动目标轮廓；S5、对运动目标轮廓进行宏形状特征点集进行提取操作；S6、将步骤S5中的宏形状特征点集内的所有宏特征点按照坐标位置关系依次连接，以形成行人轮廓。在本发明中，通过运动目标轮廓进行宏形状特征点集的提取，降低了对行人轮廓检测过程中的计算资源的消耗，提高了行人轮廓检测的效率。

Description

一种基于宏特征点描述的行人轮廓检测方法

技术领域

本发明属于视频图像处理及识别技术领域，特别涉及一种基于宏特征点描述的行人轮廓检测方法。

背景技术

在商场、购物中心、机场、车站等公共场所的管理和决策中，人流量是不可缺少的数据。通过对人流量，即进出人数的统计，可以实时有效的监控、组织公共场所的运营工作，为人们提供更安全的环境和更优质的服务。以商场为例，人流量是非常基础和重要的指标，和商场的销售量密切相关，如果知道比较准确和真实的人流量，可以为销售、服务和物流提供可靠的参考信息。

然而，对于行人检测技术而言，行人轮廓的检测是非常重要的一个环节。现有技术中的行人轮廓检测主要是通过单目视觉的方法，利用行人的人体边缘、纹理特征建立模板并综合运用神经网络、支持向量机、级联检测器等机器学习方法。但是，现有技术中对行人轮廓进行检测的过程中的运算过程比较复杂，对计算机的计算资源的消耗比较大，从而造成对行人进行检测时造成迟滞现象。因此，有必要对现有技术中的行人轮廓的检测方法予以改进，以解决上述技术缺陷。

发明内容

本发明的目的在于提供一种基于宏特征点描述的行人轮廓检测方法，用以降低对行人轮廓提取过程中的计算资源的消耗，提高行人轮廓检测的效率。

为实现上述发明目的，本发明提供了一种基于宏特征点描述的行人轮廓检测方法，该方法包括以下步骤：

S1、获取监控区域的视频流图像作为输入图像；

S2、通过Sobel算子对输入图像进行边缘检测，得到边缘图像；

S3、根据输入图像，通过背景差分法处理得到差分图像，并对差分图像进行二值化处理，以得到运动目标区域；

S4、结合边缘图像和运动目标区域，进行与运算，并提取出公共部分，以得到运动目标轮廓；

S5、对运动目标轮廓进行宏形状特征点集进行提取操作；

S6、将步骤S5中的宏形状特征点集内的所有宏特征点按照坐标位置关系依次连接，以形成行人轮廓。

作为本发明的进一步改进，所述步骤S1具体为：通过摄像机获取监控区域的视频流图像作为输入图像，所述监控区域位于摄像机的正下方。

作为本发明的进一步改进，所述步骤S2具体为：运用3×3的Sobel算子对所述步骤S1所获取的输入图像进行边缘检测，得到边缘图像。

作为本发明的进一步改进，所述步骤S3中的背景差分法处理具体为：

根据步骤S1获取的输入图像，提取出第一帧无运动物体的场景图像作为背景图像，然后利用当前帧图像与背景图像作背景差分运算以得到差分图像，所述背景差分运算的计算公式为：D_k(x，y)＝F_k(x，y)-B(x，y)；

其中，B(x，y)为背景图像中像素点的灰度值，F_k(x，y)为当前帧图像中像素点的灰度值，D_k(x，y)为二者的差分图像。

作为本发明的进一步改进，所述步骤S5中“宏形状特征点集”具体为：运动目标轮廓上局部范围内最大曲率变化的非噪声像素点集。

作为本发明的进一步改进，所述步骤S5具体包括以下步骤：

S51、提取运动目标轮廓的微形状；

S52、根据所述微形状提取运动目标轮廓的宏形状及宏形状基元；

S53、提取运动目标轮廓的宏形状特征点集。

与现有技术相比，本发明的有益效果是：通过运动目标轮廓进行宏形状特征点集的提取，降低了对行人轮廓检测过程中的计算资源的消耗，提高了行人轮廓检测的效率。

附图说明

图1为本发明一种基于宏特征点描述的行人轮廓检测方法的流程示意图；

图2为图1所示的获取监控区域的视频流图像的工作原理示意图；

图3a为Sobel算子计算x方向的梯度值的示意图；

图3b为Sobel算子计算y方向的梯度值的示意图；

图4为本发明所示的输入图像作卷积和运算的示意图；

图5为本发明所示的多目标宏形状特征点集提取的示意图；

图6为执行步骤S5所获取的运动目标轮廓的宏形状特征点的示意图；

图7为执行步骤S6所获取的行人轮廓的示意图。

具体实施方式

下面结合附图所示的各实施方式对本发明进行详细说明，但应当说明的是，这些实施方式并非对本发明的限制，本领域普通技术人员根据这些实施方式所作的功能、方法、或者结构上的等效变换或替代，均属于本发明的保护范围之内。

