專(zhuān)利名稱(chēng)：人頭檢測(cè)方法和系統(tǒng)的制作方法
技術(shù)領(lǐng)域：
本發(fā)明涉及檢測(cè)技術(shù)，特別涉及一種人頭檢測(cè)方法以及一種人頭檢測(cè)系統(tǒng)。
背景技術(shù)：
在現(xiàn)有技術(shù)中，由于不同姿態(tài)的人頭的灰度差異較大，因而實(shí)現(xiàn)人頭檢 測(cè)比較困難。例如，自人頭正面、側(cè)面、背面、以及頂部拍攝的人頭的灰度 差異會(huì)非常大；另外，對(duì)于不同的頭發(fā)、或有人可能會(huì)帶帽子等其他因素，
也會(huì)提高人頭檢測(cè)的復(fù)雜程度。
可見(jiàn)，現(xiàn)有技術(shù)中并未提供一成熟可靠的人頭檢測(cè)方式。
發(fā)明內(nèi)容
有鑒于此，本發(fā)明提供了一種人頭檢測(cè)方法以及一種人頭檢測(cè)系統(tǒng)，能 夠?qū)崿F(xiàn)對(duì)人頭的檢測(cè)。
本發(fā)明提供的一種人頭檢測(cè)方法，包括 在輸入的圖像中搜索得到候選人頭窗口；
利用第一級(jí)分類(lèi)器對(duì)搜索得到的所有候選人頭窗口進(jìn)行第一級(jí)檢測(cè)過(guò)
濾；
對(duì)第 一 級(jí)檢測(cè)過(guò)濾后剩余的候選人頭窗口進(jìn)行灰度歸 一化處理； 利用第二級(jí)分類(lèi)器對(duì)灰度歸一化處理后的所有候選人頭窗口進(jìn)行第二
級(jí);險(xiǎn)測(cè)過(guò)濾；
計(jì)算第二級(jí)檢須'J過(guò)濾后剩余的所有候選人頭窗口與預(yù)設(shè)人頭特征規(guī)貝'J 的相似性；
將相似性大于預(yù)設(shè)第 一 閾值的候選人頭窗口確定為人頭。所述第一級(jí)分類(lèi)器是通過(guò)從多個(gè)人頭正樣本和多個(gè)人頭反樣本中抽取
Haar微特征和灰度均值特征、并基于Adaboost算法而預(yù)先訓(xùn)練得到的；
所述第二級(jí)分類(lèi)器是通過(guò)從多個(gè)人頭正樣本和多個(gè)人頭反樣本中抽取
Haar微特征、并基于Adaboost算法而預(yù)先訓(xùn)練得到的；
所述利用第一級(jí)分類(lèi)器對(duì)所有候選人頭窗口進(jìn)行第一級(jí)檢測(cè)過(guò)濾包括 將搜索得到的所有候選人頭窗口輸入至所述第一級(jí)分類(lèi)器，由所述第一級(jí)分 類(lèi)器從輸入的所有候選人頭窗口中分別抽取Haar微特征和灰度均值特征， 然后依據(jù)抽取的Haar微特征和灰度均值特征、并基于Adaboost算法對(duì)輸入 的所有候選人頭窗口進(jìn)行第 一 級(jí)檢測(cè)過(guò)濾；
所述利用第二級(jí)分類(lèi)器利用第二級(jí)分類(lèi)器對(duì)灰度歸一化處理后的所有 候選人頭窗口進(jìn)行第二級(jí)檢測(cè)過(guò)濾包括將灰度歸一化處理后的所有候選人 頭窗口輸入至所述第二級(jí)分類(lèi)器，由所述第二級(jí)分類(lèi)器從輸入的所有候選人 頭窗口中分別抽取Haar樣i特征，然后依據(jù)抽取的Haar 4鼓特征、并基于 Adaboost算法對(duì)灰度歸 一 化處理后的所有候選人頭窗口進(jìn)行第二級(jí)檢測(cè)過(guò) 濾。
所述Haar微特征包括下述之一或任意組合
左右相鄰的 一 個(gè)黑色區(qū)域和 一 個(gè)白色區(qū)域之間的像素灰度均值差； 上下相鄰的 一 個(gè)黑色區(qū)域和 一 個(gè)白色區(qū)域之間的像素灰度均值差； 一個(gè)黑色區(qū)域與其左右相鄰的兩個(gè)白色區(qū)域之間的像素灰度均值差； 兩個(gè)對(duì)角相連的黑色區(qū)域，與相鄰兩個(gè)對(duì)角相連的兩個(gè)白色區(qū)域之間的 像素灰度均值差；
對(duì)角相連的 一 個(gè)黑色區(qū)域和 一 個(gè)白色區(qū)域之間的像素灰度均值差。 所述人頭正樣本包括不同姿態(tài)、不同頭發(fā)、戴不同帽子的真實(shí)人頭圖
像；
所述人頭反樣本包括未包含人頭的圖像。
所述在輸入的圖像中搜索得到候選人頭窗口包括對(duì)輸入的圖像進(jìn)行預(yù) 設(shè)比例的縮放、預(yù)設(shè)角度的旋轉(zhuǎn)；在輸入的圖像、以及進(jìn)行所述縮放、所述的若干候選人頭窗口；將 不同尺寸的若干候選人頭窗口進(jìn)行尺寸歸一化處理，得到預(yù)設(shè)標(biāo)準(zhǔn)尺寸的若
干候選人頭窗口；
所述人頭正樣本和所述人頭反樣本的圖像尺寸與所述預(yù)設(shè)標(biāo)準(zhǔn)尺寸一致。
度和邊界方向；
計(jì)算候選人頭窗口與預(yù)設(shè)人頭特征規(guī)則的相似性包括抽取候選人頭窗 口中的各輪廓點(diǎn)；利用Sobel算子計(jì)算候選人頭窗口中各輪廓點(diǎn)在x方向的
邊界值o/ge —x 、以及在y方向的邊界值Wge —_y ;利用公式— x)2 + (e咖—_y)2 計(jì)算候選人頭窗口中各輪廓點(diǎn)的邊界幅度、利用公式arctan^^計(jì)算候選
人頭窗口中各輪廓點(diǎn)的邊界方向；計(jì)算候選人頭窗口中各輪廓點(diǎn)的邊界幅度 和邊界方向與標(biāo)準(zhǔn)人頭邊界的各輪廓點(diǎn)的邊界幅度和邊界方向的相似性，得 到候選人頭窗口與預(yù)設(shè)人頭特征規(guī)則的相似性。
計(jì)算候選人頭窗口與預(yù)設(shè)人頭特征規(guī)則的相似性之前，該方法進(jìn)一步包 括將第二級(jí)檢測(cè)過(guò)濾后剩余的所有候選窗口中，相互之間的尺寸差異小于 預(yù)設(shè)第二閾值、和/或位置差異小于預(yù)設(shè)第三閾值、和/或重疊面積大于預(yù)設(shè) 第四閾值的多個(gè)候選人頭窗口合并為一個(gè)；
且，在執(zhí)行所述計(jì)算候選人頭窗口與預(yù)設(shè)人頭特征規(guī)則的相似性時(shí)，僅 計(jì)算合并后的候選人頭窗口與預(yù)設(shè)人頭特征規(guī)則的相似性。
本發(fā)明提供的一種人頭檢測(cè)系統(tǒng)，包括
窗口搜索單元，用于在輸入的圖像中搜索得到候選人頭窗口；
第 一 級(jí)分類(lèi)器，用于對(duì)搜索得到的所有候選人頭窗口進(jìn)行第 一 級(jí)檢測(cè)過(guò)
濾；
灰度歸一化單元，用于對(duì)第一 級(jí)檢測(cè)過(guò)濾后剩余的候選人頭窗口進(jìn)行灰 度歸一化處理；第二級(jí)分類(lèi)器，用于對(duì)灰度歸一化處理后的所有候選人頭窗口進(jìn)行第二
級(jí);險(xiǎn)測(cè)過(guò)濾；
相似性計(jì)算單元，用于計(jì)算第二級(jí)檢測(cè)過(guò)濾后剩余的所有候選人頭窗口 與預(yù)設(shè)人頭特征規(guī)則的相似性；
