一種快速人頭檢測方法及裝置的制造方法
【專利摘要】本發(fā)明提供了一種快速人頭檢測方法，包括：根據(jù)標(biāo)定線段計(jì)算分辨率圖像和人頭的最小半徑圖像和最大半徑圖像；計(jì)算圖像的邊緣點(diǎn)圖像和邊緣梯度向量圖像；根據(jù)霍夫投票，獲取霍夫空間圖像；提取人頭候選點(diǎn)；計(jì)算候選人頭半徑和置信度，并獲取候選人頭區(qū)域；對候選人頭區(qū)域進(jìn)行篩選；將剩余的候選人頭區(qū)域作為人頭檢測區(qū)域并輸出。本發(fā)明實(shí)現(xiàn)了人頭的快速檢測，可運(yùn)用于行人計(jì)數(shù)中。
【專利說明】
一種快速人頭檢測方法及裝置
技術(shù)領(lǐng)域
[0001]本發(fā)明涉及圖像處理、視頻監(jiān)控，特別涉及人頭檢測的方法及裝置。
【背景技術(shù)】
[0002]利用行人計(jì)數(shù)技術(shù)，可以通過分析行人流量的歷史數(shù)據(jù)，對未來某時(shí)刻的行人流量進(jìn)行預(yù)測，因此行人計(jì)數(shù)在商場、超市、公園、公交和地鐵等場景中有著各種不同的重要應(yīng)用。行人計(jì)數(shù)的基礎(chǔ)技術(shù)是在人群中識(shí)別個(gè)體的人，在擁擠的環(huán)境中由于人與人之間相互遮擋，準(zhǔn)確識(shí)別整個(gè)人體變得困難，但是只要相機(jī)安裝角度合適，人頭之間遮擋較少，因此人頭檢測技術(shù)在行人計(jì)數(shù)的研究中具有重大的實(shí)用價(jià)值。
[0003]公開號為CN105321187A的中國發(fā)明專利申請公開了一種基于人頭檢測的行人計(jì)數(shù)方法，該方法事先使用SVM分類器進(jìn)行訓(xùn)練以得到若干人頭分類器，并利用該人頭分類器對運(yùn)動(dòng)行人區(qū)域進(jìn)行檢測，得到人頭區(qū)域，最后通過Kalman最近鄰匹配跟蹤法對人頭區(qū)域的中心點(diǎn)進(jìn)行跟蹤與計(jì)數(shù)。公開號為CN104299005A的中國發(fā)明專利申請公開了一種人頭檢測方法及系統(tǒng)，該方法采用基于方向梯度的LBP特征，使得人頭的邊緣和輪廓信息可通過方向梯度予以表征，而且在此基礎(chǔ)上加入了 LBP特征來表征人頭的局部紋理信息，進(jìn)而可將視頻圖像中的人頭檢測出來。然而上述人頭檢測技術(shù)耗時(shí)較多。
[0004]綜上所述，目前迫切需要提出一種快速人頭檢測方法及裝置。

【發(fā)明內(nèi)容】

[0005]有鑒于此，本發(fā)明的主要目的在于實(shí)現(xiàn)快速的人頭檢測。
[0006]為達(dá)到上述目的，按照本發(fā)明的第一個(gè)方面，提供了一種快速人頭檢測方法，該方法包括:
[0007]第一步驟，在圖像內(nèi)的人頭的直徑位置標(biāo)定線段，根據(jù)標(biāo)定線段計(jì)算分辨率圖像，根據(jù)分辨率圖像、人頭半徑、人頭半徑容差計(jì)算人頭的最小半徑圖像和最大半徑圖像；
[0008]第二步驟，計(jì)算圖像的邊緣點(diǎn)圖像和邊緣梯度向量圖像；
[0009]第三步驟，根據(jù)霍夫投票，獲取霍夫空間圖像；
[0010]第四步驟，提取人頭候選點(diǎn)；
[0011]第五步驟，計(jì)算候選人頭半徑和置信度，并獲取候選人頭區(qū)域；
[0012]第六步驟，對候選人頭區(qū)域進(jìn)行篩選;及
[0013]第七步驟，將剩余的候選人頭區(qū)域作為人頭檢測區(qū)域并輸出。
[0014]其中，所述第一步驟中根據(jù)標(biāo)定線段計(jì)算分辨率圖像步驟具體為:根據(jù)標(biāo)定線段H)LS將空間坐標(biāo)轉(zhuǎn)化為圖像坐標(biāo)，即獲得分辨率圖像頂G_RES0，分辨率圖像MG_RES0的像素值即為該像素點(diǎn)的分辨率，單位為pixel/cm，pixel即為像素。
[0015]所述第一步驟中的根據(jù)分辨率圖像、人頭半徑、人頭半徑容差計(jì)算人頭的最小半徑圖像和最大半徑圖像的具體步驟如下:根據(jù)人頭半徑HEAD和人頭半徑容差HEAD_DEV計(jì)算人頭的最小半徑HEAD*( 1-HEAD_DEV)和最大半徑HEAD*( 1+HEAD_DEV)，然后根據(jù)分辨率圖像MG_RESO依據(jù)人頭的最小半徑HEAD*(1-HEAD_DEV)和最大半徑HEAD*(1+HEAD_DEV)獲取人頭最小半徑圖像IMG_RADmin和最大半徑圖像IMG_RADmax，單位為像素。
[0016]所述第二步驟中計(jì)算圖像的邊緣點(diǎn)圖像和邊緣梯度向量圖像的具體步驟如下:
[0017]對圖像進(jìn)行邊緣檢測處理，獲得邊緣圖像和梯度向量圖像；
[0018]計(jì)算相鄰兩幀圖像之間的差分圖像，獲得前景二值圖像；
[0019]以前景二值圖像為蒙板，將邊緣圖像中的非前景的像素點(diǎn)清零，以獲得圖像的邊緣點(diǎn)圖像IMG_EDGE，將梯度向量圖像中的非前景的像素點(diǎn)清零，以獲得圖像的邊緣梯度向量圖像IMG_GRADo
[0020]所述第三步驟進(jìn)一步包括:
[0021]設(shè)置霍夫空間圖像、“黑區(qū)域”霍夫圖像和“白區(qū)域”霍夫圖像初始值為全零；
[0022]對邊緣點(diǎn)圖像進(jìn)行霍夫投票；
[0023]對“黑區(qū)域”霍夫圖像和“白區(qū)域”霍夫圖像做取較大值處理，從而獲得霍夫空間圖像。
[0024]所述第四步驟進(jìn)一步包括:
[0025]根據(jù)閾值TH_H0UGH對霍夫空間圖像頂G_H0UGH進(jìn)行二值化處理，獲得霍夫空間的二值化圖像頂GJffiIN;
