專利名稱：客流密度檢測方法
技術(shù)領(lǐng)域：
本發(fā)明涉及圖像處理和模式識(shí)別技術(shù)領(lǐng)域，具體涉及一種尤其適用于軌道交通領(lǐng)域的客流密度檢測方法。
背景技術(shù)：
隨著軌道交通的快速發(fā)展，軌道交通已經(jīng)成為城市居民日常出行的重要交通工具，軌道交通的乘換人次多，客流量大，這已經(jīng)成為目前軌道交通安全運(yùn)營的一大問題。如何快速有效地獲得軌道交通站內(nèi)的客流密度，是軌道交通安全運(yùn)營的重要保證。目前的地鐵運(yùn)營獲取客流密度的方法大多停留在對(duì)視頻圖像的存儲(chǔ)記錄，需要長時(shí)間的人工監(jiān)控，由人的主觀經(jīng)驗(yàn)來判斷人群密度的大小。這種方式存在易疲勞、易疏忽、 反應(yīng)速度慢、人工費(fèi)用高等諸多問題。鑒于此，有學(xué)者和研究機(jī)構(gòu)提出了基于視頻的客流密度統(tǒng)計(jì)方法，主要包括三類一類是基于人群人數(shù)與像素?cái)?shù)成正比的關(guān)系來估計(jì)人群密度的方法。具體做法有兩種，一種是首先用背景減的方法除掉每幅圖像的背景，然后計(jì)算剩下的人群圖像所占的總像素?cái)?shù)。另一種是用背景減的方法除掉每幅圖像的背景后，借助邊緣檢測法提取單個(gè)人的邊緣，對(duì)邊緣進(jìn)行細(xì)化，計(jì)算邊緣的總像素?cái)?shù)。另一類是基于紋理分析技術(shù)的人群密度估計(jì)方法。這種方法的理論根據(jù)是不同密度的人群圖像對(duì)應(yīng)的紋理模式不同高密度的人群在紋理上表現(xiàn)為細(xì)模式；低密度的人群圖像在背景圖像也為低頻時(shí)在紋理上表現(xiàn)為粗模式。一般步驟是首先，對(duì)輸入圖像的紋理進(jìn)行統(tǒng)計(jì)分析，然后提取紋理特征，將這些特征通過分類器進(jìn)行分類得到密度結(jié)果。紋理分析的方法是特征分類的基礎(chǔ)?；诓煌募y理特征提取算法，紋理分析方法目前主要分為四大類統(tǒng)計(jì)法、結(jié)構(gòu)法、頻譜法和模型法。最后一類是基于目標(biāo)的，即以機(jī)器學(xué)習(xí)的方式構(gòu)建分類器，提取人頭或人體目標(biāo)， 最終通過計(jì)數(shù)的方式獲得人群密度。上述三類方法在實(shí)際應(yīng)用中都存在一些問題，只能解決軌道交通的部分場景和部分應(yīng)用，另外誤報(bào)率也偏高。因此，目前迫切需要提出一種針對(duì)軌道交通各種場景的快速有效的客流密度檢測方法。

發(fā)明內(nèi)容
(一)要解決的技術(shù)問題本發(fā)明所要解決的技術(shù)問題是如何設(shè)計(jì)一種快速有效的檢測客流密度的方法， 能夠滿足軌道交通大客流，攝像機(jī)安裝受限場景的客流密度精確統(tǒng)計(jì)，以及軌道交通站內(nèi)的站臺(tái)，站廳和通道等重要區(qū)域的客流密度統(tǒng)計(jì)。(二)技術(shù)方案為解決上述技術(shù)問題，本發(fā)明提供了一種客流密度檢測方法，包括以下步驟Si、利用攝像機(jī)采集預(yù)設(shè)監(jiān)測區(qū)域內(nèi)的視頻信號(hào)；