結(jié)果判定單元，用于將相似性大于預(yù)設(shè)第 一 閾值的候選人頭窗口確定為人頭。
所述第一級(jí)分類(lèi)器是通過(guò)從多個(gè)人頭正樣本和多個(gè)人頭反樣本中抽取 Haar微特征和灰度均值特征、并基于Adaboost算法而預(yù)先訓(xùn)練得到的；
所述第二級(jí)分類(lèi)器是通過(guò)從多個(gè)人頭正樣本和多個(gè)人頭反樣本中抽取
Haar微特征、并基于Adaboost算法而預(yù)先訓(xùn)練得到的。
所述第一級(jí)分類(lèi)器從搜索得到的所有候選人頭窗口中分別抽取Haar微 特征和灰度均值特征，然后依據(jù)抽取的Haar微特征和灰度均值特征、并基 于Adaboost算法對(duì)搜索得到的所有候選人頭窗口進(jìn)行第 一 級(jí)檢測(cè)過(guò)濾；
所述第二級(jí)分類(lèi)器從灰度歸一化處理后的所有候選人頭窗口中分別抽
取Haar微特征，然后依據(jù)抽取的Haar微特征、并基于Adaboost算法對(duì)灰 度歸 一化處理后的所有候選人頭窗口進(jìn)行第二級(jí)檢測(cè)過(guò)濾。 所述Haar微特征包括下述之一或任意組合
左右相鄰的一個(gè)黑色區(qū)域和一個(gè)白色區(qū)域之間的像素灰度均值差； 上下相鄰的一個(gè)黑色區(qū)域和一個(gè)白色區(qū)域之間的像素灰度均值差； 一個(gè)黑色區(qū)域與其左右相鄰的兩個(gè)白色區(qū)域之間的像素灰度均值差； 兩個(gè)對(duì)角相連的黑色區(qū)域，與相鄰兩個(gè)對(duì)角相連的兩個(gè)白色區(qū)域之間的 像素灰度均值差；
對(duì)角相連的 一 個(gè)黑色區(qū)域和 一 個(gè)白色區(qū)域之間的像素灰度均值差。 所述人頭正樣本包括不同姿態(tài)、不同頭發(fā)、戴不同帽子的真實(shí)人頭圖
像；
所述人頭反樣本包括未包含人頭的圖像。 所述窗口搜索單元包括圖像變換子單元，用于對(duì)輸入的圖像進(jìn)行預(yù)設(shè)比例的縮放、預(yù)設(shè)角度的
旋轉(zhuǎn)；
窮舉搜索子單元，用于在輸入的圖像、以及進(jìn)行所述縮放、所述旋轉(zhuǎn)后
的圖像中，以窮舉的方式搜索得到不同尺寸的若干候選人頭窗口 ；
尺寸歸一化子單元，用于將不同尺寸的若千候選人頭窗口進(jìn)行尺寸歸一
化處理，得到預(yù)設(shè)標(biāo)準(zhǔn)尺寸的若干候選人頭窗口；
且，所述人頭正樣本和所述人頭反樣本的圖像尺寸與所述預(yù)設(shè)標(biāo)準(zhǔn)尺寸一致。
度和邊界方向；
所述相似性計(jì)算單元包括
輪廓點(diǎn)抽取子單元，用于抽取候選人頭窗口中的各輪廓點(diǎn)；
邊界值計(jì)算子單元，用于利用Sobel算子計(jì)算候選人頭窗口中各輪廓點(diǎn) 在x方向的邊界值o/ge —jc 、以及在y方向的邊界值"&e —.y ;
幅度計(jì)算子單元，用于利用公式— "2 + (^ge _力2計(jì)算候選人頭窗口 中各輪廓點(diǎn)的邊界幅度；
方向計(jì)算子單元，用于利用公式arctan^^計(jì)算候選人頭窗口中各輪
廓點(diǎn)的邊界方向；
邊界比較子單元，用于計(jì)算候選人頭窗口中各輪廓點(diǎn)的邊界幅度和邊界 方向與標(biāo)準(zhǔn)人頭邊界的各輪廓點(diǎn)的邊界幅度和邊界方向的相似性，得到候選 人頭窗口與預(yù)設(shè)人頭特征規(guī)則的相似性。
該系統(tǒng)在所述第二級(jí)分類(lèi)器與所述相似性計(jì)算單元之間，進(jìn)一步包括
窗口合并單元，用于將第二級(jí)檢測(cè)過(guò)濾后剩余的所有候選窗口中，相互 之間的尺寸差異小于預(yù)設(shè)第二閾值、和/或位置差異小于預(yù)設(shè)第三閾值、和/
或重疊面積大于預(yù)設(shè)第四闊值的多個(gè)候選人頭窗口合并為一個(gè)；
且，所述相似性計(jì)算單元僅計(jì)算合并后的候選人頭窗口與預(yù)設(shè)人頭特征規(guī)則的相似性。
由上述技術(shù)方案可見(jiàn)，本發(fā)明先在輸入的圖像中搜索得到候選人頭窗 口 ，并利用第 一 級(jí)分類(lèi)器對(duì)搜索得到的所有候選人頭窗口進(jìn)行第 一 級(jí)檢測(cè)過(guò) 濾；此后，對(duì)第一級(jí)檢測(cè)過(guò)濾后剩余的候選人頭窗口進(jìn)行灰度歸一化處理， 并利用第二級(jí)分類(lèi)器對(duì)灰度歸一化處理后的所有候選人頭窗口進(jìn)行第二級(jí)
檢測(cè)過(guò)濾；然后，再計(jì)算第二級(jí)檢測(cè)過(guò)濾后剩余的所有候選人頭窗口與預(yù)設(shè)
人頭特征規(guī)則的相似性，并將相似性大于預(yù)設(shè)第一閾值的候選人頭窗口確定 為人頭，從而能夠?qū)崿F(xiàn)對(duì)人頭的檢測(cè)。
而且，由于第一級(jí)分類(lèi)器進(jìn)行第一級(jí)檢測(cè)過(guò)濾的候選窗口未進(jìn)行灰度歸 一化處理，因而能夠檢測(cè)過(guò)濾掉大量灰度分布較為復(fù)雜的非人臉圖像，從而 能夠減少第二級(jí)分類(lèi)器的處理，進(jìn)而提高人頭檢測(cè)的效率。
進(jìn)一步地，第一級(jí)分類(lèi)器和第二級(jí)分類(lèi)器可基于Adaboost算法、以及 IIaar微特征實(shí)現(xiàn)檢測(cè)過(guò)濾，由于Adaboost算法、以及Haar微特征均為成熟 技術(shù)，因而使得本發(fā)明的人頭檢測(cè)具有較高的準(zhǔn)確性。
再進(jìn)一步地，第一級(jí)分類(lèi)器和第二級(jí)分類(lèi)器可以是利用人頭正樣本訓(xùn)練 得到的，且人頭正樣本可包括不同姿態(tài)、不同頭發(fā)、戴不同帽子的真實(shí)人頭 圖像，從而保證本發(fā)明從不同姿態(tài)、不同頭發(fā)、戴不同帽子的圖像中均能夠 檢測(cè)出人頭，進(jìn)而使得本發(fā)明具有較高的實(shí)用價(jià)值。
此外，本發(fā)明在計(jì)算候選人頭窗口與預(yù)設(shè)人頭特征規(guī)則的相似性之前， 還可以先合并相鄰的多個(gè)候選人頭窗口 ，從而避免了同一個(gè)人頭對(duì)應(yīng)多個(gè)候 選人頭窗口，進(jìn)一步提高了人頭檢測(cè)的準(zhǔn)確性；且，由于真實(shí)的人頭才可能 對(duì)應(yīng)多個(gè)候選人頭窗口、而虛警的出現(xiàn)往往比較孤立，因此，本發(fā)明如果僅 計(jì)算合并后的候選人頭窗口與預(yù)設(shè)人頭特征規(guī)則的相似性，則能夠避免將圖 像中的虛警誤檢測(cè)為人頭，從而再進(jìn)一步地提高了人頭檢測(cè)的準(zhǔn)確性。
