（计算机应用技术专业论文）复杂条件下人头检测与计数技术研究与实现.pdf

硕士论文复杂条件下人头检测与计数技术研究与实现 摘要 复杂条件下的人头检测与计数技术研究是基于目前视频图像大量监控数据的自动 化分析理解及提取问题。实际的监控环境比较复杂，监控摄像头角度倾斜或俯视下的拍 摄情况下，很难在视频中获取完整的人脸信息来完成人头检测。针对这些情况，本文运 用活动边缘和c a m s h i i t 方法对俯视人头和侧面人头的进行检测与计数。 本文针对俯视人头和侧面人头，分别实现了基于活动边缘和h o u g h 变换的俯视人头 检测方法和基于c a m s h i f l 算法的侧面人头跟踪方法，通过设置虚拟线的方法，计算人头 的个数。本文的主要研究内容如下： 一，本文分析了几种边缘检测算子和活动边缘检测的方法，提出了基于间隔十帧差 分结合当前帧边缘的活动边缘检测方法，有效提取出当前帧中的活动目标边缘。 二，本文分析了俯视人头边缘图像的特点及h o u g h 变换检测圆的方法，实现了利用 随机h o u g h 变换快速检测人头边缘。 三，本文分析了侧面人头图像的特点及m e a n s h i i t ，c a m s h i f l 的算法原理，提出了一 种基于c a m s h i f l 算法的自动侧面人脸检测跟踪方法。 四，本文分析了最大近邻匹配算法，提出了一种基于运动信息的匹配方法建立目标 链，通过在图像中特定位置设置虚拟线，判断目标链与虚拟线的关系，实现人头目标计 数。 实验结果表明，利用本文上述方法，对复杂条件下非正面人头目标的准确检测和计 数，取得较好的效果。 关键字：边缘检测霍夫变换m e a n s h i i tc a m s h i f t 人头计数 a b s t r a c t t h e1 1 e a dd e t e c t i o na n dc o u n t i n gt e c h n i c a ls t u d i e su n d e rc o m p l e xt h ec o n d i t i o n sa r e b a s e do nt h ec u r r e n ta u t o m a t e da n a l y s i so fs u r v e i l l a n c ed a t aa n de f f e c t i v ed a t ae x t r a c t i o n p r o b l e m a c t u a l l ym o r ec o m p l e xe n v i r o n m e n t a lm o n i t o r i n g ，s u r v e i l l a n c ec a m e r a s t i l to rl o o k d o w nu n d e rt h ec i r c u m s t a n c e s ，i ti sd i f f i c u l tt oo b t a i ni nt h ei n t e g r i t yo ft h ev i d e of a c e d e t e c t i o ni n f o r m a t i o nt oc o m p l e t et h ed e t e c t i o n a c c o r d i n gt ot h i s ，t h i sp a p e ru s e st h e m e t h o d so fa c t i v i t i e se d g ea n dt h em e t h o d so fc a m s h i f tt oc o m p l e t et h eh e a da n dh e a d p o s i t i o na n dc o u n t i nt h i sp a p e r ，t h ea c t i v i t i e se d g ea n dt h eh o u g ht r a n s f o r mu s et od e t e c t et h el o o k i n g d o w nh e a d ，c a m s h i f tt r a c k i n gm e t h o db s et od e t e c t et h es i d eo fh e a d ，a n ds e tav i r t u a ll i n e m e t h o dt oc a l c u l a t et h en u m b e ro fh e a d s t h em a i nr e s e a r c hc o n t e n to ft h i sa r t i c l ea r ea s f o l l o w s ： f i r s t ，t h i sa r t i c l ea n a l y z e ss e v e r a la c t i v ee d g ed e t e c t i o nm e t h o d s ，b a s e do n1 0a d j a c e n t f r a m ee d g ed i f f e r e n