一种流量检测的方法及系统技术方案

本发明专利技术公开一种流量检测的方法，包括以下步骤：提取训练样本的梯度向量直方图HOG特征向量的各种特征，根据所述训练样本的HOG特征向量的各种特征与加性交叉核函数构造支持向量机SVM分类器；获取采样图像中候选样本的HOG特征向量的各种特征；根据所述SVM分类器对所述样本的HOG特征向量的各种特征进行识别以得到流量检测结果。本发明专利技术还公开一种流量检测的系统，用于实现上述方法。本发明专利技术技术方案提高了流量检测的识别精度。

A Method and System for Flow Detection

The invention discloses a method for flow detection, which includes the following steps: extracting various features of HOG feature vectors of gradient vector histogram of training samples, constructing support vector machine SVM classifier based on various features of HOG feature vectors of training samples and additive cross-kernels, and acquiring HOG of candidate samples in sampled images. Various features of the feature vectors; according to the SVM classifier, the features of the feature vectors of the samples are identified to obtain the traffic detection results. The invention also discloses a flow detection system for realizing the above method. The technical scheme of the invention improves the identification accuracy of flow detection.

【技术实现步骤摘要】
一种流量检测的方法及系统
本专利技术涉及检测领域，特别涉及一种流量检测的方法及系统。
技术介绍
随着当今社会的进步与发展，人们出行的交通方式越来越多元化。最近几年我国在一二线城市大力兴建地铁，地铁给路面交通缓解了不少压力，与此同时也存在例如上下班拥挤，踩踏等隐患，因此对地铁内的人流量统计能够给管理部门进行车次调整，人群疏导提供指导数据，具有很大的实用价值。行人检测是行人计数的首要条件，它是找出图像帧中行人目标的位置，大小和轮廓等信息，为了快速准确的对地铁站内的行人进行检测，通常采用图像的梯度向量直方图(HistogramsofOrientedGradient,HOG)对行人进行特征提取，之后通过一种监督的学习模型--支持向量机(SVM)对正负样本的HOG特征和标签进行训练，得到行人分类器，达到行人检测的目的，这是目前最为通用的行人检测方法。但是这种人流量检测的方法存在一些不足点：使用HOG特征提取地铁行人时存在，(1)特征单一，不能很好表示行人的特征；(2)维度高，计算慢。使用SVM作为分类器存在，(1)将有行人的一类作为正样本，将非人区域作为负样本，容易导致训练样本的类别的不平衡；(2)负样本中非人区域覆盖多个类别，由于它的特征空间过于离散，不利于SVM中最优超平面的划分；(3)训练速度慢。
技术实现思路
本专利技术的主要目的是提出一种流量检测的方法，旨在提高行人流量检测的识别度。为实现上述目的，本专利技术提出的一种流量检测的方法，其包括以下步骤：提取训练样本的梯度向量直方图HOG特征向量的各种特征，根据所述训练样本的HOG特征向量的各种特征与加性交叉核函数构造支持向量机SVM分类器；获取采样图像中候选样本的HOG特征向量的各种特征；根据所述SVM分类器对所述样本的HOG特征向量的各种特征进行识别以得到流量检测结果。优选地，所述提取训练样本的梯度向量直方图HOG特征向量的各种特征，根据所述训练样本的HOG特征向量的各种特征与加性交叉核函数构造支持向量机SVM分类器的步骤包括：将训练样本分割成数份训练小样本，分别提取每个所述训练小样本的HOG特征向量的各种特征；根据每个所述训练小样本的HOG特征向量的各种特征与加性交叉核函数构造出数份不同的SVM分类器模型；从每份不同的SVM分类器模型中选择最优SVM分类器模型，将数份选择出的最优SVM分类器模型组合形成最终的SVM分类器。