[发明专利]一种基于Bag-of-features模型的自学习行人计数方法及装置

说明书

技术领域

本发明涉及数字图像处理、计算机视觉、模式识别领域，特别是涉及一种基于Bag-of-features模型的自学习行人计数方法和装置。

背景技术

基于视频的行人计数系统能够智能分析图像，得到摄像机视野范围内的行人数目，在公共场所有很大的应用价值。随着计算机视觉计数的飞速发展，该领域的研究和产品化受到广泛关注。

基于行人检测跟踪的行人计数算法是一种主流的方法。该方法首先通过背景建模、帧差法等方法分割出前景区域，检测行人目标，并进一步跟踪检出区域，实现行人计数。例如，Zhao等人（Xi Zhao,E.Delleandrea,Liming Chen.A People Counting System based on Face Detection and Tracking in a Video.Proc of6th IEEE International Conference on Advanced Video and Signal Based Surveillance.Genoa,Italy,2009:67-72）和Zu等人（Keju Zu,Fuqiang Liu,and Zhipeng Li.Counting pedestrian in crowded subway scene.IEEE2nd International Congress on In Image and Signal Processing,2009）采用检测跟踪行人头部的方法，Li等人（M.Li,Z.Zhang,K.Huang,and T.Tan.Estimating the number of people in crowded scenes by MID based foreground segmentation and head-shoulder detection.Proc of19th IEEE International Conference on Pattern Recognition.Tampa,Florida,USA,2008:1–4）采用头肩检测的方法来实现行人计数。Wen等人（Wusheng Wen,Mengfen Ho,and Chunglin Huang.People tracking and counting for applications in video surveillance system.International Conference on In Audio,Language and Image Processing,2008）先采用模板匹配的方法检测前景中的行人区域，并进一步采用霍夫变换的方法最终确定行人头部轮廓。Rittscher等人（Jens Rittscher,Peter H Tu,and Nils Krahnstoever.Simultaneous estimation of segmentation and shape.IEEE Computer Society Conference on In Computer Vision and Pattern Recognition,pages486–493,2005）利用行人轮廓的先验知识分割前景图像，得到行人个体并计数，该类方法假设行人个体是互不遮挡的，适用于行人密度较低的场景。

现有及上述的基于行人检测的人数计数算法在行人检测环节大都采用离线训练的分类器，通过人工收集大量样本训练分类器以实现行人检测。然而在实际应用中，视频监控系统将面临复杂多样的应用场景，场景中的行人样本和背景差异很大，离线采集训练不仅耽误时间更重要的是影响了系统的实际应用价值。

发明内容

鉴于以上问题，本发明提供了一种基于视觉词袋模型Bag-of-features模型的在线自适应学习的行人计数方法，通过在线自动采集高置信度样本，实时更新Bag-of-feature模型参数，使系统在Bag-of-features模型上具备自适应学习功能，有效提高了系统对不同场景的适应能力，减少人工干预，增加应用价值。

本发明的目的通过以下技术方案来实现：

一种基于Bag-of-features模型的自学习行人计数方法包括：

建立预先采集的视频图像样本的Bag-of-features模型，采用支持向量机作为分类器训练获得初始状态下的基于Bag-of-features模型的行人分类器；

提取符合支持向量机基本分类条件的当前视频图像的前景区域，并对当前视频图像的搜索窗口进行区域划分，根据所述前景区域和所述搜索窗口内的特征点提取当前视频图像的高置信度样本；