CN102496058B - 客流密度检测方法 - Google Patents

Abstract

本发明涉及图像处理和模式识别技术领域，公开了一种客流密度检测方法，包括以下步骤：S1.利用摄像机采集预设监测区域内的视频信号；S2.对所述视频信号进行解码处理、去抖动处理和场景标定处理；S3.根据所述摄像机的安装角度和所拍摄的场景类型选择一种客流密度检测方式进行检测，得到检测结果，所述客流密度检测方式包括基于纹理的客流密度检测方式和基于目标的客流密度检测方式。本发明采用图像处理和模式识别技术相结合，可以有效地解决轨道交通重要区域的客流密度统计，为轨道交通的安全运营提供技术支持。

Description

客流密度检测方法

技术领域

本发明涉及图像处理和模式识别技术领域，具体涉及一种尤其适用于轨道交通领域的客流密度检测方法。

背景技术

随着轨道交通的快速发展，轨道交通已经成为城市居民日常出行的重要交通工具，轨道交通的乘换人次多，客流量大，这已经成为目前轨道交通安全运营的一大问题。如何快速有效地获得轨道交通站内的客流密度，是轨道交通安全运营的重要保证。

目前的地铁运营获取客流密度的方法大多停留在对视频图像的存储记录，需要长时间的人工监控，由人的主观经验来判断人群密度的大小。这种方式存在易疲劳、易疏忽、反应速度慢、人工费用高等诸多问题。鉴于此，有学者和研究机构提出了基于视频的客流密度统计方法，主要包括三类：

一类是基于人群人数与像素数成正比的关系来估计人群密度的方法。具体做法有两种，一种是首先用背景减的方法除掉每幅图像的背景，然后计算剩下的人群图像所占的总像素数。另一种是用背景减的方法除掉每幅图像的背景后，借助边缘检测法提取单个人的边缘，对边缘进行细化，计算边缘的总像素数。

另一类是基于纹理分析技术的人群密度估计方法。这种方法的理论根据是不同密度的人群图像对应的纹理模式不同：高密度的人群在纹理上表现为细模式；低密度的人群图像在背景图像也为低频时在纹理上表现为粗模式。一般步骤是：首先，对输入图像的纹理进行统计分析，然后提取纹理特征，将这些特征通过分类器进行分类得到密度结果。纹理分析的方法是特征分类的基础。基于不同的纹理特征提取算法，纹理分析方法目前主要分为四大类：统计法、结构法、频谱法和模型法。

最后一类是基于目标的，即以机器学习的方式构建分类器，提取人头或人体目标，最终通过计数的方式获得人群密度。

上述三类方法在实际应用中都存在一些问题，只能解决轨道交通的部分场景和部分应用，另外误报率也偏高。因此，目前迫切需要提出一种针对轨道交通各种场景的快速有效的客流密度检测方法。

发明内容

（一）要解决的技术问题

本发明所要解决的技术问题是：如何设计一种快速有效的检测客流密度的方法，能够满足轨道交通大客流，摄像机安装受限场景的客流密度精确统计，以及轨道交通站内的站台，站厅和通道等重要区域的客流密度统计。

（二）技术方案

为解决上述技术问题，本发明提供了一种客流密度检测方法，包括以下步骤：

S1、利用摄像机采集预设监测区域内的视频信号；

S2、对所述视频信号进行解码处理、去抖动处理和场景标定处理；

S3、根据所述摄像机的安装角度和所拍摄的场景类型选择一种客流密度检测方式进行检测，得到检测结果，所述客流密度检测方式包括基于纹理的客流密度检测方式和基于目标的客流密度检测方式；

其中，步骤S3中，若摄像机的安装角度与水平方向夹角小于45°，且在预设监测区域内，被遮挡面积超过一定阈值，则选择基于纹理的客流密度检测方式进行检测；若摄像机安装角度与水平方向夹角大于或等于45°，且在预设监测区域内，被遮挡面积未超过所述阈值，则选择基于目标的客流密度检测方式进行检测。

