[发明专利]基于启发信息的行人流量统计方法

说明书

技术领域

本发明属于智能视频监控领域，具体涉及一种基于启发信息的行人流量统计方法。

背景技术

行人流量统计就是统计某个时间段内进出某一通道的人数。从不同的角度分类，行人流量统计系统有多种类型。按照所选硬件平台的不同，可分为接触式（如旋转门），传感器式（如激光束），和基于视觉式（如摄像机）系统。按照摄像机安放位置的不同，可分为基于垂直摄像和基于倾斜摄像的系统。按照摄像机是否被标定，可分为相机标定式和相机未标定式系统。接触式和传感器式系统容易造成出入口的拥堵，且计数精度较差；基于垂直摄像的系统虽然计数精度高，算法简单，但它只能从顶之下获取行人的部分信息，出于安全监控考虑，我们需要保留行人的其它信息（如面部特征，衣着特征等），而且当今监控摄像头以倾斜摄像为主；相机标定式系统需要寻求相机本身的标定系数，不具有普适性。因此，综合考虑各方面因素，当今多数行人流量统计系统是相机未标定、基于倾斜摄像的。

近年来，已有一些研究工作在这方面开展，可参考Chan等人的文献（A. B. Chan, Z. S. J. Liang, and N. Vasconcelos, “Privacy Preserving Crowd Monitoring: Counting People without People Models or Tracking,” In IEEE Conference on Computer Vision and Pattern Recognition (CVPR), Anchorage, June 2008）。总的来说，可将所采用的算法大体分为三类。

基于行人检测跟踪的方法。首先分割前景，然后采用匹配搜索的方法检测行人或行人的一部分（人脸，人头，头肩，上身等），最后对检测的结果进行跟踪，一条有效的跟踪轨迹代表一个行人。此类方法中的两个核心技术——行人检测和运动目标跟踪，在视频监控领域本身就是两类技术难题，算法的复杂度较高，这为计数系统的实时性能带来了考验。

基于特征点轨迹聚类的方法。首先提取某些利于跟踪的特征点，例如角点，然后对这些特征点逐帧跟踪，形成特征轨迹，最后将具有相似性特征的轨迹聚类，一个类代表一个行人。此类方法要求统计的运动目标需具同一性，且需要寻求一种较好的聚类方法。

基于低层特征回归的方法。首先分割前景，然后提取前景区域中的低层特征（面积，周长，边缘，边缘方向，纹理等），形成一个若干维的特征向量，最后通过某种回归函数来确定特征向量与人数之间的对应关系。此类方法无需进行行人检测和跟踪，但是对前景分割结果的依赖性较大，且一般情况下需要对大量特定场景的样本进行标注训练，缺乏通用性。

发明内容

本发明的目的主要是针对现有的行人流量统计系统很难在满足计数精度的前提下，达到较好的实时性，而提供一种算法复杂度低、有较好精度的方法，实现对一般场景中的行人流量统计。

本发明方法步骤如下：

步骤(1)获取输入视频的第一帧图像，在该图像任意位置设定一个虚拟门。

步骤(2)采用混合高斯背景建模方法，将前景区域从背景中分割出来，并对得到的前景区域进行后处理，后处理主要包括以下步骤：

1)  采用形态学腐蚀和膨胀方法去除噪声；

2)  分析前景点的连通性，去除小于某个阈值的连通区域。

步骤(3)将原图转换到HSV空间后，去除前景区域的阴影部分。

步骤(4)学习阶段。包括以下步骤：

1)  采用基于梯度方向直方图的方法进行行人检测；

2)  利用检测出的行人的外接矩形中心的纵坐标和矩形框内的前景点象素总数来构成行人模型，并将若干个行人模型通过最小二乘法拟合成直线，形成启发信息；

3)  通过启发信息，确定虚拟门上各点与其所在位置行人模型中的前景点象素总数的比值，来为每个点赋予权重。

步骤(5)计数阶段。包括以下步骤：

1)采用稀疏光流LK算法对门上的点进行运动补偿。包括如下步骤：

a由稀疏光流LK算法确定的相角与虚拟门方向之间的夹角确定运动矢量方向；

b由稀疏光流LK算法确定的幅值与运动矢量方向的正弦值确定运动矢量大小。

2)统计门上各个前景点的个数并获得其信息，包括权重、运动矢量的大小和方向。通过补偿后的前景点的加权和来统计行人流量。