專利名稱：可去除虛假目標(biāo)的人流量統(tǒng)計(jì)的方法及系統(tǒng)的制作方法
技術(shù)領(lǐng)域：
本發(fā)明涉及視頻監(jiān)控及圖像處理與分析技術(shù)領(lǐng)域，尤其涉及一種可去除虛假目標(biāo) 的人流量統(tǒng)計(jì)的方法及系統(tǒng)。
背景技術(shù)：
隨著社會(huì)的不斷進(jìn)步，視頻監(jiān)控系統(tǒng)的應(yīng)用范圍越來(lái)越廣。在超市、商場(chǎng)、體育館 以及機(jī)場(chǎng)車(chē)站等場(chǎng)所的出入口常安裝有監(jiān)控?cái)z像機(jī)，以便保安人員和管理者對(duì)這些場(chǎng)所的 出入口進(jìn)行監(jiān)控。另一方面，超市、商場(chǎng)、體育館以及機(jī)場(chǎng)車(chē)站等場(chǎng)所進(jìn)出的人流量對(duì)于上 述場(chǎng)所的經(jīng)營(yíng)者或管理者來(lái)說(shuō)有著重要的意義，其中，人流量是指按一定方向流動(dòng)的人數(shù)， 本文中特指按進(jìn)入/離開(kāi)兩個(gè)方向流動(dòng)的人數(shù)。現(xiàn)有的視頻監(jiān)控中，人流量統(tǒng)計(jì)主要是通過(guò)監(jiān)控人員人工清點(diǎn)來(lái)實(shí)現(xiàn)。這種人工 統(tǒng)計(jì)人流量的方法在監(jiān)控時(shí)間短、人流量稀疏的情況下比較可靠，但由于人眼生物特性的 限制，當(dāng)監(jiān)控時(shí)間較長(zhǎng)，人流量密集時(shí)，統(tǒng)計(jì)的準(zhǔn)確性將大大下降，而且人工統(tǒng)計(jì)的方式需 要耗費(fèi)大量的人力成本。基于視頻分析的人流量統(tǒng)計(jì)方法可以實(shí)現(xiàn)人流量的自動(dòng)統(tǒng)計(jì)，解 決人工統(tǒng)計(jì)帶來(lái)的各種問(wèn)題。目前，基于視頻分析的流量統(tǒng)計(jì)方法主要有三類(lèi)一是基于特征點(diǎn)跟蹤的方法，該方法首先跟蹤一些運(yùn)動(dòng)的特征點(diǎn)，然后對(duì)特征點(diǎn) 的軌跡進(jìn)行聚類(lèi)分析，從而得到人流量信息；基于特征點(diǎn)跟蹤的方法需要跟蹤一些運(yùn)動(dòng)的 特征點(diǎn)，然后對(duì)特征點(diǎn)的軌跡進(jìn)行聚類(lèi)分析，從而得到人流量信息，該方法的缺點(diǎn)是特征點(diǎn) 本身難以穩(wěn)定地跟蹤，計(jì)數(shù)精度較差。二是基于人體分割和跟蹤的方法，該方法首先需要提取出運(yùn)動(dòng)目標(biāo)塊，然后對(duì)運(yùn) 動(dòng)目標(biāo)塊進(jìn)行分割得到單個(gè)人體目標(biāo)，最后跟蹤各個(gè)人體目標(biāo)實(shí)現(xiàn)人流量的統(tǒng)計(jì)；基于人 體分割和跟蹤的方法首先需要提取處運(yùn)動(dòng)目標(biāo)塊，然后對(duì)運(yùn)動(dòng)目標(biāo)塊進(jìn)行分割得到單個(gè)人 體目標(biāo)，最后跟蹤得到各個(gè)人體的軌跡，從而實(shí)現(xiàn)人流量的統(tǒng)計(jì)。該方法的缺點(diǎn)是當(dāng)人體存 在遮擋時(shí)，人體分割的準(zhǔn)確性難以得到保證，影響統(tǒng)計(jì)精度。三是基于人頭或頭肩檢測(cè)和跟蹤的方法，該方法在視頻中檢測(cè)人頭或頭肩，通過(guò) 對(duì)人頭或頭肩的跟蹤進(jìn)行人流量的統(tǒng)計(jì)。基于人頭檢測(cè)和跟蹤的方法是在視頻中檢測(cè)人 頭，通過(guò)對(duì)人頭的跟蹤進(jìn)行人流量的統(tǒng)計(jì)，當(dāng)攝像機(jī)角度合適時(shí)，人頭出現(xiàn)遮擋的情況較 少，因此基于人頭檢測(cè)的方法較前兩種方法準(zhǔn)確性有所提高，目前有公司提出了基于人頭 檢測(cè)統(tǒng)計(jì)人數(shù)的方法，例如北京中星微電子在申請(qǐng)?zhí)?00910076256. X的專利文件所提到 的方法中，首先提取運(yùn)動(dòng)前景，然后采用haar特征訓(xùn)練兩個(gè)串行的分類(lèi)器在前景中搜索預(yù) 定尺寸的人頭，實(shí)現(xiàn)人頭檢測(cè)，其中，haar特征，是一種矩形特征，通過(guò)改變矩形的尺寸和組 合方式可以描述目標(biāo)的形狀和灰度信息。該方法僅通過(guò)運(yùn)動(dòng)估計(jì)確定人頭平移矢量速度， 從而統(tǒng)計(jì)出人頭數(shù)量，這種方式準(zhǔn)確度不高，對(duì)于虛假目標(biāo)不易識(shí)別，導(dǎo)致人頭統(tǒng)計(jì)不準(zhǔn)確。

發(fā)明內(nèi)容