圖1為本發(fā)明實(shí)施例中第一級(jí)和第二級(jí)分類(lèi)器的組成示意圖；圖2為本發(fā)明實(shí)施例中Haar微特征的示例性結(jié)構(gòu)圖3為本發(fā)明實(shí)施例中人頭檢測(cè)方法的示例性流程圖4為本發(fā)明實(shí)施例中人頭檢測(cè)系統(tǒng)的示例性結(jié)構(gòu)圖5為本發(fā)明實(shí)施例人頭檢測(cè)系統(tǒng)中窗口搜索單元的結(jié)構(gòu)示意圖6為本發(fā)明實(shí)施例人頭檢測(cè)系統(tǒng)中相似性計(jì)算單元的結(jié)構(gòu)示意圖。
具體實(shí)施例方式
為使本發(fā)明的目的、技術(shù)方案及優(yōu)點(diǎn)更加清楚明白，以下參照附圖并舉 實(shí)施例，對(duì)本發(fā)明進(jìn)一步詳細(xì)說(shuō)明。
在本發(fā)明中，對(duì)從輸入圖像中搜索得到的所有候選人頭窗口采用三級(jí)檢 測(cè)過(guò)濾。其中，第一級(jí)檢測(cè)過(guò)濾利用"人頭/非人頭，，的二類(lèi)分類(lèi)器來(lái)實(shí)現(xiàn)， 并針對(duì)未經(jīng)灰度歸一化處理的候選人頭窗口；第二級(jí)檢測(cè)過(guò)濾也利用"人頭 /非人頭"的二類(lèi)分類(lèi)器來(lái)實(shí)現(xiàn)，但針對(duì)經(jīng)灰度歸一化處理的候選人頭窗口； 而第三級(jí)則是基于候選人頭窗口與人頭特征規(guī)則的相似性來(lái)實(shí)現(xiàn)。
上述"人頭/非人頭"的二類(lèi)分類(lèi)器可以確定某個(gè)尺度的矩形人頭候選 窗口是否是人頭。設(shè)矩形人頭候選窗口長(zhǎng)為m,寬為n,則相應(yīng)地，人頭檢 測(cè)的流程可以為在輸入的圖像中窮舉搜索和判別所有大小為w x "像素的窗 口作為人頭候選窗口，將各個(gè)人頭候選窗口輸入到"人頭/非人頭"分類(lèi)器 中，即可留下識(shí)別為人頭的候選人頭窗口。"人頭/非人頭"的二類(lèi)分類(lèi)器 在本文中簡(jiǎn)稱(chēng)為"分類(lèi)器"。
本發(fā)明所需的第 一級(jí)分類(lèi)器和第二級(jí)分類(lèi)器可利用現(xiàn)有人臉檢測(cè)技術(shù) 中成熟的Adaboost理論來(lái)實(shí)現(xiàn)。
具體來(lái)說(shuō)，AdaBoost理論是一種將任意強(qiáng)于隨機(jī)猜測(cè)的弱分類(lèi)器組合 成強(qiáng)分類(lèi)器的通用算法，因此，本發(fā)明使用一種類(lèi)似哈爾(Haar)小波的微 結(jié)構(gòu)特征(筒稱(chēng)為Harr微特征)來(lái)表達(dá)人頭、并結(jié)合基于AdaBoost理論的 一種現(xiàn)有特征選擇方法，將多個(gè)基于單個(gè)特征的弱分類(lèi)器組成為一個(gè)強(qiáng)分類(lèi) 器，然后將多個(gè)強(qiáng)分類(lèi)器級(jí)聯(lián)成一個(gè)完整的"人頭/非人頭，，的二類(lèi)分類(lèi)器，即本發(fā)明所需的第一級(jí)分類(lèi)器、第二級(jí)分類(lèi)器。
參見(jiàn)圖1,第一級(jí)分類(lèi)器、第二級(jí)分類(lèi)器由n層上述強(qiáng)分類(lèi)器級(jí)聯(lián)而成， 在第一級(jí)分類(lèi)器、第二級(jí)分類(lèi)器檢測(cè)時(shí)，如果n層強(qiáng)分類(lèi)器中的某一層強(qiáng)分 類(lèi)器判別一個(gè)候選人頭窗口為(False)假，則排除此窗口而不進(jìn)行進(jìn)一步的 判別，如果輸出為(True)真，則使用下一層更復(fù)雜的強(qiáng)分類(lèi)器對(duì)該窗口進(jìn)
行判別。
也就是說(shuō)，每一層強(qiáng)分類(lèi)器都能讓幾乎全部人頭樣本通過(guò)，而拒絕大部 分非人頭樣本。這樣輸入低層強(qiáng)分類(lèi)器的候選人頭窗口就多，而輸入高層的 候選人頭窗口大大減少。
此外，對(duì)于上述結(jié)構(gòu)的第一級(jí)分類(lèi)器和第二級(jí)分類(lèi)器，還需要利用大量 的人頭正樣本和人頭反樣本預(yù)先進(jìn)行訓(xùn)練。其中，人頭正樣本可包括自人頭 正面、側(cè)面、背面、以及頂部拍攝的人頭圖像，即覆蓋了不同姿態(tài)、不同頭 發(fā)、戴不同帽子的真實(shí)人頭圖像；而人頭反樣本包括例如風(fēng)景、動(dòng)物、文字 等任意未包含人頭的圖像；而具體的訓(xùn)練方法可以基于現(xiàn)有的Adaboost理 論來(lái)實(shí)現(xiàn)，在此不再贅述。
需要說(shuō)明的是，第一級(jí)分類(lèi)器可以是通過(guò)從多個(gè)人頭正樣本和多個(gè)人頭 反樣本中抽取Haar微特征和灰度均值特征、并基于Adaboost算法而訓(xùn)練得 到的；由于第二級(jí)分類(lèi)器針對(duì)的是經(jīng)灰度歸一化處理的候選人頭窗口，因此， 第二級(jí)分類(lèi)器的訓(xùn)練無(wú)需灰度均值特征，而可以是只通過(guò)從多個(gè)人頭正樣本 和多個(gè)人頭反樣本中抽取Haar微特征、并基于Adaboost算法而訓(xùn)練得到。
較佳地，本發(fā)明采用了如圖2左側(cè)的所示的6種Haar微特征、以及如 圖2最右側(cè)所示的1種灰度均值特征。對(duì)于如圖2所示的6種Haar微特征， 本發(fā)明計(jì)算圖像中對(duì)應(yīng)黑色區(qū)域和白色區(qū)域內(nèi)像素灰度均值的差值得到特 征；對(duì)于灰度均值特征，本發(fā)明則計(jì)算矩形框內(nèi)所有像素的均值。
其中，上述黑色區(qū)域通常表示人頭的背景圖像，而上述白色區(qū)域則通常 表示人頭、尤其是人頭正面的人臉；且，如圖2所示的6種組微特征中，黑 色區(qū)域或者白色區(qū)域的長(zhǎng)、寬可以任意選擇，只需不超過(guò)候選人頭窗口的尺寸即可。
當(dāng)然，實(shí)際使用的Haar微特征可以不限于如圖2所示的6種，而是包 括下述之一或任意組合
左右相鄰的一個(gè)黑色區(qū)域和一個(gè)白色區(qū)域之間的像素灰度均值差，即不 限于黑色區(qū)域和白色區(qū)域哪一個(gè)在左、哪一個(gè)在右；
上下相鄰的一個(gè)黑色區(qū)域和一個(gè)白色區(qū)域之間的像素灰度均值差，即不 限于黑色區(qū)域和白色區(qū)域哪一個(gè)在上、哪一個(gè)在下；
一個(gè)黑色區(qū)域與其左右相鄰的兩個(gè)白色區(qū)域之間的像素灰度均值差；
一個(gè)白色區(qū)域與其左右相鄰的兩個(gè)黑色區(qū)域之間的像素灰度均值差；
