一種人流量統(tǒng)計中最優(yōu)目標(biāo)檢測尺度的生成方法
【專利摘要】本發(fā)明公開了一種人流量統(tǒng)計中最優(yōu)目標(biāo)檢測尺度的生成方法，包括以下步驟：獲取視頻源，并初始化統(tǒng)計目標(biāo)隊列people_list為空；讀取視頻源當(dāng)前幀圖像，將該圖像轉(zhuǎn)化為灰度圖像Gk，并初始化檢測目標(biāo)隊列head_list為空，將灰度圖像Gk劃分為n個區(qū)域；對灰度圖像Gk進行目標(biāo)檢測，利用檢測目標(biāo)和跟蹤信息更新people_list隊列，并將新出現(xiàn)沒有關(guān)聯(lián)的檢測目標(biāo)作為新目標(biāo)加入people_list中；處理一定視頻幀數(shù)后，根據(jù)people_list中所有統(tǒng)計目標(biāo)當(dāng)前位置信息計算各區(qū)域目標(biāo)檢測尺度分布直方圖，利用目標(biāo)檢測尺度分布直方圖信息計算各區(qū)域的最優(yōu)檢測尺度。本發(fā)明能夠?qū)谝曨l的人流量算法的高檢測率和低虛警率起到有益效果。
【專利說明】一種人流量統(tǒng)計中最優(yōu)目標(biāo)檢測尺度的生成方法

【技術(shù)領(lǐng)域】
[0001] 本發(fā)明屬于計算機視覺領(lǐng)域，更具體地，涉及一種人流量統(tǒng)計中最優(yōu)目標(biāo)檢測尺 度的生成方法。

【背景技術(shù)】
[0002] 人流量統(tǒng)計技術(shù)在商場、地鐵、車站等場所有著廣泛的應(yīng)用，對該技術(shù)的研究也有 著極高的市場價值。傳統(tǒng)的人流量統(tǒng)計多采用人工計數(shù)的方式，這種方式需要雇傭大量人 力，造成了資源的浪費。隨著計算機視覺技術(shù)的發(fā)展，基于視頻圖像的人流量統(tǒng)計技術(shù)正逐 漸發(fā)展起來，它通過運用圖像處理等學(xué)科中的相關(guān)理論，自動的對由攝像頭獲取的視頻圖 像進行處理分析，以對圖像中的目標(biāo)進行識別與跟蹤，從而實現(xiàn)自動計數(shù)的功能。這種方式 在很大程度上節(jié)約了人力和財力等資源。
[0003] 基于視頻的人流量統(tǒng)計算法涉及到計算機視覺中的目標(biāo)檢測和目標(biāo)跟蹤兩大核 心技術(shù)。常用的目標(biāo)檢測算法有基于特征點的目標(biāo)檢測、基于背景建模的目標(biāo)檢測及基于 統(tǒng)計學(xué)習(xí)理論的目標(biāo)檢測方法?；谔卣鼽c的目標(biāo)檢測算法在特征點較少的情況下，不能 夠充分地對目標(biāo)進行表示，而較多的特征點又會帶來較大的計算量；基于背景建模的目標(biāo) 檢測算法是運用數(shù)學(xué)方法對背景進行建模，然后利用輸入圖像和背景模型的差異來進行檢 測目標(biāo)，這種方法對光照變化、陰影等比較敏感；基于統(tǒng)計學(xué)習(xí)理論的目標(biāo)檢測方法中，以 方向梯度直方（Histograms of Oriented Gradients，簡稱 H0G)和支撐向量機（Support Vector Machine，簡稱SVM)算法的應(yīng)用最為廣泛?，F(xiàn)有的方法需要離線訓(xùn)練分類器模型，然 后在輸入圖像中用搜索窗口遍歷，提取搜索窗口內(nèi)圖像的H0G特征，采用訓(xùn)練的分類器模 型進行分類，通過分類結(jié)果判斷搜索窗口是否有目標(biāo)存在，搜索窗口的大小（即檢測尺度） 至關(guān)重要，理論上來說，檢測尺度和目標(biāo)大小相近才能保證檢測的準(zhǔn)確性，如果檢測尺度個 數(shù)設(shè)置過多，不僅對算法的實時性造成影響，還會產(chǎn)生大量虛假目標(biāo)，如果尺度個數(shù)設(shè)置固 定或者過少，又可能因檢測尺度不合適導(dǎo)致目標(biāo)漏檢。


