单目视频下人头识别：多特征融合与光照抑制算法

本文主要探讨了一种创新的人头识别算法，由孙棣华、何恒攀、赵敏和王川童四位研究人员在重庆大学自动化学院提出。该研究聚焦于利用固定单目垂直摄像视频序列，针对人头检测与识别问题。首先，文章引入了Meanshift算法，这是一种非参数的图像分割技术，用于从视频中分离出可能的人头部候选区域。这个步骤的关键在于算法能够识别出运动中人头部的近似圆形轮廓特征。 在候选区域的进一步分析中，作者强调了两个关键特性：一是头部轮廓的圆形性和二是头顶部发色的聚类性。基于这些特性，他们设计了一种融合候选区域内部颜色特征和边界轮廓特征的人头部目标区域识别算法。这种特征融合有助于提高识别的鲁棒性，减少光照变化和相似发色区域带来的误检测问题。 文章指出，由于俯视图像中的人体仅显示部分，基于完整人体的检测方法并不适用。然而，头部区域，特别是头顶部，提供了相对完整的特征，可用于识别俯视图像中的个体。因此，利用头部作为人体检测的局部特征，成为了研究的焦点。 国内外的研究者们提出了多种头部检测方法，包括基于头部轮廓的检测和肤色/发色统计模型。虽然头部轮廓模型如高斯模型、椭圆模型和曲线模型在一定程度上有效，但在遮挡和光照变化下可能会失效。斯坦福大学的Stan Birchfield算法采用纵横比为1:2的椭圆模型，适用于正面人头的检测，但对于倾斜或旋转的情况则表现不足。 该论文的创新之处在于，通过结合Meanshift算法和多特征融合策略，旨在改进人头识别的准确性和鲁棒性，特别是在复杂场景下。实验结果显示，所提出的算法在实际应用中表现出良好的性能，能有效抑制光照影响并消除类似发色区域的伪目标。该研究对于智能房屋、行人流量统计、图像检索、智能监控和车辆辅助驾驶等领域的人体检测具有重要意义，并将对后续相关研究产生积极影响。中图分类号TP317.4，表明这是一项关于计算机视觉和模式识别领域的前沿工作。