Max(sqrt((Gray[k][i]-Gray[k+1][m]) *(Gray[k][i]-Gray[k+1][m])))
[0046]MaxSpace [i] = Max (sqrt ((Space [k] [i]-Space [k+1] [m]) * (Space [k][i]-Space[k+1][m])))
[0047]其中，I彡m彡n，表示目標(biāo)i的搜索區(qū)域中η個目標(biāo)中任意一個；其中sqrt為開平方根運(yùn)算；
[0048]4)求取第t幀圖像中目標(biāo)i和第t+Ι幀圖像中目標(biāo)j的質(zhì)心距離大小D[i] [j]、灰度變化程度H[i] [j]和面積變化程度S[i] [j]，相應(yīng)的計算公式如下:
[0049]D [i] [j] = sqrt ((Point [k] [i].χ-Point [k+1] [j].x) * (Point [k] [i].x—Point[k+l] [j].X) +(Point [k] [i].y-Point [k+1] [j].y)* (Point [k] [i].y-Point [k+1] [j].y))/MaxPoint[i]；
[0050]H[i][j] = sqrt((Gray[k][i]-Gray[k+1][j]) *(Gray[k][i]-Gray[k+1][j]))/MaxGray[i]；
[0051]S [i] [j] = sqrt ((Space [k] [i]-Space [k+1] [j]) * (Space [k] [i]-Space [k+1][j]))/MaxSpace [i]
[0052]5)代價函數(shù)V[i] [j]可由步驟4.5.4)所求三個特征值變化量求得:
[0053]V[i][j] = aD[i][j] + 0H[i][j] + yS[i][j]；
[0054]其中a、β、γ三個參數(shù)系數(shù)表示三個特征值的影響因子，可按照實際情況調(diào)整。
[0055]按上述方案，所述采用Kalman濾波預(yù)測搜索區(qū)域的具體步驟是:
[0056]I)假設(shè)圖像中各目標(biāo)質(zhì)心的運(yùn)動為勻速運(yùn)動，包圍窗口面積基本不變，初始化目標(biāo)在X方向的運(yùn)動速度Vx，在y方向上的運(yùn)動速度Vy，包圍窗口長寬的變化速度Vt，圖像采樣步長T(即每幀圖像序列之間的時間間隔)；
[0057]2)基于第k-Ι幀圖像中的目標(biāo)i，獲取第k幀圖像中對應(yīng)目標(biāo)i的特征值的最優(yōu)估算結(jié)果:質(zhì)心位置X坐標(biāo)Point [k] [i].x和Y坐標(biāo)Point[k] [i].y、包圍窗口的長度Win [k]
[i].length和寬度ffin[k] [i].width、兩特征量的偏差估計P[k] [i]；
[0058]3)基于第2)步獲得的結(jié)果，計算第k+1幀圖像中目標(biāo)i的特征值預(yù)測值和偏差估計，具體的計算公式如下:
[0059]Point [k+1] [i].x = Point [k] [i].x+Vx*T ；
[0060]Point [k+1] [i].y = Point [k] [i].y+Vy*T ；
[0061]Win[k+1][i].length = Win[k][i].length+Vt*T ；
[0062]Win[k+1][i].width = Win[k][i].width+Vt*T ；
[0063]P[k+1] [i] = P[k] [i]+Q ；
[0064]4)根據(jù)第k+Ι幀圖像中目標(biāo)i的特征值預(yù)測值和偏差估計，計算對應(yīng)的Kalman增益:
[0065]Kg[k+1] [i] = P[k] [i]/(P[k] [i]+R)
[0066]計算第k+1幀圖像中目標(biāo)i的各個特征值和偏差估計的最優(yōu)估計值，并更新他們的預(yù)測值:
[0067]Point [k+1] [i].x = Point [k+1] [i].x+Kg[k+l] [i] * (Z [k+1] [i].χ-Point [k+1][i].x) ；Point[k+1][i].y = Point[k+1][i].y+Kg[k+l][i]*(Z[k+1][i].y-Point[k+1][i].y)；
[0068]Win [k+1] [i].length = Win [k+1] [i].length+Kg [k+1] [i] * (Z [k+1] [i].length-ffin[k+1][i].length)；
[0069]Win [k+1] [i].width = Win [k+1] [i].width+Kg [k+1] [i] * (Z [k+1] [i].width-ffin[k+1] [i].width)；
[0070]P[k+1] [i] = (l-Kg[K+l] [i])*P[k] [i]；
[0071]5)由此可得第k幀圖像中目標(biāo)i在第k+1幀中的預(yù)測搜索區(qū)域(X，Y)為:
[0072]Point [k+1] [i].χ-1.5*Win [k+1] [i].length/2 X Point [k+1] [i].x+1.5*Win[k+1][i].I ength/2 ；
[0073]Point [k+1] [i].y-1.5*Win [k+1] [i].width/2 Y Point [k+1] [i].y+1.5*ffin[k+1][i].w idth/2。
[0074]按上述方案，所述步驟4的(8)中目標(biāo)鏈中目標(biāo)的關(guān)聯(lián)匹配和數(shù)據(jù)關(guān)聯(lián)的算法的實現(xiàn)步驟是:
[0075]在目標(biāo)鏈的關(guān)聯(lián)匹配中，若出現(xiàn)第k幀圖像中目標(biāo)i與第k+Ι幀圖像中目標(biāo)i的預(yù)測搜索區(qū)域中第j個目標(biāo)和第m個目標(biāo)的代價函數(shù)值相等，且同時為最小，則此時目標(biāo)的跟蹤匹配會發(fā)生沖突，則采用以下改進(jìn)算法，完成目標(biāo)的正確跟蹤匹配；
[0076]計算第k幀圖像中目標(biāo)i和第k+Ι幀圖像中目標(biāo)j和m的代價函數(shù)，若代價函數(shù)值相等且為最小，則將上述3個目標(biāo)的灰度特征值分別記為Gray [k] [i]、Gray [k+1] [j]、Gray[k+1][m]；
[0077]分別求取第k幀圖像中目標(biāo)i和第k+1幀圖像中目標(biāo)j、m的平均灰度變化大小，計算公式為:
[0078]Valuel = sqrt((Gray[k][i]-Gray[k+1][j])*(Gray[k][i]-Gray[k+1][j]))；
[0079]Value2 = sqrt((Gray[k][i]-Gray[k+1][m]) *(Gray[k][i]-Gray[k+1][m]))；
[0080]若Valuel〈Value2，則第k+1幀圖像中的目標(biāo)j為第k幀圖像中目標(biāo)i的后續(xù)，用第k+Ι幀圖像中的目標(biāo)j的特征值代替第k幀圖像中目標(biāo)i的特征值，更新目標(biāo)鏈，反之，則第k+Ι幀圖像中的目標(biāo)m為第k幀圖像中目標(biāo)i的后續(xù)；
[0081]與第k幀圖像中的目標(biāo)i沒有匹配成功的可與第k幀圖像中的其他目標(biāo)匹配，或者保留等待下一幀中找到匹配目標(biāo)。
[0082]本發(fā)明產(chǎn)生的有益效果是:本發(fā)明提供的基于圖像信息的客流量識別統(tǒng)計方法為此類多目標(biāo)識別與跟蹤計數(shù)問題，提供了一種可供參考的解決途徑，該方法實時性強(qiáng)、魯棒性好、智能性高、穩(wěn)定性強(qiáng)。
【附圖說明】
