[发明专利]一种基于多高斯计数模型的人流量统计方法

说明书

技术领域

本发明涉及图像处理技术领域，尤其涉及一种人流量统计的方法及系统。

背景技术

现有的视频监控中，大多数只是简单的实现视频传输，然后依靠人眼观察来实现场景监控以及计数等工作。这种人力监控方式存在大量的不足之处，如比较枯燥，监控人员很容易产生疲劳而导致工作失误，此外，随着人力成本提高，依靠人力监控计数这一手段将不再适合。

目前基于计算机视觉的人流量统计系统所采用的方法可以分为三类：一是基于行人检测跟踪的方法；二是基于特征点轨迹聚类的方法；三是基于低层特征回归的方法。

基于行人检测跟踪的方法的核心在于多目标检测，这种方法是通过背景差分或者机器学习的方法得到前景区域，然后采用运动形态联合分割或者模板匹配的方法完成人流量统计的任务。通常情况下，该算法可以获得较高的检测精度。如申请号为201010114826.2的中国专利申请文件中所提到的方法，首先通过分类器对当前图像进行人头粗检测，然后对粗检测结果进行边缘特征细筛选处理，虽然通过上述方法能够有效提高人头的检测率，但是，当人群密度较高，发生遮挡等情况时，存在人头漏检，或者多检的情况，最终导致检测结果不够准确，而且该方法计算量较大，难以实时处理。

基于特征点轨迹聚类的方法首先通过跟踪一些特征点，对具有一致运动特性的特征点轨迹进行聚类分析达到人数统计的目的。该算法能够有效减少摄像机视角的影响。然而，特征点本身难以稳定可靠的跟踪，因此该算法统计精度比较低。

基于低层特征回归的方法首先利用背景差分得到前景区域，然后计算前景区域中的特征如面积、边缘、纹理等，最后通过各种回归函数如线性、高斯过程回归、神经网络等建立特征与人流量的函数关系。该算法跳过了对于单个行人目标的检测跟踪过程，降低了计算复杂度，在一定程度上可以达到实时性要求。但是其通用性不够理想，而且统计精确度与前景像素提取的依赖关系较大，因此该方法难以获得精确的人数信息。

综上所述，现有技术中的人流量统计方法中难点主要在于如何对具有较大密度的流动人群进行较高精度的统计，且算法的复杂度不能过高，并满足实时应用需求。

发明内容

本发明针对现有基于计算机视觉的人流量统计技术中存在的上述问题，提出一种基于多高斯计数模型的实时人流量统计方法，以解决现有人流量统计方案对较高密度流动人群统计不准确的问题。

本发明解决上述技术问题采用如下技术方案：

一种基于多高斯计数模型的人流量统计方法，包括：输入图像预处理、运动目标检测、运动目标特征向量提取和多高斯计数模型建立、运动目标跟踪、以及人流量统计等步骤。具体为：

在实际检测中，往往只对场景中某区域感兴趣，因此首先选取兴趣区域(region of interest , ROI)，后续的所有图像处理操作均在该兴趣区域内完成。将兴趣区域分割为多个面积大小相等的检测子区域，采用前景图像与背景图像作差分的运动目标检测方法，获得前景运动目标；将隶属于一个连通域的运动目标用矩形框标记出来，提取该矩形框运动目标特征向量获得特征向量集，提取运动目标特征向量，同一个子区域中具有相同人数的目标特征向量组成特征向量集；基于特征向量集建立对应的高斯计数模型，在同一子区域上获得的高斯计数模型组成高斯模型子集，所有子区域上的模型子集组成最终的多高斯计数模型；人流量统计时，设置检测线，对未知人数的视频图像序列进行图像预处理和运动目标检测；对与检测线相交的运动目标区域进行目标跟踪，判断运动目标外接矩形框是否与检测线相交，若不相交，则对下一帧图像进行处理，直到其外接矩形框到达检测线为止，若相交，提取当前运动目标的特征向量；在跟踪过程的每一帧图像中提取当前运动目标的特征向量，根据当前运动目标所处的子区域，采用对应的高斯模型子集分析当前运动目标中的人数，采用快速目标跟踪关联方法获得该目标区域对应的计数队列，并将得到的人数存入该目标区域对应队列；当运动目标离开检测线时，计算队列中人数的平均值，得到人流量统计。

将场景中兴趣区域分割为一系列检测子区域，如可分割为                                                个面积相同的检测子区域，采用表示第行，列的子区域 (,)，其中,根据检测视场的大小，以及视场中行人大小，确认其值。一般情况下，检测子区域面积大小可为检测视场中三到四个行人面积大小。对分割后的视频图像进行平滑滤波处理，减少噪声的影响。

提取背景图像，对检测子区域中当前帧图像和背景图像进行差分处理，得到差分图像。