一種雙像機(jī)的人群人數(shù)統(tǒng)計(jì)方法
【技術(shù)領(lǐng)域】
[0001] 本發(fā)明屬于智能安防監(jiān)控技術(shù)領(lǐng)域，具體涉及一種雙像機(jī)的人群人數(shù)統(tǒng)計(jì)方法。
【背景技術(shù)】
[0002] 在人群人數(shù)統(tǒng)計(jì)過程中，傳統(tǒng)機(jī)器學(xué)習(xí)的任務(wù)是在給定充分訓(xùn)練數(shù)據(jù)的基礎(chǔ)上來 學(xué)習(xí)一個(gè)模型，然后利用該模型預(yù)測人數(shù)。然而，傳統(tǒng)機(jī)器學(xué)習(xí)需要標(biāo)定大量訓(xùn)練數(shù)據(jù)，并 且標(biāo)定的數(shù)據(jù)可能存在數(shù)據(jù)分布不均衡和數(shù)據(jù)缺失現(xiàn)象。因此，本發(fā)明利用迀移學(xué)習(xí)方法 從其它像機(jī)提取與目標(biāo)像機(jī)有關(guān)聯(lián)的已標(biāo)定的輔助人群數(shù)據(jù)來解決上述問題。
[0003] 在人數(shù)統(tǒng)計(jì)過程中，像素特征能有效描述低密度人群特征，紋理特征能有效表達(dá) 高密度人群特征，因此有效融合像素特征和紋理特征能提高人數(shù)統(tǒng)計(jì)準(zhǔn)確率。因此，本發(fā)明 將遮擋塊真實(shí)人數(shù)與預(yù)測人數(shù)的差值作為衡量目標(biāo)塊中人群遮擋嚴(yán)重程度的依據(jù)來融合 像素特征和紋理特征。

【發(fā)明內(nèi)容】

[0004] 本發(fā)明的目的是提供一種雙像機(jī)的人群人數(shù)統(tǒng)計(jì)方法，解決了現(xiàn)有人數(shù)統(tǒng)計(jì)算法 不能準(zhǔn)確融合像素特征和紋理特征的問題。
[0005] 本發(fā)明所采用的技術(shù)方案是，一種雙像機(jī)的人群人數(shù)統(tǒng)計(jì)方法，監(jiān)控場景中有目 標(biāo)像機(jī)A和輔助像機(jī)B，利用目標(biāo)像機(jī)A視頻幀統(tǒng)計(jì)人群人數(shù)，利用輔助像機(jī)B中的視頻幀 數(shù)據(jù)輔助A中數(shù)據(jù)進(jìn)行訓(xùn)練，目標(biāo)人群數(shù)據(jù)集D AS統(tǒng)計(jì)目標(biāo)像機(jī)A視頻幀中人群塊的像素 特征和紋理特征以及目標(biāo)塊實(shí)際人數(shù)；輔助人群數(shù)據(jù)集％為統(tǒng)計(jì)輔助像機(jī)B視頻幀中人群 塊的像素特征和紋理特征以及目標(biāo)塊實(shí)際人數(shù)；迀移人群數(shù)據(jù)集D K為從輔助人群數(shù)據(jù)集D B 中迀移與目標(biāo)人群數(shù)據(jù)集DA中樣本特征相近的人群數(shù)據(jù)樣本；
[0006] 具體包括以下方法步驟：
[0007] 步驟1、合并迀移人群數(shù)據(jù)集DK和目標(biāo)人群數(shù)據(jù)集D A為人群數(shù)據(jù)集D ;
[0008] 步驟2、根據(jù)人群數(shù)據(jù)集D中遮擋人群塊實(shí)際人數(shù)與預(yù)測人數(shù)的差值來融合人群 數(shù)據(jù)集D中的像素特征和紋理特征；
[0009] 步驟3、以步驟2中獲取的各人群塊的融合人群數(shù)據(jù)集D中的像素特征和紋理特征 作為輸入，相應(yīng)各人群塊的實(shí)際人數(shù)為輸出，訓(xùn)練第一支持向量回歸模型；
[0010] 步驟4、輸入一幅新的人群圖像，提取像素特征和紋理特征，根據(jù)步驟3訓(xùn)練好的 第一支持向量回歸模型預(yù)測輸入的人群圖像中的人群人數(shù)。
