本發(fā)明屬于智能監(jiān)控
技術(shù)領(lǐng)域：
，具體是一種基于行人頭肩多目標(biāo)檢測及跟蹤的統(tǒng)計方法，它利用計算機(jī)視覺技術(shù)對特定區(qū)域的人流量進(jìn)行統(tǒng)計。
背景技術(shù)：
：目前行人統(tǒng)計具有廣泛的商業(yè)應(yīng)用，例如車站，旅游景點，展區(qū)，商業(yè)街等。利用統(tǒng)計人數(shù)的數(shù)據(jù)，可以有效的進(jìn)行人員調(diào)動，資源配置以及提供更好的安全保障。除了傳統(tǒng)的人工計數(shù)外，目前常見的行人統(tǒng)計方法主要有機(jī)械傳閘門方式，紅外線感應(yīng)計數(shù)方式以及計算機(jī)視覺方式。閘門和紅外線感應(yīng)計數(shù)由于受制于硬件條件，只適用于人流量較少的室內(nèi)環(huán)境且依賴于用于計數(shù)的設(shè)備。計算機(jī)視覺方式具有簡單，相對成本較低，適用場景廣泛等特點，本發(fā)明提出的一種基于行人頭肩多目標(biāo)檢測及跟蹤的統(tǒng)計方法利用計算機(jī)視覺技術(shù)，能夠滿足對多種場景下的行人流量統(tǒng)計。目前與本發(fā)明較為接近的技術(shù)方案包括：發(fā)明專利(公布號：CN103473554A，名稱：人流統(tǒng)計系統(tǒng)及方法)采用正上方單一影像攝取單元，利用光流法得到行人的速度信息并計算每一幀行人經(jīng)過檢測線的距離，取平均作為切片厚度，然后根據(jù)累積的切片還原行人的完整拼圖，最后利用線性回歸分析統(tǒng)計處拼圖內(nèi)的人數(shù)，該方法對檢測線上下進(jìn)行行人統(tǒng)計，避免了行人的遮擋問題；發(fā)明專利(公布號：CN103824114A，名稱：一種基于截面流量統(tǒng)計的行人流量計數(shù)方法和系統(tǒng))通過在視頻中設(shè)置一條行人流量帶，并分割成若干個截面計數(shù)塊，提取人群的有效運動像素特征，梯度像素特征，利用SVM對截面流量計數(shù)快進(jìn)行人數(shù)預(yù)測，該方法能快速統(tǒng)計行人，在行人運動方向比較規(guī)律的環(huán)境中有著較高的準(zhǔn)確率；發(fā)明專利(公布號：CN103049787A，名稱：一種基于頭肩特征的人數(shù)統(tǒng)計方法和系統(tǒng))通過檢測行人頭肩信息更新行人跟蹤列表中目標(biāo)，該方法能很好地適應(yīng)監(jiān)控圖像的特征，從而提高人數(shù)統(tǒng)計的準(zhǔn)確率。綜上所述，當(dāng)前人流量統(tǒng)計技術(shù)方案中存在如下不足：(1)采用垂直往下拍攝的攝像機(jī)統(tǒng)計行人人數(shù)，一般只適用于室內(nèi)環(huán)境；(2)在行人運動方向比較復(fù)雜的環(huán)境中，截面計數(shù)塊的有效運動像素塊可能會互相干擾，造成行人計數(shù)準(zhǔn)確率低；(3)由于行人體態(tài)的非剛性，環(huán)境噪聲以及行人運動過程中的遮擋問題，并不能每幀都能檢測到跟蹤的目標(biāo)，容易造成目標(biāo)跟蹤丟失；技術(shù)實現(xiàn)要素：為解決現(xiàn)有方法中存在的上述問題，本發(fā)明提出一種基于行人頭肩多目標(biāo)檢測及跟蹤的統(tǒng)計方法。