t i a lc o m b i n e dw i t ht h ea c t i v i t i e so ft h ec u r r e n te d g ed e t e c t i o nm e t h o d s ， e f f e c t i v ee x t r a c t et h et a r g e te d g eo ft h ec u r r e n tf r a m e s e c o n d t h i sa r t i c l ea n a l y z e st h ec h a r a c t e r i s t i c so fi m a g eo ft h el o o k i n gd o w n h e a da n d h o u g ht r a n s f o r mc i r c l ed e t e c t i o nm e t h o d s ，r e a l i z a t eo ft h eu s eo fr a p i dd e t e c t i o no f t h ee d g e o ft h eh e a d 埘t l lr a n d o mh o u g ht r a n s f o r m t h i r d ，t h i sa r t i c l ea n a l y z e st h ec h a r a c t e r i s t i c so f t h ei m a g eo ft h es i d eo ft h eh e a da n dt h e m e a n s h i f i ，c a m s h i f la l g o r i t h m ，g i v ea na u t o m a t i cs i d ef a c ed e t e c t i o nt r a c k i n gm e t h o db a s e d o nc a m s h i f t f o u r t h , t h i sa r t i c l ea n a l y z e st h el a r g e s tn e i g h b o rm a t c h i n ga l g o r i t h m ，p r o p o s ea nm e t h o d b a s e do nt h em o v e m e n ti n f o r m a t i o nt oe s t a b l i s ht h eg o a lo fc h a i n , s e tu pav i r t u a ll i n ei n s p e c i f i cl o c a t i o n so ft h ei m a g e ，d e t e r m i n et h er e l a t i o n s h i pb e t w e e nt h ev i r t u a ll i n ea n dt h e t a r g e tc h a i nt oa c h i e v et h et a r g e th e a dc o u n t i nt h i sp a p e r t h ea b o v e m e n t i o n e dm e t h o d sa c h i e v et h el o o kd o w nh e a da n dt h es i d e h e a dp o s i t i o na n dc o u n t , e x p e r i m e n t a lr e s u l t ss h o wt h a tt h em e t h o d so b t a i ng o o dr e s u l t s ，i t a c h i e v e st h eg o a lo fa c c u r a t ed e t e c t i o no fh e a da n dc o u n t i n gu n d e rc o m p l e xc o n d i t i o n s ，h a s s o m ep r a c t i c a lv a l u e k e y w o r d s ：h o u g ht r a n s f o r me d g ed e t e c t i o n c a m s h i f lm e a n s h i f l h e a d c o u n t l l 声明尸明 本学位论文是我在导师的指导下取得的研究成果，尽我所知，在 本学位论文中，除了加以标注和致谢的部分外，不包含其他人已经发 表或公布过的研究成果，也不包含我为获得任何教育机构的学位或学 历而使用过的材料。与我一同工作的同事对本学位论文做出的贡献均 已在论文中作了明确的说明。 研究生签名： 沙p 月蛎 学位论文使用授权声明 南京理工大学有权保存本学位论文的电子和纸质文档，可以借阅 或上网公布本学位论文的部分或全部内容，可以向有关部门或机构送 交并授权其保存、借阅或上网公布本学位论文的部分或全部内容。对 于保密论文，按保密的有关规定和程序处理。 