[发明专利]一种基于有监督学习的视频人数信息统计方法

说明书

技术领域

本发明涉及视频监控技术领域，具体涉及一种对视频人数信息统计技术。

背景技术

人数信息统计系统有多种分类方式，按照监控摄像头的角度以及应用场景可以分为垂直角度场景和斜角场景两种；从适用环境来划分可分为断面式和区域式，断面式系统对一个二维断面内通过的不同方向的人数进行统计，适用于商店、车站等公共场所的出入口、室内或者室外的人行通道等场合；区域式系统则是可以实时地统计出一个指定区域内的总人数或者进行密度估计，区域式系统可以用于统计较小范围内或者较大范围内的人数，一般也称为人群监测统计系统。

人群监测统计系统在商业信息采集、公共安全监控等方面具有重要意义。传统的人工监控及统计方式费时费力，不但资源人力成本高，而且人在长时间工作的状态下，难免出现精力不集中等原因导致的疏忽。基于计算机的视觉人数信息统计技术越来越多地受到人们的关注。

目前基于计算机的视觉人数信息统计方法主要有三种方式：

一、探测计数(counting by detection)：用各种尺度的探测器进行重复探测，当人群发生重叠时探测计数法的精度不高；

二、聚类计数(counting by clustering)：聚类假设人群是由若干具有独立模式的部分组成，对这些部分进行聚类，这种只有在数据达到一定规模、能预测获得可靠的模型数据时才有效；

三、回归计数(counting by regression)：在特征和人数统计之间建立直接映射，不需要分割或者跟踪个体；

其中回归计数方法主要通过建立模型来实现人数统计，具体分为两种情况：

1)建立全局单一模型实现人数统计：

从全部图像中学习一个在图像特征之间的单一的回归函数，当计算全局特征时不考虑空间信息。全局单一模型需要假设无论特征是哪里提取的，对其的加权都一样。

2)建立多个独立模型进行局部密度估计，并根据密度估计值进行人数统计：

局部模型放松了对全局假设的限制，将图像分成细化的区域，每个细化区域用一个回归函数来来表征，细化的区域可以有不同的分辨率用于补偿镜头的几何误差。不同于全局方法，局部模型的目标是根据局部人群结构对特征加不同的权。

在上述三种方式中，前面探测计数和聚类计数两种方法都依靠明确的对象分割或特征点跟踪，不适合拥挤杂乱的背景和频繁的对象间遮挡的场景。

通过建立全局单一模型的回归计数技术实现人数统计的方法，需要假设无论特征是从哪里提取的，对其的加权都一样。但是这种假设并不符合实际情况，例如人群的形状和结构千变万化，不同的特征在不同的空间位置起到不同的重要性。此外全局回归模型不能提供空间局部的人数统计信息，这种信息在某些应用中很需要。

通过建立多个独立模型进行局部密度估计的回归计数技术实现人数统计的方法，需要很多个回归模型，增加了计算代价。

可见，上述现有方法存在假设不符合实际情况以及计算代价较大等缺陷。

发明内容

本发明的目的是提供一种基于有监督学习的视频人数信息统计方法，该发明能够紧密结合实际情况进行人数统计，并且计算过程简单，不需要很大代价。

本发明通过如下技术方案实现：

本发明提供了一种基于有监督学习的视频人数信息统计方法，其包括：

对采集到的全部图像进行区域人数标注，并生成训练数据、测试数据及对应的区域人数标注数据；

根据训练数据对应的区域人数标注数据来计算训练数据的区域真实密度；根据测试数据对应的区域人数标注数据来统计测试数据的区域人数真实值；

对全部测试数据和训练数据进行初始化，得到去除图像背景数据后的测试数据和训练数据；

对去除图像背景数据后的训练数据和测试数据进行区域特征提取和融合，分别得到训练数据和测试数据中每个图像的区域融合特征；

针对训练数据的区域融合特征进行区域密度估计，并经过参数训练得到区域人数密度估计值，计算该区域人数密度估计值与所述区域人数真实密度之间的误差，根据该误差不大于设定误差门限的原则，得到训练数据的区域线性变换参数；

利用所述训练数据的区域线性变换参数，对测试数据的区域融合特征进行区域密度估计并计算出测试数据的区域人数估计值；

根据统计得到的测试数据的区域人数真实值以及测试数据的区域人数估计值，计算测试数据每个区域的估计错误率，用于评估系统性能。