專利名稱：基于團(tuán)塊的人數(shù)統(tǒng)計(jì)方法
技術(shù)領(lǐng)域：
本發(fā)明涉及圖像處理領(lǐng)域，更具體地說(shuō)，本發(fā)明涉及一種視頻監(jiān)控中基于團(tuán)塊的基于團(tuán)塊的人數(shù)統(tǒng)計(jì)方法。
背景技術(shù)：
隨著計(jì)算機(jī)視覺(jué)和人工智能的發(fā)展，基于智能視頻監(jiān)控的人數(shù)統(tǒng)計(jì)算法因其在公共場(chǎng)合的廣泛應(yīng)用備受人們的關(guān)注。不過(guò)在人群密集的場(chǎng)景視頻中檢測(cè)和統(tǒng)計(jì)人數(shù)是件極具挑戰(zhàn)的事情，因?yàn)槿伺c人之間的相互遮擋使得單個(gè)人體的分割和識(shí)別變得相當(dāng)困難。人數(shù)統(tǒng)計(jì)就是估計(jì)監(jiān)控視頻中每幀圖像的行人數(shù)量。通過(guò)基于圖像處理的人數(shù)統(tǒng)計(jì)系統(tǒng)獲取的行人信息可以降低監(jiān)控的成本和監(jiān)控人員的疲勞，并且還有很多其他的潛力應(yīng)用。目前在視頻監(jiān)控中統(tǒng)計(jì)人數(shù)的方法已經(jīng)有很多，主要可以分為三大類(lèi)單個(gè)行人檢測(cè)、視覺(jué)特征軌跡聚類(lèi)、基于特征的回歸。基于單個(gè)行人檢測(cè)的人數(shù)統(tǒng)計(jì)只估計(jì)輸入圖像中被檢測(cè)到的行人數(shù)量，該方法的優(yōu)點(diǎn)是可以非常容易的獲取到行人的數(shù)量和位置信息，但是卻很難應(yīng)用到行人密度比較大的場(chǎng)合，因?yàn)檫@些場(chǎng)合相互遮擋嚴(yán)重，難以準(zhǔn)確檢測(cè)和分割所有的行人?；谲壽E聚類(lèi)的人數(shù)統(tǒng)計(jì)是通過(guò)在一段時(shí)間內(nèi)跟蹤和識(shí)別視覺(jué)特征來(lái)統(tǒng)計(jì)人數(shù)的，對(duì)表征相關(guān)運(yùn)動(dòng)的特征軌跡進(jìn)行聚類(lèi)，聚類(lèi)的數(shù)目就是估計(jì)的行人人數(shù)。很顯然這種方法估計(jì)的是一段特定時(shí)間內(nèi)的人數(shù)，不適合視頻監(jiān)控中實(shí)時(shí)的應(yīng)用?；谔卣骰貧w的人數(shù)統(tǒng)計(jì)將從整幅圖像中提取出的特征使用回歸函數(shù)映射到人數(shù)上，從而實(shí)現(xiàn)人數(shù)統(tǒng)計(jì)。這種方法通常分為三步，第一步背景消減，第二步提取前景區(qū)域中各種相關(guān)特征，最后通過(guò)回歸函數(shù)將提取的特征映射到行人數(shù)量上完成人數(shù)估計(jì)。該方法可以應(yīng)用于高密度人群而且可以對(duì)場(chǎng)景做全局估計(jì)，但是卻很難估計(jì)行人的具體位置以及局部區(qū)域的密度。此外由于人群形狀和密度的可變范圍不可預(yù)測(cè)，該方法需要大量的特征訓(xùn)練集。

發(fā)明內(nèi)容
有鑒于此，本發(fā)明的目的在于提供一種基于團(tuán)塊的基于團(tuán)塊的人數(shù)統(tǒng)計(jì)方法，其能夠解決上述現(xiàn)有技術(shù)中存在的問(wèn)題。一種基于團(tuán)塊的人數(shù)統(tǒng)計(jì)方法，包括步驟獲取視頻源；對(duì)視頻源的圖像背景進(jìn)行建模，以獲取運(yùn)動(dòng)前景圖像；對(duì)運(yùn)動(dòng)前景圖像進(jìn)行消除陰影處理；對(duì)運(yùn)動(dòng)前景圖像進(jìn)行形態(tài)學(xué)運(yùn)算處理，以得到M個(gè)團(tuán)塊；取出第i個(gè)團(tuán)塊，并判斷其是否符合預(yù)定條件；如果第i個(gè)團(tuán)塊符合預(yù)定條件，則保存第i個(gè)團(tuán)塊，并設(shè)置i = i + Ι ；判斷i是否大于M ；
