一種對行人分類器實現(xiàn)動態(tài)更新的人數(shù)統(tǒng)計方法
【技術(shù)領域】
[0001] 本發(fā)明屬于計算機視頻圖像處理技術(shù)領域，特別涉及一種對行人分類器實現(xiàn)動態(tài) 更新的人數(shù)統(tǒng)計方法。
【背景技術(shù)】
[0002] 隨著計算機技術(shù)和圖像處理技術(shù)的發(fā)展，基于視頻的智能監(jiān)控系統(tǒng)得到了廣泛的 應用。在保障社會公共安全和交通安全方面、保護人民生命財產(chǎn)安全方面、在工業(yè)控制領域 保障安全生產(chǎn)和產(chǎn)品檢測方面W及有關(guān)商業(yè)領域方面都發(fā)揮著巨大的作用。
[0003] 人數(shù)流量的統(tǒng)計信息對于很多行業(yè)有著重要的作用，他們可W利用人流量信息協(xié) 助管理，合理的配置人力、物力從而高效利用有限的資源，或者根據(jù)統(tǒng)計的人流信息合理的 控制人群密度防止人群的過度擁擠而發(fā)生安全事故。
[0004] 但是，在現(xiàn)有技術(shù)中一般是通過采集一定數(shù)量的正樣本和負樣本輸入計算機系統(tǒng) 中，并對通過照相機或攝像機所采集的視頻流圖像中的包含行人區(qū)域的圖形進行檢測并對 公共區(qū)域中的行人人數(shù)進行統(tǒng)計。
[0005] 但是送種技術(shù)有一定的局限性。送種局限性具體體現(xiàn)為，在現(xiàn)有技術(shù)中，訓練樣本 集中的正樣本與負樣本數(shù)量是固定的，送就導致了對現(xiàn)有技術(shù)中通過輸入固定數(shù)量的正樣 本與負樣本的行人分類器對待檢測圖像中的行人的檢測與計數(shù)有一定的局限性，無法對復 雜環(huán)境中的監(jiān)控區(qū)域中的行人進行有效的統(tǒng)計。
[0006] 因此，有必要對現(xiàn)有技術(shù)中的上述技術(shù)缺陷進行改進。

【發(fā)明內(nèi)容】

[0007] 本發(fā)明的目的在于公開一種對行人分類器實現(xiàn)動態(tài)更新的人數(shù)統(tǒng)計方法，用W提 高對公共區(qū)域內(nèi)對行人進行人數(shù)統(tǒng)計的效率與準確度。
[0008] 為實現(xiàn)上述發(fā)明目的，本發(fā)明提供了一種對行人分類器實現(xiàn)動態(tài)更新的人數(shù)統(tǒng)計 方法，包括：
[0009] S1、基于SVM算法對訓練本集進行訓練W得到初始化行人分類器；
[0010] S2、獲取監(jiān)控區(qū)域的視頻流圖像作為輸入圖像，并對輸入圖像進行背景建模W得 到背景圖像；
[0011] S3、利用初始化行人分類器對監(jiān)控區(qū)域的背景圖像進行行人檢測，并根據(jù)行人檢 測結(jié)果對初始化行人分類器進行選擇性的更新訓練；
[0012] S4、通過執(zhí)行步驟S3后的所得到的行人分類器對監(jiān)控區(qū)域中的輸入圖像進行行 人檢測，并通過mean shift算法對檢測到的行人區(qū)域進行跟蹤和計數(shù)。
[0013] 作為本發(fā)明的進一步改進，所述步驟Sl具體為：先計算正/負樣本集中正/負樣 本的HOG特征向量，然后基于SVM算法對所述HOG特征向量進行訓練，W得到初始化行人分 類器；
[0014] 所述正樣本集中的正樣本是包含行人頭部和/或肩部的樣本；所述負樣本集中的 負樣本是不包含行人頭部和/或肩部的樣本。
[0015] 作為本發(fā)明的進一步改進，所述正/負樣本集中正/負樣本為30 X 30~100 X 100 像素的256階灰度圖像。
[0016] 作為本發(fā)明的進一步改進，所述步驟S2中的"背景建模"為混合高斯背景建模，其 具體包括：
[0017] S21;初始化背景模型；
[0018] S22;更新背景模型；
[0019] S23 ;采用權(quán)值動態(tài)學習速率的權(quán)值更新方法提取背景圖像和分割運動目標；
[0020] 所述步驟S23中的"權(quán)值動態(tài)學習速率"的計算公式為：
[0021]
[00過所述步驟S23中的"權(quán)值更新"的計算公式為；U 1, t = (1- a t) ? 1, t 1+ a tMi, t [002引所述Ct t為權(quán)值學習速率，T。為像素穩(wěn)定時間，《 1, t 1為t-1時刻的權(quán)值；U 1, t為 t時刻的權(quán)值；其中，To = 20, a。= 0. 01。
