一種擁擠區(qū)域的確定方法和裝置的制造方法
【技術(shù)領(lǐng)域】
[0001] 本發(fā)明涉及視頻技術(shù)領(lǐng)域，尤其涉及一種擁擠區(qū)域的確定方法和裝置。
【背景技術(shù)】
[0002] 目前，人群擁擠度分析在執(zhí)法、城市規(guī)劃、交通管理中有著廣泛的應(yīng)用場景。為了 得出某一區(qū)域的人群擁擠度，可以采集包含該區(qū)域的圖像，對該圖像進行特征提取，并基于 提取的特征分析出該區(qū)域的人群擁擠度。
[0003] 為了分析出人群擁擠度，通常采用局部特征分析人群擁擠度，相應(yīng)的特征提取算 法可以如SIFT(Scale Invariant Feature Transform，尺度不變特征轉(zhuǎn)換）、SURF(Speeded Up Robust Features，加速魯棒特征)等。在這些方法中，需要利用特征點檢測方法，對區(qū)域 進行特征點檢測，并利用特征點描述算子對特征進行描述，繼而利用描述的特征分析區(qū)域 的人群擁擠度。
[0004] 但是，采用局部特征分析人群擁擠度時，復(fù)雜度較高，適用范圍較小。

【發(fā)明內(nèi)容】

[0005] 本發(fā)明提供一種擁擠區(qū)域的確定方法，所述方法包括以下步驟：
[0006] 針對待測試圖像的每個像素點，生成K個不同尺度的待測試子圖像；
[0007] 針對每個待測試子圖像，按照預(yù)設(shè)大小在所述待測試子圖像上進行滑動;針對每 個滑動窗口進行特征提取，得到第一特征向量，并將所述第一特征向量聚類到對應(yīng)的單詞， 并統(tǒng)計聚類到每個單詞的第一特征向量數(shù)量;利用聚類到每個單詞的第一特征向量數(shù)量計 算所述待測試子圖像的第一概率向量；
[0008] 利用K個第一概率向量，確定所述像素點為擁擠區(qū)域或者非擁擠區(qū)域。
[0009]利用聚類到每個單詞的第一特征向量數(shù)量計算所述待測試子圖像的第一概率向 量的過程，具體包括：利用如下公式計算所述待測試子圖像的第一概率向量：
其中，i的取值為1-N，表示第i個單詞，N為單詞的總數(shù)量，1^表示聚類 到第i個單詞的第一特征向量數(shù)量為常量*待測試子圖像的尺度大小。
[0010] 所述利用K個第一概率向量，確定所述像素點為擁擠區(qū)域或者非擁擠區(qū)域的過程， 具體包括:利用支持向量機SVM分類器對所述K個第一概率向量進行分類，并利用分類結(jié)果 確定所述像素點為擁擠區(qū)域或者非擁擠區(qū)域；
[0011] 其中，所述SVM分類器的訓(xùn)練過程，具體包括:針對樣本圖像中的擁擠區(qū)域的每個 像素點，生成K個不同尺度的擁擠樣本子圖像，針對樣本圖像中的非擁擠區(qū)域的每個像素 點，生成K個不同尺度的非擁擠樣本子圖像；
[0012] 利用擁擠樣本子圖像和非擁擠樣本子圖像訓(xùn)練所述SVM分類器;在所述SVM分類器 中，將擁擠樣本子圖像對應(yīng)的K個第二概率向量分類成擁擠區(qū)域，將非擁擠樣本子圖像對應(yīng) 的K個第三概率向量分類成非擁擠區(qū)域。
[0013] 所述利用擁擠樣本子圖像和非擁擠樣本子圖像訓(xùn)練所述SVM分類器，具體包括:針 對每個尺度的擁擠樣本子圖像，按照預(yù)設(shè)大小在擁擠樣本子圖像上進行滑動;針對每個滑 動窗口進行特征提取，得到第二特征向量，將第二特征向量聚類到對應(yīng)的單詞;針對每個尺 度的非擁擠樣本子圖像，按照預(yù)設(shè)大小在非擁擠樣本子圖像上進行滑動;針對每個滑動窗 口進行特征提取，得到第二特征向量，將第二特征向量聚類到對應(yīng)的單詞;統(tǒng)計聚類到每個 單詞的第二特征向量數(shù)量，利用聚類到每個單詞的第二特征向量數(shù)量，計算擁擠樣本子圖 像對應(yīng)的第二概率向量，非擁擠樣本子圖像對應(yīng)的第三概率向量；
[0014] 將K個不同尺度的擁擠樣本子圖像對應(yīng)的K個第二概率向量分類成擁擠區(qū)域，并利 用所述K個第二概率向量訓(xùn)練所述SVM分類器；
[0015] 將K個不同尺度的非擁擠樣本子圖像對應(yīng)的K個第三概率向量分類成非擁擠區(qū)域， 并利用所述K個第三概率向量訓(xùn)練所述SVM分類器；
[0016] 其中，利用聚類到每個單詞的第二特征向量數(shù)量，計算擁擠樣本子圖像對應(yīng)的第 二概率向量，非擁擠樣本子圖像對應(yīng)的第三概率向量，具體包括：
[0017] 利用如下公式計算所述擁擠樣本子圖像對應(yīng)的第二概率向量：
[0018] 廣 w...............
