一种多相机联合的大场景人群计数方法技术

本发明专利技术公开了一种多相机联合的大场景人群计数方法，其中，多相机联合的大场景人群计数方法，包括：步骤S1：获得观测场景的底图和监控图像，得到底图和监控图像对应的单应矩阵，将监控图像映射到底图中，构建场景模型；步骤S2：对监控图像进行预处理，经过人群计数神经网络的处理，得到监控图像中所有的人头点包围框的信息，将人头点包围框映射到底图中；步骤S3：根据非极大值抑制算法，对底图中人头点包围框进行筛选，删除重复的人头点包围框，计算人头点包围框的总数量，作为观测场景中人群的总数量。本发明专利技术提供的方法，对大场景多相机的人群计数应用情况有很好的适应性，可以实时得到场景内准确的人群数量。到场景内准确的人群数量。到场景内准确的人群数量。

【技术实现步骤摘要】
一种多相机联合的大场景人群计数方法


[0001]本专利技术属于计算机视觉
，特别涉及了一种多相机联合的大场景人群计数方法。

技术介绍

[0002]随着现代社会中监控相机数量的不断增加，相机间的空间关系变的越来越复杂，监控人员在复杂且监控区域重叠的监控视频数据中准确的统计整个场景中的行人数量是一个很大的挑战。目前，整个监控场景中的人群聚集行为仍然缺乏有效的管理和控制，由于人群拥堵导致人流缓慢，可能会造成严重的群体事件。另一方面，由于监控相机数量的增加和覆盖范围的扩大，传统的由人工对监控内容进行检查和分析变得需要大量的人力资源，费时费力，效率低下，而且不能实时地进行分析处理。
[0003]同时，由于现实场景中监控相机的分布情况复杂，监控区域存在重叠现象，只是导入单个监控相机中的图像，简单统计每个相机中人数进行相加，很难得到整个场景中准确的行人数量。因此现有的方法难以满足大场景多相机的需求，大场景多相机下的人群计数相关任务依然面临极大的挑战。
[0004]因此，如何设计出一种能够准确统计整个场景中多相机下人群数量的方法成为一个亟待解决的问题。

