實(shí)時人體自動檢測方法
【專利摘要】本發(fā)明涉及一種實(shí)時人體自動檢測方法，屬于體感交互領(lǐng)域。適用于體感控制器對于人體進(jìn)行實(shí)時檢測。步驟包括：（1）通過體感控制器采集深度信息圖像，并將深度信息數(shù)據(jù)轉(zhuǎn)化成3D點(diǎn)云數(shù)據(jù)，形成3D點(diǎn)云。（2）進(jìn)行3D點(diǎn)云數(shù)據(jù)簡化。（3）在簡化后的3D點(diǎn)云中進(jìn)行地平面移除。（4）利用投影直方圖確立波峰波谷位置對點(diǎn)云數(shù)據(jù)進(jìn)行初步分類得到人體點(diǎn)云數(shù)據(jù)簇。（5）對初步劃分后的人體點(diǎn)云數(shù)據(jù)簇進(jìn)行二次精細(xì)分類。（6）實(shí)現(xiàn)地面上多個人體的檢測。優(yōu)點(diǎn)在于：可以在標(biāo)準(zhǔn)CPU上以更高的效率實(shí)時檢測人體，能對地面上的單個人體及多個人體進(jìn)行自動、準(zhǔn)確、實(shí)時的檢測，無論對靜止的人體還是行走中的人體，都能夠進(jìn)行較精確及快速的檢測。
【專利說明】實(shí)時人體自動檢測方法

【技術(shù)領(lǐng)域】
[0001] 本發(fā)明涉及體感交互領(lǐng)域，特別涉及一種實(shí)時人體自動檢測方法，實(shí)現(xiàn)體感控制 器中的人體骨架識別技術(shù)。

【背景技術(shù)】
[0002] 體感交互技術(shù)作為前沿科技技術(shù)，已經(jīng)從微軟的Kinect開始逐步向各個領(lǐng)域延 伸，體感游戲也開始走進(jìn)日常人的生活。體感互動中，人體骨架識別技術(shù)的研究與實(shí)現(xiàn)必不 可少，而在進(jìn)行人體骨架識別之前，需先進(jìn)行人體檢測。由于體感交互的實(shí)時性要求，使得 人體檢測成為一項(xiàng)極具挑戰(zhàn)性的課題。
[0003] 近年來，人們對人體檢測進(jìn)行了大量的研究，Bajracharya與Navarro-Serment 等利用雙目立體視覺與激光雷達(dá)技術(shù)對多傳感器的特征進(jìn)行融合，并將其用在機(jī)器人與車 載應(yīng)用的人體檢測上，此方法計算量較大，實(shí)時性差。Spinello等提出了 HOD (Histogram of oriented depths)深度特征提取算法，它模仿底層特征提取算法HOG,對深度差值的大 小與方向進(jìn)行直方圖統(tǒng)計，提取深度特性，并結(jié)合RGB圖像上的HOG特征進(jìn)行人體檢測。 Shengyin等也對HOG特征進(jìn)行改進(jìn)，提出了 HDD特征提取算法，算法將梯度方向從原來的 180度的統(tǒng)計空間擴(kuò)展到360度，對梯度不同方向的統(tǒng)計更加精細(xì)。L. Spinello和K. 0. Arras介紹了基于組合HOG和HOD描述子的深度數(shù)據(jù)人體檢測算法，然而為了搜索人體需要 密集的采集圖像幀，這些算法只有在GPU上實(shí)現(xiàn)才能滿足人體檢測的實(shí)時性。同樣W. Choi 等人的算法也依賴于GPU的高速運(yùn)算才能實(shí)現(xiàn)實(shí)時人體檢測，D. Mitzel等人研究如何使 用基于深度的ROI追蹤算法以減少人體檢測算法的計算量，然而要想獲得ROIS同樣也需要 基于GPU的人體檢測系統(tǒng)的密集掃描。


【發(fā)明內(nèi)容】

