本发明专利技术涉及一种基于深度信息聚类的复杂场景人数统计方法。现有技术一般采用简单的深度图阈值化来实现对人头的检测，这样做虽然简单，计算速度快，但没有完全利用好深度信息，导致人体过于拥挤时性能会下降。本发明专利技术是以双目相机为硬件，在深度信息的基础上，采用了深度信息聚类分割的方法，将复杂场景下的人群进行很好的独立分割，即使在多人拥挤的情况下，也能较好的区分每个人体的位置，然后对每个人体进行跟踪。本发明专利技术利用DENCLUE的聚类方法，充分利用了人体全局的聚类信息，包括深度差，人体先验尺度等，从而可以将人体进行较好的检测和分割，即使在人群拥挤，互相遮挡的复杂环境下也能达到98%以上统计准确率。
【技术实现步骤摘要】
本专利技术属于视频智能监控
，涉及一种。
技术介绍
目前人数统计方法主要有基于红外感应器，基于单目相机和基于双目相机三种不同的硬件。基于红外感应器的人数统计方法主要是利用有人体经过时，会阻断红外信号的接受，从而实现计数功能，但由于红外信号阻断时，无法准确统计经过的人数，所以如果多人统计经过感应器，则会产生漏检，此方法的整体统计精度在80%左右。·基于单目的人数统计算法主要依靠常见的图像处理算法以及模式识别方法，对经过场景的人头进行检测跟踪，从而达到人数统计的目的，这种方法由于计算机视觉算法的成熟度原因，无法很好的处理光照，阴影等干扰，统计精度一般只能达到90%左右，如果遇到多人拥挤通过的情况，性能会更低。而基于双目的人数统计算法，利用立体视觉的特性，可将拍摄场景中的深度信息计算出来，从而能对人头位置有更好的估计和检测，但由于现有深度信息的精度较低，因此对其如何利用就成为影响统计精度的关键，目前一般是以简单的阈值来区分人头和头肩位置，从而检测人头的个数，但这种方法在人数十分拥挤，或者人体互相遮挡严重时，性能下降会比较厉害，一般统计精度能在95%左右。
技术实现思路
本专利技术是以双目相机为硬件，在深度信息的基础上，采用了深度信息聚类分割的方法，将复杂场景下的人群进行很好的独立分割，即使在多人拥挤的情况下，也能较好的区分每个人体的位置，然后对每个人体进行跟踪，从而达到很高的人数统计精度。本专利技术解决技术问题所采取的技术方案为 步骤I :采用双目相机作为深度信息的获取设备，输出为帧率25FPS的CIF分辨率的深度图，深度图中，每个像素的取值范围为0-255，值越大表示该像素所代表的目标距离镜头越近; 步骤2 :对深度图进行背景建模，并随着场景的变化，学习更新每个像素的混合高斯模型，确定背景分布，具体是 首先对深度图进行背景建模，用由^个高斯成分组成的混合高斯模型表示像素在时间域上的概率分布模型，即深度图中像素J·在 时刻取值为的概率为权利要求1.，其特征在于该方法包括以下步骤 步骤I :采用双目相机作为深度信息的获取设备，输出为帧率25FPS的CIF分辨率的深度图，深度图中，每个像素的取值范围为0-255，值越大表示该像素所代表的目标距离镜头越近； 步骤2 :对深度图进行背景建模，并随着场景的变化，学习更新每个像素的混合高斯模型，确定背景分布，具体是 首先对深度图进行背景建模，用由^个高斯成分组成的混合高斯模型表示像素在时间域上的概率分布模型，即深度图中像素J·在 时刻取值为 的概率为2.根据权利要求I所述的，其特征在于步骤2中的学习更新方法是将混合高斯模型中的^个高斯成分按由大到小排序， / crJJ然后用像素的当前值\与其混合高斯模型中的K个高斯成分逐一比较，若4与第i个高斯成分的均值/4之间的差小于5倍的该高斯成分的标准差则该高斯成分被~更新，其余高斯成分保持不变，更新方程如下3.根据权利要求I所述的，其特征在于步骤4中全局密度函数的核估计具体是空间任一点X的概率密度可估计为4.根据权利要求I所述的，其特征在于步骤4中密度吸引子和密度吸引具体是已知全局密度函数的局部极大值点Y ,对任意的JC e Ω，如果存在点集( .巧,使得4 A 4 = ^且A位于I -I的梯度方向上，则称X被/密度吸引，而称/为X的密度吸引；如果核函数在空间中的每一点都连续、可微，密度吸引子可以采用梯度方向指引的爬山法来搜索。5.根据权利要求I所述的，其特征在于步骤4中基于中心的聚类具体是已知密度吸引子如果存在Ce D使得VzeC , X都被/密度吸引且/ 4，则称C为以/为中心的聚类，其中 力τ页设的密度门限值。6.根据权利要求3所述的，其特征在于窗宽σ的选取直接会影响全局密度的估计结果，从而影响聚类数目σ的取值应和实际目标的大小一致，由于本方法应用在拍摄角度垂直向下的客流统计场學所以人体目标在深度图中的大小，是可以根据人体的高度估计出来的，所以这里的τ的取值为估计人体宽度的一半。