如果i大于M，則得到N個(gè)符合預(yù)定條件的團(tuán)塊；根據(jù)預(yù)先定義的場(chǎng)景復(fù)雜度統(tǒng)計(jì)符合條件的團(tuán)塊，并判斷其場(chǎng)景復(fù)雜度是高還是低；若場(chǎng)景復(fù)雜度高，則提取第j個(gè)團(tuán)塊的高復(fù)雜度特征集；根據(jù)場(chǎng)景透視校正矩陣對(duì)第j個(gè)團(tuán)塊的高復(fù)雜度特征集進(jìn)行校正；根據(jù)人數(shù)統(tǒng)計(jì)模型對(duì)第j個(gè)團(tuán)塊的高復(fù)雜度特征集進(jìn)行統(tǒng)計(jì)，以獲得第j個(gè)團(tuán)塊的人數(shù)；保存第j個(gè)團(tuán)塊的人數(shù)，并且設(shè)置j = j + 1 ；判斷j是否大于N;若j大于N，則累積N個(gè)團(tuán)塊的總?cè)藬?shù)。場(chǎng)景復(fù)雜度等于符合條件團(tuán)塊的運(yùn)動(dòng)前景的總像素/總團(tuán)塊數(shù)N，高復(fù)雜度特征集為像素特征和紋理特征，預(yù)定條件包括預(yù)定的團(tuán)塊大小和預(yù)定的團(tuán)塊位置。本發(fā)明的基于團(tuán)塊的人數(shù)統(tǒng)計(jì)方法還包括步驟如果第i個(gè)團(tuán)塊不符合預(yù)定條件，則丟棄該團(tuán)塊。本發(fā)明的基于團(tuán)塊的人數(shù)統(tǒng)計(jì)方法還包括步驟如果i不大于M，則返回取出第i 個(gè)團(tuán)塊，并判斷其是否符合預(yù)定條件的步驟。本發(fā)明的基于團(tuán)塊的人數(shù)統(tǒng)計(jì)方法還包括步驟如果j不大于N，則返回若場(chǎng)景復(fù)雜度高，則提取第j個(gè)團(tuán)塊的高復(fù)雜度特征集的步驟。本發(fā)明的基于團(tuán)塊的人數(shù)統(tǒng)計(jì)方法還包括步驟如果場(chǎng)景復(fù)雜度低，則提取第j個(gè)團(tuán)塊的低復(fù)雜度特征集；根據(jù)場(chǎng)景透視校正矩陣對(duì)第j個(gè)團(tuán)塊的低復(fù)雜度特征集進(jìn)行校正；根據(jù)人數(shù)統(tǒng)計(jì)模型對(duì)第j個(gè)團(tuán)塊的低復(fù)雜度特征集進(jìn)行統(tǒng)計(jì)，以獲得第j個(gè)團(tuán)塊的人數(shù)；保存第j個(gè)團(tuán)塊的人數(shù)，并且設(shè)置j = j + 1 ；判斷j是否大于N;若j大于N，則累積N個(gè)團(tuán)塊的總?cè)藬?shù)。本發(fā)明的基于團(tuán)塊的人數(shù)統(tǒng)計(jì)方法還包括步驟如果j不大于N，則返回若場(chǎng)景復(fù)雜度低，則提取第j個(gè)團(tuán)塊的低復(fù)雜度特征集的步驟。低復(fù)雜度特征集為像素特征。本發(fā)明的基于團(tuán)塊的人數(shù)統(tǒng)計(jì)方法還包括步驟在獲取視頻源的步驟之后，獲取視頻源的場(chǎng)景透視校正矩陣。本發(fā)明的基于團(tuán)塊的人數(shù)統(tǒng)計(jì)方法還包括步驟在對(duì)視頻源的圖像背景進(jìn)行建模，以獲取運(yùn)動(dòng)前景圖像的步驟之后，對(duì)運(yùn)動(dòng)前景圖像進(jìn)行多元線性回歸，以獲取人數(shù)統(tǒng)計(jì)模型。