[0004] 本發(fā)明的目的在于提供一種實(shí)時人體自動檢測方法，解決了現(xiàn)有技術(shù)存在的上述 問題。本發(fā)明不僅能夠檢測出靜止的多個人體，而且能夠檢測行走中的多個人體。實(shí)驗(yàn)結(jié) 果表明，本發(fā)明實(shí)時性好，無論對靜止的人體還是行走中的人體，都能夠進(jìn)行較精確及快速 的檢測。
[0005] 本發(fā)明的上述目的通過以下技術(shù)方案實(shí)現(xiàn)： 實(shí)時人體自動檢測方法，包括如下步驟： (1) 通過體感控制器采集深度信息圖像，并將深度信息數(shù)據(jù)轉(zhuǎn)化成3D點(diǎn)云數(shù)據(jù)，形成 3D點(diǎn)云； (2) 用基于K鄰域的離散點(diǎn)云簡化算法進(jìn)行3D點(diǎn)云數(shù)據(jù)簡化； (3) 在簡化后的3D點(diǎn)云中，采用RANSAC算法進(jìn)行點(diǎn)云數(shù)據(jù)的地平面提取并移除； (4) 利用投影直方圖確立波峰波谷位置對點(diǎn)云數(shù)據(jù)進(jìn)行初步分類得到人體點(diǎn)云數(shù)據(jù) 簇； (5) 對初步劃分后的人體點(diǎn)云數(shù)據(jù)簇進(jìn)行二次精細(xì)分類； (6)實(shí)現(xiàn)地面上多個人體的檢測。
[0006] 所述的步驟（1)通過體感控制器采集深度信息圖像，并將深度信息數(shù)據(jù)轉(zhuǎn)化成3D 點(diǎn)云數(shù)據(jù)，形成3D點(diǎn)云，具體是：借助體感控制器，采集人體及場景的深度圖像和彩色RGB 圖像，進(jìn)而轉(zhuǎn)化成人體及場景的3D點(diǎn)云數(shù)據(jù)；對于點(diǎn)云的每個點(diǎn)P，用x，y，z來表示，其中X 為點(diǎn)P在X軸方向的坐標(biāo)，y為點(diǎn)P在Y軸方向的坐標(biāo)，z為點(diǎn)P在Z軸方向的坐標(biāo)。
[0007] 所述的步驟（2)用基于K鄰域的離散點(diǎn)云簡化算法進(jìn)行3D點(diǎn)云數(shù)據(jù)簡化，具體是： 采用基于K鄰域密度的離散點(diǎn)云簡化算法進(jìn)行3D點(diǎn)云數(shù)據(jù)的簡化，流程如下： (2.1) 輸入原始點(diǎn)云數(shù)據(jù)； (2. 2)確立中心點(diǎn)； (2. 3)對于每個中心點(diǎn)，采用KD-Tree法搜索距離中心點(diǎn)最近的k個點(diǎn)，建立k-鄰域， 其中這些距離中心點(diǎn)最近點(diǎn)按照距離中心點(diǎn)由小到大順序排列； (2. 4)判斷每個k-鄰域的密度大小； (2. 5)根據(jù)密度大小對點(diǎn)云進(jìn)行簡化，密度大處保留該鄰域中所有點(diǎn)的平均點(diǎn)，密度小 處則保留部分點(diǎn)，具體保留哪些點(diǎn)，依具體情況而定，原則上盡量保留中心點(diǎn)； (2. 6)若還有沒簡化完的k-鄰域，則轉(zhuǎn)（2. 4)，否則結(jié)束。
