本發(fā)明屬于圖像處理技術(shù)領(lǐng)域，具體為基于Hough變換的人頭檢測方法。

背景技術(shù)：

圖像處理系統(tǒng)中，Hough變換是一種常用的橢圓/圓目標(biāo)檢測方法。它的優(yōu)點(diǎn)主要是對(duì)于橢圓的部分缺失和噪聲不敏感，具有很高的檢測精度和魯棒性，而它的缺點(diǎn)也很明顯，算法的時(shí)間和空間復(fù)雜度比較高。一般采用Hough變換進(jìn)行人頭的檢測框架是對(duì)輸入圖像進(jìn)行預(yù)處理，用canny或者背景差分加sobel算子提取目標(biāo)邊緣，然后進(jìn)行Hough橢圓檢測，如CN103065123A、基于圖像預(yù)處理和背景差分的人頭跟蹤及計(jì)數(shù)方法，CN 105069816A、一種進(jìn)出口人流量統(tǒng)計(jì)的方法及系統(tǒng)，CN 105354610A、一種基于隨機(jī)Hough變換的人數(shù)統(tǒng)計(jì)方法等；以上方法都存在一些不足，主要表現(xiàn)在邊緣提取在很多復(fù)雜情況下很難得到理想的結(jié)果，Hough變換在性能上也還存在一些可以提高的空間。

技術(shù)實(shí)現(xiàn)要素：

針對(duì)現(xiàn)有技術(shù)中存在的上述問題，本發(fā)明的目的在于設(shè)計(jì)提供一種基于Hough變換的人頭檢測方法的技術(shù)方案，該方法有較好的實(shí)時(shí)性，而且對(duì)于光線變化較大以及復(fù)雜背景的情況都能較好的實(shí)現(xiàn)檢測。

所述的基于Hough變換的人頭檢測方法，其特征在于包括以下步驟：對(duì)輸入的圖像數(shù)據(jù)，進(jìn)行降噪和對(duì)比度提升預(yù)處理，經(jīng)過預(yù)處理后對(duì)圖像提取信息，然后計(jì)算圖像的梯度信息，得到的梯度信息作為混合高斯模型的輸入數(shù)據(jù)對(duì)場景進(jìn)行背景建模，當(dāng)后續(xù)數(shù)據(jù)輸入后就可以進(jìn)行梯度前景提取，提取的梯度前景直接采用Hough變換進(jìn)行人頭檢測，其中Hough變換采用基于擴(kuò)展梯度方向角度的方法并且以前景梯度幅值進(jìn)行投影加權(quán)，最后經(jīng)過閾值過濾得到人頭檢測結(jié)果。

所述的基于Hough變換的人頭檢測方法，其特征在于梯度信息的提取時(shí)：常用的梯度提取算子有Sobel、Robert、Laplace以及水平垂直差分，優(yōu)選Sobel算子；為了提取增強(qiáng)的提取梯度信息，優(yōu)先選擇在彩色圖像上進(jìn)行，具體方法參考公式（1）（2），對(duì)于彩色圖像RGB三通道分別計(jì)算對(duì)應(yīng)的x、y方向梯度以及梯度幅值，取梯度最大的分量對(duì)應(yīng)的x、y方向梯度和梯度幅值作為最終的梯度信息；

(1)

(2)

上式中Gix，Giy屬于r，g，b分量中梯度最大的分量對(duì)應(yīng)的x、y方向梯度。

所述的基于Hough變換的人頭檢測方法，其特征在于對(duì)梯度信息進(jìn)行混合高斯背景建模以及前景提取，采用保留梯度信息的方法，如公式（3）所示，保留所有前景梯度值之間的相對(duì)差異，便于后續(xù)的Hough變換人頭檢測，

(3)

上式中FG表示最終的梯度前景值，GC(i,j)表示當(dāng)前幀圖像（i，j）位置的梯度信息，GB(i,j)表示當(dāng)背景圖像（i，j）位置的梯度信息。

所述的基于Hough變換的人頭檢測方法，其特征在于在梯度方向附近向順時(shí)針和逆時(shí)針方向分別擴(kuò)展20°構(gòu)成一個(gè)以梯度方向?yàn)榻瞧椒志€的扇形區(qū)域，在這個(gè)扇形區(qū)域內(nèi)進(jìn)行Hough變換投影。

所述的基于Hough變換的人頭檢測方法，其特征在于在用梯度幅值進(jìn)行加權(quán)時(shí)對(duì)其進(jìn)行歸一化，并且利用sigmoid函數(shù)進(jìn)行非線性轉(zhuǎn)換以壓制噪聲的干擾，如下公式（4）（5）：

(4)

(5)