與現(xiàn)有技術(shù)相比，本發(fā)明的基于團(tuán)塊的人數(shù)統(tǒng)計(jì)方法具有以下優(yōu)點(diǎn)1)該方法利用自適應(yīng)閾值可以區(qū)分不同復(fù)雜度的人群場(chǎng)景；2)該方法對(duì)于不同復(fù)雜度的場(chǎng)景自適應(yīng)的使用不同的特征集，這樣在保證統(tǒng)計(jì)精度的同時(shí)還可以提高處理的速度從而有利于實(shí)時(shí)性應(yīng)用；3)該方法中使用的特征集均從分割后的團(tuán)塊中提取的，而不是單個(gè)人或者整個(gè)場(chǎng)景，從這點(diǎn)看它實(shí)際上是基于檢測(cè)的方法和基于特征回歸的方法的結(jié)合，這樣可以結(jié)合兩者的優(yōu)勢(shì)獲取更高的精度；4)該方法使用基于學(xué)習(xí)的多元線性回歸作為訓(xùn)練模型，該模型既簡(jiǎn)單又高效。5)該方法可以很容易的獲取每個(gè)團(tuán)塊的大小、位置等相關(guān)信息，這些信息可以用于后續(xù)的局部密度估計(jì)和實(shí)時(shí)異常檢測(cè)。


圖1為本發(fā)明基于團(tuán)塊的人數(shù)統(tǒng)計(jì)方法的流程圖。
具體實(shí)施例方式如圖1所示，本發(fā)明的基于團(tuán)塊的人數(shù)統(tǒng)計(jì)方法包括以下步驟(1)獲取視頻源；(2)獲取視頻源的場(chǎng)景透視校正矩陣；(3)對(duì)視頻源的圖像背景進(jìn)行建模，以獲取運(yùn)動(dòng)前景圖像；(4)對(duì)運(yùn)動(dòng)前景圖像進(jìn)行多元線性回歸，以獲取人數(shù)統(tǒng)計(jì)模型；(5)對(duì)運(yùn)動(dòng)前景圖像進(jìn)行消除陰影處理；(6)對(duì)運(yùn)動(dòng)前景圖像進(jìn)行形態(tài)學(xué)運(yùn)算處理，以得到M個(gè)團(tuán)塊；(7)取出第i個(gè)團(tuán)塊，并判斷其是否符合預(yù)定條件，如果第i個(gè)團(tuán)塊符合預(yù)定條件， 則轉(zhuǎn)入步驟(8)，否則丟棄該團(tuán)塊；(8)保存第i個(gè)團(tuán)塊，并設(shè)置i = i+Ι ；(9)判斷i是否大于M，如果i大于M，則轉(zhuǎn)入步驟(10)，否則返回步驟(7)；(10)得到N個(gè)符合預(yù)定條件的團(tuán)塊；(11)根據(jù)預(yù)先定義的場(chǎng)景復(fù)雜度統(tǒng)計(jì)符合條件的團(tuán)塊，并判斷其場(chǎng)景復(fù)雜度是高還是低，若場(chǎng)景復(fù)雜度高，則轉(zhuǎn)入步驟(12)，若場(chǎng)景復(fù)雜度低，則轉(zhuǎn)入步驟(18)；(12)則提取第j個(gè)團(tuán)塊的高復(fù)雜度特征集；(13)根據(jù)場(chǎng)景透視校正矩陣對(duì)第j個(gè)團(tuán)塊的高復(fù)雜度特征集進(jìn)行校正；(14)根據(jù)人數(shù)統(tǒng)計(jì)模型對(duì)第j個(gè)團(tuán)塊的高復(fù)雜度特征集進(jìn)行統(tǒng)計(jì)，以獲得第j個(gè)團(tuán)塊的人數(shù)；(15)保存第j個(gè)團(tuán)塊的人數(shù)，并且設(shè)置j = j+1 ；(16)判斷j是否大于N，若j大于N，則轉(zhuǎn)入步驟(17)，否則返回步驟(12)；(17)若j大于N，則累積N個(gè)團(tuán)塊的總?cè)藬?shù)；(18)提取第j個(gè)團(tuán)塊的低復(fù)雜度特征集；(19)根據(jù)場(chǎng)景透視校正矩陣對(duì)第j個(gè)團(tuán)塊的低復(fù)雜度特征集進(jìn)行校正；(20)根據(jù)人數(shù)統(tǒng)計(jì)模型對(duì)第j個(gè)團(tuán)塊的低復(fù)雜度特征集進(jìn)行統(tǒng)計(jì)，以獲得第j個(gè)團(tuán)塊的人數(shù)；(21)保存第j個(gè)團(tuán)塊的人數(shù)，并且設(shè)置j = j+1 ；(22)判斷j是否大于N，若j大于N，則轉(zhuǎn)入步驟(23)，否則返回步驟(18)；(23)累積N個(gè)團(tuán)塊的總?cè)藬?shù)。