[0008] 所述的步驟（3)在簡化后的3D點(diǎn)云中，采用RANSAC算法進(jìn)行點(diǎn)云數(shù)據(jù)的地平面 提取并移除，其中地平面提取并移除的具體流程如下： (3.1) 輸入簡化后的點(diǎn)云數(shù)據(jù)； (3. 2)在顯示的深度圖中，隨機(jī)選取3個地面上的數(shù)據(jù)點(diǎn)，并用這3個數(shù)據(jù)點(diǎn)坐標(biāo)計算 平面方程的參數(shù)； (3. 3)對簡化后的點(diǎn)云中的所有數(shù)據(jù)點(diǎn)，計算出每個點(diǎn)到步驟（3. 2)得到的平面之間的 歐氏距離，再將每個距離與閾值D進(jìn)行比較，若在D范圍內(nèi)，則將該點(diǎn)歸為"局內(nèi)點(diǎn)"，否則歸 為"局外點(diǎn)"； (3. 4)對由局內(nèi)點(diǎn)組成的地平面進(jìn)行矯正，最后得到所有地平面的局內(nèi)點(diǎn)，在接下來進(jìn) 行人體檢測過程中，地平面范圍內(nèi)所有的點(diǎn)將不再參與計算；至此，地平面提取與移除過程 結(jié)束。
[0009] 所述的步驟（4)利用投影直方圖確立波峰波谷位置對點(diǎn)云數(shù)據(jù)進(jìn)行初步分類得到 人體點(diǎn)云數(shù)據(jù)簇，具體是：在步驟（3)將地平面被移除之后，剩余的點(diǎn)云將不再通過地面相 連；將剩余的點(diǎn)云聚類，即計算相鄰的3D點(diǎn)歐幾里德距離來判斷是否屬于同一點(diǎn)云簇，但 是這里有兩個問題，問題一是由于深度數(shù)據(jù)的丟失或者中斷，同一個人的點(diǎn)云數(shù)據(jù)可能被 分到不同的點(diǎn)云簇中去，問題二是不同人的點(diǎn)云數(shù)據(jù)可能被分到同一個點(diǎn)云簇中去。為了 避免上述兩個問題的發(fā)生，采用如下的流程來進(jìn)行點(diǎn)云的初步分類： (4.1) 輸入剩余點(diǎn)云數(shù)據(jù)； (4. 2)聚類建立多個點(diǎn)云簇； (4. 3)盡量合并靠近地平面坐標(biāo)的點(diǎn)云簇，這樣可以避免問題一的發(fā)生； (4. 4)將所有的點(diǎn)云坐標(biāo)的Y值沿著X軸的方向進(jìn)行直方圖投影，得到波峰波谷的位 置； (4. 5)按波谷的位置將已有的點(diǎn)云簇進(jìn)行分割，初步確立人與人之間的分界，這樣可以 避免問題二的發(fā)生； (4. 6)輸出目前已有的所有點(diǎn)云簇，初步分類完畢。
[0010] 所述的步驟（5)對初步劃分后的人體點(diǎn)云數(shù)據(jù)簇進(jìn)行二次精細(xì)分類，具體是：對 于步驟（4)得到的點(diǎn)云，接下來采用基于HOG的人體檢測算法對其進(jìn)行二次精細(xì)分類，即結(jié) 合點(diǎn)云簇對應(yīng)的RGB圖運(yùn)用基于HOG的人體檢測算法，來識別人體特征；這里我們運(yùn)用了與 N. Dalal和B. Triggs的論文中的同樣的步驟和參數(shù)描述建立了 SVM分類器來訓(xùn)練HOG 檢測器，這樣實(shí)現(xiàn)了對人體特征的精確的檢測和識別。
[0011] 實(shí)現(xiàn)地面上多個人體的檢測，并畫出人體檢測區(qū)域。
[0012] 本發(fā)明的有益效果在于：可以在標(biāo)準(zhǔn)CPU上以更高的效率實(shí)時檢測人體，能對地 面上的單個人體及多個人體進(jìn)行自動、準(zhǔn)確、實(shí)時的檢測，無論對靜止的人體還是行走中的 人體，都能夠進(jìn)行較精確及快速的檢測。

【專利附圖】

【附圖說明】
[0013] 此處所說明的附圖用來提供對本發(fā)明的進(jìn)一步理解，構(gòu)成本申請的一部分，本發(fā) 明的示意性實(shí)例及其說明用于解釋本發(fā)明，并不構(gòu)成對本發(fā)明的不當(dāng)限定。
