一種基于多特征融合的密集人數(shù)估計方法和系統(tǒng)的制作方法
【專利摘要】本發(fā)明提出了一種基于多特征融合的密集人數(shù)估計方法與系統(tǒng)。首先，將圖像分成N個相等的子塊；然后，用基于CSLBP直方圖紋理模型和混合高斯背景建模的方法，對圖像進行分層次背景建模，提取各子塊經(jīng)透視校正后的前景面積，并結(jié)合改進的Sobel邊緣檢測算子檢測出各子塊邊緣密度，還結(jié)合CSLBP變換和灰度共生矩陣提取描述圖像紋理特征的四個不同方向的重要紋理特征向量；再通過主成分分析對提取到的人群前景分割特征向量和紋理特征向量進行降維處理；將降維后的特征向量輸入到神經(jīng)網(wǎng)絡(luò)模型的輸入層，由其輸出層得到各子塊的人數(shù)估計；最后，相加得到總?cè)藬?shù)。其具有較高的準(zhǔn)確性和較好的魯棒性，在對地鐵站臺監(jiān)控視頻的人數(shù)統(tǒng)計實驗中取得了較好效果。
【專利說明】-種基于多特征融合的密集人數(shù)估計方法和系統(tǒng)

【技術(shù)領(lǐng)域】
[0001] 本發(fā)明屬于視頻分析處理領(lǐng)域，尤其涉及一種密集人數(shù)估計方法和系統(tǒng)。

【背景技術(shù)】
[0002] 隨著世界人口的不斷增加和社會經(jīng)濟的快速發(fā)展，群體性事件與日俱增，從而人 群安全問題已經(jīng)成為人們關(guān)注的熱點問題。視頻監(jiān)控技術(shù)的高速發(fā)展是對群體性事件控制 的重要技術(shù)保障，而人群的人數(shù)統(tǒng)計是對群體性事件進行有效管理的重要依據(jù)。
[0003] 傳統(tǒng)的視覺監(jiān)視應(yīng)用是基于閉路電視系統(tǒng)（Closed Circuit Television, CCTV) 的模擬系統(tǒng)。該系統(tǒng)的視頻監(jiān)控完全是W人工監(jiān)視為主，而且人工的方法需要巨大的監(jiān)視 工作量，隨著監(jiān)視時間的增長，監(jiān)視人員的注意力會下降，很容易遺漏場景中發(fā)生的問題。 而事后對存儲數(shù)據(jù)的查找、分析，即使發(fā)現(xiàn)問題也為時已晚。隨著我國綜合國力的不斷增 強，大規(guī)模群體性活動變得日益頻繁，比如體育賽事、明星演唱會、宗教儀式等。人群的安全 是一個十分重要的問題，關(guān)系到社會治安的穩(wěn)定，所W有關(guān)部口對群體性事件高度重視。而 群體性事件的發(fā)生將會帶來巨大的損失，而我們國家的人口眾多，極易發(fā)生群體性事件，所 W對人群的人數(shù)統(tǒng)計設(shè)計顯得尤其重要。而人群的人數(shù)估計可W對某一監(jiān)控場景給出人群 的密度等級，該有助于管理者調(diào)度人力去預(yù)防群體性事件的發(fā)生，因而人群的人數(shù)統(tǒng)計是 群體監(jiān)控的一項主要參考指標(biāo)。
[0004] 目前，針對人數(shù)統(tǒng)計問題的研究主要分為兩類。一類是基于行人檢測的方法，通 過提取人體或頭部局部區(qū)域的輪廓、紋理、色彩等特征來檢測行人個體，并據(jù)此計算場景人 數(shù)。此類方法能夠定位出場景中行人的具體位置，對于一些畫面清晰，人數(shù)較少的簡單場景 有一定的效果。然而，現(xiàn)實監(jiān)控場景中更多的是一些畫面模糊，人數(shù)多且互相遮擋嚴重的復(fù) 雜場景，此類方法對該樣的實際監(jiān)控場景并不適用。另一類是基于全局特征統(tǒng)計人數(shù)的方 法，通過提取場景中的前景區(qū)域特征，如面積、邊緣長度、紋理特征等，再利用回歸算法來統(tǒng) 計場景中的人數(shù)。該類方法雖不能準(zhǔn)確定位每個行人的具體位置，但能更好地統(tǒng)計出復(fù)雜 場景中的人數(shù)。Conde C通過提取灰度差分矩陣（GLDM)特征對廣場大廳類的監(jiān)控場景實 現(xiàn)了人數(shù)統(tǒng)計，然而該方法中需要提取的特征值較多，計算步驟過于復(fù)雜。Moctezuma D和 Martin D采用了灰度共生矩陣（GLCM)特征進行人數(shù)統(tǒng)計，并通過主成分分析（PCA)簡化了 最終的特征指標(biāo)，在不影響精確度的情況下，降低了計算量，但該方法未能很好地考慮透視 效應(yīng)的因素，即圖像中人所占的像素數(shù)隨著與攝像頭距離的增大而減小，對于復(fù)雜場景的 實際檢測效果一般。A化iol A和化jer F通過提取場景中運動區(qū)域的角點信息統(tǒng)計人數(shù)， 可W在無需提取場景前景的情況下統(tǒng)計場景中的人數(shù)，然而該算法僅能檢測出運動狀態(tài)的 行人，無法檢測出靜止?fàn)顟B(tài)的行人。