在步驟(5)中，具體來(lái)說(shuō)，是通過(guò)聯(lián)合HSV空間和RGB空間特征來(lái)消除運(yùn)動(dòng)前景圖像的陰影。在步驟(6)中，形態(tài)學(xué)運(yùn)算包括腐蝕、膨脹和開(kāi)閉運(yùn)算，具體來(lái)說(shuō)，通過(guò)形態(tài)學(xué)運(yùn)算來(lái)處理運(yùn)動(dòng)前景圖像中的噪聲，并修補(bǔ)團(tuán)塊中可能存在的空洞，從而得到多個(gè)較為完整的團(tuán)塊。以上僅為本發(fā)明最佳的具體實(shí)現(xiàn)方式，本發(fā)明的實(shí)現(xiàn)方法并不局限于此，任何在本發(fā)明領(lǐng)域內(nèi)不脫離本發(fā)明精神下的改變，都應(yīng)涵蓋在本發(fā)明范圍內(nèi)。
權(quán)利要求
1.一種基于團(tuán)塊的人數(shù)統(tǒng)計(jì)方法，其特征在于，包括步驟 獲取視頻源；對(duì)所述視頻源的圖像背景進(jìn)行建模，以獲取運(yùn)動(dòng)前景圖像； 對(duì)所述運(yùn)動(dòng)前景圖像進(jìn)行消除陰影處理； 對(duì)所述運(yùn)動(dòng)前景圖像進(jìn)行形態(tài)學(xué)運(yùn)算處理，以得到M個(gè)團(tuán)塊； 取出第i個(gè)團(tuán)塊，并判斷其是否符合預(yù)定條件；如果所述第i個(gè)團(tuán)塊符合預(yù)定條件，則保存第i個(gè)團(tuán)塊，并設(shè)置i = i+Ι ； 判斷i是否大于M ；如果i大于M,則得到N個(gè)符合預(yù)定條件的團(tuán)塊；根據(jù)預(yù)先定義的場(chǎng)景復(fù)雜度統(tǒng)計(jì)所述符合條件的團(tuán)塊，并判斷其場(chǎng)景復(fù)雜度是高還是低；若場(chǎng)景復(fù)雜度高，則提取所述第j個(gè)團(tuán)塊的高復(fù)雜度特征集； 根據(jù)場(chǎng)景透視校正矩陣對(duì)所述第j個(gè)團(tuán)塊的高復(fù)雜度特征集進(jìn)行校正； 根據(jù)人數(shù)統(tǒng)計(jì)模型對(duì)所述第j個(gè)團(tuán)塊的高復(fù)雜度特征集進(jìn)行統(tǒng)計(jì)，以獲得所述第j個(gè)團(tuán)塊的人數(shù)；保存所述第j個(gè)團(tuán)塊的人數(shù)，并且設(shè)置j = j+1 ； 判斷j是否大于N;若j大于N，則累積N個(gè)團(tuán)塊的總?cè)藬?shù)。
2.根據(jù)權(quán)利要求1所述的人數(shù)統(tǒng)計(jì)方法，其特征在于所述場(chǎng)景復(fù)雜度等于所述符合條件團(tuán)塊的運(yùn)動(dòng)前景的總像素/總團(tuán)塊數(shù)N ； 所述高復(fù)雜度特征集為像素特征和紋理特征； 所述預(yù)定條件包括預(yù)定的團(tuán)塊大小和預(yù)定的團(tuán)塊位置。
3.根據(jù)權(quán)利要求2所述的人數(shù)統(tǒng)計(jì)方法，其特征在于，還包括步驟如果所述第i個(gè)團(tuán)塊不符合預(yù)定條件，則丟棄該團(tuán)塊。
