專利名稱：一種基于垂直放置的深度攝像頭的人頭檢測方法
技術領域：
本發(fā)明涉及一種檢測方法，尤其是一種基于垂直放置的深度攝像頭的人頭檢測方法，屬于圖像處理與模式識別的技術領域。
背景技術：
人頭計數(shù)在監(jiān)控視頻應用中是一個重要的組成部分，例如游客數(shù)量統(tǒng)計等?，F(xiàn)有的基于可見光的人頭計數(shù)方法，大體可分為如下三個方向基于檢測的計數(shù)，基于回歸的計數(shù)和無監(jiān)督的跟蹤?；跈z測的計數(shù)即使用一個多尺度的滑框對待檢測圖像中的所有位置進行二分類，判斷滑框內是否有人；基于回歸的計數(shù)利用回歸的方法訓練一個圖像紋理和其中的人數(shù)之間的一個分布從而對圖像中的人數(shù)進行統(tǒng)計；基于無監(jiān)督跟蹤的方法利用點跟蹤的方法對所有的點的軌跡進行聚類，從而獲取圖像序列中人的數(shù)量。以上三種方法在某些場景下可以取得很好的效果，但是由于遮擋，光照變化，目標顏色和紋理的多邊性等， 在實際應用中檢測正確率不高?，F(xiàn)有的基于深度攝像頭的人頭計數(shù)方法都比較簡單，大體可分為兩類跟蹤法和模板匹配法。跟蹤法即利用深度攝像頭精確獲取場景內的運動目標，直接對其進行跟蹤完成計數(shù)任務；模板匹配利用垂直放置深度攝像機獲取場景內的深度圖，其中人的頭部和肩部形成的一個鞍形，使用一個固定模板在場景內進行滑框匹配從而檢測到人頭。以上兩種方法必須在特定場景特定條件下才會取得良好效果，且對參數(shù)變化很敏感，不利用推廣應用。

發(fā)明內容
本發(fā)明的目的是克服現(xiàn)有技術中存在的不足，提供一種基于垂直放置的深度攝像頭的人頭檢測方法，其操作方便，魯棒性好，適應性廣。按照本發(fā)明提供的技術方案，一種基于垂直放置的深度攝像頭的人頭檢測方法，所述人頭檢測方法包括如下步驟a、設置垂直分布的攝像頭及與所述攝像頭匹配的主動光源，并利用所述攝像頭獲取行人的深度圖像；b、對所獲得的深度圖像進行背景建模，以獲得對應的前景圖像；C、對上述前景圖像進行模擬隨機撒水滴操作；d、對上述降落于前景圖像內的水滴作為采樣點，并將所述采樣點與所述采樣點的鄰域進行比較，直至所述采樣點移動到局部極小值區(qū)域，無法再進行移動，則采樣點停留在所述局部極小值區(qū)域，并調節(jié)局部極小值區(qū)域的深度數(shù)值；e、當前景圖像內所有的采樣點均進行上述移動后，得到采用點的分布圖，將分布圖中局部極小值區(qū)域的深度數(shù)值與預設閾值比較，濾除深度數(shù)值小于預設閾值的局部極小值區(qū)域后，得到所需的行人頭部位置區(qū)域，以實現(xiàn)對行人數(shù)量檢測。所述步驟b中利用高斯背景建模的方法對深度圖像進行建模。
所述步驟c中，隨機撒水滴操作中每次降落的水滴為一個或多個。所述隨機撒水滴操作中每次降落的水滴為一個時，則上述過程具體為hi、對于深度圖像的前景圖像f(x，y)和衡量函數(shù)g(x，y)，并令g(x，y)=0 ;前景圖像f(x，y)的范圍為MXN，預設閾值T，水滴數(shù)量K;設置輔助變量k= I ；h2、若 k〈K,則 x=rand(l, M)，y=rand(l, N),否則跳轉到步驟 h6,其中,rand( ·)表示隨機函數(shù)，點(x，y)為降落水滴的位置；h3、令 d (xn, yn) =f (xn, yn) +g (xn, yn) - (f (x, y) +g (x, y))，其中，(xn, yn)是點(x, y)的鄰域；h4、令(x, , γ' ) =argmind(xn, yn)；115、如果(10^ ,y' )〈0，則 X=X'，y=y'，跳轉步驟 h3 ;否則 g(x，y) =g(x，y)+1，k =k+1,跳轉步驟(h2)；h6、對前景圖像f(x，y)及得到的衡量函數(shù)g(x，y)與預設閾值T比較，去除衡量函數(shù)g(x，y)小于預設閾值T的區(qū)域，剩余為行人頭部位置區(qū)域。