CN102682291B - 一种场景人数统计方法、装置和系统 - Google Patents
一种场景人数统计方法、装置和系统 Download PDFInfo
- Publication number
- CN102682291B CN102682291B CN201210137612.6A CN201210137612A CN102682291B CN 102682291 B CN102682291 B CN 102682291B CN 201210137612 A CN201210137612 A CN 201210137612A CN 102682291 B CN102682291 B CN 102682291B
- Authority
- CN
- China
- Prior art keywords
- scene
- original
- obj
- video image
- hmax
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Expired - Fee Related
Links
Landscapes
- Image Analysis (AREA)
Abstract
本发明提出了一种场景人数统计方法,包括:S1.通过高斯背景建模获得原始前景区域;S2.通过HMAX提取具有尺度和位置不变的原始静止特征元素,S3.获取当前有效场景视频图像,通过HMAX提取所述的视频图像中具有尺度和位置不变的新静止特征元素;S4.判断新运动特征元素与原始运动特征元素是否相同;S5.当前场景中场景人数为:M1=M0;S6.当前场景中场景人数为:Mn=∑{Obj(1)+Obj(2)+…+Obj(n)};Obj(n)为判断为人群的像素点的个数。本发明还公开了场景人数统计装置和系统。本发明的场景人数统计方法,装置和系统能综合利用图像的像素和纹理信息,抗噪较强,提高了人数统计的性能和效率。
Description
技术领域
本发明涉及监控领域,特别涉及一种场景人数统计方法、装置和系统。
背景技术
近年来,随着计算机视觉和人工智能领域相关技术的发展,基于智能视频分析的人群密度估计和流量统计算法大量涌现。许多人群监控系统相继在世界各地投入使用,基于人数统计算法主要基于两类,基于人体分割的人数统计和基于统计回归的人数统计算法。
基于人体分割的人数统计可通过人体的外观颜色和形状等静态信息获得,但形状的表征同样比较困难。
对于大规模的群体而言,针对个体的分割非常困难,故,人们常进行团块分割,但对于团块的分裂和合并的处理策略,在系统图像分辨率比较低时容易发生头顶点的误判。
基于统计回归的人数统计算法适用于大规模人群,但需要根据不同条件改变回归参数。
因此,现有的统计方法均有不足之处,针对大规模人体,需要进一步探索更加高效准确的特征统计方式。
发明内容
本发明提出一种场景人数统计方法、装置和系统,解决了综合利用图像的像素,又能有效避免前景区域人体分割带来的麻烦的问题。
本发明的技术方案是这样实现的:
本发明公开了一种场景人数统计方法,包括:
S 1.通过高斯背景建模获得原始前景区域;
S2.通过HMAX提取具有尺度和位置不变的原始静止特征元素,过滤出位置变动的原始运动特征元素;所述的原始运动特征元素包括原始场景人数M0;
S21抛弃错误帧,所述的错误帧包括:黑屏、雪花、移位;
S3.获取当前有效场景视频图像,通过HMAX提取所述的视频图像中具有尺度和位置不变的静止特征元素,过滤出位置变动的新运动特征元素;
S4.判断所述的新运动特征元素与原始运动特征元素是否相同,若是,则进入步骤S5,若非,进入步骤S6;
S5.所述的当前有效场景中场景人数为:M1=M0;
S6.所述的当前有效场景中场景人数为:Mn=∑{Obj(1)+Obj(2)+…+Obj(n)};
其中,Obj(n)为判断为人群的像素点的个数,n为正整数。
在本发明所述的场景人数统计方法中,所述的步骤S1,具体是:
用固定的监控摄像机,获取原始背景的多帧视频图像;
对所述的视频图像进行混合高斯建模。
在本发明所述的场景人数统计方法中,所述的场景包括:车站、广场、港口。
在本发明所述的场景人数统计方法中,所述的步骤S2及步骤S3间还包括S21抛弃错误帧的步骤,所述的错误帧包括:黑屏、雪花、移位。
本发明公开了一种场景人数统计装置,用于实现上述的方法,包括:
原始前景区域单元,用于通过高斯背景建模获得原始前景区域;
原始特征元素处理单元,与所述的原始前景区域单元相连,用于通过HMAX提取具有尺度和位置不变的原始静止特征元素,过滤出位置变动的原始运动特征元素;所述的原始运动特征元素包括原始场景人数M0;
错误帧处理单元,用于抛弃错误帧,所述的错误帧包括:黑屏、雪花、移位;
新特征元素处理单元,与所述的原始特征元素处理单元相连,用于获取当前有效场景视频图像,通过HMAX提取所述的视频图像中具有尺度和位置不变的静止特征元素,过滤出位置变动的新运动特征元素;
第一场景人数计算单元,与所述的新特征元素处理单元相连,