[0026]對霍夫空間的二值化圖像頂GJfflIN進(jìn)行區(qū)域連通處理，得到區(qū)域集合HREG1NS ={HRGNk，k = I，2，L}，HRGNk表示第k個(gè)連通區(qū)域；
[0027]計(jì)算每一個(gè)區(qū)域HRGNk的質(zhì)心HCPOSk，并將其作為該區(qū)域的人頭候選點(diǎn)，獲得人頭候選點(diǎn)集合HCANDS = {HCPOSk，k = I，2，L}。
[0028]所述第五步驟進(jìn)一步包括:
[0029]將圓周以3為間隔等分為120等分，得到每個(gè)間隔點(diǎn)的法向量；
[0030]對每個(gè)人頭候選點(diǎn)HCPOSk，在半徑為Rki的圓的置信度即為圓周上的梯度向量與圓周法向量的歸一化內(nèi)積，記為HCDNFki ；
[0031]對范圍RADmin < Rki < RADmax內(nèi)的所有半徑的圓計(jì)算置信度HCDNFki，取置信度最大的半徑Rki記為候選人頭半徑Rk，其置信度為HCDNFk，以人頭候選點(diǎn)HCPOSk為中心候選人頭半徑Rk內(nèi)的區(qū)域?yàn)楹蜻x人頭區(qū)域HCPOSk。
[0032]所述第六步驟具體為:設(shè)置閾值TH_HC0NF，過濾掉所有置信度HCDNFk小于TH_HCONF的候選人頭區(qū)域HCPOSk。
[0033]所述第六步驟還可以進(jìn)一步包括:計(jì)算圓周內(nèi)和圓周外區(qū)域灰度的相似性GSMk，設(shè)置閾值TH_GS頂，過濾掉所有相似性GS頂k大于TH_GS頂?shù)暮蜻x人頭區(qū)域HCPOSk。
[0034]按照本發(fā)明的另一個(gè)方面，提供了一種快速人頭檢測裝置，該裝置包括:
[0035]人頭的最小半徑圖像和最大半徑圖像獲取模塊，用于在圖像內(nèi)的人頭的直徑位置標(biāo)定線段，根據(jù)標(biāo)定線段計(jì)算分辨率圖像，根據(jù)分辨率圖像、人頭半徑、人頭半徑容差計(jì)算人頭的最小半徑圖像和最大半徑圖像；
[0036]圖像的邊緣點(diǎn)圖像和邊緣梯度向量圖像獲取模塊，用于計(jì)算圖像的邊緣點(diǎn)圖像和邊緣梯度向量圖像；
[0037]霍夫投票獲取霍夫空間圖像模塊，用于獲取霍夫空間圖像；
[0038]人頭候選點(diǎn)提取模塊，用于提取人頭候選點(diǎn)；
[0039]候選人頭區(qū)域獲取模塊，用于計(jì)算候選人頭半徑和置信度，并獲取候選人頭區(qū)域；
[0040]候選人頭區(qū)域篩選模塊，用于對候選人頭區(qū)域進(jìn)行篩選;及
[0041]人頭檢測區(qū)域輸出模塊，用于將剩余的候選人頭區(qū)域作為人頭檢測區(qū)域并輸出。
[0042]其中，所述人頭的最小半徑圖像和最大半徑圖像獲取模塊中在圖像內(nèi)的人頭的直徑位置標(biāo)定線段可以在同一幅圖像中位于不同位置的人頭的直徑位置標(biāo)定線段，也可以對視頻序列中的不同圖像內(nèi)的人頭的直徑位置標(biāo)定線段。
[0043]所述人頭的最小半徑圖像和最大半徑圖像獲取模塊中根據(jù)標(biāo)定線段計(jì)算分辨率圖像步驟具體為:根據(jù)標(biāo)定線段H)LS將空間坐標(biāo)轉(zhuǎn)化為圖像坐標(biāo)，即獲得分辨率圖像MG_RESO，分辨率圖像IMG_RES0的像素值即為該像素點(diǎn)的分辨率，單位為p ixe I /cm，p i xe I即為像素。
[0044]所述人頭的最小半徑圖像和最大半徑圖像獲取模塊中的根據(jù)分辨率圖像、人頭半徑、人頭半徑容差計(jì)算人頭的最小半徑圖像和最大半徑圖像的具體步驟如下:根據(jù)人頭半徑HEAD和人頭半徑容差HEAD_DEV計(jì)算人頭的最小半徑HEAD* (I _HEAD_DEV)和最大半徑HEAD*(1+HEAD_DEV)，然后根據(jù)分辨率圖像MG_RES0依據(jù)人頭的最小半徑HEAD*(1-HEAD_DE V)和最大半徑HE AD* (I +HE AD_DE V)獲取人頭最小半徑圖像I MG_RADmin和最大半徑圖像IMG_RADmax，單位為像素。
[0045]所述圖像的邊緣點(diǎn)圖像和邊緣梯度向量圖像獲取模塊中計(jì)算圖像的邊緣點(diǎn)圖像和邊緣梯度向量圖像的具體步驟如下:
[0046]邊緣處理模塊，用于對圖像進(jìn)行邊緣檢測處理，獲得邊緣圖像和梯度向量圖像；
[0047]前景二值圖像獲取模塊，用于計(jì)算相鄰兩幀圖像之間的差分圖像，獲得前景二值圖像；
[0048]邊緣點(diǎn)圖像和邊緣梯度圖像獲取模塊，用于以前景二值圖像為蒙板，將邊緣圖像中的非前景的像素點(diǎn)清零，以獲得圖像的邊緣點(diǎn)圖像IMG_EDGE，將梯度向量圖像中的非前景的像素點(diǎn)清零，以獲得圖像的邊緣梯度向量圖像IMG_GRAD。
[0049]所述霍夫空間圖像獲取模塊進(jìn)一步包括:
[0050]霍夫圖像初始化模塊，用于設(shè)置霍夫空間圖像、“黑區(qū)域”霍夫圖像和“白區(qū)域”霍夫圖像初始值為全零；
[0051]霍夫投票模塊，用于對邊緣點(diǎn)圖像進(jìn)行霍夫投票；
[0052]霍夫空間圖像獲取，用于對“黑區(qū)域”霍夫圖像和“白區(qū)域”霍夫圖像做取較大值處理，從而獲得霍夫空間圖像。
[0053]所述人頭候選點(diǎn)提取模塊包括:
[0054]二值化處理模塊，用于根據(jù)閾值TH_H0UGH對霍夫空間圖像頂G_H0UGH進(jìn)行二值化處理，獲得霍夫空間的二值化圖像MGJffiIN;
[0055]連通區(qū)域處理模塊，用于對霍夫空間的二值化圖像頂GJfflIN進(jìn)行區(qū)域連通處理，得到區(qū)域集合HREG1NS= {HRGNk，k=l，2，L}，HRGNk表示第k個(gè)連通區(qū)域；
