本發(fā)明涉及一種人體目標(biāo)識(shí)別方法，特別是一種基于立體視覺(jué)技術(shù)的人體目標(biāo)識(shí)別方法。

背景技術(shù)：

隨著計(jì)算機(jī)存儲(chǔ)、運(yùn)算等方面性能的快速提高，人們逐步將計(jì)算機(jī)運(yùn)用到實(shí)現(xiàn)場(chǎng)景重構(gòu)、目標(biāo)識(shí)別、人機(jī)互動(dòng)等復(fù)雜功能，這不僅開(kāi)拓了計(jì)算機(jī)應(yīng)用領(lǐng)域的規(guī)模和研究方向，而且促進(jìn)了相關(guān)學(xué)科的快速發(fā)展。作為當(dāng)今活躍的研究領(lǐng)域，計(jì)算機(jī)視覺(jué)的實(shí)質(zhì)就是利用攝像機(jī)代替人眼，利用電腦代替大腦，對(duì)目標(biāo)進(jìn)行識(shí)別跟蹤，并做出相應(yīng)的圖形分析處理，生成適合儀器檢測(cè)或者人眼觀察的圖像。視頻技術(shù)能在一段時(shí)間內(nèi)連續(xù)傳輸圖像，包含更多細(xì)節(jié)信息，同時(shí)它具有直觀、具體、易處理等優(yōu)點(diǎn)。對(duì)視頻目標(biāo)的識(shí)別已成為圖像處理、模式識(shí)別、人機(jī)互動(dòng)等領(lǐng)域中的重要課題，被廣泛應(yīng)用于制造業(yè)、醫(yī)療診斷、軍事等領(lǐng)域中的各種智能系統(tǒng)中。

傳統(tǒng)的APC系統(tǒng)主要有壓力傳感系統(tǒng)和紅外遮擋系統(tǒng)，隨著激光紅外技術(shù)的迅速發(fā)展，采用合適的熱釋紅外線探頭檢測(cè)人體發(fā)出的信號(hào)，進(jìn)行識(shí)別計(jì)數(shù)。當(dāng)目標(biāo)走動(dòng)時(shí)，紅外傳感器探測(cè)人體紅外光譜所造成的變化即得到人體目標(biāo)運(yùn)動(dòng)的過(guò)程，通過(guò)信號(hào)處理可以辨別目標(biāo)，它們成本低，操作簡(jiǎn)單，但是具有識(shí)別統(tǒng)計(jì)結(jié)果不精確，應(yīng)用場(chǎng)所受限等諸多問(wèn)題。

同時(shí)圖像處理方法也可用于解決人體識(shí)別問(wèn)題。但大多數(shù)方法僅使用二維圖像的一些識(shí)別算法，比如選取人體的某些部分作為特征，試圖在圖像中獲得匹配，從而達(dá)到識(shí)別的目的。目前，人體識(shí)別常用的方法還有很多：基于人體模型、結(jié)構(gòu)元素的方法，該種方法對(duì)提取整個(gè)人的圖像信息有較高的要求，對(duì)運(yùn)動(dòng)變形的物體很難處理，并且對(duì)圖像采集的實(shí)時(shí)性要求高；基于小波變換和支持向量機(jī)的方法，該方法主要是基于小波模板的原理，需要根據(jù)不同的尺度大小來(lái)搜索整張圖像，計(jì)算量大。

技術(shù)實(shí)現(xiàn)要素：

本發(fā)明的目的在于提供一種基于立體視覺(jué)技術(shù)的人體目標(biāo)識(shí)別方法。

實(shí)現(xiàn)本發(fā)明目的的技術(shù)解決方案為：一種基于立體視覺(jué)技術(shù)的人體目標(biāo)識(shí)別方法，包括以下步驟：

步驟1、由兩個(gè)攝像頭從兩個(gè)不同角度同時(shí)獲取同一個(gè)場(chǎng)景的圖片，形成立體圖像 對(duì)；

步驟2、通過(guò)攝像機(jī)標(biāo)定確定攝像機(jī)內(nèi)部和外部參數(shù)，確立成像模型；

步驟3、采用基于窗口的匹配算法，以其中一幅圖像的待匹配點(diǎn)為中心創(chuàng)建窗口，在另一幅圖像上創(chuàng)建相同的滑動(dòng)窗口，滑動(dòng)窗口沿著外極線以像素點(diǎn)為單位依次移動(dòng)，計(jì)算窗口匹配測(cè)度，找到最佳匹配點(diǎn)，通過(guò)視差原理得到目標(biāo)的三維幾何信息，生成深度圖像；

