【技术实现步骤摘要】
本专利技术涉及行人跟踪智能处理，尤其涉及一种基于机器视觉的行人跟踪以及人流检测算法方法。
技术介绍
1、随着经济的迅速发展，人们的消费水平以及对美好生活的向往需求越来越大，公共场合的人流量也变得越多，比如火车站、机场、医院、学校以及大型商超等等。高密度的人群聚集和流动带来了监控产业的迅速发展，确保不会出现巨大的安全问题。而公共场所的监控设备每天都获取了大量的数据，如果是由工作人员来应对海量视频数据需要极大的成本，对人群和突发事件等数据的分析效率也较低。
2、为有效应对公共场所潜在的安全隐患和人力维护的局限性，对关键区域的人群流动和聚集情况进行视频监控和预警显得尤为重要。对关键区域的行人进行检测是当前机器视觉监控的研究热点问题，为了提高行人数据监测的精度，提高人流跟踪和监测的效率；我们提出一种基于机器视觉的快速的对行人跟踪以及人流检测算法方法。
技术实现思路
1、本专利技术的目的是针对
技术介绍
中存在的场所监控不能快速的目标行人进行定位、识别和跟踪，人工监测效率低等的问题，提出一种基于机器视觉的能欧快速的对监控视频中行人定位、识别和跟踪的行人跟踪以及人流检测算法方法。
2、本专利技术的技术方案：一种基于机器视觉的行人跟踪以及人流检测算法方法，包括深度卷积神经网络模型、特征金字塔模块，所述算法实现的具体步骤为：
3、步骤一：采集视频终端实时的人脸数据，并对采集的人脸数据进行处理和人识别分类，并同步至数据库；
4、步骤二：识别的图片输入至深度
5、步骤三：设计深度卷积神经网络模型的锚框，并选择适当的锚框用于滑动定位人脸位置，进行识别对比；
6、步骤四：深度卷积神经网络模型输入特征金字塔模块，对输入特征提取，用于不同尺度的输入的信息特征融合，兼顾语义信息和图像细节，对人脸目标信息检测利用；
7、步骤五：利用损失函数对正负样本不平衡的问题解决；
8、步骤六：将采集到的人脸数据输入构建完成的深度卷积神经网络模型获得目标检测结果，对接上端公共网络用于实时获取人脸数据对照；
9、步骤七：深度卷积神经网络模型采集实时视频中的每一帧图像，输入deep-sort算法进行行人追踪；使用卡尔曼滤波结合行人当前位置预测行人下一步的位置和信息；
10、步骤八：利用匈牙利算法将上一步预测的目标和检测到的目标进行关联，并对下一步见到的行人与之前的轨迹进行匹配；
11、步骤九：结合行人人脸识别和行人追踪算法对行人流量检测，排除无关背景。
12、优选的，所述步骤一数据库同步前采集的人脸数据进行预处理，预处理包括图像增强技术，对采集的人脸数据图片采用高斯噪音，用于增加图片亮度扩容样本。
13、优选的，所述步骤三设计深度卷积神经网络模型的锚框采用k-means算法进行聚类操作，具体方法为：
14、(1)：从数据集中随机选取一个点作为初始聚类的中心，中心点为c＝{c1,c2,....,ck}；
15、(2)：针对数据集中每个样本xi，计算它们到各个聚类中心点的距离，到哪个聚类中心点的距离最小，就将其划分到对应聚类中心的类中；
16、(3)：针对每个类，重新计算该类别的聚类中心(其中|i|表示的是该类别数据的总个数)；
17、(4)：重复(2)和(3)，直到聚类中心的位置不再发生变化。
18、优选的，所述特征金字塔模块为深度卷积神经网络主干网络，由vgg-16替换为深度残差网络模块resnet-50；所述特征金字塔模块用于对不同特征图的特征信息进行融合，将resnet-50上采样的图片生成不同的纹理图，与原上采样前一层的特征图特征融合，用于拥有高级语义和保留细节信息。
19、优选的，所述步骤五采用focal loss函数，focal loss函数公式如下：
20、
21、其中α是平衡正样本和负样本的权重系数；若有许多负样本，则取较小的值；用于控制易于分类的样本和难以分类的样本在损失中的权重；
22、当样本分类错误时，pt的值较小，对样本的损失小。
23、优选的，所述步骤七中利用卡尔曼滤波引入离散过程控制系统，具体方程为：
24、系统状态方程：xk＝axk-1+buk+wk；
