一種人流量統(tǒng)計系統(tǒng)中分類器的自動選擇方法
【專利摘要】本發(fā)明公開了一種人流量統(tǒng)計系統(tǒng)中分類器的自動選擇方法，屬于視頻監(jiān)控及模式識別【技術(shù)領(lǐng)域】。本發(fā)明包括：預先設(shè)定多個成像視角，分別離線訓練一個分類器；在線學習時，針對當前輸入圖像，對各分類器分別執(zhí)行下述操作：檢測目標，將當前檢測出的行人目標與已有的跟蹤目標進行關(guān)聯(lián)，對未關(guān)聯(lián)的跟蹤目標采用跟蹤算法進行跟蹤，將未關(guān)聯(lián)的檢測目標加入跟蹤目標隊列中；對跟蹤目標隊列中符合條件的目標進行計數(shù)；若所有分類器所計目標數(shù)均未超過閾值，則繼續(xù)處理下一圖像；選取目標計數(shù)最多的分類器作為人流量統(tǒng)計系統(tǒng)中使用的最優(yōu)分類器。本發(fā)明提供的方法能為人流量統(tǒng)計系統(tǒng)自動選擇最優(yōu)分類器，避免了手動設(shè)置分類器的不準確性和不方便性問題。
【專利說明】一種人流量統(tǒng)計系統(tǒng)中分類器的自動選擇方法

【技術(shù)領(lǐng)域】
[0001]本發(fā)明屬于視頻監(jiān)控及模式識別【技術(shù)領(lǐng)域】，更具體地，涉及一種人流量統(tǒng)計系統(tǒng)中分類器的自動選擇方法。

【背景技術(shù)】
[0002]在二十世紀七十年代，視頻監(jiān)控系統(tǒng)就已開始出現(xiàn)。隨著科學技術(shù)的發(fā)展，現(xiàn)在視頻監(jiān)控系統(tǒng)已經(jīng)對社會產(chǎn)生了非常重要的影響，監(jiān)控攝像機幾乎遍布大街小巷。但是實際上，目前監(jiān)控系統(tǒng)承擔的許多監(jiān)控任務(wù)還是需要人工干預。隨著人工智能技術(shù)的發(fā)展，現(xiàn)在興起了一種智能監(jiān)控系統(tǒng)。通過計算機視覺技術(shù)與模式識別技術(shù)對采集到的視頻信息進行分析，提取出視頻中有用的信息并進行相關(guān)操作，使現(xiàn)有的視頻監(jiān)控系統(tǒng)可以在沒有人工干預的情況下，自動完成一些視頻監(jiān)控任務(wù)。
[0003]基于視頻的人流量統(tǒng)計技術(shù)是智能視頻監(jiān)控系統(tǒng)中的一個重要應(yīng)用。人流量一直都是商場、超市、體育館以及機場車站等等公共場所進行管理和決策不可缺少的重要數(shù)據(jù)。對于一些行業(yè)來說，人流量可以直接反應(yīng)出其經(jīng)營業(yè)績。近年來，隨著智能視頻監(jiān)控系統(tǒng)的興起，基于視頻的人流量統(tǒng)計技術(shù)成為一個非常具有科學意義與商業(yè)應(yīng)用價值的研究熱點。人流量統(tǒng)計數(shù)據(jù)有著非常重要的意義，例如機場車站等場所可以利用人流量統(tǒng)計數(shù)據(jù)預估客流信息調(diào)整運行班次，也可以對某個出入口進行人流量統(tǒng)計進而判斷該出入口的設(shè)置是否合理；商場超市可以利用人流量統(tǒng)計數(shù)據(jù)分析消費者的購買習慣，優(yōu)化店面布局以及評估所實施的營銷和促銷的投資回報；而安防人員可以利用人流量統(tǒng)計數(shù)據(jù)防止異常事件的發(fā)生。