【發(fā)明內(nèi)容】

[0005] 為了解決現(xiàn)有技術(shù)中問題，本發(fā)明提出了一種磁集成與電流紋波抵消的H端口變 換器，能夠減少了磁環(huán)的數(shù)量和驅(qū)動禪合變壓器的個數(shù)，同時，減小了電磁干擾影響，使得 H端口流經(jīng)的電流紋波很小。
[0006] 本發(fā)明通過如下技術(shù)方案實現(xiàn)：
[0007] -種基于多特征融合的密集人數(shù)估計方法包括W下步驟：
[0008] 步驟1 ;輸入視頻圖像，將圖像分成N個相等的子圖像塊，賦予不同的權(quán)重；并利用 圖像中行人目標(biāo)的身高大小與其所在位置作為基準(zhǔn)，計算圖像透視校正后的歸一化投影系 數(shù)；
[0009] 步驟2 ;用基于中也對稱局部二值模式CSLBP直方圖紋理描述和混合高斯背景建 模的方法，對輸入圖像進行分層次背景建模，提取各圖像塊的前景分割特征，并結(jié)合改進的 Sobel邊緣檢測算子檢測出各圖像塊邊緣密度；此外還結(jié)合中也對稱局部二元模式和灰度 共生矩陣提取描述圖像紋理特征的四個不同方向的重要紋理特征向量；
[0010] 步驟3 ;通過主成分分析對所述步驟2提取到的前景分割特征向量和紋理特征向 量進行降維處理，所述前景分割特征包括前景像素密度和前景邊緣密度；
[0011] 步驟4 ;將降維后的特征向量輸入到神經(jīng)網(wǎng)絡(luò)模型的輸入層，由其輸出層得到各 圖像塊的估計人數(shù)值；
[0012] 步驟5 ;將N個子圖像塊的人數(shù)相加得出整個圖像的人數(shù)。
[0013] 進一步地，所述步驟2中采用K個加權(quán)的CSLBP直方圖度量視頻當(dāng)前峽與背景峽 的相似度，提取出粗劣的前景區(qū)域；在已確定的粗劣前景區(qū)域上，將當(dāng)前前景區(qū)域中的每一 個像素值與所建立的混合高斯模型進行匹配，確定出精確的前景目標(biāo)區(qū)域，并利用投影系 數(shù)修正前景面積。
[0014] 進一步地，所述步驟2中考慮圖像空間域上灰度變化的問題，對灰度圖像先進行 中也對稱局部二值模式（CSLB巧變換，確保圖像空間局部鄰域內(nèi)的灰度性和計算效率不 變。再壓縮圖像的灰度等級，利用灰度共生矩陣提取出完整有效的紋理特征向量。
[0015] 另一方面，本發(fā)明提供了一種的基于多特征融合的密集人數(shù)估計系統(tǒng)，所述系統(tǒng) 包括計算機和攝像頭，所述攝像頭采集視頻圖像傳送到所述計算機進行處理，所述計算機 執(zhí)行本發(fā)明的基于多特征融合的密集人數(shù)估計方法。
[0016] 本發(fā)明的有益效果是：本發(fā)明提供的基于多特征融合的密集人數(shù)估計方法和系統(tǒng) 具有較高的準(zhǔn)確性和較好的魯棒性，在對地鐵站臺的監(jiān)控視頻的人數(shù)統(tǒng)計實驗中取得了較 好的效果。

