[发明专利]基于混合高斯人数分布学习的室内人数统计方法及系统

权利要求书

1.一种基于混合高斯人数分布学习的室内人数统计方法，其特征在于包括如下步骤：

步骤1，对室内场景的视频帧进行室内前景提取，利用自回归模型对相邻帧差结果在时间和空间上进行累积得到初步的前景区域；然后对自回归模型得到的前景区域与三帧差法得到的前景区域求并集作为最终的前景提取结果；

步骤2，对每一个视频场景进行透视估计得到视频帧每个像素对应的权重，从而对步骤1得到的前景区域计算带权重的多维前景特征；

步骤3，利用MATLAB建立人数标注工具的GUI界面；

步骤4，使用每个场景的前一半的视频帧作为训练集；初始时，采用以真实人数标记为中心的离散高斯分布来初始化每一个训练帧对应的人数分布，每个高斯分布具有相同的标准差；

步骤5，将最大熵模型与混合l_2,1范式的正则化项结合起来生成目标函数，使用L-BFGS算法得到优化后的参数模型；

步骤6，考虑到相邻视频帧人数变化对当前帧人数标记模糊度的影响，利用多个近邻帧构建混合高斯模型来表示当前帧对应的人数分布，通过交替优化得到优化后的混合高斯模型；

步骤7，重复步骤5-6直至收敛，得到最优的最大熵模型参数；

步骤8，对于待统计的视频帧，首先根据步骤1-2得到视频帧的前景特征，然后根据步骤7训练得到的参数模型计算得到每一帧所对应的人数分布，该分布表示每个人数在该帧图像中所占的成分比，其中最大的标记成分比被认为是该视频帧对应的人数。

2.如权利要求1所述的基于混合高斯人数分布学习的室内人数统计方法，其特征在于：所述步骤1中，采用自回归模型得到初步的前景区域的方法是：令g(x,y,t)表示第t帧的位置处自回归模型的输出：

其中自回归系数C₀₀₀表示当前帧差的权重，C_iju表示前T帧领域像素的权重，d(x,y,t)表示第t帧的(x,y)位置处的归一化图像的帧差，T表示自回归过程的时序控制帧数，R表示局部空间范围的大小；g(x,y,t)大于特定阈值的像素被视为前景。

3.如权利要求1所述的基于混合高斯人数分布学习的室内人数统计方法，其特征在于：所述步骤1中，在进行前景提取前，首先将视频的每一帧彩色图像转换为灰度图，利用5*5的高斯模糊进行滤波去除噪声，然后对图像每个像素除以其R*R邻域内的最大像素值来实现图像光照强度归一化。

4.如权利要求1所述的基于混合高斯人数分布学习的室内人数统计方法，其特征在于：所述步骤2中，进行透视估计的方法是：当视频帧中存在消失线时，对每个场景划定出梯形的透视区域，采用线性插值的方法得到图像每个像素对应的权重；当视频帧中不存在消失线时，对透视图与垂直方向线性相关的场景，根据离基准线距离较远和较近的两个人的尺寸进行线性插值来估计图像任意点处人的尺寸，则该像素点处的权重为该点处估计出人尺寸的倒数。

5.如权利要求1所述的基于混合高斯人数分布学习的室内人数统计方法，其特征在于：所述步骤3中，建立的GUI界面能够在视频人数标定过程中通过调节视频播放速度来加快人数标定速度，并且通过只标定少数变化人数的帧而获得全部视频帧的人数标定。

6.如权利要求1所述的基于混合高斯人数分布学习的室内人数统计方法，其特征在于：所述步骤6中，混合高斯模型每个相邻帧的权重由每一帧与当前帧前景特征的距离及帧位置距离共同决定。

7.如权利要求6所述的基于混合高斯人数分布学习的室内人数统计方法，其特征在于：相邻帧与当前帧距离的权衡参数和不同人数对应的高斯分布的标准差通过内点法交替优化得到，具体方法是：确定目标函数为所有挑选出样本所生成的混合高斯人数分布和由最大熵模型生成的人数分布之间的KL散度；利用内点法对距离的权衡参数和每个人数对应的高斯分布的标准差进行交替优化直至收敛，得到最优的模型参数。

8.一种基于混合高斯人数分布学习的室内人数统计系统，其特征在于：包括室内前景提取模块、透视分析及前景提取模块、参数模型预测模块和人数预测模块；其中，室内前景提取模块用于对视频帧进行前景区域提取；透视分析及前景提取模块用于对视频帧每个像素进行权重分析，并计算相应前景特征；参数模型预测模块基于训练视频帧的前景特征向量和基于混合高斯模型的人数分布预测参数模型；人数预测模块基于未使用的测试帧的前景特征向量和训练好的人数分布预测参数模型预测测试帧中的人数。