上式（4）為梯度幅值的歸一化與sigmoid轉(zhuǎn)換，Gradient(i)為前景梯度的轉(zhuǎn)換后幅值，L為目標(biāo)梯度范圍的最大值，ɑ為縮放因子決定函數(shù)曲線的坡度，g則為原始梯度幅值；式（5）中H為最終的Hough變換投影累計(jì)值，大于閾值T則被確認(rèn)為人頭檢測結(jié)果。

上述基于Hough變換的人頭檢測方法，其計(jì)算簡單具有很好的實(shí)時(shí)性，可以很好的契合嵌入式應(yīng)用，對(duì)噪聲、光線變化以及一定的形變都有較好的魯棒性，可以應(yīng)用在各種客流監(jiān)控/統(tǒng)計(jì)的場景中。

附圖說明

圖1為本發(fā)明的人頭檢測算法流程示意圖；

圖2為本發(fā)明的擴(kuò)展梯度方向角度示意圖；

圖3為本發(fā)明的Hough人頭檢測高難度場景示意圖。

具體實(shí)施方式

以下結(jié)合說明書附圖對(duì)本發(fā)明作進(jìn)一步說明。

人頭檢測方法的系統(tǒng)框圖如圖1所示。對(duì)輸入的圖像數(shù)據(jù)，進(jìn)行降噪和對(duì)比度提升預(yù)處理，經(jīng)過預(yù)處理后對(duì)圖像提取信息，為了增強(qiáng)梯度信息比較好的選擇是在彩色圖像上進(jìn)行梯度提取， 得到的梯度信息作為混合高斯模型的輸入數(shù)據(jù)對(duì)場景進(jìn)行背景建模，當(dāng)后續(xù)數(shù)據(jù)輸入后就可以進(jìn)行梯度前景提取，提取的梯度前景直接采用Hough變換進(jìn)行人頭檢測，其中Hough變換采用基于擴(kuò)展梯度方向角度的方法并且以前景梯度幅值進(jìn)行投影加權(quán)，最后經(jīng)過閾值過濾得到人頭檢測結(jié)果。

梯度信息的提取。常用的梯度提取算子有Sobel、Robert、Laplace以及水平垂直差分等等，本發(fā)明優(yōu)選Sobel算子，簡單有效，對(duì)噪聲有一定的壓制作用；在很多復(fù)雜的條件下，比如人員全身穿著黑色衣服褲子在頂視情況下是比較難分辨人的頭部和衣服邊緣的，又比如地面有暗紅色地毯那么在灰度圖像上地毯和黑色頭發(fā)之間的區(qū)分性是比較弱的，所以為了提取增強(qiáng)的提取梯度信息，優(yōu)先選擇在彩色圖像上進(jìn)行，具體方法參考公式（1）（2），對(duì)于彩色圖像RGB三通道分別計(jì)算對(duì)應(yīng)的x、y方向梯度以及梯度幅值，取梯度最大的分量對(duì)應(yīng)的x、y方向梯度和梯度幅值作為最終的梯度信息。

(1)

(2)

上式中Gix，Giy屬于r，g，b分量中梯度最大的分量對(duì)應(yīng)的x、y方向梯度。

對(duì)梯度信息進(jìn)行混合高斯背景建模以及前景提取。混合高斯模型屬于背景差分算法中一個(gè)非常經(jīng)典而常用的方法，對(duì)于光線的變化有較好的適應(yīng)性，其他方法如均值背景差分、中值背景差分、VIBE方法也可以在本發(fā)明中使用并有較好效果。一般背景差分方法都是按照當(dāng)前圖像和背景圖像的差分經(jīng)過閾值過濾得到一個(gè)二值化的前景圖，這樣會(huì)損失掉很多的有用信息；而本發(fā)明則采用保留梯度信息的方法，如公式（3）所示，保留所有前景梯度值之間的相對(duì)差異，便于后續(xù)的Hough變換人頭檢測。

(3)

上式中FG表示最終的梯度前景值，GC(i,j)表示當(dāng)前幀圖像（i，j）位置的梯度信息，GB(i,j)表示當(dāng)背景圖像（i，j）位置的梯度信息。