用于当所述的新运动特征元素与原始运动特征元素相同时,计算所述的当前有效场景中场景人数为:M1=M0;
第二场景人数计算单元,与所述的新特征元素处理单元相连,用于当所述的新运动特征元素与原始运动特征元素相同时,计算所述的当前有效场景中场景人数为:Mn=∑{Obj(1)+Obj(2)+…+Obj(n)};
其中,Obj(n)为判断为人群的像素点的个数,n为正整数。
在本发明所述的场景人数统计装置中,所述的原始前景区域单元包括:
视频图像获取子单元,用于用固定的监控摄像机,获取原始背景的多帧视频图像;
混合高斯建模子单元,与所述的视频图像获取子单元相连,用于对所述的视频图像进行混合高斯建模。
在本发明所述的场景人数统计装置中,所述的场景包括:车站、广场、港口。
本发明公开了一种场景人数统计的系统,包括至少一个摄像机,与所述的摄像机相连的服务器,与所述的服务器相连的数据库,与所述的服务器相连的控制单元以及显示器,所述的控制单元包括场景人数统计装置。
在本发明所述的场景人数统计的系统,所述的摄像机与所述的服务器通过以太网、3G、GPRS网络相连。
实施本发明的一种场景人数统计方法、装置和系统,具有以下有益的技术效果:
能综合利用图像的像素和纹理信息,抗噪较强,提高了人数统计的性能和效率。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1是本发明一种场景人数统计方法流图;
图2是本发明一种场景人数统计装置构造框图;
图3是本发明一种场景人数统计系统架构图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
请参阅图1,本发明的较佳实施例,一种场景人数统计方法,包括:
S1.通过高斯背景建模获得原始前景区域;
用固定的监控摄像机,获取原始背景的多帧视频图像;
对所述的每帧视频图像混合高斯进行建模。
场景包括车站、广场、港口。
S2.通过HMAX提取具有尺度和位置不变的原始静止特征元素,过滤出位置变动的原始运动特征元素;所述的原始运动特征元素包括原始场景人数M0;
S3.获取当前有效场景视频图像,通过HMAX(基于特征组合的物体识别框架)提取所述的视频图像中具有尺度和位置不变的静止特征元素,过滤出位置变动的新运动特征元素;
HMAX方法模拟灵长类动物视皮层细胞的目标识别过程,对输入图像,首先计算有正训练样本集学习得到的特征,再用校准分类器对特征向量进行分类。
人体检测的要求是从运动目标中将人和物区分开来。传统的目标特征提取方法可分为两类:基于模板和基于直方图。基于模板的特征提取在检测单类目标时具有不错的性能,如人脸、车辆等,但对目标形状具有极强的选择性,很难捕捉目标外形的变化。基于直方图的特征提取方法对目标形变较为鲁棒,但在通用目标识别问题上并不具备很好的性能。
和基于模板及基于直方图的特征提取方法相比,HMAX方法在不变性与选择性之间具有更好折中。每个特征都是通过将具有平移与尺度不变性的局部边缘检测算子在多方向作用于目标邻域而得到。和基于模板的描述子相比,它更灵活,允许输入目标的少量形变;与基于直方图的描述子相比,它更有选择性,因为保存了局部特征之间的几何关系。
HMAX方法模拟灵长类动物视皮层细胞的目标识别过程。对输入图像,首先计算有正训练样本集学习得到的特征,再用标准分类器对特征向量进行分类。在得到分类结果时,并不对所有位置和尺度进行扫描,而是采用判决的方法,且并不直接模拟目标的几何形状,因此可以通过少量训练样本学习得到。
HMAX特征提取方法分为四层;
第一层S1:将16个尺度,4个方向的Gabor滤波器作用于输入图像,得到64幅图像,分成8个带,每个带里包含2个尺度各4个方向共8幅图像。
第二层C1:在每个带内,对每幅图像先用指定大小的格进行降采样,取每个格内的最大值,再在同方向不同尺度的两幅图像间取最大值。每个带得到4幅输出图像(4个方向各1幅)。在训练过程中,从C1输出图像中每个方向随机抽取K个指定大小的块。
第三层S2:对C1输出的每幅图像,在每个位置X对每个块P计算Y,得到S2输出。
第四层C2:对S2输出图像,在每个位置和尺度检测最大值,对每个块都得到一个平移和尺度不变的特征。
与传统的特征抽取方法(如SIFT)相比,HMAX方法具有明显的优势,尤其是在小样本集上,HMAX方法的性能更加突出。基于这些,我们拟采用HMAX方法抽取人体特征,在当前图像前景区域中寻找人体。
S4.判断所述的新运动特征元素与原始运动特征元素是否相同,若是,则进入步骤S5,若非,进入步骤S6;
S5.所述的当前有效场景中场景人数为:M1=M0;
S6.所述的当前有效场景中场景人数为:Mn=∑{Obj(1)+Obj(2)+…+Obj(n)};
其中,Obj(n)为判断为人群的像素点的个数,n为正整数。
较佳地,所述的步骤S2及步骤S3间还包括S21抛弃错误帧的步骤,所述的错误帧包括:黑屏、雪花、移位。
