本發(fā)明屬于智能監(jiān)控
技術(shù)領(lǐng)域：
，具體是一種基于行人頭肩多目標(biāo)檢測(cè)及跟蹤的統(tǒng)計(jì)方法，它利用計(jì)算機(jī)視覺(jué)技術(shù)對(duì)特定區(qū)域的人流量進(jìn)行統(tǒng)計(jì)。
背景技術(shù)：
：目前行人統(tǒng)計(jì)具有廣泛的商業(yè)應(yīng)用，例如車(chē)站，旅游景點(diǎn)，展區(qū)，商業(yè)街等。利用統(tǒng)計(jì)人數(shù)的數(shù)據(jù)，可以有效的進(jìn)行人員調(diào)動(dòng)，資源配置以及提供更好的安全保障。除了傳統(tǒng)的人工計(jì)數(shù)外，目前常見(jiàn)的行人統(tǒng)計(jì)方法主要有機(jī)械傳閘門(mén)方式，紅外線感應(yīng)計(jì)數(shù)方式以及計(jì)算機(jī)視覺(jué)方式。閘門(mén)和紅外線感應(yīng)計(jì)數(shù)由于受制于硬件條件，只適用于人流量較少的室內(nèi)環(huán)境且依賴(lài)于用于計(jì)數(shù)的設(shè)備。計(jì)算機(jī)視覺(jué)方式具有簡(jiǎn)單，相對(duì)成本較低，適用場(chǎng)景廣泛等特點(diǎn)，本發(fā)明提出的一種基于行人頭肩多目標(biāo)檢測(cè)及跟蹤的統(tǒng)計(jì)方法利用計(jì)算機(jī)視覺(jué)技術(shù)，能夠滿(mǎn)足對(duì)多種場(chǎng)景下的行人流量統(tǒng)計(jì)。目前與本發(fā)明較為接近的技術(shù)方案包括：發(fā)明專(zhuān)利(公布號(hào)：CN103473554A，名稱(chēng)：人流統(tǒng)計(jì)系統(tǒng)及方法)采用正上方單一影像攝取單元，利用光流法得到行人的速度信息并計(jì)算每一幀行人經(jīng)過(guò)檢測(cè)線的距離，取平均作為切片厚度，然后根據(jù)累積的切片還原行人的完整拼圖，最后利用線性回歸分析統(tǒng)計(jì)處拼圖內(nèi)的人數(shù)，該方法對(duì)檢測(cè)線上下進(jìn)行行人統(tǒng)計(jì)，避免了行人的遮擋問(wèn)題；發(fā)明專(zhuān)利(公布號(hào)：CN103824114A，名稱(chēng)：一種基于截面流量統(tǒng)計(jì)的行人流量計(jì)數(shù)方法和系統(tǒng))通過(guò)在視頻中設(shè)置一條行人流量帶，并分割成若干個(gè)截面計(jì)數(shù)塊，提取人群的有效運(yùn)動(dòng)像素特征，梯度像素特征，利用SVM對(duì)截面流量計(jì)數(shù)快進(jìn)行人數(shù)預(yù)測(cè)，該方法能快速統(tǒng)計(jì)行人，在行人運(yùn)動(dòng)方向比較規(guī)律的環(huán)境中有著較高的準(zhǔn)確率；發(fā)明專(zhuān)利(公布號(hào)：CN103049787A，名稱(chēng)：一種基于頭肩特征的人數(shù)統(tǒng)計(jì)方法和系統(tǒng))通過(guò)檢測(cè)行人頭肩信息更新行人跟蹤列表中目標(biāo)，該方法能很好地適應(yīng)監(jiān)控圖像的特征，從而提高人數(shù)統(tǒng)計(jì)的準(zhǔn)確率。