S2、對(duì)所述視頻信號(hào)進(jìn)行解碼處理、去抖動(dòng)處理和場景標(biāo)定處理；S3、根據(jù)所述攝像機(jī)的安裝角度和所拍攝的場景類型選擇一種客流密度檢測方式進(jìn)行檢測，得到檢測結(jié)果，所述客流密度檢測方式包括基于紋理的客流密度檢測方式和基于目標(biāo)的客流密度檢測方式。優(yōu)選地，所述去抖動(dòng)處理包括如下步驟S21、使用Konrad全局運(yùn)動(dòng)估計(jì)方法計(jì)算全局運(yùn)動(dòng)參數(shù)，所述全局運(yùn)動(dòng)參數(shù)包括視頻信號(hào)幀間的攝像機(jī)仿射運(yùn)動(dòng)參數(shù)；S22、根據(jù)計(jì)算得到的全局運(yùn)動(dòng)參數(shù)，判斷視頻信號(hào)中是否存在抖動(dòng)，如果存在抖動(dòng)，則執(zhí)行步驟S23;S23、將估計(jì)出的視頻信號(hào)幀間的攝像機(jī)仿射運(yùn)動(dòng)參數(shù)映射成多條運(yùn)動(dòng)軌跡，依次使用Bezier曲線擬合方法和三次B樣條擬合方法對(duì)所述運(yùn)動(dòng)軌跡進(jìn)行平滑處理；然后根據(jù)平滑后的運(yùn)動(dòng)軌跡求出攝像機(jī)仿射運(yùn)動(dòng)參數(shù)；最后根據(jù)平滑前、后得到的攝像機(jī)仿射運(yùn)動(dòng)參數(shù)，對(duì)視頻信號(hào)中的各幀圖像進(jìn)行校正變換，并根據(jù)相鄰的視頻信號(hào)幀間的像素相關(guān)性， 對(duì)校正變換后的視頻信號(hào)進(jìn)行插值運(yùn)算，從而獲得穩(wěn)定的視頻信號(hào)。優(yōu)選地，所述場景標(biāo)定處理具體為使用標(biāo)定線段計(jì)算所述穩(wěn)定的視頻信號(hào)的場景深度變化系數(shù)，根據(jù)所述場景深度變化系數(shù)將所述預(yù)設(shè)監(jiān)測區(qū)域劃分為若干子區(qū)域，并計(jì)算各子區(qū)域的貢獻(xiàn)系數(shù)。優(yōu)選地，步驟S3中，若攝像機(jī)的安裝角度與水平方向夾角小于45°，且在預(yù)設(shè)監(jiān)測區(qū)域內(nèi)，被遮擋面積超過一定閾值，則選擇基于紋理的客流密度檢測方式進(jìn)行檢測；若攝像機(jī)安裝角度與水平方向夾角大于或等于45°，且在預(yù)設(shè)監(jiān)測區(qū)域內(nèi)，被遮擋面積未超過所述閾值，則選擇基于目標(biāo)的客流密度檢測方式進(jìn)行檢測。優(yōu)選地，利用所述基于紋理的客流密度檢測方式進(jìn)行檢測包括如下步驟S31 從經(jīng)所述場景標(biāo)定處理后的視頻信號(hào)獲取視頻幀；S32 對(duì)所述視頻幀做灰度化處理；S33 利用灰度化處理后的視頻幀生成對(duì)應(yīng)的灰度共生矩陣；S34 計(jì)算所述灰度共生矩陣的特征值，該特征值為所述視頻幀的紋理特征；S35:構(gòu)造分類器，提取所述灰度化處理后的視頻幀的紋理特征，將所述紋理特征通過所述分類器進(jìn)行分類，得到客流密度等級(jí)。優(yōu)選地，利用所述基于目標(biāo)的客流密度檢測方式進(jìn)行檢測包括如下步驟S31’ 將經(jīng)所述場景標(biāo)定處理后的視頻信號(hào)分為人頭樣本和非人頭樣本，將人頭樣本再分為正面人頭樣本，側(cè)面人頭樣本和反面人頭樣本三類；S32，對(duì)所述正面人頭樣本進(jìn)行Adaboost訓(xùn)練，利用Adaboost算法從Haar特征集中挑選具備一定區(qū)分能力的Haar特征，并級(jí)聯(lián)成強(qiáng)分類器，得到人頭模型；S33’ 對(duì)所述負(fù)樣本進(jìn)行聚類，并對(duì)每個(gè)聚類與所述正面人頭樣本單獨(dú)進(jìn)行訓(xùn)練， 得到級(jí)聯(lián)分類器；S34’ 