步驟4、采用一維最大熵閾值分割法，結(jié)合灰度特征區(qū)分頭部與肩部信息，識(shí)別人體目標(biāo)。

本發(fā)明與現(xiàn)有技術(shù)相比，其顯著優(yōu)點(diǎn)：

(1)本發(fā)明于立體視覺(jué)技術(shù)的人體目標(biāo)識(shí)別方法計(jì)算量小，能夠運(yùn)用簡(jiǎn)單的圖像快速準(zhǔn)確的識(shí)別出人體目標(biāo)；

(2)本發(fā)明在人群擁擠的情況下，能利用圖像的深度信息進(jìn)行識(shí)別，有效排除干擾，分辨運(yùn)動(dòng)目標(biāo)。

附圖說(shuō)明

圖1為本發(fā)明基于立體視覺(jué)技術(shù)的人體目標(biāo)識(shí)別方法流程框圖。

圖2為本發(fā)明實(shí)施例中原始深度圖。

圖3為本發(fā)明實(shí)施例中采用本發(fā)明方法處理后得到的人體目標(biāo)識(shí)別圖。

具體實(shí)施方式

結(jié)合圖1，本發(fā)明的基于立體視覺(jué)技術(shù)的人體目標(biāo)識(shí)別方法，包括以下步驟：

步驟1、立體圖像對(duì)的獲取：

兩個(gè)MTV-1881EX-3攝像頭平行放置，從兩個(gè)不同角度同時(shí)獲取同一個(gè)場(chǎng)景的圖片，形成立體圖像對(duì)；

步驟2、通過(guò)攝像機(jī)標(biāo)定確定攝像機(jī)內(nèi)部和外部參數(shù)，確立成像模型，具體為：

步驟2-1、對(duì)攝像機(jī)坐標(biāo)進(jìn)行標(biāo)定，定標(biāo)圖形為棋盤格，標(biāo)定原理如下：

假設(shè)z＝0的世界坐標(biāo)系平面為模板平面，[r₁ r₂ r₃]為攝像機(jī)坐標(biāo)系相對(duì)于世界坐標(biāo)系的旋轉(zhuǎn)矩陣，t為攝像機(jī)坐標(biāo)系相對(duì)于世界坐標(biāo)系的平移向量,[X Y 1]^T為模板上點(diǎn) 的齊次坐標(biāo),[u υ 1]^T為模板平面上的點(diǎn)投影到圖像平面上的齊次坐標(biāo)，K表示攝像機(jī)內(nèi)參矩陣；

步驟2-2、設(shè)攝像機(jī)坐標(biāo)系Ox_cy_cz_c為固定在攝像機(jī)上的直角坐標(biāo)系，其原點(diǎn)O定義為攝像機(jī)的光心，x_c，y_c軸分別平行于圖像物理坐標(biāo)系的x，y軸，z_c軸與光軸重合，即z_c軸垂直于攝像機(jī)的成像平面，光心到圖像平面的距離OO₁為攝像機(jī)的有效焦距f；

步驟2-3、設(shè)(x_w，y_w，z_w)為三維世界坐標(biāo)系中某P點(diǎn)的三維坐標(biāo)，(x_c，y_c，z_c)為同一點(diǎn)P在攝像機(jī)坐標(biāo)系中的三維坐標(biāo)，世界坐標(biāo)系中的點(diǎn)到攝像機(jī)坐標(biāo)系的變換由正交旋轉(zhuǎn)矩陣R和平移變換矩陣T表示為：

其中，R是3×3旋轉(zhuǎn)矩陣,平移矩陣

正交矩陣R是光軸相對(duì)于世界坐標(biāo)系坐標(biāo)軸的方向余弦組合，包含三個(gè)獨(dú)立的角度變量(歐拉角)：繞x軸旋轉(zhuǎn)ψ角(偏航)；繞y軸旋轉(zhuǎn)θ角(俯仰)；繞z軸旋轉(zhuǎn)φ角(側(cè)傾)，加上T的三個(gè)變量共六個(gè)參數(shù)，稱為攝像機(jī)外部參數(shù)；

步驟2-4、將世界坐標(biāo)系與攝像機(jī)坐標(biāo)系的剛性變換用齊次坐標(biāo)與矩陣形式簡(jiǎn)化為：

因此，世界坐標(biāo)系與攝像機(jī)坐標(biāo)系之間可以用一個(gè)矩陣M₂來(lái)表示，只要已知M₂就可以在兩個(gè)坐標(biāo)系之間進(jìn)行坐標(biāo)的轉(zhuǎn)換；

