基于mean shift算法应用于彩色图像多人头检测

　　在复杂背景下进行人头检测（Head Detection）是智能视觉处理系统的重要组成部分。在现实中，基于单一特征（如头部轮廓、发色及相关统计特征等）的头部检测方法容易出现目标区域的误检测，凶此基于多特征的头部日标检测是研究的热点。

　　常用的人头检测算法有两大类：一是基于先验规则的，比如发色模型形状和肤色等：另一类是基于特征和分类器的检测方法，比如寻找人头轮廓，然后采用支持向量机SVM（support　vector machine）、AdaBoostr、神经网络等分类器进行训练。

　　基于先验规则的方法，其主要思想是通过对大量的实验数据统计，得出一个模型，然后利用提取出的模型来准确地检测人头：但是，先验模型的提取容易受到光照影响，造成获取的模型不准确，从而导致人头检测方法失败。基于特征提取和分类器训练的方法具有良好的鲁棒性，人头检测的正确率也很高：但是分类器的训练比较耗费时间，如果特征数目比较多还会增加空间复杂度。基于上述两类方法的基础上，本文提出利用mean shift的彩色图像分割算法的人头检测方法，文中采用的白适应mean shift算法是一种特征空间聚类算法，它的一个突出优点是不须人为地设定过多参数而可以得到较为客观的分割结果。灰度图像处理包括选择式掩模平滑和灰值形态学进行处理，以提高头部日标的灰度与背景的区别，为阈值分割的预处理和为轮廓特征进行人头检测提供基础。