專利名稱：基于廣義回歸神經(jīng)網(wǎng)絡(luò)的多向運動人群流量估計方法
技術(shù)領(lǐng)域：
本發(fā)明屬于圖像處理與模式識別技術(shù)領(lǐng)域，具體涉及一種基于廣義回歸神經(jīng)網(wǎng)絡(luò)的多向運動人群流量估計方法。
背景技術(shù)：
隨著經(jīng)濟的快速發(fā)展和人們社會活動的不斷增加，人群流量信息的重要性日益體現(xiàn)出來，其不僅與大型商場、超市等公眾消費場所的經(jīng)濟利益密切相關(guān)，同時也是展覽館、 體育場、地鐵、公交車等公共場所實現(xiàn)合理規(guī)劃布局、預(yù)防突發(fā)事件以及消除重大安全隱患的重要依據(jù)。傳統(tǒng)人群流量統(tǒng)計方法包括人工法、紅外法和壓力踏板法等，對人群的運動具有較高的秩序要求，無法應(yīng)用于擁擠現(xiàn)象嚴重的大流量人群。而隨著計算機視覺和圖像處理技術(shù)的不斷發(fā)展，大流量人群的視覺自動監(jiān)測已成為可能。因此，如何利用先進的視頻圖像處理技術(shù)獲得實時、準確的人群流量信息，是當前計算機視覺、智能交通以及視頻監(jiān)控等相關(guān)領(lǐng)域的研究熱點之一，具有廣泛的應(yīng)用前景以及潛在的經(jīng)濟價值。近些年來，針對人群流量估計的視覺方法，研究人員的研究工作主要可歸納為兩大類，即基于行人個體識別與跟蹤的人群流量估計方法以及基于統(tǒng)計模型的人群流量估計方法?；谛腥藗€體識別與跟蹤的人群流量估計算法首先在場景中檢測出每個行人個體或提取出每個行人個體的局部特征，再利用對完整行人或局部特征的跟蹤和聚類獲得場景中的行人數(shù)目。該類方法應(yīng)用于高密度人群的流量估計時，由于行人之間的遮擋嚴重，使得待跟蹤的多個完整人體或局部人體在連續(xù)多幀中出現(xiàn)的概率非常低，從而導致跟蹤效果不佳，流量估計的精度大幅降低?；诮y(tǒng)計模型的人群流量估計算法將運動人群視為服從某種概率分布的整體，通過對運動人群進行時空聯(lián)合建模以實現(xiàn)運動人群的分割，并借助對人群所在區(qū)域的區(qū)域特征與流量之間的線性回歸實現(xiàn)人群流量估計，從而回避復(fù)雜的行人個體提取過程，提高算法的抗遮擋能力。該類方法的主要缺陷在于所采用的統(tǒng)計模型(如高斯背景模型)通常只注重運動人群與背景之間的統(tǒng)計差異，而不考慮人群內(nèi)部各行人之間的運動特性差異，因而無法實現(xiàn)人群的按運動方向分割，同時，線性回歸方法建立的ROI (Region of Interest,感興趣區(qū)域)特征與人群流量之間的回歸模型過于簡單,使得基于線性回歸的方法難以應(yīng)對行人間遮擋嚴重、人群分割質(zhì)量較差時的復(fù)雜情況。

發(fā)明內(nèi)容
本發(fā)明的目的在于提拱一種基于廣義回歸神經(jīng)網(wǎng)絡(luò)(Generalized Regression Neural Network, GRNN)的多向運動人群流量估計方法。該方法首先通過光流場提取運動人群的動態(tài)紋理特征，然后借助動態(tài)紋理特征和水平集算法實現(xiàn)人群的按運動方向分割， 獲得代表不同運動方向的ROI，再利用GRNN實現(xiàn)ROI特征與人群流量之間的回歸分析，從而獲取場景中具有不同運動方向人群的精確、實時流量統(tǒng)計結(jié)果。為達到上述發(fā)明目的，所采取的具體技術(shù)方案是