所述隨機撒水滴操作中每次降落的水滴為多個時，則上述過程具體為Si、對于深度圖像的前景圖像f(x，y)和衡量函數(shù)g(x，y)，并令g(x，y)=0 ;前景圖像f(x，y)的范圍為MXN，預設閾值T，水滴數(shù)量K'，一次降落的水滴數(shù)目為R ;設置輔助變量 k=l ；s2、若 k〈K'，則 X = rand(l，M)，y = rand(l，N)，ω = R，否則跳轉到步驟 s5，其中，rand ( ·)表示隨機函數(shù)，點(x，y)為降落水滴的位置；s3、若 ω >0,則 d (xn, yn) =f (xn, yn) +g (xn, yn) - (f (x, y) +g (x, y))，其中，(xn, yn)是點(x, y)的鄰域；并令(X'，l' )=argmind(xn, yn);否則跳轉至步驟s2 ；s^gcKx'，y' )+r<0, jjllj x=x ;，y=y ',否則 g (x, y) =g (x, y)+min (r, ω)，ω = ω-；τ,并跳轉到步驟s3, r表示預設參數(shù)；s5、對前景圖像f(x，y)及得到的衡量函數(shù)g (x，y)與預設閾值T比較，去除衡量函數(shù)g(x，y)小于預設閾值T的區(qū)域，剩余為行人頭部位置區(qū)域。本發(fā)明的優(yōu)點采用垂直設置攝像頭的方法自上而下拍攝行人，獲取深度圖片，解決了遮擋問題，同時采用主動光源的深度攝像頭獲取場景中的深度圖像，從而避免了光照，顏色和紋理的變化對檢測造成的影響。本發(fā)明開發(fā)了一種新的聚類算法可有效快速魯棒地獲取局部最小值區(qū)域，且與圖像中目標尺度無關，對參數(shù)依賴性小。利用這種算法對獲取的深度圖像進行處理，從而檢測到圖像中的行人數(shù)量，操作方便，適應性廣。


圖I為本發(fā)明獲取深度圖像的結構示意圖。圖2為本發(fā)明的檢測流程圖。附圖標記說明1_攝像頭、2_地板及3_行人。
具體實施例方式下面結合具體附圖和實施例對本發(fā)明作進一步說明。本發(fā)明的整個流程為，首先通過垂直放置的攝像頭獲取檢測區(qū)域內的行人圖像，對獲取的深度圖像進行背景建模，然后根據(jù)獲取的前景大小進行模擬隨機水滴撒點操作，每個點都根據(jù)周圍的點的大小決定自己的運行方向以及停留位置，最后統(tǒng)計所有的點的聚集處，經過區(qū)域大小濾波，獲取場景中人的個數(shù)。如圖I和圖2所示本發(fā)明人頭檢測方法包括如下步驟，分別為a、設置垂直分布的攝像頭I及與所述攝像頭I匹配的主動光源，并利用所述攝像頭I獲取行人3的深度圖像；如圖I所示攝像頭I位于行人3的頂部，即攝像頭I處于垂直分布狀態(tài)，攝像頭I安裝于所需的室內環(huán)境內，主動光源采用現(xiàn)有的光源系統(tǒng)，采用的垂直放置的攝像頭獲取行人的深度圖像，由于從攝像頭I位置觀察，行人3的頭部一定是要比其他部位更靠近攝像頭1，頭部的深度值比相鄰區(qū)域小，從而對人的檢測轉變?yōu)閷D像中局部極小值的尋找。本發(fā)明實施例中，所述深度均值行人3的頭部與攝像頭I間的距離。b、對所獲得的深度圖像進行背景建模，以獲得對應的前景圖像； 因為由主動光源獲取的深度圖像與外界光照變化無關，不受光照變化影響，同時也不會檢測到陰影，從而可獲取魯棒的前景圖像，本發(fā)明采用的是多高斯背景建模方法，此種方法在多種文獻中都有介紹。C、對上述前景圖像進行模擬隨機撒水滴操作；設函數(shù)f為對深度圖像進行背景建模之后獲取的前景圖像，其中f(x，y)表示點(x, y)的深度值。由于噪聲影響，f(x, y)并不是可導的，甚至是不連續(xù)有值的。此外，因為垂直放置的攝像頭I獲取的圖像中，行人3的頭部會比其它部位更接近攝像頭I，則行人3的頭部的深度值要高于肩膀等其它部分，則在圖像中尋找行人3的個數(shù)等同于在前景圖像中尋找局部極極值。