优选地，所述去抖动处理包括如下步骤：

S21、使用Konrad全局运动估计方法计算全局运动参数，所述全局运动参数包括视频信号帧间的摄像机仿射运动参数；

S22、根据计算得到的全局运动参数，判断视频信号中是否存在抖动，如果存在抖动，则执行步骤S23；

S23、将估计出的视频信号帧间的摄像机仿射运动参数映射成多条运动轨迹，依次使用Bezier曲线拟合方法和三次B样条拟合方法对所述运动轨迹进行平滑处理；然后根据平滑后的运动轨迹求出摄像机仿射运动参数；最后根据平滑前、后得到的摄像机仿射运动参数，对视频信号中的各帧图像进行校正变换，并根据相邻的视频信号帧间的像素相关性，对校正变换后的视频信号进行插值运算，从而获得稳定的视频信号。

优选地，所述场景标定处理具体为：使用标定线段计算所述稳定的视频信号的场景深度变化系数，根据所述场景深度变化系数将所述预设监测区域划分为若干子区域，并计算各子区域的贡献系数。

优选地，利用所述基于纹理的客流密度检测方式进行检测包括如下步骤：

S31：从经所述场景标定处理后的视频信号获取视频帧；

S32：对所述视频帧做灰度化处理；

S33：利用灰度化处理后的视频帧生成对应的灰度共生矩阵；

S34：计算所述灰度共生矩阵的特征值，该特征值为所述视频帧的纹理特征；

S35：构造分类器，提取所述灰度化处理后的视频帧的纹理特征，将所述纹理特征通过所述分类器进行分类，得到客流密度等级。

优选地，利用所述基于目标的客流密度检测方式进行检测包括如下步骤：

S31’：将经所述场景标定处理后的视频信号分为人头样本和非人头样本，将人头样本再分为正面人头样本，侧面人头样本和反面人头样本三类；

S32’：对所述正面人头样本进行Adaboost训练，利用Adaboost算法从Haar特征集中挑选具备一定区分能力的Haar特征，并级联成强分类器，得到人头模型；

S33’：对所述负样本进行聚类，并对每个聚类与所述正面人头样本单独进行训练，得到级联分类器；

S34’：将经步骤S2处理后得到的视频信号转换到梯度空间，用所述强分类器进行多尺度检测，检测所得到的结果进入所述级联分类器进行二次检测，去除其中的误检，然后根据设定的重叠面积阈值对重叠的检测窗口进行尺度合并，并输出人头数量结果；

S35’：预先将所述预设监测区域内的人群数量划分为若干区间，每个区间对应一个密度等级，将S34’输出的人头数量结果与每个区间进行比对，找到所述人头数量结果所属的区间，并输出该区间对应的密度等级。

（三）有益效果

本发明采用图像处理和模式识别技术相结合，可以快速有效地解决轨道交通重要区域的客流密度检测，为轨道交通的安全运营提供技术支持。

附图说明

图1是本发明实施例的方法流程图；

图2是SVM分类器分级及分类器数量示意图；

图3是本发明实施例的基于纹理的客流密度检测算法流程图；

图4是本发明实施例的基于目标的客流密度检测算法流程图。

具体实施方式

下面对于本发明所提出的一种客流密度检测方法，结合附图和实施例详细说明。

如图1所示，本发明提供的一种应用于轨道交通的客流密度检测方法，包括以下步骤：

S1、利用摄像机采集预设监测区域内的视频信号，本发明实施例中为高清视频信号；所述预设监测区域为轨道交通中站台、站厅、通道等客流密集区域。

S2、对所述视频信号进行解码处理、去抖动处理和场景标定处理；

S3、根据所述摄像机的安装角度和所拍摄的场景类型选择一种客流密度检测方式进行检测，得到检测结果，所述客流密度检测方式包括基于纹理的客流密度检测方式和基于目标的客流密度检测方式。