有鑒于此，本發(fā)明提供一種可去除虛假目標(biāo)的人流量統(tǒng)計(jì)的方法及系統(tǒng)，以解決現(xiàn)有人流量統(tǒng)計(jì)方案統(tǒng)計(jì)不準(zhǔn)確的問(wèn)題。為此，本發(fā)明實(shí)施例采用如下技術(shù)方案一種可去除虛假目標(biāo)的人流量統(tǒng)計(jì)的方法，包括采用分類(lèi)器對(duì)當(dāng)前圖像進(jìn)行人 頭檢測(cè)，確定當(dāng)前圖像中的各人頭；對(duì)確定出的各人頭進(jìn)行跟蹤，形成人頭目標(biāo)運(yùn)動(dòng)軌跡； 對(duì)人頭目標(biāo)運(yùn)動(dòng)軌跡進(jìn)行平滑度分析；根據(jù)分析后的人頭目標(biāo)運(yùn)動(dòng)軌跡方向進(jìn)行人流量計(jì)數(shù)。所述對(duì)人頭目標(biāo)運(yùn)動(dòng)軌跡進(jìn)行平滑度分析包括確定人頭目標(biāo)運(yùn)動(dòng)軌跡的平滑 度，判斷所述平滑度是否滿足閾值，若是，保留該人頭目標(biāo)運(yùn)動(dòng)軌跡，否則，丟棄該人頭目標(biāo) 運(yùn)動(dòng)軌跡。在采用分類(lèi)器對(duì)當(dāng)前圖像進(jìn)行人頭檢測(cè)之后、確定當(dāng)前圖像中的各人頭之前，還 包括對(duì)分類(lèi)器檢測(cè)到的人頭進(jìn)行邊緣特征細(xì)篩選處理。所述對(duì)分類(lèi)器檢測(cè)到的人頭進(jìn)行邊緣特征細(xì)篩選處理包括計(jì)算所述分類(lèi)器判斷 為人頭目標(biāo)的矩形內(nèi)邊緣特征與預(yù)置的上半橢圓弧的擬合度，如果擬合度大于閾值，則將 該矩形確定為人頭，否則將該矩形從目標(biāo)列表中去除。在采用分類(lèi)器對(duì)當(dāng)前圖像進(jìn)行人頭檢測(cè)之前，還包括對(duì)圖像中的檢測(cè)區(qū)域進(jìn)行 場(chǎng)景標(biāo)定，從而將檢測(cè)區(qū)域劃分為若干個(gè)子區(qū)域；所述分類(lèi)器進(jìn)行人頭檢測(cè)是在所述若干 個(gè)子區(qū)域內(nèi)進(jìn)行的。所述對(duì)圖像中的檢測(cè)區(qū)域進(jìn)行場(chǎng)景標(biāo)定包括選擇標(biāo)定框；計(jì)算場(chǎng)景深度變化系 數(shù)；計(jì)算檢測(cè)區(qū)域內(nèi)人頭目標(biāo)尺寸變化范圍；根據(jù)人頭目標(biāo)尺寸變化范圍將檢測(cè)區(qū)域劃分 為若干個(gè)子區(qū)域。所述分類(lèi)器為并聯(lián)的多類(lèi)分類(lèi)器。所述多類(lèi)分類(lèi)器對(duì)圖像進(jìn)行人頭檢測(cè)包括設(shè)置各類(lèi)分類(lèi)器的檢測(cè)順序，按照檢 測(cè)順序依次采用各個(gè)分類(lèi)器對(duì)當(dāng)前圖像進(jìn)行人頭檢測(cè)，直到確定出人頭，其中，所述并聯(lián)的 多類(lèi)分類(lèi)器由至少兩類(lèi)分類(lèi)器并聯(lián)而成。所述并聯(lián)的多類(lèi)分類(lèi)器由深色頭發(fā)通用分類(lèi)器、淺色頭發(fā)分類(lèi)器、帽子分類(lèi)器和 擴(kuò)展分類(lèi)器中的任意兩種或多種并聯(lián)而成。一種可去除虛假目標(biāo)的人流量統(tǒng)計(jì)的系統(tǒng)，包括人頭檢測(cè)模塊，用于采用分類(lèi)器 對(duì)當(dāng)前圖像進(jìn)行人頭檢測(cè)，確定當(dāng)前圖像中的各人頭；人頭目標(biāo)跟蹤模塊，用于對(duì)確定出的 各人頭進(jìn)行跟蹤，形成人頭目標(biāo)運(yùn)動(dòng)軌跡；人頭目標(biāo)運(yùn)動(dòng)軌跡分析模塊，用于計(jì)算人頭目標(biāo) 運(yùn)動(dòng)軌跡的平滑度，判斷所述平滑度是否滿足閾值，若是，保留該人頭目標(biāo)運(yùn)動(dòng)軌跡，否則， 丟棄該人頭目標(biāo)運(yùn)動(dòng)軌跡；人流量計(jì)數(shù)模塊，用于在分析后的人頭目標(biāo)運(yùn)動(dòng)軌跡方向進(jìn)行 人流量計(jì)數(shù)。還包括場(chǎng)景標(biāo)定模塊，用于對(duì)圖像中的檢測(cè)區(qū)域進(jìn)行場(chǎng)景標(biāo)定，從而將檢測(cè)區(qū)域 劃分為若干個(gè)子區(qū)域。所述分類(lèi)器為并聯(lián)的多類(lèi)分類(lèi)器；所述人頭檢測(cè)模塊包括粗檢測(cè)子模塊和細(xì)篩選 子模塊，所述粗檢測(cè)子模塊用于設(shè)置各類(lèi)分類(lèi)器的檢測(cè)順序，按照檢測(cè)順序依次采用各個(gè) 分類(lèi)器對(duì)當(dāng)前圖像進(jìn)行人頭檢測(cè)，直到確定出人頭，其中，所述并聯(lián)的多類(lèi)分類(lèi)器由至少兩 類(lèi)分類(lèi)器并聯(lián)而成；細(xì)篩選子模塊，用于對(duì)并聯(lián)的多類(lèi)分類(lèi)器檢測(cè)到的人頭進(jìn)行邊緣特征 細(xì)篩選處理。