【發(fā)明內(nèi)容】

[0004] 針對現(xiàn)有技術(shù)的以上缺陷或改進需求，本發(fā)明提供了一種人流量統(tǒng)計中最優(yōu)目標(biāo) 檢測尺度的生成方法，其目的在于避免基于視頻的人流量統(tǒng)計算法存在的手動設(shè)置目標(biāo)檢 測尺度的不準(zhǔn)確性和不方便性的問題，并能夠?qū)谝曨l的人流量算法的高檢測率和低虛 警率起到有益效果。
[0005] 為實現(xiàn)上述目的，按照本發(fā)明的一個方面，提供了一種人流量統(tǒng)計中最優(yōu)目標(biāo)檢 測尺度的生成方法，包括以下步驟：
[0006] ( 1)獲取視頻源，設(shè)置幀計數(shù)器k=l，并初始化統(tǒng)計目標(biāo)隊列peoplejist為空；
[0007] (2)讀取視頻源的第k幀圖像，將該圖像轉(zhuǎn)化為灰度圖像Gk，并初始化檢測目標(biāo)隊 列 head_list 為空；
[0008] (3)判斷幀計數(shù)器k的值是否為1，如果是則將灰度圖像Gk劃分為η個區(qū)域，并初 始化一個η行m列的數(shù)組obj [n] [m]，初始值均設(shè)為0,否則轉(zhuǎn)入步驟（4)，其中η為灰度圖 像Gk區(qū)域劃分的個數(shù)，m為每個區(qū)域采用的檢測尺度個數(shù)；
[0009] (4)在灰度圖像Gk搜索窗口內(nèi)提取H0G特征，并采用SVM分類器對H0G特征進行 分類，以實現(xiàn)對灰度圖像Gk的目標(biāo)檢測；
[0010] (5)判斷統(tǒng)計目標(biāo)隊列pe〇ple_list是否為空，若是則轉(zhuǎn)向步驟（10)，否則轉(zhuǎn)向步 驟(6);
[0011] (6)遍歷people_list中的每個統(tǒng)計目標(biāo)，判斷檢測目標(biāo)隊列head_list中是否有 和其中心位置接近的檢測目標(biāo)，如果有，則認(rèn)為這些檢測目標(biāo)與該統(tǒng)計目標(biāo)相匹配，并找出 與該統(tǒng)計目標(biāo)最近的檢測目標(biāo)并記錄下該檢測目標(biāo)的位置信息，否則對該統(tǒng)計目標(biāo)不進行 任何操作；
[0012] (7)遍歷peoplejist中的每個統(tǒng)計目標(biāo)，運用均值漂移算法對該統(tǒng)計目標(biāo)跟蹤， 以得到該統(tǒng)計目標(biāo)的跟蹤位置；
[0013] (8)遍歷peoplejist中的每個統(tǒng)計目標(biāo)，如果該統(tǒng)計目標(biāo)在步驟（6)中找到了 與之最近的檢測目標(biāo)，則先保存該統(tǒng)計目標(biāo)的當(dāng)前位置，然后用與之最近的檢測目標(biāo)位置 更新其位置，并將該統(tǒng)計目標(biāo)出現(xiàn)的幀數(shù)加一，否則判斷該統(tǒng)計目標(biāo)的出現(xiàn)次數(shù)是否達到 閾值d，如果是，則先保存該統(tǒng)計目標(biāo)的當(dāng)前位置，然后用步驟（7)中得到的跟蹤位置更新 該統(tǒng)計目標(biāo)的位置，并將該統(tǒng)計目標(biāo)出現(xiàn)的幀數(shù)加一；否則對當(dāng)前統(tǒng)計目標(biāo)不進行任何操 作；
[0014] (9)根據(jù)peoplejist中所有統(tǒng)計目標(biāo)的當(dāng)前位置信息統(tǒng)計各劃分區(qū)域中的目標(biāo) 檢測尺度分布直方圖；
