基于人頭檢測(cè)的行人計(jì)數(shù)方法
【技術(shù)領(lǐng)域】
[0001] 本發(fā)明屬于計(jì)算機(jī)視覺(jué)技術(shù)領(lǐng)域，更具體地涉及一種基于人頭檢測(cè)的行人計(jì)數(shù)方 法。
【背景技術(shù)】
[0002] 在很多行業(yè)，人流信息可以為人流管理、資源管理、管理決策提供關(guān)鍵的依據(jù)。例 如在地鐵站，通過(guò)行人計(jì)數(shù)可以實(shí)時(shí)了解每個(gè)站點(diǎn)的人流大小，靈活調(diào)度地鐵列車(chē)密度，實(shí) 施人流控制，實(shí)時(shí)發(fā)布人流密集地區(qū)信息，有利于加強(qiáng)人群運(yùn)輸效率，確保地鐵運(yùn)營(yíng)平穩(wěn)有 效。
[0003] 在商場(chǎng)，人流量是體現(xiàn)其商業(yè)價(jià)值的重要依據(jù)，對(duì)人流量的準(zhǔn)確計(jì)算，有利于掌握 客人的購(gòu)物偏好，從而實(shí)現(xiàn)更好的物流安排，還可以根據(jù)各區(qū)域的人群密集程度，有效調(diào)配 服務(wù)人員。人流量還關(guān)系到人流密集場(chǎng)所的安全問(wèn)題，有效控制場(chǎng)內(nèi)人群數(shù)量，可以在火警 等緊急情況下迅速疏導(dǎo)人群，避免踩踏、推擠等情況發(fā)生。
[0004] 傳統(tǒng)的行人技術(shù)方法只能依靠機(jī)械手段進(jìn)行行人統(tǒng)計(jì)，一般利用機(jī)械的運(yùn)動(dòng)來(lái)進(jìn) 行人流統(tǒng)計(jì)。行人走過(guò)閘門(mén)的同時(shí)推動(dòng)機(jī)械轉(zhuǎn)動(dòng)，通過(guò)統(tǒng)計(jì)轉(zhuǎn)動(dòng)的次數(shù)即可統(tǒng)計(jì)人流信息。 這種基于機(jī)械的方法建設(shè)成本高昂，設(shè)備投入費(fèi)用巨大，而且設(shè)備體積較大，一般是固定在 出入口處，使用起來(lái)不夠靈活，對(duì)于人流信息的管理也不夠方便，還有一個(gè)最大的缺點(diǎn)就是 阻礙了人流的行進(jìn)速度。

【發(fā)明內(nèi)容】

[0005] 本發(fā)明的目的在于提供一種基于人頭檢測(cè)的行人計(jì)數(shù)方法，用以提高對(duì)公共區(qū)域 內(nèi)對(duì)行人進(jìn)行人數(shù)統(tǒng)計(jì)的效率與準(zhǔn)確度。
[0006] 為實(shí)現(xiàn)上述發(fā)明目的，本發(fā)明提供了一種基于人頭檢測(cè)的行人計(jì)數(shù)方法，該方法 包括以下步驟：
[0007] S1、對(duì)若干訓(xùn)練樣本集使用SVM分類(lèi)器進(jìn)行訓(xùn)練以得到若干人頭分類(lèi)器；
[0008] S2、獲取監(jiān)控區(qū)域的視頻流圖像作為輸入圖像；
[0009] S3、通過(guò)幀間差分法對(duì)輸入圖像進(jìn)行幀間差分運(yùn)算，以得到運(yùn)動(dòng)行人區(qū)域；
[0010] S4、利用人頭分類(lèi)器對(duì)運(yùn)動(dòng)行人區(qū)域進(jìn)行檢測(cè)，得到人頭區(qū)域；
[0011] S5、通過(guò)Kalman最近鄰匹配跟蹤法對(duì)人頭區(qū)域的中心點(diǎn)進(jìn)行跟蹤與計(jì)數(shù)。
[0012] 作為本發(fā)明的進(jìn)一步改進(jìn)，所述步驟Sl中的"訓(xùn)練樣本集"包括：包含人頭圖像的 正樣本集和不包含人頭圖像的負(fù)樣本集，所述正樣本和所述負(fù)樣本均為20*20像素的灰度 圖像。
[0013] 作為本發(fā)明的進(jìn)一步改進(jìn)，所述步驟Sl中的正樣本集包括：頭頂正樣本子集、正 面正樣本子集、后面正樣本子集、左側(cè)正樣本子集和右側(cè)正樣本子集，每個(gè)正樣本子集的正 樣本數(shù)量為600 ;
[0014] 所述步驟Sl中的負(fù)樣本集包括：頭頂負(fù)樣本子集、正面負(fù)樣本子集、后面負(fù)樣本 子集、左側(cè)負(fù)樣本子集和右側(cè)負(fù)樣本子集，每個(gè)負(fù)樣本子集的負(fù)樣本數(shù)量為1400。
