專利名稱：基于深度圖像進行人體檢測的方法
技術(shù)領(lǐng)域：
本發(fā)明涉及到圖像處理領(lǐng)域，特別涉及到一種基于深度圖像進行人體檢測的方法。
背景技術(shù)：
目前對圖像進行人體檢測的算法都是在普通圖像(二維數(shù)據(jù))上進行，圖像中的 每個像素點的值表示的是物體的亮度，如白色衣服的亮度比黃色皮膚的亮度要高。因此普 通圖像的像素值只與物體表面顏色、反射的光線強度或發(fā)射的光線強度有關(guān)，與物體到相 機的距離無直接關(guān)系，因此而造成的缺陷是難以克服光照變化和復(fù)雜背景干擾，普通圖像 中因光照引起的人的陰影、圖像背景上的復(fù)雜紋理(如墻上畫的人體形狀)，都會對人體檢 測造成干擾，將一些非人體區(qū)域誤識別為人體，誤檢測率高。

發(fā)明內(nèi)容
本發(fā)明的主要目的是提出一種基于深度圖像進行人體檢測的方法，利用深度圖像 的像素提取圖像特征，以實現(xiàn)人體檢測，降低了誤檢測率。本發(fā)明提出的一種基于深度圖像進行人體檢測的方法，包括根據(jù)所采集的深度圖像的像素提取圖像特征；將所述圖像特征輸入預(yù)設(shè)的分類模型，以得出所述深度圖像是否包含人體。優(yōu)選地，所述根據(jù)所采集的深度圖像的像素提取圖像特征包括對所述深度圖像的像素進行深度差運算或局部二值運算。優(yōu)選地，所述對深度圖像的像素進行深度差運算包括根據(jù)下列程式計算各像素的深度差Gx (x, y) = D(x+l,y)-D(x-l,y),Gy(x,y) = D (x，y+1)-D (x，y_l)，所述(x，y)為 (x，y)位置的X方向深度差，Gy(x，y)為(x，y)位置的Y方向深度差，D(x，y)為(x，y)位 置的深度值；統(tǒng)計所有像素的深度差，形成圖像特征。優(yōu)選地，所述統(tǒng)計所有像素的深度差包括以預(yù)設(shè)的角度值為單位，累加各單位的深度差；組合所有單位的深度差。優(yōu)選地，在執(zhí)行所述根據(jù)所采集的深度圖像的像素提取圖像特征之前，還包括在所述深度圖像中選擇一或多個區(qū)域；或檢測所述深度圖像中變化的區(qū)域，在該 變化的區(qū)域中選擇一或多個區(qū)域。優(yōu)選地，所述將圖像特征輸入預(yù)設(shè)的分類模型包括當(dāng)選擇的區(qū)域為多個時，分別將各區(qū)域的圖像特征輸入預(yù)設(shè)的分類模型，以得出 各區(qū)域中是否包含人體。優(yōu)選地，在執(zhí)行分別將各區(qū)域的圖像特征輸入預(yù)設(shè)的分類模型之后，還包括
保存包含人體的區(qū)域的位置和大?。缓喜⑺邪梭w的區(qū)域的位置和大小，得到所述人體的信息，所述信息包括人 體的位置、大小和/或數(shù)量。優(yōu)選地，在執(zhí)行所述根據(jù)所采集的深度圖像的像素提取圖像特征之前，還包括采集深度圖像，該深度圖像包括人體區(qū)域和非人體區(qū)域；根據(jù)所述人體區(qū)域和非人體區(qū)域的像素提取圖像特征；根據(jù)提取的圖像特征進行訓(xùn)練并建模，獲得所述分類模型。優(yōu)選地，所述圖像特征包括圖像紋理特征。優(yōu)選地，所述分類模型為支持向量機模型。本發(fā)明提出的一種基于深度圖像進行人體檢測的方法，在深度圖像(三維數(shù)據(jù)) 上進行人體檢測，基于深度圖像的像素建立模型，由于深度圖像的像素值只與距離有關(guān)，與 物體表面的亮度和顏色無關(guān)，因此本發(fā)明可以去除光照變化和復(fù)雜背景的干擾，使人體檢 測準(zhǔn)確率高，誤檢測率低。