首次将HMAX方法应用于视频人数统计系统。传统的人体检测常常是抽取人体的边缘特征或者检测人脸、肩膀等特殊部位,但在有遮挡或人体运动姿态发生变化的情况下难度较大。HMAX方法可以有效避免人体姿态建模的复杂过程,同时在训练样本较少时仍具有不错的性能。实验表明,与目前最好的局部旋转尺度不变算子——SIFT相比,HMAX特征提取算法具有明显的优势。
Caltech数据集包含101类不同物体及其在不同背景中的图片。用HMAX和SIFT算法在Caltech样本集上分别测试,在每类物体中分别选取1,3,6,15,30个正样本(物体)和50个负样本(背景)进行训练,选取不同数目的特征点,经实验证实,在训练样本和特征数较少时,HMAX算法仍具有较高的识别率,这是传统SIFT无法企及的。
除此之外,我们还拟将统计回归方法和HMAX结合超来进行在景人数统计。在通过背景建模得到前景域后,先用HMAX提取具有尺度和位置不变性的特征向量,然后通过学习训练建立该特征向量与在景人数的回归方程,这样既能综合利用图像的像素和纹理信息,又具有较强的抗噪性能,还能有效避免前景区域人体分割带来的麻烦,显著提高系统在大规模人群统计问题上的性能。
请参阅图2、一种场景人数统计装置,用于实现上述的方法,包括:
原始前景区域单元10、原始特征元素处理单元20、新特征元素处理单元30、第一场景人数计算单元40、第二场景人数计算单元50。
原始前景区域单元10,用于通过高斯背景建模获得原始前景区域;
原始特征元素处理单元20,与原始前景区域单元10相连,用于通过HMAX提取具有尺度和位置不变的原始静止特征元素,过滤出位置变动的原始运动特征元素;所述的原始运动特征元素包括原始场景人数M0;
新特征元素处理单元30,与原始特征元素处理单元20相连,用于获取当前有效场景视频图像,通过HMAX提取所述的视频图像中具有尺度和位置不变的静止特征元素,过滤出位置变动的新运动特征元素;
第一场景人数计算单元40,与新特征元素处理单元30相连,用于当所述的新运动特征元素与原始运动特征元素相同时,计算所述的当前有效场景中场景人数为:M1=M0;
第二场景人数计算单元50,与新特征元素处理单元30相连,用于当所述的新运动特征元素与原始运动特征元素相同时,计算所述的当前有效场景中场景人数为:Mn=∑{Obj(1)+Obj(2)+…+Obj(n)};
其中,Obj(n)为判断为人群的像素点的个数,n为正整数。
原始前景区域单元10包括:视频图像获取子单元,用于用固定的监控摄像机,获取原始背景的多帧视频图像;
混合高斯建模子单元,与所述的视频图像获取子单元相连,用于对所述的每帧视频图像混合高斯进行建模。
场景包括:车站、广场、港口。
原始特征元素处理单元及新特征元素处理单元之间还包括错误帧处理单元,用于抛弃错误帧,所述的错误帧包括:黑屏、雪花、移位。
请参阅图3、一种场景人数统计的系统,包括至少一个摄像机100,与摄像机100相连的服务器200,与服务器200相连的数据库300,与服务器200相连的控制单元350以及显示器500,控制单元350包括上述的场景人数统计装置。
摄像机100与服务器200通过以太网、3G、GPRS网络相连。
实施本发明的一种场景人数统计方法、装置和系统,具有以下有益的技术效果:
能综合利用图像的像素和纹理信息,抗噪较强,提高了人数统计的性能和效率。
以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (8)
1.一种场景人数统计的方法,包括:
S1.通过高斯背景建模获得原始前景区域;
S2.通过HMAX提取具有尺度和位置不变的原始静止特征元素,过滤出位置变动的原始运动特征元素;所述的原始运动特征元素包括原始场景人数M0;
S21抛弃错误帧,所述的错误帧包括:黑屏、雪花、移位;
S3.获取当前有效场景视频图像,通过HMAX提取所述的视频图像中具有尺度和位置不变的静止特征元素,过滤出位置变动的新运动特征元素;
S4.判断所述的新运动特征元素与原始运动特征元素是否相同,若是,则进入步骤S5,若非,进入步骤S6;
S5.所述的当前有效场景中场景人数为:M1=M0;
S6.所述的当前有效场景中场景人数为:Mn=∑{Obj(1)+Obj(2)+…+Obj(n)};
其中,Obj(n)为判断为人群的像素点的个数,n为正整数。
2.根据权利要求1所述的场景人数统计的方法,其特征在于,所述的步骤S1,具体是:
用固定的监控摄像机,获取原始背景的多帧视频图像;
对所述的视频图像进行混合高斯建模。
3.根据权利要求1所述的场景人数统计的方法,其特征在于,所述的场景包括:车站、广场、港口。
4.一种场景人数统计装置,用于实现权利要求1所述的方法,其特征在于,包括:
原始前景区域单元,用于通过高斯背景建模获得原始前景区域;
原始特征元素处理单元,与所述的原始前景区域单元相连,用于通过HMAX提取具有尺度和位置不变的原始静止特征元素,过滤出位置变动的原始运动特征元素;所述的原始运动特征元素包括原始场景人数M0;
错误帧处理单元,用于抛弃错误帧,所述的错误帧包括:黑屏、雪花、移位;
新特征元素处理单元,与所述的原始特征元素处理单元相连,用于获取当前有效场景视频图像,通过HMAX提取所述的视频图像中具有尺度和位置不变的静止特征元素,过滤出位置变动的新运动特征元素;