所述并聯(lián)的多類(lèi)分類(lèi)器由深色頭發(fā)通用分類(lèi)器、淺色頭發(fā)分類(lèi)器、帽子分類(lèi)器和 擴(kuò)展分類(lèi)器中的任意兩種或多種并聯(lián)而成?？梢?jiàn)，本發(fā)明通過(guò)對(duì)人頭目標(biāo)軌跡的平滑度分析可以去除虛假目標(biāo)，可進(jìn)一步提 高檢測(cè)準(zhǔn)確率。進(jìn)一步，本發(fā)明將多個(gè)分類(lèi)器并聯(lián)使用，能同時(shí)檢測(cè)深色頭發(fā)、淺色頭發(fā)以 及各種顏色帽子等多類(lèi)人頭目標(biāo)，確保統(tǒng)計(jì)更加全面。進(jìn)一步，本發(fā)明還設(shè)置了一個(gè)擴(kuò)展分 類(lèi)器，可以根據(jù)特殊環(huán)境的應(yīng)用，采集樣本訓(xùn)練，檢測(cè)指定顏色或帽子的人頭，比如工廠或 倉(cāng)庫(kù)的工作帽等。進(jìn)一步，在多個(gè)并聯(lián)的分類(lèi)器作為人頭粗檢測(cè)的基礎(chǔ)上，再利用邊緣特征 對(duì)粗檢測(cè)結(jié)果進(jìn)行細(xì)篩選，最后得到真正的人頭目標(biāo)，使得檢測(cè)更加準(zhǔn)確。另外，本發(fā)明在 檢測(cè)前通過(guò)場(chǎng)景標(biāo)定自動(dòng)選擇檢測(cè)窗口的尺寸，使本發(fā)明能自適應(yīng)各種攝像機(jī)角度，拓寬 了應(yīng)用范圍。


圖1為本發(fā)明一實(shí)施例人流量統(tǒng)計(jì)的方法流程圖；圖2為本發(fā)明另一實(shí)施例人流量統(tǒng)計(jì)的方法流程圖；圖3為本發(fā)明較優(yōu)實(shí)施例場(chǎng)景標(biāo)定流程圖；圖4為本發(fā)明較優(yōu)實(shí)施例人頭檢測(cè)模塊結(jié)構(gòu)框圖；圖5為本發(fā)明較優(yōu)實(shí)施例各類(lèi)分類(lèi)器級(jí)聯(lián)分類(lèi)過(guò)程示意圖；圖6為本發(fā)明較優(yōu)實(shí)施例粒子濾波跟蹤的流程圖；圖7為本發(fā)明較優(yōu)實(shí)施例運(yùn)動(dòng)軌跡平滑度分析流程圖；圖8為本發(fā)明人流量統(tǒng)計(jì)的系統(tǒng)結(jié)構(gòu)示意圖。
具體實(shí)施例方式本發(fā)明提出一種可去除虛假目標(biāo)的人流量統(tǒng)計(jì)的方法，請(qǐng)參見(jiàn)圖1，為本發(fā)明一實(shí) 施例流程圖，包括SlOO 采用分類(lèi)器對(duì)當(dāng)前圖像進(jìn)行人頭檢測(cè)，確定當(dāng)前圖像中的各人頭；SlOl 對(duì)確定出的各人頭進(jìn)行跟蹤，形成人頭目標(biāo)運(yùn)動(dòng)軌跡；S102 對(duì)人頭目標(biāo)運(yùn)動(dòng)軌跡進(jìn)行平滑度分析；S103 根據(jù)分析后的人頭目標(biāo)運(yùn)動(dòng)軌跡方向進(jìn)行人流量計(jì)數(shù)。其中，對(duì)人頭目標(biāo)運(yùn)動(dòng)軌跡進(jìn)行平滑度分析的過(guò)程為確定人頭目標(biāo)運(yùn)動(dòng)軌跡的 平滑度，判斷所述平滑度是否滿足閾值，若是，保留該人頭目標(biāo)運(yùn)動(dòng)軌跡，否則，丟棄該人頭 目標(biāo)運(yùn)動(dòng)軌跡。可見(jiàn)，本發(fā)明檢測(cè)通過(guò)對(duì)人頭目標(biāo)軌跡的平滑度分析可以去除虛假目標(biāo)，可進(jìn)一 步提高檢測(cè)準(zhǔn)確率。為了進(jìn)一步提高人流量統(tǒng)計(jì)的準(zhǔn)確性，在圖1所示的方案基礎(chǔ)上，可進(jìn)一步進(jìn)行 優(yōu)化，包括，場(chǎng)景標(biāo)定、采用并聯(lián)的多類(lèi)分類(lèi)器進(jìn)行粗檢測(cè)、對(duì)粗檢測(cè)結(jié)果進(jìn)行邊緣特征細(xì) 篩選等，請(qǐng)參見(jiàn)圖2，為本發(fā)明另一實(shí)施例流程圖，包括S201 場(chǎng)景標(biāo)定；具體地，場(chǎng)景標(biāo)定是指對(duì)圖像中的檢測(cè)區(qū)域進(jìn)行場(chǎng)景標(biāo)定，從而將檢測(cè)區(qū)域劃分 為若干個(gè)子區(qū)域。
S202:人頭檢測(cè)；人頭檢測(cè)進(jìn)一步包括并聯(lián)分類(lèi)器粗檢測(cè)以及邊緣特征細(xì)篩選兩個(gè)步驟，從而確定 當(dāng)前圖像中的各人頭。S203:人頭目標(biāo)跟蹤；通過(guò)對(duì)確定出的各人頭進(jìn)行跟蹤，形成人頭目標(biāo)運(yùn)動(dòng)軌跡。S204 對(duì)人頭目標(biāo)運(yùn)動(dòng)軌跡進(jìn)行平滑度分析；具體地，對(duì)人頭目標(biāo)運(yùn)動(dòng)軌跡進(jìn)行平滑度分析包括確定人頭目標(biāo)運(yùn)動(dòng)軌跡的平 滑度，判斷所述平滑度是否滿足閾值，若是，保留該人頭目標(biāo)運(yùn)動(dòng)軌跡，否則，丟棄該人頭目 標(biāo)運(yùn)動(dòng)軌跡。S205 人流量統(tǒng)計(jì)通過(guò)人頭目標(biāo)運(yùn)動(dòng)軌跡方向?qū)θ肆髁窟M(jìn)行計(jì)數(shù)。