一種視頻圖像中吉里巴甫服飾人群檢測的方法及系統(tǒng)的制作方法
【專利摘要】本發(fā)明涉及一種視頻圖像中吉里巴甫服飾人群檢測的方法及系統(tǒng)，該方法通過采用混合高斯背景建模方法求取圖像的移動前景區(qū)域；在移動前景區(qū)域上進行目標特征提取；運用分類器對目標特征分類，檢測出移動的前景區(qū)域中是否有行人；對檢測出的行人采用顏色濾波器識別出穿著黑色服飾的行人，提取該穿著黑色服飾的行人的邊緣信息獲得吉里巴甫服飾特征并對行人分類；采用人臉檢測算法對行人的分類結(jié)果進行檢測，將檢測不到完整人臉的目標進行標記；對標記的目標進行跟蹤檢測，判斷標記的目標的運動方向排除反方向的背影，判定面對攝像器運動的目標為吉里巴甫服飾目標人群并報警；從而為在視頻圖像中有效地進行吉里巴甫服飾人群檢測提供有效的檢測手段。
【專利說明】
-種視頻圖像中吉里己甫服飾人群檢測的方法及系統(tǒng)
技術領域
[0001] 本發(fā)明屬于圖像識別技術領域，具體設及一種視頻圖像吉里己甫服飾人群檢測的 方法及系統(tǒng)。
【背景技術】
[0002] 在一些不安全的地區(qū)，為了加強社會安全的需要，對一些穿著特別服飾的人物需 要進行特別檢測進行識別，即提前預防性檢測識別并預警。目前的識別檢測主要是通過圖 像檢測來對監(jiān)控區(qū)域進行監(jiān)控，運種監(jiān)控僅是監(jiān)控圖像的采集與保存。對于一些不安定的 人物，如穿著吉里己甫服飾的人物即使采集圖像也無法有效地進行識別并提前進行預警提 示，使人們做到提前預防，采取防護措施。

【發(fā)明內(nèi)容】

[0003] 本發(fā)明的目的在于解決上述的技術問題而提供一種視頻圖像中吉里己甫服飾人 群檢測的方法及系統(tǒng)。
[0004] 為實現(xiàn)上述目的，本發(fā)明采用如下技術方案：
[0005] -種視頻圖像中吉里己甫服飾人群檢測的方法，包括W下步驟：
[0006] 讀入視頻流并采用混合高斯背景建模方法求取圖像的移動前景區(qū)域；
[0007] 在所述移動前景區(qū)域上進行目標特征提取，包括HOG特征和LBP特征；
[000引運用分類器對目標特征分類，檢測出移動的前景區(qū)域中是否有行人；
[0009] 對檢測出的行人采用顏色濾波器識別出穿著黑色服飾的行人，然后提取該穿著黑 色服飾的行人的邊緣信息獲得吉里己甫服飾特征并對行人分類；
[0010] 采用人臉檢測算法對行人的分類結(jié)果進行檢測，將檢測不到完整人臉的目標進行 標記；
[0011] 對標記的目標進行跟蹤檢測，判斷標記的目標的運動方向排除反方向的背影，將 面向攝像器移動且無法檢測到完整人臉的目標判定為吉里己甫服飾目標人群并報警。
[0012] 所述采用混合高斯背景建模方法求取圖像的移動前景區(qū)域的方法為:在背景建模 完成后，判斷當前建模點與對應的背景模型是否匹配，若匹配則當前建模點為背景點，否則 當前建模點為前景點。
[0013] 所述判斷當前建模點與對應的背景模型是否匹配采用W下步驟：
[0014] 判斷當前建模點對應的背景模型的變化量是否在預設的匹配闊值范圍內(nèi)和\或當 前建模點的平均梯度與背景模型里的梯度相差是否在預定的百分比闊值范圍內(nèi)，若有一項 不在則認為不匹配。
[0015] 所述匹配闊值表示為：
[0016] !'虹 esholdi=(化 Iuebase 巧 he1:a)*Sensitivity
[0017] 其中，化Iuebase是基礎闊值，The化是方差，Sensitivity是靈敏度。
[0018] 所述分類器采用采用IatentSVM分類器。
[0019] 本發(fā)明的目的還在于提供一種視頻圖像中吉里己甫服飾人群檢測的系統(tǒng)，包括：
