[发明专利]基于高清视频的实时上座率统计方法

说明书

技术领域

本发明属于数字图像处理及模式识别技术领域，具体涉及一种基于高清视频的实时上座率统计方法。

背景技术

众所周知，在诸如大型会场、大型礼堂、电影院、阶梯教室等场所，存在人员分布密集、座位数目多等特点，这给相应的座次管理工作带来障碍，单凭监控人员进行人工监控已不现实，必须使用计算机软件进行辅助工作。传统的座椅状态检测方法是通过在椅子上安装一个传感器，利用压力进行检测[1]。虽然这种传感器不需要外部供电，且为非接触式感应等具有一些优点，但是仍然存在明显不足：（1）应用场所通常座位数目众多，通常都拥有上千个位置，如果每个坐席都安装该传感器将是巨大的工作；（2）虽然传感器单个的稳定性非常好，但随着数目剧增，则出现传感器坏掉的概率将增高，必将带来繁杂的维护；（3）。因为需要在椅子上安装传感器，但对于阶梯教室等简单椅子场所，传感器的安装将会受限。基于上述考虑，本发明提出了基于高清视频的处理方法，能有效地规避上述问题。

对象分类是计算机视觉中一个重要的研究领域，它是指计算机按照人的思维能够进行人类对特定对象的分类活动[2][3]。其应用极其广泛，快速而准确的对象分类技术是现代信息处理技术中的重要组成部分。由于信息量近年来急剧增长，我们也迫切的需要有合适的对象分类技术能够让人们从大量的信息中寻找出自己所需要的信息，图像检索就属于这个类别。此外，对象分类技术还广泛用于公安以及交通监管等系统。人脸分类能够使计算机做到在实时的情况下快速检测出场景中的人脸，并对其实施跟踪。人脸的识别系统则可以用于公安、边防、以及数据库的快速查找等诸多领域。而人体的检测与识别则可以用于各种需要的安全控制场合进行实时的监控需要[4]。此外，车辆的检测与识别能够在交通监管部门发挥重要的作用，对车牌的检测以及识别是智能交通管理系统中的重要组成部分。综上，对象分类技术是计算机视觉的重要组成部分。

本发明主要解决图像和视频中坐席是否被人占据的问题，我们将其对单个坐席的判别当作一个二类的对象分类问题，及坐席为空或被有人就坐。在机器学习的框架中，将整个过程分为两个部分：离线样本训练部分和在线图像检测部分。本发明所使用的样本特征为2005年Dalal[5]提出的梯度方向直方图（Histograms of Oriented Gradients,HOG）。然而该类特征很早就被应用在机器视觉领域中，它得到比较成熟应用的标志是Lowe提出的应用于图像匹配的SIFT（Scale Invariant Feature Transform）[7]特征的出现。Lowe利用局部梯度方向直方图描述图像块，根据此方法进行匹配具有尺度不变性的特征，较为相似的特征如形状上下文（Shape Context）[8]特征和边缘方向直方图（Edge Orientation Histograms,EOH）[9]特征等。Dalal提出的HOG与Lowe的SIFT描述方法之间的区别在于后者是基于关键点检测，是一种稀疏的描述方法，而HOG是将图像均匀地分为相邻的小单元（Cell），然后在所有的小块内统计梯度方向直方图，用这些直方图来描述图像，是一种非稀疏的描述方法。

本发明所使用的分类器是支持向量机（Support Vector Machine，SVM），是一种建立在VC维理论和结构风险最小原理基础上的统计学习方法。它根据有限的样本信息在模型的复杂性（即对特定训练样本的学习清度，Accuracy）和学习能力（即无错误地识别任意样本的能力）之间寻求最佳折中，以期望获得最好的泛化能力。SVM目前在学术界和工业界均享有赞誉，已经被认为是效果最好的分类算法之一，同时也得到广泛的应用。

发明内容

本发明的目的在于提供一种基于高清视频的实时上座率统计方法，以高清监控图像和已标定的坐席位置为输入，利用图像特征提取和模式分类技术，进行每个坐席状态判别，从而完成整个场景中上座率的实时统计。

为实现上述目的，本发明的技术方案如下：一种基于高清视频的实时上座率统计方法，其特征在于该方法包括分类模型训练阶段和坐席状态判别阶段，在模型训练阶段，利用大量以标注坐席状态的图像为训练样本，对每张图像提取梯度方向直方图特征，然后再将其特征通过核变换到高维空间建立线性分类器；而在坐席状态判别阶段，采用已标定的场景座位坐标分割输入的图像，对每个子图像提取梯度方向直方图特征，利用已建立的高维空间线性分类器模型判别子图像特征，从而判定该坐席是否被人占用，最后，统计输入图像中的所有子图像的判别结果，获取该场景下当前的上座率。

本发明的分类模型训练阶段的具体步骤依次是：