兩個(gè)對(duì)角相連的黑色區(qū)域，與相鄰兩個(gè)對(duì)角相連的白色區(qū)域之間的像素 灰度均值差，不限于黑色區(qū)域與白色區(qū)域的相對(duì)位置關(guān)系；
對(duì)角相連的 一 個(gè)黑色區(qū)域和 一 個(gè)白色區(qū)域之間的像素灰度均值差，不限 于黑色區(qū)域與白色區(qū)域的相對(duì)位置關(guān)系。
件，在進(jìn)行訓(xùn)練之前，本發(fā)明可以先設(shè)定樣本搜索窗口的尺寸，例如13 x 13,然后由第一級(jí)分類(lèi)器和第二級(jí)分類(lèi)器利用設(shè)定尺寸的樣本搜索窗口對(duì)所 有人頭正樣本和人頭反樣本進(jìn)行裁剪和尺寸歸一化處理，得到尺寸相同的人 頭正樣本和人頭反樣本。
另外，為增強(qiáng)第一級(jí)分類(lèi)器和第二級(jí)分類(lèi)器對(duì)傾斜或旋轉(zhuǎn)一定角度的不 同姿態(tài)人頭、或不同大小的人頭檢測(cè)的魯棒性，在對(duì)所有人頭正樣本和人頭 反樣本進(jìn)行裁剪和尺寸歸一化處理之前，本發(fā)明還可以先對(duì)所有人頭正樣本 和人頭反樣本進(jìn)行鏡像、例如± 10度等任意角度的旋轉(zhuǎn)、例如1.05倍的尺 寸放大、例如0.95倍的尺寸縮小等處理，以擴(kuò)充人頭正樣本和人頭反樣本 的數(shù)量。
下面，基于上述的第一級(jí)分類(lèi)器和第二級(jí)分類(lèi)器，對(duì)本發(fā)明實(shí)施例中的 人頭4全測(cè)方法和人頭才全測(cè)系統(tǒng)進(jìn)4亍-洋細(xì)i兌明。
圖3為本發(fā)明實(shí)施例中人頭檢測(cè)方法的示例性流程圖。如圖3所示，本實(shí)施例中的人頭檢測(cè)方法包括
步驟3(M,在輸入的圖像中搜索得到候選人頭窗口。
較佳地，為了盡可能保證輸入圖像中所有可能的候選人頭窗口不會(huì)被遺
漏，本步驟中的處理過(guò)程可具體包括
al、對(duì)輸入的圖像進(jìn)行預(yù)設(shè)比例的縮放、預(yù)設(shè)角度的旋轉(zhuǎn)；
a2、在輸入的圖像、以及進(jìn)行所述縮放、所述旋轉(zhuǎn)后的圖像中，以窮舉 的方式搜索得到不同尺寸的若干候選人頭窗口；
a3、將不同尺寸的若干候選人頭窗口進(jìn)行尺寸歸一化處理，得到預(yù)設(shè)標(biāo) 準(zhǔn)尺寸的若干候選人頭窗口。
這樣，經(jīng)上述步驟al、 a2的處理，即可最大限度地避免不同角度或不 同大小的候選人頭窗口被遺漏；經(jīng)上述a3的處理，還可保證在后續(xù)的處理 過(guò)程中，對(duì)所有候選人頭窗口采用同等條件的處理。
步驟302，利用第 一級(jí)分類(lèi)器對(duì)搜索得到的所有候選人頭窗口進(jìn)行第一 級(jí)檢測(cè)過(guò)濾。其中，本步驟所利用的第一級(jí)分類(lèi)器可以是按照如前所述的方 式預(yù)先構(gòu)成并訓(xùn)練得到的。
較佳地，本實(shí)施例可以啟用一假設(shè)條件，即當(dāng)前輸入的圖像來(lái)自視頻監(jiān) 控場(chǎng)景，而拍攝輸入圖像的攝像頭的自動(dòng)曝光參數(shù)為一個(gè)正常的數(shù)值，使得 整個(gè)圖像的亮暗適中、亮度均勻，這就意味著，場(chǎng)景中人頭背景圖像一般是 黑色的，而正面人頭的人臉不會(huì)太黑，也不會(huì)過(guò)亮。
此時(shí)，本步驟中的具體處理過(guò)程可以為將搜索得到的所有候選人頭窗 口輸入至訓(xùn)練后的第 一級(jí)分類(lèi)器，由訓(xùn)練后的第 一級(jí)分類(lèi)器從搜索得到的所 有候選人頭窗口中分別抽取如前所述的Haar微特征和灰度均值特征，然后 依據(jù)抽取的Haar微特征和灰度均值特征、并基于Adaboost算法對(duì)輸入的所 有候選人頭窗口進(jìn)行第一級(jí)檢測(cè)過(guò)濾。當(dāng)然，上述具體處理過(guò)程僅僅是對(duì)于 上述假設(shè)條件能夠產(chǎn)生更好的效果，但并不僅限于上述假設(shè)條件。
由于所有候選人頭窗口經(jīng)灰度歸 一化處理后，有可能存在某些非人頭的 候選人頭窗口與實(shí)際為人頭的候選人頭窗口的灰度分布相類(lèi)似，區(qū)分較為困難，因此，本步驟先不對(duì)所有候選人頭窗口進(jìn)行灰度歸一化處理、并通過(guò)第 一級(jí)檢測(cè)過(guò)濾將上述的某些非人頭的候選人頭窗口排除掉，以減少后續(xù)為區(qū) 分上述的某些非人頭的候選人頭窗口的處理，因而能夠提高人頭檢測(cè)的效率。
而且，假設(shè)各候選人頭窗口的尺寸均為13x13、抽取如圖2所示的6 種1-Iaar微特征、Haar微特征中黑色區(qū)域和白色區(qū)域的最小尺寸均為lxl, 則對(duì)于一個(gè)候選人頭窗口可抽取的Haar微特征和灰度均值特征總數(shù)最多可 以為13 x 13 x 13 x 13 x 7 = 199927個(gè)。考慮到部分特征中黑色區(qū)域或者白色 區(qū)域位于13x13的候選人頭窗口外、可忽略不計(jì)，因此有效的特征數(shù)為 23583?？梢?jiàn)，第一級(jí)纟全測(cè)過(guò)濾時(shí)抽取的所有Haa"敬特征和灰度均值特征中 實(shí)際有效的數(shù)量也不多，因而能夠保證人頭檢測(cè)效率的提高。
需要說(shuō)明的是，本步驟中從每個(gè)候選人頭窗口抽取的Harr微特征的種 類(lèi)數(shù)量可任意設(shè)定；Harr微特征中黑色區(qū)域或者白色區(qū)域的長(zhǎng)、寬可以任意 選擇，只需不超過(guò)候選人頭窗口的尺寸即可；Harr微特征中的位置也可任意 選擇。
步驟303，對(duì)第一級(jí)檢測(cè)過(guò)濾后剩余的候選人頭窗口進(jìn)行灰度歸一化處理。
步驟304，利用第二級(jí)分類(lèi)器對(duì)灰度歸一化處理后的所有候選人頭窗口 進(jìn)行第二級(jí)檢測(cè)過(guò)濾。其中，本步驟所利用的第二級(jí)分類(lèi)器可以是按照如前 所述的方式預(yù)先構(gòu)成并訓(xùn)練得到的。
較佳地，對(duì)于步驟302中所提及的假設(shè)條件，本步驟中的具體處理過(guò)程 可以為將灰度歸 一化處理后的所有候選人頭窗口輸入至訓(xùn)練后的第二級(jí)分 類(lèi)器，由訓(xùn)練后的第二級(jí)分類(lèi)器從輸入的所有候選人頭窗口中分別抽取Haar 微特征，然后依據(jù)抽取的Haar微特征、并基于Adaboost算法對(duì)灰度歸一化 處理后的所有候選人頭窗口進(jìn)行第二級(jí)檢測(cè)過(guò)濾。當(dāng)然，上述具體處理過(guò)程 僅僅是對(duì)于步驟302中所提及的假設(shè)條件能夠產(chǎn)生更好的效果，但并不僅限 于上述假設(shè)條件。雖然所有候選人頭窗口經(jīng)灰度歸一化處理后，有可能存在某些非人頭的 候選人頭窗口與實(shí)際為人頭的候選人頭窗口的灰度分布相類(lèi)似、區(qū)分較為困 難，但由于上述的某些非人頭的候選人頭窗口已在第一次檢測(cè)過(guò)濾時(shí)被排除 掉，因此，從本步驟開(kāi)始的后續(xù)步驟均避免了對(duì)上述的某些非人頭的候選人 頭窗口的處理，從而提高了人頭檢測(cè)的效率。