[0011] 本發(fā)明的特點(diǎn)還在于：
[0012] 紋理特征向量包括韋伯特征和局部二值模式。
[0013] 像素特征向量包括前景面積、前景邊緣像素?cái)?shù)和前景周長。
[0014] 步驟2的具體方法為：
[0015] 步驟2. 1、對人群數(shù)據(jù)集D，使用線性擬合方法，分別擬合人群數(shù)據(jù)集D中未遮擋人 群塊實(shí)際人數(shù)ypix= y_= y_t_與未遮擋人群塊的前景面積Xpix、前景邊緣像素?cái)?shù)和 前景周長^^這三種像素特征之間的線性關(guān)系，如式（1)所示：
[0017] 其中，a~f為需要擬合的參數(shù)，利用最小二乘法求取這些擬合參數(shù)；
[0018] 步驟2. 2、設(shè)分別表示遮擋人群塊的前景面積、前景邊緣像 素?cái)?shù)和前景周長，用公式（1)得到該遮擋人群塊預(yù)測出的人群人數(shù)分別為和 ，i亥i擋塊的實(shí)際人群人數(shù)為yMal，則預(yù)測出的人群塊人數(shù)和實(shí)際人群塊的人數(shù)的 差值如式（2)所示：
[0020] 步驟2.3、設(shè)卸為APM.，的均值，計(jì)算所有人群數(shù)據(jù)集〇中 人群塊的Ay，同時(shí)求人群數(shù)據(jù)集D中遮擋塊前景面積與前景邊緣像素?cái)?shù)差的絕對值 Xpix_edge、像素面積與前景周長差的絕對值?以及前景邊緣與前景周長差的絕 對值叉edge-contour'建立第二支持向量回歸模型，利用各人群塊的又pix_edge、叉pix-contour及 作為第二支持向量回歸模型的輸入，相應(yīng)的AJ7作為輸出，訓(xùn)練該第二支持向 量回歸模型，訓(xùn)練好的第二支持向量回歸模型可預(yù)測各人群塊的4V，作為衡量各人群塊遮 擋嚴(yán)重程度的判斷依據(jù)；
[0021] 步驟2. 4、設(shè)FA為融合后的人群塊特征向量，F(xiàn) piMl為人群塊像素特征向量，F(xiàn) tetural 為人群塊紋理特征向量，則融合后的人群塊特征向量FA為：
[0023] 步驟4的具體過程為：
[0024] 步驟4. 1、從所輸入的新的人群圖像中提取各人群塊的像素特征向量Fpixel和各人 群塊的紋理特征向量F textural?
[0025] 步驟4. 2、計(jì)算各人群塊的遮擋塊前景面積與前景邊緣像素?cái)?shù)差的絕對值 、像素面積與前景周長差的絕對值&?以及前景邊緣與前景周長差的絕對 值并將它們作為訓(xùn)練好的第二支持向量回歸模型的輸入，求各人群塊的每；
[0026] 步驟4. 3、根據(jù)步驟4. 2中得到的各人群塊的每，代入公式（3)求各人群塊融合 后的特征向量fa;
[0027] 步驟4. 4、將步驟4. 3得到的各人群塊融合后的特征向量FA作為第一支持向量回 歸模型的輸入，求出各人群塊的人數(shù)，最后將各人群塊的人數(shù)相加作為該人群圖像統(tǒng)計(jì)出 的人數(shù)。
[0028] 本發(fā)明的有益效果是：傳統(tǒng)機(jī)器學(xué)習(xí)需要標(biāo)定大量訓(xùn)練數(shù)據(jù)，且標(biāo)定的數(shù)據(jù)可能 存在數(shù)據(jù)分布不均衡和數(shù)據(jù)缺失現(xiàn)象，而本發(fā)明一種雙像機(jī)的人群人數(shù)統(tǒng)計(jì)方法利用迀移 學(xué)習(xí)方法從其它像機(jī)提取與目標(biāo)像機(jī)有關(guān)聯(lián)的已經(jīng)標(biāo)定的輔助人群數(shù)據(jù)來解決上述問題。 同時(shí)現(xiàn)有算法直接簡單串聯(lián)像素特征和紋理特征，沒有充分利用不同類型特征的特性，而 本發(fā)明一種雙像機(jī)的人群人數(shù)統(tǒng)計(jì)方法將遮擋人群塊預(yù)測人數(shù)與遮擋人群塊真實(shí)人數(shù)的 差值作為人群塊中人群遮擋嚴(yán)重程度的依據(jù)來融合人群塊像素特征和紋理特征，從而提高 人數(shù)統(tǒng)計(jì)模型的準(zhǔn)確性。
