视频人体轮廓识别计数器制造技术

本申请涉及一种人数计数器，基于物体轮廓特征高速识别视频图像中物体，针对现有技术中因现场光照、摄像机角度、人体尺寸以及遮挡等外界因素造成的人体识别准确度低或无法识别的问题，借助Sobel算子提取图像的轮廓特征，采用背景减除法消除背景，提取物体轮廓特征，并根据轮廓角度信息重新生成轮廓；建立物体标准轮廓模型图像，采用虚拟图像中心、计算匹配率和匹配位置三个步骤实现物体标准轮廓模型与生成轮廓的匹配，匹配后输出识别结果，本申请仅保存人体的轮廓形状即可识别人数，识别率几乎不受到人体服装颜色、状态、背景、影子和帽子等干扰因素的影响，可以有效地消除背景信息，具有更高识别精度和更快的运算速度。

【技术实现步骤摘要】

本专利技术属于二维图像识别
，也属于智能视频识别
，具体涉及一种基于人体轮廓特征识别人体方法的视频人体轮廓识别计数器。
技术介绍
识别视频或图像中的对象是计算机视觉领域最具应用价值的课题之一。无论是工业界还是学术界都出现了非常多的好方法。有基于头部、躯干、四肢分别匹配然后整合在一起的，有基于人体运动周期性特征的等等，下面对一些经典的和相关的方法做简单论述。S. Belongie和J. Malik提出了基于物体外轮廓线样本点集合的Shape Context法识别图像中的物体。Shape Context算法首先计算目标的质点，然后以质点为中心计算其对数极坐标直方图.这种基本的方法有以下两个缺点利用质点定义计算质点是个非常复杂 而且非常耗时的过程；只能够判断两个目标是否相似而无法获得相匹配的点集。尤其是运算量相对较多时，难以实现高效的识别。由 T. F. Cootes 和 C. J. Taylor 提出的 Active shape model 和 Active AppearanceModel算法是人脸检测和识别等方面最有效的方法之一。上述两种方法都属于统计的方法，但Active shape model通过识别对象的外轮廓线特征来识别对象,而Active AppearanceModel是利用texture特征来识别对象。这两种方法在人脸识别和医学图像识别中具有较多的应用，仅适用于静止图像识别，并不适用于视频图像处理中的实时识别。此外,Active contour (snake)model算法适用于视频中运动目标的跟踪。此方法是在医学图像识别中非常有价值。但对计算机的性能要求较高，不适用于嵌入式系统。视频图像中移动目标跟踪更多利用Mean shift算法和Cam Shift算法。这两种算法的核心是跟踪目标的颜色。但此算法的难点是难以确定跟踪目标的初始位置，当缺少颜色信息时则没有那么好的跟踪和识别效果。而且，跟踪目标不规则运动、目标过于靠近、有其他物体干扰、以及目标颜色和背景颜色相似时经常导致跟踪失败。
技术实现思路