[0014] 圖1為原始點(diǎn)云數(shù)據(jù)示意圖； 圖2為本發(fā)明的流程示意圖； 圖3為本發(fā)明的簡化后的點(diǎn)云數(shù)據(jù)示意圖； 圖4為本發(fā)明的二次精細(xì)分類后的復(fù)雜背景人體檢測效果圖； 圖5為本發(fā)明的單個靜止人體檢測效果圖； 圖6為本發(fā)明的單個運(yùn)動人體檢測效果圖； 圖7為本發(fā)明的多個靜止人體檢測效果圖； 圖8為本發(fā)明的多個運(yùn)動人體檢測效果圖。

【具體實(shí)施方式】
[0015] 下面結(jié)合附圖進(jìn)一步說明本發(fā)明的詳細(xì)內(nèi)容及其【具體實(shí)施方式】。
[0016] 參見圖1至圖8所示，本發(fā)明的實(shí)時人體自動檢測方法，包括以下幾個步驟： (1)借助體感控制器，采集人體及場景的深度圖像和彩色RGB圖像，進(jìn)而轉(zhuǎn)化成人體及 場景的3D點(diǎn)云數(shù)據(jù)。
[0017] (2)用基于K鄰域的離散點(diǎn)云簡化算法進(jìn)行3D點(diǎn)云數(shù)據(jù)簡化。簡化算法整體流程 如下： (2.1)輸入原始點(diǎn)云數(shù)據(jù)； (2. 2)確立中心點(diǎn)； (2. 3)對于每個中心點(diǎn)，利用KD-Tree法搜索距離中心點(diǎn)最近的k個點(diǎn)，建立k-鄰域， 其中這些最近點(diǎn)按照距離中心點(diǎn)由小到大順序排列； (2. 4)判斷每個k-鄰域的密度大小； (2. 5)根據(jù)密度大小對點(diǎn)云進(jìn)行簡化，密度大處保留該鄰域中所有點(diǎn)的平均點(diǎn)，密度小 處則保留部分點(diǎn)，具體保留哪些點(diǎn)，依具體情況而定，原則上盡量保留中心點(diǎn)； (2. 6)若還有沒簡化完的k-鄰域，則轉(zhuǎn)（2. 4)，否則，轉(zhuǎn)（2. 7); (2. 7)算法結(jié)束。
[0018] (3)在簡化后的3D點(diǎn)云中，采用RANSAC算法進(jìn)行點(diǎn)云數(shù)據(jù)的地平面提取并移除。 地平面提取及移除算法流程如下： (3.1) 輸入簡化后的點(diǎn)云數(shù)據(jù)； (3. 2)在顯示的深度圖中，隨機(jī)選取3個地面上的數(shù)據(jù)點(diǎn)，并用這3個數(shù)據(jù)點(diǎn)坐標(biāo)計算 平面方程的參數(shù)； (3. 3)對簡化后的點(diǎn)云中的所有數(shù)據(jù)點(diǎn)，計算出每個點(diǎn)到步驟（3. 2)得到的平面之間的 歐氏距離，在將每個距離與閾值D進(jìn)行比較，若在D范圍內(nèi)，則將該點(diǎn)歸為"局內(nèi)點(diǎn)"，否則歸 為"局外點(diǎn)"； (3. 4)對由局內(nèi)點(diǎn)組成的地平面進(jìn)行矯正，最后得到所有地平面的局內(nèi)點(diǎn)，在接下來進(jìn) 行人體檢測過程中，地平面范圍內(nèi)所有的點(diǎn)將不再參與計算。至此，地平面提取與移除過程 結(jié)束。
[0019] (4)利用投影直方圖確立波峰波谷位置對點(diǎn)云數(shù)據(jù)進(jìn)行初步分類得到人體點(diǎn)云數(shù) 據(jù)簇。在上一步地平面被移除之后，剩余的點(diǎn)云將不再通過地面相連。下面可以將剩余的 點(diǎn)云聚類，即計算相鄰的3D點(diǎn)歐幾里德距離來判斷是否屬于同一點(diǎn)云簇。但是這里有兩個 問題，問題一是由于深度數(shù)據(jù)的丟失或者中斷，同一個人的點(diǎn)云數(shù)據(jù)可能被分到不同的點(diǎn) 云簇中去，問題二是不同人的點(diǎn)云數(shù)據(jù)可能被分到同一個點(diǎn)云簇中去。