优选地，所述训练样本的梯度向量直方图HOG特征向量的各种特征包括HOG特征、颜色特征和条形特征，所述获取采样图像中候选样本的梯度向量直方图HOG特征向量的HOG特征的步骤包括：对所述采样图像进行灰度化，对灰度化的图像采用Gamma校正法对图像进行颜色空间归一化；对校正后的图像候选样本利用HOG特征提取计算出每个像素点的水平梯度和竖直梯度，以捕获图像；将所捕获图像分成若干cells，每个cell形成各自的各种特征，对每个cell的梯度向量直方图进行规定权重的投影，将一定数的cell组成一个block,一个block内的所有cell特征串联起来形成一个block的特征；对有投影重叠的每一个block内cell进行颜色空间归一化；将图像内的所有block的HOG特征向量组合得到候选样本HOG特征向量的边缘特征。优选地，所述训练样本的梯度向量直方图HOG特征向量的各种特征包括HOG特征、颜色特征和条形特征，所述获取采样图像中候选样本的梯度向量直方图HOG特征向量的条形特征的步骤包括：对所述采样图像进行灰度化；对灰度化的图像采用Gamma校正法对图像进行颜色空间归一化；对校正后的图像候选样本利用HOG特征提取进行二阶梯度计算得到每个像素点的条形特征。优选地，所述训练样本的梯度向量直方图HOG特征向量的各种特征包括HOG特征、颜色特征和条形特征，所述获取采样图像中候选样本的梯度向量直方图HOG特征向量的颜色特征的步骤包括：将采样图像的RGB模型转换成HSI模型，其中HSI模型中候选样本的颜色直方图HOC包括候选样本HOG特征向量的色调及饱和度参数的特征；从候选样本的HOC中获取候选样本HOG特征向量的色调及饱和度参数的特征。优选地，在本专利技术中，所述SVM分类器利用如下决策函数对所述候选样本的HOG特征向量的m各种特征进行识别以得到流量检测结果，所述决策函数为：其中，sgn()为符号函数，x为训练样本，y为候选样本，样本点(xi，yj)，K(xi，yj)为核函数，样本类别识别yj＝{-1,+1}，不为0的a对应的样本就是支持向量，b是常量，可以由任一支持向量求得。优选地，所述获取采样图像中候选样本的步骤包括：对所述采样图像进行窗口扫描；生成每个扫描窗口的显著图，并计算每个所述显著图的熵值；根据每个所述显著图的熵值对所述扫描窗口进行筛选以得到所述候选样本。本专利技术还提供一种流量检测的系统，包括：SVM构造模块，用于提取训练样本的梯度向量直方图HOG特征向量的各种特征，根据所述训练样本的HOG特征向量的各种特征与加性交叉核函数构造支持向量机SVM分类器；获取模块，用于获取采样图像中候选样本的HOG特征向量的各种特征；识别模块，用于根据所述SVM分类器对所述样本的HOG特征向量的各种特征进行识别以得到流量检测结果，其中，所述识别模块包括决策单元，用于所述SVM分类器利用如下决策函数对所述候选样本的HOG特征向量的各种特征进行识别以得到流量检测结果，所述决策函数为：其中，sgn()为符号函数，x为训练样本，y为候选样本，样本点(xi，yj)，K(xi，yj)为核函数，样本类别识别yj＝{-1,+1}，不为0的a对应的样本就是支持向量，b是常量，可以由任一支持向量求得。优选地，所述SVM构造模块包括：提取单元，用于将训练样本分割成数份训练小样本，分别提取每个所述训练小样本的HOG特征向量的各种特征；构造单元，用于根据每个所述训练小样本的HOG特征向量的各种特征与加性交叉核函数构造出数份不同的SVM分类器模型；组合单元，用于从每份不同的SVM分类器模型中选择最优SVM分类器模型，将数份选择出的最优SVM分类器模型组合形成最终的SVM分类器。优选地，所述获取模块包括：HOG单元，用于对所述采样图像进行灰度化，对灰度化的图像采用Gamma校正法对图像进行颜色空间归一化；对校正后的图像候选样本利用HOG特征提取计算出每个像素点的水平梯度和竖直梯度，以捕获图像；将所捕获图像分成若干cells，每个cell形成各自的各种特征，对每个cell的梯度向量直方图进行规定权重的投影，将一定数的cell组成一个block,一个block内的所有cell特征串联起来形成一个block的特征；对有投影重叠的每一个block内cell进行颜色空间归一化；将图像内的所有block的HOG特征向量组合得到候选样本HOG特征向量的边缘特征；条形单元，用于对所述采样图像进行灰度化；对灰度化的图像采用Gamma校正法对图像进行颜色空间归一化；对校正后的图像候选样本利用HOG特征提取进行二阶梯度计算得到每个像素点的条形特征；颜色单元，用于将采样图像的RGB模型转换成HSI模型，其中HSI模型中候选样本的颜色直方图HOC包括候选样本HOG特征向量的色调及饱和度参数的特征；从候选样本的HOC中获取候选样本文档来自技高网...

