一种基于改进的LBP算子的人群计数方法技术

本发明专利技术公开一种基于改进的LBP算子的人群计数方法，采用基于圆形领域的自适应尺度的旋转不变等价模式的ASLBP算子描述图像的局部纹理特征实现人群计数。采用基于透视归一化图的自适应分块方案，对块提取旋转等价不变的LBP特征算子，特征提取中用灰度变化度确定自适应半径，根据半径确定采样频率，最后对块的归一化的特征描述符，联合BOF特征袋模型，形成场景的特征描述向量；最后用SVR支持向量回归机对图像的特征和场景中的人数之间的映射关系进行回归学习，用训练得到的模型对未知的图像中的人数进行预测。本方法具有良好的实时性，较好的准确度。可用于安防监控等领域。

【技术实现步骤摘要】

本专利技术涉及视频人群分析
，更具体地，涉及一种基于改进的LBP算子的人群计数方法。
技术介绍
2010年德国Love Parade音乐节的踩踏事件，导致21人遇难，超过500人受伤。2015年12月31日中国上海市黄浦区外滩在群众自发进行的迎新年活动中发生踩踏事件，大致35人遇难，42人受伤。人口增长所引发社会安全问题受到了越来越多的关注。在监控安防领域中，及时的掌握公共场所人群的动态信息根据这些信息进行有效的疏通和调度变得愈发重要。早期的视频监控采用人工观察的方法，这种方法不仅费时，繁琐无聊，容易出现错漏，而且还要消耗大量的人力物力。人群视频分析是对人群的动态信息进行建模和分析的一种技术。在这门技术运用中热门的一个问题就是对人群中人数和整个人群的密度估计。虽然有很多针对这个问题的解决方案，但是实时性能好，准确率高的算法还是比较少的。人群计数和密度估计：人群计数的算法大致可以分为两大类：1)基于检测的方法，对视频进行分割和检测每一个行人，得到人数。)2基于特征的方法：先提取出视频中图像的特征，用回归的方法学习到特征和人数之间的映射关系。本申请中采用的方法属于后者。LBP特征描述子：LBP(local Binary Pattern)特征是Ojala教授在1994年提出的一种用来描述图像局部纹理特征的算子。LBP是一种具有计算简便、分辨能力强、灰度不变性等显著优势的算子，但它却不能满足不同的尺度、不同的采样频率纹理描述的需求。为了解决这个问题，Ojala等对基础的LBP特征算子进行了改进，并提出了多尺度的LBP特征、旋转不变的纹理特征、等价模式的LBP特征。基础的LBP特征描述子：基础的LBP特征描述子，是基于矩形的3*3领域窗口，取窗口中心像素的灰度值为阈值，将周围像素的灰度值与该阈值进行比较，若大于(等于)中心像素的灰度值，则记为0，否则记为0，这样按顺时针方向就得到了一个8位的二进制串，这个二进制串就是该窗口的LBP的值，如图1所示。 LBP p = Σ i = 0 P - 1 s ( g i - g c ) 2 i ]]> s ( x ) = 1 , x < 0 0 , x > 0 ]]>多尺度的LBP算子：然而，基础LBP算子仅能覆盖一个固定的半径范围的一个小领域，不能满足不同尺度的需求。2002年，Ojala等将3*3邻域扩展到任意邻域，并用圆形邻域替代矩形区域，进而得到半径为R的圆形邻域内含有P个采样点(xp,yp),p∈P为： x p = x c + R c o s ( 2 π p / P ) y p = y c + R c o s ( 2 π p / P ) ]]>其中R为圆形邻域半径，P为采样点的个数。常见的图形区域算子如图2所示。旋转不变的LBP特征算子：当确定了P、R的取值以及获取二进制串的起始位置，算子就有2P种输出值，也就是2P种二进制模式。然而当获取二进制的起始位置发生改变或者当图像经过一定角度的旋转操作后，对于同样的场景信息LBP值将会发生改变。为了解决这个问题，Ojala等人对LBP算子做了改进，提出了下面的定义: LBP P , R r i = m i n ( R O R ( LBP P R , i ) | i = 0 , 1 , ... , P - 1 ) ]]>其中，为旋转不变的LBP算子，为对二进制模式按位右移i为的结果。由上面的公式可知，一个的值对应多个不同的而这些多个不同的值都是由同一个二进制模式经过旋转得到。等价模式的LBP特征算子：显然，旋转不变的LBP特征算子的引入，使得特征的维数大幅度降低，比如当P为8时，LBP特征将由原来的256维的特征降低为32维的特征。因为算子分布在32中模式下的频率差异比较大，因此在旋转不变的基础上，Ojala等提出了等价模式的LBP特征。Ojala等通过对LBP算子处理图像的特点的研究，发现纹理特征最基本的属性能够用一些特定的LBP模式来代表，且在对图本文档来自技高网...

