專利名稱：基于團塊的人數(shù)統(tǒng)計方法
技術領域：
本發(fā)明涉及圖像處理領域，更具體地說，本發(fā)明涉及一種視頻監(jiān)控中基于團塊的基于團塊的人數(shù)統(tǒng)計方法。
背景技術：
隨著計算機視覺和人工智能的發(fā)展，基于智能視頻監(jiān)控的人數(shù)統(tǒng)計算法因其在公共場合的廣泛應用備受人們的關注。不過在人群密集的場景視頻中檢測和統(tǒng)計人數(shù)是件極具挑戰(zhàn)的事情，因為人與人之間的相互遮擋使得單個人體的分割和識別變得相當困難。人數(shù)統(tǒng)計就是估計監(jiān)控視頻中每幀圖像的行人數(shù)量。通過基于圖像處理的人數(shù)統(tǒng)計系統(tǒng)獲取的行人信息可以降低監(jiān)控的成本和監(jiān)控人員的疲勞，并且還有很多其他的潛力應用。目前在視頻監(jiān)控中統(tǒng)計人數(shù)的方法已經(jīng)有很多，主要可以分為三大類單個行人檢測、視覺特征軌跡聚類、基于特征的回歸?；趩蝹€行人檢測的人數(shù)統(tǒng)計只估計輸入圖像中被檢測到的行人數(shù)量，該方法的優(yōu)點是可以非常容易的獲取到行人的數(shù)量和位置信息，但是卻很難應用到行人密度比較大的場合，因為這些場合相互遮擋嚴重，難以準確檢測和分割所有的行人?；谲壽E聚類的人數(shù)統(tǒng)計是通過在一段時間內(nèi)跟蹤和識別視覺特征來統(tǒng)計人數(shù)的，對表征相關運動的特征軌跡進行聚類，聚類的數(shù)目就是估計的行人人數(shù)。很顯然這種方法估計的是一段特定時間內(nèi)的人數(shù)，不適合視頻監(jiān)控中實時的應用?；谔卣骰貧w的人數(shù)統(tǒng)計將從整幅圖像中提取出的特征使用回歸函數(shù)映射到人數(shù)上，從而實現(xiàn)人數(shù)統(tǒng)計。這種方法通常分為三步，第一步背景消減，第二步提取前景區(qū)域中各種相關特征，最后通過回歸函數(shù)將提取的特征映射到行人數(shù)量上完成人數(shù)估計。該方法可以應用于高密度人群而且可以對場景做全局估計，但是卻很難估計行人的具體位置以及局部區(qū)域的密度。此外由于人群形狀和密度的可變范圍不可預測，該方法需要大量的特征訓練集。

發(fā)明內(nèi)容
有鑒于此，本發(fā)明的目的在于提供一種基于團塊的基于團塊的人數(shù)統(tǒng)計方法，其能夠解決上述現(xiàn)有技術中存在的問題。一種基于團塊的人數(shù)統(tǒng)計方法，包括步驟獲取視頻源；對視頻源的圖像背景進行建模，以獲取運動前景圖像；對運動前景圖像進行消除陰影處理；對運動前景圖像進行形態(tài)學運算處理，以得到M個團塊；取出第i個團塊，并判斷其是否符合預定條件；如果第i個團塊符合預定條件，則保存第i個團塊，并設置i = i + Ι ；判斷i是否大于M ；
如果i大于M，則得到N個符合預定條件的團塊；根據(jù)預先定義的場景復雜度統(tǒng)計符合條件的團塊，并判斷其場景復雜度是高還是低；若場景復雜度高，則提取第j個團塊的高復雜度特征集；根據(jù)場景透視校正矩陣對第j個團塊的高復雜度特征集進行校正；根據(jù)人數(shù)統(tǒng)計模型對第j個團塊的高復雜度特征集進行統(tǒng)計，以獲得第j個團塊的人數(shù)；保存第j個團塊的人數(shù)，并且設置j = j + 1 ；判斷j是否大于N;若j大于N，則累積N個團塊的總人數(shù)。場景復雜度等于符合條件團塊的運動前景的總像素/總團塊數(shù)N，高復雜度特征集為像素特征和紋理特征，預定條件包括預定的團塊大小和預定的團塊位置。本發(fā)明的基于團塊的人數(shù)統(tǒng)計方法還包括步驟如果第i個團塊不符合預定條件，則丟棄該團塊。本發(fā)明的基于團塊的人數(shù)統(tǒng)計方法還包括步驟如果i不大于M，則返回取出第i 個團塊，并判斷其是否符合預定條件的步驟。本發(fā)明的基于團塊的人數(shù)統(tǒng)計方法還包括步驟如果j不大于N，則返回若場景復雜度高，則提取第j個團塊的高復雜度特征集的步驟。