[0020] 前景區(qū)域求取模塊，用于讀入視頻流后采用混合高斯背景建模方法求取圖像的移 動前景區(qū)域；
[0021 ]特征提取模塊，用于在所述移動前景區(qū)域上進行目標特征提取，包括HOG特征和 LBP特征；
[0022] 行人檢測模塊，用于運用分類器對目標特征分類，檢測出移動的前景區(qū)域中是否 有行人；
[0023] 服飾特征提取分類模塊，用于對檢測出的行人采用顏色濾波器識別出穿著黑色服 飾的行人，然后提取該穿著黑色服飾的行人的邊緣信息獲得吉里己甫服飾特征并對行人分 類；
[0024] 人臉檢測模塊，用于采用人臉檢測算法對行人的分類結(jié)果進行檢測，將檢測不到 完整人臉的目標進行標記；
[0025] 目標確定模塊，用于對標記的目標進行跟蹤檢測，判斷標記的目標的運動方向排 除反方向的背影，將面向攝像器移動且無法檢測到完整人臉的目標判定為吉里己甫服飾目 標人并報警。
[0026] 本發(fā)明通過W上技術方案，可W快速地在視頻圖像中檢測出圖像中是否有行人穿 著吉里己甫服飾，從而為在視頻圖像中檢測圖像中的人物穿著吉里己甫服飾人群的有效性 提供了 一種有效的檢測解決方法。
【附圖說明】
[0027] 圖1為本發(fā)明實施例提供的視頻圖像中吉里己甫服飾人群檢測的方法的流程圖。
【具體實施方式】
[0028] 下面，結(jié)合實例對本發(fā)明的實質(zhì)性特點和優(yōu)勢作進一步的說明，但本發(fā)明并不局 限于所列的實施例。
[0029] 參見圖1所示，一種視頻圖像中吉里己甫服飾人群檢測的方法，包括：
[0030] SlOl，讀入視頻流并采用混合高斯背景建模方法求取圖像的移動前景區(qū)域；
[0031 ] S102，在所述移動前景區(qū)域上進行目標特征提取，包括HOG特征和LBP特征；
[0032] S103,運用分類器對目標特征分類，檢測出移動的前景區(qū)域中是否有行人；
[0033] S104,對檢測出的行人采用顏色濾波器識別出穿著黑色服飾的行人，然后提取該 穿著黑色服飾的行人的邊緣信息獲得吉里己甫服飾特征并對行人分類；
[0034] S105,采用人臉檢測算法對行人的分類結(jié)果進行檢測，將檢測不到完整人臉的目 標進行標記；
[0035] S106,對標記的目標進行跟蹤檢測，判斷標記的目標的運動方向排除反方向的背 影，將面向攝像器移動且無法檢測到完整人臉的目標判定為吉里己甫服飾目標人群并報警 同，否則返回第一步驟SlOl繼續(xù)進行檢測。
[0036] 本發(fā)明通過W上技術方案，可W快速地在視頻圖像中檢測出圖像中是否有行人穿 著吉里己甫服飾，從而為在視頻圖像中檢測圖像中的人物穿著吉里己甫服飾人群的有效性 提供了 一種有效的檢測解決方法。
[0037] W下，結(jié)合背景建模，目標特征提取W及分類器對特征進行分類的具體實現(xiàn)手段 進行說明。
[0038] Stepl:讀入視頻流后，采用混合高斯背景建模求取移動前景區(qū)域。
[0039] 因攝像機為固定視角所W被檢測行人為移動目標，采用混合高斯背景建模可W將 目標鎖定為移動物體，并為后續(xù)檢測提供合理的目標區(qū)域。
[0040] 混合高斯背景建模的整體流程包括=個步驟:背景模型的初始化、背景模型的匹 配更新、背景學習成功并檢測前景。建模點分為前景點和背景點兩類。在更新學習過程中需 采用不同的速率對其匹配的高斯模型進行更新。
[0041] 對于第一帖數(shù)據(jù)利用當前圖像的建模點數(shù)據(jù)初始化最先分配的高斯模型，之后依 據(jù)建模點的數(shù)據(jù)不斷訓練對應的模型均值、方差和權(quán)重。當建模點權(quán)重達到設定的建模成 功闊值，說明該建模點建模成功，反之繼續(xù)學習直到權(quán)重滿足闊值。