[0083]下面將結(jié)合附圖及實施例對本發(fā)明作進(jìn)一步說明，附圖中:
[0084]圖1為圖像采集現(xiàn)場硬件安裝示意圖；
[0085]圖2為本發(fā)明某次實驗的現(xiàn)場背景圖像及檢測區(qū)域ROI設(shè)置；
[0086]圖3為圖1背景下目標(biāo)進(jìn)入檢測區(qū)域圖像；
[0087]圖4為運(yùn)動目標(biāo)存在檢測階段的差分圖像；
[0088]圖5為人頭部目標(biāo)識別和特征提取結(jié)果圖像；
[0089]圖6為人頭部目標(biāo)識別結(jié)果在原圖中顯示；
[0090]圖7為一組動態(tài)圖像的目標(biāo)特征量表；
[0091]圖8為圖6中該類多目標(biāo)的質(zhì)心運(yùn)動軌跡；
[0092]圖9為圖6中該類多目標(biāo)建立的跟蹤窗口 ；
[0093]圖10為本發(fā)明的方法流程圖。
【具體實施方式】
[0094]為了使本發(fā)明的目的、技術(shù)方案及優(yōu)點更加清楚明白，以下結(jié)合實施例，對本發(fā)明進(jìn)行進(jìn)一步詳細(xì)說明。應(yīng)當(dāng)理解，此處所描述的具體實施例僅用以解釋本發(fā)明，并不用于限定本發(fā)明。
[0095]如圖10所示，一種基于圖像信息的客流量識別統(tǒng)計方法。
[0096]某商場入口處I的頂端安裝攝像頭2，PC主機(jī)通過圖像采集卡3與攝像頭2進(jìn)行通信，將采集的圖像信息經(jīng)處理后在顯示器5上顯示，利用人頂部的圖像識別和統(tǒng)計人員的流量，現(xiàn)場硬件安裝示意圖如圖1所示。
[0097]第一步、運(yùn)動目標(biāo)的檢測識別
[0098]實驗采用的圖像分辨率為600 X 560。為了減少圖像處理量，對圖像進(jìn)行分塊處理，圖像的大小為150X 140。攝像頭采集圖像的速度為:4幀/S。具體步驟如下:
[0099]I)設(shè)置目標(biāo)圖像檢測ROI區(qū)域的四個參數(shù):RO1.X代表ROI區(qū)域左上角點x軸坐標(biāo)，R01.Y代表ROI區(qū)域左上角點y軸坐標(biāo)，RO1.Width代表ROI區(qū)域?qū)挾?，RO1.Height代表 ROI 區(qū)域高度。本例中，設(shè)置:R01.X = 40, RO1.Y = 50，RO1.Width = 50，RO1.Height =
60 o
[0100]2)采用多幅圖像平均法，對M幀圖像疊加求取平均值，獲取某段視頻圖像在沒有目標(biāo)存在時的背景圖像，如圖2。
[0101]3)將采集到的該視頻圖像的第i幀圖像進(jìn)行分塊處理，記為當(dāng)前幀參數(shù)確定圖像，并選定目標(biāo)圖像檢測ROI區(qū)域，如圖3所示。
[0102]4)對當(dāng)前幀圖像進(jìn)行二值化后，再通過距離變換和均值濾波或亞取樣，得到當(dāng)前幀圖像的增強(qiáng)圖像；然后與經(jīng)過I)?3)步處理過的第1-Ι幀圖像進(jìn)行差分，將選定ROI區(qū)域的差值記為Nz。
[0103]5)將Nz與設(shè)定的報警最小元素數(shù)量限定值N 0#比較:若N z< N μ則沒有運(yùn)動存在，自動采集i+Ι幀圖像，返回第2)步重新開始；若隊多N^，則保存第i幀圖像，記為1-
[0104]6)對第i幀圖像I1和背景圖像I C1進(jìn)行基于差分法的自適應(yīng)背景分割，再將得到的圖像二值化，并進(jìn)行形態(tài)學(xué)腐蝕，將選定ROI區(qū)域的差值記為Nb，差值圖像如圖4所示。
[0105]7)將Nb與設(shè)定的報警最小元素數(shù)量限定值N'作比較:若Nb<N' C1，則沒有待檢測目標(biāo)存在，自動采集i+Ι幀圖像，返回第2)步重新開始；gNB>N' C1，則報警存在運(yùn)動的目標(biāo)，并