室外监控场景下人头识别检测方法、系统、终端及介质技术方案

本发明专利技术提供了一种室外监控场景下人头识别检测方法及系统，包括：获取室外的行人视频；对获取的行人视频进行预处理，得到处理后的行人视频；构建预训练的人头识别模型，并利用预训练的人头识别模型：对处理后的行人视频进行高分辨率视频重建，得到重建后的行人视频；对重建后的行人视频进行分块，得到多个视频块；对得到的多个视频块分别进行人头特征提取；对提取的人头特征进行处理，获取当前视频帧的人头识别框；利用获取的人头识别框进行人头跟踪；对跟踪到的人头进行数量统计，得到当前场景内的人头数量，完成室外监控场景下人头识别检测。本发明专利技术基于机器视觉，能够有效对低分辨率下的行人进行人头检测，提高整个系统的检测准确率。准确率。准确率。

【技术实现步骤摘要】
室外监控场景下人头识别检测方法、系统、终端及介质


[0001]本专利技术涉及室外人头识别监控
，具体地，涉及一种基于机器视觉的室外监控场景下人头识别检测方法、系统、终端及介质。

技术介绍

[0002]人头识别是智能城市管理中用于预测群体事件的重要技术，能够实时统计当前的人流密度并全面掌握其变化规律，及时进行预警，极大地降低人力成本，有效提高管理者的监控和研判能力。人头识别统计技术涉及到视频解析、人工智能以及电子信息等学科领域。
[0003]传统的人头识别统计算法主要分为两个部分：人头检测和人头跟踪。在监控摄像头固定的情况下，人头检测主要是将通过检测行人的头部特征将人从背景中分割出来；为了达到更好的统计效果，会对当前观察区域内检测到的行人进行跟踪，以此避免重复统计人头数量。
[0004]但是，在室外情况下，监控摄像头安装的位置较高，摄像头摄取画面的分辨率一般比较低，尤其当监测场景比较拥挤时，需要检测的人头分辨率更低。如图1所示，传统的人头检测方案，包括有：摄像头采集模块、前景提取模块、候选人头提取模块、人头分类模块、人头跟踪模块、色域调节模块、人头特征提取模块和人头模型模块，可以看到基于有监督机制的分类算法如果不进行分辨率的提升，检测准确率较低，满足不了测试的要求。
[0005]为了提高行人检测的准确性，会采用基于深度学习的方法，譬如：Faster
‑
RCNN来进行人头检测，但是这种深度学习的方法需要的硬件成本高，不易在本地监控摄像头端进行实时处理，一般都是回传到云平台进行处理，导致整个监控系统的造价昂贵，不利于进行大规模的推广。
[0006]经过检索发现：
[0007]申请号为202010459551.X的中国专利技术专利申请《一种基于机器视觉的安检人流量实时监控系统及方法》，在后台图像预处理模块中，主要是通过光照强度以及合理设定阈值来进行图像的帧抽样，以便于获得合理的图像，通过人流量的检测来达到合理疏散或者开关安检口，有效帮助机场工作人员及时了解安检口人流量的情况；通过合理疏散以及开关安检口等方法提升安检效率，同时也可以节省旅客安检时间。但是该技术在人群拥挤情况下，由于人头分辨率较低，无法进行准确的人头识别。
[0008]申请号为201710104613.3的中国专利技术专利申请《基于机器视觉与双目协同技术的教室人数检测方法及系统》，对获取的教室左右不同视角视频图像数据采用高斯滤波掩模模板与灰度图像卷积，平滑滤波，达到抑制噪声与弱化背景信息，增强人物轮廓的效果，之后再采用传统的超分重建算法来获取不同分辨率的图像进行人头检测。但是该技术仅针对室内，不适用于光线恶劣的室外检测。
[0009]申请号为201611235768.2的中国专利技术专利申请《基于人头检测的视频静态人数统计方法、装置及介质》，通过人头部的颜色特征和类似椭圆特征,基于光流法并采用三帧差分法能够比较准确的检测出每一帧图像中的行人的头部轮廓，进而获取人头信息。但是该
技术检测帧频较慢，不易于进行实时的人头检测。
[0010]综上所述，包括上述专利技术在内的现有技术，仍然存在当人头分辨率较低、外部环境复杂时，无法进行准确、快速人头识别的问题，目前没有发现同本专利技术类似技术的说明或报道，也尚未收集到国内外类似的资料。