需要說(shuō)明的是，上述場(chǎng)景標(biāo)定、對(duì)并聯(lián)分類(lèi)器粗檢測(cè)的人頭進(jìn)行邊緣特征細(xì)篩選， 以及對(duì)人頭目標(biāo)運(yùn)動(dòng)軌跡進(jìn)行分析的改進(jìn)點(diǎn)可結(jié)合應(yīng)用，也可單獨(dú)使用。下面對(duì)包含所有改進(jìn)點(diǎn)的本發(fā)明最優(yōu)實(shí)施例進(jìn)行詳細(xì)分析。1、場(chǎng)景標(biāo)定由于用于人流量統(tǒng)計(jì)的攝像機(jī)一般都是固定安裝的，場(chǎng)景變化性較小，因此場(chǎng)景 標(biāo)定模塊只需要在第一幀檢測(cè)人頭目標(biāo)前啟用，之后各幀檢測(cè)人頭時(shí)均采用第一幀標(biāo)定的 結(jié)果即可。如果場(chǎng)景發(fā)生變化，則需要再次啟用場(chǎng)景標(biāo)定。在攝像機(jī)無(wú)旋轉(zhuǎn)的情況下，場(chǎng)景的深度變化可以近似為沿圖像y坐標(biāo)成線性變 化，即w (x, y) = f Xy+c (1)其中，w(χ, y)表示中心圖像坐標(biāo)為(X，y)的人頭目標(biāo)外接矩形的寬度，f為場(chǎng)景 深度系數(shù)，c為常數(shù)。場(chǎng)景標(biāo)定的目的就是通過(guò)標(biāo)定框確定f和c的值，從而通過(guò)式(1)求 出圖像中任意坐標(biāo)處人頭目標(biāo)外接矩形的尺寸。本發(fā)明通過(guò)選擇4 6個(gè)標(biāo)定框計(jì)算式(1)中的兩個(gè)未知量f和c，從而得到場(chǎng)景 的深度變化系數(shù)，然后將檢測(cè)區(qū)域外接矩形的上邊緣和下邊緣坐標(biāo)代入式(1)中，得到檢 測(cè)區(qū)域內(nèi)最小人頭尺寸Wmin和最大人頭尺寸Wmax，最后，根據(jù)人頭尺寸變化范圍將檢測(cè)區(qū)域 分為若干個(gè)子區(qū)域，每個(gè)子區(qū)域?qū)?yīng)一個(gè)變化較小的人頭尺寸范圍，在接下來(lái)的人頭檢測(cè) 模塊中，每個(gè)子區(qū)域用不同尺寸窗口搜索候選矩形。場(chǎng)景標(biāo)定步驟框圖如圖3所示，包括S301 選擇標(biāo)定框；S302 計(jì)算場(chǎng)景深度變化系數(shù)；S303 計(jì)算檢測(cè)區(qū)域內(nèi)人頭目標(biāo)尺寸變化范圍；S304 根據(jù)人頭目標(biāo)尺寸變化范圍將檢測(cè)區(qū)域劃分為若干個(gè)子區(qū)域。至此，場(chǎng)景標(biāo)定結(jié)束。接下來(lái)開(kāi)始在每一幀圖像中進(jìn)行人頭的檢測(cè)、跟蹤和計(jì)數(shù)。2、人頭檢測(cè)本發(fā)明中的人頭檢測(cè)分為并聯(lián)分類(lèi)器粗檢測(cè)和邊緣特征細(xì)篩選兩個(gè)環(huán)節(jié)。并聯(lián)分類(lèi)器粗檢測(cè)環(huán)節(jié)中通過(guò)預(yù)先訓(xùn)練好的分類(lèi)器將大部分非人頭目標(biāo)排除，剩 下人頭目標(biāo)和部分誤檢為人頭目標(biāo)的非人頭目標(biāo)，然后再通過(guò)邊緣特征細(xì)篩選環(huán)節(jié)去除大 部分誤檢，保留真實(shí)人頭目標(biāo)。人頭檢測(cè)模塊結(jié)構(gòu)框圖如圖4所示。
本發(fā)明采用haar特征基于Adaboost算法分別訓(xùn)練包含正面人頭和背面人頭的 深色頭發(fā)通用分類(lèi)器、深色頭發(fā)正面分支分類(lèi)器、深色頭發(fā)背面分支分類(lèi)器、淺色頭發(fā)分類(lèi) 器、帽子分類(lèi)器以及為適應(yīng)特定環(huán)境專門(mén)設(shè)置的擴(kuò)展分類(lèi)器等多個(gè)分類(lèi)器。多個(gè)分類(lèi)器的 組合方式如圖4粗檢測(cè)環(huán)節(jié)所示深色頭發(fā)通用分類(lèi)器與正面分支分類(lèi)器、背面分支分類(lèi) 器組合成樹(shù)形結(jié)構(gòu)，然后與淺色頭發(fā)分類(lèi)器、帽子分類(lèi)器以及擴(kuò)展分類(lèi)器形成并聯(lián)，分類(lèi)器 檢測(cè)結(jié)果進(jìn)入人頭邊緣細(xì)篩選環(huán)節(jié)，最后得到真實(shí)的人頭目標(biāo)。2. 1、并聯(lián)分類(lèi)器粗檢測(cè)環(huán)節(jié)訓(xùn)練器需要預(yù)先用大量正樣本和負(fù)樣本進(jìn)行訓(xùn)練，本發(fā)明采用人臉檢測(cè)中使用的 haar特征加Adaboost算法訓(xùn)練識(shí)別器。Haar特征由兩個(gè)或三個(gè)不同尺寸的矩形構(gòu)成。通過(guò)改變矩形的尺寸、組合方式和 角度可以描述特定目標(biāo)的形狀和灰度信息。Adaboost算法是一種能將若干弱分類(lèi)器組合成 強(qiáng)分類(lèi)器的方法。每一個(gè)弱分類(lèi)器選擇一個(gè)或幾個(gè)haar特征來(lái)對(duì)樣本進(jìn)行分類(lèi)，若干個(gè)弱 分類(lèi)器通過(guò)Adaboost算法組合成一級(jí)強(qiáng)分類(lèi)器。