一種基于廣義回歸神經(jīng)網(wǎng)絡(luò)的多向運動人群流量估計方法，包括以下按先后順序進行的三個步驟1、基于光流場的動態(tài)紋理特征提??；2、基于動態(tài)紋理和水平集算法的多向運動人群分割；3、基于GRNN的人群流量回歸估計。所述的基于光流場的動態(tài)紋理特征提取步驟包括以下過程
(1)光流場計算采用Brox多分辨率光流估計算法獲得人群視頻中連續(xù)兩幀圖像的光流場= SA供，其中表不光流
場強度“表不光流場的方向角；
(2)光流場強度的透視歸一化采用透視四邊形法實現(xiàn)光流場中任意一點的光流強度
E的歸一化，獲得歸一化光流場5S(! ，該歸一化光流場屬s·即為動態(tài)紋理特征；
所述的基于動態(tài)紋理和水平集算法的多向運動人群分割步驟包括以下過程
(1)方向角區(qū)間劃分根據(jù)人群運動方向的先驗知識將光流場的方向角P劃分為C個
互不相交的方向角區(qū)間免，其中；= U,..；
(2)具有不同方向角區(qū)間的子光流場獲取逐點掃描歸一化光流場尾_中的每一點， 根據(jù)其方向角爐將其歸入相應(yīng)的方向角區(qū)間A，掃描完成后，尾_被分解為《個具有不同方向角區(qū)間的子光流場霉·；
(3)子光流場分割在每一個子光流場患_中，借助Renyi熵閾值法實現(xiàn)光流場強度 K·的分割，以獲得子光流場運動人群的分割結(jié)果岑；
(4)初始分割結(jié)果獲取合并名，并依據(jù)所對應(yīng)的方向角區(qū)間的不同進行區(qū)分標記，從
而獲得具有不同運動方向的人群的初始分割結(jié)果Z；
(5)ROI集合獲取采用無需對水平集函數(shù)重新初始化的變分水平集算法，優(yōu)化初始分割結(jié)果人獲取對應(yīng)不同運動方向的人群的ROI集合，即 (ROi(i,j) 15 = 1,2,j = 1,2,,m( )}，其中，w(s)為隸屬于相同方向角區(qū)間Φ;的ROI的數(shù)目。所述的基于GRNN的人群流量回歸估計步驟包括以下過程
(1)ROI特征提取獲取與人群流量密切相關(guān)的ROI面積、ROI周長、ROI周長面積比、 ROI內(nèi)部邊緣點數(shù)目、ROI分形維度以及ROI的統(tǒng)計地形特征，用于人群流量的回歸分析；
(2)用于網(wǎng)絡(luò)訓練的樣本集的獲取選取場景中具有不同人群密度和遮擋程度的多個代表性R0I，作為網(wǎng)絡(luò)訓練的樣本集；
(3)GRNN模型的建立和訓練以ROI面積、ROI周長、ROI周長面積比、ROI內(nèi)部邊緣點數(shù)目、ROI分形維度以及ROI的統(tǒng)計地形特征作為網(wǎng)絡(luò)輸入，以ROI中的行人數(shù)目作為網(wǎng)絡(luò)輸出，構(gòu)建GRNN，同時，給定輸出誤差限，采取樣本集的交叉驗證方法訓練GRNN網(wǎng)絡(luò)，并用循環(huán)比較方式獲取最優(yōu)SPREAD值；
所述的ROI的統(tǒng)計地形特征包括與可變水平面e = 相關(guān)的山峰實體個數(shù)< 的統(tǒng)計均
值5 )和方差￡) ),山谷實體個數(shù)％的統(tǒng)計均值5(4)和方差￡)(4)；
(4)人群流量估計器的獲取完成訓練的GRNN即可作為單個ROI中人群流量值的估計
5器，該人群流量估計器的輸入為ROI特征，輸出為該ROI中的行人數(shù)目；
