車輛及行人監(jiān)測方法及裝置的制造方法
【技術領域】
[0001]本發(fā)明涉及監(jiān)控技術領域，尤其涉及一種車輛及行人監(jiān)測方法及裝置。
【背景技術】
[0002]近年來，隨著平安城市、智慧城市建設的不斷升級，安防監(jiān)控技術得到廣泛應用，基于視頻的人臉檢測和車輛檢測等技術已經成功應用在火車站、電子警察、公安卡口、高速公路測速與收費、停車場管理等領域。
[0003]隨著市場需求提升，安防行業(yè)已經有專業(yè)的車輛檢測或者行人檢測產品，這類產品雖然滿足了當前一定的市場需求，但是功能單一，僅僅關注人，或者僅僅關注車。在大量人車混雜的監(jiān)控區(qū)域，要達到人、車同時抓拍需要部署較多的軟硬件設備，由此大大增加工程造價，以及后續(xù)的維護成本。
[0004]同時，由于產品形態(tài)混雜，對系統(tǒng)組網帶來很大困難，不利于市場快速普及。

【發(fā)明內容】

[0005]本發(fā)明的主要目的在于提出一種車輛及行人監(jiān)測方法及裝置，旨在解決車輛檢測或者行人檢測產品功能單一，產品形態(tài)混雜的弊端，滿足人車同時監(jiān)控的需求。
[0006]為實現上述目的，本發(fā)明提供的一種車輛及行人監(jiān)測方法，所述方法包括步驟:
[0007]以時分多路的方式，通過攝像裝置采集包括人臉和車輛的視頻圖像；
[0008]基于采集的所述視頻圖像，以設定的檢測規(guī)則，進行人臉檢測和車輛檢測，得到人臉檢測及車輛檢測結果。
[0009]優(yōu)選地，所述方法還包括:
[0010]檢測用戶終端的MAC地址。
[0011]優(yōu)選地，所述基于所述視頻圖像，以設定的檢測規(guī)則，進行人臉檢測，得到人臉檢測結果的步驟包括:
[0012]通過級聯分類器從所述視頻圖像中提取人臉輪廓，并確定人臉的位置和大小，將人臉通過矩形區(qū)域標識。
[0013]優(yōu)選地，所述通過級聯分類器從所述視頻圖像中提取人臉輪廓的步驟包括:
[0014]基于Haar-1ike特征和多尺度HOG特征，對分類器檢測進行計算優(yōu)化；
[0015]使用置信度的實值分類器代替二值分類器，并對HOG特征和Haar-1ike特征設計不同的弱分類器，用Gentle Adaboost算法訓練強分類器；
[0016]使用haar-like特征訓練adaboost級聯分類器，從所述視頻圖像中掃描檢測區(qū)域，產生候選目標；使用多尺度HOG特征訓練adaboost級聯分類器，進行候選目標確認，輸出最終檢測目標，得到人臉輪廓。
[0017]優(yōu)選地，所述基于所述視頻圖像，以設定的檢測規(guī)則，進行車輛檢測，得到車輛檢測結果的步驟包括:
[0018]基于所述視頻圖像，以及車牌識別的車輛檢測規(guī)則或虛擬線圈的車輛檢測規(guī)則，進行車輛檢測，得到車輛檢測結果。
[0019]本發(fā)明還提出一種車輛及行人監(jiān)測裝置，所述裝置包括:
[0020]采集模塊，用于以時分多路的方式，通過攝像裝置采集包括人臉和車輛的視頻圖像；
[0021]檢測模塊，用于基于所述視頻圖像，以設定的檢測規(guī)則，進行人臉檢測和車輛檢測，得到人臉檢測及車輛檢測結果。
[0022]優(yōu)選地，所述檢測模塊，還用于檢測用戶終端的MAC地址。
[0023]優(yōu)選地，所述檢測模塊，還用于通過級聯分類器從所述視頻圖像中提取人臉輪廓，并確定人臉的位置和大小，將人臉通過矩形區(qū)域標識。
[0024]優(yōu)選地，所述檢測模塊，還用于基于Haar-1ike特征和多尺度HOG特征，對分類器檢測進行計算優(yōu)化；使用置信度的實值分類器代替二值分類器，并對HOG特征和Haar-1ike特征設計不同的弱分類器，用Gentle Adaboost算法訓練強分類器；使用haar-like特征訓練adaboost級聯分類器，從所述視頻圖像中掃描檢測區(qū)域，產生候選目標；使用多尺度HOG特征訓練adaboost級聯分類器，進行候選目標確認，輸出最終檢測目標，得到人臉輪廓。
[0025]優(yōu)選地，所述檢測模塊，還用于基于所述視頻圖像，以及車牌識別的車輛檢測規(guī)則或虛擬線圈的車輛檢測規(guī)則，進行車輛檢測，得到車輛檢測結果。
[0026]本發(fā)明提出的一種車輛及行人監(jiān)測方法及裝置，以時分多路的方式，通過攝像裝置采集包括人臉和車輛的視頻圖像；基于采集的視頻圖像，以設定的檢測規(guī)則，進行人臉檢測和車輛檢測，得到人臉檢測及車輛檢測結果，該方案中，可以將人臉檢測和車輛檢測算法采用全嵌入式的方式在一臺高清攝像機中實現，解決了車輛檢測或者行人檢測產品功能單一，產品形態(tài)混雜的弊端，滿足人車同時監(jiān)控的需求；此外，還可以增加手機MAC地址抓拍，達到人、車、MAC地址同時抓拍，綜合比對的目的。