【附圖說明】
[0029] 圖1是本發(fā)明一種雙像機(jī)的人群人數(shù)統(tǒng)計(jì)方法的流程圖。
【具體實(shí)施方式】
[0030] 下面結(jié)合附圖和【具體實(shí)施方式】對本發(fā)明進(jìn)行詳細(xì)說明。
[0031] 本發(fā)明一種雙像機(jī)的人群人數(shù)統(tǒng)計(jì)方法，流程圖如圖1所示，監(jiān)控場景中有目標(biāo) 像機(jī)A和輔助像機(jī)B，利用目標(biāo)像機(jī)A視頻幀統(tǒng)計(jì)人群人數(shù)，利用輔助像機(jī)B中的視頻幀數(shù) 據(jù)輔助A中數(shù)據(jù)進(jìn)行訓(xùn)練，目標(biāo)人群數(shù)據(jù)集D AS統(tǒng)計(jì)目標(biāo)像機(jī)A視頻幀中人群塊的像素特 征和紋理特征以及目標(biāo)塊實(shí)際人數(shù)；輔助人群數(shù)據(jù)集％為統(tǒng)計(jì)輔助像機(jī)B視頻幀中人群塊 的像素特征和紋理特征以及目標(biāo)塊實(shí)際人數(shù)；迀移人群數(shù)據(jù)集％為從輔助人群數(shù)據(jù)集D b* 迀移與目標(biāo)人群數(shù)據(jù)集Da中樣本特征相近的人群數(shù)據(jù)樣本；
[0032] 其中，像素特征向量包括前景面積、前景邊緣像素?cái)?shù)和前景周長；紋理特征向量包 括韋伯特征（WLD)和局部二值模式（LBP);
[0033] 步驟1、使用基于實(shí)例的TraAdaBoost迀移學(xué)習(xí)算法從輔助人群數(shù)據(jù)集DB中迀移 與目標(biāo)人群數(shù)據(jù)集D A中樣本特征相近的人群數(shù)據(jù)樣本，設(shè)為迀移人群數(shù)據(jù)集D K，合并迀移 人群數(shù)據(jù)集DK和目標(biāo)人群數(shù)據(jù)集D A為人群數(shù)據(jù)集D ;
[0034] 步驟2、根據(jù)人群數(shù)據(jù)集D中遮擋人群塊實(shí)際人數(shù)與預(yù)測人數(shù)的差值來融合人群 數(shù)據(jù)集D中的像素特征和紋理特征，具體過程如下：
[0035] 步驟2. 1、對人群數(shù)據(jù)集D，使用線性擬合方法，分別擬合人群數(shù)據(jù)集D中未遮擋人 群塊實(shí)際人數(shù)ypix= y_= y_t_與未遮擋人群塊的前景面積Xpix、前景邊緣像素?cái)?shù)和 前景周長^^這三種像素特征之間的線性關(guān)系，如式（1)所示：
[0037] 其中，a~f為需要擬合的參數(shù)，利用最小二乘法求取這些擬合參數(shù)；
[0038] 步驟2. 2、當(dāng)用不遮擋人群像素特征和人群人數(shù)擬合公式（1)對遮擋人群人數(shù)進(jìn) 行擬合時(shí)，擬合出的人數(shù)將會和實(shí)際人數(shù)出現(xiàn)較大的差異，因此該差異值就可以作為衡量 人群遮擋嚴(yán)重程度的依據(jù)，也反映了人群密度的高低。
[0039] 設(shè)七#和.分別表示遮擋人群塊的前景面積、前景邊緣像素?cái)?shù)和前 景周長，用公式（1)得到該遮擋人群塊預(yù)測出的人群人數(shù)分別為和?，該 遮擋塊的實(shí)際