br>[0071 ] S105:通過特征匹配進行目標航跡關聯(lián)；
[0072]具體地，為了進一步確認下一幀圖像中確定的人頭目標的可靠性，通過對候選區(qū)域內(nèi)所有中心點在區(qū)域范圍內(nèi)的待關聯(lián)候選目標一一進行特征匹配。在此過程中，可以利用基于迀移學習的卷積神經(jīng)網(wǎng)絡+支持向量機提取到的全連接層的特征進行相關系數(shù)相似性度量匹配。首先設置兩個閾值，若相似性度量匹配分數(shù)達到最高設限閾值，且得到的匹配分數(shù)最高，則將該檢測目標確定其為當前幀指定目標的關聯(lián)對象;若相似性度量匹配分數(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。
[0073]另外，對于相似性度量匹配分數(shù)在兩個設定閾值之間的檢測目標，若它在匹配區(qū)域范圍內(nèi)仍存在未匹配目標，則將未匹配目標進行匹配分數(shù)排序。匹配分數(shù)最高目標與檢測目標進行匹配，否則，若在匹配區(qū)域范圍內(nèi)不存在未匹配目標或匹配區(qū)域范圍內(nèi)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(nèi)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，其具體匹配過程見圖4所示。
[0074I S106:利用航跡信息進行人流量統(tǒng)計。
[0075]通過對能夠匹配關聯(lián)到的相應目標進行跟蹤，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，通過對標志位的變化判斷處理，得到最終的人流量統(tǒng)計結果。其過程如圖5所示，目的是為了對通過檢測線的人流量進行計數(shù)統(tǒng)計。具體過程包括:
[0076](I)給待統(tǒng)計視頻序列圖像設置檢測線并初始化人頭檢測信息。這里主要包括人頭檢測矩形框的坐標信息以及所處位置的標志位信息。
[0077](2)更新圖像，用于視頻序列后面的不斷判斷與處理，使之更加連續(xù)。
[0078](3)判定當前幀是否為有檢測人頭信息幀，若有，則賦予其所有檢測框相應的標志位。標志位的設置主要是通過判斷其與檢測線的差值。在此我們根據(jù)檢測線將整幅圖像分成幾個不同區(qū)域，因而將標志位設置成幾個不同標志數(shù)。
[0079](4)根據(jù)航跡預測對待關聯(lián)人頭進行歐氏距離范圍限制。
[0080](4)根據(jù)步驟S105對限制區(qū)域內(nèi)的人頭進行特征匹配，并對匹配到的人頭目標進行航跡關聯(lián)以及更新相應標志位用于后續(xù)判斷。
[0081](5)判斷標志位是否發(fā)生變化，若發(fā)生變化則進行相應計數(shù)，否則更新圖像繼續(xù)進行判斷。
[0082]最后說明的是，以上優(yōu)選實施例僅用以說明本發(fā)明的技術方案而非限制，盡管通過上述優(yōu)選實施例已經(jīng)對本發(fā)明進行了詳細的描述，但本領域技術人員應當理解，可以在形式上和細節(jié)上對其作出各種各樣的改變，而不偏離本發(fā)明權利要求書所限定的范圍。
【主權項】
1.一種基于視頻序列的人流量統(tǒng)計方法，其特征在于: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。2.根據(jù)權利要求1所述的一種基于視頻序列的人流量統(tǒng)計方法，其特征在于: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: 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； 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； 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。3.根據(jù)權利要求1所述的一種基于視頻序列的人流量統(tǒng)計方法，其特征在于: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。4.根據(jù)權利要求1所述的一種基于視頻序列的人流量統(tǒng)計方法，其特征在于: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。5.根據(jù)權利要求1所述的一種基于視頻序列的人流量統(tǒng)計方法，其特征在于:在步驟5)中，通過步驟4)得到候選區(qū)域，對候選區(qū)域內(nèi)所有中心點在區(qū)域范圍內(nèi)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。6.根據(jù)權利要求5所述的一種基于視頻序列的人流量統(tǒng)計方法，其特征在于: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(nèi)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(nèi)不存在未匹配對象或匹配區(qū)域范圍內(nèi)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(nèi)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。7.根據(jù)權利要求1所述的一種基于視頻序列的人流量統(tǒng)計方法，其特征在于: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)。
【專利摘要】本發(fā)明涉及一種基于視頻序列的人流量統(tǒng)計方法，屬于圖像處理與視頻監(jiān)控技術領域。該方法包括以下步驟：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)利用基于遷移學習的卷積神經(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。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。
【IPC分類】G06K9/00, G06K9/62
【公開號】CN105512640
【申請?zhí)枴緾N201511027665
【發(fā)明人】高陳強, 張雅俊, 李佩, 劉江, 胡婕
【申請人】重慶郵電大學
【公開日】2016年4月20日
【申請日】2015年12月30日