[发明专利]一种基于头肩模型的人体识别方法

说明书

技术领域

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

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 Vision and Pattern Recognition，Fort Collins，CO，Jun23-25，1999，2：1063-6919.)。目前常用的人体识别方式是HOG+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.Ouadah.HOG based fast human detection[C]//Microelectronics(ICM),Algiers,Algeria,Dec16-20,2012.)。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。

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

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。

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：

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Ib；

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。

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。

附图说明

图1是本发明流程图。

图2是本发明实验步骤三中水平投影直方图曲线。

图3是本发明实验部分检测结果图。

具体实施方式

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：

步骤一、使用人体头肩模型选择训练SVM分类器，具体过程为：

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M×M；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M×M；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。