本發(fā)明中所述的各類(lèi)分類(lèi)器，均由若干級(jí) 強(qiáng)分類(lèi)器級(jí)聯(lián)而成。本發(fā)明在檢測(cè)區(qū)域內(nèi)，根據(jù)場(chǎng)景標(biāo)定模塊得到的人頭目標(biāo)尺寸，采用窮舉的方式 搜索人頭目標(biāo)候選矩形。將候選矩形分別輸入到深色頭發(fā)通用分類(lèi)器、淺色頭發(fā)分類(lèi)器、帽 子分類(lèi)器以及擴(kuò)展分類(lèi)器中進(jìn)行分類(lèi)，如果被分類(lèi)為人頭，則該候選矩形被檢測(cè)為人頭目 標(biāo)輸出，繼續(xù)判斷下一個(gè)候選矩形，否則，將選候選矩形丟棄，繼續(xù)判斷下一個(gè)候選矩形。在上述過(guò)程中，一個(gè)候選矩形被分類(lèi)器分類(lèi)為人頭目標(biāo)需要逐級(jí)通過(guò)級(jí)聯(lián)分類(lèi)器 的各級(jí)強(qiáng)分類(lèi)器，否則被分類(lèi)為非人頭目標(biāo)，其過(guò)程示意圖如圖5所示。另外，上述分類(lèi)器檢測(cè)過(guò)程中，優(yōu)先選擇的分類(lèi)器可以根據(jù)實(shí)際應(yīng)用調(diào)整。一般的 應(yīng)用場(chǎng)景中深色頭發(fā)的概率最大，因此優(yōu)先選擇深色頭發(fā)分類(lèi)器檢測(cè)，在特定場(chǎng)景，比如檢 測(cè)倉(cāng)庫(kù)門(mén)口，可優(yōu)先選擇工作帽樣本訓(xùn)練得到的擴(kuò)展分類(lèi)器檢測(cè)，以加快檢測(cè)速度。2. 2、邊緣特征細(xì)篩選環(huán)節(jié)通過(guò)并聯(lián)分類(lèi)器粗檢測(cè)環(huán)節(jié)，大部分非人頭矩形被排除了，只留下真實(shí)人頭矩形 和被分類(lèi)器誤檢為人頭的矩形。邊緣特征細(xì)篩選環(huán)節(jié)則能通過(guò)提取矩形內(nèi)的邊緣特征去除 大部分誤檢矩形，保留真實(shí)人頭目標(biāo)。本發(fā)明采用橢圓上半圓弧作為人頭模型，邊緣特征細(xì)篩選就是計(jì)算被分類(lèi)器判斷 為人頭目標(biāo)的矩形內(nèi)邊緣特征與橢圓上半圓弧的擬合度。如果擬合度大于判斷閾值，則該 矩形為真實(shí)人頭矩形，否則為誤檢人頭矩形，將該矩形從目標(biāo)列表中去除。3、人頭跟蹤人頭目標(biāo)檢測(cè)出來(lái)后需要進(jìn)行跟蹤，形成目標(biāo)運(yùn)動(dòng)軌跡，以避免同一個(gè)目標(biāo)重復(fù) 計(jì)數(shù)。本發(fā)明的目標(biāo)跟蹤模塊采用粒子濾波算法對(duì)人頭目標(biāo)進(jìn)行跟蹤。粒子濾波跟蹤的流程如圖6所示，具體過(guò)程如下步驟601 粒子初始化；當(dāng)新檢測(cè)到的人頭目標(biāo)沒(méi)有已有的粒子對(duì)應(yīng)時(shí)，則新生成一個(gè)粒子跟蹤器，并用 新檢測(cè)到的目標(biāo)初始化跟蹤器中各個(gè)粒子的位置和尺寸，并賦給各粒子相等的權(quán)重值。步驟602 粒子重采樣；在跟蹤過(guò)程中，粒子經(jīng)過(guò)幾次權(quán)重更新后會(huì)出現(xiàn)“退化現(xiàn)象”，即接近真實(shí)人頭矩形的少數(shù)粒子的權(quán)重會(huì)變得較大，而遠(yuǎn)離人頭矩形的大部分粒子的權(quán)重變得很小，大量的 計(jì)算會(huì)浪費(fèi)在這些權(quán)重很小的粒子上。為了解決“退化現(xiàn)象”，每次粒子權(quán)重更新后應(yīng)該對(duì) 粒子進(jìn)行重采樣。粒子重采樣就是保留和復(fù)制權(quán)重較大的粒子，剔除權(quán)重較小的粒子，使原來(lái)帶權(quán) 重的粒子映射為等權(quán)重的粒子繼續(xù)預(yù)測(cè)跟蹤。跟蹤器新生成時(shí)，跟蹤器中各粒子的權(quán)重相 等，因此，不需要在再進(jìn)行重采樣。步驟603:粒子的傳播；粒子的傳播，也即粒子的狀態(tài)轉(zhuǎn)移，是指粒子的狀態(tài)隨時(shí)間的更新過(guò)程。本發(fā)明 中，粒子的狀態(tài)是指粒子所代表的目標(biāo)矩形的位置和尺寸。粒子的傳播采用一種隨機(jī)運(yùn)動(dòng) 過(guò)程實(shí)現(xiàn)，即粒子的當(dāng)前狀態(tài)由上一個(gè)狀態(tài)加上一個(gè)隨機(jī)量得到。這樣，當(dāng)前的每一個(gè)粒子 都代表著人頭目標(biāo)在當(dāng)前幀中的一個(gè)可能位置和尺寸。步驟604 根據(jù)觀測(cè)值更新粒子權(quán)重；粒子通過(guò)傳播方式只是得到了人頭目標(biāo)在當(dāng)前幀中的可能位置和尺寸，還需要利 用當(dāng)前圖像的觀測(cè)值來(lái)確定哪些粒子最有可能是人頭矩形。本發(fā)明中提取粒子對(duì)應(yīng)圖像矩 形的haar特征和邊緣特征作為觀測(cè)值更新粒子的權(quán)重。粒子的觀測(cè)值與真實(shí)人頭越接近， 則該粒子對(duì)應(yīng)的矩形越可能是人頭矩形，粒子的權(quán)重增大；否則，粒子的權(quán)重減小。