將經(jīng)步驟S2處理后得到的視頻信號(hào)轉(zhuǎn)換到梯度空間，用所述強(qiáng)分類器進(jìn)行多尺度檢測，檢測所得到的結(jié)果進(jìn)入所述級(jí)聯(lián)分類器進(jìn)行二次檢測，去除其中的誤檢，然后根據(jù)設(shè)定的重疊面積閾值對(duì)重疊的檢測窗口進(jìn)行尺度合并，并輸出人頭數(shù)量結(jié)果；S35’ 預(yù)先將所述預(yù)設(shè)監(jiān)測區(qū)域內(nèi)的人群數(shù)量劃分為若干區(qū)間，每個(gè)區(qū)間對(duì)應(yīng)一個(gè)密度等級(jí)，將S34’輸出的人頭數(shù)量結(jié)果與每個(gè)區(qū)間進(jìn)行比對(duì)，找到所述人頭數(shù)量結(jié)果所屬的區(qū)間，并輸出該區(qū)間對(duì)應(yīng)的密度等級(jí)。(三)有益效果本發(fā)明采用圖像處理和模式識(shí)別技術(shù)相結(jié)合，可以快速有效地解決軌道交通重要區(qū)域的客流密度檢測，為軌道交通的安全運(yùn)營提供技術(shù)支持。


圖1是本發(fā)明實(shí)施例的方法流程圖；圖2是SVM分類器分級(jí)及分類器數(shù)量示意圖；圖3是本發(fā)明實(shí)施例的基于紋理的客流密度檢測算法流程圖；圖4是本發(fā)明實(shí)施例的基于目標(biāo)的客流密度檢測算法流程圖。
具體實(shí)施例方式下面對(duì)于本發(fā)明所提出的一種客流密度檢測方法，結(jié)合附圖和實(shí)施例詳細(xì)說明。如圖1所示，本發(fā)明提供的一種應(yīng)用于軌道交通的客流密度檢測方法，包括以下步驟Si、利用攝像機(jī)采集預(yù)設(shè)監(jiān)測區(qū)域內(nèi)的視頻信號(hào)，本發(fā)明實(shí)施例中為高清視頻信號(hào)；所述預(yù)設(shè)監(jiān)測區(qū)域?yàn)檐壍澜煌ㄖ姓九_(tái)、站廳、通道等客流密集區(qū)域。S2、對(duì)所述視頻信號(hào)進(jìn)行解碼處理、去抖動(dòng)處理和場景標(biāo)定處理；S3、根據(jù)所述攝像機(jī)的安裝角度和所拍攝的場景類型選擇一種客流密度檢測方式進(jìn)行檢測，得到檢測結(jié)果，所述客流密度檢測方式包括基于紋理的客流密度檢測方式和基于目標(biāo)的客流密度檢測方式。得到檢測結(jié)果之后，可以并對(duì)客流擁擠狀況進(jìn)行報(bào)警。優(yōu)選地，所述去抖動(dòng)處理包括如下步驟S21、使用Konrad全局運(yùn)動(dòng)估計(jì)方法計(jì)算全局運(yùn)動(dòng)參數(shù)，所述全局運(yùn)動(dòng)參數(shù)包括視頻信號(hào)幀間的攝像機(jī)仿射運(yùn)動(dòng)參數(shù)；S22、根據(jù)計(jì)算得到的全局運(yùn)動(dòng)參數(shù)，判斷視頻信號(hào)中是否存在抖動(dòng)，如果存在抖動(dòng)，則執(zhí)行步驟S23;S23、將估計(jì)出的視頻信號(hào)幀間的攝像機(jī)仿射運(yùn)動(dòng)參數(shù)映射成多條運(yùn)動(dòng)軌跡，依次使用Bezier曲線擬合方法和三次B樣條擬合方法對(duì)所述運(yùn)動(dòng)軌跡進(jìn)行平滑處理；然后根據(jù)平滑后的運(yùn)動(dòng)軌跡求出攝像機(jī)仿射運(yùn)動(dòng)參數(shù)；最后根據(jù)平滑前、后得到的攝像機(jī)仿射運(yùn)動(dòng)參數(shù)，對(duì)視頻信號(hào)中的各幀圖像進(jìn)行校正變換，并根據(jù)相鄰的視頻信號(hào)幀間的像素相關(guān)性， 對(duì)校正變換后的視頻信號(hào)進(jìn)行插值運(yùn)算，從而獲得穩(wěn)定的視頻信號(hào)。