[发明专利]一种基于图像处理的行人姿态检测方法

说明书

技术领域

本发明属于视频监控行人检测领域，特别是基于图像处理的行人姿态检测领域。

背景技术

随着智能视频监控技术的发展，行人检测方面的研究成果也越来越多，其应用也越来越广泛。目前的行人检测大多基于统计学习、目标特征检测和图像模板匹配算法实现的，算法的基本原则是：有效性，稳定性以及实时性。

专利201210065810.6公开了一种《基于主梯度方向特征的目标检测及姿态估计方法》，该方法步骤包括模板训练和目标检测两个阶段。在模板训练阶段：首先拍摄被检测物体不同角度的V张图片，对拍摄到的一张图片以一定的步长旋转360度得到若干张模板图片，计算模板图片主梯度方向描述，通过主梯度方向描述对模板进行聚类处理，建立最强梯度模板集合；目标检测阶段：通过计算测试图片的主梯度方向描述，与建立的最强梯度模板集合进行匹配，选取匹配分数最大的模板即为对于测试图片的最优模板。该专利在建库阶段人工选取目标姿态及角度具有较大主观性，导致建库信息与实际情况不符，误差较大；该专利通过主梯度方向描述目标特征，该方法计算量大，特征描述不准确，匹配难度大；当目标尺寸较小时，该专利无对应的处理方法，无法完成匹配。

发明内容

本发明的目的是针对背景技术的不足改进设计一种基于图像处理的行人姿态检测方法，从而达到在各种复杂检测环境、目标纹理模糊、目标尺度较小的情况下具有较好的鲁棒性和准确率，并快速检测出行人姿态的目的。

本发明的技术方案是：首先建立行人姿态模板库：用摄像机拍摄行人视频，再对拍摄到的视频进行去噪处理，通过计算去噪视频的帧间和帧内差值提取出行人样本轮廓，再对该样本轮廓进行聚类处理得到各种行人姿态，组成行人姿态模板库；其次提取行人实际轮廓：用摄像机拍摄行人视频，采用上述同样方法提取行人实际轮廓；最后将提取的行人实际轮廓与行人姿态模板库进行匹配，找出与之最匹配的姿态，即为拍摄行人的姿态，由此达到发明目的。因而本发明方法包括：

步骤一：建立行人姿态模板库，

步骤A1：采用单目摄像机拍摄背景固定的行人视频；

步骤A2：将视频的每一帧进行高斯平滑，再计算其帧间和帧内差值；

步骤A3：根据帧间和帧内差值，计算出样本轮廓矩阵：

其中：F(x,y)为样本轮廓矩阵，Finter是帧间差值，Fintra是帧内差值T_Inter和T_Intra为两个预先设定的阈值；

步骤A4：使用K-MEANS聚类算法对样本轮廓矩阵进行分类，得到各中心轮廓矩阵；

步骤A5：将各中心轮廓矩阵分为若干水平条状区域，计算各区域中行人轮廓与该区域水平中线的夹角，组成角度特征向量，连同中心轮廓矩阵一起导入匹配模板并定义其姿态，由此组成行人姿态模板库；

步骤二：提取行人实际轮廓，

步骤B1：采用单目摄像机拍摄背景固定的行人视频，并对视频的每一帧进行高斯平滑，再计算其帧间和帧内差值；

步骤B2：通过帧间和帧内差值计算出行人实际轮廓矩阵，根据像素统计轮廓大小，当像素点数值小于设定最小阈值时进入步骤B3，否则保存该行人实际轮廓矩阵；

步骤B3：采用标准的双线性插值法向上取样，生成新轮廓矩阵，返回步骤B2；

步骤三：模板匹配

步骤C1：将行人实际轮廓矩阵分为若干水平条状区域，计算各区域中行人轮廓与该区域水平中线的夹角，组成角度特征向量；

步骤C2：计算行人实际轮廓矩阵与模板库中各中心轮廓矩阵的欧几里得距离，通过比较选出最小的距离所对应的中心轮廓矩阵；

步骤C3：输出该中心轮廓矩阵对应的姿态定义。

其中步骤A2包括如下步骤：

A21：对各帧进行高斯平滑；

A22：根据公式计算帧间差值：

F_Intra(x,y,σ)=((L_t(x-1),y,σ)-L_t(x,y,σ))²+(L_t(x,y,σ)-L_t(x,y-1,σ))²)^1/2，

L_t(x,y,σ)=G(x,y,σ)*I_t(x,y)。

其中I_t(x,y)为像素(x,y)的亮度，G(x,y,σ)为高斯函数，σ为平滑因子，L_t为平滑过程的中间变量；