[0004]在現(xiàn)有的基于視頻的人流量統(tǒng)計方法中，一種應(yīng)用較為廣泛并且統(tǒng)計精度較高的方法是基于統(tǒng)計學習理論的人流量統(tǒng)計方法，該方法需要先提取場景中的目標正負樣本，然后選取一種特征描述算子來描述目標，利用機器學習算法對所采集的正負樣本進行特征學習分類，從而得到用于人流量統(tǒng)計中目標檢測的分類器。在人流量統(tǒng)計中，利用上述學習得到的分類器檢測視頻場景中的行人目標并對其進行跟蹤，根據(jù)行人目標的運動軌跡，統(tǒng)計相應(yīng)方向的人數(shù)。
[0005]但是人流量統(tǒng)計應(yīng)用的場景由于不同的成像需要，所安裝的監(jiān)控攝像機的成像角度通常是不一樣的。在應(yīng)用上述方法時，為了能夠在不同的視頻成像角度下都取得較高的統(tǒng)計精度，需要訓練各個不同成像角度的分類器，然后在人流量統(tǒng)計算法應(yīng)用前選擇相應(yīng)角度的分類器進行人流量統(tǒng)計。雖然采用分類器的方法提高了不同成像角度下的統(tǒng)計精度，但是在人流量統(tǒng)計系統(tǒng)運行前，需要人工的選擇相應(yīng)分類器，降低了系統(tǒng)的自適應(yīng)性，并且由于使用者可能沒有正確判斷應(yīng)該使用的分類器，造成統(tǒng)計精度下降。


【發(fā)明內(nèi)容】

[0006]針對現(xiàn)有技術(shù)的以上缺陷或改進需求，本發(fā)明提供一種人流量統(tǒng)計系統(tǒng)中分類器的自動選擇方法，在人流量統(tǒng)計系統(tǒng)運行之前，本發(fā)明通過在線學習的方法，選擇出最優(yōu)的分類器；其目的在于避免基于統(tǒng)計學習理論的人流量統(tǒng)計算法存在的手動設(shè)置分類器的不準確性和不方便性的問題。
[0007]為實現(xiàn)上述目的，本發(fā)明提供一種人流量統(tǒng)計系統(tǒng)中分類器的自動選擇方法，包括以下步驟:
[0008](I)獲取視頻源；
[0009](2)讀取所述視頻源中的一幀圖像作為當前圖像幀；
[0010](3)將人流量統(tǒng)計系統(tǒng)中的所有分類器都標記為未選擇的狀態(tài)，各分類器對應(yīng)不同成像角度；
[0011](4)從所有標記為未選擇狀態(tài)的分類器中選擇一個分類器，并將其標記為已選擇狀態(tài)；
[0012](5)利用所述步驟(4)已選擇的分類器對所述當前圖像幀中的行人進行目標檢測；
[0013](6)判斷當前選擇分類器的跟蹤目標隊列是否為空，如果為空則轉(zhuǎn)向步驟(9)，否則轉(zhuǎn)向步驟(7)，其中，所述跟蹤目標隊列是存放所述視頻源中檢測到的行人目標的運動軌跡的隊列；
[0014](7)判斷所述已選擇的分類器的檢測目標隊列中是否存在與所述跟蹤目標隊列中的跟蹤目標相匹配的檢測目標，如果有，則將所述檢測目標與對應(yīng)的跟蹤目標都標記為匹配狀態(tài)，并用所述檢測目標更新所述對應(yīng)的跟蹤目標的位置信息，將所述對應(yīng)的跟蹤目標出現(xiàn)的幀次數(shù)加I ;否則對跟蹤目標不進行任何操作，其中，所述檢測目標隊列為存放所述當前圖像幀中檢測到的所述行人目標的隊列；
[0015](8)判斷所述已選擇的分類器的所述跟蹤目標隊列中的每一個跟蹤目標是否為未匹配的狀態(tài)，是則使用目標跟蹤算法求得未匹配的跟蹤目標在所述當前圖像幀的位置，并用所述求得的位置更新所述未匹配的跟蹤目標的位置信息；否則對跟蹤目標不進行任何操作；
[0016](9)將標記為匹配狀態(tài)的檢測目標從所述檢測目標隊列中刪除，如果檢測目標與所述已選擇的分類器的所述跟蹤目標隊列中任何跟蹤目標都不匹配，則將所述檢測目標加入到所述跟蹤目標隊列中去，并將其出現(xiàn)的幀次數(shù)加I ;否則對檢測目標不進行任何操作；