基于擴(kuò)展梯度方向角度以及梯度幅值加權(quán)的Hough變換人頭檢測。對(duì)于一個(gè)點(diǎn)用于Hough變換檢測人頭（橢圓/圓形）而言，其可以按照360°方向進(jìn)行投影，它可能所在的圓非常多，為了減少這種計(jì)算量假設(shè)該點(diǎn)的梯度方向?yàn)槠渌趫A的切線方向，那么這樣就可以只做兩個(gè)方向的Hough變換投影即梯度的正反方向；但是一般某個(gè)像素點(diǎn)的梯度方向是容易受噪聲干擾的，方向也不是很準(zhǔn)確，所以本發(fā)明對(duì)梯度方向進(jìn)行一定的擴(kuò)展，比如在梯度方向附近向順時(shí)針和逆時(shí)針方向分別擴(kuò)展20°構(gòu)成一個(gè)以梯度方向?yàn)榻瞧椒志€的扇形區(qū)域，在這個(gè)扇形區(qū)域內(nèi)進(jìn)行Hough變換投影，在少量增加計(jì)算量的前提下大大提高對(duì)噪聲的抗干擾能力，如圖2所示。另外對(duì)于傳統(tǒng)的Hough變換只是簡單的累計(jì)投影在參數(shù)空間中某一點(diǎn)上的邊緣點(diǎn)個(gè)數(shù)，這樣的方法要得到比較好的效果的前提是可以獲得很好的目標(biāo)邊緣，而這在很多情況下都是很難做到的，本發(fā)明提出采用梯度背景差分得到的前景梯度幅值作為每個(gè)點(diǎn)進(jìn)行Hough變換投影時(shí)的加權(quán)值，在這種情況下大多數(shù)時(shí)候人頭的邊緣梯度都可以參與Hough變換，大大提高檢測率與準(zhǔn)確率，而不會(huì)因?yàn)轭伾蛄炼认嘟鼘?dǎo)致梯度偏小被拒識(shí)為邊緣最終檢測失敗。在用梯度幅值進(jìn)行加權(quán)時(shí)需要對(duì)其進(jìn)行歸一化，并且利用sigmoid函數(shù)進(jìn)行非線性轉(zhuǎn)換以壓制噪聲的干擾，如下公式（4）（5）：

(4)

(5)

上式（4）為梯度幅值的歸一化與sigmoid轉(zhuǎn)換，Gradient(i)為前景梯度的轉(zhuǎn)換后幅值，L為目標(biāo)梯度范圍的最大值，ɑ為縮放因子決定函數(shù)曲線的坡度，g則為原始梯度幅值；式（5）中H為最終的Hough變換投影累計(jì)值，大于閾值T則被確認(rèn)為人頭檢測結(jié)果。

在較多傳統(tǒng)Hough變換人頭檢測方法都較難工作的情況下，如圖3所示，本發(fā)明仍然取得較好效果，比如人員全身穿著黑色衣服褲子在頂視情況下是比較難分辨人的頭部和衣服邊緣的，又比如地面有暗紅色地毯在灰度圖像上頭部和地毯是很難區(qū)分的；另外，本發(fā)明計(jì)算簡單具有很好的實(shí)時(shí)性，可以很好的契合嵌入式應(yīng)用。

本發(fā)明提出的人頭檢測算法擁有很好的實(shí)時(shí)性，并且對(duì)噪聲、光線變化以及一定的形變都有較好的魯棒性，可以應(yīng)用在各種客流監(jiān)控/統(tǒng)計(jì)的場景中，以下列舉兩個(gè)實(shí)例。

本發(fā)明在嵌入式商鋪客流統(tǒng)計(jì)設(shè)備上的應(yīng)用。嵌入式平臺(tái)上的計(jì)算資源和存儲(chǔ)資源有一定的限制，尤其對(duì)實(shí)時(shí)性要求較高，本發(fā)明在各方面都具備條件。考慮本發(fā)明人頭檢測對(duì)輸入的視頻圖像數(shù)據(jù)流進(jìn)行檢測得到人頭的位置信息，再采用相應(yīng)的追蹤器對(duì)人頭結(jié)果進(jìn)行實(shí)時(shí)追蹤，當(dāng)發(fā)生越線行為時(shí)就可以按方向進(jìn)行數(shù)量統(tǒng)計(jì)，統(tǒng)計(jì)數(shù)據(jù)用作后續(xù)信息挖掘與分析。

本發(fā)明在公交車乘客商量統(tǒng)計(jì)方案中的應(yīng)用。就公交車乘客數(shù)量統(tǒng)計(jì)應(yīng)用場景來說人頭檢測存在一定的難度，光照偏暗且有一定的形變，本發(fā)明的優(yōu)勢可以較好的解決這個(gè)問題。考慮本發(fā)明人頭檢測對(duì)輸入的視頻圖像數(shù)據(jù)流進(jìn)行檢測得到人頭的位置信息，再采用相應(yīng)的追蹤器對(duì)人頭結(jié)果進(jìn)行實(shí)時(shí)追蹤，當(dāng)發(fā)生越線行為時(shí)就可以按方向進(jìn)行數(shù)量統(tǒng)計(jì)，統(tǒng)計(jì)數(shù)據(jù)用作后續(xù)信息挖掘與分析。