第一场景人数计算单元,与所述的新特征元素处理单元相连,
用于当所述的新运动特征元素与原始运动特征元素相同时,计算所述的当前有效场景中场景人数为:M1=M0;
第二场景人数计算单元,与所述的新特征元素处理单元相连,用于当所述的新运动特征元素与原始运动特征元素相同时,计算所述的当前有效场景中场景人数为:Mn=∑{Obj(1)+Obj(2)+…+Obj(n)};
其中,Obj(n)为判断为人群的像素点的个数,n为正整数。
5.根据权利要求4所述的场景人数统计装置,其特征在于,所述的原始前景区域单元包括:
视频图像获取子单元,用于用固定的监控摄像机,获取原始背景的多帧视频图像;
混合高斯建模子单元,与所述的视频图像获取子单元相连,用于对所述的视频图像进行混合高斯建模。
6.根据权利要求4所述的场景人数统计装置,其特征在于,所述的场景包括:车站、广场、港口。
7.一种场景人数统计的系统,包括至少一个摄像机,与所述的摄像机相连的服务器,与所述的服务器相连的数据库,与所述的服务器相连的控制单元以及显示器,其特征在于,所述的控制单元包括权利要求4所述的场景人数统计装置。
8.根据权利要求7所述的场景人数统计的系统,其特征在于,所述的摄像机与所述的服务器通过以太网、3G、GPRS网络相连。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201210137612.6A CN102682291B (zh) | 2012-05-07 | 2012-05-07 | 一种场景人数统计方法、装置和系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201210137612.6A CN102682291B (zh) | 2012-05-07 | 2012-05-07 | 一种场景人数统计方法、装置和系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN102682291A CN102682291A (zh) | 2012-09-19 |
CN102682291B true CN102682291B (zh) | 2016-10-05 |
Family
ID=46814187
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201210137612.6A Expired - Fee Related CN102682291B (zh) | 2012-05-07 | 2012-05-07 | 一种场景人数统计方法、装置和系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN102682291B (zh) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103793682B (zh) * | 2012-10-31 | 2018-03-30 | 中国科学院微电子研究所 | 基于人脸检测与识别技术的人员计数方法及系统和装置 |
CN103886305B (zh) * | 2014-04-08 | 2017-01-25 | 中国人民解放军国防科学技术大学 | 面向基层治安、维稳及反恐的特异人脸搜索方法 |
CN108830145B (zh) * | 2018-05-04 | 2021-08-24 | 深圳技术大学(筹) | 一种基于深度神经网络的人数统计方法及存储介质 |
CN110443153A (zh) * | 2019-07-15 | 2019-11-12 | 清华大学 | 面向建筑内监控视频的人数标定辅助方法及系统 |
Family Cites Families (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP4618098B2 (ja) * | 2005-11-02 | 2011-01-26 | ソニー株式会社 | 画像処理システム |
CN101727573B (zh) * | 2008-10-13 | 2013-02-20 | 汉王科技股份有限公司 | 一种视频图像中人群密度估计的方法和装置 |
CN101640809B (zh) * | 2009-08-17 | 2010-11-03 | 浙江大学 | 一种融合运动信息与几何信息的深度提取方法 |
CN102129690B (zh) * | 2011-03-21 | 2013-01-02 | 西安理工大学 | 一种抗环境干扰的人体运动目标的跟踪方法 |
CN102254328B (zh) * | 2011-05-17 | 2013-06-26 | 西安电子科技大学 | 基于部分稀疏约束非负矩阵分解的视频运动特征提取方法 |
CN102360504A (zh) * | 2011-10-20 | 2012-02-22 | 北京航空航天大学 | 一种基于多自然特征的自适应虚实三维注册方法 |