需要說(shuō)明的是，本步驟中從每個(gè)候選人頭窗口抽取的Harr微特征的種 類(lèi)數(shù)量可任意設(shè)定；Harr微特征中黑色區(qū)域或者白色區(qū)域的長(zhǎng)、寬可以任意 選擇，只需不超過(guò)候選人頭窗口的尺寸即可；Harr微特征中的位置也可任意 選擇。
步驟305 ，將第二級(jí)檢測(cè)過(guò)濾后剩余的所有候選窗口中相鄰的多個(gè)候選 人頭窗口合并為一個(gè)。
本步驟所述的相鄰可以是指相互之間的尺寸差異小于預(yù)設(shè)尺寸差異閾 值、和/或位置差異小于預(yù)設(shè)位置差異閾值、和/或重疊面積大于預(yù)設(shè)重疊面
積閾4直。
由于從輸入圖像中搜索得到的某些相鄰候選人頭窗口 ，實(shí)際上可能對(duì)應(yīng) 的是該輸入圖像中的同一個(gè)人頭，因此，為了避免對(duì)應(yīng)同一個(gè)人頭的多個(gè)相 鄰候選人頭窗口被分別識(shí)別為不同的人頭，由本步驟將相鄰的多個(gè)候選人頭 窗口合并為一個(gè)、并由后續(xù)步驟僅針對(duì)合并后的候選人頭窗口進(jìn)行處理，以 提高人頭檢測(cè)的準(zhǔn)確性；且，由于真實(shí)的人頭才可能對(duì)應(yīng)多個(gè)候選人頭窗口 、 而虛警的出現(xiàn)往往比較孤立，因此，如果后續(xù)步驟僅針對(duì)合并后的候選人頭 窗口進(jìn)行處理，則能夠避免將圖像中的虛警誤檢測(cè)為人頭，從而能夠再進(jìn)一 步地提高人頭檢測(cè)的準(zhǔn)確性。
當(dāng)然，由于本步驟的作用主要是提高人頭檢測(cè)的準(zhǔn)確性，如果不執(zhí)行本 步驟僅僅是降低人頭檢測(cè)的準(zhǔn)確性、而不會(huì)妨礙人頭檢測(cè)的實(shí)現(xiàn)，因而實(shí)際 應(yīng)用中本步驟為可選的、而非必須執(zhí)行的步驟，并在圖3中表示為虛線框。
步驟306,計(jì)算第二級(jí)檢測(cè)過(guò)濾后剩余的、且被合并的所有候選人頭窗 口與預(yù)設(shè)人頭特征規(guī)則的相似性。相應(yīng)地，本步驟中的具體處理過(guò)程可以包括
b 1 、按照現(xiàn)有人臉檢測(cè)中抽取輪廓點(diǎn)的方式，抽取候選人頭窗口中的各
輪廓點(diǎn)；
b2、利用現(xiàn)有的Sobd算子計(jì)算候選人頭窗口中各輪廓點(diǎn)在x方向的邊
界^直e^e —x、以及在y方向的邊界^直edge —y ;
b3、利用公式V(e"ge — x)2十(e"ge —力2計(jì)算候選人頭窗口中各輪廓點(diǎn)的邊界
幅度、利用公式arct肌計(jì)算候選人頭窗口中各輪廓點(diǎn)的邊界方向；
_ ^
b4、計(jì)算候選人頭窗口中各輪廓點(diǎn)的邊界幅度和邊界方向與標(biāo)準(zhǔn)人頭邊 界的各輪廓點(diǎn)的邊界幅度和邊界方向的相似性，得到候選人頭窗口與預(yù)設(shè)人 頭特征規(guī)則的相似性。
需要說(shuō)明的是，由于步驟305為可選的步驟，因此，當(dāng)執(zhí)行完步驟304 后、不執(zhí)行步驟305而直接執(zhí)行本步驟時(shí)，本步驟可以按照上述方式計(jì)算第 二級(jí)檢測(cè)過(guò)濾后剩余的所有候選人頭窗口與預(yù)設(shè)人頭特征規(guī)則的相似性。
步驟307，將相似性大于預(yù)設(shè)相似性閾值的候選人頭窗口確定為人頭^
本步驟之后，還可以進(jìn)一步輸出所有檢測(cè)到的人頭的位置、大小等信息。
至此，本流程結(jié)束。
由上述流程可見(jiàn)，本實(shí)施例中的人頭檢測(cè)方法先在輸入的圖像中搜索得 到候選人頭窗口 ，并利用第一級(jí)分類(lèi)器對(duì)搜索得到的所有候選人頭窗口進(jìn)行 第一級(jí)檢測(cè)過(guò)濾；此后，對(duì)第一級(jí)檢測(cè)過(guò)濾后剩余的候選人頭窗口進(jìn)行灰度 歸一化處理，并利用第二級(jí)分類(lèi)器對(duì)灰度歸一化處理后的所有候選人頭窗口 進(jìn)行第二級(jí)檢測(cè)過(guò)濾；然后，再計(jì)算第二級(jí)檢測(cè)過(guò)濾后剩余的所有候選人頭 窗口與預(yù)設(shè)人頭特征規(guī)則的相似性，并將相似性大于預(yù)設(shè)第 一閾值的候選人 頭窗口確定為人頭，從而能夠?qū)崿F(xiàn)對(duì)人頭的檢測(cè)。
而且，由于第一級(jí)分類(lèi)器進(jìn)行第一級(jí)檢測(cè)過(guò)濾的候選窗口未進(jìn)行灰度歸 一化處理，因而能夠檢測(cè)過(guò)濾掉大量灰度分布較為復(fù)雜的非人臉圖像，從而能夠減少第二級(jí)分類(lèi)器的處理，進(jìn)而提高人頭檢測(cè)的效率。
進(jìn)一步地，第一級(jí)分類(lèi)器和第二級(jí)分類(lèi)器可基于Adaboost算法、以及 Haar微特征實(shí)現(xiàn)檢測(cè)過(guò)濾，由于Adaboost算法、以及Haar微特征均為成熟 技術(shù)，因而使得本實(shí)施例中的人頭檢測(cè)方法具有較高的準(zhǔn)確性。
再進(jìn)一步地，第一級(jí)分類(lèi)器和第二級(jí)分類(lèi)器可以是利用人頭正樣本訓(xùn)練 得到的，且人頭正樣本可包括不同姿態(tài)、不同頭發(fā)、戴不同帽子的真實(shí)人頭 圖像，從而保證本發(fā)明從不同姿態(tài)、不同頭發(fā)、戴不同帽子的圖像中均能夠 檢測(cè)出人頭，進(jìn)而使得本實(shí)施例中的人頭檢測(cè)方法具有較高的實(shí)用價(jià)值。
此外，本實(shí)施例中的人頭檢測(cè)方法在計(jì)算候選人頭窗口與預(yù)設(shè)人頭特征 規(guī)則的相似性之前，還可以先合并相鄰的多個(gè)候選人頭窗口，從而避免了同 一個(gè)人頭對(duì)應(yīng)多個(gè)候選人頭窗口 ，進(jìn)一步提高了人頭檢測(cè)的準(zhǔn)確性；且，由 于真實(shí)的人頭才可能對(duì)應(yīng)多個(gè)候選人頭窗口 、而虛警的出現(xiàn)往往比較孤立， 因此，本實(shí)施例中的人頭檢測(cè)方法如果僅計(jì)算合并后的候選人頭窗口與預(yù)設(shè) 人頭特征規(guī)則的相似性，則能夠避免將圖像中的虛警誤檢測(cè)為人頭，從而再 進(jìn) 一 步地提高了人頭檢測(cè)的準(zhǔn)確性。