【技术保护点】
一种基于改进的LBP算子的人群计数方法，其特征在于，包括以下步骤：S1：采集用于回归模型训练的训练图像集；S2：提取训练图像集中每幅图像的ASLBP特征向量，提取的步骤包括：(1)对图像采用基于摄像头透视关系的场景自适应分块处理，将场景划分成子图像块；(2)用灰度变化度确定圆形区域的自适应半径，根据半径确定采样像素点数目；(3)对于每个子图像块，采用自适应尺度的旋转不变等价模式的ASLBP特征算子提取场景信息，形成ASLBP特征直方图；(4)对于每个子图像块的ASLBP特征直方图采用归一化处理；(5)对归一化后特征描述符，联合特征袋模型的BOF，形成特征描述向量Flbp；S3：回归模型的训练：对于训练图像集，视每一幅图像得到的特征描述向量Flbp为一个训练样本数据Xi，相应场景的实际人数为当前标签yi，构建样本数据库并获得回归模型SVRmodel；S4：回归模型的估计：对于待估计的图像，提取其场景特征描述向量Flbp，采用SVRmodel进行估计，得到当前场景的人数npeople。

【技术特征摘要】
1.一种基于改进的LBP算子的人群计数方法，其特征在于，包括以下步骤：S1：采集用于回归模型训练的训练图像集；S2：提取训练图像集中每幅图像的ASLBP特征向量，提取的步骤包括：(1)对图像采用基于摄像头透视关系的场景自适应分块处理，将场景划分成子图像块；(2)用灰度变化度确定圆形区域的自适应半径，根据半径确定采样像素点数目；(3)对于每个子图像块，采用自适应尺度的旋转不变等价模式的ASLBP特征算子提取场景信息，形成ASLBP特征直方图；(4)对于每个子图像块的ASLBP特征直方图采用归一化处理；(5)对归一化后特征描述符，联合特征袋模型的BOF，形成特征描述向量Flbp；S3：回归模型的训练：对于训练图像集，视每一幅图像得到的特征描述向量Flbp为一个训练样本数据Xi，相应场景的实际人数为当前标签yi，构建样本数据库并获得回归模型SVRmodel；S4：回归模型的估计：对于待估计的图像，提取其场景特征描述向量Flbp，采用SVRmodel进行估计，得到当前场景的人数npeople。2.根据权利要求1所述的基于改进的LBP算子的人群计数方法，其特征在于，步骤S2中，对图像采用基于摄像头透视关系的场景自适应分块处理的具体过程为：计算透视归一化图，得到整个场景的权重差diff_w＝wH-w1，其中w1是深度为1时的图像加权值，wH为深度是H时的像素加权值；将权重差diff_w等分为N份来得到自适应的尺度，N为正整数，从深度为1开始，权重值每增加diff_w/N为一层，并设定相应所增加的深度为此层子图像块的高度，每层子图像的高与宽是一样的，将整个场景划分为五层子图像块；对于每个层次最后剩余的不完整的子图像块，做如下的判定： S = 1 , S r e s / S p a t c h ≥ 1 / 2 0 , S r e s / S p a t c h < 1 ...

【专利技术属性】
技术研发人员：纪庆革，冷绵绵，印鉴，
申请(专利权)人：中山大学，广州智海纵横信息科技有限公司，广州中大南沙科技创新产业园有限公司，
类型：发明
国别省市：广东;44