一种基于多特征融合的密集人数估计方法和系统技术方案

本发明专利技术提出了一种基于多特征融合的密集人数估计方法与系统。首先，将图像分成N个相等的子块；然后，用基于CSLBP直方图纹理模型和混合高斯背景建模的方法，对图像进行分层次背景建模，提取各子块经透视校正后的前景面积，并结合改进的Sobel边缘检测算子检测出各子块边缘密度，还结合CSLBP变换和灰度共生矩阵提取描述图像纹理特征的四个不同方向的重要纹理特征向量；再通过主成分分析对提取到的人群前景分割特征向量和纹理特征向量进行降维处理；将降维后的特征向量输入到神经网络模型的输入层，由其输出层得到各子块的人数估计；最后，相加得到总人数。其具有较高的准确性和较好的鲁棒性，在对地铁站台监控视频的人数统计实验中取得了较好效果。

【技术实现步骤摘要】
【专利摘要】本专利技术提出了一种基于多特征融合的密集人数估计方法与系统。首先，将图像分成N个相等的子块；然后，用基于CSLBP直方图纹理模型和混合高斯背景建模的方法，对图像进行分层次背景建模，提取各子块经透视校正后的前景面积，并结合改进的Sobel边缘检测算子检测出各子块边缘密度，还结合CSLBP变换和灰度共生矩阵提取描述图像纹理特征的四个不同方向的重要纹理特征向量；再通过主成分分析对提取到的人群前景分割特征向量和纹理特征向量进行降维处理；将降维后的特征向量输入到神经网络模型的输入层，由其输出层得到各子块的人数估计；最后，相加得到总人数。其具有较高的准确性和较好的鲁棒性，在对地铁站台监控视频的人数统计实验中取得了较好效果。【专利说明】-种基于多特征融合的密集人数估计方法和系统
本专利技术属于视频分析处理领域，尤其涉及一种密集人数估计方法和系统。
技术介绍
随着世界人口的不断增加和社会经济的快速发展，群体性事件与日俱增，从而人 群安全问题已经成为人们关注的热点问题。视频监控技术的高速发展是对群体性事件控制 的重要技术保障，而人群的人数统计是对群体性事件进行有效管理的重要依据。 传统的视觉监视应用是基于闭路电视系统（Closed Circuit Television, CCTV) 的模拟系统。该系统的视频监控完全是W人工监视为主，而且人工的方法需要巨大的监视 工作量，随着监视时间的增长，监视人员的注意力会下降，很容易遗漏场景中发生的问题。 而事后对存储数据的查找、分析，即使发现问题也为时已晚。随着我国综合国力的不断增 强，大规模群体性活动变得日益频繁，比如体育赛事、明星演唱会、宗教仪式等。人群的安全 是一个十分重要的问题，关系到社会治安的稳定，所W有关部口对群体性事件高度重视。而 群体性事件的发生将会带来巨大的损失，而我们国家的人口众多，极易发生群体性事件，所 W对人群的人数统计设计显得尤其重要。而人群的人数估计可W对某一监控场景给出人群 的密度等级，该有助于管理者调度人力去预防群体性事件的发生，因而人群的人数统计是 群体监控的一项主要参考指标。 目前，针对人数统计问题的研究主要分为两类。一类是基于行人检测的方法，通 过提取人体或头部局部区域的轮廓、纹理、色彩等特征来检测行人个体，并据此计算场景人 数。此类方法能够定位出场景中行人的具体位置，对于一些画面清晰，人数较少的简单场景 有一定的效果。然而，现实监控场景中更多的是一些画面模糊，人数多且互相遮挡严重的复 杂场景，此类方法对该样的实际监控场景并不适用。另一类是基于全局特征统计人数的方 法，通过提取场景中的前景区域特征，如面积、边缘长度、纹理特征等，再利用回归算法来统 计场景中的人数。该类方法虽不能准确定位每个行人的具体位置，但能更好地统计出复杂 场景中的人数。Conde C通过提取灰度差分矩阵（GLDM)特征对广场大厅类的监控场景实 现了人数统计，然而该方法中需要提取的特征值较多，计算步骤过于复杂。Moctezuma D和 Martin D采用了灰度共生矩阵（GLCM)特征进行人数统计，并通过主成分分析（PCA)简化了 最终的特征指标，在不影响精确度的情况下，降低了计算量，但该方法未能很好地考虑透视 效应的因素，即图像中人所占的像素数随着与摄像头距离的增大而减小，对于复杂场景的 实际检测效果一般。A化iol A和化jer F通过提取场景中运动区域的角点信息统计人数， 可W在无需提取场景前景的情况下统计场景中的人数，然而该算法仅能检测出运动状态的 行人，无法检测出静止状态的行人。
技术实现思路
为了解决现有技术中问题，本专利技术提出了一种磁集成与电流纹波抵消的H端口变 换器，能够减少了磁环的数量和驱动禪合变压器的个数，同时，减小了电磁干扰影响，使得 H端口流经的电流纹波很小。 本专利技术通过如下技术方案实现： -种基于多特征融合的密集人数估计方法包括W下步骤： 步骤1 ;输入视频图像，将图像分成N个相等的子图像块，赋予不同的权重；并利用 图像中行人目标的身高大小与其所在位置作为基准，计算图像透视校正后的归一化投影系 数； 步骤2 ;用基于中也对称局部二值模式CSLBP直方图纹理描述和混合高斯背景建 模的方法，对输入图像进行分层次背景建模，提取各图像块的前景分割特征，并结合改进的 Sobel边缘检测算子检测出各图像块边缘密度；此外还结合中也对称局部二元模式和灰度 共生矩阵提取描述图像纹理特征的四个不同方向的重要纹理特征向量； 步骤3 ;通过主成分分析对所述步骤2提取到的前景分割特征向量和纹理特征向 量进行降维处理，所述前景分割特征包括前景像素密度和前景边缘密度； 步骤4 ;将降维后的特征向量输入到神经网络模型的输入层，由其输出层得到各 图像块的估计人数值； 步骤5 ;将N个子图像块的人数相加得出整个图像的人数。 进一步地，所述步骤2中采用K个加权的CSLBP直方图度量视频当前峽与背景峽 的相似度，提取出粗劣的前景区域；在已确定的粗劣前景区域上，将当前前景区域中的每一 个像素值与所建立的混合高斯模型进行匹配，确定出精确的前景目标区域，并利用投影系 数修正前景面积。 进一步地，所述步骤2中考虑图像空间域上灰度变化的问题，对灰度图像先进行 中也对称局部二值模式（CSLB巧变换，确保图像空间局部邻域内的灰度性和计算效率不 变。再压缩图像的灰度等级，利用灰度共生矩阵提取出完整有效的纹理特征向量。 另一方面，本专利技术提供了一种的基于多特征融合的密集人数估计系统，所述系统 包括计算机和摄像头，所述摄像头采集视频图像传送到所述计算机进行处理，所述计算机 执行本专利技术的基于多特征融合的密集人数估计方法。 本专利技术的有益效果是：本专利技术提供的基于多特征融合的密集人数估计方法和系统 具有较高的准确性和较好的鲁棒性，在对地铁站台的监控视频的人数统计实验中取得了较 好的效果。 【专利附图】【附图说明】 图1是本专利技术的基于多特征融合的密集人数估计方法流程图； 图2是划分成四等分的视频峽的示意图； 图3是LBP/CSLBP算子示意图； 图4是经典的Sobel算子模板示意图； 图5是改进的Sobel算子模板示意图。 【具体实施方式】 下面结合【专利附图】【附图说明】及【具体实施方式】对本专利技术进一步说明。 如附图1所示的是本专利技术的基于多特征融合的客流人数估计方法流程图。首先， 为了消去摄像机透视对图像特征的影响，将图像分成4个相等的子图像块；赋予不同的权 重，并利用图像中行人目标的身高大小与其所在位置作为基准，计算图像透视校正后的归 一化投影系数；然后，用基于中也对称局部二值模式直方图纹理描述和混合高斯背景建模 的方法，对输入图像进行分层次背景建模，提取各图像块的前景面积，并结合改进的Sobel 边缘检测算子检测出各图像块边缘密度，此外还结合中也对称局部二元模式和灰度共生矩 阵提取描述图像纹理特征的四个不同方向的重要特征向量；再通过主成分分析对提取到的 人群前景分割特征向量和纹理特征向量进行降维处理；接着将降维后的特征向量输入到神 经网络模型的输入层，由其输出层得到各图像块的估计本文档来自技高网...

