本發(fā)明涉及一種統(tǒng)計方法，尤其涉及一種基于出操視頻流的人數(shù)統(tǒng)計方法，屬于智能監(jiān)控技術領域。

背景技術：

隨著社會經(jīng)濟的發(fā)展和硬件水平的不斷提高，視頻監(jiān)控系統(tǒng)越來越廣泛地應用于人們的生活之中。傳統(tǒng)的視頻監(jiān)控系統(tǒng)雖然能夠實現(xiàn)監(jiān)控要求，但需要人為地理解和判斷視頻信息，智能化程度并不高，因此人們對智能視頻監(jiān)控系統(tǒng)的要求越來越迫切。

智能視頻監(jiān)控系統(tǒng)通過計算機視覺技術對監(jiān)控系統(tǒng)中的信息進行處理、分析、理解，并對監(jiān)控系統(tǒng)進行智能化控制，可以有效減少人為參與，提高視頻監(jiān)控系統(tǒng)的智能化程度，是視頻監(jiān)控系統(tǒng)的發(fā)展方向。

智能視頻監(jiān)控系統(tǒng)的人數(shù)統(tǒng)計，根據(jù)應用角度的不同主要分為適用于出入口或通道的行人人數(shù)統(tǒng)計和適用于開闊場景的人群人數(shù)統(tǒng)計。目前主流的人數(shù)統(tǒng)計方法多是針對出入口的精確統(tǒng)計或者針對商場的大概人流密度統(tǒng)計。而針對列隊出操場景進行人數(shù)統(tǒng)計的需求，還多是采用人工計數(shù)或者隊員報數(shù)的方法，這種方法受人為因素的影響較大，因此，列隊出操場景的人數(shù)統(tǒng)計缺乏有效的智能化統(tǒng)計方法，無法應用于智能視頻監(jiān)控系統(tǒng)。

技術實現(xiàn)要素：

為了解決上述技術所存在的不足之處，本發(fā)明提供了一種基于出操視頻流的人數(shù)統(tǒng)計方法。

為了解決以上技術問題，本發(fā)明采用的技術方案是：一種基于出操視頻流的人數(shù)統(tǒng)計方法，包括以下步驟：

步驟一、收集樣本圖片并預處理：

由前置端攝像機獲得出操視頻流；人工選取大量含人頭部的圖片作為訓練集的正樣本，包括正面、側面和背面圖片；再選取大量非人的圖片作為訓練集的負樣本；對正負樣本進行灰度化處理，然后將處理后的正樣本進行歸一化；

步驟二、HOG特征提?。?/p>

使用HOG特征對歸一化后的每一幅正樣本和負樣本進行表征描述，形成特征向量；

步驟三、訓練級聯(lián)強分類器：

在剛開始訓練時，Adaboost算法給每個樣本都分配相同的權值，然后在每一輪訓練中挑選出一個分類效果最強的弱分類器，即最佳弱分類器；然后將被最佳弱分類器分類錯的樣本加大權值，將被分類正確的樣本適當減小權值；由此，被錯誤分類的樣本凸現(xiàn)出來，進而得到一個新的樣本分布；

在新的樣本分布下，再次利用各個特征對樣本進行訓練，得到新的弱分類器；以此類推，經(jīng)過T次迭代，得到T個最佳弱分類器；把T個最佳弱分類器按一定的規(guī)則進行組合疊加，得到最終的強分類器；

步驟四、對待檢測視頻流進行預處理：

對待檢測的視頻流依次進行gamma歸一化、直方圖均衡化、對比度自適應的處理，以便改善光照變化以及噪聲的影響；針對當次出操，人為標記實際出操人數(shù)；

步驟五、檢測并統(tǒng)計人數(shù)：

將預處理后的視頻流輸入級聯(lián)強分類器進行檢測判斷，判斷為頭部的子圖像所在處進行標記行人，記錄每一幀標記好的頭部圖像的個數(shù)，通過統(tǒng)計學方法得到最終出操人數(shù)；

步驟六：獲取估計錯誤率：

將人為標記的實際出操人數(shù)與統(tǒng)計出的出操人數(shù)進行對比，獲取視頻中的估計錯誤率；根據(jù)此估計錯誤率評估算法性能。

步驟三中訓練級聯(lián)強分類器的具體操作步驟如下：

a、選取正樣本和負樣本，并將正樣本歸一化到統(tǒng)一大??；

b、提取樣本的HOG特征作為檢測的特征；

c、根據(jù)HOG特征計算出各弱分類器的閾值參數(shù)；

d、建立訓練集 ，其中，為樣本描述，為樣本標識，且，式中0,1分別代表正樣本和負樣本；

e、初始化樣本權值，將其設為，其中是所有樣本總數(shù)；

f、當t = 1,2,…,T時，循環(huán)執(zhí)行以下操作：

（i）、歸一化權重：；

（ii）、對于每一個特征F，訓練一個弱分類器，然后計算所有特征的弱分類器加權錯誤率；將弱分類器定義為：，其中x代表一個檢測窗口；表示弱分類的的特征值，即矩形特征的特征值；表示弱分類器的閾值，由此來判斷正樣本和負樣本；是影響因子，指示不等號是否改變方向；

