基于启发信息的行人流量统计方法技术

本发明专利技术涉及一种基于启发信息的行人流量统计方法。本发明专利技术首先在输入视频的第一帧图像中的任意位置设定一个虚拟门；然后采用混合高斯背景建模方法分割前景，并对结果后处理，去除噪声；接着，将原图转换到HSV空间，去除前景中的阴影部分；在学习阶段，采用基于梯度方向直方图的方法进行行人检测，并将若干检测结果通过最小二乘法拟合成直线后，作为启发信息确定虚拟门上各点与其所在位置行人模型的前景点象素总数的比值，来为每个点赋予权重；在计数阶段，采用稀疏光流LK算法对门上的点进行运动补偿，确定运动矢量的大小和方向，并通过累加这些具有权重的、经过运动补偿了的前景点以达到行人流量统计的目的。本发明专利技术复杂度低、计数精度高。

【技术实现步骤摘要】

本专利技术属于智能视频监控领域，具体涉及一种。
技术介绍
行人流量统计就是统计某个时间段内进出某一通道的人数。从不同的角度分类， 行人流量统计系统有多种类型。按照所选硬件平台的不同，可分为接触式(如旋转门)，传感器式(如激光束)，和基于视觉式(如摄像机)系统。按照摄像机安放位置的不同，可分为基于垂直摄像和基于倾斜摄像的系统。按照摄像机是否被标定，可分为相机标定式和相机未标定式系统。接触式和传感器式系统容易造成出入口的拥堵，且计数精度较差；基于垂直摄像的系统虽然计数精度高，算法简单，但它只能从顶之下获取行人的部分信息，出于安全监控考虑，我们需要保留行人的其它信息(如面部特征，衣着特征等)，而且当今监控摄像头以倾斜摄像为主；相机标定式系统需要寻求相机本身的标定系数，不具有普适性。因此，综合考虑各方面因素，当今多数行人流量统计系统是相机未标定、基于倾斜摄像的。近年来，已有一些研究工作在这方面开展，可参考Chan等人的文献(A. B. Chan, Ζ. S. J. Liang, and N. Vasconcelos, “Privacy Preserving Crowd Monitoring: Counting People without People Models or Tracking, ，， In IEEE Conference on Computer Vision and Pattern Recognition (CVPR), Anchorage, June 2008)。总的来说，可将所采用的算法大体分为三类。基于行人检测跟踪的方法。首先分割前景，然后采用匹配搜索的方法检测行人或行人的一部分(人脸，人头，头肩，上身等)，最后对检测的结果进行跟踪，一条有效的跟踪轨迹代表一个行人。此类方法中的两个核心技术——行人检测和运动目标跟踪，在视频监控领域本身就是两类技术难题，算法的复杂度较高，这为计数系统的实时性能带来了考验。基于特征点轨迹聚类的方法。首先提取某些利于跟踪的特征点，例如角点，然后对这些特征点逐帧跟踪，形成特征轨迹，最后将具有相似性特征的轨迹聚类，一个类代表一个行人。此类方法要求统计的运动目标需具同一性，且需要寻求一种较好的聚类方法。基于低层特征回归的方法。首先分割前景，然后提取前景区域中的低层特征(面积，周长，边缘，边缘方向，纹理等)，形成一个若干维的特征向量，最后通过某种回归函数来确定特征向量与人数之间的对应关系。此类方法无需进行行人检测和跟踪，但是对前景分割结果的依赖性较大，且一般情况下需要对大量特定场景的样本进行标注训练，缺乏通用性。
技术实现思路
本专利技术的目的主要是针对现有的行人流量统计系统很难在满足计数精度的前提下，达到较好的实时性，而提供一种算法复杂度低、有较好精度的方法，实现对一般场景中的行人流量统计。本专利技术方法步骤如下步骤(1)获取输入视频的第一帧图像，在该图像任意位置设定一个虚拟门。步骤( 采用混合高斯背景建模方法，将前景区域从背景中分割出来，并对得到的前景区域进行后处理，后处理主要包括以下步骤1)采用形态学腐蚀和膨胀方法去除噪声；2)分析前景点的连通性，去除小于某个阈值的连通区域。步骤(3)将原图转换到HSV空间后，去除前景区域的阴影部分。步骤学习阶段。包括以下步骤1)采用基于梯度方向直方图的方法进行行人检测；2)利用检测出的行人的外接矩形中心的纵坐标和矩形框内的前景点象素总数来构成行人模型，并将若干个行人模型通过最小二乘法拟合成直线，形成启发信息；3)通过启发信息，确定虚拟门上各点与其所在位置行人模型中的前景点象素总数的比值，来为每个点赋予权重。步骤(5)计数阶段。包括以下步骤1)采用稀疏光流LK算法对门上的点进行运动补偿。包括如下步骤 a由稀疏光流LK算法确定的相角与虚拟门方向之间的夹角确定运动矢量方向； b由稀疏光流LK算法确定的幅值与运动矢量方向的正弦值确定运动矢量大小。2)统计门上各个前景点的个数并获得其信息，包括权重、运动矢量的大小和方向。 通过补偿后的前景点的加权和来统计行人流量。本专利技术是基于低层特征回归方法的一个变种，不同于传统依赖检测、跟踪或是特征点聚类方法具有较高的算法复杂度，本专利技术主要复杂度集中在行人检测，学习阶段完成后，在计数阶段即可达到实时计数的效果。对来自CAVIAR Test Case kenarios公开数据库中的几个视频进行测试，能够达到85%以上的计数精度。附图说明图1是一幅流程框图，表示了本专利技术的整个过程。图2是虚拟门设置的一幅示例图。图3 (a)是一帧原始图像。图3(b)是利用混合高斯背景建模方法，并进行后处理的前景分割示例图。图3(c)是在图3(b)的基础上去除阴影后的效果图。图4是利用梯度方向直方图方法检测出的行人。图5是通过最小二乘法将6个行人模型拟合后得到的直线。具体实施例方式以下将参考附图详细介绍本专利技术的实施例。图1是一个流程框图，表示了本专利技术基于启发信息的行人流量统计系统方法的流程图。本方法处理的视频可以针对多种视频编码格式，例如MPG、FLV等，只要能将该格式的视频转换为XviD编码的AVI格式视频即可。在此实施例中假定输入的视频已经是XviD编码后的AVI格式了。虚拟门设置是计数系统运行前必不可少的一步。首先获取输入视频的第一帧图像，在该图像任意位置设定一个虚拟门。这里所谓的虚拟门实际上是人为确定的、处于图像任意位置的一条直线。在画虚拟门时，用户只需要确定其两个端点，系统将会自动采用 Bresenham算法绘制直线。虚拟门可以认为是手工设置的一个感兴趣区域，后续步骤都将围绕它展开。虚拟门的长短和方向设定是任意的，但是在一般情况下，为了计数的准确性，在设置虚拟门时，应使其落在视觉的地平面上并且与行人大体运动方向垂直。虚拟门示例图如图2。两个端点坐标值分别为(70，178)和(四0，178)。前景分割(即运动区域检测)结果的好坏直接影响到最终的统计结果，因为人流的数量是通过累加虚拟门上的前景点而获得的。本实施例采用Gauffer等人设计的混合高斯背景模型(C. Stauffer, W. E. L. Grimson. Adaptive background mixture models for real-time tracking, 〃 Computer Vision and Pattern Recognition, IEEE Computer Society Conference on, Vol. 2 (06 August 1999)，pp. 246-252)来获取前景。此方法用N个高斯分布模型来一同描述背景像素的分布规律。实施例中几个关键变量设置为高斯分布个数 N=4，背景比例 T=O. 7，学习速率 Alpha=max (0. 001, l/framelndex) (framelndex 为帧的索引值)，学习速率Beta=max (Alpha, l/framelndex)，匹配阈值Lambda=2. 5，初始权重^iitWfeight=O. 05，初始方差^ιΗ θ1 ει=320。为了使结果更精确，需要进行后处理。首先利用形态学方法，先腐蚀后膨胀，去除前景及背景中的噪声点，然后分析连通性(这里的连通性指的是某个象本文档来自技高网...