為了避免上述兩個 問題的發(fā)生，采用如下的算法流程來進(jìn)行點(diǎn)云的初步分類： (4.1) 輸入剩余點(diǎn)云數(shù)據(jù)； (4. 2)聚類建立多個點(diǎn)云簇； (4. 3)盡量合并靠近地平面坐標(biāo)的點(diǎn)云簇，這樣可以避免問題一的發(fā)生； (4. 4)將所有的點(diǎn)云坐標(biāo)的Y值沿著X軸的方向進(jìn)行直方圖投影，得到波峰波谷的位 置； (4. 5)按波谷的位置將已有的點(diǎn)云簇進(jìn)行分割，初步確立人與人之間的分界，這樣可以 避免問題二的發(fā)生。
[0020] (4. 6)輸出目前已有的所有點(diǎn)云簇，初步分類完畢。
[0021] (5)對初步劃分后的人體點(diǎn)云數(shù)據(jù)簇進(jìn)行二次精細(xì)分類。對于步驟（4)得到的點(diǎn) 云，接下來采用基于HOG的人體檢測算法對其進(jìn)行二次精細(xì)分類，即結(jié)合點(diǎn)云簇對應(yīng)的RGB 圖運(yùn)用基于HOG的人體檢測算法，來識別人體特征。這里我們運(yùn)用了與N. Dalai和B. Triggs的論文中的同樣的步驟和參數(shù)描述建立了 SVM分類器來訓(xùn)練HOG檢測器，這樣實(shí)現(xiàn) 了對人體特征的精確的檢測和識別。
[0022] 實(shí)現(xiàn)地面上多個人體的檢測。并畫出人體檢測區(qū)域。
[0023] 實(shí)施例： 參見圖1至圖8所示，結(jié)合本發(fā)明在體感控制器檢測人體的應(yīng)用中來說明。具體實(shí)施 步驟如下： (1)借助體感控制器，采集人體及場景的深度圖像和彩色RGB圖像，進(jìn)而轉(zhuǎn)化成人體及 場景的3D點(diǎn)云數(shù)據(jù)，得到的點(diǎn)云如圖1所示。對于點(diǎn)云的每個點(diǎn)P，可以用（x，y，z)來表 示，其中X為點(diǎn)P在X軸方向的坐標(biāo)，y為點(diǎn)P在Y軸方向的坐標(biāo)，其中z為點(diǎn)P在Z軸方 向的坐標(biāo)。
[0024] (2)對步驟（1)中得到的點(diǎn)集，為）進(jìn)行變換，用基于K鄰域的離散點(diǎn)云簡化算 法進(jìn)行3D點(diǎn)云數(shù)據(jù)簡化，確立中心點(diǎn)，建立K鄰域。這里令k=20,共建立k-鄰域24537個， 原始有效點(diǎn)云數(shù)據(jù)為215521個，簡化后點(diǎn)云數(shù)據(jù)為23311個，簡化后的點(diǎn)云如圖3所示。
[0025] (3)在通過步驟（2)簡化后的3D點(diǎn)云中，共有23311個點(diǎn)，采用RANSAC算法進(jìn)行 點(diǎn)云數(shù)據(jù)的地平面提取并移除。首先確立地面上的三個隨機(jī)點(diǎn)，并計算地平面方程參數(shù)，得 到地平面方程。計算每個點(diǎn)到地平面方程的歐式距離，并與閾值D進(jìn)行比較，距離值小于D 的點(diǎn)歸入地平面方程，大于D的點(diǎn)繼續(xù)參與運(yùn)算。 (4)利用投影直方圖確立波峰波谷位置，并對步驟（3)中點(diǎn)云數(shù)據(jù)進(jìn)行初步分類得到人 體點(diǎn)云數(shù)據(jù)簇。輸入剩余點(diǎn)云數(shù)據(jù)，聚類建立多個點(diǎn)云簇，盡量合并靠近地平面坐標(biāo)的點(diǎn)云 簇，將所有的點(diǎn)云坐標(biāo)的Y值沿著X軸的方向進(jìn)行直方圖投影，得到波峰波谷的位置，按波 谷的位置將已有的點(diǎn)云簇進(jìn)行分割，初步確立人與人之間的分界。輸出目前已有的所有點(diǎn) 云簇，初步分類完畢。