（iii）、選取最佳弱分類器：在當前權值下，確定特征F的最優(yōu)閾值，使得這個分類器對所有訓練樣本的加權分類誤差最小；將在所有弱分類器中對所有訓練樣本的加權分類誤差最小的弱分類器，選取為最佳弱分類器；

對每個特征F，計算它對所有樣本的特征值并排序；通過掃描排序后的特征值，對當前特征確定一個最優(yōu)閾值，從而訓練得到一個弱分類器；對訓練好的特征值，計算下面四個值：全部人頭部的樣本的權重和；全部的非人頭部樣本的權重和；在此元素之前的人頭部樣本權重和；在此元素之前的非人頭部樣本的權重和；

此時，選取當前特征和它前一個特征值之間的數(shù)作為閾值時，所得到的弱分類器就在當前元素處被分開；這樣選取閾值帶來的加權分類誤差為：；選取加權誤差最小的分類器，即是選擇了最佳弱分類器；

（iv）、按照這個最佳弱分類器，調整權重時表示被正確分類，=1時表示被錯誤分類：其中，；

g、確定最后的強分類器：由上述方法每次迭代得到一個最佳弱分類器，為了得到分類效果更好的強分類器，需要將T個最佳弱分類器組合起來，構成一個強分類器；強分類器為：

其中，；

當用該強分類器對目標進行檢測時，相當于將T個最佳弱分類器進行檢測，然后將這些檢測結果進行加權求和，將加權求和的結果和平均結果進行比較，得出最終的檢測結果；平均結果是假設弱分類器檢測為0和1的概率都相同的情況下，求出的概率平均：。

本發(fā)明可對出操列隊時的場景視頻流進行人數(shù)統(tǒng)計，改善了傳統(tǒng)方法中基于出入口的人數(shù)統(tǒng)計的應用場景局限性，且所得的人數(shù)統(tǒng)計結果準確性高，能夠對操場上無論是站立的還是運動的人都有統(tǒng)計結果，有利于出操考勤的智能化管理，具有廣闊的應用前景。

附圖說明

圖1為本發(fā)明的整體步驟流程圖。

圖2為級聯(lián)分類器訓練流程圖。

具體實施方式

下面結合附圖和具體實施方式對本發(fā)明作進一步詳細的說明。

如圖1、圖2所示，本發(fā)明包括以下步驟：

步驟一、收集樣本圖片并預處理：

由前置端攝像機獲得出操視頻流；人工選取大量含人頭部的圖片作為訓練集的正樣本，包括正面、側面和背面圖片；再選取大量非人的圖片作為訓練集的負樣本；對正負樣本進行灰度化處理，然后將正樣本歸一化到32*32的像素；

步驟二、HOG特征提?。?/p>

使用HOG（Histogram of Oriented Gradient，方向梯度直方圖）特征對歸一化后的每一幅正樣本和負樣本進行表征描述，形成特征向量；

步驟三、訓練級聯(lián)強分類器：

在剛開始訓練時，Adaboost算法給每個樣本都分配相同的權值，然后在每一輪訓練中挑選出一個分類效果最強的弱分類器，即最佳弱分類器；然后將被最佳弱分類器分類錯的樣本加大權值，將被分類正確的樣本適當減小權值；由此，被錯誤分類的樣本凸現(xiàn)出來，進而得到一個新的樣本分布；

在新的樣本分布下，再次利用各個特征對樣本進行訓練，得到新的弱分類器；以此類推，經(jīng)過T次迭代，得到T個最佳弱分類器；把T個最佳弱分類器按一定的規(guī)則進行組合疊加，得到最終的強分類器；

訓練級聯(lián)強分類器的具體操作步驟如下：

a、選取正樣本和負樣本，并將正樣本歸一化到統(tǒng)一大?。?/p>

b、提取樣本的HOG特征作為檢測的特征；

c、根據(jù)HOG特征計算出各弱分類器的閾值參數(shù)；

d、建立訓練集，其中，為樣本描述，為樣本標識，且，式中0,1分別代表正樣本和負樣本；

e、初始化樣本權值，將其設為，其中是所有樣本總數(shù)；

f、當t = 1,2,…,T時，循環(huán)執(zhí)行以下操作：

（i）、歸一化權重：；

（ii）、對于每一個特征F，訓練一個弱分類器，然后計算所有特征的弱分類器加權錯誤率；弱分類器從本質上講就是一個矩形特征，它要求的錯誤率只是低于50%，將弱分類器定義為： ，其中x代表一個檢測窗口； 表示弱分類的的特征值，即矩形特征的特征值；表示弱分類器的閾值，由此來判斷正樣本和負樣本；是影響因子，指示不等號是否改變方向；

