[发明专利]基于视频分析适应密集场景人流实时监测方法

权利要求书

1.一种基于视频分析适应密集场景人流实时监测方法，其特征在于，包括以下步骤：

获取待监测区域的背景图像，利用混合高斯模型对所述背景图像进行背景学习；

获取待监测区域的前景原始图像，对所述背景图像和前景原始图像进行线性变化，确定变化系数；

利用所述变化系数确定阈值，提取前景原始图像中去除背景的前景图像；

利用影视透视模型计算所述前景图像中，前景个体所占像素点的大小；

结合遮挡因子，确定待监测区域的人流量；

所述对所述背景图像和前景原始图像进行线性变化，确定变化系数具体包括：

对所述背景图像B和前景原始图像O进行灰度化，得到灰度图像h_B、h_O；

计算背景图像B和前景原始图像O的归一化直方图；

背景图像B和前景原始图像O的平均亮度m_B，m_O均按照下式计算：

其中L代表图像的灰度级，z_i代表第i个灰度级，p(z_i)代表归一化直方图灰度级为z_i的概率值；

对h_B、h_O按照下述公式进行线性变化；

h_B′＝ah_B，h_O′＝bh_O，

其中，a，b为背景图像、前景原始图像的线性变化的系数；h_B′，h_O′为线性变化后的背景图像和前景原始图像；

所述利用所述变化系数提取前景原始图像中去除背景的前景图像具体包括：

按照下式计算背景相减时的阈值σ：

其中M*N为前景原始图像的大小；

根据阈值σ的大小对所述前景原始图像进行背景相减，并进行3*3的腐蚀计算，去除较小的联通区域，从而得到所述前景图像。

2.根据权利要求1所述基于视频分析适应密集场景人流实时监测方法，其特征在于，所述获取待监测区域的背景图像，利用混合高斯模型对所述背景图像进行背景学习具体包括：

设t时刻的背景图像中每个像素点的像素值I_t(x，y)由K个高斯模型来描述；则当前像素点的观测值的概率户(I_t(x，y))为：

其中，x，y是像素点的横坐标和纵坐标；i∈[1，2，...，K]；和分别是t时刻像素点(x，y)的第i个高斯模型的权值、均值和方差，N表示由t时刻像素值，第i个高斯模型的均值、方差组成的向量。

3.根据权利要求2所述基于视频分析适应密集场景人流实时监测方法，其特征在于，该方法在计算当前像素点的观测值的概率P(I_t(x，y))之后，还包括：

如果在t时刻，像素点(x，y)的特征为I_t(x，y)，则第i个高斯模型如下：

式中，γ为置信参数值，D(x，y)为更新高斯模型的阈值；

如果D(x，y)为1，此时更新高斯模型的权值，均值和方差三个参量；如果D(x，y)为0，此时更新高斯模型的权值；其中权值，均差，方差的更新机制为：

其中，α，ρ分别代表学习速率，其中ρ的计算由下述得到：

如果是未匹配的高斯模型，权值进行下式更新：

4.根据权利要求1所述基于视频分析适应密集场景人流实时监测方法，其特征在于，所述获取待监测区域的前景原始图像，对所述背景图像和前景原始图像进行线性变化，确定变化系数具体包括：

对所述背景图像和前景原始图像进行灰度化；

计算背景图像和前景原始图像的归一化直方图以及平均亮度；

确定线性灰度变换函数的系数，对灰度化后的背景图像和前景原始图像进行线性变化。