[0024] 作為本發(fā)明的進一步改進，所述步驟S3中的"利用初始化行人分類器對監(jiān)控區(qū)域 的背景圖像進行行人檢測"具體為：
[002引 W 30X30像素的圖像作為檢測窗口，在水平和垂直方向上W 2個像素點為步長， 對由執(zhí)行步驟S2所得到的背景圖像作行、列滑動掃描，提取掃描區(qū)域的HOG特征，并將計算 得到的HOG特征送入執(zhí)行步驟Sl所得到的行人分類器中，并根據(jù)初始化行人分類器的輸出 結(jié)果判斷該掃描區(qū)域是否為行人區(qū)域。
[0026] 作為本發(fā)明的進一步改進，所述步驟S3中的"選擇性的更新訓練"具體為：
[0027] 對利用初始化行人分類器對監(jiān)控區(qū)域的背景圖像進行行人檢測的檢測結(jié)果進行 判斷；
[0028] 若出現(xiàn)誤檢，則將誤檢的運動目標添加到負樣本集，并僅在設定的時間內(nèi)檢測到 的誤檢數(shù)大于或等于誤檢闊值T時，重新對所述初始化行人分類器進行更新訓練；若不出 現(xiàn)誤檢，則經(jīng)過設定的時間后不對所述初始化行人分類器進行更新訓練；其中，
[0029] 所述"設定的時間"選為5分鐘；所述誤檢數(shù)量闊值T選為10。
[0030] 作為本發(fā)明的進一步改進，所述步驟S4中的"mean shift算法"具體包括簡化直 方圖法和分塊顏色直方圖構(gòu)建法。
[0031] 作為本發(fā)明的進一步改進，所述"簡化直方圖法"具體包括：
[0032] 首先，計算運動目標的顏色直方圖，刪除其中顏色特征值為0的bin,從而刪除其 中空閑的直方圖區(qū)間；
[0033] 然后，保存剩下的顏色特征；
[0034] 最后，在簡化后的直方圖后面增加一個區(qū)間，用于累計候選運動目標中出現(xiàn)的不 屬于初始運動目標顏色特征值的像素點個數(shù)。
[0035] 作為本發(fā)明的進一步改進，所述步驟S4中的"分塊顏色直方圖構(gòu)建法"具體為：
[0036] 對運動目標基于同一質(zhì)必進行若干次環(huán)形區(qū)域的劃分，并計算每一個環(huán)形區(qū)域內(nèi) 的顏色直方圖，綜合得到分塊顏色直方圖。
[0037] 與現(xiàn)有技術(shù)相比，本發(fā)明的有益效果是；在本發(fā)明中，實現(xiàn)了對不同場景下所采集 到的負樣本對訓練樣本集動態(tài)的更新訓練，使本發(fā)明在對復雜環(huán)境下對人數(shù)進行統(tǒng)計時具 有更大的適應性，提高了對公共區(qū)域內(nèi)對行人進行人數(shù)統(tǒng)計的效率和準確度。
【附圖說明】
[0038] 圖1為本發(fā)明一種對行人分類器實現(xiàn)動態(tài)更新的人數(shù)統(tǒng)計方法的流程圖；
[0039] 圖2為實現(xiàn)步驟S2中監(jiān)控區(qū)域的視頻流圖像的工作原理示意圖；
[0040] 圖3為混合高斯背景建模融入空間信息示意圖；
[0041] 圖4為對運動目標基于同一質(zhì)必（X。，y。）進行若干次環(huán)形區(qū)域的劃分示意圖。
【具體實施方式】
[0042] 下面結(jié)合附圖所示的各實施方式對本發(fā)明進行詳細說明，但應當說明的是，送些 實施方式并非對本發(fā)明的限制，本領域普通技術(shù)人員根據(jù)送些實施方式所作的功能、方法、 或者結(jié)構(gòu)上的等效變換或替代，均屬于本發(fā)明的保護范圍之內(nèi)。
[0043] 參圖1所示的本發(fā)明一種對行人分類器實現(xiàn)動態(tài)更新的人數(shù)統(tǒng)計方法的一種具 體實施方式。
[0044] 在本實施方式中，首先執(zhí)行步驟S1、基于SVM算法對訓練樣本集進行訓練得到初 始化行人分類器。
[0045] 由于行人在行走時頭部與肩部的變化較小，基于易于檢測方面的考慮，可將訓練 樣本集定義為：只包含行頭部和/或肩部的正樣本集、不包含行人頭部和/或肩部的負樣本 圖集。
[0046] 具體的，在本實施方式中，先計算正/負樣本集中正/負樣本的HOG特征向量，然 后基于SVM算法對所述HOG特征向量進行訓練，W得到初始化行人分類器。
[0047] 其中，該正樣本集中的正樣本是包含行人頭部和/或肩部的樣本（正樣