在數(shù)學上，這個問題等同于尋找一個合適的A和Q滿足以下方程Ea(f (x, y)) + n ^ Eqxa(f (x, y))(I)其中A e Q，A是局部區(qū)域而Q則是其領域，E代表深度圖中一定區(qū)域的深度信息。η則是預先定義的閾值使得區(qū)域A—定比區(qū)域Q\A的深度要小。為了高效而魯棒地解決上述問題，需要引入一個額外的衡量函數(shù)g(x，y)，去衡量f(x, y)中某一個區(qū)域與其臨近區(qū)域的差異，如果差異超過預先設定的閾值，且這個區(qū)域大小超過預先設定的閾值，則認為這個區(qū)域為人的頭部。在數(shù)學描述上，定義g(x，y)如下g(x, y)是一個對 f(x，y)的衡量方程，當且僅當3￡>0，/0,，.1，,)，(12，)，2)，使得I (X1-X2)2+ (Yry2) I〈 ε ,如果 f (X1, Y1) ^ f (x2, y2)、,貝Ijf (X1, Y1) +g(X1, Y1) f (x2, y2) +g(χ2, y2)(2)g(x1； Y1) ^ g(x2, y2)(3)g(x1； Y1) ^ 0, g(x2, y2) ^ 0(4)其中，(X1,y2)、(x2, y2)為點(x, y)的鄰域，g(x, y)可以為 0。受到水滴從高處往低處運動的啟發(fā)，本發(fā)明實施例提出一種新算法來獲取g(x，y)。如果把f(x，y)看做一個地面，其中的深度信息作為高地或者洼地，如果有水滴進入則會在其鄰域內尋找較低的位置并進行移動，而那些較低位置則會最終聚集大量的水滴，g(x, y)用來表示在(x，y)位置的水滴數(shù)量。在撒點移動過程之后，那些擁有很多水滴的區(qū)域就是人的頭部。d、對上述降落于前景圖像內的水滴作為采樣點，并將所述采樣點與所述采樣點的鄰域進行比較，直至所述采樣點移動到局部極小值區(qū)域，無法再進行移動，則采樣點停留在所述局部極小值區(qū)域，并且所述局部極小值區(qū)域的深度值增加對應數(shù)值；e、當前景圖像內所有的采樣點均進行上述移動后，得到采用點的分布圖，將分布圖中局部極小值區(qū)域的深度數(shù)值與預設閾值比較，濾除深度數(shù)值小于預設閾值的局部極小值區(qū)域后，得到所需的行人頭部位置區(qū)域，以實現(xiàn)對行人數(shù)量檢測。步驟d和步驟e中，本發(fā)明的算法可以被看做上面隨機撒水滴一個過程的模擬，但是，水滴的數(shù)量是一個連續(xù)的值，并且不同的水滴會到達不同的位置，它們直接的互相影響非常復雜。在本發(fā)明的聚類算法當中，設定每個水滴都有相同的質量，而地表則是離散的區(qū)域；每個水滴都是一個一個順序在地表降落運動，所以任意兩個水滴之間沒有相互作用存在。則算法的具體實現(xiàn)細則如下hi、對于深度圖像的前景圖像f(x，y)和衡量函數(shù)g(x，y)，并令g(x，y)=0 ;前景圖像f U，y)的范圍為MXN，預設閾值T，水滴數(shù)量K ;設置輔助變量k=l ;本發(fā)明實施例中，水滴數(shù)量K是根據(jù)所獲得的深度圖像及其需要進行設置，預設閾值T根據(jù)水滴數(shù)量K對應設 置，具體實施時，預設閾值T為2 ;h2、若 k〈K,貝丨J x=rand(l, M), y=rand(l, N)，否則跳轉到步驟(h6),其中，rand( ·)表示隨機函數(shù)，點(x，y)為降落水滴的位置；h3、令 d (xn, yn) =f (xn, yn) +g (xn, yn) - (f (x, y) +g (x, y))，其中，(xn, yn)是點(x, y)的鄰域；f (x, y)即為點(x, y)的深度值；g(x，y)能表示在點(x, y)落下的雨滴數(shù)目，g(x，y)初始時為O,每一個點(X，y)處的數(shù)值由兩個部分組成，即初始圖像深度值f (X，y)以及后來又落在此處的雨滴數(shù)目g(x，y)。