基于Xtion攝像機(jī)的人體頭部目標(biāo)識(shí)別方法
【技術(shù)領(lǐng)域】
[0001] 本發(fā)明涉及運(yùn)動(dòng)目標(biāo)的檢測(cè)和跟蹤技術(shù)，特別一種基于Xtion攝像機(jī)的人體頭部 目標(biāo)識(shí)別方法。
【背景技術(shù)】
[0002] 人體目標(biāo)檢測(cè)是人體運(yùn)動(dòng)分析的基礎(chǔ)，同時(shí)也是至關(guān)重要的部分?；趫D像處理 的目標(biāo)檢測(cè)是一項(xiàng)較新的技術(shù)，近年來(lái)，也取得了較大的進(jìn)展。由Haritaoglu等人提出的 W4(即who、When、Where、What)系統(tǒng)，可以進(jìn)行多個(gè)人體目標(biāo)的檢測(cè)與跟蹤。CMU提出的 VASM是一個(gè)跟蹤人體和運(yùn)動(dòng)目標(biāo)的發(fā)展系統(tǒng)。Kang和Lee提出了可以解決多人遮擋問(wèn)題 的人體目標(biāo)跟蹤系統(tǒng)?？偟膩?lái)說(shuō)，目前大多數(shù)研究都屬于對(duì)單個(gè)攝像機(jī)拍攝到的視頻圖像 進(jìn)行處理的過(guò)程。
[0003] 視頻圖像中人體目標(biāo)檢測(cè)常用的方法有相鄰幀差法、光流法、背景減法等。相鄰幀 差法是對(duì)視頻圖像中相鄰兩幀圖像做差分計(jì)算，將得到的差分結(jié)果和預(yù)先設(shè)定的閾值作比 較，從而判斷是否為運(yùn)動(dòng)目標(biāo)。相鄰幀差法算法簡(jiǎn)單易實(shí)現(xiàn)，但是相隔時(shí)間較短且當(dāng)運(yùn)動(dòng)目 標(biāo)變化較慢時(shí)，相鄰兩幀圖像間重疊較多，重疊部分不易被檢測(cè)，造成目標(biāo)檢測(cè)的不完整。 此外兩幀圖像之間存在的灰度的差異也會(huì)造成目標(biāo)檢測(cè)的誤差，影響結(jié)果的精度。光流法 是根據(jù)運(yùn)動(dòng)目標(biāo)隨時(shí)間變化的光流特性來(lái)計(jì)算視頻圖像序列的光流場(chǎng)，并根據(jù)目標(biāo)的特點(diǎn) 來(lái)實(shí)現(xiàn)目標(biāo)檢測(cè)的方法。光流法進(jìn)行目標(biāo)檢測(cè)的優(yōu)點(diǎn)在于即使在攝像機(jī)移動(dòng)的情況下，也 可以較為準(zhǔn)確的從復(fù)雜背景中檢測(cè)到運(yùn)動(dòng)目標(biāo)，但是光流法算法過(guò)程復(fù)雜，計(jì)算量較大，很 難實(shí)現(xiàn)實(shí)時(shí)檢測(cè)。背景減法是首先得到一個(gè)背景模型，然后將每幀圖像與當(dāng)前背景作差分 得到運(yùn)動(dòng)目標(biāo)。缺點(diǎn)在于當(dāng)背景模型不能及時(shí)更新時(shí)，將對(duì)檢測(cè)結(jié)果造成直接的影響。上 述這些方法都是基于二位圖像處理的目標(biāo)檢測(cè)。綜上可知，該類(lèi)算法對(duì)視頻圖像的要求比 較高，容易受到背景的影響，且光照變化、光照產(chǎn)生的陰影對(duì)系統(tǒng)算法設(shè)計(jì)以及精度影響較 大，通用性較差，均很難實(shí)現(xiàn)較高精度的實(shí)時(shí)監(jiān)測(cè)。

【發(fā)明內(nèi)容】

[0004] 本發(fā)明的目的在于提供一種基于Xtion攝像機(jī)的人體頭部目標(biāo)識(shí)別方法，其特征 在于，包括以下步驟：
[0005] 步驟S101，硬件平臺(tái)的搭建：將一個(gè)Xtion攝像機(jī)放置在待拍攝目標(biāo)場(chǎng)景的正上 方；
[0006] 步驟S102,米用Xtion攝像機(jī)獲得目標(biāo)場(chǎng)景的原始深度圖像；
[0007] 步驟S103,對(duì)原始深度圖像根據(jù)人體頭部目標(biāo)的灰度和幾何特征，進(jìn)行頭部目標(biāo) 區(qū)域識(shí)別；
[0008] 步驟S104,對(duì)頭部目標(biāo)區(qū)域進(jìn)行頭部分割。
[0009] 采用上述方法，步驟S103中的所述人體頭部識(shí)別包括：