[0015] (10)遍歷head_list中的每一個檢測目標(biāo)，并判斷該檢測目標(biāo)是否與people_ list中的任何統(tǒng)計目標(biāo)都不匹配，如果是，則將該檢測目標(biāo)作為新目標(biāo)，加入到pe〇ple_ list中；否則對該檢測目標(biāo)不進行任何操作；
[0016] (11)判斷幀計數(shù)器k是否小于閾值FT，如果是，則對幀計數(shù)器k執(zhí)行加一操作，然 后返回步驟（2)，否則轉(zhuǎn)向步驟（12);
[0017] (12)對于數(shù)組obj [n] [m]進行按列求和，以獲得每個區(qū)域內(nèi)有效統(tǒng)計目標(biāo)的總 數(shù)，并找出每個區(qū)域中最多有效統(tǒng)計目標(biāo)maxNum對應(yīng)的檢測尺度maxScale ;
[0018] (13)遍歷步驟（3)中劃分的每個區(qū)域，判斷是否有maxNum/AllNum〉閾值SS，且 有AllNum大于閾值N，其中AllNum表示當(dāng)前區(qū)域內(nèi)總的有效統(tǒng)計目標(biāo)個數(shù)，如果有則認(rèn)為 maxScale為當(dāng)前區(qū)域的最優(yōu)檢測尺度，并標(biāo)記當(dāng)前區(qū)域找到了最有檢測尺度，否則標(biāo)記當(dāng) 前區(qū)域沒有找到最優(yōu)檢測尺度。
[0019] 優(yōu)選地，步驟（4)包括以下子步驟：
[0020] (4-1)以p為采樣像素間隔構(gòu)建搜索窗口，遍歷該灰度圖像Gk中的像素點，以該像 素點所在區(qū)域i對應(yīng)的m個檢測尺度作為搜索窗口的長和寬；
[0021] (4-2)提取m個搜索窗口內(nèi)的H0G特征，根據(jù)提取的H0G特征計算每個搜索窗口內(nèi) 的目標(biāo)分值，并根據(jù)訓(xùn)練好的SVM分類器判斷該目標(biāo)分值是否大于閾值T，如果大于則認(rèn)為 該搜索窗口內(nèi)存在人頭目標(biāo)，并將該人頭目標(biāo)加入到檢測目標(biāo)隊列head_list中，否則認(rèn) 為該搜索窗口內(nèi)不存在人頭目標(biāo)。
[0022] 優(yōu)選地，目標(biāo)分值score的計算公式為： q .
[0023] score = ^ wrxr + ΖΓ r=l
[0024] 其中score表示目標(biāo)分值，[Wl，w2, . . .，wq]為SVM分類器的支撐向量，q為選取的 HOG特征維數(shù)，b#為SVM分類器求得的最優(yōu)分類間隔，[Xl，x2,. . .，Xq]為搜索窗口內(nèi)的HOG 特征。
[0025] 優(yōu)選地，步驟（6)中如果統(tǒng)計目標(biāo)和檢測目標(biāo)中心之間的距離小于一閾值，則認(rèn)為 該檢測目標(biāo)與統(tǒng)計目標(biāo)的中心位置接近。
[0026] 優(yōu)選地，步驟（9)包括以下子步驟：
[0027] (9-1)遍歷people_list中的每一個統(tǒng)計目標(biāo)，判斷該統(tǒng)計目標(biāo)在上一巾貞中位置 和在當(dāng)前幀中的位置在垂直方向上的差值是否小于閾值f，或者該統(tǒng)計目標(biāo)的出現(xiàn)幀數(shù)小 于閾值V，如果是，則對該統(tǒng)計目標(biāo)不進行任何操作，否則轉(zhuǎn)向步驟（9-2);
[0028] (9-2)對數(shù)組元素 obj[i] [(w-b)/a]執(zhí)行加一操作，其中w表示該統(tǒng)計目標(biāo)的搜索 窗口寬度，a和b均為統(tǒng)計區(qū)域i內(nèi)使用的檢測尺度aXj+b中的參數(shù)。
[0029] 總體而言，通過本發(fā)明所構(gòu)思的以上技術(shù)方案與現(xiàn)有技術(shù)相比，本發(fā)明能夠取得 下列有益效果：