技术实现思路

[0005]为了解决上述技术问题，本专利技术提供一种多相机联合的大场景人群计数方法，对大场景多相机的应用场景有很好的适应性，并可以实现对真实世界的实时模拟，可以实时得到观测场景内准确的人群数量，以及不同监控相机之间的拓扑关系。
[0006]本专利技术技术解决方案为：一种多相机联合的大场景人群计数方法，包括：
[0007]步骤S1：获得观测场景的底图和监控图像，计算得到所述底图和监控图像对应的单应矩阵，将监控图像映射到所述底图中，构建场景模型；
[0008]步骤S2：对监控图像进行预处理，经过人群计数神经网络的处理，得到监控图像中人头点包围框的信息，将所述人头点包围框映射到所述底图中；
[0009]步骤S3：根据非极大值抑制算法，对底图中人头点包围框进行筛选，删除重复的人头点包围框，计算人头点包围框的总数量，作为观测场景中人群的总数量。
[0010]本专利技术与现有技术相比，具有以下优点：
[0011]本专利技术结合场景模型构建和人群计数神经网络，提供了一种基于统一的场景模型的多相机人群计数方法，对大场景多相机的人群计数应用情况有很好的适应性，并可以实现对真实世界的实时模拟，可以实时得到观测场景内准确的人群数量，以及不同监控相机之间的拓扑关系，在智能安防、智慧城市等相关领域发挥重要作用。
附图说明
[0012]图1为本专利技术实施例中一种多相机联合的大场景人群计数方法的流程图；
[0013]图2为本专利技术实施例中一种多相机联合的大场景人群计数方法中步骤S1的流程图；
[0014]图3为本专利技术实施例中一种多相机联合的大场景人群计数方法中的底图、监控图像，以及特征点的示意图；
[0015]图4为本专利技术实施例中一种多相机联合的大场景人群计数方法中步骤S2的流程图；
[0016]图5为本专利技术实施例中一种多相机联合的大场景人群计数方法中人群计数神经网络的结构图；
[0017]图6为本专利技术实施例中一种多相机联合的大场景人群计数方法中步骤S3的流程图；
[0018]图7为本专利技术实施例中一种多相机联合的大场景人群计数方法中场景模型的效果示意图。
具体实施方式
[0019]本专利技术提供了一种多相机联合的大场景人群计数方法，对大场景多相机的应用情况有很好的适应性，并可以实现对真实世界的实时模拟，可以实时得到场景内准确的人群数量。
[0020]为了使本专利技术的目的、技术方案及优点更加清楚，以下通过具体实施，并结合附图，对本专利技术进一步详细说明。
[0021]实施例一
[0022]如图1所示，本专利技术实施例提供的一种多相机联合的大场景人群计数方法，包括下述步骤：
[0023]步骤S1：获得观测场景的底图和监控图像，计算得到所述底图和监控图像对应的单应矩阵，将监控图像映射到所述底图中，构建场景模型；
[0024]步骤S2：对监控图像进行预处理，经过人群计数神经网络的处理，得到监控图像中人头点包围框的信息，将所述人头点包围框映射到所述底图中；
[0025]步骤S3：根据非极大值抑制算法，对底图中人头点包围框进行筛选，删除重复的人头点包围框，计算人头点包围框的总数量，作为观测场景中人群的总数量。
[0026]如图2所示，在一个实施例中，上述步骤S1：获得观测场景的底图和监控图像，计算得到底图和监控图像对应的单应矩阵，将监控图像映射到底图中，构建场景模型，包括：
[0027]步骤S11：获得观测场景的底图和监控图像，分别在底图和监控图像标记对应的特征点对；
[0028]在本步骤中，如图3中左侧的图所示，通过摄像设备获取一张观测场景的顶视图作为观测场景的底图，如图3中右侧的图所示，通过监控相机获取观测场景中的监控图像，并在图3中右侧的底图中标记出至少4对对应的特征点对，用于计算单应矩阵。
[0029]步骤S12：根据特征点对，计算底图和监控图像对应的单应矩阵；
[0030]监控图像上的特征点坐标(u，v)和底图中的特征点坐标(x，y)，根据透视变换中存
在的坐标映射关系，建立一个最小二乘方程如下述公式(1)所示：
[0031][0032]其中h
ij
表示单应矩阵中的未知参数，求解该最小二乘方程使其最小化，得到底图和各个监控图像之间对应的单应矩阵。
[0033]步骤S13：根据单应矩阵，将监控图像的像素的坐标映射到底图中相应的坐标上，构建所述场景模型。
[0034]根据步骤S12得到的底图和各个监控图像之间对应的单应矩阵，将各个监控图像中所有像素的坐标映射到场景底图中，构建场景模型。
[0035]如图4所示，在一个实施例中，上述步骤S2：对监控图像进行预处理，经过人群计数神经网络的处理，得到监控图像中人头点包围框的信息，将人头点包围框映射到所述底图中，包括：
[0036]步骤S21：将监控图像进行调整，以适应人群计数神经网络的输入；
[0037]在本步骤中，需要对各个监控图像进行预处理，调整其尺寸，并将监控图像平均分成M个图像块，以适应人群计数网络的输入。
[0038]步骤S22：将调整过监控图像输入人群计数神经网络，得到监控图像中所有的人头点包围框信息，其中，人头点包围框信息包括：人头点包围框置信度和人头点包围框坐标；
[0039]根据本专利技术的实施例，如图5所示，将处理好的图像输入事先已经训练好的人群计数神经网络，输出得到各个监控图像中所有的人头点包围框信息，其中，人头点包围框信息包括：人头点包围框置信度和人头点包围框坐标。
[0040]步骤S23：根据单应矩阵，将人头点包围框映射到底图中。
[0041]根据步骤S12得到的底图和各个监控图像之间对应的单应矩阵，可通过下述公式(2)和公式(3)，将各个监控图像中的人头本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种多相机联合的大场景人群计数方法，其特征在于，包括：步骤S1：获得观测场景的底图和监控图像，计算得到所述底图和监控图像对应的单应矩阵，将监控图像映射到所述底图中，构建场景模型；步骤S2：对监控图像进行预处理，经过人群计数神经网络的处理，得到监控图像中人头点包围框的信息，将所述人头点包围框映射到所述底图中；步骤S3：根据非极大值抑制算法，对底图中人头点包围框进行筛选，删除重复的人头点包围框，计算人头点包围框的总数量，作为观测场景中人群的总数量。2.根据权利要求1所述的多相机联合的大场景人群计数方法，其特征在于，所述步骤S1：获得观测场景的底图和监控图像，计算得到所述底图和所述监控图像对应的单应矩阵，将所述监控图像映射到所述底图中，构建场景模型，包括：步骤S11：获得观测场景的底图和监控图像，分别在所述底图和所述监控图像标记对应的特征点对；步骤S12：根据所述特征点对，计算所述底图和所述监控图像对应的单应矩阵；步骤S13：根据所述单应矩阵，将所述监控图像的像素的坐标映射到所述底图中相应的坐标上，构建所述场景模型。3.根据权利要求1所述的多相机联合的大场景人群计数方法，其特征在于，所述步骤S2：对所述监控图像进行预处理，经过人群计数神经网络的处理，得到所述监控图像中人头点包围框的信息，将所述人头点包围框映射到所述底图中，包括：步骤S21：将所述监控图像进行调整，以适应所述人群计数神经网络的输入；步骤...

【专利技术属性】
技术研发人员：周忠，张鑫，高松，楚程翔，杨元哲，
申请(专利权)人：北京航空航天大学，
类型：发明
国别省市：