人体识别所采用的特征量直接关系到识别的精度和运算的速度。本专利技术针对现有技术中因现场光照、摄像机角度、人体尺寸以及遮挡等外界因素造成的人体识别准确度低或无法识别的问题，提供一种复杂场景下的人体整体识别方法，有效提高视频和图像中对象的识别精度，降低系统资源消耗，加快识别速度。本专利技术利用人体的轮廓信息，而不采用颜色信息，可以准确识别黑白图像；不采用人体面积信息，可以有效减少运算量；不考虑同类型的人体轮廓信息，可以减少模型的数量。只需保存适当的移动人体的不同轮廓外形，无论其内部状态如何变化，均可准确识别人体并计数。本申请通过输入视频图像，利用Sobel算子提取图像的轮廓特征；采用背景减除法消除背景，提取物体轮廓特征，并根据轮廓角度信息重新生成轮廓；建立物体标准轮廓模型图像，采用虚拟图像中心、计算匹配率和匹配位置三个步骤实现物体标准轮廓模型与生成轮廓的匹配，匹配后输出识别结果。在实际运用中，对检测区域内移动的人体计数时，只保存人体的轮廓形状即可识别人数，识别率几乎不受到人体服装颜色、状态、背景、影子和帽子等干扰因素的影响，能够高速识别出具有轮廓特征的目标(比如人、车辆以及各种物体)及其数量。通过本专利技术研制的人员计数器，可用在监狱安防、危险场所人员控制、客车超载检测、人员密集场所预警、商场客流量分析等领域，具有显著的经济价值和社会价值。本专利技术不仅适用于人体识别与计数，也可以在物体识别领域广泛应用。附图说明图I.摄像机拍摄视角；图2.输入的视频图像；图3.轮廓特征图像；图4.提取的目标轮廓图像；图5.重新生成的目标轮廓图像；图6.人体标准轮廓模型图像组成要素；图7.人体标准轮廓模型图像的点位置；图8.不同位置的人体标准轮廓图像；图9.距离视频图像中心点较近的人体标准轮廓模型图像；图10.距离视频图像中心点较远的人体标准轮廓模型图像；图11.人体标准轮廓模型特征点向量；图12.虚拟中心点位置；图13.轮廓匹配结果；图14.识别结果输出界面；具体实施例方式本专利技术具体实例结合图1-14说明如下·步骤一图像输入本专利技术采用摄像机输入视频图像。对视频画面的色彩不限制，黑白图像与彩色图像均可；对摄像机镜头无限制，王流的CCD镜头或COMS镜头均可；对摄像机的拍摄角度不限制，各种角度均可识别，但采用俯视方式识别精度最高；对摄像机的视角大小、安装高度、图像形变等不限制，仅需针对不同摄像机建立相应的人体标准轮廓模型即可。本实例中摄像机采用俯视视角拍摄视频，如图I所示。输入的视频图像如图2所/Jn ο步骤二 图像边缘检测对于输入的视频图像，我们采用Sobel算子进行边缘检测，以提取图像轮廓特征。本专利技术采用可变的MX矩阵，而不采用一般的3x3矩阵。矩阵大小可根据识别精度要求进行调整，M和N值越大，边缘检测效果越好。在本实例中采用5X5矩阵。输入的视频图像，首先进行图像边缘检测，以提取图像的轮廓特征。边缘检测采用Sobel算子。Sobel算子有两个，一个是检测水平边沿的，一个是检测垂直边沿的。一般的Sobel算子包含两组3x3的矩阵，分别为横向和纵向，将之与图像作平面卷积，即可分别得出横向和纵向的亮度差分近似值。假设输入的二维图像垂直方向和水平方向的算子分别为v(x，y)和h(x，y)，矩阵的大小为MXN。此时，利用Sobel算子进行边缘检测，其中C(x，y)为经过边缘检测所产生的轮廓特征图像。 Cx(^y) = EpiM/2 Zqilj1/2 I(x + p., y + q) X h(p, q)(I)本文档来自技高网...