圖1為本發(fā)明一種基于深度圖像進行人體檢測的方法一實施例的流程示意圖；圖2為本發(fā)明一種基于深度圖像進行人體檢測的方法一實施例中計算深度差的 流程示意圖；圖3為本發(fā)明一種基于深度圖像進行人體檢測的方法一實施例的深度差的示意 圖；圖4為本發(fā)明一種基于深度圖像進行人體檢測的方法一實施例的深度差直方圖；圖5為本發(fā)明一種基于深度圖像進行人體檢測的方法一實施例中統(tǒng)計深度圖像 所有像素的深度差的流程示意圖；圖6為本發(fā)明一種基于深度圖像進行人體檢測的方法又一實施例的流程示意圖；圖7為本發(fā)明一種基于深度圖像進行人體檢測的方法另一實施例的流程示意圖；圖8為本發(fā)明一種基于深度圖像進行人體檢測的方法再一實施例的流程示意圖。本發(fā)明目的的實現(xiàn)、功能特點及優(yōu)點將結(jié)合實施例，參照附圖做進一步說明。
具體實施例方式應(yīng)當(dāng)理解，此處所描述的具體實施例僅僅用以解釋本發(fā)明，并不用于限定本發(fā)明。參照圖1，提出本發(fā)明一種基于深度圖像進行人體檢測的方法一實施例，包括步驟S101，根據(jù)所采集的深度圖像的像素提取圖像特征；利用深度相機或激光測距掃描儀等設(shè)備采集深度圖像。用深度相機或激光測距 掃描儀進行拍攝，可記錄下環(huán)境的三維數(shù)據(jù)，也即深度信息，深度信息以深度圖像(三維數(shù) 據(jù))的方式存儲。深度圖像中每個像素點的值表示物體到相機的距離，像素值越大，表示物 體離相機越遠(yuǎn)，深度圖像的像素值只與物體到相機的距離有關(guān)，與物體表面的亮度和顏色 無關(guān)。根據(jù)采集到的深度圖像的像素提取圖像特征，提取的圖像特征通常為圖像紋理特征， 可以表現(xiàn)為深度差直方圖或局部二值方圖，該深度差直方圖或局部二值方圖表示為一個向 量(數(shù)組)。
步驟S102，將圖像特征輸入預(yù)設(shè)的分類模型，以得出深度圖像是否包含人體。將提取的圖像特征輸入預(yù)設(shè)的分類模型，分類模型可以是支持向量機模型，也可 以是AdaBoost模型等，以判斷深度圖像中是否包括人體。所述人體可以是整體或局部如 頭、肩、人體上半身等。分類模型為預(yù)先設(shè)置，通常是預(yù)設(shè)采集一個同時包含人體和環(huán)境的 深度圖像，對該深度圖像提取圖像特征進行訓(xùn)練并建模獲得。本發(fā)明提出的一種基于深度圖像進行人體檢測的方法，在深度圖像(三維數(shù)據(jù)) 上進行人體檢測，基于深度圖像的像素建立模型，由于深度圖像的像素值只與距離有關(guān)，與 物體表面的亮度和顏色無關(guān)，因此本發(fā)明可以去除光照變化和復(fù)雜背景的干擾，使人體檢 測準(zhǔn)確率高，誤檢測率低。本發(fā)明能夠自動判斷周圍環(huán)境中是否有人存在，具有更高的智能 性，可以應(yīng)用于汽車、機器人或監(jiān)控系統(tǒng)等多個領(lǐng)域，提高系統(tǒng)的智能性。在本發(fā)明一種基于深度圖像進行人體檢測的方法一實施例中，步驟SlOl可包括對深度圖像的像素進行深度差運算或局部二值運算。提取深度圖像的圖像特征有多種方式，較佳方式是根據(jù)深度圖像的像素進行深度 差運算，也可采用局部二值運算，局部二值運算是按照一定的規(guī)則將整幅深度圖像劃分為N 個窗口，對這N個窗口中的每一個窗口再按照一個統(tǒng)一的閾值T將該窗口內(nèi)的像素劃分為 兩部分，進行二值化處理。除深度差運算和局部二值運算以外的其它可利用深度圖像的像 素提取圖像特征的方式也適用于本發(fā)明。本實施例中，采用深度差運算或局部二值運算提取深度圖像的圖像特征，較好的 實現(xiàn)了圖像特征的提取。