【專利附圖】

【附圖說明】
[0017] 圖1是本發(fā)明的基于多特征融合的密集人數(shù)估計方法流程圖；
[0018] 圖2是劃分成四等分的視頻峽的示意圖；
[0019] 圖3是LBP/CSLBP算子示意圖；
[0020] 圖4是經(jīng)典的Sobel算子模板示意圖；
[0021] 圖5是改進的Sobel算子模板示意圖。

【具體實施方式】
[0022] 下面結(jié)合【專利附圖】

【附圖說明】及【具體實施方式】對本發(fā)明進一步說明。
[0023] 如附圖1所示的是本發(fā)明的基于多特征融合的客流人數(shù)估計方法流程圖。首先， 為了消去攝像機透視對圖像特征的影響，將圖像分成4個相等的子圖像塊；賦予不同的權(quán) 重，并利用圖像中行人目標(biāo)的身高大小與其所在位置作為基準(zhǔn)，計算圖像透視校正后的歸 一化投影系數(shù)；然后，用基于中也對稱局部二值模式直方圖紋理描述和混合高斯背景建模 的方法，對輸入圖像進行分層次背景建模，提取各圖像塊的前景面積，并結(jié)合改進的Sobel 邊緣檢測算子檢測出各圖像塊邊緣密度，此外還結(jié)合中也對稱局部二元模式和灰度共生矩 陣提取描述圖像紋理特征的四個不同方向的重要特征向量；再通過主成分分析對提取到的 人群前景分割特征向量和紋理特征向量進行降維處理；接著將降維后的特征向量輸入到神 經(jīng)網(wǎng)絡(luò)模型的輸入層，由其輸出層得到各圖像塊的估計人數(shù)值；最后，相加所有子圖像塊人 數(shù)得出圖像人數(shù)。該方法具有較高的準(zhǔn)確性和較好的魯棒性，在對地鐵站臺的監(jiān)控視頻的 人數(shù)統(tǒng)計實驗中取得了較好的效果。
[0024] 透視效應(yīng)就是同一個人距離攝像頭越遠，他在圖像平面上所占據(jù)的像素數(shù)越少， 即數(shù)量相同的人群在距離攝像頭不同的時候所代表的人群人數(shù)會出現(xiàn)差異。因此，只有透 視校正后的前景特征才能更為準(zhǔn)確地反映場景中的實際人數(shù)。劃分區(qū)域的優(yōu)點：通過劃分 感興趣區(qū)域可W在一定程度上減少透視效應(yīng)對人數(shù)估計結(jié)果的影響；而且通過劃分區(qū)域， 可W在一定程度上去掉一些背景區(qū)域，從而能夠有效的提高運算速度和準(zhǔn)確度。對興趣區(qū) 域進行劃分主要有W下要求：
[00巧](1)在選擇興趣區(qū)域時，應(yīng)當(dāng)盡量保持行人的整體性，避免將其割裂。保持行人的 整體性可W提高人數(shù)估計的精確性。
[0026] (2)區(qū)域的選擇要滿足容斥性。對于圖像中的行人估計，要計算整個場景中行人的 人數(shù)，場景中的人群人數(shù)是各個子區(qū)域內(nèi)的人數(shù)和。
[0027] 因此，考慮到本發(fā)明的實驗場景為地鐵站候車站臺，本發(fā)明將圖像區(qū)域分成相等 的四等分，如附圖2所示。并為每一個區(qū)域賦予不同的權(quán)重W,，r = 1，2, 3, 4。
[0028] 與此同時，本發(fā)明通過對同一場景中同一行人處于不同位置時的大小和橫坐標(biāo)值 進行采樣，并對行人大小和橫坐標(biāo)值進行非線性擬合。結(jié)果表明，行人的寬和高于其所處位 置的橫坐標(biāo)值呈現(xiàn)W下函數(shù)關(guān)系，如下式所示：
[0029] W = AiX^+BiSin (x)+〇1 (1)
[0030] h = AgX^+BgSin (x)+〇2 (2)
[003。 其中w，h分別表示行人目標(biāo)位于橫坐標(biāo)為X時的寬度和高度。A。B。i = 1，2， 分別為待擬合系數(shù)。
[003引由式（1)和式（2)可知，已知場景中某個行人目標(biāo)的大小和對應(yīng)的橫坐標(biāo)值后，可 推導(dǎo)出該目標(biāo)位移至場景中其他任意位置時的大小，具體見式（3)和式（4)。