[0027]與現有技術相比，本發(fā)明有以下優(yōu)點:
[0028]1、一臺高清攝像機即可解決人、車、MAC地址同時抓拍的需求，大大簡化系統(tǒng)組網方案
[0029]2、系統(tǒng)采用全嵌入式設計，大大增加系統(tǒng)穩(wěn)定性；
[0030]3、通過整合人、車、MAC地址，大大豐富了抓拍目標信息，方便公安、交警等單位綜合比對和檢索。
【附圖說明】
[0031]圖1是本發(fā)明車輛及行人監(jiān)測方法流程示意圖；
[0032]圖2是本發(fā)明方案運行的系統(tǒng)流程示意圖；
[0033]圖3是本發(fā)明車牌識別流程不意圖；
[0034]圖4是本發(fā)明車輛及行人監(jiān)測裝置功能模塊示意圖。
[0035]本發(fā)明目的的實現、功能特點及優(yōu)點將結合實施例，參照附圖做進一步說明。
【具體實施方式】
[0036]應當理解，此處所描述的具體實施例僅僅用以解釋本發(fā)明，并不用于限定本發(fā)明。
[0037]如圖1所示，本發(fā)明較佳實施例提出一種車輛及行人監(jiān)測方法，所述方法包括步驟:
[0038]步驟S101，以時分多路的方式，通過攝像裝置采集包括人臉和車輛的視頻圖像；
[0039]本實施例方案運行的系統(tǒng)可以包括主處理芯片、視頻圖像處理器、數字信號處理器、攝像裝置以及WIFI模塊等，其中，視頻圖像處理器、數字信號處理器、攝像裝置以及WIFI模塊均可以與主處理芯片連接。
[0040]其中，主處理芯片可以采用TI的DM8147，作為一種處理流程，如圖2所示，系統(tǒng)上電后，系統(tǒng)依次加載主核ARM A8，視頻圖像處理器VPSS_M3和VIDE0_M3，以及數字信號處理器DSP。Wifi模塊隨A8同時啟動。
[0041]AS負責偵測開啟wifi的手機MAC地址，DSP核負責人臉檢測和車輛檢測。
[0042]所有偵測信息推送到AS，由AS進行實時圖像抓拍，字幕疊加，多畫面合成，防偽加密等安防圖像處理。
[0043]其中，在本實施例方案中，采用基于時分多路的人臉檢測與車輛檢測算法。
[0044]本實施例考慮到:需要在一顆芯片上同時實現人臉和多模態(tài)車輛檢測算法，而DM8147處理性能有限，無法同時實時檢測人臉和車輛。本發(fā)明采用了一種時分多路的處理方式實現人臉和多模態(tài)車輛檢測算法同時運行。
[0045]其中，時分多路檢測方式即:在奇數幀時檢測人臉，在偶數幀時檢測車輛。這樣DM8147任何時刻只運行一種檢測算法。由于攝像機幀率達到每秒25幀，所以時分多路的情況下人臉和車輛仍然能夠獲得足夠的檢測機會。
[0046]由此，以時分多路的方式，通過攝像頭等攝像裝置采集包括人臉和車輛的視頻圖像。
[0047]步驟S102，基于采集的所述視頻圖像，以設定的檢測規(guī)則，進行人臉檢測和車輛檢測，得到人臉檢測及車輛檢測結果。
[0048]然后，實時準確的從視頻圖像中檢測出人臉和車輛，其中:
[0049]對人臉的檢測，從視頻圖像中檢測出人臉，確定人臉的位置和大小，使用矩形區(qū)域表示出來。
[0050]考慮到實際應用中人臉外觀、姿態(tài)的變化性，周圍環(huán)境的復雜性，光照和天氣變化的影響等因素，本實施例選擇使用基于統(tǒng)計學習的方法進行人臉檢測，有效利用級聯分類器結構快速的優(yōu)點，并且從以下三個方面來改善級聯分類器的整體性能，降低誤識率的同時，保證了好的檢測性能，并且優(yōu)化了整個級聯結構的訓練過程:
[0051]首先，應用廣泛的Haar-1ike特征和多尺度HOG特征，并針對分類器檢測進行計算優(yōu)化。
[0052]其次，使用置信度的實值分類器代替二值分類器，并對HOG特征和Haar-1ike特征設計不同的弱分類器，用Gentle Adaboost算法訓練強分類器，減少了整個級聯結構使用的特征數，也減少了訓練復雜性。
[0053]最后，使用一種由粗到細的兩階段級聯分類檢測結構，第一階段，使用haar-like特征訓練adaboost級聯分類器，快速掃描檢測區(qū)域，產生候選目標；第二階段，使用多尺度HOG特征訓練adaboost級聯分類器，進行候選目標確認，輸出最終檢測目標，得到人臉檢測結果。
[0054]對于車輛檢測:
[0055]車輛檢測采用多模態(tài)的檢測方案，綜合車牌識別和虛擬線圈兩種檢測方式。由此通過多模態(tài)的檢測方案