所述場景標(biāo)定處理具體為使用標(biāo)定線段計(jì)算所述穩(wěn)定的視頻信號(hào)的場景深度變化系數(shù)，根據(jù)場景深度變化系數(shù)將所述預(yù)設(shè)監(jiān)測區(qū)域劃分為若干子區(qū)域，并計(jì)算各子區(qū)域的貢獻(xiàn)系數(shù)。所述場景深度變化系數(shù)為相同目標(biāo)沿圖像縱坐標(biāo)方向在圖像不同區(qū)域的區(qū)域面積變化系數(shù)。步驟S3中，若攝像機(jī)的安裝角度與水平方向夾角小于45°，且在預(yù)設(shè)監(jiān)測區(qū)域內(nèi)，被遮擋面積超過一定閾值，則選擇基于紋理的客流密度檢測方式進(jìn)行檢測；若攝像機(jī)安裝角度與水平方向夾角大于或等于45°，且在預(yù)設(shè)監(jiān)測區(qū)域內(nèi)，被遮擋面積未超過所述閾值，則選擇基于目標(biāo)的客流密度檢測方式進(jìn)行檢測。如圖3所示，利用所述基于紋理的客流密度檢測方式進(jìn)行檢測包括如下步驟S31 從經(jīng)所述場景標(biāo)定處理后的視頻信號(hào)獲取視頻幀；S32 對(duì)所述視頻幀做灰度化處理；S33 利用灰度化處理后的視頻幀生成對(duì)應(yīng)的灰度共生矩陣；S34 計(jì)算所述灰度共生矩陣的特征值，該特征值為所述視頻幀的紋理特征，如局部平穩(wěn)(Homogeneity)特征值、對(duì)比度(Contrast)特征值、角二階矩(Angular Second Moment)特征值、相關(guān)度(Correlation)特征值等；S35 構(gòu)造支持向量機(jī)(SVM)分類器，提取所述灰度化處理后的視頻幀的紋理特征，將所述紋理特征通過所述分類器進(jìn)行分類，得到客流密度等級(jí)。本發(fā)明中，將客流密度等級(jí)劃分為5類(很少、少、正常、多、很多)，需要進(jìn)行三種分類器(一級(jí)分類器、二級(jí)分類器、三級(jí)分類器)，所以一共需要構(gòu)造7個(gè)分類器，如圖2所示。如圖4所示，利用所述基于目標(biāo)的客流密度檢測方式進(jìn)行檢測包括如下步驟S31’ 將經(jīng)所述場景標(biāo)定處理后的視頻信號(hào)分為人頭樣本(即正樣本)和非人頭樣本(即負(fù)樣本)，將人頭樣本再分為正面人頭樣本，側(cè)面人頭樣本和反面人頭樣本三類；S32，對(duì)所述正面人頭樣本進(jìn)行Adaboost訓(xùn)練，利用Adaboost算法從Haar特征集中挑選具備一定區(qū)分能力的Haar特征，并級(jí)聯(lián)成強(qiáng)分類器，得到人頭模型；所述區(qū)分能力由特定的指標(biāo)來評(píng)價(jià)，該特定的指標(biāo)為現(xiàn)有技術(shù)。S33’ 對(duì)所述負(fù)樣本進(jìn)行聚類，并對(duì)每個(gè)聚類與所述正面人頭樣本單獨(dú)進(jìn)行SVM訓(xùn)練，得到SVM級(jí)聯(lián)分類器；S34’ 將經(jīng)步驟S2處理后得到的視頻信號(hào)轉(zhuǎn)換到梯度空間，用所述強(qiáng)分類器進(jìn)行多尺度檢測，檢測所得到的結(jié)果進(jìn)入所述級(jí)聯(lián)分類器進(jìn)行二次檢測，去除其中的誤檢，然后根據(jù)設(shè)定的重疊面積閾值對(duì)重疊的檢測窗口進(jìn)行尺度合并，并輸出人頭數(shù)量結(jié)果；S35’ 預(yù)先將所述預(yù)設(shè)監(jiān)測區(qū)域內(nèi)的人群數(shù)量劃分為若干區(qū)間，每個(gè)區(qū)間對(duì)應(yīng)一個(gè)密度等級(jí)，將S34’輸出的人頭數(shù)量結(jié)果與每個(gè)區(qū)間進(jìn)行比對(duì)，找到所述人頭數(shù)量結(jié)果所屬的區(qū)間，并輸出該區(qū)間對(duì)應(yīng)的密度等級(jí)。