[发明专利]一种基于视频监控的客运站非出入口区域的客流统计方法

摘要

本发明提供的客流统计方法针对于客运站非出入口区域拍摄的图像容易出现遮挡的特点，提出使用行人的不易被遮挡、且形态基本不变的头肩部haar‑like特征来对行人进行检测，其检测判别是否为行人的准确率较高，适用于行人图像出现遮挡的应用场景；而在完成检测后，通过Kalman滤波器和以上检测行人的方法来对行人在每帧图像的位置进行双重追踪，以保证追踪的准确率；实验证明，该方法能够针对客运站非出入口区域行人姿态多变、行为复杂、行走方向难预测的特点，达到很好的追踪效果。通过对行人的准确检测和追踪，本发明提供的方法能够有效地记录下行人的运动轨迹，保证了行人目标的匹配，减少误检和遗漏，提高人数统计精度。

主权项

1.一种基于视频监控的客运站非出入口区域的客流统计方法，该方法预先划定好人数统计区域，并对该区域内的行人目标进行检测和跟踪，从而统计进入和离开统计区域的人数，其特征在于：其中对行人目标进行检测和跟踪的具体过程如下：S1.人工提取监控图像里的行人的头肩部图像的haar‑like特征作为正样本对AdBoost分类器进行训练，得到训练好的AdBoost分类器；S2.对于当前帧图像，采用背景差分法在当前帧图像的统计区域内获取运动目标；S3.提取运动目标的头肩部haar‑like特征，并将其输入训练好的AdBoost分类器内，AdBoost分类器判别运动目标是否为行人，若是则执行步骤S4；S4.计算判别为行人的运动目标的头肩部中心点位置，并使用四维向量Xk＝(px,py,vx,vy)来表示其在当前帧的系统状态，其中(px,py)表示头肩部中心点的位置，(vx,vy)表示中心点的速度；S5.将Xk输入Kalman滤波器，并对Kalman滤波器的四个参数进行初始化：Ak、Hk、wk、vk；其中Ak表示状态由当前帧到下一帧的转移矩阵，Hk当前帧的观测矩阵，wk和vk分别表示当前帧的系统噪声向量和观测噪声向量；令Ak、Hk在各帧的系统状态变换过程中为已知且具有唯一值的矩阵，另外，设wk、vk的概率密度函数是均值为零的高斯函数且相互独立；S6.Kalman滤波器对运动目标的头肩部中心点在下一帧的系统状态进行预报，具体如下：其中A_k表示状态转移矩阵，表示预报的下一帧的系统状态；表示当前帧的系统状态；由(1)式，可得系统状态协方差的预报方程：其中，P'_k+1和P_k分别是和对应的协方差，表示A_k的转置矩阵，Q_k表示当前帧的系统噪声向量w_k的协方差矩阵；S7.根据步骤S6求取的内容对Kalman加权矩阵进行求取：其中K_k+1表示下一帧的Kalman加权矩阵，H_k、表示观测矩阵以及其转置，R_k表示观测噪声向量v_k的协方差矩阵；S8.根据求取的Kalman加权矩阵对运动目标的头肩部中心点在下一帧的系统状态和状态向量协方差P_k+1进行更新：Pk+1＝(I‑Kk+1Hk)P'k+1其中Z_k+1为下一帧的观测值，I表示单位矩阵；S9.对下一帧图像按照步骤S2～S4的方法获取运动目标的头肩部中心点位置的系统状态，然后将获取的系统状态与步骤S5～S9预测得到的运动目标的系统状态进行匹配关联，若两者匹配，则将匹配的结果确定为运动目标在下一帧的位置，否则利用步骤S5～S9预测得到的系统状态确定运动目标在下一帧的位置；S10.S5～S9重复执行直至完成整个的统计过程。