[0015] 作為本發(fā)明的進(jìn)一步改進(jìn)，所述步驟Sl具體為：使用SVM分類(lèi)器分別對(duì)各訓(xùn)練正 樣本子集與負(fù)樣本子集進(jìn)行訓(xùn)練，以得到頭頂分類(lèi)器、正面分類(lèi)器、后面分類(lèi)器、左側(cè)分類(lèi) 器、右側(cè)分類(lèi)器。
[0016] 作為本發(fā)明的進(jìn)一步改進(jìn)，所述步驟S3中的"幀間差分法"具體為：根據(jù)步驟S2 獲取的輸入圖像，利用當(dāng)前幀圖像與前一幀圖像作幀間差分運(yùn)算以得到差分圖像，所述幀 間差分運(yùn)算的計(jì)算公式為：
[0017] Dk(x,y) = Fk(x, y)-Fk ! (x, y)；
[0018] 其中，F(xiàn)k 為前一幀圖像中像素點(diǎn)的灰度值，F(xiàn) k(x，y)為當(dāng)前幀圖像中像素點(diǎn) 的灰度值，Dk(x，y)為二者的差分圖像。
[0019] 作為本發(fā)明的進(jìn)一步改進(jìn)，所述步驟S3還包括：對(duì)差分圖像Dk(X，y)進(jìn)行二值化 處理以得到二值圖像R k (X，y)，所述二值化處理的運(yùn)算公式如下所示：
[0021] 其中，M為分割閥值，且M = 70。
[0022] 作為本發(fā)明的進(jìn)一步改進(jìn)，所述步驟S3還包括對(duì)二值圖像Rk(x，y)進(jìn)行形態(tài)學(xué)處 理，所述形態(tài)學(xué)處理具體為：先進(jìn)行膨脹處理，后進(jìn)行腐蝕處理；所述膨脹處理中的膨脹參 數(shù)優(yōu)選為5,腐蝕處理中的腐蝕參數(shù)優(yōu)選為3。
[0023] 作為本發(fā)明的進(jìn)一步改進(jìn)，所述步驟S3中的"運(yùn)動(dòng)行人區(qū)域"具體為：包含運(yùn)動(dòng)行 人的矩形區(qū)域。
[0024] 作為本發(fā)明的進(jìn)一步改進(jìn)，所述步驟S4具體為：對(duì)運(yùn)動(dòng)行人區(qū)域進(jìn)行積分圖計(jì) 算，得到運(yùn)動(dòng)行人區(qū)域的積分圖；并以20*20像素大小的圖像塊作為檢測(cè)窗口，在水平和垂 直方向上以3個(gè)像素點(diǎn)為步長(zhǎng)，對(duì)積分圖作行、列的滑動(dòng)掃描；計(jì)算檢測(cè)窗口內(nèi)的Haar特 征，將Haar特征輸入到人頭分類(lèi)器中。
[0025] 與現(xiàn)有技術(shù)相比，本發(fā)明的有益效果是：在本發(fā)明中，事先使用SVM分類(lèi)器進(jìn)行訓(xùn) 練以得到若干人頭分類(lèi)器，并利用該人頭分類(lèi)器對(duì)運(yùn)動(dòng)行人區(qū)域進(jìn)行檢測(cè)，得到人頭區(qū)域， 最后通過(guò)Kalman最近鄰匹配跟蹤法對(duì)人頭區(qū)域的中心點(diǎn)進(jìn)行跟蹤與計(jì)數(shù)，提高了對(duì)公共 區(qū)域中行人人數(shù)進(jìn)行統(tǒng)計(jì)的效率與準(zhǔn)確率。
【附圖說(shuō)明】
[0026] 圖1為本發(fā)明基于人頭檢測(cè)的行人計(jì)數(shù)方法的流程示意圖；
[0027] 圖2為本發(fā)明所選用的五種Haar基本特征的示意圖；
[0028] 圖3為實(shí)現(xiàn)步驟S2的工作原理示意圖；
[0029] 圖4為提取到的運(yùn)動(dòng)行人區(qū)域的示意圖；
[0030] 圖5為步驟S3中提取所有運(yùn)動(dòng)行人區(qū)域的算法流程圖；
[0031] 圖6為人頭分類(lèi)器檢測(cè)的示意圖；
[0032] 圖7為合并相鄰人頭圖像的示意圖。
【具體實(shí)施方式】
[0033] 下面結(jié)合附圖所示的各實(shí)施方式對(duì)本發(fā)明進(jìn)行詳細(xì)說(shuō)明，但應(yīng)當(dāng)說(shuō)明的是，這些 實(shí)施方式并非對(duì)本發(fā)明的限制，本領(lǐng)域普通技術(shù)人員根據(jù)這些實(shí)施方式所作的功能、方法、 或者結(jié)構(gòu)上的等效變換或替代，均屬于本發(fā)明的保護(hù)范圍之內(nèi)。
[0034] 參圖1所示，圖1為本發(fā)明基于人頭檢測(cè)的行人計(jì)數(shù)方法的流程示意圖。
[0035] 在本實(shí)施方式中，該基于人頭檢測(cè)的行人計(jì)數(shù)方法包括以下步驟：