攝像機(jī)坐標(biāo)系到理想的圖像物理坐標(biāo)系的變換即針孔模型下的理想透視投影變換， 有下式成立：

x＝f·x_c/z_c y＝f·y_c/z_c

x、y分別為理想的圖像物理坐標(biāo)系的橫坐標(biāo)和縱坐標(biāo)；

同樣用齊次坐標(biāo)和矩陣表示上式為：

理想圖像坐標(biāo)系到圖像像素坐標(biāo)系的轉(zhuǎn)換，用齊次坐標(biāo)表示有：

其中，u₀、v₀表示攝像機(jī)坐標(biāo)系的坐標(biāo)；

其逆關(guān)系為：

將上述關(guān)系式代入，就可以得到世界坐標(biāo)系表示的P點(diǎn)坐標(biāo)與其投影P′的坐標(biāo)(u，υ)間的關(guān)系：

其中，α＝f/dx＝f s_x/d_y，β＝f/dy_；M₁為內(nèi)部參數(shù)陣，M₂為外部參數(shù)陣，M為3×4的矩陣，稱為投影矩陣，表征二維圖像坐標(biāo)與三維世界坐標(biāo)間的基本關(guān)系，已知物點(diǎn)的世界坐標(biāo)利用該矩陣就可以求出相應(yīng)的理想圖像坐標(biāo)，反之，如果知道了M矩陣和像點(diǎn)的圖像坐標(biāo)，就可以求出通過(guò)攝像機(jī)光心所對(duì)應(yīng)的一條空間射線；

得到二維圖像坐標(biāo)與三維世界坐標(biāo)間的基本關(guān)系，即完成了攝像機(jī)的標(biāo)定；攝像機(jī)獲得的圖像坐標(biāo)可以通過(guò)這個(gè)成像模型統(tǒng)一轉(zhuǎn)換為三維世界坐標(biāo)系上的坐標(biāo)，即確定了攝像機(jī)所得圖像在三維世界坐標(biāo)系上的成像模型。

步驟3、采用基于窗口的匹配算法，以其中一幅圖像的待匹配點(diǎn)為中心創(chuàng)建窗口，在另一幅圖像上創(chuàng)建相同的滑動(dòng)窗口，滑動(dòng)窗口沿著外極線以像素點(diǎn)為單位依次移動(dòng)，計(jì)算窗口匹配測(cè)度，找到最佳匹配點(diǎn)，通過(guò)視差原理得到目標(biāo)的三維幾何信息，生成深度圖像；具體包括以下步驟：

步驟3-1、假定以右圖為基準(zhǔn)，與背景做差，得到前景圖；

步驟3-2、視差的確定：

第一步，在前景圖中，假定以右圖為基準(zhǔn)，計(jì)算每個(gè)像素在給定視差上同左圖對(duì)應(yīng)點(diǎn)的灰度差值；

第二步，在每個(gè)視差上，改為使用垂直于基線方向的窄條形窗口，采用基于窗口的匹配算法計(jì)算以每個(gè)像素為中心的窗口的灰度差值和，表達(dá)式如下：

式中，m*n為模板窗口的大小，γ為模板窗口的單位長(zhǎng)度，δ為模板窗口的單位寬度，I_right[x_e+γ，y_e+δ]為右視圖[x_e+γ，y_e+δ]坐標(biāo)處的灰度值，I_left[x_e+γ+d，y_e+δ]為左視圖[x_e+γ+d，y_e+δ]坐標(biāo)處的灰度值，d為視差；

第三步，在所設(shè)定的視差范圍內(nèi)，將d從最小視差取到最大視差，依次比較表達(dá)式的值，值最小所對(duì)應(yīng)點(diǎn)即為最佳匹配點(diǎn)，所對(duì)應(yīng)的視差值作為該像素點(diǎn)的視差值；

步驟3-3、確定目標(biāo)的深度信息：

雙目測(cè)距主要是利用了目標(biāo)點(diǎn)在左右兩幅視圖上成像的橫向坐標(biāo)直接存在的差異(即視差)與目標(biāo)點(diǎn)到成像平面的距離Z存在著反比例的關(guān)系，當(dāng)攝像機(jī)的焦距已知的情況下，任意一點(diǎn)的深度信息，即該點(diǎn)在攝像機(jī)坐標(biāo)系下Z軸的坐標(biāo)值，設(shè)b為兩攝像頭 光學(xué)中心距離；目標(biāo)Q到攝像頭垂直距離為H；相同焦距為f，Q₁、Q₂為目標(biāo)Q在攝像機(jī)的成像點(diǎn)；d為視差，假設(shè)兩個(gè)攝像機(jī)的光軸相互平行，由相似三角形推導(dǎo)可知：