[0042] 通過對建模點高斯模型參數(shù)不斷的訓練和學習，越來越多的建模點建模成功，統(tǒng) 計整帖圖像中建模成功的建模點數(shù)量，若達到整幅圖像建模點總數(shù)的1/5,則背景學習成 功。然后進入前景檢測階段，并對檢測到的前景點和背景點分別W不同速率更新背景模型， W提高背景模型的適應性。
[0043] 背景建模完成后進入前景檢測階段，利用當前建模點與對應背景模型進行匹配。 匹配的判斷闊值是與對應的背景模型方差有關，模塊會根據(jù)其值的變化自適應的調(diào)整，各 顏色分量的模型匹配闊值可表示為：
[0044] !'虹 esholdi=(化 Iuebase 巧 he1:a)*Sensitivity
[0045] 其中，Valuebase是基礎闊值，Theta是方差，Sensitivity是靈敏度。若建模點與其 背景模型的變化量在運個闊值范圍內(nèi)，說明建模點與該模型匹配。此外，當前建模點的平均 梯度與背景模型里的梯度相差超過20%，即被認為不匹配。
[0046] 另外在背景模型中若背景模型沒有建模成功，則默認為該建模點為背景點。在建 模點對應的背景模型成功的情況下，若該建模點與其背景模型未匹配，則該建模點不一定 為前景點，還要同其四鄰域的建模點的背景模型做匹配，若匹配依然未成功，則該建模點確 定為前景點，反之此點依然是背景點。
[0047] Step2:在移動前景區(qū)域上進行目標特征提取，包括HOG特征和LBP特征。
[004引 HOG特征提?。?br>[0049] 通過計算和統(tǒng)計圖像局部區(qū)域的梯度方向直方圖來構(gòu)成特征。在一副圖像中，局 部目標的表象和形狀能夠被梯度或邊緣的方向密度分布很好地描述。把運些局部直方圖在 圖像的更大的范圍內(nèi)（區(qū)間或block)進行對比度歸一化kontrast-normalized)，所采用方 法是:先計算各直方圖在運個區(qū)間(block)中的密度，然后根據(jù)此密度對區(qū)間中的各細胞單 元做歸一化。通過歸一化后，能對光照變化和陰影獲得更好的效果。
[0050] 由于HOG是在圖像的局部方格單元上操作，所W它對圖像幾何的和光學的形變都 能保持很好的不變性，運兩種形變只會出現(xiàn)在更大的空間領域上。其次，在粗的空域抽樣、 精細的方向抽樣W及較強的局部光學歸一化等條件下，只要行人大體上能夠保持直立的姿 勢，可W容許行人有一些細微的肢體動作，運些細微的動作可W被忽略而不影響檢測效果。 因此冊G特征是特別適合于做圖像中的人體檢測的。
[0051] LBP 特征：
[0052] LBP算子定義為在3*3的窗口內(nèi)，W窗口中屯、像素為闊值，將相鄰的8個像素的灰度 值與其進行比較，若周圍像素值大于中屯、像素值，則該像素點的位置被標記為1，否則為0。 運樣，3*3鄰域內(nèi)的8個點經(jīng)比較可產(chǎn)生8位二進制數(shù)(通常轉(zhuǎn)換為十進制數(shù)即LBP碼，共256 種），即得到該窗口中屯、像素點的LBP值，并用此值反映該區(qū)域的紋理信息。
[0053] 提取出冊G特征與LBP特征后，分別計算冊G特征直方圖和LBP特征直方圖，然后串 行連接形成聯(lián)合直方圖作為目標特征。
[0化4] Step4:采用IatentSVM分類器對上述特征進行分類，實現(xiàn)對行人檢測。
[0055] IatentSVM分類器是采用多模型即包括主模型和子模型來描述一個目標，并采用 彈黃形變原理來將子模型與主模型組合起來，W很好的適應運動過程中的形變問題，主要 是通過計算綜合得分來實現(xiàn)，綜合得分公式為：
[0化6]