[0056]人頭候選點(diǎn)集合獲取模塊，用于計(jì)算每一個(gè)區(qū)域HRGNk的質(zhì)心HCPOSk，并將其作為該區(qū)域的人頭候選點(diǎn)，獲得人頭候選點(diǎn)集合HCANDS={HCP0Sk，k=l，2，L}。
[0057]所述候選人頭區(qū)域獲取模塊包括:
[0058]圓周法向量獲取模塊，用于將圓周以3為間隔等分為120等分，得到每個(gè)間隔點(diǎn)的法向量；
[0059]置信度計(jì)算模塊，對每個(gè)人頭候選點(diǎn)HCP0Sk，在半徑為Rkl的圓的置信度即為圓周上的梯度向量與圓周法向量的歸一化內(nèi)積，記為HCDNFki ；
[0060]根據(jù)置信度獲取候選人頭區(qū)域模塊，對范圍RADmin< Rki < RADmax內(nèi)的所有半徑的圓計(jì)算置信度HCDNFki，取置信度最大的半徑Rki記為候選人頭半徑Rk，其置信度為HCDNFk，以人頭候選點(diǎn)HCPOSk為中心候選人頭半徑Rk內(nèi)的區(qū)域?yàn)楹蜻x人頭區(qū)域HCPOSk。
[0061]所述候選人頭區(qū)域篩選模塊包括:初步篩選模塊，用于設(shè)置閾值TH_HC0NF，過濾掉所有置信度HCDNFk小于TH_HC0NF的候選人頭區(qū)域HCPOSk。
[0062]所述候選人頭區(qū)域篩選模塊還可以進(jìn)一步包括:二次篩選模塊，用于計(jì)算圓周內(nèi)和圓周外區(qū)域灰度的相似性GSMk，設(shè)置閾值TH_GS頂，過濾掉所有相似性GSMk大于TH_GS頂?shù)暮蜻x人頭區(qū)域HCPOSk。
[0063]與現(xiàn)有的技術(shù)相比，本發(fā)明的快速人頭檢測方法及裝置，其基于霍夫變換的圓檢測，具有快速可靠、使用簡單和環(huán)境適應(yīng)性強(qiáng)等特點(diǎn)，能快速地實(shí)現(xiàn)人群的計(jì)數(shù)。
[0064]附圖
[0065]此處所說明的附圖用來提供對本發(fā)明的進(jìn)一步理解，構(gòu)成本發(fā)明的一部分，但其說明僅用于解釋本發(fā)明，并不構(gòu)成對本發(fā)明的不當(dāng)限定。
[0066]圖1示出了按照本發(fā)明的快速人頭檢測方法的流程圖。
[0067]圖2示出了按照本發(fā)明的第三步驟的流程圖。
[0068]圖3示出了按照本發(fā)明的快速人頭檢測裝置的框架圖。
[0069]圖4示出了按照本發(fā)明的霍夫投票獲取霍夫空間圖像模塊的框架圖。
【具體實(shí)施方式】
[0070]為使貴審查員能進(jìn)一步了解本發(fā)明的結(jié)構(gòu)、特征及其他目的，現(xiàn)結(jié)合所附較佳實(shí)施例詳細(xì)說明如下，所說明的較佳實(shí)施例僅用于說明本發(fā)明的技術(shù)方案，并非限定本發(fā)明。
[0071]圖1表示按照本發(fā)明的快速檢測人頭方法的流程圖。如圖1所示，按照本發(fā)明的快速人頭檢測方法包括:
[0072]第一步驟SI，在圖像內(nèi)的人頭的直徑位置標(biāo)定線段，根據(jù)標(biāo)定線段計(jì)算分辨率圖像，根據(jù)分辨率圖像、人頭半徑、人頭半徑容差計(jì)算人頭的最小半徑圖像和最大半徑圖像；
[0073]第二步驟S2，計(jì)算圖像的邊緣點(diǎn)圖像和邊緣梯度向量圖像；
[0074]第三步驟S3，根據(jù)霍夫投票，獲取霍夫空間圖像；
[0075]第四步驟S4，提取人頭候選點(diǎn)；
[0076]第五步驟S5，計(jì)算候選人頭半徑和置信度，并獲取候選人頭區(qū)域；
[0077]第六步驟S6，對候選人頭區(qū)域進(jìn)行篩選;及
[0078]第七步驟S7，將剩余的候選人頭區(qū)域作為人頭檢測區(qū)域并輸出。
[0079]其中，所述第一步驟SI中在圖像內(nèi)的人頭的直徑位置標(biāo)定線段可以在同一幅圖像中位于不同位置的人頭的直徑位置標(biāo)定線段，也可以對視頻序列中的不同圖像內(nèi)的人頭的直徑位置標(biāo)定線段。所述標(biāo)定線段FDLS= {fdli，i = l，2，3，L，M} ,M> 30
[0080]所述第一步驟SI中根據(jù)標(biāo)定線段計(jì)算分辨率圖像步驟具體為:根據(jù)標(biāo)定線段roLS將空間坐標(biāo)轉(zhuǎn)化為圖像坐標(biāo)，即獲得分辨率圖像MG_RES0，分辨率圖像頂G_RES0的像素值即為該像素點(diǎn)的分辨率，單位為pixel/cm，pixel即為像素。
[0081]所述第一步驟SI中的根據(jù)分辨率圖像、人頭半徑、人頭半徑容差計(jì)算人頭的最小半徑圖像和最大半徑圖像的具體步驟如下:根據(jù)人頭半徑HEAD和人頭半徑容差HEAD_DEV計(jì)算人頭的最小半徑HEAD*( 1-HEAD_DEV)和最大半徑HEAD*( 1+HEAD_DEV)，然后根據(jù)分辨率圖像頂G_RES0依據(jù)人頭的最小半徑HEAD*(1-HEAD_DEV)和最大半徑HEAD*(1+HEAD_DEV)獲取人頭最小半徑圖像IMG_RADmin和最大半徑圖像IMG_RADmax，單位為像素。
[0082]所述人頭半徑HEAD的取值范圍為9cm?11cm。優(yōu)選地，人頭半徑HEAD設(shè)置為10cm。
[0083]所述人頭半徑容差HEAD_DEV的取值范圍為0.1?0.5。優(yōu)選地，人頭半徑容差!^八0_DEV設(shè)置為0.3。
[0084]所述第二步驟S2中計(jì)算圖像的邊緣點(diǎn)圖像和邊緣梯度向量圖像的具體步驟如下:
[0085]步驟S21，對圖像進(jìn)行邊緣檢測處理，獲得邊緣圖像和梯度向量圖像；
[0086]步驟S22，計(jì)算相鄰兩幀圖像之間的差分圖像，獲得前景二值圖像；
[0087]步驟S23，以前景二值圖像為蒙板，將邊緣圖像中的非前景的像素點(diǎn)清零，以獲得圖像的邊緣點(diǎn)圖像IMG_EDGE，將梯度向量圖像中的非前景的像素點(diǎn)清零，以獲得圖像的邊緣梯度向量圖像IMG_GRAD。
[0088]其中，步驟S21中所述邊緣檢測處理的可以通過現(xiàn)有的邊緣檢測方法，例如邊緣檢測算子方法。邊緣檢測算子可以為Roberts Cross算子、Prewitt算子、Sobel算子、Kirsch算子、羅盤算子、Marr-Hildreth、在梯度方向的二階導(dǎo)數(shù)過零點(diǎn)、Canny算子、Laplacian算子等。優(yōu)選地，使用Canny算子邊緣檢測方法。
[0089]圖2給出了按照本發(fā)明的第三步驟的流程圖。如圖2所示，按照本發(fā)明的第三步驟S3進(jìn)一步包括:
[0090]步驟S31，設(shè)置霍夫空間圖像、“黑區(qū)域”霍夫圖像和“白區(qū)域”霍夫圖像初始值為全零；
[0091]步驟S32，對邊緣點(diǎn)圖像進(jìn)行霍夫投票；
[0092]步驟S33，對“黑區(qū)域”霍夫圖像和“白區(qū)域”霍夫圖像做取較大值處理，從而獲得霍夫空間圖像。
[0093]其中，步驟S32具體步驟如下:
[0094]步驟S321，根據(jù)邊緣梯度向量圖像IMG_GRAD計(jì)算每一個(gè)像素點(diǎn)的梯度方向IMG_GDIRj和梯度幅度IMG_GMAGj，j表示第j個(gè)像素點(diǎn)；
[0095]步驟S322，從人頭的最小半徑圖像IMG_RADmin和最大半徑圖像IMG_RADmax，獲得該像素點(diǎn)的最小人頭半徑RADmin和最大人頭半徑RADmax ；
[0096]步驟S323，沿著第j個(gè)像素點(diǎn)的梯度方向MG_GDIRj從距離RADmirJljRADmax之間，逐個(gè)對上述之間的像素點(diǎn)進(jìn)行“黑區(qū)域”霍夫圖像IMG_H0UGH_B投票，如果遇到梯度幅度比MG_GMAGj大的邊緣點(diǎn)，則停止投票；
[0097]步驟S324，沿著第j個(gè)像素點(diǎn)的負(fù)梯度方向-頂G_GDIRj從距離RADmirJljRADmax之間，逐個(gè)對上述之間的像素點(diǎn)進(jìn)行“黑區(qū)域”霍夫圖像頂G_H0UGH_W投票，如果遇到梯度幅度比MG_GMAGj大的邊緣點(diǎn)，則停止投票。
[0098]所述步驟33具體為:對“黑區(qū)域”霍夫圖像頂G_H0UGH_B和“白區(qū)域”霍夫圖像頂G_
取較大值處理，從而獲得霍夫空間圖像頂G_H0UGH = ma X (I MG_H0UGH_B，I MG_HOUGH_ff)。
[0099 ]所述第四步驟S4進(jìn)一步包括:
[0100]步驟S41，根據(jù)閾值TH_H0UGH對霍夫空間圖像頂G_H0UGH進(jìn)行二值化處理，獲得霍夫空間的二值化圖像MGJffiIN;
[0101]步驟S42，對霍夫空間的二值化圖像IMGJfflIN進(jìn)行區(qū)域連通處理，得到區(qū)域集合HREG1NS = {HRGNk，k = I，2，L}，HRGNk表示第k個(gè)連通區(qū)域；
[0102]步驟S43，計(jì)算每一個(gè)區(qū)域HRGNk的質(zhì)心HCPOSk，并將其作為該區(qū)域的人頭候選點(diǎn)，獲得人頭候選點(diǎn)集合HCANDS= {HCP0Sk,k=l,2,L}。
[0103]其中，所述步驟S41中的閾值TH_H0UGH的取值范圍為20?30。優(yōu)選地，TH_H0UGH設(shè)置為25。
[0104]所述第五步驟S5進(jìn)一步包括:
[0105]步驟S51，將圓周以3為間隔等分為120等分，得到每個(gè)間隔點(diǎn)的法向量；
[0106]步驟S52，對每個(gè)人頭候選點(diǎn)HCPOSk，在半徑為Rki的圓的置信度即為圓周上的梯度向量與圓周法向量的歸一化內(nèi)積，記為HCDNFki ；
[0107]步驟S53，對范圍RADmin ^ Rki ^ RADmax內(nèi)的所有半徑的圓計(jì)算置信度HCDNFki，取置信度最大的半徑Rki記為候選人頭半徑Rk，其置信度為HCDNFk，以人頭候選點(diǎn)HCPOSk為中心候選人頭半徑Rk內(nèi)的區(qū)域?yàn)楹蜻x人頭區(qū)域HCPOSk。
[0108]所述第六步驟S6具體為:設(shè)置閾值TH_HC0NF，過濾掉所有置信度HCDNFk小于TH_HCONF的候選人頭區(qū)域HCPOSk。其中，TH_HC0NF的取值范圍為0.2?0.4。優(yōu)選地，TH_HC0NF設(shè)置為0.3。
[0109]所述第六步驟S6還可以進(jìn)一步包括:計(jì)算圓周內(nèi)和圓周外區(qū)域灰度的相似性GS頂k，設(shè)置閾值TH_GS頂，過濾掉所有相似性GS頂k大于TH_GS頂?shù)暮蜻x人頭區(qū)域HCPOSk。
[0110]其中，TH_GSIM的取值范圍為0.4?0.6。優(yōu)選地，TH_GSIM設(shè)置為0.5。
[0111]圖3示出了按照本發(fā)明的快速人頭檢測裝置的框架圖。如圖3所示，快速人頭檢測裝置包括:
[0112]人頭的最小半徑圖像和最大半徑圖像獲取模塊I，用于在圖像內(nèi)的人頭的直徑位置標(biāo)定線段，根據(jù)標(biāo)定線段計(jì)算分辨率圖像，根據(jù)分辨率圖像、人頭半徑、人頭半徑容差計(jì)算人頭的最小半徑圖像和最大半徑圖像；