圖4為本發(fā)明實(shí)施例中人頭檢測(cè)系統(tǒng)的示例性結(jié)構(gòu)圖。如圖4所示，本 實(shí)施例中的人頭檢測(cè)系統(tǒng)包括
窗口搜索單元401，用于在輸入的圖像中搜索得到候選人頭窗口 ；
第一級(jí)分類(lèi)器402,該第一級(jí)分類(lèi)器402可以是按照如前所述的方式預(yù) 先構(gòu)成并訓(xùn)練得到的，并用于對(duì)搜索得到的所有候選人頭窗口進(jìn)行第 一級(jí)檢 測(cè)過(guò)濾；具體來(lái)說(shuō)，第一級(jí)分類(lèi)器402可以從搜索得到的所有候選人頭窗口 中分別抽取如前所述的任意種類(lèi)的Haar微特征和灰度均值特征，然后依據(jù) 抽取的Haar微特征和灰度均值特征、并基于Adaboost算法對(duì)搜索得到的所 有候選人頭窗口進(jìn)行第一級(jí)4企測(cè)過(guò)濾；
灰度歸一化單元403，用于對(duì)第一級(jí)檢測(cè)過(guò)濾后剩余的候選人頭窗口進(jìn) 行灰度歸一化處理；
第二級(jí)分類(lèi)器404，該第二級(jí)分類(lèi)器404可以是按照如前所述的方式預(yù)先構(gòu)成并訓(xùn)練得到的，并用于對(duì)灰度歸一化處理后的所有候選人頭窗口進(jìn)行 第二級(jí)檢測(cè)過(guò)濾；具體來(lái)說(shuō)，第二級(jí)分類(lèi)器從灰度歸一化處理后的所有候選
人頭窗口中分別抽取如前所述的任意種類(lèi)的Haar微特征，然后依據(jù)抽取的 Haar微特征、并基于Adaboost算法對(duì)灰度歸一化處理后的所有候選人頭窗 口進(jìn)行第二級(jí)檢測(cè)過(guò)濾；
相似性計(jì)算單元406,用于計(jì)算第二級(jí)檢測(cè)過(guò)濾后剩余的所有候選人頭 窗口與預(yù)設(shè)人頭特征規(guī)則的相似性；
結(jié)果判定單元407 ，用于將相似性大于預(yù)設(shè)相似性閾值的候選人頭窗口 確定為人頭。
如圖5所示，在上述系統(tǒng)中，窗口搜索單元401可具體包括 圖像變換子單元411,用于對(duì)輸入的圖像進(jìn)行預(yù)設(shè)比例的縮放、預(yù)設(shè)角 度的旋轉(zhuǎn)；
窮舉搜索子單元412，用于在輸入的圖像、以及進(jìn)行所述縮放、所述旋 轉(zhuǎn)后的圖像中，以窮舉的方式搜索得到不同尺寸的若干候選人頭窗口 ；
尺寸歸一化子單元413,用于將不同尺寸的若干候選人頭窗口進(jìn)行尺寸 歸一化處理，得到預(yù)設(shè)標(biāo)準(zhǔn)尺寸的若干候選人頭窗口 ，即與訓(xùn)練第一級(jí)分類(lèi) 器和第二級(jí)分類(lèi)器所使用的人頭正樣本和所述人頭反樣本的圖像尺寸一致。
如圖6所示，在上述系統(tǒng)中，對(duì)于預(yù)設(shè)人頭特征規(guī)則包括預(yù)設(shè)的標(biāo)準(zhǔn)人 頭邊界的各輪廓點(diǎn)的邊界幅度和邊界方向的情況，相似性計(jì)算單元406可具 體包括
輪廓點(diǎn)抽取子單元461 ，用于抽取候選人頭窗口中的各輪廓點(diǎn)； 邊界值計(jì)算子單元462，用于利用Sobel算子計(jì)算候選人頭窗口中各輪 廓點(diǎn)在x方向的邊界值et/ge —x 、以及在y方向的邊界值edge —少；
幅度計(jì)算子單元463，用于利用公式—a-)2 + ("扭_力2計(jì)算候選人頭 窗口中各輪廓點(diǎn)的邊界幅度；
方向計(jì)算子單元464，用于利用公式arctan^2計(jì)算候選人頭窗口中各輪廓點(diǎn)的邊界方向；
邊界比較子單元465,用于計(jì)算候選人頭窗口中各輪廓點(diǎn)的邊界幅度和
邊界方向與標(biāo)準(zhǔn)人頭邊界的各輪廓點(diǎn)的邊界幅度和邊界方向的相似性，得到 候選人頭窗口與預(yù)設(shè)人頭特征規(guī)則的相似性。
此外，仍參見(jiàn)圖4,可選地，上述系統(tǒng)在第二級(jí)分類(lèi)器404與相似性計(jì) 算單元406之間，還可以進(jìn)一步包括如圖4中虛線框所示的窗口合并單元 405，用于將第二級(jí)檢測(cè)過(guò)濾后剩余的所有候選窗口中，相鄰的多個(gè)候選人 頭窗口合并為一個(gè)；其中，這里所述的相鄰可以是指相互之間的尺寸差異小 于預(yù)設(shè)尺寸差異閾值、和/或位置差異小于預(yù)設(shè)位置差異閾值、和/或重疊面 積大于預(yù)設(shè)重疊面積閾值。
對(duì)于進(jìn)一步包括了窗口合并單元405的情況，相似性計(jì)算單元406僅計(jì) 算合并后的候選人頭窗口與預(yù)設(shè)人頭特征規(guī)則的相似性。
可見(jiàn)，本實(shí)施例中的人頭檢測(cè)系統(tǒng)先在輸入的圖像中搜索得到候選人頭 窗口 ，并利用第一級(jí)分類(lèi)器402對(duì)搜索得到的所有候選人頭窗口進(jìn)行第一級(jí) 檢測(cè)過(guò)濾；此后，對(duì)第一級(jí)檢測(cè)過(guò)濾后剩余的候選人頭窗口進(jìn)行灰度歸一化 處理，并利用第二級(jí)分類(lèi)器404對(duì)灰度歸一化處理后的所有候選人頭窗口進(jìn) 行第二級(jí)檢測(cè)過(guò)濾；然后，再計(jì)算第二級(jí)檢測(cè)過(guò)濾后剩余的所有候選人頭窗 口與預(yù)設(shè)人頭特征規(guī)則的相似性，并將相似性大于預(yù)設(shè)相似性閾值的候選人 頭窗口確定為人頭，從而能夠?qū)崿F(xiàn)對(duì)人頭的纟全測(cè)。
而且，由于第 一級(jí)分類(lèi)器402進(jìn)行第 一級(jí)檢測(cè)過(guò)濾的候選窗口未進(jìn)行灰 度歸一化處理，因而能夠檢測(cè)過(guò)濾掉大量灰度分布較為復(fù)雜的非人臉圖像， 從而能夠減少第二級(jí)分類(lèi)器404的處理，進(jìn)而提高人頭檢測(cè)的效率。
進(jìn)一步地，第一級(jí)分類(lèi)器402和第二級(jí)分類(lèi)器404可基于Adaboost算 法、以及Haar微特征實(shí)現(xiàn)檢測(cè)過(guò)濾，由于Adaboost算法、以及Haar微特 征均為成熟技術(shù)，因而使得本實(shí)施例中的人頭檢測(cè)系統(tǒng)具有較高的準(zhǔn)確性。