【技术保护点】
一种基于轮廓识别的人数计数器，包括视频输入设备、处理模块、存储器，其特征在于，所述计数器采用如下方式计数：第一步：图像输入采用视频输入设备输入视频；第二步：图像边缘检测输入的二维图像为I(x，y)，采用Sobel算子,垂直方向和水平方向的算子分别为v(x，y)和h(x，y)，矩阵的大小为M×N，此时，轮廓特征图像C(x，y)按照如下方法来计算：Cx(x,y)=Σp=-M/2M/2Σq=-N/2N/2I(x+p,y+q)×h(p,q)---(1)Cy(x,y)=Σp=-M/2M/2Σq=-N/2N/2I(x+p,y+q)×v(p,q)---(2)C(x,y)=Cx(x,y)2+Cy(x,y)2---(3)θ(x，y)＝tan？1(Cx(x，y)/Cy(x，y))(4)其中，Cx(x，y)和Cy(x，y)分别为经横向与纵向边缘检测的图像，θ(x，y)是轮廓角度；第三步：背景建模t时刻的轮廓特征图像为Ct(x，y)，轮廓角度为θt(x，y)，轮廓背景为Pt(x，y)，背景强度模型为Bt(x，y)，背景角度模型为则背景模型按照如下更新：Bt+1(x,y)=Ct(x,y),Ct-1(x,y)>NtrBt(x,y),Ct-1(x,y)≤Ntr---(5)Bθt+1(x,y)=θt(x,y),Ct-1(x,y)>NtrBθt(x,y),Ct-1(x,y)≤Ntr---(6)B0(x，y)＝C0(x，y)，Bθ0(x,y)=θ0(x,y)---(7)其中，Ntr是前景阀值；步骤四：提取目标轮廓图像如果满足：|θt(x,y)-Bθt(x,y)|≤π/12且|Ct(x，y)？Bt(x，y)|≤Ltr；则Ct(x，y)＝0其中，π/12是评估轮廓角度差的阀值，Ltr是评估轮廓强度差的阀值，该步骤之后的轮廓特征图像为Ct(x，y)记为轮廓特征图像CT（x，y）；步骤五：生成目标轮廓图像首先，赋予适当的强度阀值Ctr，属于CT(x，y)＜Ctr的像素点不考虑，其次，利用每个轮廓角度的点位置排列来构成轮廓图像，角度θ的点排列Q(θ)是：Q(θ)={Pi}i=1,Nθ---(7)其中Pi＝(xi，yi)是角度θ的第i个点，Nθ是角度为θ的点个数；步骤六：建立人体标准模型首先，在没有背景的空图像上放置步骤二中得到的轮廓特征图像，提取图像的形状信息，利用单一像素点连接相邻像素点得到人头和身体样子，当图像中心点为c＝(0，0)时，轮廓点的位置为p(x，y)＝(x，y)，此时，模型图像是根据轮廓点的位置排列，其构成如下；M(θ)={Pi}i=1,Mθ---(8)其中，pi表示角度为θ时的Mθ个点中的第i个点的位置，假设所取特征量的角度为θq(1≤q≤S)，S为特征量的个数，则第k个模型图像是对不同角度的点位置二维排列：Mk={Mk(θq)}i=1,Mθq---(9)步骤七：轮廓匹配1、虚拟目标轮廓图像中心分别以人体标准模型与待检测的目标轮廓特征图像所在图片的垂直边和水平边作为坐标系的x轴和y 轴，把目标轮廓特征图像中属于角度θ的N个点与人体标准模型图像中角度θ的M个点比对，假设目标轮廓特征图像中属于θq角度的点为PiQ＝(xiQ，yiQ)，人体标准模型图像中属于角度θq的点为PiM＝(xjM，yjM)，点PjM与人体标准模型图像中心点C的向量为l，以目标轮廓特征图像的PiQ点为中心建立坐标系，P1、P2、P3、P4分别为是以l为向量的四个对称点，这四个点即为目标轮廓特征图像的虚拟中心；2、计算匹配率假设第k个人体标准模型图像的点个数为nk，平均每个人体标准模型图像点的个数为其中k是所考察的人体标准模型图像的序号，对于第k个模型，与其对应的目标轮廓特征图像虚拟中心点周围一定范围内点数之和为sk(x，y)，则在位置(x，y)上的图像k的适配率评估为如下：Rk(x,y)=α×sk(x,y)+(1-α)×sk(x,y)×n‾/nk---(10)其中，α是权重参数，α的取值范围为0.1？0.3；3、匹配位置的决定从k个匹配率中，用以下公式决定最优匹配率R(x,y)和最优匹配人体标准模型图像T(x,y)，R(x，y)＝max{Rk(x，y)}（11）T...

【技术特征摘要】
1.一种基于轮廓识别的人数计数器，包括视频输入设备、处理模块、存储器，其特征在于，所述计数器采用如下方式计数 第一步图像输入 采用视频输入设备输入视频； 第二步图像边缘检测 输入的二维图像为I (x，y)，采用Sobel算子，垂直方向和水平方向的算子分别为v(x，y)和h(x, y),矩阵的大小为MXN,此时,轮廓特征图像C(x, y)按照如下方法来计算2.如权利要求I所述的人数计数器，其特征在于，所述视频输入设备为摄像机。3.如权利要求I所述的人数计数器，其特征在于，公式(I)、(2)中Μ、N取5，相应的垂直方 向和水平方向的算子分别为4.如权利要求I所述的人数计数器...

【专利技术属性】
技术研发人员：不公告发明人，
申请(专利权)人：北京凯森世纪科技发展有限公司，
类型：发明
国别省市：