（iii）、選取最佳弱分類器：在當前權值下，確定特征F的最優(yōu)閾值，使得這個分類器對所有訓練樣本的加權分類誤差最??；將在所有弱分類器中對所有訓練樣本的加權分類誤差最小的弱分類器，選取為最佳弱分類器；

對每個特征F，計算它對所有樣本的特征值并排序；通過掃描排序后的特征值，對當前特征確定一個最優(yōu)閾值，從而訓練得到一個弱分類器；對訓練好的特征值，計算下面四個值：全部人頭部的樣本的權重和；全部的非人頭部樣本的權重和；在此元素之前的人頭部樣本權重和；在此元素之前的非人頭部樣本的權重和；

此時，選取當前特征和它前一個特征值之間的數(shù)作為閾值時，所得到的弱分類器就在當前元素處被分開；即由這個閾值對應的弱分類器將當前元素之前的所有元素分類為人頭部(非頭部)，而把當前元素之后的所有元素分類為非頭部(頭部)。這樣選取閾值帶來的加權分類誤差為：；選取加權誤差最小的分類器，即是選擇了最佳弱分類器；

（iv）、按照這個最佳弱分類器，調整權重時表示被正確分類，時表示被錯誤分類：其中，；

g、確定最后的強分類器：由上述方法每次迭代得到一個最佳弱分類器，為了得到分類效果更好的強分類器，需要將T個最佳弱分類器組合起來，構成一個強分類器；強分類器為：

其中，；

當用該強分類器對目標進行檢測時，相當于將T個最佳弱分類器進行檢測，然后將這些檢測結果進行加權求和，將加權求和的結果和平均結果進行比較，得出最終的檢測結果；平均結果是假設弱分類器檢測為0和1的概率都相同的情況下，求出的概率平均：。

步驟四、對待檢測視頻流進行預處理：

為了降低光照變化造成的影響、降低圖像局部的陰影、調節(jié)圖像對比度并抑制噪聲的干擾，對待檢測的視頻流依次進行gamma（伽瑪值，表示圖象輸出值與輸入值關系的斜線）歸一化、直方圖均衡化、對比度自適應等處理；針對當次出操，人為標記實際出操人數(shù)；

步驟五、檢測并統(tǒng)計人數(shù)：

將預處理后的視頻流輸入級聯(lián)強分類器進行檢測判斷，判斷為頭部的子圖像所在處進行標記行人，記錄每一幀標記好的頭部圖像的個數(shù)，通過統(tǒng)計學方法得到最終出操人數(shù)；由于每幀統(tǒng)計可能會出現(xiàn)漏檢或者誤檢，統(tǒng)計每十幀圖片中出現(xiàn)次數(shù)最多的人數(shù)并記錄，最后再綜合統(tǒng)計這些記錄中最大的個數(shù)作為最終人數(shù)；

步驟六：獲取估計錯誤率：

將人為標記的實際出操人數(shù)與統(tǒng)計出的出操人數(shù)進行對比，獲取視頻中的估計錯誤率；根據(jù)此估計錯誤率評估算法性能。

本發(fā)明屬于智能視頻監(jiān)控范疇，涉及了計算機視覺、模式分析、機器學習、人工智能等多個領域。它以視頻監(jiān)控系統(tǒng)為基礎平臺，在對視頻序列中的行人進行檢測、定位、記錄的前提下，可進一步進行精確的人數(shù)統(tǒng)計；通過存儲統(tǒng)計結果，并將其作為一個有實用價值的功能模塊融合到智能監(jiān)控體系中，可滿足日常管理的需求，又能為監(jiān)控系統(tǒng)提供信息，存儲的人數(shù)統(tǒng)計信息方便后期查詢比對，從而提供了一種先進的智能處理設計方案。

本發(fā)明可對出操列隊時的場景視頻流進行人數(shù)統(tǒng)計，改善了傳統(tǒng)方法中基于出入口的人數(shù)統(tǒng)計的應用場景局限性，且所得的人數(shù)統(tǒng)計結果準確性高，能夠對操場上無論是站立的還是運動的人都有統(tǒng)計結果，有利于出操考勤的智能化管理，具有廣闊的應用前景。

本發(fā)明是對傳統(tǒng)的智能監(jiān)控平臺的智能擴展，成本較低，可移植性強，應用場合廣泛，可用于部隊、學校出操集合等場景，也可用于商場、廣場等固定區(qū)域內(nèi)的人數(shù)統(tǒng)計，具有很高的實用價值。

上述實施方式并非是對本發(fā)明的限制，本發(fā)明也并不僅限于上述舉例，本技術領域的技術人員在本發(fā)明的技術方案范圍內(nèi)所做出的變化、改型、添加或替換，也均屬于本發(fā)明的保護范圍。