[0036] S1、對(duì)若干訓(xùn)練樣本集使用SVM分類(lèi)器進(jìn)行訓(xùn)練以得到若干人頭分類(lèi)器。
[0037] 在本實(shí)施方式中，訓(xùn)練樣本集包括兩類(lèi)訓(xùn)練樣本集。一類(lèi)為包含人頭圖像的正樣 本集；另一類(lèi)為不包含人頭的負(fù)樣本集。正樣本集中的所有正樣本與負(fù)樣本集中的所有負(fù) 樣本均為20*20像素的灰度圖像。正樣本集中的正樣本數(shù)量為3000,負(fù)樣本集中的負(fù)樣本 數(shù)量為7000。
[0038] 通過(guò)對(duì)不同方位采集得到的人頭，可將正樣本集分為：頭頂正樣本子集、正面正樣 本子集、后面正樣本子集、左側(cè)正樣本子集和右側(cè)正樣本子集五種不同的正樣本子集，每個(gè) 正樣本子集的正樣本數(shù)量為600。
[0039] 同時(shí)，可將負(fù)樣本集分為：頭頂負(fù)樣本子集、正面負(fù)樣本子集、后面負(fù)樣本子集、左 側(cè)負(fù)樣本子集和右側(cè)負(fù)樣本子集，每個(gè)負(fù)樣本子集的負(fù)樣本數(shù)量為1400。
[0040] 在本實(shí)施方式中，可采用如圖2所示的五種Haar基本特征：
[0041] 2a :左右相鄰的黑色矩形區(qū)域的像素和減去白色矩形區(qū)域的像素和；
[0042] 2b :上下相鄰的黑色矩形區(qū)域的像素和減去白色矩形區(qū)域的像素和；
[0043] 2c:-個(gè)黑色矩形區(qū)域像素和的兩倍減去與其左右相鄰的白色矩形區(qū)域的像素 和；
[0044] 2d:-個(gè)黑色矩形區(qū)域像素和的兩倍減去與其上下相鄰的白色矩形區(qū)域的像素 和；
[0045] 2e:兩個(gè)對(duì)角相連的黑色矩形區(qū)域的像素和減去與其相鄰的兩個(gè)對(duì)角相連的白色 矩形區(qū)域的像素和；
[0046] 在本實(shí)施方式中，可將該五種Haar基本特征線性組合成若干個(gè)Haar特征。
[0047] 在本實(shí)施方式中，訓(xùn)練樣本的大小為20*20個(gè)像素。為快速計(jì)算訓(xùn)練樣本的Haar 特征，Haar特征在訓(xùn)練樣本的積分圖上進(jìn)行計(jì)算。
[0048]為提高對(duì)人頭檢測(cè)的準(zhǔn)確率，通過(guò)對(duì)不同方位采集得到的人頭，可將正樣本集分 為：僅包含頭頂?shù)念^頂正樣本集、僅包含正面的正面正樣本集、僅包含后腦勺的后面正樣本 集、僅包含人頭左側(cè)的左側(cè)正樣本集和僅包含人頭右側(cè)的右側(cè)正樣本集五種不同的正樣本 子集，每個(gè)正樣本子集的正樣本數(shù)量為600。
[0049] 利用SVM分類(lèi)器分別對(duì)各訓(xùn)練正樣本子集與負(fù)樣本子集進(jìn)行訓(xùn)練，得到：頭頂分 類(lèi)器、正面分類(lèi)器、后面分類(lèi)器、左側(cè)分類(lèi)器和右側(cè)分類(lèi)器五種分類(lèi)器。當(dāng)檢測(cè)窗口通過(guò)五 個(gè)分類(lèi)器其中的任何一個(gè)分類(lèi)器時(shí)，則被判斷為人頭圖像。
[0050] S2、獲取監(jiān)控區(qū)域的視頻流圖像作為輸入圖像。
[0051] 參圖3所示，本發(fā)明基于光流法的行人計(jì)數(shù)方法是基于攝像機(jī)10垂直拍攝并可適 用于室外環(huán)境和室內(nèi)環(huán)境。在本實(shí)施方式中，該步驟S2具體為：通過(guò)攝像機(jī)10獲取監(jiān)控區(qū) 域30的視頻流圖像作為輸入圖像，所述監(jiān)控區(qū)域30位于攝像機(jī)10的正下方。
[0052] 具體的，攝像機(jī)10設(shè)置在出入口 20的正上方，行人可沿著箭頭201的方向上在出 入口 20中來(lái)回走動(dòng)。攝像機(jī)10所獲取的監(jiān)控區(qū)域30可完全覆蓋出入口 20的全部區(qū)域。 該出入口 20可設(shè)置在需要對(duì)行人人數(shù)進(jìn)行統(tǒng)計(jì)的商場(chǎng)、車(chē)庫(kù)、銀行等需要重點(diǎn)監(jiān)控場(chǎng)所的 大門(mén)口或者走廊中。
[0053] 需要說(shuō)明的是，本發(fā)明在攝像機(jī)10垂直地正對(duì)著監(jiān)控區(qū)域30時(shí)的效果最佳，當(dāng)然 可也將攝像機(jī)10傾斜地對(duì)著