25、系统观测方程：zk＝hxk+vk；
26、其中xk和xk-1分别是k和k-1时刻的系统状态矩阵；uk则表示k时刻对系统的控制矩阵；a和b是相关状态的系统转移矩阵；wk表示过程噪音；vk表示观测噪音；zk表示k是个观测矩阵，h为系统观测矩阵；
27、状态预测方程为：xkk-1＝axk-1k-1+buk；
28、其中xkk-1表示由前k-1时刻预测得到的k时刻的系统状态；xk-1k-1是k-1时刻的系统最优，对齐进行协方差分析，则可以得到k时刻的状态预测状态xk-1k-1的协方差矩形，表示为：
29、pkk-1＝apk-1k-1at+q；
30、其中pkk-1和pk-1k-1分别为xkk-1和xk-1k-1的协方差矩阵，at表示系统相关状态转移矩阵的转置；
31、状态估计更新步骤为：由zk和xkk-1则可以计算k时刻状态的最优估计，表示为：
32、
33、其中，kk表示状态k的卡尔曼增益矩阵；pkk是k时刻系统状态的协方差更新结果，即k+1时刻的pk-1k-1，用于实现整个kalman滤波器的循环。
34、与现有技术相比，本专利技术具有如下有益的技术效果：
35、1、本专利技术利用机器视觉和视频分析的方法，使计算机对视频中行人目标进行定位、识别和跟踪，降低漏检和误检现象，提高检测的精度和速度；
36、2、本专利技术通过获取视频图像，从视频帧中提取有效的行人运动位置信息，分析行人运动轨迹，并结合预测算法，能预判行人运动趋势，起到人群密度分析、及时预警的作用；
37、3、本专利技术能够快速精准的对监控图像中的目标人物快速的定位、识别和跟踪，在解决公共安防问题中发挥着重要作用，并且检测精度高，速度和效率高，实现安全监控。
本文档来自技高网...【技术保护点】
1.一种基于机器视觉的行人跟踪以及人流检测算法方法，包括深度卷积神经网络模型、特征金字塔模块，其特征在于：所述算法实现的具体步骤为：
2.根据权利要求1所述的一种基于机器视觉的行人跟踪以及人流检测算法方法，其特征在于，所述步骤一数据库同步前采集的人脸数据进行预处理，预处理包括图像增强技术，对采集的人脸数据图片采用高斯噪音，用于增加图片亮度扩容样本。
3.根据权利要求1所述的一种基于机器视觉的行人跟踪以及人流检测算法方法，其特征在于，所述步骤三设计深度卷积神经网络模型的锚框采用K-means算法进行聚类操作，具体方法为：
4.根据权利要求1所述的一种基于机器视觉的行人跟踪以及人流检测算法方法，其特征在于，所述特征金字塔模块为深度卷积神经网络主干网络，由VGG-16替换为深度残差网络模块ResNet-50；所述特征金字塔模块用于对不同特征图的特征信息进行融合，将ResNet-50上采样的图片生成不同的纹理图，与原上采样前一层的特征图特征融合，用于拥有高级语义和保留细节信息。
5.根据权利要求1所述的一种基于机器视觉的行人跟踪以及人流检测
6.根据权利要求1所述的一种基于机器视觉的行人跟踪以及人流检测算法方法，其特征在于，所述步骤七中利用卡尔曼滤波引入离散过程控制系统，具体方程为：
...【技术特征摘要】
1.一种基于机器视觉的行人跟踪以及人流检测算法方法，包括深度卷积神经网络模型、特征金字塔模块，其特征在于：所述算法实现的具体步骤为：
2.根据权利要求1所述的一种基于机器视觉的行人跟踪以及人流检测算法方法，其特征在于，所述步骤一数据库同步前采集的人脸数据进行预处理，预处理包括图像增强技术，对采集的人脸数据图片采用高斯噪音，用于增加图片亮度扩容样本。
3.根据权利要求1所述的一种基于机器视觉的行人跟踪以及人流检测算法方法，其特征在于，所述步骤三设计深度卷积神经网络模型的锚框采用k-means算法进行聚类操作，具体方法为：
4.根据权利要求1所述的一种基于机器视觉的行人跟踪以及人流检测...
【专利技术属性】
技术研发人员：林勇，金钊，方海波，丁吴顺，邵帅，
申请(专利权)人：合肥工业大学，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。