[0113]圖像的邊緣點(diǎn)圖像和邊緣梯度向量圖像獲取模塊2，用于計(jì)算圖像的邊緣點(diǎn)圖像和邊緣梯度向量圖像；
[0114]霍夫投票獲取霍夫空間圖像模塊3，用于獲取霍夫空間圖像；
[0115]人頭候選點(diǎn)提取模塊4，用于提取人頭候選點(diǎn)；
[0116]候選人頭區(qū)域獲取模塊5，用于計(jì)算候選人頭半徑和置信度，并獲取候選人頭區(qū)域；
[0117]候選人頭區(qū)域篩選模塊6，用于對候選人頭區(qū)域進(jìn)行篩選;及
[0118]人頭檢測區(qū)域輸出模塊7，用于將剩余的候選人頭區(qū)域作為人頭檢測區(qū)域并輸出。
[0119]其中，所述人頭的最小半徑圖像和最大半徑圖像獲取模塊I中在圖像內(nèi)的人頭的直徑位置標(biāo)定線段可以在同一幅圖像中位于不同位置的人頭的直徑位置標(biāo)定線段，也可以對視頻序列中的不同圖像內(nèi)的人頭的直徑位置標(biāo)定線段。所述標(biāo)定線段FDLS=Udl1J =1，2，3，L，M}，M> 3ο
[0120]所述人頭的最小半徑圖像和最大半徑圖像獲取模塊I中根據(jù)標(biāo)定線段計(jì)算分辨率圖像步驟具體為:根據(jù)標(biāo)定線段roLS將空間坐標(biāo)轉(zhuǎn)化為圖像坐標(biāo)，即獲得分辨率圖像MG_RESO，分辨率圖像IMG_RES0的像素值即為該像素點(diǎn)的分辨率，單位為p ixe I /cm，p i xe I即為像素。
[0121]所述人頭的最小半徑圖像和最大半徑圖像獲取模塊I中的根據(jù)分辨率圖像、人頭半徑、人頭半徑容差計(jì)算人頭的最小半徑圖像和最大半徑圖像的具體步驟如下:根據(jù)人頭半徑HEAD和人頭半徑容差HEAD_DEV計(jì)算人頭的最小半徑HEAD*(1-HEAD_DEV)和最大半徑HEAD*(1+HEAD_DEV)，然后根據(jù)分辨率圖像MG_RES0依據(jù)人頭的最小半徑HEAD*(1-HEAD_DE V)和最大半徑HE AD* (I +HE AD_DE V)獲取人頭最小半徑圖像I MG_RADmin和最大半徑圖像IMG_RADmax，單位為像素。
[0122]所述人頭半徑HEAD的取值范圍為9cm?11cm。優(yōu)選地，人頭半徑HEAD設(shè)置為10cm。
[0123]所述人頭半徑容差HEAD_DEV的取值范圍為0.1?0.5。優(yōu)選地，人頭半徑容差!^八0_DEV設(shè)置為0.3。
[0124]所述圖像的邊緣點(diǎn)圖像和邊緣梯度向量圖像獲取模塊2中計(jì)算圖像的邊緣點(diǎn)圖像和邊緣梯度向量圖像的具體步驟如下:
[0125]邊緣處理模塊21，用于對圖像進(jìn)行邊緣檢測處理，獲得邊緣圖像和梯度向量圖像；
[0126]前景二值圖像獲取模塊22，用于計(jì)算相鄰兩幀圖像之間的差分圖像，獲得前景二值圖像；
[0127]邊緣點(diǎn)圖像和邊緣梯度圖像獲取模塊23，用于以前景二值圖像為蒙板，將邊緣圖像中的非前景的像素點(diǎn)清零，以獲得圖像的邊緣點(diǎn)圖像MG_EDGE，將梯度向量圖像中的非前景的像素點(diǎn)清零，以獲得圖像的邊緣梯度向量圖像IMG_GRAD。
[0128]其中，邊緣處理模塊21中所述邊緣檢測處理的可以通過現(xiàn)有的邊緣檢測方法，例如邊緣檢測算子方法。邊緣檢測算子可以為Roberts Cross算子、Prewitt算子、Sobel算子、Kirsch算子、羅盤算子、Marr-Hildreth、在梯度方向的二階導(dǎo)數(shù)過零點(diǎn)、Canny算子、Laplacian算子等。優(yōu)選地，使用Canny算子邊緣檢測方法。
[0129]圖4示出了按照本發(fā)明的霍夫投票獲取霍夫空間圖像模塊3的框架圖。如圖4所示，霍夫空間圖像獲取模塊3包括:
[0130]霍夫圖像初始化模塊31，用于設(shè)置霍夫空間圖像、“黑區(qū)域”霍夫圖像和“白區(qū)域”霍夫圖像初始值為全零；
[0131]霍夫投票模塊32，用于對邊緣點(diǎn)圖像進(jìn)行霍夫投票；
[0132]霍夫空間圖像獲取33，用于對“黑區(qū)域”霍夫圖像和“白區(qū)域”霍夫圖像做取較大值處理，從而獲得霍夫空間圖像。
[0133]其中，所述霍夫投票模塊32包括:
[0134]梯度方向和幅度計(jì)算模塊321，用于根據(jù)邊緣梯度向量圖像MG_GRAD計(jì)算每一個(gè)像素點(diǎn)的梯度方向IMG_GDIRj和梯度幅度IMG_GMAGj，j表示第j個(gè)像素點(diǎn)；
[0135]最小人頭半徑和最大人頭半徑獲取模塊322，用于從人頭的最小半徑圖像IMG_RADmin和最大半徑圖像頂G_RADmax，獲得該像素點(diǎn)的最小人頭半徑RADmin和最大人頭半徑
RADmax ；
[0136]“黑區(qū)域”霍夫圖像投票模塊323，用于沿著第j個(gè)像素點(diǎn)的梯度方向IMG_GDIRj從距離RADmirJljRADmax之間，逐個(gè)對上述之間的像素點(diǎn)進(jìn)行“黑區(qū)域”霍夫圖像頂票，如果遇到梯度幅度比MG_GMAG」大的邊緣點(diǎn)，則停止投票；
[0137]“白區(qū)域”霍夫圖像投票模塊324，用于沿著第j個(gè)像素點(diǎn)的負(fù)梯度方向_IMG_GDIRj從距離RADmin到RADmax之間，逐個(gè)對上述之間的像素點(diǎn)進(jìn)行“黑區(qū)域”霍夫圖像頂G_H0UGH_W投票，如果遇到梯度幅度比MG_GMAG」大的邊緣點(diǎn)，則停止投票。
[0138]所述霍夫空間圖像獲取33具體用于對“黑區(qū)域”霍夫圖像頂G_H0UGH_B和“白區(qū)域”霍夫圖像1取較大值處理，從而獲得霍夫空間圖像IMG_H0UGH = maX (IMG_H0UGH_B，IMG_H0UGH_ff)。