綜上所述，當(dāng)前人流量統(tǒng)計(jì)技術(shù)方案中存在如下不足：(1)采用垂直往下拍攝的攝像機(jī)統(tǒng)計(jì)行人人數(shù)，一般只適用于室內(nèi)環(huán)境；(2)在行人運(yùn)動(dòng)方向比較復(fù)雜的環(huán)境中，截面計(jì)數(shù)塊的有效運(yùn)動(dòng)像素塊可能會(huì)互相干擾，造成行人計(jì)數(shù)準(zhǔn)確率低；(3)由于行人體態(tài)的非剛性，環(huán)境噪聲以及行人運(yùn)動(dòng)過(guò)程中的遮擋問(wèn)題，并不能每幀都能檢測(cè)到跟蹤的目標(biāo)，容易造成目標(biāo)跟蹤丟失；技術(shù)實(shí)現(xiàn)要素：為解決現(xiàn)有方法中存在的上述問(wèn)題，本發(fā)明提出一種基于行人頭肩多目標(biāo)檢測(cè)及跟蹤的統(tǒng)計(jì)方法。所述的一種基于行人頭肩多目標(biāo)檢測(cè)及跟蹤的統(tǒng)計(jì)方法，其特征在于包括如下步驟：步驟1：構(gòu)建行人頭肩圖像正、負(fù)樣本數(shù)據(jù)集，并將構(gòu)建的所有正、負(fù)樣本縮放至寬為32像素、高為32像素的樣本圖像；步驟2：提取步驟1中所有正、負(fù)樣本的HOG特征向量，并對(duì)正、負(fù)樣本設(shè)置標(biāo)簽，正樣本為1，負(fù)樣本為-1，利用所有樣本的HOG特征向量以及標(biāo)簽，對(duì)線性SVM分類(lèi)器訓(xùn)練，得到一個(gè)能檢測(cè)行人頭肩的SVM分類(lèi)器；步驟3：利用混合高斯模型提取運(yùn)動(dòng)前景，并把前景的最小包絡(luò)矩形作為檢測(cè)區(qū)域，記作FGi區(qū)域，i為每幀圖像中檢測(cè)區(qū)域的標(biāo)號(hào)，i＝1,2,…,n；步驟4：利用多尺度滑動(dòng)窗口和步驟2中訓(xùn)練好的SVM分類(lèi)器，檢測(cè)步驟3的FGi區(qū)域中的行人頭肩目標(biāo)，并加入檢測(cè)隊(duì)列其中表示第t時(shí)刻的第i個(gè)目標(biāo)的行人頭肩；步驟5：初始化目標(biāo)匹配矩陣M(i,j)為零矩陣，初始化行人統(tǒng)計(jì)計(jì)數(shù)器PredCount＝0，其中i表示當(dāng)前檢測(cè)隊(duì)列中的行人頭肩目標(biāo)的編號(hào)，作為矩陣的行編號(hào)，j表示上一幀檢測(cè)隊(duì)列中的行人頭肩目標(biāo)的編號(hào)，作為矩陣的列編號(hào)；如果前后兩幀之間目標(biāo)關(guān)系滿(mǎn)足：f(Rti⊕Rt-1j)f(Rt-1j)≤T---(1)]]>則與為同一個(gè)目標(biāo)并把矩陣中目標(biāo)所在的行和列標(biāo)記為1,f表示計(jì)算目標(biāo)面積的函數(shù)，T表示重合面積百分比閾值，表示取兩個(gè)目標(biāo)區(qū)域的重疊部分；步驟6：對(duì)于步驟5中目標(biāo)匹配矩陣M(i,j)，矩陣元素值為0的行號(hào)表示當(dāng)前圖像新出現(xiàn)的目標(biāo)；值為0的列號(hào)表示當(dāng)前圖像消失的目標(biāo)；對(duì)于連續(xù)三幀被匹配的目標(biāo)確定為跟蹤目標(biāo)，加入跟蹤隊(duì)列步驟7：利用步驟4中新檢測(cè)到的目標(biāo)匹配跟蹤隊(duì)列如果滿(mǎn)足公式(1)，則跟蹤隊(duì)列