研究生签名：牲 印砒盔 硕士论文 复杂条件下人头检测与计数技术研究与实现 1 绪论 1 1 人头检测与计数的背景与意义 目前，人的视觉分析已成为计算机视觉领域方面重要的研究热点，其主要是利用计 算机视觉技术检测、跟踪、识别视频或序列图像中的人并对其行为进行理解与描述。它 在安全监控、视频会议、医疗诊断及图像存储等方面具有广泛的应用前景和潜在的经济 价值。 计算机视觉的主要研究内容，已不仅仅局限于静态图像，序列图像包含更多更全面 的信息，序列图像是指用一个传感器采集的一组图像，它们与时间相对应的先后顺序， 同时相邻两帧获取的时间问隔一般是一定的。序列图像中蕴含着物体的运动信息，通过 序列图像算法可以从连续的若干幅图像中可以得出物体的运动状况，因此序列图像经常 被用于运动目标的处理，对运动目标进行检测和跟踪，并根据一定的规则对运动目标的 行为做出解释，并反馈处理结果便于研究人员调查研究。 复杂背景下的人头检测与计数是一个非常复杂的工程课题，它是基于序列图像对运 动的人物目标进行检测跟踪处理，在电影院，商场，车站等有很多商业和公共地点，需 要对监控范围内的目标，这里主要研究人，进行自动检测和跟踪计数。人的头部是人物 目标上信息量最大的部位，因此对人的自动检测，就转化为对人头的自动检测与跟踪， 由于摄像机位置的原因，这些地点的人头目标大多是多角度的，不同于传统的正面人脸 检测，而且目标与目标之间可能存在遮挡，经典的人脸检测算法，如a d a d o o s t 算法，在 这里就无法得到很好的效果，即使是改进的a d a b o o s t 也只能适应小角度的旋转，无法满 足实际的需要，这就需要鲁棒性更好的方法。 本课题有着广泛的应用前景，包括在零售点估计队列长度，监测出入口，公共汽车 或火车站的自动人员计数系统，在许多商业和公共地点，如电影院，商场，车站等有很 多人员流动信息需要采集。然后，这些信息可以用来决定租赁的价值，决定广告的效 果，并促进相关类型商品的销售。此外，在公共场所，这些信息可以用于安全和高效地 安排附属设施。出于所有这些原因，研究人员一直关注与学习的自动人员计数的方法。 1 2 人头检测与计数的现状和难题 1 2 1 人头检测的现状和难题 各种技术已应用于建设快速和可靠人探测器的自动监视系统【1 ，4 ，5 1 中。 首先，背景差分方法【6 7 】，检测指定区域人群目标占整个检测区域的大小。边缘检测 是一种替代方法，来衡量所有被人物目标所占区域的量。特征提取方法【8 ，9 ，1 0 ，l l 】也被应用， 估计人群密度使用灰度依赖矩阵( g l d m ) 方法进行纹理分析，用神经网络关联自组织 l 绪论硕士论文 映像模式，从而完成人群密度估计。 分类和预测方法，在人群计数中也有应用。由混合全局学习( h g l ) t 1 。2 1 算法进行人群 分类，主要最小二乘方法结合不同的全局优化方法，如随机搜索( r s ) ，模拟退火( s a ) ， 以及遗传算法( g a ) 。n a k a j i m i a e l 3 1 等人使用支持向量机研究这一问题。铡l a 【1 4 1 使用 一个基于分级树代表一定形状的行人。g r i e b e l t 巧】等人使用动态点分布模型。一部分探测 器使用基于学习的方法。一种学习的方法，结合对人体的某一部分的一套弱分类器，然 后探测器结合概率模型，检测人物目标。一种基于人头轮廓的学习方法【l6 1 ，首先h a a r 小波变换( h w t ) 是用来提取精选的头像轮廓，然后在支持向量机( s ) 是用来区分在 目标图像中头部轮廓是否存在。 这些办法需要相当数量的训练数据学习参数的基本模式。虽然这些分类在某些特定 的情况下是强有力的，他们是不适合多角度的人物目标的识别。 三维模板匹配方法在检测人头方面也有尝试，z h a o 和n e v a t i a t l 7 】通过摄像机标定结 合三维方法，可以使用头探测器找出可能的头部位置。他们的研究结果清楚地表明，地 面和相机参数对找到人头的位置很有帮助，头部探测器是基于边缘信息。人头检测不足 以对人员进入或离开计数。为了实现计数这一目标，有必要提取方向。有文献【l 副提出了 设定一个虚拟的大门的方法。 也有人提出一个目标跟踪【1 9 1 的方法，结合了两种不同的输出模块：一个沿对象的边 界梯度强度和一个与颜色直方图相匹配的对象。 通过检测人脸来定位人头，基于神经网络的人脸检测，或者其他经典快速人脸检测， 如a d a b o o s t ，可以是一种选择。然而，并不是所有的人将直接面对相机，背面，俯视， 右侧或左侧的人在人群也将是需要观察的形象。在这种情况下，轮廓人头在人群计数中 是一个比人脸检测更好的选择。 此外，有许多种的颜色和纹理的人群是不可预测的，复杂的。一个良好的人头计数 系统应努力克服上述问题和挑战。 1 2 2 传统计数方法的现状和难题 在早年，用来建造自动人员计数系统是一些机械装置，传感器，如压力传感器，红 外传感器等。 1 2 2 1 红外光束检测 红外光束检测装置早期一般用于产品出厂计数，如罐头的生产线上，在与罐头前进 方向垂直的位置两侧，分别安装发射器与接收器，通过计算光线中断，计算罐头的个数， 这种技术也被运用到人员计数系统中，一般安装在入口两侧半人高的位置，运用同上方 法完成人员的计数，这种检测装置对于人流量较少，单个人而且依次通过时检测准确度 很高，但是在有多人同时通过时出现遮挡或覆盖的情况下，得到结果的准确度就受到很 2 硕士论文复杂条件下人头检测与计数技术研究与实现 大的影响。 