所述的一種基于行人頭肩多目標(biāo)檢測及跟蹤的統(tǒng)計方法，其特征在于包括如下步驟：步驟1：構(gòu)建行人頭肩圖像正、負(fù)樣本數(shù)據(jù)集，并將構(gòu)建的所有正、負(fù)樣本縮放至寬為32像素、高為32像素的樣本圖像；步驟2：提取步驟1中所有正、負(fù)樣本的HOG特征向量，并對正、負(fù)樣本設(shè)置標(biāo)簽，正樣本為1，負(fù)樣本為-1，利用所有樣本的HOG特征向量以及標(biāo)簽，對線性SVM分類器訓(xùn)練，得到一個能檢測行人頭肩的SVM分類器；步驟3：利用混合高斯模型提取運動前景，并把前景的最小包絡(luò)矩形作為檢測區(qū)域，記作FGi區(qū)域，i為每幀圖像中檢測區(qū)域的標(biāo)號，i＝1,2,…,n；步驟4：利用多尺度滑動窗口和步驟2中訓(xùn)練好的SVM分類器，檢測步驟3的FGi區(qū)域中的行人頭肩目標(biāo)，并加入檢測隊列其中表示第t時刻的第i個目標(biāo)的行人頭肩；步驟5：初始化目標(biāo)匹配矩陣M(i,j)為零矩陣，初始化行人統(tǒng)計計數(shù)器PredCount＝0，其中i表示當(dāng)前檢測隊列中的行人頭肩目標(biāo)的編號，作為矩陣的行編號，j表示上一幀檢測隊列中的行人頭肩目標(biāo)的編號，作為矩陣的列編號；如果前后兩幀之間目標(biāo)關(guān)系滿足：f(Rti⊕Rt-1j)f(Rt-1j)≤T---(1)]]>則與為同一個目標(biāo)并把矩陣中目標(biāo)所在的行和列標(biāo)記為1,f表示計算目標(biāo)面積的函數(shù)，T表示重合面積百分比閾值，表示取兩個目標(biāo)區(qū)域的重疊部分；步驟6：對于步驟5中目標(biāo)匹配矩陣M(i,j)，矩陣元素值為0的行號表示當(dāng)前圖像新出現(xiàn)的目標(biāo)；值為0的列號表示當(dāng)前圖像消失的目標(biāo)；對于連續(xù)三幀被匹配的目標(biāo)確定為跟蹤目標(biāo)，加入跟蹤隊列步驟7：利用步驟4中新檢測到的目標(biāo)匹配跟蹤隊列如果滿足公式(1)，則跟蹤隊列中的目標(biāo)被新目標(biāo)替換；否則，使用基于均值感知哈希粒子濾波對其跟蹤，具體為：步驟7.1：縮小尺寸，使用雙線性內(nèi)插法快速去除圖片中的高頻和細(xì)節(jié)，保留低頻部分，將目標(biāo)圖片縮小到8*8的尺寸，一共64個像素；步驟7.2：將8*8的圖片轉(zhuǎn)成灰度圖；步驟7.3：計算掩碼指示的48個有效像素的灰度平均值；步驟7.4：計算跟蹤目標(biāo)的hash值；E=0000000000111100001111001111111111111111111111111111111111111111---(3)]]>AVG=Σx=07Σy=07G‾(x,y)---(4)]]>h(x,y)=1,ifG‾(x,y)≥AVG0,otherwise---(5)]]>其中，公式(2)表示縮小圖片中的有效像素，G(x,y)表示圖像在(x,y)處的灰度值，公式(3)E表示8*8行人頭肩有效掩碼；公式(4)表示有效像素的平均灰度值，表示行人頭肩的有效像素；由公式(5)計算hash矩陣串連得到跟蹤目標(biāo)的hash值，AVG表示所有有效像素的平均灰度值；h(x,y)表示hash矩陣在(x,y)處的值；步驟7.5：計算跟蹤目標(biāo)模型與預(yù)測粒子目標(biāo)模型的相似度：d(hI,hk)=sum(hI⊕hk)48---(7)]]>π(n)=12πσe-d22σ2---(8)]]>其中，d表示海明距離，hI表示跟蹤模型的hash值，hk表示預(yù)測目標(biāo)的hash值，π(n)表示預(yù)測粒子目標(biāo)的權(quán)值，sum表示統(tǒng)計哈希碼中值不為0的個數(shù)；步驟7.6：使用蒙特卡羅方法選擇權(quán)值較高的粒子，更新跟蹤目標(biāo)的位置和大小；步驟8：統(tǒng)計經(jīng)過區(qū)域的目標(biāo)人數(shù)，對于跟蹤隊列TraList中的目標(biāo)，如果目標(biāo)中心位置在跟蹤區(qū)域外，則刪除該目標(biāo)，更新行人統(tǒng)計計數(shù)器：PredCount＝PredCount+1。