[0017](10)如果跟蹤目標位于所述當前圖像幀的邊緣，則將其從所述跟蹤目標隊列中刪除，否則對跟蹤目標不進行任何操作；
[0018](11)分別對所述已選擇的分類器的所述跟蹤目標隊列中的每一個跟蹤目標進行計數(shù)操作，得到所述已選擇的分類器統(tǒng)計的人數(shù)；
[0019](12)判斷是否還有標記為未選擇狀態(tài)的分類器，有則執(zhí)行步驟(4)，否則執(zhí)行步驟(13)；
[0020](13)判斷統(tǒng)計人數(shù)最多的分類器所統(tǒng)計的人數(shù)是否超過統(tǒng)計閾值，是則執(zhí)行步驟
(14)，否則執(zhí)行步驟(2);
[0021](14)選擇所述統(tǒng)計人數(shù)最多的分類器作為所述人流量統(tǒng)計系統(tǒng)中使用的最優(yōu)分類器，以實現(xiàn)對所述人流量統(tǒng)計系統(tǒng)中多個分類器的自動選擇。
[0022]總體而言，通過本發(fā)明所構(gòu)思的以上技術(shù)方案與現(xiàn)有技術(shù)相比，具有以下有益效果:
[0023]本發(fā)明是一種在線學習的方法，運行在人流量統(tǒng)計算法之前。經(jīng)過對需要選擇分類器的人流量統(tǒng)計場景視頻進行在線學習后，本發(fā)明能夠選擇出最適合此人流量統(tǒng)計場景的分類器。在采用本發(fā)明后，能讓現(xiàn)有的基于統(tǒng)計學習理論的人流量統(tǒng)計算法自動化的運行，不需要人工選擇最優(yōu)分類器，也避免了因人為選擇了錯誤分類器而造成的統(tǒng)計精度下降；
[0024]本發(fā)明選取分類分值最高的檢測目標作為最終的檢測目標，將其他與之重疊的檢測目標刪除，降低了虛假目標出現(xiàn)的可能，使得檢測出來的目標基本是正確的行人目標；
[0025]本發(fā)明利用了跟蹤目標的空間和時間信息來對計數(shù)目標進行約束，對于出現(xiàn)次數(shù)較少的跟蹤目標不進行計數(shù)操作，降低了虛假目標被統(tǒng)計的概率。

【專利附圖】

【附圖說明】
[0026]圖1為本發(fā)明人流量統(tǒng)計系統(tǒng)中分類器自動選擇方法的流程圖。
[0027]圖2(a)為本發(fā)明從視頻源中獲取的某一幀圖像。
[0028]圖2(b)為本發(fā)明采用成像角度為45度的視頻中提取的正負樣本訓練所得的分類器對圖2(a)進行目標檢測的結(jié)果。
[0029]圖2 (C)為本發(fā)明對某視頻進行最優(yōu)分類器選擇的結(jié)果。

【具體實施方式】
[0030]為了使本發(fā)明的目的、技術(shù)方案及優(yōu)點更加清楚明白，以下結(jié)合附圖及實施例，對本發(fā)明進行進一步詳細說明。應(yīng)當理解，此處所描述的具體實施例僅僅用以解釋本發(fā)明，并不用于限定本發(fā)明。此外，下面所描述的本發(fā)明各個實施方式中所涉及到的技術(shù)特征只要彼此之間未構(gòu)成沖突就可以相互組合。
[0031]圖1所示為本發(fā)明人流量統(tǒng)計系統(tǒng)中分類器自動選擇方法的流程圖，包括以下步驟:
[0032](I)獲取視頻源。
[0033](2)讀取步驟(I)所獲取的視頻源中的一幀圖像。圖2(a)所示為本發(fā)明實施例視頻源中的一幀圖像。
[0034](3)將用于人流量統(tǒng)計系統(tǒng)中的所有分類器都標記為未選擇的狀態(tài)。預先設(shè)定多個成像視角，分別離線訓練一個分類器。在本發(fā)明實例中，分類器為基于成像角度為45度、60度、80度的正負樣本訓練所得的三種不同角度的線性支持向量機分類器。
