CN102043963A

CN102043963A - 一种图像人数识别统计方法

Info

Publication number: CN102043963A
Application number: CN 201010574971
Authority: CN
Inventors: 刘子源; 唐浩然; 朱华庆
Original assignee: Hohai University HHU
Current assignee: Hohai University HHU
Priority date: 2010-12-06
Filing date: 2010-12-06
Publication date: 2011-05-04

Abstract

一种图像人数识别统计方法，它采用了计算机开源视觉库openCV作为模型基础，树形特征分类器作为识别依据，将设备采集到的某个区域的图像数据中的人数计算出来，并进行信息汇总，生成XML文件，并利用这个涵盖全部地点人数信息的XML文件将信息多接口地发布出去。本发明提出的图像人数识别模型，在各种环境下对人的识别率都相对较高，并且使用openCV模式识别解决方案，运行速度较快，达到实际应用的水平。

Description

一种图像人数识别统计方法

技术领域

本发明属模式识别技术领域，具体涉及一种通过计算机或其他设备来统计某个区域的静态图片或动态视频中人数，并进行统计的模型及其计算统计方法。

背景技术

目前国内各公共场所中缺乏人数统计方面的解决方案，为人们的学习工作生活造成诸多不便。并且，当发生紧急情况需要疏散人群时，没有人流信息的辅助，会造成人员逃生的盲目性，甚至因为逃生不及时而造成重大的生命财产损失。

发明内容

本发明的目的是克服了现有技术中的不足，提出了一种可扩展的，方便多接口信息发布的，可较准确的计算图像中人数的识别模型及其计算方法。

本发明的技术方案是：

一种图像人数识别统计方法，它包括以下步骤：

（a）、建立级联分类器：由计算机开源视觉库openCV搭建人工神经网络，从若干张样本着手，训练出级联分类器；

该级联分类器的训练步骤为：

将分类器分为若干级，每一级设定一种划分图像的方法，以黑白区域表示，计算黑白区域像素值的积分差值，根据该积分差值计算该级分类器的分类参数，包括总阈值和左右两个分支值，若干级的分类参数经过组合，形成级联分类器；

采集若干张样本图片；将样本图片目的特征即头像或身体的几何中心重合，将处理后的样本图像，划分成黑白两个区域，根据白色区域内的像素和黑色区域内的像素，计算出积分差值，根据这个差值，计算出各级分类器的分类参数，包括总阈值和两个分支值，其中两个分支值是总阈值的划分，每一级分类器对于黑白区域的划分细致程度不同；

（b）、采用与训练样本同样大小的窗口划分整幅待识别图像，每当划分出一部分图像，即按照样本的计算方法，分级计算出该图像的分类参数，将计算出的总阈值与分类器中对应级的分类参数中的总阈值进行比较，从而选择左或者右分支值，

（c）、进入下一级筛选；当计算出的分类参数不符合分类器中的参数时，表示该图像不含有目的特征，此时停止计算，将划分窗口移动到下一个位置，重复步骤（b）-（c），当划分窗口中的图像通过分类器所有级的时候，这个划分窗口中的图像含有目的特征。

本发明的统计过程中，如果有客户提出查询请求，则进行查询，将相应信息发给请求方。

本发明的样本图片包括人体头部和全身图像，该图片经人工处理，截取下来，统一尺寸，截取后各特征部分的几何中心重合，处理过后录入神经网络学习，处理后的图像尺寸为：头部图像25cm×25cm，全身图像30 cm×90cm。

本发明的有益效果：

本发明通过开发一套区域图像人数统计系统，力争识别准确，方便快捷，在保证成本低廉的同时，利用网络、公示屏幕等方式向人们提供某一场所的人流信息，并提供监控摄像头发来的图像，不仅方便对该场所进行管理，同时也能在紧急情况发生时，迅速检测发生地点，并指引在场人员迅速逃生，最大程度地降低损失，解决公共安全、管理问题，应急性、实用性极佳。