本發(fā)明的有益效果為：用于行人統(tǒng)計，適用于多種室內(nèi)室外場景，解決了傳統(tǒng)行人統(tǒng)計效率低，準(zhǔn)確率低的問題，提升了行人統(tǒng)計數(shù)字化和智能化水平，是一項可以帶來經(jīng)濟(jì)效益和社會安全的多贏工程。附圖說明圖1為行人頭肩檢測算法總體流程圖；圖2為滑動窗口檢測算法示意圖；圖3為跟蹤算法總體流程圖。具體實施方式下面結(jié)合附圖對本發(fā)明進(jìn)行進(jìn)一步的說明。應(yīng)當(dāng)理解，此處所描述的具體實施例僅用于解釋本發(fā)明，并不用于限定本發(fā)明。如圖1-3所示，本發(fā)明的一種基于行人頭肩多目標(biāo)檢測及跟蹤的統(tǒng)計方法具體采取了如下步驟：圖1是根據(jù)本發(fā)明的實施例的行人頭肩檢測算法流程圖，步驟1-4為本實施例中的檢測部分。如圖1所示，根據(jù)本發(fā)明實施例的行人頭肩檢測算法流程圖，行人頭肩檢測算法分為訓(xùn)練步驟和檢測步驟。步驟1：構(gòu)建行人頭肩圖像正、負(fù)樣本數(shù)據(jù)集，選取正樣本1000張，負(fù)樣本2000張，并將所有的正、負(fù)樣本縮放至寬為32像素、高為32像素的樣本圖像；步驟2：提取步驟1中所有正、負(fù)樣本的HOG特征，HOG特征的塊尺寸選擇8*8像素，步長為4像素，胞元cell的尺寸為4*4，直方圖bin區(qū)間選擇9個；相鄰的2*2cell進(jìn)行塊內(nèi)歸一化；串聯(lián)所有cell特征向量構(gòu)成樣本的HOG特征；對每個正、負(fù)樣本設(shè)置標(biāo)簽，正樣本為1，負(fù)樣本為-1，利用所有樣本的HOG特征以及標(biāo)簽，對線性SVM分類器訓(xùn)練，得到一個可以檢測行人頭肩的SVM分類器；步驟3：利用混合高斯模型提取運動前景，并把前景的最小包絡(luò)矩形作為檢測區(qū)域，記作FGi，i為每幀圖像中檢測區(qū)域的標(biāo)號，i＝1,2,…,n，所述的混合高斯背景建模是基于像素樣本統(tǒng)計信息的背景表示方法，利用像素在較長時間內(nèi)大量樣本值的概率密度等統(tǒng)計信息(如模式數(shù)量、每個模式的均值和標(biāo)準(zhǔn)差)表示背景，然后使用統(tǒng)計差分(如3σ原則)進(jìn)行目標(biāo)像素判斷，可以對復(fù)雜動態(tài)背景進(jìn)行建模；步驟4：利用多尺度滑動窗口和步驟2中訓(xùn)練好的行人頭肩SVM分類器，檢測FG區(qū)域中的行人頭肩目標(biāo)，并加入檢測隊列其中表示第t時刻的第i個目標(biāo)的行人頭肩，圖2為本實施例中的滑動窗口檢測示意圖；步驟5：初始化目標(biāo)匹配矩陣M(i,j)為零矩陣，初始化行人統(tǒng)計計數(shù)器PredCount＝0，其中i表示當(dāng)前檢測隊列中的行人頭肩目標(biāo)的編號，作為矩陣的行編號，j表示上一幀檢測隊列中的行人頭肩目標(biāo)的編號，作為矩陣的列編號；如果前后兩幀之間目標(biāo)關(guān)系滿足：f(Rti⊕Rt-1j)f(Rt-1j)≤T---(1)]]>則與為同一個目標(biāo)并把矩陣中目標(biāo)所在的行和列標(biāo)記為1,f表