1 2 2 2 机械传动式自动检测 机械传动装置也同样运用于人员计数系统中，如压力板式，三辊闸等，三辊闸一般 常见于地铁进出口，压力板式自动人员系统一般应用在公交系统中，乘客上下车时触发 压力传感器就会被自动记录下来。与光束检测类似，当人流量较大时，可能同时有两个 或更多人在压力板上，难以计算出实际的人员流量。同时由于使用机械传感器件，机械 传感部件，容易损坏，所以在频繁使用的场所使用时，存在着计数不可靠的问题。 1 2 2 3 光幕传感器自动人员计数 光幕的一边等距离安装有多个红外发射管，另一边相应的有同样数量的红外接受 管，光幕的中间是检测的区域，当光幕中间没有人员流动时，接收到与发射数量相同的 红外线，有人员流动时，发射和接受的红外线数量有一定差异，而且还可以看出目标的 大小，多目标时，未接受到的部分，也是间断的，与上面两种计数方式相比，可以比较 全面的检测和计数。 上述几种计数系统可以完成一定的计数任务，但是，也出现了一些实际问题。机械 装置的性能退化，漏检是严重的问题。这一事件发生最频繁的时候是有许多人一次通过 给定的传感器。这无法满足公共地点，如电影院，商场，车站等地点的应用要求，因为 这些地点每天的人流量较大，而且同时有超过一个人通过的现象很多。 1 3 本文工作概述 目前人头检测和计数研究分两种，基于静态图像和基于序列图像两个方向。在视频 监控中，大部分都是在基于序列图像的人头计数研究。也是本论文的主要研究内容，本 文主要介绍复杂场景上人头的检测与计数。 人头的状态较多，故本文分两种状态研究人头检测和计数，分别是俯视入头和侧面 人头，针对两种状态人头的特点，分别采用合适的方法，用基于活动边缘和h o u g h 变换 的方法检测俯视人头，用改进的c a m s h i r 方法检测侧面人头。 检测活动边缘的方法较多，本文根据实际情况提出一种快速的活动边缘检测方法， 通过连通域计算方法降噪，减少不必要的信息，有利于下一步检测，得到干净的活动边 缘后，通过h o u g h 变换的方面，检n - 值图像中类圆目标，而h o u g h 变换要耗费大量 的计算，无法进行实时，高效的检测，所以本文利用一种改进的h o u g h 方法，加快人头 目标的检测。 侧面人头的检测，采用一种高效快速的跟踪方法，通过利用侧面人头的颜色直方图 反向投影到当前图像中，在图像中搜索跟踪人头部位，该方法具有一定鲁棒性，可抗遮 挡。 仅仅对人头的检测跟踪，不足以得到计数的结果，还要获取方向，得到轨迹，本文 3 1 绪论 硕士论文 设定一个虚拟的大门，即两条虚拟线，当目标通过大门，则计算一人次进或者出，由此 来完成计数的步骤。 1 4 本论文的组织 第二章基于活动边缘的俯视人头检测 综述各种边缘检测技术和活动边缘检测技术，分析评价各种边缘检测方法优劣，详 细介绍了沈俊边缘检测方法，及它的优点，介绍本文对人头边缘图像的去噪处理，基于 几种常见的活动边缘检测，本文运用一个快速有效的活动边缘检测方法，较好地提取出 图像中运动目标俯视人头的边缘。 第三章基于随机霍夫变换的俯视人头检测技术 本章分析了俯视人头图像的特点，结合人头边缘特点，利用类圆检测方法检测人头， 介绍了h o u g h 变换的原理，应用范围，h o u g h 变换检测几何图形的方法，本文运用了一 种改进的h o u g h 变换方法一随机h o u g h 变换方法快速检测运动目标的头部轮廓。 第四章基于c a m s h i f i 算法的侧面人头检测与跟踪 本章分析了侧面人头图像的特点，介绍了彩色空间，及颜色直方图的定义，详细分 析了基于m e a n s h i f t ，及c a m s h i f i 算法的跟踪技术，并通过实验对比了两种方法的跟踪效 果，运用了一种基于侧面人头颜色信息的自动c a m s h i f t 方法来完成自动侧面人头的检测 和跟踪。 第五章基于目标链和虚拟线的人头目标计数 本章介绍目标链的概念，以及最大近邻匹配算法，本文提出了利用运动信息建立目 标链的方法，记录位置信息，把同一目标的位置信息组成目标链，在图像中指定位置设 置虚拟线，判定目标链与虚拟线的关系，实现人头计数。 4 硕士论文 复杂条件下人头检测与计数技术研究与实现 2 基于活动边缘的俯视人头边缘检测 2 1 人头边缘检测 2 1 1 边缘检测分析 边缘是指存在于目标与背景或者其他目标之间图像局部强度变化最大的点。图像分 割、纹理特征和形状特征等图像分析都是以图像边缘为基础研究发展的。边缘处理是很 多图像处理应用的必要组成部分，大量的学者在边缘领域做了很多研究，因此对图像边 缘的研究以及知识较为丰富和全面，图像边缘有许多专业名词，如边缘点，是指亮度明 显变化位置上的图像点。边缘段，即为边缘点坐标及其方位。边缘检测器，是指从图像 中提取边缘的算法。轮廓，是指边缘集合或者一条表示边缘集合的拟合曲线。边缘连接， 描述从无序边缘表形成有序边缘表的过程。