[0030] 1、為基于視頻的人流量統(tǒng)計算法提供了一個準(zhǔn)確的目標(biāo)檢測尺度，避免了在用戶 手動設(shè)置目標(biāo)檢測尺度過程中由于估計誤差造成的不準(zhǔn)確性；同時該發(fā)明方法運用學(xué)習(xí)的 方式，自動的獲得了人流量統(tǒng)計算法中需要的目標(biāo)檢測尺度，不需要人工干擾，提高了人流 量統(tǒng)計算法使用的方便性。
[0031] 2、提高了人流量統(tǒng)計算法的檢測率，并且降低了虛警率：由于采用了步驟（3)，對 圖像進行了區(qū)域劃分，在步驟（9)中利用了幀間信息關(guān)聯(lián)，然后在步驟（13)中計算了各區(qū) 域的最優(yōu)檢測尺度，相比以前的人流量統(tǒng)計算法全圖都采用同一個檢測尺度，本發(fā)明為圖 像中的各劃分區(qū)域都提供了最優(yōu)檢測尺度，更符合實際圖像中目標(biāo)大小的分布，因此在各 個區(qū)域中都能夠進行更為精確的檢測和統(tǒng)計，提高了人流量統(tǒng)計的檢測率；同時因為采用 了更準(zhǔn)確的檢測尺度，減少了檢測過程中出現(xiàn)的虛警數(shù)量。
[0032] 3、不增加人流量統(tǒng)計算法的時間復(fù)雜度。本發(fā)明是在人流量統(tǒng)計算法使用之前就 計算出了所需要的最優(yōu)檢測目標(biāo)尺度，因此不會增加人流量統(tǒng)計算法的計算耗時。

【專利附圖】

【附圖說明】
[0033] 圖1是本發(fā)明人流量統(tǒng)計中最優(yōu)目標(biāo)檢測尺度的生成方法的總體流程圖。
[0034] 圖2是本發(fā)明對圖像進行區(qū)域劃分的方式。
[0035] 圖3是使用本發(fā)明的方法對一視頻序列進行尺度學(xué)習(xí)的結(jié)果。

【具體實施方式】
[0036] 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)合附圖及實施例，對 本發(fā)明進行進一步詳細(xì)說明。應(yīng)當(dāng)理解，此處所描述的具體實施例僅僅用以解釋本發(fā)明，并 不用于限定本發(fā)明。此外，下面所描述的本發(fā)明各個實施方式中所涉及到的技術(shù)特征只要 彼此之間未構(gòu)成沖突就可以相互組合。
[0037] 考慮到人頭是人體中最不容易被遮擋的部位，本發(fā)明將人頭作為目標(biāo)，進行檢測 與統(tǒng)計。
[0038] 如圖1所示，本發(fā)明人流量統(tǒng)計中最優(yōu)目標(biāo)檢測尺度的生成方法包括以下步驟：
[0039] (1)獲取視頻源，設(shè)置幀計數(shù)器k=l，并初始化統(tǒng)計目標(biāo)隊列peoplejist為空；
[0040] (2)讀取視頻源的第k幀圖像，將該圖像轉(zhuǎn)化為灰度圖像Gk，并初始化檢測目標(biāo)隊 列 head_list 為空；
[0041] (3)判斷幀計數(shù)器k的值是否為1，如果是則將灰度圖像Gk劃分為η個區(qū)域(分別 記為區(qū)域〇、區(qū)域1、..區(qū)域η-1)，并初始化一個η行m列的數(shù)組obj [n] [m]，初始值均設(shè)為 〇 ;n為灰度圖像Gk區(qū)域劃分的個數(shù)，取值為正整數(shù)，m為每個區(qū)域采用的檢測尺度個數(shù)，取 值為大于3的正整數(shù)；obj [i] [j](其中i=0, 1，2,…n-1，j=0, 1，2,…m-Ι)表示統(tǒng)計區(qū)域i 內(nèi)用檢測尺度aX j+b (其中a，b均為任意正整數(shù)）檢測出的有效統(tǒng)計目標(biāo)個數(shù)；否則轉(zhuǎn)入 步驟（4);具體而言，區(qū)域的劃分方式可以由用戶自行定義，在本實施方式中，將圖像按照從 上到下的順序平均劃分為4個區(qū)域，如圖2所示。
