[发明专利]一种自适应人群计数方法

说明书

本发明涉及一种自适应人群计数方法。首先使用累计积分特征行人检测器进行行人检测，来获得大量的检测候选框，然后对获得的候选框进行预处理，接下来本文提取各个预处理后的候选框的空间，时间以及颜色特征；基于这些特征，本发明用狄迪克雷混合模型和吉布斯采样理论来对候选框进行聚类；通过这种方式，来获得人群团块的区域；接下来，本文使用基于角点的人群计数方法来对每个人群团块区域进行人群初步计数；通过计数结果与特征点的关系，本发明判断人群密度，针对不同密度，本文选取不同的数据融合方法，来提高计数结果的准确性。本发明方法提高了人群计数检测的稳定性和精确性。

技术领域

本发明属于计算机视觉、数字图像处理领域，具体涉及一种自适应人群计数方法。

背景技术

随着社会的发展和技术的进步，智能视频监控技术在越来越多的领域起到至关重要的作用，而人群计数作为智能视频监控中至关重要的一环，所谓人群计数就是通过读取图片或者视频帧，得出当前帧或者图片中一共有多少人。

当前人群计数方法主要分为两大类：直接法和间接法。

直接法也叫基于检测的方法，主要通过使用不同的检测模型，将一个个行人个体检测分割出来，来实现人群计数。在低密度时，主要采用基于人体的行人检测模型；在中高密度时，遮挡问题严重，所以主要采用基于头加肩膀(Ω)区域的行人检测模型，又或者基于人头的行人检测模型。

间接法，也叫基于回归的方法，主要通过提取人群的不同特征，通过训练等方法，得到特征与人数的映射关系，以此来实现人群计数。常用于人群计数的特征主要有前景面积，纹理特征，又或者角点特征等。

直接方法最大的优点就是鲁棒性强，在低密度场景下，有着不可取代的优越性。但当密度增大时，由于遮挡等问题，人体的表达特征受到破坏，行人不能得到很好的检测分割，使得性能大幅度下降。间接法最明显的优点在于中高密度时，相对直接法有着更高的准确度。但在低密度使用间接法，相较于直接法，有着不必要的复杂度和高成本。

可以看到，直接法和间接法分别适用于低密度与高密度，但在另一个密度效果较差。

本文的自适应人群计数法，结合了直接法和间接法的优点，实现一套系统，低密度高密度皆能实现准确鲁棒计数。

发明内容

本发明的目的在于提供一种自适应人群计数方法，该方法提高了人群计数检测的稳定性和精确性。

为实现上述目的，本发明的技术方案是：一种自适应人群计数方法，包括如下步骤，

S1、采用行人检测器对输入的视频帧序列的视频帧进行行人检测，获得检测候选框；

S2、对获得的检测候选框进行预处理，获得特征点，并提取各个预处理后的检测候选框的空间、时间以及颜色特征；

S3、根据检测候选框的空间、时间以及颜色特征，对检测候选框进行聚类，获得人群团块区域；

S4、采用基于角点的人群计数方法来对每个人群团块区域进行人群初步计数；

S5、通过计数结果与特征点数量的关系进行密度估计；

S6、针对不同密度，选取不同的数据融合方法，完成人群计数。

在本发明一实施例中，所述步骤S1中，采用的行人检测器为基于累计积分特征的行人检测器。

在本发明一实施例中，所述步骤S2中，对检测候选框进行预处理的实现过程为：(1)设定阈值，过滤面积大于阈值的检测候选框；(2)建立当前帧与其前后帧光流图，将前后帧的检测候选框都映射到当前帧，同时获得特征点。

在本发明一实施例中，所述步骤S3中采用狄迪克雷混合模型何吉布斯采样理论对检测候选框进行聚类，具体实现过程如下：