參照圖2，在本發(fā)明一種基于深度圖像進行人體檢測的方法一實施例中，對深度圖 像的像素進行深度差運算可包括步驟S1011，根據(jù)下列程式計算各像素的深度差Gx (x, y) = D (x+1, y)-D (χ-l, y), Gy (χ, y) = D (χ，y+1)-D (χ，y_l)，所述(χ，y)為 (x，y)位置的X方向深度差，Gy(x，y)為(x，y)位置的Y方向深度差，D(x，y)為(x，y)位 置的深度值；將深度圖像分割成M*N個區(qū)域；M和N為大于或等于1的自然數(shù)。對每一區(qū)域里 的所有像素進行深度差計算。深度差有兩個方向，X方向(橫向)和Y方向(縱向)的深 度差，分別為Gx (x, y) = D (χ+1，y) -D (χ-1，y)Gy (x，y) = D (χ, y+1) -D (χ, y-1)其中，(ix(X，y)為(x，y)位置的X方向深度差，Gy (x，y)為(x，y)位置的Y方向深 度差，D(x, y)為(X，y)位置的深度值，計算得出的深度差可以用如圖3所示帶有方向和大 小的向量表示，可用如圖4所示的深度差直方圖直觀表示。步驟S1012，統(tǒng)計所有像素的深度差，形成圖像特征。統(tǒng)計每一區(qū)域所有像素的深度差，再將M*N個區(qū)域的深度差直方圖連成一個大的 向量(數(shù)組)，形成深度圖像的圖像特征。本實施例中，設(shè)置深度圖像的像素的深度差運算公式，并以深度差直方圖形式直 觀表現(xiàn)。參照圖5，在本發(fā)明一種基于深度圖像進行人體檢測的方法一實施例中，步驟S1012可包括步驟S10121，以預(yù)設(shè)的角度值為單位，累加各單位的深度差；步驟S10122，組合所有單位的深度差。由于深度差的方向范圍在0 360度，可以以一預(yù)設(shè)值例如40度(或其他值)為 一個范圍，對不同角度的深度差進行統(tǒng)計，統(tǒng)計出的深度差直方圖可表示為一個向量(數(shù) 組)。然后將這些直方圖連成一個大的向量(數(shù)組)，得到最終的深度圖像的深度差直方圖。本實施例中，以預(yù)設(shè)角度統(tǒng)計深度圖像各像素的深度差并組合。參照圖6，提出本發(fā)明一種基于深度圖像進行人體檢測的方法又一實施例，在上述 實施例中，在執(zhí)行步驟SlOl之前，還包括步驟S1001，在深度圖像中選擇一或多個區(qū)域；或檢測深度圖像中變化的區(qū)域，在 該變化的區(qū)域中選擇一或多個區(qū)域。當(dāng)深度圖像的數(shù)據(jù)量大時，可在深度圖像中選擇一或多個區(qū)域，分別提取所選擇 的一或多個區(qū)域的圖像特征，通常的方式是以一預(yù)設(shè)的方式對深度圖像進行掃描，例如從 左上角開始，以一預(yù)設(shè)的區(qū)域范圍進行掃描，以進行后續(xù)的特征提取，該方法全面精確，避 免遺漏?；蛘呖蓹z測深度圖像中變化的區(qū)域，假設(shè)該變化的區(qū)域為人體，再在該變化的區(qū)域 中選擇一或多個區(qū)域提取圖像特征，該方法實現(xiàn)快速判斷，提高了效率。本實施例中，可根據(jù)需要采用按區(qū)域提取圖像特征的方式。在本發(fā)明一種基于深度圖像進行人體檢測的方法又一實施例中，將圖像特征輸入 預(yù)設(shè)的分類模型包括當(dāng)選擇的區(qū)域為多個時，分別將各區(qū)域的圖像特征輸入預(yù)設(shè)的分類模型，以得出 各區(qū)域中是否包含人體。本實施例中，當(dāng)選擇多個區(qū)域?qū)ι疃葓D像提取圖像特征時，分別判斷各區(qū)域的圖 像特征是否包含人體。參照圖7，提出本發(fā)明一種基于深度圖像進行人體檢測的方法另一實施例，在上述 實施例中，在執(zhí)行步驟S102之后，還包括步驟S103，保存包含人體的區(qū)域的位置和大??