一種基于視頻序列的人流量統(tǒng)計方法
【技術領域】
[0001]本發(fā)明屬于圖像處理與視頻監(jiān)控技術領域，涉及一種基于視頻序列的人流量統(tǒng)計方法。
【背景技術】
[0002]隨著人類智慧不斷推動科技的快速發(fā)展，各種智能設備也在日趨進步與完善，智能技術也因此正不斷地影響與改變著人們的學習生活與工作方式。在各個方面得到了廣泛應用的圖像處理與視頻監(jiān)控系統(tǒng)作為人們學習與生活中的一部分，起到了不可磨滅的作用。人流量統(tǒng)計系統(tǒng)作為評估某一特定場景中，某些方向上人流量多少的計數(shù)系統(tǒng)，在實際生活應用中具有非常重要的作用。例如，通過對進出教室人群進行自動統(tǒng)計不僅能考察各科的出勤率，從而合理的評估教學質量，而且可以幫助同學們快速選擇合適的自習教室。通過對地鐵站內進出客流人數(shù)的統(tǒng)計，可以方便地鐵運營方以及安保方有效地控制客流，做好應對措施。通過對每路公交車的各個站點、各個時間段的人流量統(tǒng)計，可以使交通運營者采取最合理的調度制度以及運營模式，這樣給乘客提供最方便、快捷的服務。
[0003]但是，傳統(tǒng)的人工計數(shù)方式不僅會耗費大量的人力資源，而且可能由于各種因素造成錯誤統(tǒng)計，特別是對于那些人群出入密集場所，使得人工計數(shù)更加困難，而自動人流量統(tǒng)計系統(tǒng)則能解決以上問題，給學習和生活帶來巨大便利，提高生活質量。因此，目前急需一種能夠克服人工計數(shù)方式劣勢的實時自動人流量統(tǒng)計方法。

【發(fā)明內容】

[0004]有鑒于此，本發(fā)明的目的在于提供一種基于視頻序列的人流量統(tǒng)計方法，該方法可以節(jié)約大量的人力資源，而且避免了由于人為因素所造成的錯誤統(tǒng)計，同時很好地克服了人工計數(shù)在某些場景下的計數(shù)劣勢，并且該方法能夠準確定位到單個行人，給后續(xù)分析工作帶來了重大意義。
[0005]為達到上述目的，本發(fā)明提供如下技術方案:
[0006]—種基于視頻序列的人流量統(tǒng)計方法，包括以下步驟:1)獲取視頻，通過采樣得到視頻序列；2)通過候選區(qū)域檢測模塊進行粗檢測得到候選目標區(qū)域;3)利用基于迀移學習的卷積神經(jīng)網(wǎng)絡+支持向量機分類器模型對候選區(qū)域進行進一步篩選得到檢測目標;4)根據(jù)航跡預測對待關聯(lián)的候選目標范圍進行限制；5)通過特征匹配進行目標航跡關聯(lián);6)利用航跡信息進行人流量統(tǒng)計。
[0007]進一步，在步驟2)中，通過候選區(qū)域檢測模塊進行粗檢測得到候選區(qū)域，采用以下幾類方法得到候選區(qū)域:
[0008]21)基于檢測的方法:這類方法利用訓練好的目標分類器，對圖像進行掃描得到疑似目標區(qū)域;例如級聯(lián)的自適應增強(Adaboost,Adaptive Boosting)檢測方法、方向梯度直方圖(H0G，Histogram of oriented gradient)+支持向量機(SVM，Support VectorMachine)等方法；
[0009]22)基于碎片聚合的方法:這類方法首先將圖片打碎，然后再聚合;例如選擇性搜索算法(Selective Search)，該方法無需學習，直接利用圖像分割方法獲得一些粗分割結果，然后根據(jù)給定的相似度準則進行聚合；
[0010]23)基于給滑動窗口打分的方法:這類方法是先生成候選框，然后利用某些方法或者準則直接打分排序來過濾掉低分的候選框;例如Bing、EdgeBoxes等方法。
[0011]在步驟3)中，提取出步驟S102所得到的候選區(qū)域，由于候選區(qū)域目標存在錯誤正樣本，因而需要對候選區(qū)域目標重新加以挑選，從而得到正負樣本訓練集，然后利用基于迀移學習的卷積神經(jīng)網(wǎng)絡+支持向量機分類器模型對候選區(qū)域進行目標判別確認，這樣能夠保證較高的目標檢測率。