[0035](4)從標記為未選擇狀態(tài)的分類器中選擇一個分類器，并標記其為已選擇狀態(tài)。
[0036](5)利用步驟(4)中選擇的分類器對當前一幀圖像中的行人進行目標檢測，具體包括以下子步驟:
[0037](5-1)用不同尺寸大小的檢測窗口依次在當前幀的圖像內(nèi)從上到下、從左到右進行滑動檢索。在本發(fā)明實施例中，一幀圖像的大小(分辨率)為352 X 288，檢測窗口的尺寸包括 22X22,26X26,30X30 和 34X34 四種尺寸。
[0038]提取當前檢測窗口內(nèi)的目標特征，所提取的目標特征與分類器學習訓練的特征一致。在本發(fā)明實施例中，提取的目標特征為方向梯度直方圖(Histogram of OrientedGradient，以下簡稱HOG)特征。方向梯度直方圖特征是通過統(tǒng)計目標梯度強度和方向分布來描述目標的外觀形狀特征，能夠很好地描述非剛體(例如行人)目標，并且能夠抵抗場景中的光照變化。將提取的目標特征輸入當前選擇的分類器中得到相應(yīng)的分類分值，在本發(fā)明實施例中，目標特征的分類分值一般分布在(0,4)區(qū)間內(nèi)，非目標特征的分類分值一般分布在(-4,0)區(qū)間內(nèi)。分類分值score的計算公式為:

【權(quán)利要求】
1.一種人流量統(tǒng)計系統(tǒng)中分類器的自動選擇方法，其特征在于，包括以下步驟: (1)獲取視頻源； (2)讀取所述視頻源中的一幀圖像作為當前圖像幀； (3)將人流量統(tǒng)計系統(tǒng)中的所有分類器都標記為未選擇的狀態(tài)，各分類器對應(yīng)不同成像角度； (4)從所有標記為未選擇狀態(tài)的分類器中選擇一個分類器，并將其標記為已選擇狀態(tài)； (5)利用所述步驟(4)已選擇的分類器對所述當前圖像幀中的行人進行目標檢測； (6)判斷當前選擇分類器的跟蹤目標隊列是否為空，如果為空則轉(zhuǎn)向步驟(9)，否則轉(zhuǎn)向步驟(7)，其中，所述跟蹤目標隊列是存放所述視頻源中檢測到的行人目標的運動軌跡的隊列； (7)判斷所述已選擇的分類器的檢測目標隊列中是否存在與所述跟蹤目標隊列中的跟蹤目標相匹配的檢測目標，如果有，則將所述檢測目標與對應(yīng)的跟蹤目標都標記為匹配狀態(tài)，并用所述檢測目標更新所述對應(yīng)的跟蹤目標的位置信息，將所述對應(yīng)的跟蹤目標出現(xiàn)的幀次數(shù)加I ;否則對跟蹤目標不進行任何操作，其中，所述檢測目標隊列為存放所述當前圖像幀中檢測到的所述行人目標的隊列； (8)判斷所述已選擇的分類器的所述跟蹤目標隊列中的每一個跟蹤目標是否為未匹配的狀態(tài)，是則使用目標跟蹤算法求得未匹配的跟蹤目標在所述當前圖像幀的位置，并用所述求得的位置更新所述未匹配的跟蹤目標的位置信息；否則對跟蹤目標不進行任何操作； (9)將標記為匹配狀態(tài)的檢測目標從所述檢測目標隊列中刪除，如果檢測目標與所述已選擇的分類器的所述跟蹤目標隊列中任何跟蹤目標都不匹配，則將所述檢測目標加入到所述跟蹤目標隊列中去，并將其出現(xiàn)的幀次數(shù)加I ;否則對檢測目標不進行任何操作； (10)如果跟蹤目標位于所述當前圖像幀的邊緣，則將其從所述跟蹤目標隊列中刪除，否則對跟蹤目標不進行任何操作； (11)分別對所述已選擇的分類器的所述跟蹤目標隊列中的每一個跟蹤目標進行計數(shù)操作，得到所述已選擇的分類器統(tǒng)計的人數(shù)； (12)判斷是否還有標記為未選擇狀態(tài)的分類器，有則執(zhí)行步驟(4)，否則執(zhí)行步驟(13)； (13)判斷統(tǒng)計人數(shù)最多的分類器所統(tǒng)計的人數(shù)是否超過統(tǒng)計閾值，是則執(zhí)行步驟(14)，否則執(zhí)行步驟(2); (14)選擇所述統(tǒng)計人數(shù)最多的分類器作為所述人流量統(tǒng)計系統(tǒng)中使用的最優(yōu)分類器，以實現(xiàn)對所述人流量統(tǒng)計系統(tǒng)中多個分類器的自動選擇。