技术实现思路

[0011]本专利技术针对现有技术中存在的上述不足，提供了一种基于机器视觉的室外监控场景下人头识别检测方法、系统、终端及介质。
[0012]根据本专利技术的一个方面，提供了一种室外监控场景下人头识别检测方法，包括：
[0013]获取室外的行人视频；
[0014]对获取的所述行人视频进行预处理，得到处理后的行人视频；
[0015]构建预训练的人头识别模型，并利用所述预训练的人头识别模型进行如下步骤：
[0016]‑
对所述处理后的行人视频进行高分辨率视频重建，得到重建后的行人视频；
[0017]‑
对所述重建后的行人视频进行分块，得到多个视频块；
[0018]‑
对得到的多个所述视频块分别进行人头特征提取；
[0019]‑
对提取的所述人头特征进行处理，获取当前视频帧的人头识别框；
[0020]利用获取的所述人头识别框进行人头跟踪；
[0021]对跟踪到的所述人头进行数量统计，得到当前场景内的人头数量，完成室外监控场景下人头识别检测。
[0022]优选地，所述获取室外的行人视频，包括：
[0023]通过摄像头对获取室外的行人视频信号进行采集，得到视频源Image(S)。
[0024]优选地，所述预处理，包括：
[0025]对获取的所述行人视频的视频源Image(S)进行白平衡和色域调节处理；
[0026]对处理后的视频依次进行前景提取和所在行人部件提取。
[0027]优选地，所述对获取的所述行人视频进行白平衡和色域调节处理，包括：
[0028]针对获取的所述行人视频，分别离线计算所述行人视频的RGB三个通道的像素均值R
ave
、G
ave
和B
ave
以及RGB三个通道的增益数值K
R
、K
G
和K
B
；
[0029]将RGB三个通道的像素均值R
ave
、G
ave
和B
ave
和RGB三个通道的增益数值K
R
、K
G
和K
B
对应相乘，得到RGB三个通道的增益像素值：
[0030]R＝K
R
×
R
ave
；
[0031]G＝K
G
×
G
ave
；
[0032]B＝K
B
×
B
ave
；
[0033]此时，视频源Image(S)的视频流变为Im age(R,G,B)，完成白平衡处理；
[0034]将所述视频流Im age(R,G,B)进行色域调节，变为Im age Re(R,G,B)，完成色域调节处理。
[0035]优选地，所述对处理后的视频依次进行前景提取和所在行人部件提取，包括：
[0036]利用帧间关系和光流算法相结合的方法，获得处理后视频的前景视频帧Im ageRe(R,G,B,i)；其中，i为表示视频流中帧序号；
[0037]利用腐蚀和膨胀的方法，初步删除所述前景视频帧Im age Re(R,G,B,i)中无用的
不存在人头的部分，即得到所在行人部件Im ageSize(R,G,B,i)。
[0038]优选地，所述构建预训练的人头识别模型，包括：
[0039]获取室外监控下的人头样本，将人头样本的分辨率分别设置为14
×
14、28
×
28和本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种室外监控场景下人头识别检测方法，其特征在于，包括：获取室外的行人视频；对获取的所述行人视频进行预处理，得到处理后的行人视频；构建预训练的人头识别模型，并利用所述预训练的人头识别模型进行如下步骤：
‑
对所述处理后的行人视频进行高分辨率视频重建，得到重建后的行人视频；
‑
对所述重建后的行人视频进行分块，得到多个视频块；
‑
对得到的多个所述视频块分别进行人头特征提取；
‑