得到检测结果之后，可以并对客流拥挤状况进行报警。

优选地，所述去抖动处理包括如下步骤：

S21、使用Konrad全局运动估计方法计算全局运动参数，所述全局运动参数包括视频信号帧间的摄像机仿射运动参数；

S22、根据计算得到的全局运动参数，判断视频信号中是否存在抖动，如果存在抖动，则执行步骤S23；

S23、将估计出的视频信号帧间的摄像机仿射运动参数映射成多条运动轨迹，依次使用Bezier曲线拟合方法和三次B样条拟合方法对所述运动轨迹进行平滑处理；然后根据平滑后的运动轨迹求出摄像机仿射运动参数；最后根据平滑前、后得到的摄像机仿射运动参数，对视频信号中的各帧图像进行校正变换，并根据相邻的视频信号帧间的像素相关性，对校正变换后的视频信号进行插值运算，从而获得稳定的视频信号。

所述场景标定处理具体为：使用标定线段计算所述稳定的视频信号的场景深度变化系数，根据场景深度变化系数将所述预设监测区域划分为若干子区域，并计算各子区域的贡献系数。所述场景深度变化系数为相同目标沿图像纵坐标方向在图像不同区域的区域面积变化系数。

步骤S3中，若摄像机的安装角度与水平方向夹角小于45°，且在预设监测区域内，被遮挡面积超过一定阈值，则选择基于纹理的客流密度检测方式进行检测；若摄像机安装角度与水平方向夹角大于或等于45°，且在预设监测区域内，被遮挡面积未超过所述阈值，则选择基于目标的客流密度检测方式进行检测。

如图3所示，利用所述基于纹理的客流密度检测方式进行检测包括如下步骤：

S31：从经所述场景标定处理后的视频信号获取视频帧；

S32：对所述视频帧做灰度化处理；

S33：利用灰度化处理后的视频帧生成对应的灰度共生矩阵；

S34：计算所述灰度共生矩阵的特征值，该特征值为所述视频帧的纹理特征，如局部平稳（Homogeneity）特征值、对比度（Contrast）特征值、角二阶矩（Angular Second Moment）特征值、相关度（Correlation）特征值等；

S35：构造支持向量机（SVM）分类器，提取所述灰度化处理后的视频帧的纹理特征，将所述纹理特征通过所述分类器进行分类，得到客流密度等级。本发明中，将客流密度等级划分为5类（很少、少、正常、多、很多），需要进行三种分类器（一级分类器、二级分类器、三级分类器），所以一共需要构造7个分类器，如图2所示。

如图4所示，利用所述基于目标的客流密度检测方式进行检测包括如下步骤：

S31’：将经所述场景标定处理后的视频信号分为人头样本（即正样本）和非人头样本（即负样本），将人头样本再分为正面人头样本，侧面人头样本和反面人头样本三类；

S32’：对所述正面人头样本进行Adaboost训练，利用Adaboost算法从Haar特征集中挑选具备一定区分能力的Haar特征，并级联成强分类器，得到人头模型；所述区分能力由特定的指标来评价，该特定的指标为现有技术。

S33’：对所述负样本进行聚类，并对每个聚类与所述正面人头样本单独进行SVM训练，得到SVM级联分类器；

S34’：将经步骤S2处理后得到的视频信号转换到梯度空间，用所述强分类器进行多尺度检测，检测所得到的结果进入所述级联分类器进行二次检测，去除其中的误检，然后根据设定的重叠面积阈值对重叠的检测窗口进行尺度合并，并输出人头数量结果；

S35’：预先将所述预设监测区域内的人群数量划分为若干区间，每个区间对应一个密度等级，将S34’输出的人头数量结果与每个区间进行比对，找到所述人头数量结果所属的区间，并输出该区间对应的密度等级。