【權(quán)利要求】
1. 一種基于多特征融合的密集人數(shù)估計方法，其特征在于，所述方法包括以下步驟： 步驟1 :輸入視頻圖像，將圖像分成N個相等的子圖像塊，賦予不同的權(quán)重，并利用圖像 中行人目標(biāo)的身高大小與其所在位置作為基準(zhǔn)，計算圖像透視校正后的歸一化投影系數(shù)； 步驟2 :用基于中心對稱局部二值模式CSLBP直方圖紋理描述和混合高斯背景建模的 方法和所述歸一化投影系數(shù)，對輸入圖像進行分層次背景建模，提取各圖像塊經(jīng)透視校正 后的前景面積，并計算出各圖像塊的前景像素密度，再結(jié)合改進的Sobel邊緣檢測算子檢 測計算出各圖像塊的前景邊緣密度；此外還結(jié)合中心對稱局部二元模式和灰度共生矩陣提 取描述圖像紋理特征的四個不同方向的重要紋理特征向量； 步驟3 :通過主成分分析對所述步驟2提取到的前景分割特征向量和紋理特征向量進 行降維處理，所述前景分割特征包括前景像素密度和前景邊緣密度； 步驟4 :將降維后的特征向量輸入到神經(jīng)網(wǎng)絡(luò)模型的輸入層，由其輸出層得到各圖像 塊的估計人數(shù)值； 步驟5 :將N個子圖像塊的人數(shù)相加得出整個圖像的人數(shù)。
2. 根據(jù)權(quán)利要求1所述的密集人數(shù)估計方法，其特征在于：所述步驟2中用基于中心 對稱局部二值模式CSLBP直方圖紋理描述和混合高斯背景建模的方法和所述歸一化投影 系數(shù)，對輸入圖像進行分層次背景建模，提取各圖像塊的前景面積具體為：利用K個加權(quán)的 CSLBP直方圖度量視頻當(dāng)前幀與背景幀的相似度，提取出粗劣的前景區(qū)域；在已確定的粗 劣前景區(qū)域上，將當(dāng)前前景區(qū)域中的每一個像素值與所建立的混合高斯模型進行匹配，確 定出精確的前景目標(biāo)區(qū)域，并利用投影系數(shù)修正前景面積。
3. 根據(jù)權(quán)利要求1所述的密集人數(shù)估計方法，其特征在于：所述步驟2中結(jié)合中心對 稱局部二元模式和灰度共生矩陣提取描述圖像紋理特征的四個不同方向的重要紋理特征 向量具體為：考慮圖像空間域上灰度變化的問題，對灰度圖像先進行CSLBP變換，確保圖像 空間局部鄰域內(nèi)的灰度性和計算效率不變；再壓縮圖像的灰度等級，利用灰度共生矩陣提 取出完整有效的紋理特征向量。
4. 一種的基于多特征融合的密集人數(shù)估計系統(tǒng)，其特征在于：所述系統(tǒng)包括計算機和 攝像頭，所述攝像頭采集視頻圖像傳送到所述計算機進行處理，所述計算機執(zhí)行如權(quán)利要 求1-4任一項所述的密集人數(shù)估計方法。
【文檔編號】G06K9/62GK104504394SQ201410756921
【公開日】2015年4月8日 申請日期:2014年12月10日 優(yōu)先權(quán)日:2014年12月10日
【發(fā)明者】徐勇, 匡慈維 申請人:哈爾濱工業(yè)大學(xué)深圳研究生院