7.根据权利要求5所述的，其特征在于 用于过滤噪声产生的影响，在相机高度已确定的情况下，可以计算出需要关注的人体高度所对应的深度图灰度值，只要按此深度图灰度值来设置 ,即可把不要的噪声过滤。全文摘要本专利技术涉及一种。现有技术一般采用简单的深度图阈值化来实现对人头的检测，这样做虽然简单，计算速度快，但没有完全利用好深度信息，导致人体过于拥挤时性能会下降。本专利技术是以双目相机为硬件，在深度信息的基础上，采用了深度信息聚类分割的方法，将复杂场景下的人群进行很好的独立分割，即使在多人拥挤的情况下，也能较好的区分每个人体的位置，然后对每个人体进行跟踪。本专利技术利用DENCLUE的聚类方法，充分利用了人体全局的聚类信息，包括深度差，人体先验尺度等，从而可以将人体进行较好的检测和分割，即使在人群拥挤，互相遮挡的复杂环境下也能达到98%以上统计准确率。文档编号G06M11/00GK102890791SQ20121031778公开日2013年1月23日 申请日期2012年8月31日 优先权日2012年8月31日专利技术者尚凌辉, 王弘玥, 张兆生, 余天明, 高勇 申请人:浙江捷尚视觉科技有限公司本文档来自技高网...
【技术保护点】
基于深度信息聚类的复杂场景人数统计方法，其特征在于该方法包括以下步骤：步骤1：采用双目相机作为深度信息的获取设备，输出为帧率25FPS的CIF分辨率的深度图，深度图中，每个像素的取值范围为0？255，值越大表示该像素所代表的目标距离镜头越近；步骤2：对深度图进行背景建模，并随着场景的变化，学习更新每个像素的混合高斯模型，确定背景分布，具体是：首先对深度图进行背景建模，用由K个高斯成分组成的混合高斯模型表示像素在时间域上的概率分布模型，即深度图中像素j在t时刻取值为？？？？？？？？？？？？？？？？？？？？？？？？？？？？？？？？？？？？？？？？？？？？？？？的概率为其中表示在t时刻像素j的混合高斯模型中的第i个高斯成分的权重，表示第i个高斯成分的均值，表示第i个高斯成分的协方差，η表示高斯概率密度函数：其中d为的维数；然后随着场景的变化，学习更新每个像素的混合高斯模型；最后像素j的混合高斯模型描述了其特征值在时间域上的概率分布，为了确定像素的混合高斯模型里哪些高斯成分是由背景产生的，根据每个高斯成分的权重与其标准差之比排序后，取前个高斯成分作为背景的分布，根据下式计算阈值T度量了背景高斯成分在像素的整个概率分布中所占得最小比例；？？？？步骤3：利用深度图背景模型，进行前景目标检测，即对每帧新深度图中的每个像素，求其在每个背景混合高斯模型中的概率值：若概率最大值小于阈值，则认为当前像素为前景点，说明可能有人体；步骤4：对前景深度图，利用DENCLUE算法进行聚类分割，具体是：已知空间中包含n个对象的数据集，DENCLUE算法的基本思想可以形式化描述为：全局密度函数的核估计、密度吸引子和密度吸引、基于中心的聚类；步骤5：在聚类分割完成后，就将原本联通的前景深度图分割成若干个区域，每个区域代表一个人体；步骤6:对于每帧深度图，都进行上述步骤2？步骤5的处理，每帧都会得到一个人体分割结果，再利用面积匹配的方法进行帧间关联，从而得到每个人体的跟踪轨迹；步骤7：结合规则线和跟踪轨迹，得出人数统计结果。2012103177856100001dest_path_image002.jpg,2012103177856100001dest_path_image004.jpg,dest_path_image006.jpg,dest_path_image008.jpg,dest_path_image010.jpg,dest_path_image012.jpg,dest_path_image014.jpg,677857dest_path_image014.jpg,dest_path_image016.jpg,429650dest_path_image016.jpg,dest_path_image018.jpg,dest_path_image020.jpg,dest_path_image022.jpg,dest_path_image024.jpg...
【技术特征摘要】
【专利技术属性】
技术研发人员：尚凌辉，王弘玥，张兆生，余天明，高勇，
申请(专利权)人：浙江捷尚视觉科技有限公司，
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。