；當(dāng)某一選擇的區(qū)域中包含人體時，保存該區(qū)域的位置和大小。步驟S104，合并所有包含人體的區(qū)域的位置和大小，得到人體的信息，該信息包括 人體的位置、大小和/或數(shù)量。掃描完所有選擇的區(qū)域后，合并所有包含人體的區(qū)域的位置和大小，也可進一步 對包含人體的區(qū)域進行分析和去噪，上述合并的操作可以去除多個區(qū)域中重復(fù)的部分，得 到最終的人體的信息，該信息包括人體的位置、大小和/或數(shù)量。合并過程可如下假設(shè)掃描深度圖像后，得到包含人體的區(qū)域Rl，R2，. . .，to。這些區(qū)域都是矩形， 矩形可用(x，y，w，h)表示，其中(x，y)表示左上角坐標(biāo)，w和h分別表示寬度和高度。對于 任意兩個包含人體的矩形區(qū)域Ri和Rj，如上圖所示，如果兩個矩形區(qū)域重疊的面積超過任 一矩形區(qū)域面積的一定比例(如60%)，則認(rèn)為這兩個矩形區(qū)域都是指向同一個人體。將 兩個矩形區(qū)域合并為一個矩形，合并得到的新矩形區(qū)域為&_，7_，《_，11_)，其中x_ =
Xi+Xj/2, ynew = Yi+yj/2, Wnew = Wi+w/2, hnew = Vh/2。
本實施例中，在判斷區(qū)域是否有人體后，還保存該區(qū)域的位置和大小，并進一步作 優(yōu)化處理，得到關(guān)于深度圖像中關(guān)于人體的準(zhǔn)確信息。參照圖8，提出本發(fā)明一種基于深度圖像進行人體檢測的方法再一實施例，在上述 實施例中，在執(zhí)行步驟SlOl之前，還包括步驟S98，采集深度圖像，該深度圖像包括人體區(qū)域和非人體區(qū)域；采集作為訓(xùn)練用的深度圖像，該深度圖像包括人體區(qū)域和非人體區(qū)域即環(huán)境區(qū) 域。步驟S99，根據(jù)人體區(qū)域和非人體區(qū)域的像素提取圖像特征；從深度圖像中標(biāo)注出人體區(qū)域，將人體區(qū)域裁剪出，裁剪出的人體深度圖像，可裁 剪出大量人體區(qū)域深度圖像，作為訓(xùn)練的正樣本。再從深度圖像中標(biāo)注出非人體區(qū)域即環(huán) 境區(qū)域，將非人體區(qū)域裁剪出，可裁剪出大量非人體區(qū)域，作為訓(xùn)練的負(fù)樣本。將所有的正 樣本和負(fù)樣本歸一化到相同的寬度和高度。對所有正負(fù)樣本進行圖像特征的提取操作，以 深度差運算為例，每個樣本提取到一個深度差直方圖。步驟S100，根據(jù)提取的圖像特征進行訓(xùn)練并建模，獲得分類模型。將所有樣本的深度差直方圖輸入機器學(xué)習(xí)分類模型中(比如支持向量機模型)， 進行模型訓(xùn)練，最后得到一個分類模型，為人體檢測作準(zhǔn)備。本實施例中，對三維物體的表面建立分類模型為人體檢測作準(zhǔn)備，當(dāng)人體進入拍 攝場景中時，可自動將人體從環(huán)境中分離出來。在上述實施例中，圖像特征包括但不限定于圖像紋理特征。圖像紋理特征既包括 通常意義上物體表面的細(xì)小變化即物體表面上所呈現(xiàn)凹凸不平的溝紋，同時也包括在物體 的光滑表面上的彩色圖案。深度圖像的圖像紋理特征是指局部(小范圍)的深度變化。在上述實施例中，分類模型為支持向量機模型，也可以是其它適用于本發(fā)明的機 器學(xué)習(xí)分類模型。以上所述僅為本發(fā)明的優(yōu)選實施例，并非因此限制本發(fā)明的專利范圍，凡是基于 本發(fā)明說明書及附圖內(nèi)容所作的等效結(jié)構(gòu)或等效流程變換，或直接或間接運用在其他相關(guān) 的技術(shù)領(lǐng)域，均同理包括在本發(fā)明的專利保護范圍內(nèi)。