再進(jìn)一步地，第一級(jí)分類(lèi)器402和第二級(jí)分類(lèi)器404可以是利用人頭正 樣本訓(xùn)練得到的，且人頭正樣本可包括不同姿態(tài)、不同頭發(fā)、戴不同帽子的真實(shí)人頭圖像，從而保證本發(fā)明從不同姿態(tài)、不同頭發(fā)、戴不同帽子的圖像 中均能夠檢測(cè)出人頭，進(jìn)而使得本實(shí)施例中的人頭檢測(cè)系統(tǒng)具有較高的實(shí)用價(jià)值。
此外，本實(shí)施例中的人頭4企測(cè)系統(tǒng)還可以由窗口合并單元405先合并相
鄰的多個(gè)候選人頭窗口，從而避免了同一個(gè)人頭對(duì)應(yīng)多個(gè)候選人頭窗口，進(jìn)
一步提高了人頭檢測(cè)的準(zhǔn)確性；且，由于真實(shí)的人頭才可能對(duì)應(yīng)多個(gè)候選人 頭窗口、而虛警的出現(xiàn)往往比較孤立，因此，如杲本實(shí)施例中的人頭檢測(cè)系 統(tǒng)內(nèi)的相似性計(jì)算單元406僅計(jì)算合并后的候選人頭窗口與預(yù)設(shè)人頭特征 規(guī)則的相似性，則能夠避免將圖像中的虛警誤檢測(cè)為人頭，從而再進(jìn)一步地 提高了人頭檢測(cè)的準(zhǔn)確性。
以上所述僅為本發(fā)明的較佳實(shí)施例而已，并非用于限定本發(fā)明的保護(hù)范 圍。凡在本發(fā)明的精神和原則之內(nèi)，所作的任何修改、等同替換以及改進(jìn)等， 均應(yīng)包含在本發(fā)明的保護(hù)范圍之內(nèi)。
權(quán)利要求
1、一種人頭檢測(cè)方法，其特征在于，該方法包括在輸入的圖像中搜索得到候選人頭窗口；利用第一級(jí)分類(lèi)器對(duì)搜索得到的所有候選人頭窗口進(jìn)行第一級(jí)檢測(cè)過(guò)濾；對(duì)第一級(jí)檢測(cè)過(guò)濾后剩余的候選人頭窗口進(jìn)行灰度歸一化處理；利用第二級(jí)分類(lèi)器對(duì)灰度歸一化處理后的所有候選人頭窗口進(jìn)行第二級(jí)檢測(cè)過(guò)濾；計(jì)算第二級(jí)檢測(cè)過(guò)濾后剩余的所有候選人頭窗口與預(yù)設(shè)人頭特征規(guī)則的相似性；將相似性大于預(yù)設(shè)第一閾值的候選人頭窗口確定為人頭。
2、 如權(quán)利要求l所述的方法，其特征在于，所述第一級(jí)分類(lèi)器是通過(guò)從多個(gè)人頭正樣本和多個(gè)人頭反樣本中抽取 Haar微特征和灰度均值特征、并基于Adaboost算法而預(yù)先訓(xùn)練得到的；所述第二級(jí)分類(lèi)器是通過(guò)從多個(gè)人頭正樣本和多個(gè)人頭反樣本中抽取Haar微特征、并基于Adaboost算法而預(yù)先訓(xùn)練得到的；
3、 如權(quán)利要求2所述的方法，其特征在于，所述利用第 一級(jí)分類(lèi)器對(duì)所有候選人頭窗口進(jìn)行第 一級(jí)檢測(cè)過(guò)濾包括 將搜索得到的所有候選人頭窗口輸入至所述第一級(jí)分類(lèi)器，由所述第一級(jí)分 類(lèi)器從輸入的所有候選人頭窗口中分別抽取Haar微特征和灰度均值特征， 然后依據(jù)抽取的Haar微特征和灰度均值特征、并基于Adaboost算法對(duì)輸入 的所有候選人頭窗口進(jìn)行第一級(jí)檢測(cè)過(guò)濾；所述利用第二級(jí)分類(lèi)器利用第二級(jí)分類(lèi)器對(duì)灰度歸一化處理后的所有 候選人頭窗口進(jìn)行第二級(jí)檢測(cè)過(guò)濾包括將灰度歸一化處理后的所有候選人 頭窗口輸入至所述第二級(jí)分類(lèi)器，由所述第二級(jí)分類(lèi)器從輸入的所有候選人 頭窗口中分別抽取Haar樣i特征，然后依據(jù)抽取的Haar孩i特征、并基于Adaboost算法對(duì)灰度歸一化處理后的所有候選人頭窗口進(jìn)行第二級(jí)檢測(cè)過(guò)濾。
4、 如權(quán)利要求2或3所述的方法，其特征在于，所述Haar微特征包括 下述之一或任意組合左右相鄰的一個(gè)黑色區(qū)域和一個(gè)白色區(qū)域之間的像素灰度均值差； 上下相鄰的一個(gè)黑色區(qū)域和一個(gè)白色區(qū)域之間的像素灰度均值差； 一個(gè)黑色區(qū)域與其左右相鄰的兩個(gè)白色區(qū)域之間的像素灰度均值差； 兩個(gè)對(duì)角相連的黑色區(qū)域，與相鄰兩個(gè)對(duì)角相連的白色區(qū)域之間的像素 灰度均值差；對(duì)角相連的 一 個(gè)黑色區(qū)域和 一 個(gè)白色區(qū)域之間的像素灰度均值差。
5、 如權(quán)利要求2或3所述的方法，其特征在于，所述人頭正樣本包括不同姿態(tài)、不同頭發(fā)、戴不同帽子的真實(shí)人頭圖像；所述人頭反樣本包括未包含人頭的圖像。
6、 如權(quán)利要求2或3所述的方法，其特征在于，所述在輸入的圖像中搜索得到候選人頭窗口包括對(duì)輸入的圖像進(jìn)行預(yù) 設(shè)比例的縮放、預(yù)設(shè)角度的旋轉(zhuǎn)；在輸入的圖像、以及進(jìn)行所述縮放、所述 旋轉(zhuǎn)后的圖像中，以窮舉的方式搜索得到不同尺寸的若干候選人頭窗口；將 不同尺寸的若干候選人頭窗口進(jìn)行尺寸歸一化處理，得到預(yù)設(shè)標(biāo)準(zhǔn)尺寸的若 干候選人頭窗口；所述人頭正樣本和所述人頭反樣本的圖像尺寸與所述預(yù)設(shè)標(biāo)準(zhǔn)尺寸一致。
7、 如權(quán)利要求6所述的方法，其特征在于，所述預(yù)設(shè)人頭特征規(guī)則包 括預(yù)設(shè)的標(biāo)準(zhǔn)人頭邊界的各輪廓點(diǎn)的邊界幅度和邊界方向；計(jì)算候選人頭窗口與預(yù)設(shè)人頭特征規(guī)則的相似性包括抽取候選人頭窗 口中的各輪廓點(diǎn)；利用Sobel算子計(jì)算候選人頭窗口中各輪廓點(diǎn)在x方向的邊界值、以及在y方向的邊界值利用公式V(e咖—"2+0咖j)2 計(jì)算候選人頭窗口中各輪廓點(diǎn)的邊界幅度、利用公式arctan^^計(jì)算候選^g《—X人頭窗口中各輪廓點(diǎn)的邊界方向；計(jì)算候選人頭窗口中各輪廓點(diǎn)的邊界幅度 和邊界方向與標(biāo)準(zhǔn)人頭邊界的各輪廓點(diǎn)的邊界幅度和邊界方向的相似性，得 到候選人頭窗口與預(yù)設(shè)人頭特征規(guī)則的相似性。
8、 如權(quán)利要求7所述的方法，其特征在于，計(jì)算候選人頭窗口與預(yù)設(shè) 人頭特征規(guī)則的相似性之前，該方法進(jìn)一步包括將第二級(jí)檢測(cè)過(guò)濾后剩余 的所有候選窗口中，相互之間的尺寸差異小于預(yù)設(shè)第二閾值、和/或位置差 異小于預(yù)設(shè)第三閾值、和/或重疊面積大于預(yù)設(shè)第四閾值的多個(gè)候選人頭窗 口合并為一個(gè)；且，在執(zhí)行所述計(jì)算候選人頭窗口與預(yù)設(shè)人頭特征規(guī)則的相似性時(shí)，僅 計(jì)算合并后的候選人頭窗口與預(yù)設(shè)人頭特征規(guī)則的相似性。