本發(fā)明的基于團塊的人數(shù)統(tǒng)計方法還包括步驟如果場景復雜度低，則提取第j個團塊的低復雜度特征集；根據(jù)場景透視校正矩陣對第j個團塊的低復雜度特征集進行校正；根據(jù)人數(shù)統(tǒng)計模型對第j個團塊的低復雜度特征集進行統(tǒng)計，以獲得第j個團塊的人數(shù)；保存第j個團塊的人數(shù)，并且設置j = j + 1 ；判斷j是否大于N;若j大于N，則累積N個團塊的總人數(shù)。本發(fā)明的基于團塊的人數(shù)統(tǒng)計方法還包括步驟如果j不大于N，則返回若場景復雜度低，則提取第j個團塊的低復雜度特征集的步驟。低復雜度特征集為像素特征。本發(fā)明的基于團塊的人數(shù)統(tǒng)計方法還包括步驟在獲取視頻源的步驟之后，獲取視頻源的場景透視校正矩陣。本發(fā)明的基于團塊的人數(shù)統(tǒng)計方法還包括步驟在對視頻源的圖像背景進行建模，以獲取運動前景圖像的步驟之后，對運動前景圖像進行多元線性回歸，以獲取人數(shù)統(tǒng)計模型。與現(xiàn)有技術相比，本發(fā)明的基于團塊的人數(shù)統(tǒng)計方法具有以下優(yōu)點1)該方法利用自適應閾值可以區(qū)分不同復雜度的人群場景；2)該方法對于不同復雜度的場景自適應的使用不同的特征集，這樣在保證統(tǒng)計精度的同時還可以提高處理的速度從而有利于實時性應用；3)該方法中使用的特征集均從分割后的團塊中提取的，而不是單個人或者整個場景，從這點看它實際上是基于檢測的方法和基于特征回歸的方法的結合，這樣可以結合兩者的優(yōu)勢獲取更高的精度；4)該方法使用基于學習的多元線性回歸作為訓練模型，該模型既簡單又高效。5)該方法可以很容易的獲取每個團塊的大小、位置等相關信息，這些信息可以用于后續(xù)的局部密度估計和實時異常檢測。


圖1為本發(fā)明基于團塊的人數(shù)統(tǒng)計方法的流程圖。
具體實施例方式如圖1所示，本發(fā)明的基于團塊的人數(shù)統(tǒng)計方法包括以下步驟(1)獲取視頻源；(2)獲取視頻源的場景透視校正矩陣；(3)對視頻源的圖像背景進行建模，以獲取運動前景圖像；(4)對運動前景圖像進行多元線性回歸，以獲取人數(shù)統(tǒng)計模型；(5)對運動前景圖像進行消除陰影處理；(6)對運動前景圖像進行形態(tài)學運算處理，以得到M個團塊；(7)取出第i個團塊，并判斷其是否符合預定條件，如果第i個團塊符合預定條件， 則轉入步驟(8)，否則丟棄該團塊；(8)保存第i個團塊，并設置i = i+Ι ；(9)判斷i是否大于M，如果i大于M，則轉入步驟(10)，否則返回步驟(7)；(10)得到N個符合預定條件的團塊；(11)根據(jù)預先定義的場景復雜度統(tǒng)計符合條件的團塊，并判斷其場景復雜度是高還是低，若場景復雜度高，則轉入步驟(12)，若場景復雜度低，則轉入步驟(18)；(12)則提取第j個團塊的高復雜度特征集；(13)根據(jù)場景透視校正矩陣對第j個團塊的高復雜度特征集進行校正；(14)根據(jù)人數(shù)統(tǒng)計模型對第j個團塊的高復雜度特征集進行統(tǒng)計，以獲得第j個團塊的人數(shù)；(15)保存第j個團塊的人數(shù)，并且設置j = j+1 ；(16)判斷j是否大于N，若j大于N，則轉入步驟(17)，否則返回步驟(12)；(17)若j大于N，則累積N個團塊的總人數(shù)；(18)提取第j個團塊的低復雜度特征集；(19)根據(jù)場景透視校正矩陣對第j個團塊的低復雜度特征集進行校正；(20)根據(jù)人數(shù)統(tǒng)計模型對第j個團塊的低復雜度特征集進行統(tǒng)計，以獲得第j個團塊的人數(shù)；(21)保存第j個團塊的人數(shù)，并且設置j = j+1 ；(22)判斷j是否大于N，若j大于N，則轉入步驟(23)，否則返回步驟(18)；(23)累積N個團塊的總人數(shù)。在步驟(5)中，具體來說，是通過聯(lián)合HSV空間和RGB空間特征來消除運動前景圖像的陰影。在步驟(6)中，形態(tài)學運算包括腐蝕、膨脹和開閉運算，具體來說，通過形態(tài)學運算來處理運動前景圖像中的噪聲，并修補團塊中可能存在的空洞，從而得到多個較為完整的團塊。以上僅為本發(fā)明最佳的具體實現(xiàn)方式，本發(fā)明的實現(xiàn)方法并不局限于此，任何在本發(fā)明領域內(nèi)不脫離本發(fā)明精神下的改變，都應涵蓋在本發(fā)明范圍內(nèi)。