以上实施方式仅用于说明本发明，而并非对本发明的限制，有关技术领域的普通技术人员，在不脱离本发明的精神和范围的情况下，还可以做出各种变化和变型，因此所有等同的技术方案也属于本发明的范畴，本发明的专利保护范围应由权利要求限定。

Claims (5)

1.一种客流密度检测方法，其特征在于，包括以下步骤：

S1、利用摄像机采集预设监测区域内的视频信号；

S2、对所述视频信号进行解码处理、去抖动处理和场景标定处理；

S3、根据所述摄像机的安装角度和所拍摄的场景类型选择一种客流密度检测方式进行检测，得到检测结果，所述客流密度检测方式包括基于纹理的客流密度检测方式和基于目标的客流密度检测方式；

其中，步骤S3中，若摄像机的安装角度与水平方向夹角小于45°，且在预设监测区域内，被遮挡面积超过一定阈值，则选择基于纹理的客流密度检测方式进行检测；若摄像机安装角度与水平方向夹角大于或等于45°，且在预设监测区域内，被遮挡面积未超过所述阈值，则选择基于目标的客流密度检测方式进行检测。

2.如权利要求1所述的方法，其特征在于，所述去抖动处理包括如下步骤：

S21、使用Konrad全局运动估计方法计算全局运动参数，所述全局运动参数包括视频信号帧间的摄像机仿射运动参数；

S22、根据计算得到的全局运动参数，判断视频信号中是否存在抖动，如果存在抖动，则执行步骤S23；

S23、将估计出的视频信号帧间的摄像机仿射运动参数映射成多条运动轨迹，依次使用Bezier曲线拟合方法和三次B样条拟合方法对所述运动轨迹进行平滑处理；然后根据平滑后的运动轨迹求出摄像机仿射运动参数；最后根据平滑前、后得到的摄像机仿射运动参数，对视频信号中的各帧图像进行校正变换，并根据相邻的视频信号帧间的像素相关性，对校正变换后的视频信号进行插值运算，从而获得稳定的视频信号。

3.如权利要求2所述的方法，其特征在于，所述场景标定处理具体为：使用标定线段计算所述稳定的视频信号的场景深度变化系数，根据所述场景深度变化系数将所述预设监测区域划分为若干子区域。

4.如权利要求1所述的方法，其特征在于，利用所述基于纹理的客流密度检测方式进行检测包括如下步骤：

S31：从经所述场景标定处理后的视频信号获取视频帧；

S32：对所述视频帧做灰度化处理；

S33：利用灰度化处理后的视频帧生成对应的灰度共生矩阵；

S34：计算所述灰度共生矩阵的特征值，该特征值为所述视频帧的纹理特征；

S35：构造分类器，提取所述灰度化处理后的视频帧的纹理特征，将所述纹理特征通过所述分类器进行分类，得到客流密度等级。

5.如权利要求1～4中任一项所述的方法，其特征在于，利用所述基于目标的客流密度检测方式进行检测包括如下步骤：

S31’：将经所述场景标定处理后的视频信号分为人头样本和非人头样本，将人头样本再分为正面人头样本，侧面人头样本和反面人头样本三类；

S32’：对所述正面人头样本进行Adaboost训练，利用Adaboost算法从Haar特征集中挑选具备一定区分能力的Haar特征，并级联成强分类器，得到人头模型；

S33’：对所述非人头样本进行聚类，并对每个聚类与所述正面人头样本单独进行训练，得到级联分类器；

S34’：将经步骤S2处理后得到的视频信号转换到梯度空间，用所述强分类器进行多尺度检测，检测所得到的结果进入所述级联分类器进行二次检测，去除其中的误检，然后根据设定的重叠面积阈值对重叠的检测窗口进行尺度合并，并输出人头数量结果；

S35’：预先将所述预设监测区域内的人群数量划分为若干区间，每个区间对应一个密度等级，将S34’输出的人头数量结果与每个区间进行比对，找到所述人头数量结果所属的区间，并输出该区间对应的密度等级。