[0139]所述人頭候選點(diǎn)提取模塊4包括:
[0140]二值化處理模塊41，用于根據(jù)閾值TH_H0UGH對霍夫空間圖像頂G_H0UGH進(jìn)行二值化處理，獲得霍夫空間的二值化圖像MGJffiIN;
[0141]連通區(qū)域處理模塊42，用于對霍夫空間的二值化圖像IMGJfflIN進(jìn)行區(qū)域連通處理，得到區(qū)域集合HREG1NS = {HRGNk，k = I，2，L}，HRGNk表示第k個(gè)連通區(qū)域；
[0142]人頭候選點(diǎn)集合獲取模塊43，用于計(jì)算每一個(gè)區(qū)域HRGNk的質(zhì)心HCPOSk，并將其作為該區(qū)域的人頭候選點(diǎn)，獲得人頭候選點(diǎn)集合HCANDS= {HCP0Sk，k= I，2，L}。
[0143]其中，所述二值化處理模塊41中的閾值TH_H0UGH的取值范圍為20?30。優(yōu)選地，TH_H0UGH 設(shè)置為 25。
[0144]所述候選人頭區(qū)域獲取模塊5包括:
[0145]圓周法向量獲取模塊51，用于將圓周以3為間隔等分為120等分，得到每個(gè)間隔點(diǎn)的法向量；
[0146]置信度計(jì)算模塊52，對每個(gè)人頭候選點(diǎn)HCPOSk，在半徑為Rki的圓的置信度即為圓周上的梯度向量與圓周法向量的歸一化內(nèi)積，記為HCDNFki;
[0147]根據(jù)置信度獲取候選人頭區(qū)域模塊53，對范圍RADmin< Rki < RADmax內(nèi)的所有半徑的圓計(jì)算置信度HCDNFki，取置信度最大的半徑Rki記為候選人頭半徑Rk，其置信度為HCDNFkM人頭候選點(diǎn)HCPOSk為中心候選人頭半徑Rk內(nèi)的區(qū)域?yàn)楹蜻x人頭區(qū)域HCPOSk。
[0148]所述候選人頭區(qū)域篩選模塊6進(jìn)一步包括:初步篩選模塊61，用于設(shè)置閾值TH_HCONF，過濾掉所有置信度HCDNFk小于TH_HC0NF的候選人頭區(qū)域HCPOSk。
[0149]其中，TH_HC0NF的取值范圍為0.2?0.4。優(yōu)選地，TH_HC0NF設(shè)置為0.3。
[0150]所述候選人頭區(qū)域篩選模塊6還可以進(jìn)一步包括:二次篩選模塊62，用于計(jì)算圓周內(nèi)和圓周外區(qū)域灰度的相似性GSIMk，設(shè)置閾值TH_GSIM，過濾掉所有相似性GSIMk大于TH_GS頂?shù)暮蜻x人頭區(qū)域HCPOSk。
[0151]其中，TH_GSIM的取值范圍為0.4?0.6。優(yōu)選地，TH_GSIM設(shè)置為0.5。
[0152]與現(xiàn)有的技術(shù)相比，本發(fā)明的快速人頭檢測方法及裝置，其基于霍夫變換的圓檢測，具有快速可靠、使用簡單和環(huán)境適應(yīng)性強(qiáng)等特點(diǎn)，能快速地實(shí)現(xiàn)人群的計(jì)數(shù)。
[0153]需要聲明的是，上述
【發(fā)明內(nèi)容】
及【具體實(shí)施方式】意在證明本發(fā)明所提供技術(shù)方案的實(shí)際應(yīng)用，不應(yīng)解釋為對本發(fā)明保護(hù)范圍的限定。本領(lǐng)域技術(shù)人員在本發(fā)明的精神和原理內(nèi)，當(dāng)可作各種修改、等同替換、或改進(jìn)。本發(fā)明的保護(hù)范圍以所附權(quán)利要求書為準(zhǔn)。
【主權(quán)項(xiàng)】
1.一種快速人頭檢測方法，其特征在于，該方法包括: 第一步驟，在圖像內(nèi)的人頭的直徑位置標(biāo)定線段，根據(jù)標(biāo)定線段計(jì)算分辨率圖像，根據(jù)分辨率圖像、人頭半徑、人頭半徑容差計(jì)算人頭的最小半徑圖像和最大半徑圖像； 第二步驟，計(jì)算圖像的邊緣點(diǎn)圖像和邊緣梯度向量圖像； 第三步驟，根據(jù)霍夫投票，獲取霍夫空間圖像； 第四步驟，提取人頭候選點(diǎn)； 第五步驟，計(jì)算候選人頭半徑和置信度，并獲取候選人頭區(qū)域； 第六步驟，對候選人頭區(qū)域進(jìn)行篩選;及 第七步驟，將剩余的候選人頭區(qū)域作為人頭檢測區(qū)域并輸出。2.如權(quán)利要求1所述的方法，所述第一步驟中根據(jù)標(biāo)定線段計(jì)算分辨率圖像步驟具體為:根據(jù)標(biāo)定線段FDLS將空間坐標(biāo)轉(zhuǎn)化為圖像坐標(biāo)，即獲得分辨率圖像MG_RESO，分辨率圖像IMG_RESO的像素值即為該像素點(diǎn)的分辨率，單位為pixel/cm，pixel即為像素； 第一步驟中的根據(jù)分辨率圖像、人頭半徑、人頭半徑容差計(jì)算人頭的最小半徑圖像和最大半徑圖像的具體步驟如下:根據(jù)人頭半徑HEAD和人頭半徑容差HEAD_DEV計(jì)算人頭的最小半徑HEAD*( 1-HEAD_DEV)和最大半徑HEAD*(1+HEAD_DEV)，然后根據(jù)分辨率圖像mG_RESO依據(jù)人頭的最小半徑HEAD*(1-HEAD_DEV)和最大半徑HEAD*(1+HEAD_DEV)獲取人頭最小半徑圖像IMG_RADmin和最大半徑圖像IMG_RADmax，單位為像素； 其中，人頭半徑HEAD的取值范圍為9cm?11 cm，人頭半徑容差HEAD_DEV的取值范圍為0.1?0.5。3.如權(quán)利要求2所述的方法，所述標(biāo)定線段FDLS={fdli,i = l,2,3,L,M},M>3o4.