参图1所示，图1为本发明一种基于宏特征点描述的行人轮廓检测方法的流程示意图。

在本实施方式中，该基于宏特征点描述的行人轮廓检测方法包括以下步骤：

S1、获取监控区域的视频流图像作为输入图像。

参图2所示，本发明一种基于宏特征点描述的行人轮廓检测方法是基于摄像机垂直拍摄并适用于室外情况和室内情况。在本实施方式中，该步骤S1具体为：通过摄像机10获取监控区域30的视频流图像作为输入图像，所述监控区域30位于摄像机10的正下方。

具体的，摄像机10设置在出入口20附近的正上方，行人可沿着箭头201的方向上在出入口20中来回走动。摄像机10所获取的监控区域30可完全覆盖出入口20的全部区域。

在本实施方式中，该监控区域30为矩形，当然也可以为正方形或圆形或者其他形状。摄像机10位于监控区域30的中心点301的正上方，由此我们可以推导出，该监控区域30位于摄像机10的正下方。

S2、通过Sobel算子对输入图像进行边缘检测，得到边缘图像。

边缘是指图像局部亮度变化最显著的部分，主要存在于目标与目标、目标与背景、区域与区域之间，边缘检测是检测图像局部显著变化的最基本运算，图像灰度值的显著变化可用梯度的离散逼近函数来检测。

结合图3a、图3b与图4所示，对一帧256级灰度的输入图像在某个像素点的灰度值设为f(x，y)，对于该像素点的梯度值计算公式如公式(1)所示：

$M(x,y)=\sqrt{S_x^2+S_y^2}---\left(1\right);$

其中，M(x，y)为该像素点(x，y)处所求的梯度值，S_x、S_y为利用sobel算子分别计算在x、y方向上的梯度值。其中图3a为Sobel算子计算该像素点(x，y)沿x方向的梯度值的示意图；图3b为Sobel算子计算该像素点(x，y)沿y方向的梯度值的示意图。

S_x、S_y分别表示sobel算子与如图4所示的图像邻域的灰度级做卷积运算，图4中的Z_i(i＝1，2，....，9)表示该像素点(x，y)八邻域周围的像素点的灰度值，S_x及S_y用公式计算如公式(2)与公式(3)所示：

$S_x=\left[\begin{array}{ccc}1& 2& 1\\ 0& 0& 0\\ -1& -2& -1\end{array}\right]*\left[\begin{array}{ccc}{Z}_1& Z_2& Z_3\\ Z_4& (x,y)& Z_6\\ Z_7& Z_8& Z_9\end{array}\right]---\left(2\right)$

$S_y=\left[\begin{array}{ccc}1& 0& -1\\ 2& 0& -2\\ 1& 0& -1\end{array}\right]*\left[\begin{array}{ccc}{Z}_1& Z_2& Z_3\\ Z_4& (x,y)& Z_6\\ Z_7& Z_8& Z_9\end{array}\right]---\left(3\right)$

图像在像素点(x，y)处对x、y方向上的梯度值分别为如公式(4)与公式(5)所示：

S_x＝(Z₁+2Z₂+Z₃)-(Z₇+2Z₈+Z₉)(4)

S_y＝(Z₁+2Z₄+Z₇)-(Z₃+2Z₆+Z₉)(5)

Sobel算子是图像处理中的算子之一，主要用作边缘检测。在技术上，它是一离散性差分算子，用来运算图像亮度函数的梯度近似值。该算子包含两组3×3的矩阵，分别为用于求像素点在x、y方向上的梯度值，将之与如图4所示的输入图像中的每个像素点的邻域灰度级作卷积和运算，然后选取合适的阀值K以提取边缘图像。

具体的，该卷积和运算的计算公式如公式(6)所示，

$f(x,y)=\left\{\begin{array}{c}0,M(x,y)<K\\ 1,M(x,y)\&GreaterEqual;K\end{array}\right.---\left(6\right);$

