[发明专利]一种结合图像特征和流体力学特征的人群计数方法

说明书

本发明公开了一种结合图像特征和流体力学特征的人群计数方法，首先获取实验视频图像，利用混合高斯建模法获取前景运动目标，提取运动前景的图像特征；进一步的将视频运动像素点视为粒子，根据光流法处理基础上求取粒子速度信息，建立粒子切应力模型；通过切应力模型求取运动粒子切应力，对粒子切应力加和来表征人群粒子的流体力学特征；进一步的结合的图像和流体特征构建特征向量，将其作为输入向量完成回归模型训练，进一步实现对场景中人群数目的估计，实现对视频监控智能检测分析。本发明具有设计合理、应用广泛、预测准确等优点。

技术领域

本文涉及智能监控人群分析技术领域，更具体的，涉及一种结合图像特征和流体力学特征的人群计数方法。

背景技术

近几年来，在公共场合伤亡事件的频发不断的危害着人们的财产及生命安全，诸如上海外滩踩踏事件，北京密云县拥挤踩踏事件等，这不仅引起了许多伤亡也对人们生活产生过许多不良影响，因此人群聚集事件的发生引起更多公众对公共安全的关注。由于在早期监控安防领域，视频监控完全依赖于人力，该做法的缺陷在于不仅在事故发生时，导致无法及时调动人力的问题，同时资源上也造成了一定的浪费，除此之外通过人工完成高密度人群人数统计更是一项较大的工程。因此视频安全监控领域中，基于对人群的动态进行整体建模和分析研究智能分析显的更加重要和紧迫。

目前，人群计数方法大致分为两大类，一、个体行人分析，将人群中每个行人视为独立的个体，因此需要检测和跟踪视频监控中的个体或通过聚类标记行人，来进行统计人群数目，但是缺陷在于当众多人群受到遮挡时，难以在场景中精准定位标记个体目标。二、回归模型分析，将人群视为整体，提取视频中整体人群目标的的图像特征，利用人群目标特征训练回归模型，从而通过回归模型预测行人数目。

从研究现状来看，由于单个行人检测受遮挡因素影响，独立个体行人检测误差可能会较大，同时回归模型分析中图像特征的提取种类较为单一，在回归模型训练上可能会无法得到较好的拟合，从而可能会导致在人群预测上面引起一些不必要的误差。

发明内容

本发明目的在于提供一种设计合理，准确度好的结合图像特征和流体力学特征的人群计数方法。

为实现上述目的，采用了以下技术方案：本发明所述方法步骤如下：

步骤1、获取视频帧图像，根据混合高斯法获取图像的运动前景目标，根据运动前景目标提取运动人群的图像特征；

步骤2、将图像像素点视为运动粒子，构建粒子切应力模型；

步骤3、根据粒子切应力模型求取粒子切应力，通过对粒子切应力进行加和来表征目标人群的流体力学特征；

步骤4、构建人群的特征向量，将目标人群的图像特征与流体力学特征结合构建目标人群的特征向量，利用回归模型完成目标人群的数目预测。回归模型可以为神经网络回归模型，也可以是支持向量机回归模型。

进一步，所述步骤2中，构建粒子切应力模型具体包括：

首先，利用光流法求取人群粒子速度，定义粒子水平方向速度为u和竖直方向速度为v，uv代表粒子水平和垂直方向的合速度；

然后，根据流体力学中的粘滞定律构建粒子切应力模型：

式中，μ为粘滞系数恒为正值，为粒子流速梯度，ds为粒子接触面积，由于将粒子视为质点，因此接触面积可忽略不计，ds值为1。

进一步的，(x，y)点的粒子流速梯度计算如下：

式中，r为粒子间欧式距离；

在进行流速梯度计算过程中，将人群粒子划分为处在图像边缘的粒子和处在非边缘的粒子两种情况进行计算，图像中非边缘粒子流速梯度计算如下：