[0042] (4)在灰度圖像Gk搜索窗口內(nèi)提取H0G特征，并采用SVM分類器對H0G特征進行 分類，以實現(xiàn)對灰度圖像Gk的目標(biāo)檢測；本步驟包括以下子步驟：
[0043] (4-1)以p為采樣像素間隔構(gòu)建搜索窗口，遍歷該灰度圖像Gk中的像素點(其中p 為正整數(shù))，以該像素點所在區(qū)域i對應(yīng)的m個檢測尺度作為搜索窗口的長和寬；
[0044] (4-2)提取m個搜索窗口內(nèi)的H0G特征，根據(jù)提取的H0G特征計算每個搜索窗口內(nèi) 的目標(biāo)分值，并根據(jù)訓(xùn)練好的SVM分類器判斷該目標(biāo)分值是否大于閾值T，如果大于則認(rèn)為 該搜索窗口內(nèi)存在人頭目標(biāo)，并將該人頭目標(biāo)加入到檢測目標(biāo)隊列head_list中，否則認(rèn) 為該搜索窗口內(nèi)不存在人頭目標(biāo)；具體而言，H0G特征的提取方式和SVM分類器的訓(xùn)練過程 已經(jīng)在本 申請人:的中國專利申請?zhí)?01010122671中披露，在此不再贅述。閾值T的取值范 圍是0到2. 5之間。
[0045] 目標(biāo)分值score的計算公式為： q
[0046] score = J] wrxr + b ?=\
[0047] 其中[Wl，w2, . . .，wq]即為SVM分類器的支撐向量，q為選取的HOG特征維數(shù)，b#為 SVM分類器求得的最優(yōu)分類間隔，[Xl，x2，...，X(1]為搜索窗口內(nèi)的HOG特征。
[0048] 本步驟的優(yōu)點在于，由于搜索窗口的滑動步長一般小于人頭寬度，所以可能導(dǎo)致 大量檢測目標(biāo)出現(xiàn)重疊，針對這種情況，本發(fā)明選取搜索窗口最寬的對應(yīng)檢測目標(biāo)作為最 終的檢測目標(biāo)，將其他與之重疊的刪除。
[0049] (5)判斷統(tǒng)計目標(biāo)隊列peoplejist是否為空，若是則轉(zhuǎn)向步驟（10)，否則轉(zhuǎn)向步 驟(6);
[0050] (6)遍歷peoplejist中的每個統(tǒng)計目標(biāo)，判斷檢測目標(biāo)隊列head_list中是否有 和其中心位置接近的檢測目標(biāo)，如果有，則認(rèn)為這些檢測目標(biāo)與該統(tǒng)計目標(biāo)相匹配，并找出 與該統(tǒng)計目標(biāo)最近的檢測目標(biāo)并記錄下該檢測目標(biāo)的位置信息；否則對該統(tǒng)計目標(biāo)不進行 任何操作；具體而言，如果統(tǒng)計目標(biāo)和檢測目標(biāo)中心之間的距離小于某一閾值，則認(rèn)為該檢 測目標(biāo)與統(tǒng)計目標(biāo)的中心位置接近，該閾值與視頻中人頭尺寸成正比，且為正數(shù)。
[0051] (7)遍歷pe〇ple_list中的每個統(tǒng)計目標(biāo)，運用均值漂移算法對該統(tǒng)計目標(biāo)跟蹤， 以得到該統(tǒng)計目標(biāo)的跟蹤位置；
[0052] (8)遍歷peoplejist中的每個統(tǒng)計目標(biāo)，如果該統(tǒng)計目標(biāo)在步驟（6)中找到了與 之最近的檢測目標(biāo)，則先保存該統(tǒng)計目標(biāo)的當(dāng)前位置，然后用與之最近的檢測目標(biāo)位置更 新其位置，并將該統(tǒng)計目標(biāo)出現(xiàn)的幀數(shù)加一；否則判斷該統(tǒng)計目標(biāo)的出現(xiàn)次數(shù)是否達到閾 值d (其中d是大于2的整數(shù))，如果是，則先保存該統(tǒng)計目標(biāo)的當(dāng)前位置，然后用步驟（7) 中得到的跟蹤位置更新該統(tǒng)計目標(biāo)的位置，并將該統(tǒng)計目標(biāo)出現(xiàn)的幀數(shù)加一；否則對當(dāng)前 統(tǒng)計目標(biāo)不進行任何操作；
