[发明专利]一种流量检测的方法及系统

说明书

本发明公开一种流量检测的方法，包括以下步骤：提取训练样本的梯度向量直方图HOG特征向量的各种特征，根据所述训练样本的HOG特征向量的各种特征与加性交叉核函数构造支持向量机SVM分类器；获取采样图像中候选样本的HOG特征向量的各种特征；根据所述SVM分类器对所述样本的HOG特征向量的各种特征进行识别以得到流量检测结果。本发明还公开一种流量检测的系统，用于实现上述方法。本发明技术方案提高了流量检测的识别精度。

技术领域

本发明涉及检测领域，特别涉及一种流量检测的方法及系统。

背景技术

随着当今社会的进步与发展，人们出行的交通方式越来越多元化。最近几年我国在一二线城市大力兴建地铁，地铁给路面交通缓解了不少压力，与此同时也存在例如上下班拥挤，踩踏等隐患，因此对地铁内的人流量统计能够给管理部门进行车次调整，人群疏导提供指导数据，具有很大的实用价值。行人检测是行人计数的首要条件，它是找出图像帧中行人目标的位置，大小和轮廓等信息，为了快速准确的对地铁站内的行人进行检测，通常采用图像的梯度向量直方图(Histograms ofOriented Gradient,HOG)对行人进行特征提取，之后通过一种监督的学习模型--支持向量机(SVM)对正负样本的HOG 特征和标签进行训练，得到行人分类器，达到行人检测的目的，这是目前最为通用的行人检测方法。但是这种人流量检测的方法存在一些不足点：使用 HOG特征提取地铁行人时存在，(1)特征单一，不能很好表示行人的特征； (2)维度高，计算慢。使用SVM作为分类器存在，(1)将有行人的一类作为正样本，将非人区域作为负样本，容易导致训练样本的类别的不平衡；(2) 负样本中非人区域覆盖多个类别，由于它的特征空间过于离散，不利于SVM中最优超平面的划分；(3)训练速度慢。

发明内容

本发明的主要目的是提出一种流量检测的方法，旨在提高行人流量检测的识别度。

为实现上述目的，本发明提出的一种流量检测的方法，其包括以下步骤：

提取训练样本的梯度向量直方图HOG特征向量的各种特征，根据所述训练样本的HOG特征向量的各种特征与加性交叉核函数构造支持向量机SVM分类器；获取采样图像中候选样本的HOG特征向量的各种特征；根据所述SVM 分类器对所述样本的HOG特征向量的各种特征进行识别以得到流量检测结果。

优选地，所述提取训练样本的梯度向量直方图HOG特征向量的各种特征，根据所述训练样本的HOG特征向量的各种特征与加性交叉核函数构造支持向量机SVM分类器的步骤包括：将训练样本分割成数份训练小样本，分别提取每个所述训练小样本的HOG特征向量的各种特征；根据每个所述训练小样本的HOG特征向量的各种特征与加性交叉核函数构造出数份不同的SVM分类器模型；从每份不同的SVM分类器模型中选择最优SVM分类器模型，将数份选择出的最优SVM分类器模型组合形成最终的SVM分类器。

优选地，所述训练样本的梯度向量直方图HOG特征向量的各种特征包括 HOG特征、颜色特征和条形特征，所述获取采样图像中候选样本的梯度向量直方图HOG特征向量的HOG特征的步骤包括：对所述采样图像进行灰度化，对灰度化的图像采用Gamma校正法对图像进行颜色空间归一化；对校正后的图像候选样本利用HOG特征提取计算出每个像素点的水平梯度和竖直梯度，以捕获图像；将所捕获图像分成若干cells，每个cell形成各自的各种特征，对每个cell的梯度向量直方图进行规定权重的投影，将一定数的cell组成一个 block,一个block内的所有cell特征串联起来形成一个block的特征；对有投影重叠的每一个block内cell进行颜色空间归一化；将图像内的所有block的HOG特征向量组合得到候选样本HOG特征向量的边缘特征。