中的目標(biāo)被新目標(biāo)替換；否則，使用基于均值感知哈希粒子濾波對(duì)其跟蹤，具體為：步驟7.1：縮小尺寸，使用雙線性?xún)?nèi)插法快速去除圖片中的高頻和細(xì)節(jié)，保留低頻部分，將目標(biāo)圖片縮小到8*8的尺寸，一共64個(gè)像素；步驟7.2：將8*8的圖片轉(zhuǎn)成灰度圖；步驟7.3：計(jì)算掩碼指示的48個(gè)有效像素的灰度平均值；步驟7.4：計(jì)算跟蹤目標(biāo)的hash值；E=0000000000111100001111001111111111111111111111111111111111111111---(3)]]>AVG=Σx=07Σy=07G‾(x,y)---(4)]]>h(x,y)=1,ifG‾(x,y)≥AVG0,otherwise---(5)]]>其中，公式(2)表示縮小圖片中的有效像素，G(x,y)表示圖像在(x,y)處的灰度值，公式(3)E表示8*8行人頭肩有效掩碼；公式(4)表示有效像素的平均灰度值，表示行人頭肩的有效像素；由公式(5)計(jì)算hash矩陣串連得到跟蹤目標(biāo)的hash值，AVG表示所有有效像素的平均灰度值；h(x,y)表示hash矩陣在(x,y)處的值；步驟7.5：計(jì)算跟蹤目標(biāo)模型與預(yù)測(cè)粒子目標(biāo)模型的相似度：d(hI,hk)=sum(hI⊕hk)48---(7)]]>π(n)=12πσe-d22σ2---(8)]]>其中，d表示海明距離，hI表示跟蹤模型的hash值，hk表示預(yù)測(cè)目標(biāo)的hash值，π(n)表示預(yù)測(cè)粒子目標(biāo)的權(quán)值，sum表示統(tǒng)計(jì)哈希碼中值不為0的個(gè)數(shù)；步驟7.6：使用蒙特卡羅方法選擇權(quán)值較高的粒子，更新跟蹤目標(biāo)的位置和大小；步驟8：統(tǒng)計(jì)經(jīng)過(guò)區(qū)域的目標(biāo)人數(shù)，對(duì)于跟蹤隊(duì)列TraList中的目標(biāo)，如果目標(biāo)中心位置在跟蹤區(qū)域外，則刪除該目標(biāo)，更新行人統(tǒng)計(jì)計(jì)數(shù)器：PredCount＝PredCount+1。本發(fā)明的有益效果為：用于行人統(tǒng)計(jì)，適用于多種室內(nèi)室外場(chǎng)景，解決了傳統(tǒng)行人統(tǒng)計(jì)效率低，準(zhǔn)確率低的問(wèn)題，提升了行人統(tǒng)計(jì)數(shù)字化和智能化水平，是一項(xiàng)可以帶來(lái)經(jīng)濟(jì)效益和社會(huì)安全的多贏工程。附圖說(shuō)明圖1為行人頭肩檢測(cè)算法總體流程圖；圖2為滑動(dòng)窗口檢測(cè)算法示意圖；圖3為跟蹤算法總體流程圖。具體實(shí)施方式下面結(jié)合附圖對(duì)本發(fā)明進(jìn)行進(jìn)一步的說(shuō)明。應(yīng)當(dāng)理解，此處所描述的具體實(shí)施例僅用于解釋本發(fā)明，并不用于限定本發(fā)明。如圖1-3所示，本發(fā)明的一種基于行人頭肩多目標(biāo)檢測(cè)及跟蹤的統(tǒng)計(jì)方法具體采取了如下步驟：圖1是根據(jù)本發(fā)明的實(shí)施例的行人頭肩檢測(cè)算法流程圖，步驟1-4為本實(shí)施例中的檢測(cè)部分。