[0012]進一步，在步驟3)中，基于迀移學習的卷積神經(jīng)網(wǎng)絡+支持向量機分類器模型中迀移學習是在已有卷積神經(jīng)網(wǎng)絡結構模型的基礎上進行微調后重新訓練，且卷積神經(jīng)網(wǎng)絡采用多層網(wǎng)絡結構，取全連接層特征向量作為卷積神經(jīng)網(wǎng)絡提取到的特征，輸入到支持向量機進行模型訓練，輸出即為基于迀移學習的卷積神經(jīng)網(wǎng)絡+支持向量機分類器模型。
[0013]進一步，在步驟4)中，對篩選得到的檢測目標航跡進行預測，根據(jù)航跡預測對待關聯(lián)的候選目標范圍進行限制；由于相鄰幀間行人目標的空間位置變化不大，因而通過設置合適的閾值進行距離區(qū)域限制，或者可以利用均值漂移、卡爾曼濾波、粒子濾波等方法預測當前幀的指定目標在下一幀可能出現(xiàn)的空間位置，從而以此目標為中心進行區(qū)域限制處理。
[0014]進一步，在步驟5)中，通過步驟4)得到候選區(qū)域，對候選區(qū)域內所有中心點在區(qū)域范圍內的待關聯(lián)候選目標一一進行特征匹配，通過特征匹配進行目標航跡關聯(lián);在此過程中，通過設置兩個閾值，若匹配分數(shù)達到最高設限閾值，且得到的匹配分數(shù)最高，說明該目標最相關，則將該檢測目標確定為當前幀指定目標的關聯(lián)對象，若匹配分數(shù)未達到最低設定閾值，則說明當前幀指定目標為虛假目標，應當舍棄。
[0015]進一步，對于匹配分數(shù)在兩個設定閾值之間的檢測目標，若在匹配區(qū)域范圍內仍存在未匹配對象，則可根據(jù)分數(shù)高低與匹配分數(shù)最高的檢測目標進行匹配，否則，若在匹配區(qū)域范圍內不存在未匹配對象或匹配區(qū)域范圍內不存在檢測目標，則暫時保存該目標，使之與后面隔幀圖像進行匹配關聯(lián)，若隔幀圖像在限定區(qū)域內存在未與其上一幀匹配關聯(lián)目標，且滿足達到最低閾值，則可與其匹配分數(shù)最高者進行關聯(lián)即可，若此時仍未達到要求，仍先保存該目標，反復進行匹配關聯(lián)，直到連續(xù)N幀均未匹配到，則被視為無效目標，進行舍棄。
[0016]進一步，在步驟6)中，通過能夠匹配關聯(lián)到的相應目標航跡信息進行跟蹤，當檢測目標通過指定檢測線或興趣區(qū)域時進行雙向流計數(shù)，從而最終得到人流量統(tǒng)計結果并顯示出來，在這里，通過標志位的變化、位移差或光流方向等方法來判斷行人運動方向，從而根據(jù)其相應的變化進行計數(shù)。
[0017]本發(fā)明的有益效果在于:本發(fā)明提供的方法可以節(jié)約大量的人力資源，而且避免了由于人為因素所造成的錯誤統(tǒng)計，同時很好地克服了人工計數(shù)在某些場景下的計數(shù)劣勢，并且該方法能夠準確定位到單個行人，給后續(xù)分析工作帶來了重大意義。
【附圖說明】
[0018]為了使本發(fā)明的目的、技術方案和有益效果更加清楚，本發(fā)明提供如下附圖進行說明:
[0019]圖1為本發(fā)明所述方法的流程示意圖；
[°02°]圖2為Adaboost的算法流程示意圖；
[0021 ]圖3為基于迀移學習的卷積神經(jīng)網(wǎng)絡+支持向量機分類器模型示意圖；
[0022]圖4為特征匹配模塊示意圖；
[0023]圖5為人流量計數(shù)模塊示意圖。
【具體實施方式】
[0024]下面將結合附圖，對本發(fā)明的優(yōu)選實施例進行詳細的描述。
[0025]本發(fā)明是為了更好地利用已有視頻資源，通過人流量統(tǒng)計技術達到實時計數(shù)的效果，方便多種場合下的人流量統(tǒng)計。該方法根據(jù)采集到的監(jiān)控序列圖像或視頻，對其圖像進行處理，從而將檢測出來的人流量統(tǒng)計結果在線顯示出來。
[0026]由于人頭是身體部分中最為明顯的部位，特別是在人流量比較大的場所，此時由于受遮擋、光照、像素分辨率等因素的影響，使得準確檢測身體其他部位變得更加困難，甚至幾乎很難進行目標檢測。由此可見，目標的可視性尤為重要。因此，在本實施例中，本發(fā)明具體針對人頭進行檢測，通過對檢測結果進行準確匹配關聯(lián)，進而通過跟蹤計數(shù)得到人流量統(tǒng)計結果。