Hough Circle误检过滤：客流计数器GMM实现及深度图应用咨询

一、基于GMM的误检圆过滤实现 #

GMM核心是通过对检测圆的特征分布建模，区分头部目标和误检噪声。具体实现步骤及代码如下：

实现思路 #

1. 提取特征：选择与头部强相关的特征，比如圆的半径、圆心垂直位置、圆区域平均灰度（可根据场景补充边缘梯度、圆的圆度等）。
2. GMM聚类：用2个分量的GMM拟合特征数据，分别对应头部聚类和误检聚类。
3. 筛选目标：根据聚类结果，保留属于头部类别的圆。

代码示例（Python + scikit-learn） #

import numpy as np
from sklearn.mixture import GaussianMixture
import cv2

# 假设frame是当前输入帧，detected_circles是HCT输出的圆列表，格式为[(x,y,r), ...]
detected_circles = cv2.HoughCircles(...)  # 你的HCT检测代码
frame = ...  # 输入图像（灰度图）

# 提取单圆特征
def get_circle_features(circle, img):
    x, y, r = circle
    # 裁剪圆ROI（避免越界）
    x1, x2 = max(0, int(x-r)), min(img.shape[1], int(x+r))
    y1, y2 = max(0, int(y-r)), min(img.shape[0], int(y+r))
    roi = img[y1:y2, x1:x2]
    avg_gray = np.mean(roi) if roi.size > 0 else 0
    
    # 归一化特征，提升GMM拟合稳定性
    norm_r = r / max(img.shape[0], img.shape[1])
    norm_y = y / img.shape[0]  # 头部通常在图像上半部分，y值相对较小
    norm_gray = avg_gray / 255.0
    return [norm_r, norm_y, norm_gray]

# 生成特征矩阵
if detected_circles is not None:
    detected_circles = np.uint16(np.around(detected_circles))[0]  # 适配OpenCV输出格式
    features = np.array([get_circle_features((x,y,r), frame) for x,y,r in detected_circles])
    
    # 训练GMM（2个聚类分量）
    gmm = GaussianMixture(n_components=2, random_state=42)
    gmm.fit(features)
    
    # 确定头部聚类：通过聚类中心的y坐标判断（头部y坐标更靠上，norm_y更小）
    cluster_centers = gmm.means_
    head_cluster_idx = 0 if cluster_centers[0][1] < cluster_centers[1][1] else 1
    
    # 过滤得到头部圆
    head_circles = [detected_circles[i] for i in range(len(detected_circles)) 
                    if gmm.predict([features[i]])[0] == head_cluster_idx]

注意事项 #

• 如果有标注样本，可以先用标注数据确定头部聚类的类别，提升准确性；无标注时，可结合场景中头部的半径、位置先验知识辅助判断。
• 特征维度可根据实际场景调整，比如加入圆的边缘梯度均值，进一步区分真实头部和误检区域。

二、深度图在误检过滤中的作用 #

深度图完全可以用于过滤误检，且效果显著，核心逻辑是利用头部的空间深度特性：

• 深度范围过滤：头部在场景中通常处于固定的深度区间（比如0.5-3米，根据摄像头安装高度和场景调整），误检的圆（如墙面装饰、灯具）深度与该区间差异大，可直接过滤深度不在范围内的目标。
• 实际尺寸校验：结合相机内参，通过深度值计算圆对应的真实世界尺寸（成人头部直径约15-25cm）。公式为：实际半径 = (图像半径 × 深度) / 相机焦距fx，过滤掉实际尺寸不符合的圆，能有效排除远处小噪声或近处大物体的误检。

三、HCT阈值调整的平衡策略 #

阈值过高漏检、过低误检是HCT的固有问题，可通过以下方式平衡：

• 预处理优化：在Canny边缘检测前，加入形态学开运算去除小噪声，闭运算填补头部边缘缺口；或改用自适应Canny阈值（cv2.Canny的threshold1和threshold2用动态计算值），提升边缘检测的鲁棒性。
• 多尺度检测：调整HoughCircles的dp参数（累加器分辨率），设置多个dp值进行多尺度检测，合并结果后再过滤，减少不同大小头部的漏检。
• 先验粗过滤：在GMM前先做一轮简单过滤，比如保留半径在20-80像素（根据场景调整）、圆心位于图像上半70%区域的圆，减少GMM的输入噪声，同时降低漏检概率。

内容的提问来源于stack exchange，提问作者Saran