(5)人群流量估計結(jié)果的輸出提取ROI集合中每一個ROI的特征，依次輸入人群流量估計器，獲得每一個ROI中的人群流量估計結(jié)果，再將隸屬于相同方向角區(qū)間的ROI的人群流量估計結(jié)果合并，從而獲取每個方向角區(qū)間內(nèi)的人群流量估計結(jié)果，并依據(jù)不同的方向角區(qū)間進行輸出，完成具有不同運動方向的人群的流量估計。本發(fā)明提出的人群流量估計方法，借助基于光流場的動態(tài)紋理對運動人群進行整體建模，不僅可以回避復(fù)雜的行人個體特征的提取與跟蹤過程，大幅提升算法的抗行人間遮擋能力，同時也可兼顧行人運動的整體性與差異性，從而實現(xiàn)人群的按運動方向分割。此外，基于GRNN的人群流量回歸模型的引入，使得人群流量估計器的泛化能力更強，可有效降低行人間的相互遮擋以及人群分割質(zhì)量等多種因素對人群流量估計造成的影響。因此， 與現(xiàn)有的基于行人個體識別與跟蹤的，或基于統(tǒng)計模型的人群流量估計方法相比，本發(fā)明提出的基于GRNN的多向運動人群流量估計方法更加適合應(yīng)用于具有低復(fù)雜度、高精度以及高實時性要求的人群流量分向估計場合。


圖I為本發(fā)明的整體流程圖2(a)與圖2(b)為本發(fā)明中光流場強度歸一化過程所采用的透視四邊形示例，其中，圖2(a)為透視四邊形在原始圖像中的位置，圖2(b)為歸一化表達式中各數(shù)學符號的含義；
圖3為本發(fā)明中方向角區(qū)間劃分示例；
圖4 (a)與圖4(b)為本發(fā)明中ROI集合獲取示例，其中，圖4(a)為集合中序號為1_3 的ROI，圖4(b)為集合中序號為4-8的ROI ；
圖5(a)和圖5(b)為本發(fā)明中人群流量估計結(jié)果輸出示例，其中，圖5(a)為較高密度人群的流量估計結(jié)果，圖5(b)為較低密度人群的流量估計結(jié)果。
具體實施例方式下面結(jié)合附圖對本發(fā)明作進一步的說明。圖I為本發(fā)明提出的基于GRNN的多向人群流量估計方法的實施流程圖。該實施流程主要包括基于光流場的動態(tài)紋理特征提取、基于動態(tài)紋理和水平集算法的多向運動人群分割以及基于GRNN的人群流量回歸估計三個步驟，其輸入為人群視頻序列中的連續(xù)兩幀灰度圖像(彩色圖像可事先進行灰度轉(zhuǎn)換)，輸出為具有不同運動方向的人群的流量計數(shù)值。在基于光流場的動態(tài)紋理特征提取步驟中，包括以下過程
I.光流場計算采用Brox多分辨率光流估計算法獲得人群視頻中連續(xù)兩幀圖像的光流場S = ΕΔφ。2.光流場強度的透視歸一化采用透視四邊形法實現(xiàn)光流場中任意一點的光流強度S(U)的歸一化，獲得歸一化光流場尾_。歸一化過程中所采用的透視四邊形在圖像中的位置如圖2(a)所示，任意一點的光流強度歸一化結(jié)果Swa(U)如式(I)所示
權(quán)利要求
1.基于廣義回歸神經(jīng)網(wǎng)絡(luò)的多向運動人群流量估計方法，其特征該方法包括以下步驟；步驟I.基于光流場的動態(tài)紋理特征提??；步驟2.基于動態(tài)紋理和水平集算法的多向運動人群分割；步驟3.基于GRNN的人群流量回歸估計；所述的基于光流場的動態(tài)紋理特征提取步驟包括以下過程(1)光流場計算采用Brox多分辨率光流估計算法獲得人群視頻中連續(xù)兩幀圖像的光流場覽=SZ.史，其中忍表不光流場強度，f表示光流場的方向角；(2)光流場強度的透視歸一化采用透視四邊形法實現(xiàn)光流場中任意一點的光流場強度5的歸一化，獲得歸一化光流場"Smsww ,該歸一化光流場*即為動態(tài)紋理特征；所述的基于動態(tài)紋理和水平集算法的多向運動人群分割步驟包括以下過程(1)方向角區(qū)間劃分根據(jù)人群運動方向的先驗知識將光流場的方向角#劃分為”個互不相交的方向角區(qū)間免，其中…3 ；(2)具有不同方向角區(qū)間的子光流場獲取逐點掃描歸一化光流場尾 中的每一點， 根據(jù)其方向角爐將其歸入相應(yīng)的方向角區(qū)間A，掃描完成后，屬_ 