[0026] (5)對初步劃分后的人體點(diǎn)云數(shù)據(jù)簇進(jìn)行二次精細(xì)分類。對于步驟（4)得到的點(diǎn) 云，接下來采用基于HOG的人體檢測算法對其進(jìn)行二次精細(xì)分類，即結(jié)合點(diǎn)云簇對應(yīng)的RGB 圖運(yùn)用基于HOG的人體檢測算法，來識別人體特征。二次精細(xì)劃分后可以將人與其他物體 明顯分開。如圖4所示。
[0027] (6)實(shí)現(xiàn)地面上多個人體的檢測。并畫出人體檢測區(qū)域。如圖5至圖8所示。
[0028] 以上所述僅為本發(fā)明的優(yōu)選實(shí)例而已，并不用于限制本發(fā)明，對于本領(lǐng)域的技術(shù) 人員來說，本發(fā)明可以有各種更改和變化。凡對本發(fā)明所作的任何修改、等同替換、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. 一種實(shí)時人體自動檢測方法，其特征在于：包括如下步驟： (1) 通過體感控制器采集深度信息圖像，并將深度信息數(shù)據(jù)轉(zhuǎn)化成3D點(diǎn)云數(shù)據(jù)，形成 3D點(diǎn)云； (2) 用基于K鄰域的離散點(diǎn)云簡化算法進(jìn)行3D點(diǎn)云數(shù)據(jù)簡化； (3) 在簡化后的3D點(diǎn)云中，采用RANSAC算法進(jìn)行點(diǎn)云數(shù)據(jù)的地平面提取并移除； (4) 利用投影直方圖確立波峰波谷位置對點(diǎn)云數(shù)據(jù)進(jìn)行初步分類得到人體點(diǎn)云數(shù)據(jù) 簇； (5) 對初步劃分后的人體點(diǎn)云數(shù)據(jù)簇進(jìn)行二次精細(xì)分類； (6) 實(shí)現(xiàn)地面上多個人體的檢測。
2. 根據(jù)權(quán)利要求1所述的實(shí)時人體自動檢測方法，其特征在于：所述的步驟（1)通過 體感控制器采集深度信息圖像，并將深度信息數(shù)據(jù)轉(zhuǎn)化成3D點(diǎn)云數(shù)據(jù)，形成3D點(diǎn)云，具體 是：借助體感控制器，采集人體及場景的深度圖像和彩色RGB圖像，進(jìn)而轉(zhuǎn)化成人體及場景 的3D點(diǎn)云數(shù)據(jù)；對于點(diǎn)云的每個點(diǎn)P，用X，y, z來表示，其中x為點(diǎn)P在X軸方向的坐標(biāo)，y 為點(diǎn)P在Y軸方向的坐標(biāo)，z為點(diǎn)P在Z軸方向的坐標(biāo)。
3. 根據(jù)權(quán)利要求1所述的實(shí)時人體自動檢測方法，其特征在于：所述的步驟（2)用基 于K鄰域的離散點(diǎn)云簡化算法進(jìn)行3D點(diǎn)云數(shù)據(jù)簡化，具體是：采用基于K鄰域密度的離散 點(diǎn)云簡化算法進(jìn)行3D點(diǎn)云數(shù)據(jù)的簡化，流程如下： (2.1) 輸入原始點(diǎn)云數(shù)據(jù)； (2. 2)確立中心點(diǎn)； (2. 3)對于每個中心點(diǎn)，采用KD-Tree法搜索距離中心點(diǎn)最近的k個點(diǎn)，建立k-鄰域， 其中這些距離中心點(diǎn)最近點(diǎn)按照距離中心點(diǎn)由小到大順序排列； (2. 4)判斷每個k-鄰域的密度大??； (2. 5)根據(jù)密度大小對點(diǎn)云進(jìn)行簡化，密度大處保留該鄰域中所有點(diǎn)的平均點(diǎn)，密度小 處則保留部分中心點(diǎn)； (2. 6)若還有沒簡化完的k-鄰域，則轉(zhuǎn)（2. 4)，否則結(jié)束。