如權(quán)利要求1所述的方法，所述第二步驟包括: 對圖像進(jìn)行邊緣檢測處理，獲得邊緣圖像和梯度向量圖像； 計(jì)算相鄰兩幀圖像之間的差分圖像，獲得前景二值圖像； 以前景二值圖像為蒙板，將邊緣圖像中的非前景的像素點(diǎn)清零，以獲得圖像的邊緣點(diǎn)圖像IMG_EDGE，將梯度向量圖像中的非前景的像素點(diǎn)清零，以獲得圖像的邊緣梯度向量圖像頂G_GRAD05.如權(quán)利要求1所述的方法，其特征在于，所述第三步驟包括: 步驟a，設(shè)置霍夫空間圖像、“黑區(qū)域”霍夫圖像和“白區(qū)域”霍夫圖像初始值為全零； 步驟b，對邊緣點(diǎn)圖像進(jìn)行霍夫投票； 步驟C，對“黑區(qū)域”霍夫圖像和“白區(qū)域”霍夫圖像做取較大值處理，從而獲得霍夫空間圖像。6.如權(quán)利要求5所述的方法，其特征在于，所述步驟b包括: 根據(jù)邊緣梯度向量圖像頂G_GRAD計(jì)算每一個(gè)像素點(diǎn)的梯度方向頂G_GDIRj和梯度幅度IMG_GMAGj，j表示第j個(gè)像素點(diǎn)； 從人頭的最小半徑圖像IMG_RADmin和最大半徑圖像IMG_RADmax，獲得該像素點(diǎn)的最小人頭半徑RADmin和最大人頭半徑RADmax ； 沿著第j個(gè)像素點(diǎn)的梯度方向MG_GDIRj從距離RADmin到RADmax之間，逐個(gè)對上述之間的像素點(diǎn)進(jìn)行“黑區(qū)域”霍夫圖像頂G_HOUGH_B投票，如果遇到梯度幅度比頂G_GMAG汰的邊緣點(diǎn)，則停止投票； 沿著第j個(gè)像素點(diǎn)的負(fù)梯度方向_MG_GDIRj從距離RADmin到RADmax之間，逐個(gè)對上述之間的像素點(diǎn)進(jìn)行“黑區(qū)域”霍夫圖像IMG_HOUGH_W投票，如果遇到梯度幅度比MG_GMAG」大的邊緣點(diǎn)，則停止投票。7.如權(quán)利要求1所述的方法，所述第四步驟進(jìn)一步包括: 根據(jù)閾值TH_HOUGH對霍夫空間圖像頂G_HOUGH進(jìn)行二值化處理，獲得霍夫空間的二值化圖像頂GJffiIN; 對霍夫空間的二值化圖像IMG_HBIN進(jìn)行區(qū)域連通處理，得到區(qū)域集合HREG1NS ={HRGNk，k = I，2，L}，HRGNk表示第k個(gè)連通區(qū)域； 計(jì)算每一個(gè)區(qū)域HRGNk的質(zhì)心HCPOSk，并將其作為該區(qū)域的人頭候選點(diǎn)，獲得人頭候選點(diǎn)集合HCANDS ={HCP0Sk，k= I，2，L}； 其中，TH_H0UGH的取值范圍為20?30。8.如權(quán)利要求1所述的方法，其特征在于，所述第五步驟進(jìn)一步包括: 將圓周以3為間隔等分為120等分，得到每個(gè)間隔點(diǎn)的法向量； 對每個(gè)人頭候選點(diǎn)HCPOSk,在半徑為Rkl的圓的置信度即為圓周上的梯度向量與圓周法向量的歸一化內(nèi)積，記為HCDNFki ； 對范圍RADmin < Rki < RADmaxR的所有半徑的圓計(jì)算置信度HCDNFki，取置信度最大的半徑Rki記為候選人頭半徑Rk，其置信度為H⑶NFk，以人頭候選點(diǎn)HCPOSk為中心候選人頭半徑Rk內(nèi)的區(qū)域?yàn)楹蜻x人頭區(qū)域HCPOSk。9.如權(quán)利要求1所述的方法，其特征在于，所述第六步驟S6具體為:設(shè)置閾值TH_HC0NF，過濾掉所有置信度HCDNFk小于TH_HC0NF的候選人頭區(qū)域HCPOSk; 其中，TH_HC0NF的取值范圍為0.2?0.4。10.如權(quán)利要求9所述的方法，其特征在于，所述第六步驟進(jìn)一步包括:計(jì)算圓周內(nèi)和圓周外區(qū)域灰度的相似性GS頂k，設(shè)置閾值TH_GS頂，過濾掉所有相似性GS頂k大于TH_GS頂?shù)暮蜻x人頭區(qū)域HCPOSk; 其中，TH_GS頂?shù)娜≈捣秶鸀?.4?0.6。11.一種快速人頭檢測裝置，其特征在于，該裝置包括: 人頭的最小半徑圖像和最大半徑圖像獲取模塊，用于在圖像內(nèi)的人頭的直徑位置標(biāo)定線段，根據(jù)標(biāo)定線段計(jì)算分辨率圖像，根據(jù)分辨率圖像、人頭半徑、人頭半徑容差計(jì)算人頭的最小半徑圖像和最大半徑圖像； 圖像的邊緣點(diǎn)圖像和邊緣梯度向量圖像獲取模塊，用于計(jì)算圖像的邊緣點(diǎn)圖像和邊緣梯度向量圖像； 霍夫投票獲取霍夫空間圖像模塊，用于獲取霍夫空間圖像； 人頭候選點(diǎn)提取模塊，用于提取人頭候選點(diǎn)； 候選人頭區(qū)域獲取模塊，用于計(jì)算候選人頭半徑和置信度，并獲取候選人頭區(qū)域； 候選人頭區(qū)域篩選模塊，用于對候選人頭區(qū)域進(jìn)行篩選;及 人頭檢測區(qū)域輸出模塊，用于將剩余的候選人頭區(qū)域作為人頭檢測區(qū)域并輸出。12.如權(quán)利要求11所述的裝置，所述人頭的最小半徑圖像和最大半徑圖像獲取模塊中根據(jù)標(biāo)定線段計(jì)算分辨率圖像步驟具體為:根據(jù)標(biāo)定線段FDLS將空間坐標(biāo)轉(zhuǎn)化為圖像坐標(biāo)，即獲得分辨率圖像IMG_RES0，分辨率圖像IMG_RES0的像素值即為該像素點(diǎn)的分辨率，單位為pixel/cm，pixel即為像素； 所述人頭的最小半徑圖像和最大半徑圖像獲取模塊中的根據(jù)分辨率圖像、人頭半徑、人頭半徑容差計(jì)算人頭的最小半徑圖像和最大半徑圖像的具體步驟如下:根據(jù)人頭半徑HEAD和人頭半徑容差HEAD_DEV計(jì)算人頭的最小半徑HEAD*(1-HEAD_DEV)和最大半徑HEAD*(1+HEAD_DEV)，然后根據(jù)分辨率圖像頂G_RESO依據(jù)人頭的最小半徑HEAD*(1_HEAD_DEV)和最大半徑HE AD* (I +HE AD_DE V)獲取人頭最小半徑圖像I MG_RADmin和最大半徑圖像I MG_RADmax，單位為像素； 其中，人頭半徑HEAD的取值范圍為9cm?11 cm，人頭半徑容差HEAD_DEV的取值范圍為0.I?0.5o13.