大致思路是:

该算法在行人检测算法的基础上,识别检测出来的行人的头部,并根据头部的颜色值,得到该行人所佩戴安全帽的颜色,然后根据生产规范中得到对应人的身份。

gabor ,sobel,meanshift

弊端:

这种算法在正确检测行人的前提下,能够很好的定位到头部,而且识别颜色的准确率达90%以上。然而,在实际场景中,存在遮挡或者行人非站立状态下,头部定位的准确率会大大下降,从而影响了安全帽的颜色识别。

后续的工作将进一步考虑采用模式识别的方式,直接对头部进行特征表达,然后通过训练的方式,学习得到不同类别安全帽的特征表达。这样就可以不依赖于行人检测进行头部的检测和安全帽的颜色识别,能够进一步提高了系统的准确率。

1.hog

利用HOG特征实现人头检测

Dalal等人首先将HOG特征[3]用于静态图像中的行人检测,其主要思想是利用局部区域的梯度方向直方图来描述目标特征。本文用HOG特征结合支撑向量机SVM(Support Vector Machine)分类器进行头部检测,分为SVM分类器训练和人头检测两个阶段。

2.1 HOG特征提取

提取目标的HOG特征步骤如下:首先按照式(1)和式(2)计算灰度图像的梯度幅值和梯度方向。

目标检测之人头---人头检测,安全帽检测,头盔检测,人流检测_行人检测

其中,Gx、Gy分别是(x,y)的水平和竖直梯度,梯度的方向设定为0~?仔。本文梯度的方向反映该像素点周围的灰度变化的方向,梯度的幅度反映灰度变化的大小。

然后进行子块单元的划分和方向直方图统计。如图3(a)所示,将图像划分为若干个图像块(BLOCK),每个块划分为若干个正方形图像单元(CELL),图像单元的边长记为CELLSIZE。图3(a)中CELL的大小为8×8个像素,即CELLSIZE=8;一个BLOCK包含2×2个图像单元CELLNUM=4。以一个图像单元为单位,进行方向梯度直方图的统计。将梯度方向划分为BIN个区间,对于各个区间的梯度相加,形成一个BIN维的向量来描述一个图像单元。最后生成图像的Hog描述子,对于每一个BLOCK对应的BIN×CELLNUM维向量可以根据实际需要按式(3)进行标准化:

目标检测之人头---人头检测,安全帽检测,头盔检测,人流检测_搜索_02

最后所有CELL对应的向量构成整个图像的Hog描述子,如图3(b)所示,图像由16个CELL组成。

目标检测之人头---人头检测,安全帽检测,头盔检测,人流检测_行人检测_03

 http://wenku.baidu.com/link?url=l3HwFyzHLtSP01nTAdV2K4ftK7gtWrfQj-QxGhJGIidVVBhPTSDqXVadR7fvyymvxpO3_NCX16Bf_rHU5xv7CiT69avWcUn7nfGo02z3Tji 人头

2.meanshift

 Mean-shift跟踪计数

利用HOG特征,只能实现单幅图像中人头的检测。要完成人员计数,必须利用多帧图像信息,既要检测出图像中新出现的目标,又要利用目标跟踪技术,确定连续多帧图像中的同一个目标,实现人员统计计数。

利用Mean-shift实现人员跟踪计数具体步骤如下:

(1)将人头检测的结果作为初始的搜索窗口,确定窗口大小和位置。

(2)计算搜索窗口内的灰度概率分布函数,并用该分布函数反演下一帧的待搜索图像。

(3)利用前一帧初始搜索窗口的大小和位置信息,确定当前帧的搜索起点和范围,并在计算选取搜索窗口中按照式(4)、式(5)计算零阶矩和一阶矩,并按照式(6)计算搜索窗口的质心:

目标检测之人头---人头检测,安全帽检测,头盔检测,人流检测_行人检测_04