[0053] 本步驟中設(shè)置統(tǒng)計目標(biāo)的出現(xiàn)次數(shù)達到d的約束，是從時間約束上提高了目標(biāo)置 信度，減少了僅被分類器檢測出的虛假目標(biāo)數(shù)量。
[0054] (9)根據(jù)peoplejist中所有統(tǒng)計目標(biāo)的當(dāng)前位置信息統(tǒng)計各劃分區(qū)域中的目標(biāo) 檢測尺度分布直方圖；該步驟包括以下子步驟：
[0055] (9-1)遍歷people_list中的每一個統(tǒng)計目標(biāo)，判斷該統(tǒng)計目標(biāo)在上一巾貞中位置 和在當(dāng)前幀中的位置在垂直方向上的差值是否小于閾值f，或者該統(tǒng)計目標(biāo)的出現(xiàn)幀數(shù)小 于閾值V，其中f和v均為正整數(shù)，f和圖像幀尺寸成正比，v的取值范圍是2與5之間，如 果是，則對該統(tǒng)計目標(biāo)不進行任何操作，否則轉(zhuǎn)向步驟（9-2)。
[0056] 本步驟的優(yōu)點是利用幀間關(guān)聯(lián)匹配后的目標(biāo)信息來對目標(biāo)進行約束，對于停留在 原地或出現(xiàn)幀數(shù)較少的目標(biāo)不進行檢測尺度統(tǒng)計。
[0057] (9-2)對數(shù)組元素 obj[i] [(w_b)/a]執(zhí)行加一操作，表示在區(qū)域i中用檢測尺度w 找到一個有效統(tǒng)計目標(biāo)，其中w表示該統(tǒng)計目標(biāo)的搜索窗口寬度（即檢測尺度）；
[0058] (10)遍歷head_list中的每一個檢測目標(biāo)，并判斷該檢測目標(biāo)是否與people_ list中的任何統(tǒng)計目標(biāo)都不匹配，如果是，則將該檢測目標(biāo)作為新目標(biāo)，加入到pe〇ple_ list中；否則對該檢測目標(biāo)不進行任何操作；具體而言，判斷該檢測目標(biāo)與統(tǒng)計目標(biāo)匹配 的方式與上述步驟（6)中相同，在此不再贅述；
[0059] (11)判斷幀計數(shù)器k是否小于閾值FT，其中FT為正整數(shù)，其取值與當(dāng)前視頻中 的人流量成正比，如果是，則對幀計數(shù)器k執(zhí)行加一操作，然后返回步驟（2)，否則轉(zhuǎn)向步驟 (12)；
[0060] (12)對于數(shù)組obj [n] [m]進行按列求和，以獲得每個區(qū)域內(nèi)有效統(tǒng)計目標(biāo)的總 數(shù)，并找出每個區(qū)域中最多有效統(tǒng)計目標(biāo)maxNum對應(yīng)的檢測尺度maxScale ;
[0061] (13)遍歷步驟（3)中劃分的每個區(qū)域，判斷是否有maxNum/AllNum>SS，且有 AllNum大于N，其中AllNum表示當(dāng)前區(qū)域內(nèi)總的有效統(tǒng)計目標(biāo)個數(shù)，SS為閾值，其取值為0 至1之間的小數(shù)，N也為閾值，其取值為大于50的整數(shù)。如果有則認(rèn)為maxScale為當(dāng)前區(qū) 域的最優(yōu)檢測尺度，并標(biāo)記當(dāng)前區(qū)域找到了最有檢測尺度；否則標(biāo)記當(dāng)前區(qū)域沒有找到最 優(yōu)檢測尺度，在后續(xù)的人流量統(tǒng)計中需要用戶根據(jù)視頻中人頭大小手動輸入當(dāng)前區(qū)域的最 優(yōu)檢測尺度。