H＝(b×f))/d

得到的目標(biāo)Q到攝像頭垂直距離即為目標(biāo)的深度信息；

所以，立體視覺(jué)計(jì)數(shù)能夠利用兩臺(tái)或者兩臺(tái)以上有位置偏移的攝像機(jī)通過(guò)三角計(jì)算，獲得所在場(chǎng)景的深度信息，前提是要求場(chǎng)景中的點(diǎn)在左右圖像中都存在像點(diǎn)；在左右視圖中，像點(diǎn)的位置是不同的，也就是視差，場(chǎng)景中的點(diǎn)離攝像機(jī)的距離不同，視差也是不同的，視差隨著離攝像頭的遠(yuǎn)近而變小變大；雙目立體視覺(jué)正是基于這種視差，利用三角運(yùn)算來(lái)確定物體到攝像機(jī)的距離。

步驟4、采用一維最大熵閾值分割法，結(jié)合灰度特征區(qū)分頭部與肩部信息，識(shí)別人體目標(biāo)，具體為：

步驟4-1、將深度圖像劃分成L*L像素的小格子，L為正整數(shù)，并以一個(gè)九宮格為單位，移動(dòng)時(shí)以從左到右，從上到下的順序，每比較一次，移動(dòng)一個(gè)L*L像素的小格子，若中間格子的平均灰度比周圍八鄰域平均灰度高，則確立中間格子為頭部目標(biāo)區(qū)域；

步驟4-2、對(duì)頭部目標(biāo)區(qū)域設(shè)定閾值并二值化，分割頭部目標(biāo)；具體為：

采用一維最大熵閾值分割法分割頭部和非頭部區(qū)域，令p_i表示圖像中灰度值為i的像素所占的比例，以灰度級(jí)t為閾值分割頭部和肩部區(qū)域，區(qū)域中高于t灰度級(jí)的像素點(diǎn)構(gòu)成頭部區(qū)域,低于灰度級(jí)t的像素點(diǎn)構(gòu)成非頭部區(qū)域，則非頭部區(qū)域和頭部區(qū)域的熵分別定義為:

H_O＝-Σ_i[p_i/(1-p_t)]lg[p_i/(1-pt)]

其中：其中i表示像素的灰度值(0≤i≤255)，H_t＝-Σ_tp_ilgp_i，H_E＝-Σ_ip_ilgp_i，當(dāng)熵函數(shù)值和取得最大時(shí)，灰度級(jí)t可作為分割圖像的閾值:

t＝arg{max{H_B+H_o}}

步驟4-3、確定分割后的頭部區(qū)域的平均灰度和灰度方差：

其中M、N分別表示每個(gè)區(qū)域的行列數(shù),ε，∈分別表示單位行列數(shù)，f(ε，∈)表示(ε，∈)點(diǎn)的灰度值，當(dāng)灰度方差大于設(shè)定的閾值，濾除該像素點(diǎn)；

步驟4-4、根據(jù)人體頭部在不同視場(chǎng)高度下總像元寬度與視場(chǎng)高度的比值是否滿足設(shè)定的范圍濾除外形狹長(zhǎng)的偽目標(biāo)。

頭部的幾何特征主要有類橢圓性、頭部面積、長(zhǎng)寬度等；通過(guò)不斷的仿真測(cè)試可知在一定視場(chǎng)高度下頭部總像元寬度的范圍，同時(shí)由仿真可獲得w/h的范圍為[0.65，1.5]，通過(guò)此類閾值判別，可以有效濾除外形狹長(zhǎng)的偽目標(biāo)。

下面結(jié)合具體實(shí)施例對(duì)本發(fā)明作進(jìn)一步說(shuō)明。

實(shí)施例

結(jié)合圖2所示的原始深度圖像，對(duì)可見(jiàn)光情況下，人體頭發(fā)較黑且著深色衣服或者人體頭發(fā)顏色較淺則又容易和背景混淆時(shí)的人體運(yùn)動(dòng)目標(biāo)使用基于立體視覺(jué)算法進(jìn)行處理。

圖3為采用本發(fā)明方法處理后人體目標(biāo)頭肩部的分割圖像，可以明顯的看出，對(duì)可見(jiàn)光情況下運(yùn)動(dòng)目標(biāo)的處理結(jié)果為，當(dāng)人體頭發(fā)較黑且著深色衣服或者人體頭發(fā)顏色較淺則又容易和背景混淆時(shí)，立體視覺(jué)技術(shù)輸出的深度圖像識(shí)別精度高，不易受光線以及背景的影響，明顯的區(qū)分出了目標(biāo)和背景。