4.根據(jù)權(quán)利要求1所述的人數(shù)統(tǒng)計(jì)方法，其特征在于，還包括步驟如果i不大于M，則返回所述取出第i個(gè)團(tuán)塊，并判斷其是否符合預(yù)定條件的步驟。
5.根據(jù)權(quán)利要求1所述的人數(shù)統(tǒng)計(jì)方法，其特征在于，還包括步驟如果j不大于N，則返回所述若場(chǎng)景復(fù)雜度高，則提取所述第j個(gè)團(tuán)塊的高復(fù)雜度特征集的步驟。
6.根據(jù)權(quán)利要求1所述的人數(shù)統(tǒng)計(jì)方法，其特征在于，還包括步驟 如果所述場(chǎng)景復(fù)雜度低，則提取所述第j個(gè)團(tuán)塊的低復(fù)雜度特征集； 根據(jù)場(chǎng)景透視校正矩陣對(duì)所述第j個(gè)團(tuán)塊的低復(fù)雜度特征集進(jìn)行校正；根據(jù)人數(shù)統(tǒng)計(jì)模型對(duì)所述第j個(gè)團(tuán)塊的低復(fù)雜度特征集進(jìn)行統(tǒng)計(jì)，以獲得所述第j個(gè)團(tuán)塊的人數(shù)；保存所述第j個(gè)團(tuán)塊的人數(shù)，并且設(shè)置j = j+1 ； 判斷j是否大于N ；若j大于N，則累積N個(gè)團(tuán)塊的總?cè)藬?shù)。
7.根據(jù)權(quán)利要求6所述的人數(shù)統(tǒng)計(jì)方法，其特征在于，還包括步驟如果j不大于N，則返回所述若所述場(chǎng)景復(fù)雜度低，則提取所述第j個(gè)團(tuán)塊的低復(fù)雜度特征集的步驟。
8.根據(jù)權(quán)利要求6所述的人數(shù)統(tǒng)計(jì)方法，其特征在于，所述低復(fù)雜度特征集為像素特征。
9.根據(jù)權(quán)利要求1所述的人數(shù)統(tǒng)計(jì)方法，其特征在于，還包括步驟在所述獲取視頻源的步驟之后，獲取所述視頻源的場(chǎng)景透視校正矩陣。
10.根據(jù)權(quán)利要求1所述的人數(shù)統(tǒng)計(jì)方法，其特征在于，還包括步驟在所述對(duì)所述視頻源的圖像背景進(jìn)行建模，以獲取運(yùn)動(dòng)前景圖像的步驟之后，對(duì)所述運(yùn)動(dòng)前景圖像進(jìn)行多元線性回歸，以獲取人數(shù)統(tǒng)計(jì)模型。
全文摘要
一種基于團(tuán)塊的人數(shù)統(tǒng)計(jì)方法，包括；對(duì)視頻源的圖像背景進(jìn)行建模，以獲取運(yùn)動(dòng)前景圖像；對(duì)運(yùn)動(dòng)前景圖像進(jìn)行消除陰影處理；對(duì)運(yùn)動(dòng)前景圖像進(jìn)行形態(tài)學(xué)運(yùn)算處理，以得到M個(gè)團(tuán)塊；取出第i個(gè)團(tuán)塊，并判斷其是否符合預(yù)定條件；如果第i個(gè)團(tuán)塊符合預(yù)定條件，則保存第i個(gè)團(tuán)塊，并設(shè)置i＝i+1；判斷i是否大于M；如果i大于M，則得到N個(gè)符合預(yù)定條件的團(tuán)塊；根據(jù)預(yù)先定義的場(chǎng)景復(fù)雜度統(tǒng)計(jì)符合條件的團(tuán)塊，并判斷其場(chǎng)景復(fù)雜度是高還是低；若場(chǎng)景復(fù)雜度高，則提取第j個(gè)團(tuán)塊的高復(fù)雜度特征集；根據(jù)場(chǎng)景透視校正矩陣對(duì)第j個(gè)團(tuán)塊的高復(fù)雜度特征集進(jìn)行校正。
文檔編號(hào)G06T7/20GK102360450SQ20111028833
公開(kāi)日2012年2月22日 申請(qǐng)日期2011年9月26日 優(yōu)先權(quán)日2011年9月26日
發(fā)明者馮鑌, 吳培培, 喻莉, 朱光喜, 邱錦波 申請(qǐng)人:華中科技大學(xué)