[0化7].錢綠(鄉(xiāng),綠)是主模型的得分或者說是匹配程度。中間是n個子模型的得分。b是為 了組件之間對齊而設的自動補償系數(shù)，（xo，yo)為主模型的left-top位置在模型圖中的坐 標，2(xo，yo)+化為第i個子模型映射到子模型特征圖中的坐標。X2是因為子模型特征圖的分 辨率是主模型特征圖的兩倍，化為相對于主模型左上角的偏移。在此基礎上用LatentSVM分 類，公式為：
[0化引 [0化9]
[0060] 用坐標下降法來求解該問題。
[0061] Step3:在檢測出的行人中采用顏色濾波器識別出穿著黑色服飾的人，并采用邊緣 信息提取方法提取該穿著黑色服飾的人的邊緣信息，提取獲得吉里己甫服飾特征并對行人 進行分類。
[0062] Step4:對W上的行人的分類結(jié)果采用人臉檢測算法進行檢測，為檢測到完整人臉 的行人進行標記；因吉里己甫服飾是蒙面的，因此檢測不到完整人臉，故而將為檢測不到完 整人臉的行人進行標記，作疑似吉里己甫服飾的人進行再進一步的檢測、跟蹤；
[0063] Step5:對上一步標記的目標進行跟蹤，判斷目標運動方向，并根據(jù)目標的運動方 向排除反方向的背影，從而保留面向攝像機鏡頭運動的目標。
[0064] steps:如滿足W上各項條件，即如果行人面向攝像機運動且無完整人臉檢測出， 則認為是穿著吉里己甫服飾的人群，進行報警，否則進入Stepl繼續(xù)進行檢測。
[0065] 本發(fā)明的目的還在于提供一種視頻圖像中吉里己甫服飾人群檢測的系統(tǒng)，包括：
[0066] 前景區(qū)域求取模塊，用于讀入視頻流后采用混合高斯背景建模方法求取圖像的移 動前景區(qū)域；
[0067] 特征提取模塊，用于在所述移動前景區(qū)域上進行目標特征提取，包括HOG特征和 LBP特征；
[0068] 行人檢測模塊，用于運用分類器對目標特征分類，檢測出移動的前景區(qū)域中是否 有行人；
[0069] 服飾特征提取分類模塊，用于對檢測出的行人采用顏色濾波器識別出穿著黑色服 飾的行人，然后提取該穿著黑色服飾的行人的邊緣信息獲得吉里己甫服飾特征并對行人分 類；
[0070] 人臉檢測模塊，用于采用人臉檢測算法對行人的分類結(jié)果進行檢測，將檢測不到 完整人臉的目標進行標記；
[0071 ]目標確定模塊，用于對標記的目標進行跟蹤檢測，判斷標記的目標的運動方向排 除反方向的背影，將面向攝像器移動且無法檢測到完整人臉的目標判定為吉里己甫服飾目 柄人并報警。
[0072] 關于視頻圖像中吉里己甫服飾人群檢測的系統(tǒng)，其檢測原理及方法，與上述的視 頻圖像中吉里己甫服飾人群檢測的方法相同，在此不再進行詳細說明。
[0073] 可W看出本發(fā)明通過W上技術方案，可W快速地在視頻圖像中檢測出圖像中是否 有行人穿著吉里己甫服飾，從而為在視頻圖像中檢測圖像中的人物穿著吉里己甫服飾人群 的有效性提供了一種有效的檢測解決方法。
[0074] W上所述僅是本發(fā)明的優(yōu)選實施方式，應當指出，對于本技術領域的普通技術人 員來說，在不脫離本發(fā)明原理的前提下，還可W做出若干改進和潤飾，運些改進和潤飾也應 視為本發(fā)明的保護范圍。
【主權(quán)項】
1. 一種視頻圖像中吉里巴甫服飾人群檢測的方法，其特征在于，包括以下步驟： 讀入視頻流并采用混合高斯背景建模方法求取圖像的移動前景區(qū)域； 在所述移動前景區(qū)域上進行目標特征提取，包括HOG特征和LBP特征； 運用分類器對目標特征分類，檢測出移動的前景區(qū)域中是否有行人； 對檢測出的行人采用顏色濾波器識別出穿著黑色服飾的行人，然后提取該穿著黑色服 飾的行人的邊緣信息獲得吉里巴甫服飾特征并對行人分類； 采用人臉檢測算法對行人的分類結(jié)果進行檢測，將檢測不到完整人臉的目標進行標 記； 對標記的目標進行跟蹤檢測，判斷標記的目標的運動方向排除反方向的背影，將面向 攝像器移動且無法檢測到完整人臉的目標判定為吉里巴甫服飾目標人群并報警。