边缘跟踪，是指一个确定轮廓的图像搜索过 程。 边缘检测就是通过一定的数学方法，将某些周围像素的灰度值有阶跃变化或屋顶状 变化的像素提取出来，并在图像中标注出这些像素具有显著特征的点，即边缘。 在图像中，灰度的变化可以反映为导数，因此，根据边缘的形状，可以通过求导的 方法来寻求边缘。边缘的参数包括：边缘强度和边缘方向。 图2 2 1 1 灰度图像 5 2 基于活动边缘的俯视人头边缘检测 硕士论文 8 0 8 l 8 2 8 3 8 4 8 5 8 6 燃 缫 瓣 缫 麟 淄 l 8 0 霪1 8 2 8 3 8 4 8 5 8 6 黼 戮 缫 燃 戮 獭 图2 1 1 2 窗口中象素的灰度值 图2 1 1 3 窗e l 中象素的梯度值 通过上面三张图片可以看出求导和简单边缘检测的关系。 根据图像灰度值的显著变化，即图像强度的不连续，图像边缘又可分为： ( 1 ) 阶跃变化，即图像灰度值在不连续处的两边的像素灰度值从一个值突然变大， 或者图像变小很多。 ( 2 ) 屋顶状变化，即图像灰度值突然从一个值变化到另一个值，然后又回到原来的 值。 一阶导数 二阶导数 g ( i ) l - l l 川 。i v 7 l i 八l 八 。 g ( i ) 八 ： 极值点 i ： 州 。 图2 1 1 4 两种边缘的导数分析图 由图2 1 1 4 可得，屋顶状边缘，一阶导数过零点，二阶导数最小值，阶跃边缘，一 阶导数最大值，二阶导数过零点。 在实际应用中，只要采样分辨率达到一定的要求，上述两种边缘都可以看成是阶跃 边缘，所以一般只考虑检测阶跃边缘。 6 a撕翱鞫，獬翻捌翻硐喾弼盆捌自貉籀籀籀瀚缓缮獬滋麟獭瓣戮麓戳骥麟滋囊瓣瓣 瓣瓣瓣瀛霾缀戮瓣鬻鬟骥骥瓣戮 鬟缓戮滋豢缵瓣夔纛囊缫麟 缫缀戮凝戮黼瓣瓣糕瓣鬓麟戮戮鬻戮戮麟 硕士论文 复杂条件下人头检测与计数技术研究与实现 边缘是指图象中灰度发生急剧变化的区域。图象灰度的变化情况可以用灰度分布的 梯度来反映，给定连续图象f 取，y ) ，其方向导数在边缘法线方向上取得局部最大值。 因 此，边缘的检测转化为求f 驭，y ) 在( x ，y ) 处的方向导数问题。f 【x ，y ) 沿任意方向r 的方向导 数为： 要：要妻+ 要妻：六c 。s p + 乃“n 0 ( 2 1 1 1 ) 务缸勿加办“ 吖。 、7 式2 i 1 1 中，0 为x 轴到方向r 的转角。敦和鸟为f 取，y ) 的偏导数。 对于平面的每一个点p ( x ，y ) 都可定出一个向量，该向量称为( x ，y ) 处的梯度。 向量为： 罢f + 篓， 梯度为： 可以证明， 的模。 g r a df ( x , y ) ：善f + 善， 蹴 o y 当方向r 与梯度方向一致时，方向导数达到最大值，该最大值即为梯度 梯度的模为： l g r a df ( x ，y ) l = x 轴到梯度的转角的正切为： t a s e = 等 锄 谚 誓取最大值的条件是嘉= 0讲o b 即： i s i n o lp c o s 0 = 0 得到： 口= t a n - 1 ( 工正) 或乡= t a n 一1 ( 工正) + 刀 g r a d 。, , = 忘f ：七 ： 上面介绍了图像中边缘类型及其导数的关系。下面，本文介绍几种常用的边缘检测 算法。 i 梯度算子( g r a d i e n t ) 定义梯度为： g ( i ，) = 4 a x f ( i ，) 2 + 缈( f ，) 2( 2 1 1 2 ) 7 2 基于活动边缘的俯视人头边缘检测 硕士论文 若g ( i ，) t h r e s h o m ，则( f ，) 点为边缘点。即通过上式，大于某个阈值，则该点为 边缘点，该算法的时间复杂度较高，边缘检测的速度较慢，无法在一些实时系统中应用。 2 罗伯特算子( r o b e r t s ) 运算过程： 尺o ，j ) = m a x f ( i ，_ ) 一f ( i + l ，+ 1 ) l ，i 厂( f + 1 ，) 一厂o l ，+ 1 ) | ( 2 1 1 3 1 ) 系数模板： o1 - 1o 3 索伯算子( s o b e l ) 计算过程为： q = 【厂g + l ，y 1 ) + 2 厂g + 1 ，y ) + 厂g + 1 ，j ，+ 1 ) 】一【厂g 一1 ，y 一1 ) + 2 幸i ( x 一1 ，y ) + f ( x - 1 ，y + 1 ) 】 ( 2 1 1 4 ) g ，= 【厂g 一1 ，y + 1 ) + 2 厂g ，j ，+ 1 ) + 厂g + 1 ，j ，+ 1 ) 】一【厂g 一1 ，y 一1 ) + 2 厂g ，y 1 ) + 厂g + 1 ，y 一1 ) 】 ( 2 1 1 5 ) 梯度幅度值： g ( x ，y ) = i g ，i + l g y l 当g g ，y ) 大于阈值时，则g ，y ) 为边缘点。 8 加权模板系数为： g _q 1d 1121 2d20 dn 1dl1 2l 缺点：得到双线宽的边缘，因为该算子涉及到3 * 3 的邻域。 优点： ( 1 ) 加权 ( 2 ) 实质上是平滑去噪，后求差分。