(χη, yn)為點(x，y)的鄰域，實際上就是點(x，y)的周圍八個點，上面的這個表達式即是將這八個鄰域點依次與(x，y)進行比較，d(xn，yn)即為八個點中的某一個點與中間的點(x，y)之間的差值，可依次寫為d(Xl，yi)，d(X2，y2)···d (x8, y8),此處統(tǒng)統(tǒng)以d (xn, yn)來表示。h4、令(X' , j' ) =argmind(xn, yn)；argmind (xn, yn)即是尋找一點(x, y),使得d (xn, yn)最小,其實就是對上一步計算得來的八個點的d(xn，yn)尋找一個最小值，并將其相應的位置復制給(X' ,y')，此步驟其實就是要尋找點(x，y)周圍八個點與自己的差值的最小值。h5、如果 dV ,Y' )<0,pjx=x/，y=y'，跳轉步驟 h3 ;否則 g (x，y) =g (x，y)+1，k=k+1,跳轉步驟h2 ；此步驟是將雨滴移動到這個最小值點，進行下一次的循環(huán)；h6、對前景圖像f(x，y)及得到的衡量函數(shù)g (x，y)與預設閾值T比較，去除衡量函數(shù)g(x，y)小于預設閾值T的區(qū)域，剩余為行人頭部位置區(qū)域。上述的具體過程是一個雨滴到達點(X，y)時，要比較一下點(X，y)的鄰域八個點值和(X，y)處的值，如果鄰域八個點中有的點的值比(X，y)處的小，則雨滴就移動到這個最小值所在的位置上去，如果鄰域八個點的值都比自己大，則這雨滴就落在了(x，y)點上，不會再進行移動，再進行下一個雨滴的移動，即跳轉到步驟h2。步驟h3就是獲取點(X，y)鄰域八個點中的值與(X，y)之間的差值,然后步驟h4在這些差值中尋找最小值，步驟h5判斷這個最小值是否小于0，如果小于0，則說明鄰域內有某個點的值比(x，y)處的值小，則要移動該雨滴到這個最小值位置上去，進行下一個步驟h3，步驟h4;如果這個最小值大于O，說明點(x，y)即為鄰域內的最小值，則雨滴在點(x，y)處落下，回到步驟h2，進行下一個雨滴的移動這里的閾值T與局部極小值的區(qū)域大小是沒有關系的，實際上g(x，y) >0即表示點(X，y)位置上有雨滴降落，則此區(qū)域為局部極小值區(qū)域，但是只有降落了 T個雨滴以上的區(qū)域才能被當做頭部，則在局部最小值區(qū)域的基礎上，將g(x，y)與閾值T進行比較，小于閾值T的區(qū)域去除掉之后，即為濾波后的區(qū)域了，即為人的頭部區(qū)域。其中水滴數(shù)目K設置為t —般設置為100,在每個循環(huán)當中，點(x,y)在前景圖像f(x，y)中隨機產生，如果點(x，y)的鄰域內存在有點，ι')滿足f(x/ ,1' )+g(x/ ,1' )〈€(\7)+80^，7)，即(\7)點的深度值比0^ ,1')點小，則位于(x，y)點的水滴就要移動到,1')，直到水滴不能再移動位置，假設最終移動到的位置為(χο，y。)，則g(x。，yo)=g(xo, yQ)+i。若所有的κ個水滴都找到了固定位置，則最終得到了衡量函數(shù)g(x，y)。隨后根據(jù)衡量函數(shù)g(x，y)及預設閾值T進行前景區(qū)域大小濾波，對于過小的區(qū)域進行消除，剩下的即為人頭區(qū)域。針對上述算法雖然對場景魯棒但是運算速度緩慢的缺點，本發(fā)明實施例基于上述的算法，提出了一套加速方案。由于初始降落在同一個區(qū)域的水滴走過的路徑大致相似，甚至傾向于最終移動到同一個區(qū)域，根據(jù)這個特點，可以每次循環(huán)當中不必每次都只降落一個水滴，而使用R個水滴降落在某一區(qū)域，這樣就可以使用W=K/R次循環(huán)。當R個水滴運動到點(X。，yQ)，且對周圍所有的點(X' , 1')滿足條件f (X。，yQ)+g(xQ，yQ)>f (X' , i' )+g(X' , l')，則R=R-r,且gh，yj+r,其中r為預先設定參數(shù)。