【技术保护点】
１．基于启发信息的行人流量统计方法，其特征在于该方法包括以下步骤：（１）获取输入视频的第一帧图像，在该图像任意位置设定一个虚拟门；（２）采用混合高斯背景建模方法，将前景区域从背景中分割出来，并对前景进行后处理；（３）将原图转换到ＨＳＶ空间后，去除前景区域的阴影部分；（４）学习阶段，包括以下步骤：４－１采用基于梯度方向直方图的方法进行行人检测；４－２通过检测结果形成启发信息；４－３为虚拟门上的每个点赋予权重；（５）计数阶段，包括以下步骤：５－１采用稀疏光流ＬＫ算法对门上的点进行运动补偿；５－２通过补偿后的前景点的加权和来统计行人流量。

【技术特征摘要】
1.基于启发信息的行人流量统计方法，其特征在于该方法包括以下步骤(1)获取输入视频的第一帧图像，在该图像任意位置设定一个虚拟门；(2)采用混合高斯背景建模方法，将前景区域从背景中分割出来，并对前景进行后处理；(3)将原图转换到HSV空间后，去除前景区域的阴影部分；(4)学习阶段，包括以下步骤4-1采用基于梯度方向直方图的方法进行行人检测； 4-2通过检测结果形成启发信息；4-3为虚拟门上的每个点赋予权重；(5)计数阶段，包括以下步骤5-1采用稀疏光流LK算法对门上的点进行运动补偿； 5-2通过补偿后的前景点的加权和来统计行人流量。2.如权利要求1所述的方法，其特征在于步骤4-2中所述的通过检测结果形成启发信息是采用最小二乘法将若干个行人模型拟合后形成一条直线。3....

【专利技术属性】
技术研发人员：陆蓓，姚金良，汪澄，王小华，谌志群，王荣波，吴海虹，王大全，
申请(专利权)人：杭州电子科技大学，
类型：发明
国别省市：86