其中，阈值K为200。

当f(x，y)为1时，该点即为输入图像的边缘点。

S3、根据输入图像，通过背景差分法处理得到差分图像，并对差分图像进行二值化处理，以得到运动目标区域。

在本实施方式中，该背景差分法处理具体为：提取出第一帧无运动物体的场景图像作为背景图像，然后利用当前帧图像与背景图像作差分运算以得到差分图像，然后利用当前帧图像与背景图像做背景差分运算，以得到差分图像。该背景差分运算的计算公式为如公式(7)所示：

D_k(x，y)＝F_k(x，y)-B(x，y)(7)

其中，B(x，y)为背景图像中像素点的灰度值、F_k(x，y)为当前帧图像中像素点的灰度值、D_k(x，y)为二者的差分图像。

然后对差分图像进行二值化处理，该二值化处理的运算公式如公式(8)所示：

$R_k(x,y)=\left\{\begin{array}{c}0,D_k(x,y)<M\\ 1,D_k(x,y)\&GreaterEqual;M\end{array}\right.---\left(8\right);$

其中，D_k(x，y)为二者的差分图像，R_k(x，y)为差分法处理后所得到的二值图像，M为分割阀值，该M为40。

当R_k(x，y)为0时，该点为背景点；当R_k(x，y)为1时，该点为前景点即运动物体。

S4、结合边缘图像和运动目标区域，进行与运算，并提取出公共部分，以得到运动目标轮廓。

与运算是一种逻辑乘法运算规则，它表示只当参与运算的逻辑变量都同时取值为1时，其逻辑乘积才等于1。

在本实施方式中，步骤S2获得的图像边缘，包括：背景边缘和运动物体的边缘。步骤S3获得的运动目标区域，只包括：运动目标区域，而无背景图像。将边缘图像与运动目标区域进行与运算，可提取出两幅图像中的公共部分，以得到运动目标轮廓。

S5、对运动目标轮廓进行宏形状特征点集进行提取操作。

运动目标轮廓的宏形状特征点集提取技术模仿人的视觉功能，检测运动目标轮廓上局部范围内最大曲率变化的非噪声像素点集，可采用运动目标轮廓上的宏形状特征点集作为运动目标轮廓的描述特征。

参图5所示，步骤S5中的宏形状特征点集的提取过程如下：

首先，执行步骤S51、提取运动目标轮廓的微形状。

运动目标轮廓的微形状是由运动目标轮廓所有细微环节信息所组成，对于运动目标轮廓微形状提取公式如公式(9)所示：

$C_r=O_C\left(R_r\right)=L_1\&infin;L_2\&infin;\&CenterDot;\&CenterDot;\&CenterDot;\&infin;L_{M_r}---\left(9\right);$

其中，O_C(·)为微形状提取算子，R_r为运动目标轮廓，∞是线段链接符号，表示不同线段的首位相连。M_r为目标微形状基元总数，L_n为微形状基元(n＝1，2，3，…，M_r)，这里为L_n的始点，为L_n的终点。L_n为C_r上最大的连续同方向边界像素点集。为边界C_r全体点集。定义这两个基元夹角为如公式(10)所示：

$\stackrel{\&OverBar;}{{\mathrm{\&theta;}}_{L_i,L_{i+m}}}\stackrel{\mathrm{\&Delta;}}{=}\mathrm{Ar}\cos \left[\frac{\stackrel{\&OverBar;}{d\left(L_i\right)}\&CenterDot;\stackrel{\&OverBar;}{d\left(L_{i+m}\right)}}{{\left|\right|\stackrel{\&OverBar;}{d\left(L_i\right)}\left|\right|}_2*{\left|\right|d\left(L_{i+m}\right)\left|\right|}_2}\right]---\left(10\right);$

其中，公式(10)中·为矢量内积运算符号。

然后，执行步骤S52、根据所述微形状提取运动目标轮廓的宏形状及宏形状基元。

运动目标轮廓的宏形状表示从宏观上观察到的目标外观形状，其可通过步骤S51所得到的微形状所提取，其提取过程为如公示(11)所示：

$M{C}_r=O_M\left(C_r\right)={\mathrm{ML}}_1\&infin;M{L}_2\&infin;\&CenterDot;\&CenterDot;\&CenterDot;\&infin;{\mathrm{ML}}_{H_r}---\left(11\right);$