9、 一種人頭檢測(cè)系統(tǒng)，其特征在于，包括 窗口搜索單元，用于在輸入的圖像中搜索得到候選人頭窗口 ；第 一級(jí)分類(lèi)器，用于對(duì)搜索得到的所有候選人頭窗口進(jìn)行第 一級(jí)檢測(cè)過(guò)濾；灰度歸 一化單元，用于對(duì)第 一級(jí)檢測(cè)過(guò)濾后剩余的候選人頭窗口進(jìn)行灰 度歸一化處理；第二級(jí)分類(lèi)器，用于對(duì)灰度歸一化處理后的所有候選人頭窗口進(jìn)行第二 級(jí)才企測(cè)過(guò)濾；相似性計(jì)算單元，用于計(jì)算第二級(jí)檢測(cè)過(guò)濾后剩余的所有候選人頭窗口 與預(yù)設(shè)人頭特征規(guī)則的相似性；結(jié)果判定單元，用于將相似性大于預(yù)設(shè)第一閾值的候選人頭窗口確定為 人頭。
10、 如權(quán)利要求l所述的系統(tǒng)，其特征在于，所述第一級(jí)分類(lèi)器是通過(guò)從多個(gè)人頭正樣本和多個(gè)人頭反樣本中抽取Haar微特征和灰度均值特征、并基于Adaboost算法而預(yù)先訓(xùn)練得到的；所述第二級(jí)分類(lèi)器是通過(guò)從多個(gè)人頭正樣本和多個(gè)人頭反樣本中抽取Haar微特征、并基于Adaboost算法而預(yù)先訓(xùn)練得到的。
11 、如權(quán)利要求10所述的系統(tǒng)，其特征在于，所述第一級(jí)分類(lèi)器從搜索得到的所有候選人頭窗口中分別抽取Haar微 特征和灰度均值特征，然后依據(jù)抽取的Haar微特征和灰度均值特征、并基 于Adaboost算法對(duì)搜索得到的所有候選人頭窗口進(jìn)行第 一 級(jí)檢測(cè)過(guò)濾；所述第二級(jí)分類(lèi)器從灰度歸一化處理后的所有候選人頭窗口中分別抽 取Haar微特征，然后依據(jù)抽取的Haar微特征、并基于Adaboost算法對(duì)灰 度歸 一化處理后的所有候選人頭窗口進(jìn)行第二級(jí)檢測(cè)過(guò)濾。
12、 如權(quán)利要求10或11所述的系統(tǒng)，其特征在于，所述Haar微特征 包括下述之一或任意組合左右相鄰的一個(gè)黑色區(qū)域和一個(gè)白色區(qū)域之間的像素灰度均值差； 上下相鄰的一個(gè)黑色區(qū)域和一個(gè)白色區(qū)域之間的像素灰度均值差； 一個(gè)黑色區(qū)域與其左右相鄰的兩個(gè)白色區(qū)域之間的像素灰度均值差； 兩個(gè)對(duì)角相連的黑色區(qū)域，與相鄰兩個(gè)對(duì)角相連的兩個(gè)白色區(qū)域之間的 像素灰度均值差；對(duì)角相連的 一 個(gè)黑色區(qū)域和 一 個(gè)白色區(qū)域之間的像素灰度均值差。
13、 如權(quán)利要求IO或11所述的系統(tǒng)，其特征在于， 所述人頭正樣本包括不同姿態(tài)、不同頭發(fā)、戴不同帽子的真實(shí)人頭圖像；所述人頭反樣本包括未包含人頭的圖4象。
14、 如權(quán)利要求10或11所述的系統(tǒng)，其特征在于，所述窗口搜索單元 包括圖像變換子單元，用于對(duì)輸入的圖像進(jìn)行預(yù)設(shè)比例的縮放、預(yù)設(shè)角度的 旋轉(zhuǎn)；窮舉搜索子單元，用于在輸入的圖像、以及進(jìn)行所述縮放、所述旋轉(zhuǎn)后的圖像中，以窮舉的方式搜索得到不同尺寸的若干候選人頭窗口；尺寸歸一化子單元，用于將不同尺寸的若干候選人頭窗口進(jìn)行尺寸歸一化處理，得到預(yù)設(shè)標(biāo)準(zhǔn)尺寸的若干候選人頭窗口；且，所述人頭正樣本和所述人頭反樣本的圖像尺寸與所述預(yù)設(shè)標(biāo)準(zhǔn)尺寸一致。
15、 如權(quán)利要求14所述的系統(tǒng)，其特征在于，所述預(yù)設(shè)人頭特征規(guī)則 包括預(yù)設(shè)的標(biāo)準(zhǔn)人頭邊界的各輪廓點(diǎn)的邊界幅度和邊界方向；所述相似性計(jì)算單元包括輪廓點(diǎn)抽取子單元，用于抽取候選人頭窗口中的各輪廓點(diǎn)； 邊界值計(jì)算子單元，用于利用Sobd算子計(jì)算候選人頭窗口中各輪廓點(diǎn)在x方向的邊界值e扭—x 、以及在y方向的邊界值;幅度計(jì)算子單元，用于利用公式—x)2 + (Wge —力2計(jì)算候選人頭窗口中各輪廓點(diǎn)的邊界幅度；方向計(jì)算子單元，用于利用公式arctan^^計(jì)算候選人頭窗口中各輪廓點(diǎn)的邊界方向；邊界比較子單元，用于計(jì)算候選人頭窗口中各輪廓點(diǎn)的邊界幅度和邊界 方向與標(biāo)準(zhǔn)人頭邊界的各輪廓點(diǎn)的邊界幅度和邊界方向的相似性，得到候選 人頭窗口與預(yù)設(shè)人頭特征規(guī)則的相似性。
16、 如權(quán)利要求15所述的系統(tǒng)，其特征在于，該系統(tǒng)在所逸第二級(jí)分 類(lèi)器與所述相似性計(jì)算單元之間，進(jìn)一步包括窗口合并單元，用于將第二級(jí)檢測(cè)過(guò)濾后剩余的所有候選窗口中，相互之間的尺寸差異小于預(yù)設(shè)第二閾值、和/或位置差異小于預(yù)設(shè)第三閾值、和/ 或重疊面積大于預(yù)設(shè)第四閾值的多個(gè)候選人頭窗口合并為 一 個(gè)；且，所述相似性計(jì)算單元僅計(jì)算合并后的候選人頭窗口與預(yù)設(shè)人頭特征 規(guī)則的相似性。
全文摘要
本發(fā)明公開(kāi)了一種人頭檢測(cè)方法和系統(tǒng)。本發(fā)明先在輸入的圖像中搜索得到候選人頭窗口，并利用第一級(jí)分類(lèi)器對(duì)搜索得到的所有候選人頭窗口進(jìn)行第一級(jí)檢測(cè)過(guò)濾；此后，對(duì)第一級(jí)檢測(cè)過(guò)濾后剩余的候選人頭窗口進(jìn)行灰度歸一化處理，并利用第二級(jí)分類(lèi)器對(duì)灰度歸一化處理后的所有候選人頭窗口進(jìn)行第二級(jí)檢測(cè)過(guò)濾；然后，再計(jì)算第二級(jí)檢測(cè)過(guò)濾后剩余的所有候選人頭窗口與預(yù)設(shè)人頭特征規(guī)則的相似性，并將相似性大于預(yù)設(shè)第一閾值的候選人頭窗口確定為人頭，從而能夠?qū)崿F(xiàn)對(duì)人頭的檢測(cè)。
文檔編號(hào)G06K9/00GK101447023SQ20081024072
公開(kāi)日2009年6月3日 申請(qǐng)日期2008年12月23日 優(yōu)先權(quán)日2008年12月23日
發(fā)明者鄧亞峰, 飛 高, 英 黃 申請(qǐng)人:北京中星微電子有限公司