[0062] 如圖3所示，圖像左邊一列四個黑色矩形框為在本實例中劃分的四個區(qū)域中找到 的最優(yōu)檢測尺度對應(yīng)的搜索窗口，圖中白色矩形框為用各區(qū)域的最優(yōu)檢測尺度對應(yīng)的搜索 窗口遍歷圖像各區(qū)域找到的人頭目標(biāo)窗口。
[0063] 本領(lǐng)域的技術(shù)人員容易理解，以上所述僅為本發(fā)明的較佳實施例而已，并不用以 限制本發(fā)明，凡在本發(fā)明的精神和原則之內(nèi)所作的任何修改、等同替換和改進等，均應(yīng)包含 在本發(fā)明的保護范圍之內(nèi)。
【權(quán)利要求】
1. 一種人流量統(tǒng)計中最優(yōu)目標(biāo)檢測尺度的生成方法，其特征在于，包括以下步驟： (1) 獲取視頻源，設(shè)置幀計數(shù)器k=l，并初始化統(tǒng)計目標(biāo)隊列pe〇ple_list為空； (2) 讀取視頻源的第k幀圖像，將該圖像轉(zhuǎn)化為灰度圖像Gk，并初始化檢測目標(biāo)隊列 head_list 為空； (3) 判斷幀計數(shù)器k的值是否為1，如果是則將灰度圖像Gk劃分為η個區(qū)域，并初始化 一個η行m列的數(shù)組obj[n] [m]，初始值均設(shè)為0,否則轉(zhuǎn)入步驟（4)，其中η為灰度圖像Gk 區(qū)域劃分的個數(shù)，m為每個區(qū)域采用的檢測尺度個數(shù)； (4) 在灰度圖像Gk搜索窗口內(nèi)提取HOG特征，并采用SVM分類器對HOG特征進行分類， 以實現(xiàn)對灰度圖像Gk的目標(biāo)檢測； (5) 判斷統(tǒng)計目標(biāo)隊列pe〇ple_list是否為空，若是則轉(zhuǎn)向步驟（10)，否則轉(zhuǎn)向步驟 (6)； (6) 遍歷people_list中的每個統(tǒng)計目標(biāo)，判斷檢測目標(biāo)隊列head_list中是否有和其 中心位置接近的檢測目標(biāo)，如果有，則認(rèn)為這些檢測目標(biāo)與該統(tǒng)計目標(biāo)相匹配，并找出與該 統(tǒng)計目標(biāo)最近的檢測目標(biāo)并記錄下該檢測目標(biāo)的位置信息，否則對該統(tǒng)計目標(biāo)不進行任何 操作； (7) 遍歷peoplejist中的每個統(tǒng)計目標(biāo)，運用均值漂移算法對該統(tǒng)計目標(biāo)跟蹤，以得 到該統(tǒng)計目標(biāo)的跟蹤位置； (8) 遍歷peoplejist中的每個統(tǒng)計目標(biāo)，如果該統(tǒng)計目標(biāo)在步驟（6)中找到了與之最 近的檢測目標(biāo)，則先保存該統(tǒng)計目標(biāo)的當(dāng)前位置，然后用與之最近的檢測目標(biāo)位置更新其 位置，并將該統(tǒng)計目標(biāo)出現(xiàn)的幀數(shù)加一，否則判斷該統(tǒng)計目標(biāo)的出現(xiàn)次數(shù)是否達到閾值d， 如果是，則先保存該統(tǒng)計目標(biāo)的當(dāng)前位置，然后用步驟（7)中得到的跟蹤位置更新該統(tǒng)計目 標(biāo)的位置，并將該統(tǒng)計目標(biāo)出現(xiàn)的幀數(shù)加一；否則對當(dāng)前統(tǒng)計目標(biāo)不進行任何操作； (9) 根據(jù)peoplejist中所有統(tǒng)計目標(biāo)的當(dāng)前位置信息統(tǒng)計各劃分區(qū)域中的目標(biāo)檢測 尺度分布直方圖； (10) 遍歷head_list中的每一個檢測目標(biāo)，并判斷該檢測目標(biāo)是否與people_list中 的任何統(tǒng)計目標(biāo)都不匹配，如果是，則將該檢測目標(biāo)作為新目標(biāo)，加入到peoplejist中； 