步驟605 更新目標(biāo)運(yùn)動(dòng)軌跡；將粒子按權(quán)重大小排序，取出權(quán)重最大的粒子，計(jì)算權(quán)重最大的粒子對(duì)應(yīng)的矩形 與檢測(cè)得到的所有人頭目標(biāo)矩形的重疊面積，重疊面積最大，且大于設(shè)定閾值的人頭目標(biāo) 即是該粒子所在跟蹤器代表的人頭目標(biāo)在當(dāng)前幀中對(duì)應(yīng)的人頭，則用該人頭目標(biāo)的位置更 新跟蹤器的目標(biāo)運(yùn)動(dòng)軌跡，并用該人頭目標(biāo)代替權(quán)重最大的粒子，進(jìn)入下一幀跟蹤；如果權(quán) 重最大的粒子與當(dāng)前幀中檢測(cè)出來(lái)的所有人頭目標(biāo)均不重疊或重疊面積小于閾值，則認(rèn)為 該粒子所在跟蹤器代表的人頭目標(biāo)在當(dāng)前幀中沒(méi)有找到對(duì)應(yīng)的人頭，則用該粒子的位置更 新跟蹤器的目標(biāo)運(yùn)動(dòng)軌跡，并進(jìn)入下一幀跟蹤。如果權(quán)重最大的粒子連續(xù)N(N> 2)幀找不 到對(duì)應(yīng)人頭目標(biāo)，則說(shuō)明該粒子所在的跟蹤器代表的人頭目標(biāo)以及消失，剔除該跟蹤器。經(jīng)過(guò)上述五個(gè)步驟，幀與幀之間的人頭目標(biāo)便關(guān)聯(lián)起來(lái)形成了人頭目標(biāo)的運(yùn)動(dòng)軌 跡。4、軌跡平滑度分析模塊一般來(lái)說(shuō)，真實(shí)人頭目標(biāo)的運(yùn)動(dòng)比較平滑，而誤檢目標(biāo)則可能會(huì)呈現(xiàn)出雜亂的運(yùn) 動(dòng)，因此，本發(fā)明通過(guò)對(duì)目標(biāo)運(yùn)動(dòng)軌跡的平滑度分析去除誤檢，進(jìn)一步提高檢測(cè)準(zhǔn)確性。對(duì)跟蹤模塊生成的目標(biāo)運(yùn)動(dòng)軌跡進(jìn)行分析，計(jì)算目標(biāo)軌跡的平滑系數(shù)，如果平滑 系數(shù)大于設(shè)定的平滑閾值，則保留該軌跡；否則，剔除該軌跡。軌跡平滑度分析模塊流程如 圖7所示，包括S701 獲取目標(biāo)運(yùn)動(dòng)軌跡；S702 確定人頭目標(biāo)運(yùn)動(dòng)軌跡的平滑度；S703 判斷平滑度是否滿足預(yù)置的平滑度閾值要求，若是，執(zhí)行S704，否則，執(zhí)行 S705 ；S704 保留該目標(biāo)運(yùn)動(dòng)軌跡；S705 丟棄該目標(biāo)運(yùn)動(dòng)軌跡；
S706 輸出目標(biāo)運(yùn)動(dòng)軌跡。5、人流量計(jì)數(shù)模塊本發(fā)明通過(guò)人頭目標(biāo)運(yùn)動(dòng)軌跡方向?qū)θ肆髁窟M(jìn)行計(jì)數(shù)。本發(fā)明在檢測(cè)區(qū)域內(nèi)判斷 該目標(biāo)軌跡的方向與設(shè)定的“人流進(jìn)入”方向是否一致，如果一致，則“進(jìn)入人數(shù)”計(jì)數(shù)加一， 否則“離開(kāi)人數(shù)”計(jì)數(shù)加一。計(jì)數(shù)完成后將該目標(biāo)標(biāo)記為“已計(jì)數(shù)”，使軌跡處于無(wú)效狀態(tài)， 避免同一個(gè)目標(biāo)重復(fù)計(jì)數(shù)。至此，通過(guò)場(chǎng)景標(biāo)定、人頭檢測(cè)、人頭目標(biāo)跟蹤、人頭目標(biāo)運(yùn)動(dòng)軌跡分析和人流量 統(tǒng)計(jì)這五大步驟，即完成了對(duì)人流量的全面、準(zhǔn)確統(tǒng)計(jì)。與上述方法相對(duì)應(yīng)，本發(fā)明還提供一種人流量統(tǒng)計(jì)的系統(tǒng)，該系統(tǒng)可通過(guò)軟件、硬 件或軟硬件結(jié)合實(shí)現(xiàn)。參考圖8，該系統(tǒng)包括人頭檢測(cè)模塊801，用于采用分類(lèi)器對(duì)當(dāng)前圖像進(jìn)行人頭檢測(cè)，確定當(dāng)前圖像中的 各人頭；人頭目標(biāo)跟蹤模塊802，用于對(duì)人頭檢測(cè)模塊801確定出的各人頭進(jìn)行跟蹤，形成 人頭目標(biāo)運(yùn)動(dòng)軌跡；人流量計(jì)數(shù)模塊803，用于在人頭目標(biāo)跟蹤模塊802確定的人頭目標(biāo)運(yùn)動(dòng)軌跡方 向進(jìn)行人流量計(jì)數(shù)；特別地，該系統(tǒng)還包括人頭目標(biāo)運(yùn)動(dòng)軌跡分析模塊804，用于計(jì)算人頭目標(biāo)運(yùn)動(dòng)軌 跡的平滑度，判斷所述平滑度是否滿足閾值，若是，保留該人頭目標(biāo)運(yùn)動(dòng)軌跡，否則，丟棄該 人頭目標(biāo)運(yùn)動(dòng)軌跡。此時(shí)，人流量計(jì)數(shù)模塊803是在人頭目標(biāo)運(yùn)動(dòng)軌跡分析模塊804的基 礎(chǔ)上，根據(jù)運(yùn)動(dòng)軌跡方向的人頭進(jìn)行統(tǒng)計(jì)的。