隨后這R個水滴以(x0,10)為初始點繼續(xù)進行判斷運動，直到R = O,詳細算法如下所示Si、對于深度圖像的前景圖像f (X，y)和衡量函數(shù)g(x, y)，并令g(x, y) =0 ;前景圖 像f(x，y)的范圍為MXN，預設閾值T，水滴數(shù)量K'，一次降落的水滴數(shù)目為R ;設置輔助變量 k = I ;s2、若 k〈K',則 X = rand(l, Μ)，y = rand(l, N), ω = R,否則跳轉到步驟 s5,其中，rand ( ·)表示隨機函數(shù)，點(x，y)為降落水滴的位置；w就是一個局部變量，每次循環(huán)開始的時候都將它的值設置為R，然后在循環(huán)當中的s4步驟中，會逐漸減小，直至小于O之后跳轉至s2進行下一輪循環(huán)；s3、若 ω >0,則 d (xn, yn) =f (xn, yn) +g (xn, yn) - (f (x, y) +g (x, y))，其中，(xn, yn)是點(x, y)的鄰域，并令(X' , l' ) =argmind(xn, yn);否則跳轉至 s2.s^gcKx'，y' )+r<0, jjllj x=x ;，y=y ',否則 g (x, y) =g (x, y)+min (r, ω)，ω = ω-Γ，并跳轉到步驟S3，r表示預設參數(shù)；r為算法中唯一需要調節(jié)的參數(shù)，一般是根據(jù)現(xiàn)場攝像機的高度來進行調節(jié)的，但是最終的結果對于這個參數(shù)依賴性不強，這種對參數(shù)不敏感也是算法的優(yōu)點之一，即如果攝像機的高度相差不大，這個參數(shù)也不用更改。一般地，采用的R=25，r=5。s5、對前景圖像f(x，y)及得到的衡量函數(shù)g (x，y)與預設閾值T比較，去除衡量函數(shù)g(x，y)小于預設閾值T的區(qū)域，剩余為行人頭部位置區(qū)域。是對應于區(qū)域內的水滴數(shù)量的，降落的水滴才是指示頭部位置所在的關鍵，而不是本身的深度值。
本發(fā)明采用垂直設置攝像頭I的方法自上而下拍攝行人，獲取深度圖片，解決了遮擋問題，同時采用主動光源的深度攝像頭獲取場景中的深度圖像，從而避免了光照，顏色和紋理的變化對檢測造成的影響。本發(fā)明開發(fā)了一種新的聚類算法可有效快速魯棒地獲取 局部最小值區(qū)域，且與圖像中目標尺度無關，對參數(shù)依賴性小。利用這種算法對獲取的深度圖像進行處理，從而檢測到圖像中的行人數(shù)量，操作方便，適應性廣。
權利要求
1.一種基于垂直放置的深度攝像頭的人頭檢測方法，其特征是所述人頭檢測方法包括如下步驟(a)、設置垂直分布的攝像頭及與所述攝像頭匹配的主動光源，并利用所述攝像頭獲取行人的深度圖像；(b)、對所獲得的深度圖像進行背景建模，以獲得對應的前景圖像；(C)、對上述前景圖像進行模擬隨機撒水滴操作；(d)、對上述降落于前景圖像內的水滴作為采樣點，并將所述采樣點與所述采樣點的鄰域進行比較，直至所述采樣點移動到局部極小值區(qū)域，無法再進行移動，則采樣點停留在所述局部極小值區(qū)域，并調節(jié)局部極小值區(qū)域的深度數(shù)值；(e)、當前景圖像內所有的采樣點均進行上述移動后，得到采用點的分布圖，將分布圖中局部極小值區(qū)域的深度數(shù)值與預設閾值比較，濾除深度數(shù)值小于預設閾值的局部極小值區(qū)域后，得到所需的行人頭部位置區(qū)域，以實現(xiàn)對行人數(shù)量檢測。
2.根據(jù)權利要求I所述的基于垂直放置的深度攝像頭的人頭檢測方法，其特征是所述步驟(b )中利用高斯背景建模的方法對深度圖像進行建模。
3.根據(jù)權利要求I所述的基于垂直放置的深度攝像頭的人頭檢測方法，其特征是所述步驟(C)中，隨機撒水滴操作中每次降落的水滴為一個或多個。