4. 根據(jù)權(quán)利要求1所述的實(shí)時人體自動檢測方法，其特征在于：所述的步驟（3)在簡化 后的3D點(diǎn)云中，采用RANSAC算法進(jìn)行點(diǎn)云數(shù)據(jù)的地平面提取并移除，其中地平面提取并移 除的具體流程如下： (3.1) 輸入簡化后的點(diǎn)云數(shù)據(jù)； (3. 2)在顯示的深度圖中，隨機(jī)選取3個地面上的數(shù)據(jù)點(diǎn)，并用這3個數(shù)據(jù)點(diǎn)坐標(biāo)計算 平面方程的參數(shù)； (3. 3)對簡化后的點(diǎn)云中的所有數(shù)據(jù)點(diǎn)，計算出每個點(diǎn)到步驟（3. 2)得到的平面之間的 歐氏距離，再將每個距離與閾值D進(jìn)行比較，若在D范圍內(nèi)，則將該點(diǎn)歸為"局內(nèi)點(diǎn)"，否則歸 為"局外點(diǎn)"； (3. 4)對由局內(nèi)點(diǎn)組成的地平面進(jìn)行矯正，最后得到所有地平面的局內(nèi)點(diǎn)，在接下來進(jìn) 行人體檢測過程中，地平面范圍內(nèi)所有的點(diǎn)將不再參與計算；至此，地平面提取與移除過程 結(jié)束。
5. 根據(jù)權(quán)利要求1所述的實(shí)時人體自動檢測方法，其特征在于：所述的步驟（4)利用投 影直方圖確立波峰波谷位置對點(diǎn)云數(shù)據(jù)進(jìn)行初步分類得到人體點(diǎn)云數(shù)據(jù)簇，具體是：在步 驟（3)將地平面被移除之后，剩余的點(diǎn)云將不再通過地面相連；將剩余的點(diǎn)云聚類，即計算 相鄰的3D點(diǎn)歐幾里德距離來判斷是否屬于同一點(diǎn)云簇，采用如下的流程來進(jìn)行點(diǎn)云的初 步分類： (4.1)輸入剩余點(diǎn)云數(shù)據(jù)； (4. 2)聚類建立多個點(diǎn)云簇； (4. 3)合并靠近地平面坐標(biāo)的點(diǎn)云簇； (4. 4)將所有的點(diǎn)云坐標(biāo)的Y值沿著X軸的方向進(jìn)行直方圖投影，得到波峰波谷的位 置； (4. 5)按波谷的位置將已有的點(diǎn)云簇進(jìn)行分割，初步確立人與人之間的分界； (4. 6)輸出目前已有的所有點(diǎn)云簇，初步分類完畢。
6.根據(jù)權(quán)利要求1所述的實(shí)時人體自動檢測方法，其特征在于：所述的步驟（5)對初步 劃分后的人體點(diǎn)云數(shù)據(jù)簇進(jìn)行二次精細(xì)分類，具體是：對于步驟（4)得到的點(diǎn)云，接下來采 用基于HOG的人體檢測算法對其進(jìn)行二次精細(xì)分類，即結(jié)合點(diǎn)云簇對應(yīng)的RGB圖運(yùn)用基于 HOG的人體檢測算法，來識別人體特征，實(shí)現(xiàn)地面上多個人體的檢測，并畫出人體檢測區(qū)域。
【文檔編號】G06K9/00GK104408445SQ201410789988
【公開日】2015年3月11日 申請日期:2014年12月19日 優(yōu)先權(quán)日:2014年12月19日
【發(fā)明者】鄭立國, 羅江林, 劉楊 申請人:吉林紀(jì)元時空動漫游戲科技股份有限公司