加1
[0019] 利用如下公式計算所述非擁擠樣本子圖像對應(yīng)的第三概率向量：
[0020] 1=1
[0021] 其中，i的取值為1-Ν，表示第i個單詞，Ν為單詞的總數(shù)量，h表示聚類到第i個單詞 的第二特征向量數(shù)量，M(p)為常量*所述擁擠樣本子圖像的尺度大小，λ,ω為常量*所述非擁 擠樣本子圖像的尺度大小。
[0022] 所述針對每個滑動窗口進行特征提取，得到第一特征向量或者第二特征向量的過 程，具體包括:利用卷積神經(jīng)網(wǎng)絡(luò)CNN對每個滑動窗口進行特征提取，得到第一特征向量或 者第二特征向量。
[0023] 本發(fā)明提供一種擁擠區(qū)域的確定裝置，所述裝置具體包括：
[0024] 生成模塊，用于針對待測試圖像的每個像素點，生成K個不同尺度的待測試子圖 像;計算模塊，用于針對每個待測試子圖像，按照預(yù)設(shè)大小在所述待測試子圖像上進行滑 動;針對每個滑動窗口進行特征提取，得到第一特征向量，并將所述第一特征向量聚類到對 應(yīng)的單詞，并統(tǒng)計聚類到每個單詞的第一特征向量數(shù)量;利用聚類到每個單詞的第一特征 向量數(shù)量計算所述待測試子圖像的第一概率向量;確定模塊，用于利用K個第一概率向量， 確定所述像素點為擁擠區(qū)域或者非擁擠區(qū)域。
[0025]所述計算模塊，具體用于在利用聚類到每個單詞的第一特征向量數(shù)量計算所述待 測試子圖像的第一概率向量的過程中，利用如下公式計算所述待測試子圖像的第一概率向 量
[0026]其中，i的取值為1-N，表示第i個單詞，N為單詞的總數(shù)量，h表示聚類到第i個單詞 的第一特征向量數(shù)量為常量*待測試子圖像的尺度大小。
[0027]所述確定模塊，具體用于在利用K個第一概率向量，確定所述像素點為擁擠區(qū)域或 者非擁擠區(qū)域的過程中，利用支持向量機SVM分類器對所述Κ個第一概率向量進行分類，并 利用分類結(jié)果確定所述像素點為擁擠區(qū)域或者非擁擠區(qū)域；
[0028]其中，在所述SVM分類器的訓(xùn)練過程中：
[0029] 所述生成模塊，還用于針對樣本圖像中的擁擠區(qū)域的每個像素點，生成Κ個不同尺 度的擁擠樣本子圖像，針對樣本圖像中的非擁擠區(qū)域的每個像素點，生成Κ個不同尺度的非 擁擠樣本子圖像；
[0030] 所述計算模塊，還用于利用擁擠樣本子圖像和非擁擠樣本子圖像訓(xùn)練所述SVM分 類器;在所述SVM分類器中，將擁擠樣本子圖像對應(yīng)的Κ個第二概率向量分類成擁擠區(qū)域，將 非擁擠樣本子圖像對應(yīng)的Κ個第三概率向量分類成非擁擠區(qū)域。
[0031] 所述計算模塊，具體用于在利用擁擠樣本子圖像和非擁擠樣本子圖像訓(xùn)練所述 SVM分類器的過程中，針對每個尺度的擁擠樣本子圖像，按照預(yù)設(shè)大小在擁擠樣本子圖像上 進行滑動;針對每個滑動窗口進行特征提取，得到第二特征向量，將第二特征向量聚類到對 應(yīng)的單詞；針對每個尺度的非擁擠樣本子圖像，按照預(yù)設(shè)大小在非擁擠樣本子圖像上進行 滑動;針對每個滑動窗口進行特征提取，得到第二特征向量，將第二特征向量聚類到對應(yīng)的 單詞；統(tǒng)計聚類到每個單詞的第二特征向量數(shù)量，利用聚類到每個單詞的第二特征向量數(shù) 量，計算擁擠樣本子圖像對應(yīng)的第二概率向量，非擁擠樣本子圖像對應(yīng)的第三概率向量;將 Κ個不同尺度的擁擠樣本子圖像對應(yīng)的Κ個第二概率向量分類成擁擠區(qū)域，并利用所述Κ個 第二概率向量訓(xùn)練所述SVM分類器;將Κ個不同尺度的非擁擠樣本子圖像對應(yīng)的Κ個第三概 率向量分類成非擁擠區(qū)域，并利用所述Κ個第三概率向量訓(xùn)練所述SVM分類器；
[0032]其中，所述計算模塊，具體用于在利用聚類到每個單詞的第二特征向量數(shù)量，計算擁 擠樣本子圖像對應(yīng)的第二概率向量，非擁擠樣本子圖像對應(yīng)的第三概率向量的過程中，利用如 下公式計算所述擁擠樣本子圖像對應(yīng)的第二概率向I
利用如下公式計算所述非擁擠樣本子圖像對應(yīng)的第三概率向量：
[0033] 其中，i的取值為1-Ν，表示第i個單詞，Ν為單詞的總數(shù)量，h表示聚類到第i個單詞 的第二特征向量數(shù)量，h(p)為常量*所述擁擠樣本子圖像的尺度大小，λ,ω為常量*所述非擁 擠樣本子圖像的尺度大小。
[0034] 所述計算模塊，具體用于在針對每個滑動窗口進行特征提取，得到第一特征向量 或者第二特征向量的過程中，利用卷積神經(jīng)網(wǎng)絡(luò)CNN對每個滑動窗口進行特征提取，得到第 一特征向量或者第二特征向量。
[0035] 基于上述技術(shù)方案，本發(fā)明實施例中，可以有效估計出待測試圖像中的擁擠區(qū)域 和非擁擠區(qū)域，復(fù)雜度較低，適用范圍較