優(yōu)選地，分類(lèi)器采用并聯(lián)的多類(lèi)分類(lèi)器實(shí)現(xiàn)，例如，由深色頭發(fā)通用分類(lèi)器、淺色 頭發(fā)分類(lèi)器、帽子分類(lèi)器和擴(kuò)展分類(lèi)器中的任意兩種或多種并聯(lián)而成，此時(shí)，人頭檢測(cè)模塊 801包括粗檢測(cè)子模塊和細(xì)篩選子模塊，其中，粗檢測(cè)子模塊用于設(shè)置各類(lèi)分類(lèi)器的檢測(cè)順 序，按照檢測(cè)順序依次采用各個(gè)分類(lèi)器對(duì)當(dāng)前圖像進(jìn)行人頭檢測(cè)，直到確定出人頭；篩選子 模塊用于對(duì)并聯(lián)的多類(lèi)分類(lèi)器檢測(cè)到的人頭進(jìn)行邊緣特征細(xì)篩選處理。優(yōu)選地，該系統(tǒng)還包括場(chǎng)景標(biāo)定模塊805，用于對(duì)圖像中的檢測(cè)區(qū)域進(jìn)行場(chǎng)景標(biāo)定，從而將檢測(cè)區(qū)域劃分 為若干個(gè)子區(qū)域。其中，場(chǎng)景標(biāo)定模塊805的目的是獲得場(chǎng)景的深度系數(shù)，根據(jù)場(chǎng)景深度系 數(shù)可以計(jì)算出圖像中各個(gè)位置的人頭目標(biāo)的大小，為人頭目標(biāo)檢測(cè)模塊提供檢測(cè)尺寸。此 時(shí)，人頭檢測(cè)模塊801根據(jù)場(chǎng)景標(biāo)定模塊805提供的尺寸，在指定的若干個(gè)子區(qū)域內(nèi)搜索人 頭目標(biāo)。上述系統(tǒng)的具體實(shí)現(xiàn)請(qǐng)參見(jiàn)方法實(shí)施例，不作贅述。可見(jiàn)，本發(fā)明通過(guò)對(duì)人頭目標(biāo)軌跡的平滑度分析可以去除虛假目標(biāo)，可提高檢測(cè) 準(zhǔn)確率。進(jìn)一步，本發(fā)明采用haar特征基于Adaboost算法訓(xùn)練多個(gè)并聯(lián)的分類(lèi)器作為人頭 粗檢測(cè)，再利用邊緣特征對(duì)粗檢測(cè)結(jié)果進(jìn)行細(xì)篩選，最后得到真正的人頭目標(biāo)。本發(fā)明中將 多個(gè)分類(lèi)器并聯(lián)使用，能同時(shí)檢測(cè)深色頭發(fā)、淺色頭發(fā)以及各種顏色帽子等多類(lèi)人頭目標(biāo)， 本發(fā)明還設(shè)置了一個(gè)擴(kuò)展分類(lèi)器，可以根據(jù)特殊環(huán)境的應(yīng)用，采集樣本訓(xùn)練，檢測(cè)指定顏色 或帽子的人頭，比如工廠或倉(cāng)庫(kù)的工作帽等。另外，本發(fā)明在檢測(cè)前通過(guò)場(chǎng)景標(biāo)定自動(dòng)選擇檢測(cè)窗口的尺寸,使本發(fā)明能自適應(yīng)各種攝像機(jī)角度，拓寬了應(yīng)用范圍。
以上所述僅是本發(fā)明的優(yōu)選實(shí)施方式，應(yīng)當(dāng)指出，對(duì)于本技術(shù)領(lǐng)域的普通技術(shù)人 員來(lái)說(shuō)，在不脫離本發(fā)明原理的前提下，還可以做出若干改進(jìn)和潤(rùn)飾，這些改進(jìn)和潤(rùn)飾也應(yīng) 視為本發(fā)明的保護(hù)范圍。
權(quán)利要求
一種可去除虛假目標(biāo)的人流量統(tǒng)計(jì)的方法，其特征在于，包括采用分類(lèi)器對(duì)當(dāng)前圖像進(jìn)行人頭檢測(cè)，確定當(dāng)前圖像中的各人頭；對(duì)確定出的各人頭進(jìn)行跟蹤，形成人頭目標(biāo)運(yùn)動(dòng)軌跡；對(duì)人頭目標(biāo)運(yùn)動(dòng)軌跡進(jìn)行平滑度分析；根據(jù)分析后的人頭目標(biāo)運(yùn)動(dòng)軌跡方向進(jìn)行人流量計(jì)數(shù)。
2.根據(jù)權(quán)利要求1所述方法，其特征在于，所述對(duì)人頭目標(biāo)運(yùn)動(dòng)軌跡進(jìn)行平滑度分析 包括確定人頭目標(biāo)運(yùn)動(dòng)軌跡的平滑度，判斷所述平滑度是否滿足閾值，若是，保留該人頭目 標(biāo)運(yùn)動(dòng)軌跡，否則，丟棄該人頭目標(biāo)運(yùn)動(dòng)軌跡。
3.根據(jù)權(quán)利要求1所述方法，其特征在于，在采用分類(lèi)器對(duì)當(dāng)前圖像進(jìn)行人頭檢測(cè)之 后、確定當(dāng)前圖像中的各人頭之前，還包括對(duì)分類(lèi)器檢測(cè)到的人頭進(jìn)行邊緣特征細(xì)篩選處理。
4.根據(jù)權(quán)利要求3所述方法，其特征在于，所述對(duì)分類(lèi)器檢測(cè)到的人頭進(jìn)行邊緣特征 細(xì)篩選處理包括計(jì)算所述分類(lèi)器判斷為人頭目標(biāo)的矩形內(nèi)邊緣特征與預(yù)置的上半橢圓弧的擬合度，如 果擬合度大于閾值，則將該矩形確定為人頭，否則將該矩形從目標(biāo)列表中去除。
5.根據(jù)權(quán)利要求1所述方法，其特征在于，在采用分類(lèi)器對(duì)當(dāng)前圖像進(jìn)行人頭檢測(cè)之 前,還包括對(duì)圖像中的檢測(cè)區(qū)域進(jìn)行場(chǎng)景標(biāo)定，從而將檢測(cè)區(qū)域劃分為若干個(gè)子區(qū)域； 所述分類(lèi)器進(jìn)行人頭檢測(cè)是在所述若干個(gè)子區(qū)域內(nèi)進(jìn)行的。