本发明的优势就在于提出了一种低成本的、可以多接口信息发布的图像人数识别模型及其算法，不仅便于普及，方便用户自主设计软件界面，同时，可以扩展到识别其他事物（如车辆、货物等），实用性、扩展性极强。

本发明中通过替换其中的树形结构分类器，可以将人数识别扩展到对其他事物的识别，扩展性和二次开发性都很好。并且用户可以自主设计软件，进行数量统计，适应多种用户需求。并且识别后的结果可以进行汇总，以便多接口的信息发布，实用性强。

附图说明

图1是本发明的流程图。

具体实施方式

下面结合附图和实施例对本发明作进一步的说明。

目前国际上公认较好的三种特征识别模式为： SIFT/SURF、Haar特征、广义Hough变换特征。

三种模式都是基于强度（灰度）信息，都是特征方法。

SIFT/SURF的特征是一种具有强烈方向性及亮度性的特征，这使得它适用于刚性形变，稍有透视形变的场合；

Haar特征识别方法带有一点人工智能的意味，对于像人脸这种有明显的、稳定结构的Haar特征的物体最适用，只要结构相对固定即使发生扭曲等非线性形变依然可识别；

广义hough变换完全是精确的匹配，可得到物体的位置方向等参数信息。

本专利所设计的方法，使用了Haar特征识别模式。对于人数识别来说，该模式更适用，相对其他两种模式，识别模型的建立更方便。

如图1所示，一种图像人数识别统计方法，它包括以下步骤：

该级联分类器的训练步骤为：

将分类器分为若干级，每一级设定一种划分图像的方法，以黑白区域表示，计算黑白区域像素值的积分差值，根据该积分差值计算该级分类器的分类参数即总阈值，若干级的分类参数经过组合，形成级联分类器；

采集若干张样本图片；将样本图片中的特征部分（如人头部分、全身像部分）截取下来，统一尺寸，并尽可能保证截取后各特征部分的几何中心重合。将处理后的样本图像，划分成黑白两个区域，根据白色区域内的像素和黑色区域内的像素，计算出积分差值，根据这个差值，可计算出各级分类器的分类参数（包括总阈值和两个分支值，其中两个分支值是总阈值的划分），每一级分类器对于黑白区域的划分细致程度不同。；

（b）、采用与训练样本同样大小的窗口划分整幅待识别图像。；每当划分出一部分图像，即按照样本的计算方法，分级计算出该图像的分类参数，与分类器中对应级的分类参数（总阈值）比较，从而选择左或者右分支值，并进入下一级筛选。当计算出的分类参数不符合分类器中的参数时，表示该图像不含有目的特征，此时停止计算。将划分窗口移动到下一个位置，重复上述过程。当划分窗口中的图像通过分类器所有级的时候，说明这个部分以较大的概率被识别，即这个划分窗口中的图像含有目的特征（如人头、全身像）。

统计过程中，如果有客户提出查询请求，则进行查询，将相应信息发给请求方。

样本图片包括人体头部和全身图像，该图片经人工处理过后录入神经网络学习，处理后的图像尺寸为：头部图像25cm×25cm，全身图像30 cm×90cm。

本发明未涉及部分均与现有技术相同或可采用现有技术加以实现。

Claims

1.一种图像人数识别统计方法，其特征是它包括以下步骤：

该级联分类器的训练步骤为：

2.根据权利要求1所述的图像人数识别统计方法，其特征是所述的统计过程中，如果有客户提出查询请求，则进行查询，将相应信息发给请求方。

3.根据权利要求1所述的图像人数识别统计方法，其特征是所述的样本图片包括人体头部和全身图像，该图片经人工处理，截取下来，统一尺寸，截取后各特征部分的几何中心重合，处理过后录入神经网络学习，处理后的图像尺寸为：头部图像25cm×25cm，全身图像30 cm×90cm。