【技术保护点】
一种基于多特征融合的密集人数估计方法，其特征在于，所述方法包括以下步骤：步骤1：输入视频图像，将图像分成N个相等的子图像块，赋予不同的权重，并利用图像中行人目标的身高大小与其所在位置作为基准，计算图像透视校正后的归一化投影系数；步骤2：用基于中心对称局部二值模式CSLBP直方图纹理描述和混合高斯背景建模的方法和所述归一化投影系数，对输入图像进行分层次背景建模，提取各图像块经透视校正后的前景面积，并计算出各图像块的前景像素密度，再结合改进的Sobel边缘检测算子检测计算出各图像块的前景边缘密度；此外还结合中心对称局部二元模式和灰度共生矩阵提取描述图像纹理特征的四个不同方向的重要纹理特征向量；步骤3：通过主成分分析对所述步骤2提取到的前景分割特征向量和纹理特征向量进行降维处理，所述前景分割特征包括前景像素密度和前景边缘密度；步骤4：将降维后的特征向量输入到神经网络模型的输入层，由其输出层得到各图像块的估计人数值；步骤5：将N个子图像块的人数相加得出整个图像的人数。

【技术特征摘要】

【专利技术属性】
技术研发人员：徐勇，匡慈维，
申请(专利权)人：哈尔滨工业大学深圳研究生院，
类型：发明
国别省市：广东;44