2. 根據(jù)權(quán)利要求1所述視頻圖像中吉里巴甫服飾人群檢測的方法，其特征在于，所述采 用混合高斯背景建模方法求取圖像的移動前景區(qū)域的方法為:在背景建模完成后，判斷當 前建模點與對應的背景模型是否匹配，若匹配則當前建模點為背景點，否則當前建模點為 前景點。3. 根據(jù)權(quán)利要求2所述視頻圖像中吉里巴甫服飾人群檢測的方法，其特征在于，所述判 斷當前建模點與對應的背景模型是否匹配采用以下步驟： 判斷當前建模點對應的背景模型的變化量是否在預設的匹配閾值范圍內(nèi)和\或當前建 模點的平均梯度與背景模型里的梯度相差是否在預定的百分比閾值范圍內(nèi)，若有一項不在 則認為不匹配。4. 根據(jù)權(quán)利要求3所述視頻圖像中吉里巴甫服飾人群檢測的方法，其特征在于，所述匹 配閾值表示為： Thresholdi= (Valuebase+Theta)氺 Sensitivity 其中，Valuebase是基礎閾值，Theta是方差，Sensitivity是靈敏度。5. 根據(jù)權(quán)利要求1-4任一項所述視頻圖像中吉里巴甫服飾人群檢測的方法，其特征在 于，所述分類器采用采用latentSVM分類器。6. -種視頻圖像中吉里巴甫服飾人群檢測的系統(tǒng)，其特征在于，包括： 前景區(qū)域求取模塊，用于讀入視頻流后采用混合高斯背景建模方法求取圖像的移動前 景區(qū)域； 特征提取模塊，用于在所述移動前景區(qū)域上進行目標特征提取，包括HOG特征和LBP特 征； 行人檢測模塊，用于運用分類器對目標特征分類，檢測出移動的前景區(qū)域中是否有行 人； 服飾特征提取分類模塊，用于對檢測出的行人采用顏色濾波器識別出穿著黑色服飾的 行人，然后提取該穿著黑色服飾的行人的邊緣信息獲得吉里巴甫服飾特征并對行人分類； 人臉檢測模塊，用于采用人臉檢測算法對行人的分類結(jié)果進行檢測，將檢測不到完整 人臉的目標進行標記； 目標確定模塊，用于用于對標記的目標進行跟蹤檢測，判斷標記的目標的運動方向排 除反方向的背影，將面向攝像器移動且無法檢測到完整人臉的目標判定為吉里巴甫服飾目 標人群并報警。7. 根據(jù)權(quán)利要求6所述視頻圖像中吉里巴甫服飾人群檢測的方法，其特征在于，所述采 用混合高斯背景建模方法求取圖像的移動前景區(qū)域的方法為:在背景建模完成后，判斷當 前建模點與對應的背景模型是否匹配，若匹配則當前建模點為背景點，否則當前建模點為 前景點。8. 根據(jù)權(quán)利要求7所述視頻圖像中吉里巴甫服飾人群檢測的方法，其特征在于，所述判 斷當前建模點與對應的背景模型是否匹配采用以下步驟： 判斷當前建模點對應的背景模型的變化量是否在預設的匹配閾值范圍內(nèi)和\或當前建 模點的平均梯度與背景模型里的梯度相差是否在預定的百分比閾值范圍內(nèi)，若有一項不在 則認為不匹配。9. 根據(jù)權(quán)利要求8所述視頻圖像中吉里巴甫服飾人群檢測的方法，其特征在于，所述匹 配閾值表示為： Thresholdi= (Valuebase+Theta)氺 Sensitivity 其中，Valuebase是基礎閾值，Theta是方差，Sensitivity是靈敏度。10. 根據(jù)權(quán)利要求1-4任一項所述視頻圖像中吉里巴服飾人群檢測的方法，其特征在 于，所述分類器采用采用latentSVM分類器。
【文檔編號】G06K9/00GK106022278SQ201610363521
【公開日】2016年10月12日
【申請日】2016年5月26日
【發(fā)明人】張德馨
【申請人】天津艾思科爾科技有限公司