对提取的所述人头特征进行处理，获取当前视频帧的人头识别框；利用获取的所述人头识别框进行人头跟踪；对跟踪到的所述人头进行数量统计，得到当前场景内的人头数量，完成室外监控场景下人头识别检测。2.根据权利要求1所述的室外监控场景下人头识别检测方法，其特征在于，所述获取室外的行人视频，包括：通过摄像头对获取室外的行人视频信号进行采集，得到视频源Image(S)。3.根据权利要求1所述的室外监控场景下人头识别检测方法，其特征在于，所述预处理，包括：对获取的所述行人视频的视频源Image(S)进行白平衡和色域调节处理；对处理后的视频依次进行前景提取和所在行人部件提取；其中：所述对获取的所述行人视频进行白平衡和色域调节处理，包括：针对获取的所述行人视频，分别离线计算所述行人视频的RGB三个通道的像素均值R
ave
、G
ave
和B
ave
以及RGB三个通道的增益数值K
R
、K
G
和K
B
；将RGB三个通道的像素均值R
ave
、G
ave
和B
ave
和RGB三个通道的增益数值K
R
、K
G
和K
B
对应相乘，得到RGB三个通道的增益像素值：R＝K
R
×
R
ave
；G＝K
G
×
G
ave
；B＝K
B
×
B
ave
；此时，视频源Image(S)的视频流变为Image(R，G，B)，完成白平衡处理；将所述视频流Image(R，G，B)进行色域调节，变为ImageRe(R，G，B)，完成色域调节处理；所述对处理后的视频依次进行前景提取和所在行人部件提取，包括：利用帧间关系和光流算法相结合的方法，获得处理后视频的前景视频帧ImageRe(R，G，B，i)；其中，i为表示视频流中帧序号；利用腐蚀和膨胀的方法，初步删除所述前景视频帧ImageRe(R，G，B，i)中无用的不存在人头的部分，即得到所在行人部件ImageSize(R，G，B，i)。4.根据权利要求1所述的室外监控场景下人头识别检测方法，其特征在于，所述构建预训练的人头识别模型，包括：获取人头样本，并将人头样本的分辨率分别设置为14
×
14、28
×
28和36
×
36，并将这些样本分别归类整理为人头正样本集和人头负样本集其中，k
+
为人头正样本集中
的人头样本数量，k
‑
为人头负样本集中的人头样本数量；对人头正样本集中分辨率为14
×
14、28
×
28和36
×
36的人头样本分别放大n倍分辨率，即得到样本集S
r
{K
+
}：其中，为人头正样本集；采用基于局部惩罚系数的稀疏表示来对样本集S
r
{K
+
}进行超高分辨率重建，其重建方法为：其中，X表示预估值，Y表示最优值，B表示模糊矩阵，S表示上采样矩阵，X
o
表示初始图象值，λ表示局部惩罚的正则化参数，用于改进重建图像的鲁棒性；重复上述重建方法，直至达到视觉清晰度要求；将超分重建后的样本集S
r
{K
+
}分为多个区域块，采用自适应滑窗提取方法提取不同区域块的Centrist LBP算子，获取基于纹理特征的结果：LBP算子，获取基于纹理特征的结果：其中，Fe(LBP)为基于Centrist LBP算子编码以后的结果，δ(g0，g
i
)为区域块灰阶与非像素中心灰阶比较结果，g0，为区域块中心像素灰阶，g
i
为区域块非中心像素灰阶，i表示非中心像素编号；利用Centrist LBP算子，对人头正样本集和人头负样本集中的样本采用SVM模型进行训练，提取粗粒度人头特征，构建得到初级人头特征提取模型；采用自适应滑窗提取方法对提取到的所述粗粒度人头特征进行Hough特征变换，获得Hough特征数；利用获得的所述Hough特征数对...

【专利技术属性】
技术研发人员：王安，陆磊，曹箫洪，
申请(专利权)人：上海飞乐音响股份有限公司，
类型：发明
国别省市：