如圖1所示，根據(jù)本發(fā)明實(shí)施例的行人頭肩檢測(cè)算法流程圖，行人頭肩檢測(cè)算法分為訓(xùn)練步驟和檢測(cè)步驟。步驟1：構(gòu)建行人頭肩圖像正、負(fù)樣本數(shù)據(jù)集，選取正樣本1000張，負(fù)樣本2000張，并將所有的正、負(fù)樣本縮放至寬為32像素、高為32像素的樣本圖像；步驟2：提取步驟1中所有正、負(fù)樣本的HOG特征，HOG特征的塊尺寸選擇8*8像素，步長(zhǎng)為4像素，胞元cell的尺寸為4*4，直方圖bin區(qū)間選擇9個(gè)；相鄰的2*2cell進(jìn)行塊內(nèi)歸一化；串聯(lián)所有cell特征向量構(gòu)成樣本的HOG特征；對(duì)每個(gè)正、負(fù)樣本設(shè)置標(biāo)簽，正樣本為1，負(fù)樣本為-1，利用所有樣本的HOG特征以及標(biāo)簽，對(duì)線性SVM分類(lèi)器訓(xùn)練，得到一個(gè)可以檢測(cè)行人頭肩的SVM分類(lèi)器；步驟3：利用混合高斯模型提取運(yùn)動(dòng)前景，并把前景的最小包絡(luò)矩形作為檢測(cè)區(qū)域，記作FGi，i為每幀圖像中檢測(cè)區(qū)域的標(biāo)號(hào)，i＝1,2,…,n，所述的混合高斯背景建模是基于像素樣本統(tǒng)計(jì)信息的背景表示方法，利用像素在較長(zhǎng)時(shí)間內(nèi)大量樣本值的概率密度等統(tǒng)計(jì)信息(如模式數(shù)量、每個(gè)模式的均值和標(biāo)準(zhǔn)差)表示背景，然后使用統(tǒng)計(jì)差分(如3σ原則)進(jìn)行目標(biāo)像素判斷，可以對(duì)復(fù)雜動(dòng)態(tài)背景進(jìn)行建模；步驟4：利用多尺度滑動(dòng)窗口和步驟2中訓(xùn)練好的行人頭肩SVM分類(lèi)器，檢測(cè)FG區(qū)域中的行人頭肩目標(biāo)，并加入檢測(cè)隊(duì)列其中表示第t時(shí)刻的第i個(gè)目標(biāo)的行人頭肩，圖2為本實(shí)施例中的滑動(dòng)窗口檢測(cè)示意圖；步驟5：初始化目標(biāo)匹配矩陣M(i,j)為零矩陣，初始化行人統(tǒng)計(jì)計(jì)數(shù)器PredCount＝0，其中i表示當(dāng)前檢測(cè)隊(duì)列中的行人頭肩目標(biāo)的編號(hào)，作為矩陣的行編號(hào)，j表示上一幀檢測(cè)隊(duì)列中的行人頭肩目標(biāo)的編號(hào)，作為矩陣的列編號(hào)；如果前后兩幀之間目標(biāo)關(guān)系滿(mǎn)足：f(Rti⊕Rt-1j)f(Rt-1j)≤T---(1)]]>則與為同一個(gè)目標(biāo)并把矩陣中目標(biāo)所在的行和列標(biāo)記為1,f表示計(jì)算目標(biāo)面積的函數(shù)，T表示重合面積百分比閾值，T＝0.85，表示取兩個(gè)目標(biāo)區(qū)域的重疊部分；步驟6：對(duì)于步驟5中目標(biāo)匹配矩陣M(i,j)，矩陣元素值為0的行號(hào)表示當(dāng)前圖像新出現(xiàn)的目標(biāo)；值為0的列號(hào)表示當(dāng)前圖像消失的目標(biāo)；對(duì)于連續(xù)三幀被匹配的目標(biāo)確定為跟蹤目標(biāo)，加入跟蹤隊(duì)列步驟7：利用步驟4中新檢測(cè)到的目標(biāo)匹配跟蹤隊(duì)列如果滿(mǎn)足公式(1)