【技术保护点】
1.一种流量检测的方法，其特征在于，包括以下步骤：提取训练样本的梯度向量直方图HOG特征向量的各种特征，根据所述训练样本的HOG特征向量的各种特征与加性交叉核函数构造支持向量机SVM分类器；获取采样图像中候选样本的HOG特征向量的各种特征；根据所述SVM分类器对所述样本的HOG特征向量的各种特征进行识别以得到流量检测结果。

【技术特征摘要】
1.一种流量检测的方法，其特征在于，包括以下步骤：提取训练样本的梯度向量直方图HOG特征向量的各种特征，根据所述训练样本的HOG特征向量的各种特征与加性交叉核函数构造支持向量机SVM分类器；获取采样图像中候选样本的HOG特征向量的各种特征；根据所述SVM分类器对所述样本的HOG特征向量的各种特征进行识别以得到流量检测结果。2.如权利要求1所述的流量检测的方法，其特征在于，所述提取训练样本的梯度向量直方图HOG特征向量的各种特征，根据所述训练样本的HOG特征向量的各种特征与加性交叉核函数构造支持向量机SVM分类器的步骤包括：将训练样本分割成数份训练小样本，分别提取每个所述训练小样本的HOG特征向量的各种特征；根据每个所述训练小样本的HOG特征向量的各种特征与加性交叉核函数构造出数份不同的SVM分类器模型；从每份不同的SVM分类器模型中选择最优SVM分类器模型，将数份选择出的最优SVM分类器模型组合形成最终的SVM分类器。3.如权利要求1所述的流量检测的方法，其特征在于，所述训练样本的梯度向量直方图HOG特征向量的各种特征包括HOG特征、颜色特征和条形特征，所述获取采样图像中候选样本的梯度向量直方图HOG特征向量的HOG特征的步骤包括：对所述采样图像进行灰度化，对灰度化的图像采用Gamma校正法对图像进行颜色空间归一化；对校正后的图像候选样本利用HOG特征提取计算出每个像素点的水平梯度和竖直梯度，以捕获图像；将所捕获图像分成若干cells，每个cell形成各自的各种特征，对每个cell的梯度向量直方图进行规定权重的投影，将一定数的cell组成一个block,一个block内的所有cell特征串联起来形成一个block的特征；对有投影重叠的每一个block内cell进行颜色空间归一化；将图像内的所有block的HOG特征向量组合得到候选样本HOG特征向量的边缘特征。4.如权利要求4所述的流量检测的方法，其特征在于，所述训练样本的梯度向量直方图HOG特征向量的各种特征包括HOG特征、颜色特征和条形特征，所述获取采样图像中候选样本的梯度向量直方图HOG特征向量的条形特征的步骤包括：对所述采样图像进行灰度化；对灰度化的图像采用Gamma校正法对图像进行颜色空间归一化；对校正后的图像候选样本利用HOG特征提取进行二阶梯度计算得到每个像素点的条形特征。5.如权利要求1所述的流量检测的方法，其特征在于，所述训练样本的梯度向量直方图HOG特征向量的各种特征包括HOG特征、颜色特征和条形特征，所述获取采样图像中候选样本的梯度向量直方图HOG特征向量的颜色特征的步骤包括：将采样图像的RGB模型转换成HSI模型，其中HSI模型中候选样本的颜色直方图HOC包括候选样本HOG特征向量的色调及饱和度参数的特征；从候选样本的HOC中获取候选样本HOG特征向量的色调及饱和度参数的特征。6.如权利要求1所述的流量检测的方法，其特征在于，其中，所述SVM分类器利用如下决策函数对所述候选样本的HOG特征向量的各种特征进行识别以得到流量检测结果，所述决策函数为：其中，sgn()为符号函数，x为训练样本，y为候选样本，样本点(xi，yj)，K(xi，yj)为核函数，样本类...

【专利技术属性】
技术研发人员：胡建国，林培祥，晏斌，黄家诚，邓成谦，李凯祥，
申请(专利权)人：广东顺德中山大学卡内基梅隆大学国际联合研究院，中山大学，
类型：发明
国别省市：广东,44