權(quán)利要求
1.一種基于深度圖像進行人體檢測的方法，其特征在于，包括根據(jù)所采集的深度圖像的像素提取圖像特征；將所述圖像特征輸入預(yù)設(shè)的分類模型，以得出所述深度圖像是否包含人體。
2.如權(quán)利要求1所述的基于深度圖像進行人體檢測的方法，其特征在于，所述根據(jù)所 采集的深度圖像的像素提取圖像特征包括對所述深度圖像的像素進行深度差運算或局部二值運算。
3.如權(quán)利要求2所述的基于深度圖像進行人體檢測的方法，其特征在于，所述對深度 圖像的像素進行深度差運算包括根據(jù)下列程式計算各像素的深度差Gx (x, y) = D(x+l,y)-D(x-l,y),Gy(x,y) = D (x，y+1)-D (x，y_l)，所述(x，y)為(χ, y)位置的X方向深度差，Gy (x，y)為(x，y)位置的Y方向深度差，D(x，y)為(x，y)位置的 深度值；統(tǒng)計所有像素的深度差，形成圖像特征。
4.如權(quán)利要求3所述的基于深度圖像進行人體檢測的方法，其特征在于，所述統(tǒng)計所 有像素的深度差包括以預(yù)設(shè)的角度值為單位，累加各單位的深度差；組合所有單位的深度差。
5.如權(quán)利要求1至4中任一項所述的基于深度圖像進行人體檢測的方法，其特征在于， 在執(zhí)行所述根據(jù)所采集的深度圖像的像素提取圖像特征之前，還包括在所述深度圖像中選擇一或多個區(qū)域；或檢測所述深度圖像中變化的區(qū)域，在該變化 的區(qū)域中選擇一或多個區(qū)域。
6.如權(quán)利要求5所述的基于深度圖像進行人體檢測的方法，其特征在于，所述將圖像 特征輸入預(yù)設(shè)的分類模型包括當(dāng)選擇的區(qū)域為多個時，分別將各區(qū)域的圖像特征輸入預(yù)設(shè)的分類模型，以得出各區(qū) 域中是否包含人體。
7.如權(quán)利要求6所述的基于深度圖像進行人體檢測的方法，其特征在于，在執(zhí)行分別 將各區(qū)域的圖像特征輸入預(yù)設(shè)的分類模型之后，還包括保存包含人體的區(qū)域的位置和大?。缓喜⑺邪梭w的區(qū)域的位置和大小，得到所述人體的信息，所述信息包括人體的 位置、大小和/或數(shù)量。
8.如權(quán)利要求1至4中任一項所述的基于深度圖像進行人體檢測的方法，其特征在于， 在執(zhí)行所述根據(jù)所采集的深度圖像的像素提取圖像特征之前，還包括采集深度圖像，該深度圖像包括人體區(qū)域和非人體區(qū)域；根據(jù)所述人體區(qū)域和非人體區(qū)域的像素提取圖像特征；根據(jù)提取的圖像特征進行訓(xùn)練并建模，獲得所述分類模型。
9.如權(quán)利要求1至4中任一項所述的基于深度圖像進行人體檢測的方法，其特征在于， 所述圖像特征包括圖像紋理特征。
10.如權(quán)利要求1至4中任一項所述的基于深度圖像進行人體檢測的方法，其特征在 于，所述分類模型為支持向量機模型。
全文摘要
本發(fā)明揭示了一種基于深度圖像進行人體檢測的方法，包括根據(jù)所采集的深度圖像的像素提取圖像特征；將所述圖像特征輸入預(yù)設(shè)的分類模型，以得出所述深度圖像是否包含人體。本發(fā)明提出的一種基于深度圖像進行人體檢測的方法，利用深度圖像的像素提取圖像特征，以實現(xiàn)人體檢測，降低了誤檢測率。
文檔編號G06K9/62GK102122390SQ20111002646
公開日2011年7月13日 申請日期2011年1月25日 優(yōu)先權(quán)日2011年1月25日
發(fā)明者于仕琪 申請人:于仕琪