其中，O_M(·)是宏形状提取算子，ML_n成为宏形状基元(n＝1，2，…，H_r)，H_r为目标宏形状基元数。

最后，执行步骤S53、提取运动目标轮廓的宏形状特征点集。

运动目标轮廓的宏形状特征点集TD_r是位于运动目标轮廓上，由能够刻画目标宏形状的系列关键点集构成，通过一定的检测算法检测目标宏形状得到，公式表示为如公式(12)所示：

TD_r＝O_D(MC_r)＝{DP_n|n＝1，2，…，D_r}(12)；

其中，O_D(·)是宏形状特征点集提取算子，称DP_n为宏特征点(n＝1，2，…，D_r)，D_r为宏特征点总数。这样，第k帧场景图像中R个运动目标轮廓的宏形状特征点集可表示为一个R×D_r维特征矩阵Matrix_F，其可通过如公示(13)所示：

Matrix_F＝[TD₁TD₂…TD_R]^T＝O(f(k，x，y))(13)；

其中，T代表转置符号，O(·)为多目标宏特征检测算子，f(k，x，y)为第k帧图像在坐标(x，y)处的像素值。

最后执行S6、将步骤S5中的宏形状特征点集内的所有宏特征点按照坐标位置关系依次连接，以形成行人轮廓。

参图6与图7所示，在本实施方式中，该步骤S6具体为：将得到的宏形状特征点集内的所有宏特征点按照坐标位置关系依次连接起来生成一个凸的封闭的图像轮廓，将该凸的封闭的图像轮廓作为检测到的行人轮廓。

上文所列出的一系列的详细说明仅仅是针对本发明的可行性实施方式的具体说明，它们并非用以限制本发明的保护范围，凡未脱离本发明技艺精神所作的等效实施方式或变更均应包含在本发明的保护范围之内。

对于本领域技术人员而言，显然本发明不限于上述示范性实施例的细节，而且在不背离本发明的精神或基本特征的情况下，能够以其他的具体形式实现本发明。因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本发明的范围由所附权利要求而不是上述说明限定，因此旨在将落在权利要求的等同要件的含义和范围内的所有变化囊括在本发明内。

Claims (6)

1.一种基于宏特征点描述的行人轮廓检测方法，其特征在于，该方法包括以下步骤：

S1、获取监控区域的视频流图像作为输入图像；

S2、通过Sobel算子对输入图像进行边缘检测，得到边缘图像；

S3、根据输入图像，通过背景差分法处理得到差分图像，并对差分图像进行二值化处理，以得到运动目标区域；

S4、结合边缘图像和运动目标区域，进行与运算，并提取出公共部分，以得到运动目标轮廓；

S5、对运动目标轮廓进行宏形状特征点集进行提取操作；

S6、将步骤S5中的宏形状特征点集内的所有宏特征点按照坐标位置关系依次连接，以形成行人轮廓。

2.根据权利要求1所述的行人轮廓检测方法，其特征在于，所述步骤S1具体为：通过摄像机获取监控区域的视频流图像作为输入图像，所述监控区域位于摄像机的正下方。

3.根据权利要求1所述的行人轮廓检测方法，其特征在于，所述步骤S2具体为：运用3×3的Sobel算子对所述步骤S1所获取的输入图像进行边缘检测，得到边缘图像。

4.根据权利要求1所述的行人轮廓检测方法，其特征在于，所述步骤S3中的背景差分法处理具体为：

根据步骤S1获取的输入图像，提取出第一帧无运动物体的场景图像作为背景图像，然后利用当前帧图像与背景图像作背景差分运算以得到差分图像，所述背景差分运算的计算公式为：D_k(x，y)＝F_k(x，y)-B(x，y)；

其中，B(x，y)为背景图像中像素点的灰度值，F_k(x，y)为当前帧图像中像素点的灰度值，D_k(x，y)为二者的差分图像。

5.根据权利要求1所述的行人轮廓检测方法，其特征在于，所述步骤S5中“宏形状特征点集”具体为：运动目标轮廓上局部范围内最大曲率变化的非噪声像素点集。

6.根据权利要求1所示的行人轮廓检测方法，其特征在于，所述步骤S5具体包括以下步骤：

S51、提取运动目标轮廓的微形状；

S52、根据所述微形状提取运动目标轮廓的宏形状及宏形状基元；

S53、提取运动目标轮廓的宏形状特征点集。