如權(quán)利要求12所述的裝置，所述標(biāo)定線段FDLS={fdli, i = I，2，3，L，M}，M 2 3。14.如權(quán)利要求11所述的裝置，所述圖像的邊緣點(diǎn)圖像和邊緣梯度向量圖像獲取模塊中計(jì)算圖像的邊緣點(diǎn)圖像和邊緣梯度向量圖像的具體步驟如下: 邊緣處理模塊，用于對圖像進(jìn)行邊緣檢測處理，獲得邊緣圖像和梯度向量圖像;前景二值圖像獲取模塊，用于計(jì)算相鄰兩幀圖像之間的差分圖像，獲得前景二值圖像； 邊緣點(diǎn)圖像和邊緣梯度圖像獲取模塊，用于以前景二值圖像為蒙板，將邊緣圖像中的非前景的像素點(diǎn)清零，以獲得圖像的邊緣點(diǎn)圖像IMG_EDGE，將梯度向量圖像中的非前景的像素點(diǎn)清零，以獲得圖像的邊緣梯度向量圖像IMG_GRAD。15.如權(quán)利要求11所述的裝置，其特征在于，所述霍夫投票獲取霍夫空間圖像模塊包括: 所述霍夫圖像初始化模塊，用于設(shè)置霍夫空間圖像、“黑區(qū)域”霍夫圖像和“白區(qū)域”霍夫圖像初始值為全零； 霍夫投票模塊，用于對邊緣點(diǎn)圖像進(jìn)行霍夫投票； 霍夫空間圖像獲取，用于對“黑區(qū)域”霍夫圖像和“白區(qū)域”霍夫圖像做取較大值處理，從而獲得霍夫空間圖像。16.如權(quán)利要求15所述的裝置，其特征在于，所述霍夫投票模塊包括: 梯度方向和幅度計(jì)算模塊，用于根據(jù)邊緣梯度向量圖像IMG_GRAD計(jì)算每一個(gè)像素點(diǎn)的梯度方向IMG_GDIRj和梯度幅度IMG_GMAGj，j表示第j個(gè)像素點(diǎn)； 最小人頭半徑和最大人頭半徑獲取模塊，用于從人頭的最小半徑圖像IMG_RADmin和最大半徑圖像IMG_RADmax，獲得該像素點(diǎn)的最小人頭半徑RADmin和最大人頭半徑RADmax ； “黑區(qū)域”霍夫圖像投票模塊，用于沿著第j個(gè)像素點(diǎn)的梯度方向MG_GDI&從距離RADmin至IjRAD■之間，逐個(gè)對上述之間的像素點(diǎn)進(jìn)行“黑區(qū)域”霍夫圖像頂G_HOUGH_B投票，如果遇到梯度幅度比MG_GMAGj大的邊緣點(diǎn)，則停止投票； “白區(qū)域”霍夫圖像投票模塊，用于沿著第j個(gè)像素點(diǎn)的負(fù)梯度方向-MG_GDIRj從距離RADmin到RADmax之間，逐個(gè)對上述之間的像素點(diǎn)進(jìn)行“黑區(qū)±或”霍夫圖像頂G_HOUGH_W投票，如果遇到梯度幅度比MG_GMAGj大的邊緣點(diǎn)，則停止投票。17.如權(quán)利要求11所述的裝置，所述人頭候選點(diǎn)提取模塊包括: 二值化處理模塊，用于根據(jù)閾值TH_HOUGH對霍夫空間圖像頂G_HOUGH進(jìn)行二值化處理，獲得霍夫空間的二值化圖像MGJffiIN; 連通區(qū)域處理模塊，用于對霍夫空間的二值化圖像IMGJfflIN進(jìn)行區(qū)域連通處理，得到區(qū)域集合HREG1NS= {HRGNk，k=l，2，L}，HRGNk表示第k個(gè)連通區(qū)域； 人頭候選點(diǎn)集合獲取模塊，用于計(jì)算每一個(gè)區(qū)域HRGNk的質(zhì)心HCPOSk，并將其作為該區(qū)域的人頭候選點(diǎn)，獲得人頭候選點(diǎn)集合HCANDS= {HCP0Sk，k= I，2，L}; 其中，TH_H0UGH的取值范圍為20?30。18.如權(quán)利要求11所述的裝置，所述候選人頭區(qū)域獲取模塊包括: 圓周法向量獲取模塊，用于將圓周以3為間隔等分為120等分，得到每個(gè)間隔點(diǎn)的法向量； 置信度計(jì)算模塊，對每個(gè)人頭候選點(diǎn)HCPOSk,在半徑為Rkl的圓的置信度即為圓周上的梯度向量與圓周法向量的歸一化內(nèi)積，記為HCDNFki ； 根據(jù)置信度獲取候選人頭區(qū)域模塊，對范圍RADmin < Rki < RADmax內(nèi)的所有半徑的圓計(jì)算置信度HCDNFki，取置信度最大的半徑Rki記為候選人頭半徑Rk，其置信度為HCDNFk，以人頭候選點(diǎn)HCPOSk為中心候選人頭半徑Rk內(nèi)的區(qū)域?yàn)楹蜻x人頭區(qū)域HCPOSk。19.如權(quán)利要求11所述的裝置，所述候選人頭區(qū)域篩選模塊包括:初步篩選模塊，用于設(shè)置閾值TH_HC0NF，過濾掉所有置信度HCDNFk小于TH_HC0NF的候選人頭區(qū)域HCPOSk ； 其中，TH_HC0NF的取值范圍為0.2?0.4。20.如權(quán)利要求19所述的裝置，所述候選人頭區(qū)域篩選模塊進(jìn)一步包括:二次篩選模塊，用于計(jì)算圓周內(nèi)和圓周外區(qū)域灰度的相似性GSMk，設(shè)置閾值TH_GS頂，過濾掉所有相似性GS頂k大于TH_GSIM的候選人頭區(qū)域HCPOSk; 其中，TH_GS頂?shù)娜≈捣秶鸀?.4?0.6。
【文檔編號】G06K9/46GK105868697SQ201610176753
【公開日】2016年8月17日
【申請日】2016年3月25日
【發(fā)明人】曾建平
【申請人】北京智芯原動(dòng)科技有限公司