在边缘检测可以说是通用模式，即：在 硕士论文复杂条件下 头检树与计数技术研究与彝现 用g r a d i e n t 或r o b e r t 等其他算子求边缘象素前，最好先对图象进行平滑，因为噪声的灰 度值一样是变化很大。 4 p r e w i t t 边缘检测算子 在一个较大区域中，用两点的偏导数值来求梯度幅度值，受噪声干扰很大。若对两 个点的各自一定领域内的灰度值求和，并根据两个灰度值和的差来计算x , y 的偏导数， 则会在很大程度上降低噪声干扰。源于这种思想，p r e w i t t 于1 9 7 0 年提出了提取边缘的 p r e w i t t 算子，其系数加权模板如下 g jq i口1111 10l000 1 0 l 1 ll 运算过程如f ： e ；( _ 1 卜，e 一1 ，y 一1 ) + o ，k y 一1 ) + 1 + ，o + l ，y 一1 ) + ( - 1 ) ，0 1 ，y ) + o * f ( x ，y ) + 1 + ，o + k 力+ ( - 1 ) ，g 一1 ，y + 1 ) + o + ，b y + 1 ) + 1 f ( x + l ，+ 1 ) = 【，e + l ，y 一1 ) 十，g + 1 ，y ) + ，扛+ l ，y + l 一【，0 1 ，y 一1 ) + ，b 一1 ，力+ ，b 一1 ，+ l ( 2 1 1 6 ) g 。= ( _ l 卜，g 一1 ，y 一1 ) + ( _ 1 ) ，o ，y 1 ) 十( - 1 ) + ，o + l ，一1 ) + o ，g l ，y ) + o + ，( 以n + o + ，臼+ i ，y ) + 1 m l ，y + 1 ) + 1 + ，g ，y + o + l + ，0 + l y + 1 ) = 【，g + 1 ，y + i ) + 炖y + 1 ) + ，0 + l ，y + l 一【，g 一1 ，y 1 ) + b y 一1 ) + ，h + l ，y l ( 2 1 17 ) 卷积算子为： g g ，y ) = 协j + 陀l 当g 瞳力大于阈值时，则0 ，y ) 为边缘点。 、一 、。 、 削2 1 15 原图像图2 1 1 6 r o b e r t s 算子边缘 2 蔫f 镕动边缘的俯视人头垃缘榆测硕士论文 图2 1 1 7 p r e w i t t 算于边缘 图2 1 1 8s o b e l 算于边缘 上面4 幅图片为俯视人头图片及其p r e w i t t ，s o b e l 及r o b e r t s 检铡效果图。梯度边缘 检测方法利用梯度幅值在边缘处达到极值检测边缘。该梯度边缘方法，定位精度高，可 得到边缘方向，但对图像中的噪声较为敏感，效果易受影响。r o b e r t s 算子检测水平和 垂直边缘的效果好于斜向边缘，与梯度边缘类似，它的定位精度高，同时对噪声敏感。 s o b e l 算子根据像素点上下左右邻点灰度加权差，在边缘处达到极值这一现象检测边缘。 该方法可以检测到精确的边缘方向信息，但是边缘定位精度则有所欠缺。p r e w i t t 算子利 用像素点上下、左右邻点灰度差，在边缘处达到极值检测边缘。该算子对噪声具有平滑 作用，边缘定位精度相对不足。 2 1 2 基于二阶微分算子的边缘检测分析 前面讲过，对阶跃边缘边缘而言，边缘点处的二阶导数过0 点，或二阶导数在边缘 点处出现零交叉，即边缘点两旁的二阶导数异号。因此下面本文简要介绍基于该原理的 边缘点检测，即拉普拉斯算子。 对数字图像的每个象素取，y ) ，取它的二阶导数为关于x 轴方向和y 轴方向的二阶 导数之和，得到： s “，) = f ( i + t ，) + ，( i 一1 ，小，o ，+ 1 ) + ，( f ，j 一1 ) 一4 ，o ，j ) ( 2 1 2 1 ) 拉普拉斯两种加权模板分别为 圈髑 硕十论文复杂条件下 头检测与计数技术研究与实现 一 l 纛 _ _ _ ：羔攀掌笺粪| “r ：静? o 图2 1 2i 拉普拉斯边缘图像 由于拉普拉斯算子是二阶差分运算，故在灰度阶跃边缘的两侧均有响应。其值一边 为正，一边为负，而对斜坡形边缘响应为零，并且在此零值点的两侧也有一正一负两个 峰值。不论是阶跃边缘还是斜坡边缘。这一正一负两峰值的大小及走向，反映了边缘的强 弱及走向。 拉普拉斯算子的边缘检测方法检测到边缘，与其他一阶算子相比精度较高本文采 用了介绍另外一种优秀的二阶微分边缘检测方法，沈俊算子边缘检测方法。 沈俊算子检测边缘时，首先对图像滤波，然后再求导数。在阶跃边缘和可加白噪声 的模型下，沈俊依据信噪比最大准则，证明了边缘检测中的最佳滤波器是对称的指数函 数。下面便是给出的最佳滤波器的形式： f c x , = 口c 2 ” ( 2 1 22 ) 其中，c l = a o ( 2 一a o ) ，g = 1 一a o ，d oe ( o j ) 。 在沈俊边缘检测函数中。有参数嘞，当嘞的数值越接近于o ，则y ( x ，力越宽，因 而抗干扰能力增强，但边缘信息会减少，边缘定位精度也减弱；随着的增大，抗干扰 能力减小，但边缘细节会增多，边缘定位的精度也响应提高。 沈俊算子检测边缘的步骤为： 1 ，对图像分别按行和按列各进行两次正反向的递归滤波。