[发明专利]基于深度信息聚类的复杂场景人数统计算法

说明书

技术领域： 

本发明涉及一种人数统计，安全生产。

背景技术

目前人数统计方法主要有基于红外感应器，基于单目相机和基于双目相机三种不同的硬件。 

基于红外感应器的人数统计方法主要是利用有人体经过时，会阻断红外信号的接受，从而实现计数功能，但由于红外信号阻断时，无法准确统计经过的人数，所以如果多人统计经过感应器，则会产生漏检，此方法的整体统计精度在80%左右，基于单目的人数统计算法主要依靠常见的图像处理算法以及模式识别方法，对经过场景的人头进行检测跟踪，从而达到人数统计的目的，这种方法由于计算机视觉算法的成熟度原因，无法很好的处理光照，阴影等干扰，统计精度一般只能达到90%左右，如果遇到多人拥挤通过的情况，性能会更低。 

而基于双目的人数统计算法，利用立体视觉的特性，可将拍摄场景中的深度信息计算出来，从而能对人头位置有更好的估计和检测，但由于现有深度信息的精度较低，因此对其如何利用就成为影响统计精度的关键，目前一般是以简单的阈值来区分人头和头肩位置，从而检测人头的个数，但这种方法在人数十分拥挤，或者人体互相遮挡严重时，性能下降会比较厉害，一般统计精度能在95%左右。 

发明内容

为了克服上述缺陷，本发明的目的是提供一种基于深度信息聚类的复杂场景人数统计算法，本算法是以双目相机为硬件，在深度信息的基础上，采用了深度信息聚类分割的方法，将复杂场景下的人群进行很好的独立分割，即使在多人拥挤的情况下，也能较好的区分每个人体的位置，然后对每个人体进行跟踪，从而达到很高的人数统计精度。 

为了实现上述目的，本发明采用如下技术方案： 

基于深度信息聚类的复杂场景人数统计算法，其是在深度信息的基础上，利用以下算法人群的深度信息进行了分割：

1：深度图背景建模

2：深度图阈值化

3：利用DENCLUE聚类算法进行深度图粗分割

4：利用MCMC分割算法对聚类进行细分割

其中，最主要的算法是DENCLUE聚类算法：

已知空间 中包含n个对象的数据集，DENCLUE算法的基本思想可以形式化描述为：

全局密度函数的核估计：空间任一点x的概率密度可估计为，其中，K(x)为核函数。

密度吸引子和密度吸引：已知全局密度函数的局部极大值点，对任意的，如果存在点集，使得且位于的梯度方向上，则称x 被密度吸引，而称为x 的密度吸引。如果核函数K(x)在空间中的每一点都连续、可微，密度吸引子可以采用梯度方向指引的爬山法来搜索。 

基于中心的聚类：已知密度吸引子，如果存在自己使得，x都被密度吸引且（为预设的密度门限值），则称C为以为中心的聚类。 

显然，算法中存在两个重要参数：窗宽和密度门限值。的选取直接会影响全局密度的估计结果，从而影响聚类数目；用于过滤噪声产生的影响。 

本发明算法的优点主要体现在对深度图的处理上，现有技术一般采用简单的深度图阈值化来实现对人头的检测，这样做虽然简单，计算速度快，但没有完全利用好深度信息，导致人体过于拥挤时性能会下降。而本算法利用DENCLUE的聚类方法以及MCMC细分割算法，充分利用了人体全局的聚类信息，包括深度差，人体先验尺度等，从而可以将人体（比起人头，人体区域更大，具有更多的信息，对后期跟踪等策略会有更好的作用）进行较好的检测和分割，即使在人群拥挤，互相遮挡的复杂环境下也能达到98%以上统计准确率。 

附图说明

    图1为本发明的结构示意图。 

具体实施方式

下面结合附图进一步说明： 

如图1所示，一种

实施方案1：

已知空间中包含n个对象的数据集，DENCLUE算法的基本思想可以形式化描述为：

全局密度函数的核估计：空间任一点x的概率密度可估计为，其中，K(x)为核函数。

密度吸引子和密度吸引：已知全局密度函数的局部极大值点，对任意的，如果存在点集，使得且位于的梯度方向上，则称x 被密度吸引，而称为x 的密度吸引。如果核函数K(x)在空间中的每一点都连续、可微，密度吸引子可以采用梯度方向指引的爬山法来搜索。 

基于中心的聚类：已知密度吸引子，如果存在自己使得，x都被密度吸引且（为预设的密度门限值），则称C为以为中心的聚类。