6.根據(jù)權(quán)利要求5所述方法，其特征在于，所述對(duì)圖像中的檢測(cè)區(qū)域進(jìn)行場(chǎng)景標(biāo)定包括選擇標(biāo)定框；計(jì)算場(chǎng)景深度變化系數(shù)；計(jì)算檢測(cè)區(qū)域內(nèi)人頭目標(biāo)尺寸變化范圍；根據(jù)人頭目標(biāo)尺寸變化范圍將檢測(cè)區(qū)域劃分為若干個(gè)子區(qū)域。
7.根據(jù)權(quán)利要求1至6任一項(xiàng)所述方法，其特征在于，所述分類(lèi)器為并聯(lián)的多類(lèi)分類(lèi)器。
8.根據(jù)權(quán)利要求7所述方法，其特征在于，所述多類(lèi)分類(lèi)器對(duì)圖像進(jìn)行人頭檢測(cè)包括 設(shè)置各類(lèi)分類(lèi)器的檢測(cè)順序，按照檢測(cè)順序依次采用各個(gè)分類(lèi)器對(duì)當(dāng)前圖像進(jìn)行人頭檢測(cè)，直到確定出人頭，其中，所述并聯(lián)的多類(lèi)分類(lèi)器由至少兩類(lèi)分類(lèi)器并聯(lián)而成。
9.根據(jù)權(quán)利要求7所述方法，其特征在于，所述并聯(lián)的多類(lèi)分類(lèi)器由深色頭發(fā)通用分 類(lèi)器、淺色頭發(fā)分類(lèi)器、帽子分類(lèi)器和擴(kuò)展分類(lèi)器中的任意兩種或多種并聯(lián)而成。
10.一種可去除虛假目標(biāo)的人流量統(tǒng)計(jì)的系統(tǒng)，其特征在于，包括人頭檢測(cè)模塊，用于采用分類(lèi)器對(duì)當(dāng)前圖像進(jìn)行人頭檢測(cè)，確定當(dāng)前圖像中的各人頭；人頭目標(biāo)跟蹤模塊，用于對(duì)確定出的各人頭進(jìn)行跟蹤，形成人頭目標(biāo)運(yùn)動(dòng)軌跡； 人頭目標(biāo)運(yùn)動(dòng)軌跡分析模塊，用于計(jì)算人頭目標(biāo)運(yùn)動(dòng)軌跡的平滑度，判斷所述平滑度 是否滿足閾值，若是，保留該人頭目標(biāo)運(yùn)動(dòng)軌跡，否則，丟棄該人頭目標(biāo)運(yùn)動(dòng)軌跡；人流量計(jì)數(shù)模塊，用于在分析后的人頭目標(biāo)運(yùn)動(dòng)軌跡方向進(jìn)行人流量計(jì)數(shù)。
11.根據(jù)權(quán)利要求10所述系統(tǒng)，其特征在于，還包括場(chǎng)景標(biāo)定模塊，用于對(duì)圖像中的檢測(cè)區(qū)域進(jìn)行場(chǎng)景標(biāo)定，從而將檢測(cè)區(qū)域劃分為若干 個(gè)子區(qū)域。
12.根據(jù)權(quán)利要求10或11所述系統(tǒng)，其特征在于， 所述分類(lèi)器為并聯(lián)的多類(lèi)分類(lèi)器；所述人頭檢測(cè)模塊包括粗檢測(cè)子模塊和細(xì)篩選子模塊，所述粗檢測(cè)子模塊用于設(shè)置各 類(lèi)分類(lèi)器的檢測(cè)順序，按照檢測(cè)順序依次采用各個(gè)分類(lèi)器對(duì)當(dāng)前圖像進(jìn)行人頭檢測(cè)，直到 確定出人頭，其中，所述并聯(lián)的多類(lèi)分類(lèi)器由至少兩類(lèi)分類(lèi)器并聯(lián)而成；細(xì)篩選子模塊，用 于對(duì)并聯(lián)的多類(lèi)分類(lèi)器檢測(cè)到的人頭進(jìn)行邊緣特征細(xì)篩選處理。
13.根據(jù)權(quán)利要求12所述系統(tǒng)，其特征在于，所述并聯(lián)的多類(lèi)分類(lèi)器由深色頭發(fā)通用 分類(lèi)器、淺色頭發(fā)分類(lèi)器、帽子分類(lèi)器和擴(kuò)展分類(lèi)器中的任意兩種或多種并聯(lián)而成。
全文摘要
本發(fā)明公開(kāi)了一種可去除虛假目標(biāo)的人流量統(tǒng)計(jì)的方法及系統(tǒng)，其中的方法包括采用分類(lèi)器對(duì)當(dāng)前圖像進(jìn)行人頭檢測(cè)，確定當(dāng)前圖像中的各人頭；對(duì)確定出的各人頭進(jìn)行跟蹤，形成人頭目標(biāo)運(yùn)動(dòng)軌跡；對(duì)人頭目標(biāo)運(yùn)動(dòng)軌跡進(jìn)行平滑度分析；根據(jù)分析后的人頭目標(biāo)運(yùn)動(dòng)軌跡方向進(jìn)行人流量計(jì)數(shù)?？梢?jiàn)，本發(fā)明通過(guò)對(duì)人頭目標(biāo)軌跡的平滑度分析可以去除虛假目標(biāo)，可進(jìn)一步提高檢測(cè)準(zhǔn)確率。
文檔編號(hào)G06T7/20GK101872414SQ20101011813
公開(kāi)日2010年10月27日 申請(qǐng)日期2010年2月10日 優(yōu)先權(quán)日2010年2月10日
發(fā)明者任燁, 呼志剛, 朱勇, 胡揚(yáng)忠, 蔡巍巍, 賈永華, 鄔偉琪 申請(qǐng)人:杭州海康威視軟件有限公司