将图像先按行进行正向 滤波，再在前面的基础上，反向滤波，然后在对得到的结果按列进行正向滤波，接着进 行反向滤波。 2 ，有上一步可到了两次正反向递归滤波的结果，接着将滤波结果与原图像作差运 算，得到拉普拉斯图像。 3 ，对拉普拉斯图像按照函数的参数进行二值化，二值化的结果为正值都为1 ，而其 它像素都为0 。 4 ，得到二值化的拉普拉斯图像后，接着在该图像中求出零交叉点，零交叉点即以 该点为中心的一个窗口，至少一个邻域的值为0 ，且该点本身为1 。 2 基于活动边缘的俯视人头边缘检测硕士论文 边缘检测在图象分割、模式识别、机器视觉等中都有重要作用，人们已研究出很多 种边缘检测算法，而沈俊边缘检测是边缘检测效果很好的算法之一，本文在后续的步骤 中运用沈俊算子检测图像中的边缘。 2 1 3 人头边缘的噪声去除 人头边缘图像中的背景边缘，长度较短，数量较多，其对后续的检测过程，没有实 际的意义，而且这些复杂的细小边缘，容易增加检测的运算量，甚至有可能造成误检测。 本文利用连通域计算的方法，减少这些细小，凌乱的边缘，提高下一步检测人头边缘的 准确性和速度。 二值图像描述连通域的2 种最主要方法有游程码和链码。游程码分为白长和黑长， 黑长记录连续的黑色像素点的数目，白长记录连续的白色象素点的数目，黑长和白长交 叉出现，常用在二值图像的压缩中。链码方法基于边界点间的相互连通性。连通性按四 邻接或八邻接定义。四邻接是指仅当两个点上下或左右相邻时才是连通的，如图2 1 3 1 所示。八邻接是指除了上下左右外，还可以有四个斜向的邻接，如图2 1 3 2 所示。四连 通链码只需要四个符号就可以表示，通常用o 3 ，八连通链码需要0 7 八个方向符号。 所谓轮廓跟踪就是从一个起始点开始，按照四连通或八连通关系逐点跟踪下个边界点， 同时输出移动的方向，即链码；直到得到整条轮廓线。链码提供了一种非常有效的目标 描述形式，它适合于目标特征计算，比如角点、面积、周长、矩和提取线段等。实际上 链码已经成了模式识别和图象处理的一个基本工具。 图2 1 3 1 四邻域链码图2 1 3 2 八邻域链码 作为图像处理的重要工具，链码跟踪算法在很多方面广泛地使用。链码跟踪算法的 一般步骤如下： 1 发现新的轮廓线，发现一条新的轮廓线需要扫描整个图像。通过分析相邻的2 个像素的颜色值的变化可以发现新的轮廓线，如果颜色值从“o ”变到“1 ，一个边界 点就被发现了，即一条轮廓线就被发现了。这里的困难之处是如何保证该轮廓线是新的 轮廓线，即不是已经跟踪的轮廓线，以避免重复跟踪。该问题一般都是通过颜色值标记 来解决的，改变已经跟踪过的边界点的颜色，边界点每被跟踪过一次，它的颜色值就加 1 2 顶论文复杂条件下人头檀蔫与计数技术研究与9 0 乳 1 ，这样在跟踪过的轮廓线上就不再存在颜色值从“0 ”变到“l ”的情况，从而避免了 重复跟踪。然而这种标记法与不丢失内轮廓产生了冲突，因为被跟踪过的边界点的颜色 值被改成了”2 ”，”3 ”或”4 ”，但当内外轮廓线共点时，得到内轮廓就成了困难，为此， 增加了发现新轮廓线的模式，然而这些增加的模式又带来了产生重复跟踪的错误。 2 轮廓线跟踪，一旦找到一条新的轮廓，跟踪过程便开始了。跟踪过程按照预先设 定的检验顺序，一个个地检验并得到边界点，直至形成一条闭合轮廓。 3 结束跟踪，现有算法都采用了相同的跟踪结束条件，即跟踪过程一旦到达跟踪起 点便结束跟踪。 通过上述步骤，由链码跟踪二值图像中的像素为2 5 5 的点，即白色目标，得到图像 的外轮廓和内轮廓。按常规约定，内外轮廓均为8 连通，外轮廓为逆时针，内轮廓为顺 时针。 利用链长度和面积的计算，可阻进行滤波。先求得各个轮廓的周长和面积，再根据 需要设置长度和面积阈值去除不需要的轮廓，然后把剩下的轮廓对应的区域用链码填充 的方法写入空白图像，得到感兴趣的区域。 本文根据链码方法减少图像中的不必要的边缘点，一下是实验图像数据。 图2 l3 l 原始图像 图0 13 2 原图像的边缘图像图2 13 3 击噪后的边缘图像 上面三幅图片说明了通过链码方法筛选人头边边缘的过程，图2 1 3 、l 为俯视人头 图像，图21 3 2 为沈俊算子求取的边缘图像，图2133 为通过链码长度筛选后的俯视 j 3 2 基于活动边缘的俯视人头边缘检测 硕士论文 人头边缘，可以看到去除了许多短小，凌乱的边缘，俯视人头的边缘更明显了。 2 2 活动边缘检测 2 2 1 基于背景差分技术的活动边缘检测 基于背景差分技术检测活动边缘的方法较多，主要过程就是通过当前帧图像与一个 背景图像做差运算，然后通过二值化方法就得到了只包含运动区域及少量噪声的二值图 像，然后对二值图像求取边缘，这样就得到了活动边缘，背景差分的重点主要在背景方 面，可以通过选定一幅初始的图片作为背景图片，设固定的背景图像b ，假设摄像机是 静止的，而且光照不变，即背景变化很小，所以可以通过当前图像和背景图像的差分可 以得到运动变化的部分。把当前图像序列设为 屯，：，j ，) ，通过当前图像与背景图像的 差分可以得到运动序列口( f ，) ： 口( f ，- ，) 爿i ，( f ，) 一bi ( 2 2 1 1 ) 其中，t 表示不同的时刻，取值1 ，2 ，3 ，( f ，) 表示图像中对应像素的位置。