[0010] 步驟S1031，采用Matlab軟件對(duì)原始深度圖像進(jìn)行取反，然后利用偽彩色算法顯 示取反后的深度圖像對(duì)應(yīng)的三維直方圖；
[0011] 步驟S1032,根據(jù)三維直方圖，選取原始深度圖像中局部最高點(diǎn)所在的區(qū)域作為目 標(biāo)區(qū)域；
[0012] 步驟S1033,確定灰度突變值和頭部總像元的寬高比，其中灰度突變值g = h/α， h為頭頂?shù)郊绮康淖铋L(zhǎng)距離，a為Xtion攝像機(jī)的空間深度距離與相應(yīng)灰度值之間的轉(zhuǎn)換 系數(shù)，頭部總像元的寬高比范圍為[0. 65, 1. 5];
[0013] 步驟S1034,若目標(biāo)區(qū)域存在灰度突變值及目標(biāo)區(qū)域的寬高比落入頭部總像元的 寬高比中，則該目標(biāo)區(qū)域?yàn)轭^部區(qū)域。
[0014] 采用上述方法，步驟S104中的所述對(duì)頭部目標(biāo)區(qū)域進(jìn)行頭部分割包括：選取分割 圖像的閾值，對(duì)目標(biāo)區(qū)域，區(qū)域中不低于閾值的像素點(diǎn)構(gòu)成疑似頭部區(qū)域，低于閾值的像素 點(diǎn)構(gòu)成非頭部區(qū)域。
[0015] 本發(fā)明與現(xiàn)有技術(shù)相比，具有以下優(yōu)點(diǎn)：（1)采用自頂向下的拍攝方式獲得目標(biāo) 場(chǎng)景深度圖像，即使在人流擁擠的情況下，頭部和頭部之間還存在一定空隙，可以有效避免 人流的遮擋、重疊等現(xiàn)象；（2)深度圖像的像素灰度值大小只與圖像上的點(diǎn)到傳感器的距 離有關(guān)，與外界光照條件無(wú)關(guān)，因此圖像質(zhì)量不受外界光照條件的影響；（3)利用深度信息 快速找到疑似頭部目標(biāo)，減少搜索范圍，提高識(shí)別速度。
[0016] 下面結(jié)合說(shuō)明書(shū)附圖對(duì)本發(fā)明做進(jìn)一步描述。
【附圖說(shuō)明】
[0017] 圖1為本發(fā)明的方法流程圖。
[0018] 圖2為本發(fā)明Xtion攝像機(jī)最優(yōu)布置示意圖。
【具體實(shí)施方式】
[0019] 結(jié)合圖1，一種基于Xtion攝像機(jī)的人體頭部目標(biāo)識(shí)別方法，其特征在于，包括以 下步驟：
[0020] 步驟S101，硬件平臺(tái)的搭建：將一個(gè)Xtion攝像機(jī)放置在待拍攝目標(biāo)場(chǎng)景的正上 方；
[0021] 步驟S102,米用Xtion攝像機(jī)獲得目標(biāo)場(chǎng)景的原始深度圖像；
[0022] 步驟S103,對(duì)原始深度圖像根據(jù)人體頭部目標(biāo)的灰度和幾何特征，進(jìn)行頭部目標(biāo) 區(qū)域識(shí)別；
[0023] 步驟S104,對(duì)頭部目標(biāo)區(qū)域進(jìn)行頭部分割。
[0024] 結(jié)合圖2,在步驟SlOl中，Xtion攝像機(jī)放置在待拍攝目標(biāo)場(chǎng)景的正上方20. 5m 處。
[0025] 在步驟S103中的所述人體頭部識(shí)別包括：
[0026] 根據(jù)得到的原始深度圖像的灰度值信息以及像素灰度值大小與距離的轉(zhuǎn)換關(guān)系 式（1)，即可知道場(chǎng)景圖像中的每一個(gè)像素點(diǎn)到傳感器之間的距離：
[0027] H = a XG (1)
[0028] 式（1)中，H表示空間某點(diǎn)和傳感器攝像窗口的距離。a是空間深度距離與相應(yīng) 灰度值之間的轉(zhuǎn)換系數(shù)，G表示深度圖像中的像素灰度值大小。
[0029] 采用Matlab軟件對(duì)原始深度圖像進(jìn)行取反，然后利用偽彩色算法顯示取反后的 深度圖像對(duì)應(yīng)的三維直方圖。
[0030] 分析三維直方圖可知，像素信息大量堆積于頭部，且頭肩存在一定的高度差，所以 頭肩的深度信息會(huì)存在一個(gè)突變值。即使在擁擠的情況下，頭部與頭部之間還存在空隙。此 外，頭部滿足一定的面積且是閉合的類(lèi)圓連通域。在本文實(shí)驗(yàn)條件下（攝像機(jī)架設(shè)高度為 2. 5米），頭部總像元的寬高比w/h的范圍是[0. 65,