以上實(shí)施方式僅用于說明本發(fā)明，而并非對(duì)本發(fā)明的限制，有關(guān)技術(shù)領(lǐng)域的普通技術(shù)人員，在不脫離本發(fā)明的精神和范圍的情況下，還可以做出各種變化和變型，因此所有等同的技術(shù)方案也屬于本發(fā)明的范疇，本發(fā)明的專利保護(hù)范圍應(yīng)由權(quán)利要求限定。
權(quán)利要求
1.一種客流密度檢測方法，其特征在于，包括以下步驟51、利用攝像機(jī)采集預(yù)設(shè)監(jiān)測區(qū)域內(nèi)的視頻信號(hào)；52、對(duì)所述視頻信號(hào)進(jìn)行解碼處理、去抖動(dòng)處理和場景標(biāo)定處理；53、根據(jù)所述攝像機(jī)的安裝角度和所拍攝的場景類型選擇一種客流密度檢測方式進(jìn)行檢測，得到檢測結(jié)果，所述客流密度檢測方式包括基于紋理的客流密度檢測方式和基于目標(biāo)的客流密度檢測方式。
2.如權(quán)利要求1所述的方法，其特征在于，所述去抖動(dòng)處理包括如下步驟521、使用Konrad全局運(yùn)動(dòng)估計(jì)方法計(jì)算全局運(yùn)動(dòng)參數(shù)，所述全局運(yùn)動(dòng)參數(shù)包括視頻信號(hào)幀間的攝像機(jī)仿射運(yùn)動(dòng)參數(shù)；522、根據(jù)計(jì)算得到的全局運(yùn)動(dòng)參數(shù)，判斷視頻信號(hào)中是否存在抖動(dòng)，如果存在抖動(dòng)，則執(zhí)行步驟S23 ；523、將估計(jì)出的視頻信號(hào)幀間的攝像機(jī)仿射運(yùn)動(dòng)參數(shù)映射成多條運(yùn)動(dòng)軌跡，依次使用 Bezier曲線擬合方法和三次B樣條擬合方法對(duì)所述運(yùn)動(dòng)軌跡進(jìn)行平滑處理；然后根據(jù)平滑后的運(yùn)動(dòng)軌跡求出攝像機(jī)仿射運(yùn)動(dòng)參數(shù)；最后根據(jù)平滑前、后得到的攝像機(jī)仿射運(yùn)動(dòng)參數(shù)， 對(duì)視頻信號(hào)中的各幀圖像進(jìn)行校正變換，并根據(jù)相鄰的視頻信號(hào)幀間的像素相關(guān)性，對(duì)校正變換后的視頻信號(hào)進(jìn)行插值運(yùn)算，從而獲得穩(wěn)定的視頻信號(hào)。
3.如權(quán)利要求2所述的方法，其特征在于，所述場景標(biāo)定處理具體為使用標(biāo)定線段計(jì)算所述穩(wěn)定的視頻信號(hào)的場景深度變化系數(shù)，根據(jù)所述場景深度變化系數(shù)將所述預(yù)設(shè)監(jiān)測區(qū)域劃分為若干子區(qū)域。
4.如權(quán)利要求1所述的方法，其特征在于，步驟S3中，若攝像機(jī)的安裝角度與水平方向夾角小于45°，且在預(yù)設(shè)監(jiān)測區(qū)域內(nèi)，被遮擋面積超過一定閾值，則選擇基于紋理的客流密度檢測方式進(jìn)行檢測；若攝像機(jī)安裝角度與水平方向夾角大于或等于45°，且在預(yù)設(shè)監(jiān)測區(qū)域內(nèi)，被遮擋面積未超過所述閾值，則選擇基于目標(biāo)的客流密度檢測方式進(jìn)行檢測。