，則跟蹤隊(duì)列中的目標(biāo)被新目標(biāo)替換；否則，使用基于均值感知哈希粒子濾波對(duì)其跟蹤，即采用均值感知哈希和粒子濾波相結(jié)合，均值感知哈希是圖像的一個(gè)特征，主要是圖像的低頻部分，基于這個(gè)特征結(jié)合粒子濾波跟蹤框架，對(duì)目標(biāo)進(jìn)行跟蹤，具體為：步驟7.1：縮小尺寸，使用雙線性?xún)?nèi)插法快速去除圖片中的高頻和細(xì)節(jié)，保留低頻部分，將目標(biāo)圖片縮小到8*8的尺寸，一共64個(gè)像素；步驟7.2：將8*8的圖片轉(zhuǎn)成灰度圖；步驟7.3：計(jì)算掩碼指示的48個(gè)有效像素的灰度平均值；步驟7.4：計(jì)算跟蹤目標(biāo)的hash值；E=0000000000111100001111001111111111111111111111111111111111111111---(3)]]>AVG=Σx=07Σy=07G‾(x,y)---(4)]]>h(x,y)=1,ifG‾(x,y)≥AVG0,otherwise---(5)]]>其中，公式(2)表示縮小圖片中的有效像素，G(x,y)表示圖像在(x,y)處的灰度值，公式(3)的E表示8*8行人頭肩有效掩碼；公式(4)表示有效像素的平均灰度值，表示行人頭肩的有效像素；由公式(5)計(jì)算hash矩陣串連得到跟蹤目標(biāo)的hash值，AVG表示所有有效像素的平均灰度值；h(x,y)表示hash矩陣在(x,y)處的值；步驟7.5：計(jì)算跟蹤目標(biāo)模型與預(yù)測(cè)粒子目標(biāo)模型的相似度：d(hI,hk)=sum(hI⊕hk)48---(6)]]>π(n)=12πσe-d22σ2---(7)]]>其中，d表示海明距離，hI表示跟蹤模型的hash值，hk表示預(yù)測(cè)目標(biāo)的hash值，π(n)表示預(yù)測(cè)粒子目標(biāo)的權(quán)值，sum表示統(tǒng)計(jì)哈希碼中值不為0的個(gè)數(shù)；步驟7.6：使用蒙特卡羅方法選擇權(quán)值較高的粒子，更新跟蹤目標(biāo)的位置和大??；步驟8：統(tǒng)計(jì)經(jīng)過(guò)區(qū)域的目標(biāo)人數(shù)，對(duì)于跟蹤隊(duì)列TraList中的目標(biāo)，如果目標(biāo)中心位置在跟蹤區(qū)域外，則刪除該目標(biāo)，更新行人統(tǒng)計(jì)計(jì)數(shù)器：PredCount＝PredCount+1。實(shí)施本發(fā)明后，用于行人統(tǒng)計(jì)，適用于多種室內(nèi)室外場(chǎng)景，解決了傳統(tǒng)行人統(tǒng)計(jì)效率低，準(zhǔn)確率低的問(wèn)題，提升了行人統(tǒng)計(jì)數(shù)字化和智能化水平，是一項(xiàng)可以帶來(lái)經(jīng)濟(jì)效益和社會(huì)安全的多贏工程。本說(shuō)明書(shū)實(shí)施例所述的內(nèi)容僅僅是對(duì)發(fā)明構(gòu)思的實(shí)現(xiàn)形式的列舉，本發(fā)明的保護(hù)范圍的不應(yīng)當(dāng)被視為僅限于實(shí)施例所陳述的具體形式，本發(fā)明的保護(hù)范圍也及于本領(lǐng)域技術(shù)人員根據(jù)本發(fā)明構(gòu)思所能夠想到的等同技術(shù)手段。當(dāng)前第1頁(yè)1 2 3