-
2012
- 2012-05-07 CN CN201210137612.6A patent/CN102682291B/zh not_active Expired - Fee Related
Also Published As
Publication number | Publication date |
---|---|
CN102682291A (zh) | 2012-09-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109033950B (zh) | 基于多特征融合级联深度模型的车辆违停检测方法 | |
CN104951784B (zh) | 一种车辆无牌及车牌遮挡实时检测方法 | |
CN108985169B (zh) | 基于深度学习目标检测与动态背景建模的商店跨门经营检测方法 | |
CN100495438C (zh) | 一种基于视频监控的运动目标检测与识别方法 | |
CN103824070B (zh) | 一种基于计算机视觉的快速行人检测方法 | |
WO2017190574A1 (zh) | 一种基于聚合通道特征的快速行人检测方法 | |
CN102542289B (zh) | 一种基于多高斯计数模型的人流量统计方法 | |
CN110310264A (zh) | 一种基于dcnn的大尺度目标检测方法、装置 | |
CN105160313A (zh) | 视频监控中人群行为分析的方法及装置 | |
WO2018145470A1 (zh) | 一种图像检测方法和装置 | |
US20090309966A1 (en) | Method of detecting moving objects | |
CN103034852B (zh) | 静止摄像机场景下特定颜色行人的检测方法 | |
CN105046206B (zh) | 基于视频中运动先验信息的行人检测方法及装置 | |
US20130243343A1 (en) | Method and device for people group detection | |
CN106778633B (zh) | 一种基于区域分割的行人识别方法 | |
CN105205489A (zh) | 基于颜色纹理分析器与机器学习的车牌检测方法 | |
CN103605953A (zh) | 基于滑窗搜索的车辆兴趣目标检测方法 | |
CN110929593A (zh) | 一种基于细节辨别区别的实时显著性行人检测方法 | |
CN104715244A (zh) | 一种基于肤色分割和机器学习的多视角人脸检测方法 | |
WO2019114145A1 (zh) | 监控视频中人数检测方法及装置 | |
CN103440035A (zh) | 一种三维空间中的手势识别系统及其识别方法 | |
CN104657724A (zh) | 一种交通视频行人检测方法 | |
CN103034843A (zh) | 一种基于单目视觉的夜间车辆检测方法 | |
CN106127812A (zh) | 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 | |
CN104463232A (zh) | 一种基于hog特征和颜色直方图特征的密度人群计数的方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C14 | Grant of patent or utility model | ||
GR01 | Patent grant | ||
DD01 | Delivery of document by public notice | ||
DD01 | Delivery of document by public notice |
Addressee: Shenzhen Bellsent Intelligent System Co.,Ltd. Document name: Notification to Pay the Fees |
|
DD01 | Delivery of document by public notice | ||
DD01 | Delivery of document by public notice |
Addressee: SHENZHEN BELLSENT INTELLIGENT SYSTEM Co.,Ltd. Document name: Notification of Termination of Patent Right |
|
CF01 | Termination of patent right due to non-payment of annual fee | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20161005 Termination date: 20190507 |