否則對該檢測目標(biāo)不進行任何操作； (11) 判斷幀計數(shù)器k是否小于閾值FT，如果是，則對幀計數(shù)器k執(zhí)行加一操作，然后返 回步驟（2)，否則轉(zhuǎn)向步驟（12); (12) 對于數(shù)組obj [n] [m]進行按列求和，以獲得每個區(qū)域內(nèi)有效統(tǒng)計目標(biāo)的總數(shù)，并 找出每個區(qū)域中最多有效統(tǒng)計目標(biāo)maxNum對應(yīng)的檢測尺度maxScale ; (13) 遍歷步驟（3)中劃分的每個區(qū)域，判斷是否有maxNum/AllNum〉閾值SS，且有 AllNum大于閾值N，其中AllNum表示當(dāng)前區(qū)域內(nèi)總的有效統(tǒng)計目標(biāo)個數(shù)，如果有則認(rèn)為 maxScale為當(dāng)前區(qū)域的最優(yōu)檢測尺度，并標(biāo)記當(dāng)前區(qū)域找到了最有檢測尺度，否則標(biāo)記當(dāng) 前區(qū)域沒有找到最優(yōu)檢測尺度。
2. 如權(quán)利要求1所述的生成方法，其特征在于，步驟（4)包括以下子步驟： (4-1)以p為采樣像素間隔構(gòu)建搜索窗口，遍歷該灰度圖像Gk中的像素點，以該像素點 所在區(qū)域i對應(yīng)的m個檢測尺度作為搜索窗口的長和寬； (4-2)提取m個搜索窗口內(nèi)的HOG特征，根據(jù)提取的HOG特征計算每個搜索窗口內(nèi)的目 標(biāo)分值，并根據(jù)訓(xùn)練好的SVM分類器判斷該目標(biāo)分值是否大于閾值T，如果大于則認(rèn)為該搜 索窗口內(nèi)存在人頭目標(biāo)，并將該人頭目標(biāo)加入到檢測目標(biāo)隊列head_list中，否則認(rèn)為該 搜索窗口內(nèi)不存在人頭目標(biāo)。
3. 如權(quán)利要求2所述的生成方法，其特征在于，目標(biāo)分值score的計算公式為： q score = Z wrxr + b* r=i 其中score表示目標(biāo)分值，[Wl，w2, . . .，wq]為SVM分類器的支撐向量，q為選取的HOG 特征維數(shù)，b#為SVM分類器求得的最優(yōu)分類間隔，[Xl，x2, . . .，Xq]為搜索窗口內(nèi)的HOG特征。
4. 如權(quán)利要求1所述的生成方法，其特征在于，步驟（6)中如果統(tǒng)計目標(biāo)和檢測目標(biāo)中 心之間的距離小于一閾值，則認(rèn)為該檢測目標(biāo)與統(tǒng)計目標(biāo)的中心位置接近。
5. 如權(quán)利要求1所述的生成方法，其特征在于，步驟（9)包括以下子步驟： (9-1)遍歷people_list中的每一個統(tǒng)計目標(biāo)，判斷該統(tǒng)計目標(biāo)在上一巾貞中位置和在 當(dāng)前幀中的位置在垂直方向上的差值是否小于閾值f，或者該統(tǒng)計目標(biāo)的出現(xiàn)幀數(shù)小于閾 值v，如果是，則對該統(tǒng)計目標(biāo)不進行任何操作，否則轉(zhuǎn)向步驟（9-2); (9-2)對數(shù)組元素 obj[i] [(w-b)/a]執(zhí)行加一操作，其中w表示該統(tǒng)計目標(biāo)的搜索窗口 寬度，a和b均為統(tǒng)計區(qū)域i內(nèi)使用的檢測尺度aXj+b中的參數(shù)。
【文檔編號】G06T7/00GK104123714SQ201310152647
【公開日】2014年10月29日 申請日期:2013年4月27日 優(yōu)先權(quán)日:2013年4月27日
【發(fā)明者】桑農(nóng), 彭章祥, 沙芳華, 謝曉民 申請人:華中科技大學(xué)