示計算目標(biāo)面積的函數(shù)，T表示重合面積百分比閾值，T＝0.85，表示取兩個目標(biāo)區(qū)域的重疊部分；步驟6：對于步驟5中目標(biāo)匹配矩陣M(i,j)，矩陣元素值為0的行號表示當(dāng)前圖像新出現(xiàn)的目標(biāo)；值為0的列號表示當(dāng)前圖像消失的目標(biāo)；對于連續(xù)三幀被匹配的目標(biāo)確定為跟蹤目標(biāo)，加入跟蹤隊列步驟7：利用步驟4中新檢測到的目標(biāo)匹配跟蹤隊列如果滿足公式(1)，則跟蹤隊列中的目標(biāo)被新目標(biāo)替換；否則，使用基于均值感知哈希粒子濾波對其跟蹤，即采用均值感知哈希和粒子濾波相結(jié)合，均值感知哈希是圖像的一個特征，主要是圖像的低頻部分，基于這個特征結(jié)合粒子濾波跟蹤框架，對目標(biāo)進(jìn)行跟蹤，具體為：步驟7.1：縮小尺寸，使用雙線性內(nèi)插法快速去除圖片中的高頻和細(xì)節(jié)，保留低頻部分，將目標(biāo)圖片縮小到8*8的尺寸，一共64個像素；步驟7.2：將8*8的圖片轉(zhuǎn)成灰度圖；步驟7.3：計算掩碼指示的48個有效像素的灰度平均值；步驟7.4：計算跟蹤目標(biāo)的hash值；E=0000000000111100001111001111111111111111111111111111111111111111---(3)]]>AVG=Σx=07Σy=07G‾(x,y)---(4)]]>h(x,y)=1,ifG‾(x,y)≥AVG0,otherwise---(5)]]>其中，公式(2)表示縮小圖片中的有效像素，G(x,y)表示圖像在(x,y)處的灰度值，公式(3)的E表示8*8行人頭肩有效掩碼；公式(4)表示有效像素的平均灰度值，表示行人頭肩的有效像素；由公式(5)計算hash矩陣串連得到跟蹤目標(biāo)的hash值，AVG表示所有有效像素的平均灰度值；h(x,y)表示hash矩陣在(x,y)處的值；步驟7.5：計算跟蹤目標(biāo)模型與預(yù)測粒子目標(biāo)模型的相似度：d(hI,hk)=sum(hI⊕hk)48---(6)]]>π(n)=12πσe-d22σ2---(7)]]>其中，d表示海明距離，hI表示跟蹤模型的hash值，hk表示預(yù)測目標(biāo)的hash值，π(n)表示預(yù)測粒子目標(biāo)的權(quán)值，sum表示統(tǒng)計哈希碼中值不為0的個數(shù)；步驟7.6：使用蒙特卡羅方法選擇權(quán)值較高的粒子，更新跟蹤目標(biāo)的位置和大?。徊襟E8：統(tǒng)計經(jīng)過區(qū)域的目標(biāo)人數(shù)，對于跟蹤隊列TraList中的目標(biāo)，如果目標(biāo)中心位置在跟蹤區(qū)域外，則刪除該目標(biāo)，更新行人統(tǒng)計計數(shù)器：PredCount＝PredCount+1。實施本發(fā)明后，用于行人統(tǒng)計，適用于多種室內(nèi)室外場景，解決了傳統(tǒng)行人統(tǒng)計效率低，準(zhǔn)確率低的問題，提升了行人統(tǒng)計數(shù)字化和智能化水平，是一項可以帶來經(jīng)濟(jì)效益和社會安全的多贏工程。本說明書實施例所述的內(nèi)容僅僅是對發(fā)明構(gòu)思的實現(xiàn)形式的列舉，本發(fā)明的保護(hù)范圍的不應(yīng)當(dāng)被視為僅限于實施例所陳述的具體形式，本發(fā)明的保護(hù)范圍也及于本領(lǐng)域技術(shù)人員根據(jù)本發(fā)明構(gòu)思所能夠想到的等同技術(shù)手段。當(dāng)前第1頁1 2 3