因为运 动目标的灰度分布不均匀，背景在不同位置的灰度也可能不相同，因此公式在差分后取 绝对值以既保全运动信息又易于显示。这里的图像差运算只涉及对应像素强度的差分运 算，这种运算简单，计算量小，处理速度快，适合于实时的处理。 通过当前图像与固定背景图像之间的差分运算，可以得到当前图像中的运动目标。 一般情况下所得的结果比较理想，差分后只有运动目标。但如果图像中光照变化较大时， 差分后的结果就不仅仅是运动目标了，由于光照的影响图像中其他非运动部分的像素强 度也发生了较大的变化，这些强度变化像素区域也会反应在差分图像中。因此在背景差 分中，背景更新成为新的研究热点，如平均更新法，加权更新法，分组更新法，基于多 高斯分布背景模型的背景差分法等，其中基于多高斯模型方法，通过多高斯分布背 景模型生成了一组自适应的背景图像序列 e ，b ：，马) 。这样，当前图像与背景图像的 差分可以得到运动序列口( f ，) ： d f ( f ，) 爿( f ，) 一ei ( 2 2 1 2 ) 更新的背景在一定程度上，减小了光照变化带来的影响，较好的分割出图像中运动 目标，然后检测出运动目标的边缘。 2 2 2 基于帧间差分的活动边缘检测 除了上一小节，给出的基于背景差分检测运动边缘的方法，还可以通过帧间差分方 法检测运动边缘，相邻两帧图像由于时间间隔短，光照的变化小，使得它们的差图像受 光线影响小，检测有效而稳定。相邻图像间的差分运算可定义如下： 采集到的图像序列为 厶，l ，) ，则当前图像与相邻帧图像做差分得到4 n ( f ，j ) 为： 1 4 硕士论文 复杂条件下人头检测与计数技术研究与实现 d r , t - i ( f ，j ) = l t ( i ，j ) 一一l ( f ，j ) ( 2 2 2 1 ) 其中，t 表示对应当前时刻，取值1 ，2 ，3 ，1 1 ( i ，j ) 是当前帧图像，一。( f ，) 是前一帧 图像，( f ，j f ) 表示图像中对应像素点的位置，皿川( - j f ) 可以根据实际情况决定是取绝对 值。对相邻图像的差分运算示意图如下： ( a ) 前一帧图像厶一lo ，y )c o ) 当前图像o ，y ) ( c ) 图( b ) 和( a ) 差分结果 图2 2 2 1 相邻图像间差分示意图 简化说明过程，设图像序列中全部是简单二值图像，图像背景灰度值为0 ，目标的 灰度值为i 。目标以一定速度运动，在t 1 时刻目标的位置如图2 2 2 1 中a 图所示；在t 时刻目标位置如图2 2 2 ，l 中b 图所示，然后用t 时刻的图像与t - l 时刻的图像进行差分， 得到的差分结果如图2 2 2 1 中c 图所示。由于目标的运动，它共分四个不同的区域： 在图2 2 2 1 中c 图中，可到看到差分图像分为4 个区域，其中“o 和“2 区域的 灰度值都是0 ，前者因为是背景，后者是运动目标在两幅图像中，重合的部分，所以在 差分图像中，就没有体现出来，而差分图像得到的主要信息集中与“1 ”“3 中，两者 都是运动目标的一部分，其中“1 ”为只出现在前一帧图像中的运动目标的部分，而“3 则为运动目标只在当前图像出现的部分，所以可得相邻图像做差分运算可得到两幅图像 中的运动部分。 上面介绍的是基于相邻两帧图像的差分，基于相邻两帧图像的差分虽然可以检测出 运动目标的边缘，但是它包含了两幅图像中的运动目标边缘，无法直接给我当前帧中的 运动边缘，基于此问题，c v i e r e n 2 0 】等提出了一种通过连续三帧图像获取当前帧运动目 标边缘的方法。该方法需要连续三帧图像：前一帧图像p ，当前处理的图像c 和后一帧 图像n 。它首先逐点计算当前处理的图像和前后两帧图像的差分，得到相对变化的区域， 差分定义如下： d ( p ，c ) ( x ，y ) = lp ( x ，少) 一c ( x ，y ) f ， ，、 2 基于活动边缘的俯视人头边缘检测硕士论文 d ( c ，) ( x ，y ) - - - , ic ( x ，y ) 一n ( x ，y ) i 门，) ，) 乱 、o ， 再计算两幅差分图像的边缘g l d ( 只c ) i 和g i d ( c ，u ) l ，通过这两幅差分边缘图像得到运 动目标的边缘。g l d ( p ，c ) i 包含了当前处理图像和前一帧图像中运动目标的边缘，而 g i d ( c ，) l 包含了当前处理图像和下一帧图像中运动目标的边缘( 如图2 2 3 1 所示) 。也 就是说，当前处理图像中运动目标的边缘同时在两个边缘图像中，但是另外两帧图像中 运动边缘只差分边缘图像中的一幅中。因此将两幅差分边缘图像相“与 时，得到的结 果图像中，只包含当前图像中运动目标的边缘，前一帧以及后一帧图像中的运动目标边 缘在“与 运算中消失，最后得到了当前图像中运动边缘m ( c ) 。相邻三帧图像差分求 取运动边缘的过程如下： 前一帧图像( 聊 差分图像差分边缘 d c ) g ( d 0 a , c ) ) 当前帧 1 一。 一一 。相与 ，、 运动边 l 当前帧图像( c ) ， 、， 缘m ( c ) 善p 1 鬻卜 差分