被分解為s個具有不同方向角區(qū)間的子光流場；(3)子光流場分割在每一個子光流場患_中，借助Renyi熵閾值法實現(xiàn)光流場強度的分割，以獲得子光流場運動人群的分割結(jié)果盡;(4)初始分割結(jié)果獲取合并名，并依據(jù)所對應(yīng)的方向角區(qū)間的不同進行區(qū)分標記，從而獲得具有不同運動方向的人群的初始分割結(jié)果;(5)ROI集合獲取采用無需對水平集函數(shù)重新初始化的變分水平集算法，優(yōu)化初始分割結(jié)果公，獲取對應(yīng)不同運動方向的人群的ROI集合，即=,其中，MO為隸屬于相同方向角區(qū)間免的ROI的數(shù)目；所述的基于GRNN的人群流量回歸估計步驟包括以下過程(1)ROI特征提取獲取與人群流量密切相關(guān)的ROI面積、ROI周長、ROI周長面積比、 ROI內(nèi)部邊緣點數(shù)目、ROI分形維度以及ROI的統(tǒng)計地形特征，用于人群流量的回歸分析；(2)用于網(wǎng)絡(luò)訓練的樣本集的獲取選取場景中具有不同人群密度和遮擋程度的多個代表性R0I，作為網(wǎng)絡(luò)訓練的樣本集；(3)GRNN模型的建立和訓練以ROI面積、ROI周長、ROI周長面積比、ROI內(nèi)部邊緣點數(shù)目、ROI分形維度以及ROI的統(tǒng)計地形特征作為網(wǎng)絡(luò)輸入，以ROI中的行人數(shù)目作為網(wǎng)絡(luò)輸出，構(gòu)建GRNN，同時，給定輸出誤差限，采取樣本集的交叉驗證方法訓練GRNN網(wǎng)絡(luò)，并用循環(huán)比較方式獲取最優(yōu)SPREAD值；所述的ROI的統(tǒng)計地形特征包括與可變水平面ζ = α相關(guān)的山峰實體個數(shù)< 的統(tǒng)計均值￡ )和方差￡) ),山谷實體個數(shù)K的統(tǒng)計均值5 )和方差￡) )；(4)人群流量估計器的獲取完成訓練的GRNN即可作為單個ROI中人群流量值的估計器，該人群流量估計器的輸入為ROI特征，輸出為該ROI中的行人數(shù)目；(5)人群流量估計結(jié)果的輸出提取ROI集合中每一個ROI的特征，依次輸入人群流量估計器，獲得每一個ROI中的人群流量估計結(jié)果，再將隸屬于相同方向角區(qū)間的ROI的人群流量估計結(jié)果合并，從而獲取每個方向角區(qū)間內(nèi)的人群流量估計結(jié)果，并依據(jù)不同的方向角區(qū)間進行輸出，完成具有不同運動方向的人群的流量估計。
全文摘要
本發(fā)明涉及一種基于廣義回歸神經(jīng)網(wǎng)絡(luò)的多向運動人群流量估計方法?；诰€性回歸的方法難以應(yīng)對行人間遮擋嚴重、人群分割質(zhì)量較差時的復(fù)雜情況。本發(fā)明首先通過光流場提取運動人群的動態(tài)紋理特征，然后借助動態(tài)紋理特征和水平集算法實現(xiàn)人群的按運動方向分割，獲得代表不同運動方向的ROI，再利用GRNN實現(xiàn)ROI特征與人群流量之間的回歸分析，從而獲取場景中具有不同運動方向人群的精確、實時流量統(tǒng)計結(jié)果。本發(fā)明不僅可以回避復(fù)雜的行人個體特征的提取與跟蹤過程，大幅提升算法的抗行人間遮擋能力，同時也可兼顧行人運動的整體性與差異性，從而實現(xiàn)人群的按運動方向分割。
文檔編號G06K9/00GK102609688SQ20121002343
公開日2012年7月25日 申請日期2012年2月2日 優(yōu)先權(quán)日2012年2月2日
發(fā)明者于海濱, 何志偉, 劉圓圓, 周巧娣 申請人:杭州電子科技大學