權利要求
1.一種基于團塊的人數(shù)統(tǒng)計方法，其特征在于，包括步驟 獲取視頻源；對所述視頻源的圖像背景進行建模，以獲取運動前景圖像； 對所述運動前景圖像進行消除陰影處理； 對所述運動前景圖像進行形態(tài)學運算處理，以得到M個團塊； 取出第i個團塊，并判斷其是否符合預定條件；如果所述第i個團塊符合預定條件，則保存第i個團塊，并設置i = i+Ι ； 判斷i是否大于M ；如果i大于M,則得到N個符合預定條件的團塊；根據(jù)預先定義的場景復雜度統(tǒng)計所述符合條件的團塊，并判斷其場景復雜度是高還是低；若場景復雜度高，則提取所述第j個團塊的高復雜度特征集； 根據(jù)場景透視校正矩陣對所述第j個團塊的高復雜度特征集進行校正； 根據(jù)人數(shù)統(tǒng)計模型對所述第j個團塊的高復雜度特征集進行統(tǒng)計，以獲得所述第j個團塊的人數(shù)；保存所述第j個團塊的人數(shù)，并且設置j = j+1 ； 判斷j是否大于N;若j大于N，則累積N個團塊的總人數(shù)。
2.根據(jù)權利要求1所述的人數(shù)統(tǒng)計方法，其特征在于所述場景復雜度等于所述符合條件團塊的運動前景的總像素/總團塊數(shù)N ； 所述高復雜度特征集為像素特征和紋理特征； 所述預定條件包括預定的團塊大小和預定的團塊位置。
3.根據(jù)權利要求2所述的人數(shù)統(tǒng)計方法，其特征在于，還包括步驟如果所述第i個團塊不符合預定條件，則丟棄該團塊。
4.根據(jù)權利要求1所述的人數(shù)統(tǒng)計方法，其特征在于，還包括步驟如果i不大于M，則返回所述取出第i個團塊，并判斷其是否符合預定條件的步驟。
5.根據(jù)權利要求1所述的人數(shù)統(tǒng)計方法，其特征在于，還包括步驟如果j不大于N，則返回所述若場景復雜度高，則提取所述第j個團塊的高復雜度特征集的步驟。
6.根據(jù)權利要求1所述的人數(shù)統(tǒng)計方法，其特征在于，還包括步驟 如果所述場景復雜度低，則提取所述第j個團塊的低復雜度特征集； 根據(jù)場景透視校正矩陣對所述第j個團塊的低復雜度特征集進行校正；根據(jù)人數(shù)統(tǒng)計模型對所述第j個團塊的低復雜度特征集進行統(tǒng)計，以獲得所述第j個團塊的人數(shù)；保存所述第j個團塊的人數(shù)，并且設置j = j+1 ； 判斷j是否大于N ；若j大于N，則累積N個團塊的總人數(shù)。
7.根據(jù)權利要求6所述的人數(shù)統(tǒng)計方法，其特征在于，還包括步驟如果j不大于N，則返回所述若所述場景復雜度低，則提取所述第j個團塊的低復雜度特征集的步驟。
8.根據(jù)權利要求6所述的人數(shù)統(tǒng)計方法，其特征在于，所述低復雜度特征集為像素特征。
9.根據(jù)權利要求1所述的人數(shù)統(tǒng)計方法，其特征在于，還包括步驟在所述獲取視頻源的步驟之后，獲取所述視頻源的場景透視校正矩陣。
10.根據(jù)權利要求1所述的人數(shù)統(tǒng)計方法，其特征在于，還包括步驟在所述對所述視頻源的圖像背景進行建模，以獲取運動前景圖像的步驟之后，對所述運動前景圖像進行多元線性回歸，以獲取人數(shù)統(tǒng)計模型。
全文摘要
一種基于團塊的人數(shù)統(tǒng)計方法，包括；對視頻源的圖像背景進行建模，以獲取運動前景圖像；對運動前景圖像進行消除陰影處理；對運動前景圖像進行形態(tài)學運算處理，以得到M個團塊；取出第i個團塊，并判斷其是否符合預定條件；如果第i個團塊符合預定條件，則保存第i個團塊，并設置i＝i+1；判斷i是否大于M；如果i大于M，則得到N個符合預定條件的團塊；根據(jù)預先定義的場景復雜度統(tǒng)計符合條件的團塊，并判斷其場景復雜度是高還是低；若場景復雜度高，則提取第j個團塊的高復雜度特征集；根據(jù)場景透視校正矩陣對第j個團塊的高復雜度特征集進行校正。
文檔編號G06T7/20GK102360450SQ20111028833
公開日2012年2月22日 申請日期2011年9月26日 優(yōu)先權日2011年9月26日
發(fā)明者馮鑌, 吳培培, 喻莉, 朱光喜, 邱錦波 申請人:華中科技大學