2.如權(quán)利要求1所述的方法，其特征在于，所述步驟(5)具體包括以下子步驟: (5-1)用不同尺寸大小的檢測窗口依次在所述當前圖像幀內(nèi)從上到下、從左到右進行滑動檢索，提取當前檢測窗口內(nèi)的目標特征，計算所述目標特征的分類分值score，如果所得的所述分類分值score大于分類閾值，則認定所述檢測窗口中存在檢測目標，并將所述檢測目標添加到所述已選擇的分類器的所述檢測目標隊列中，其中，分類分值score的計算公式為:
其中，[W1, W2,..., Wq]表示線性支持向量機分類器的支撐向量；[X1, X2,...，Xq]表示所述檢測窗口內(nèi)的方向梯度直方圖特征^表示選取的方向梯度直方圖特征維數(shù)；b*表示所述線性支持向量機分類器求得的最優(yōu)分類間隔； (5-2)將檢測窗口移動到所述當前圖像幀的下一個位置，并重復所述步驟(5)直到每個尺寸的檢測窗口都遍歷完所述當前圖像幀為止； (5-3)選取所述分類分值score最高的檢測目標作為最終的檢測目標，將其他與之重疊的檢測目標刪除。
3.如權(quán)利要求1或2所述的方法，其特征在于，所述步驟(7)中判斷檢測目標是否與跟蹤目標相匹配的方法為:若檢測目標與一個跟蹤目標相匹配，那么其與所述跟蹤目標之間的距離要小于距離閾值，并且是與所述跟蹤目標距離小于所述距離閾值的所有檢測目標中與所述跟蹤目標的表觀顏色信息最相似的，其中，所述表觀顏色相似度采用如下公式進行計算:
其中，k表示跟蹤目標；1表示檢測目標；將跟蹤目標和檢測目標所在圖像區(qū)域的二維點集R = {It (a, b) Za1≤a≤a2, Id1≤b ≤b2}轉(zhuǎn)換為按行順序存儲的一維向量X,所述一維向量X的均值為
，N表示所述圖像區(qū)域內(nèi)像素點的個數(shù)；Xki和Xli分別為向量Xk和Xi中任一元素。
4.如權(quán)利要求1或2所述的方法，其特征在于，所述步驟(8)中使用的所述目標跟蹤算法為均值漂移算法。
5.如權(quán)利要求1或2所述的方法，其特征在于，所述步驟(10)中若跟蹤目標的中心位置與所述當前圖像幀某一邊的距離小于最大檢測窗口尺寸的一半，則認為所述跟蹤目標已經(jīng)位于所述當前圖像幀的邊緣。
6.如權(quán)利要求1或2所述的方法，其特征在于，所述步驟(11)具體包括以下子步驟: (11-1)判斷跟蹤目標是否標記為已計數(shù)狀態(tài)，如果是，則對所述跟蹤目標不進行任何操作，否則執(zhí)行步驟(11-2)； (11-2)判斷跟蹤目標在上一幀圖像的位置與所述當前幀圖像的位置的差值是否大于位差閾值，如果是則執(zhí)行步驟(I 1-3)，否則對該跟蹤目標不進行任何操作； (11-3)判斷跟蹤目標出現(xiàn)的幀次數(shù)是否大于出現(xiàn)次數(shù)閾值，如果是則將所述已選擇的分類器統(tǒng)計的人數(shù)值加1，否則不進行任何操作。
【文檔編號】G06K9/66GK104134078SQ201410349739
【公開日】2014年11月5日 申請日期:2014年7月22日 優(yōu)先權(quán)日:2014年7月22日
【發(fā)明者】桑農(nóng), 王瑩, 彭章祥, 高常鑫, 杜文凱, 李冠萍 申請人:華中科技大學