4.根據(jù)權利要求3所述的基于垂直放置的深度攝像頭的人頭檢測方法，其特征是，所述隨機撒水滴操作中每次降落的水滴為一個時，則上述過程具體為(hi)、對于深度圖像的前景圖像f (X，y)和衡量函數(shù)g(x, y),并令g(x, y) =0 ;前景圖像 f(x，y)的范圍為MXN，預設閾值T，水滴數(shù)量K;設置輔助變量k= I ；(h2)、若 k〈K,貝丨J X = rand (I, Μ), y = rand (I, N),否則跳轉到步驟(h6),其中，rand (·) 表示隨機函數(shù)，點(x，y)為降落水滴的位置；(h3)、令 d (xn, yn) =f (xn, yn) +g (xn, yn) - (f (x, y) +g (x, y))，其中，(xn, yn)是點(x, y)的鄰域；(h4)、令(x,，y, ) =argmind(xn, yn)；(h5)、如果 d(x' ,y' )〈0，則 X=X'，y=y'，跳轉步驟(h3);否則 g(x，y)=g(x，y)+l，k =k+1,跳轉步驟(h2)；(h6)、對前景圖像f(x，y)及得到的衡量函數(shù)g(x，y)與預設閾值T比較，去除衡量函數(shù) g(x, y)小于預設閾值T的區(qū)域，剩余為行人頭部位置區(qū)域。
5.根據(jù)權利要求3所述的基于垂直放置的深度攝像頭的人頭檢測方法，其特征是，所述隨機撒水滴操作中每次降落的水滴為多個時，則上述過程具體為(Si)、對于深度圖像的前景圖像f (X，y)和衡量函數(shù)g(x, y),并令g(x, y) =0 ;前景圖像 f(x, y)的范圍為MXN，預設閾值T，水滴數(shù)量K'，一次降落的水滴數(shù)目為R ;設置輔助變量 k = I ；(s2)、若 k〈K',則 X = rand (I, Μ), y = rand (I, N)，co=R，否則跳轉到步驟(s5),其中， rand( ·)表示隨機函數(shù)，點(x，y)為降落水滴的位置；(s3 )、若 ω >0,則 d (xn, yn) =f (xn, yn) +g (xn, yn) - (f (x, y) +g (x, y))，其中，(xn, yn)是點 (x，y)的鄰域；并令(X' ,1' )=argmind(xn，yn);否則跳轉至步驟(s2);(s4)、若 d(x ' , y ' )+r<0,則 x=x ' ，y=y ',否則 g(x, y) =g(x, y)+min(r, ω),ω = ω-Γ,并跳轉到步驟(S3)，r表示預設參數(shù)；(s5)、對前景圖像f(x，y)及得到的衡量函數(shù)g(x，y)與預設閾值T比較，去除衡量函數(shù) g(x, y)小于預設閾值T的區(qū)域，剩余為行人頭部位置區(qū)域。
全文摘要
本發(fā)明涉及一種基于垂直放置的深度攝像頭的人頭檢測方法，其包括如下步驟a、設置垂直分布的攝像頭及主動光源，并獲取行人的深度圖像；b、對獲得的深度圖像進行背景建模，以獲得對應的前景圖像；c、對前景圖像進行模擬隨機撒水滴操作；d、對上述降落于前景圖像內的水滴作為采樣點，并將采樣點與其鄰域進行比較，直至采樣點移動到局部極小值區(qū)域，則采樣點停留在所述局部極小值區(qū)域，并調節(jié)局部極小值區(qū)域的深度數(shù)值；e、得到采用點的分布圖，將分布圖中局部極小值區(qū)域的深度數(shù)值與預設閾值比較，濾除深度數(shù)值小于預設閾值的局部極小值區(qū)域后，得到所需的行人頭部位置區(qū)域，以實現(xiàn)對行人數(shù)量檢測。本發(fā)明操作方便，魯棒性好，適應性廣。
文檔編號G06T7/00GK102930524SQ201210335299
公開日2013年2月13日 申請日期2012年9月11日 優(yōu)先權日2012年9月11日
發(fā)明者李子青, 雷震, 易東, 張旭聰 申請人:無錫數(shù)字奧森科技有限公司