5.如權(quán)利要求1所述的方法，其特征在于，利用所述基于紋理的客流密度檢測方式進(jìn)行檢測包括如下步驟531從經(jīng)所述場景標(biāo)定處理后的視頻信號(hào)獲取視頻幀；532對(duì)所述視頻幀做灰度化處理；533利用灰度化處理后的視頻幀生成對(duì)應(yīng)的灰度共生矩陣；534計(jì)算所述灰度共生矩陣的特征值，該特征值為所述視頻幀的紋理特征；535構(gòu)造分類器，提取所述灰度化處理后的視頻幀的紋理特征，將所述紋理特征通過所述分類器進(jìn)行分類，得到客流密度等級(jí)。
6.如權(quán)利要求1 5中任一項(xiàng)所述的方法，其特征在于，利用所述基于目標(biāo)的客流密度檢測方式進(jìn)行檢測包括如下步驟S31’ 將經(jīng)所述場景標(biāo)定處理后的視頻信號(hào)分為人頭樣本和非人頭樣本，將人頭樣本再分為正面人頭樣本，側(cè)面人頭樣本和反面人頭樣本三類；S32，對(duì)所述正面人頭樣本進(jìn)行Adaboost訓(xùn)練，利用Adaboost算法從Haar特征集中挑選具備一定區(qū)分能力的Haar特征，并級(jí)聯(lián)成強(qiáng)分類器，得到人頭模型；S33’ 對(duì)所述負(fù)樣本進(jìn)行聚類，并對(duì)每個(gè)聚類與所述正面人頭樣本單獨(dú)進(jìn)行訓(xùn)練，得到級(jí)聯(lián)分類器；S34’ 將經(jīng)步驟S2處理后得到的視頻信號(hào)轉(zhuǎn)換到梯度空間，用所述強(qiáng)分類器進(jìn)行多尺度檢測，檢測所得到的結(jié)果進(jìn)入所述級(jí)聯(lián)分類器進(jìn)行二次檢測，去除其中的誤檢，然后根據(jù)設(shè)定的重疊面積閾值對(duì)重疊的檢測窗口進(jìn)行尺度合并，并輸出人頭數(shù)量結(jié)果；S35’ 預(yù)先將所述預(yù)設(shè)監(jiān)測區(qū)域內(nèi)的人群數(shù)量劃分為若干區(qū)間，每個(gè)區(qū)間對(duì)應(yīng)一個(gè)密度等級(jí)，將S34’輸出的人頭數(shù)量結(jié)果與每個(gè)區(qū)間進(jìn)行比對(duì)，找到所述人頭數(shù)量結(jié)果所屬的區(qū)間，并輸出該區(qū)間對(duì)應(yīng)的密度等級(jí)。
全文摘要
本發(fā)明涉及圖像處理和模式識(shí)別技術(shù)領(lǐng)域，公開了一種客流密度檢測方法，包括以下步驟S1、利用攝像機(jī)采集預(yù)設(shè)監(jiān)測區(qū)域內(nèi)的視頻信號(hào)；S2、對(duì)所述視頻信號(hào)進(jìn)行解碼處理、去抖動(dòng)處理和場景標(biāo)定處理；S3、根據(jù)所述攝像機(jī)的安裝角度和所拍攝的場景類型選擇一種客流密度檢測方式進(jìn)行檢測，得到檢測結(jié)果，所述客流密度檢測方式包括基于紋理的客流密度檢測方式和基于目標(biāo)的客流密度檢測方式。本發(fā)明采用圖像處理和模式識(shí)別技術(shù)相結(jié)合，可以有效地解決軌道交通重要區(qū)域的客流密度統(tǒng)計(jì)，為軌道交通的安全運(yùn)營提供技術(shù)支持。
文檔編號(hào)G06M11/00GK102496058SQ20111035813
公開日2012年6月13日 申請(qǐng)日期2011年11月11日 優(yōu)先權(quán)日2011年11月11日
發(fā)明者聶蓉, 譚政 申請(qǐng)人:北京聲迅電子股份有限公司