CN102867214A - 区域范围内人数统计管理方法 - Google Patents
区域范围内人数统计管理方法 Download PDFInfo
- Publication number
- CN102867214A CN102867214A CN2012102627761A CN201210262776A CN102867214A CN 102867214 A CN102867214 A CN 102867214A CN 2012102627761 A CN2012102627761 A CN 2012102627761A CN 201210262776 A CN201210262776 A CN 201210262776A CN 102867214 A CN102867214 A CN 102867214A
- Authority
- CN
- China
- Prior art keywords
- edge
- rap
- picture
- point
- image
- 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.)
- Granted
Links
Images
Landscapes
- Image Analysis (AREA)
Abstract
本发明提供一种区域范围内人数统计管理方法。包括如下步骤:在所要统计人数的区域内设置远红外微光高速高清照相机;所述远红外微光高速高清照相机在设定的时间到达时,自动拍摄一张图片;与所述远红外微光高速高清照相机集成在同一个机壳内的嵌入式系统将图片通过3G无线网络上传到中心管理机房的主服务器上;主服务器将图片存档并传送给图片识别系统进行处理;图片识别系统处理识别出人数并通报给主服务器。本发明的方法可以准确统计上座率,减少了通常使用的红外线入场人数统计的不准确性,而且成本低、精度高、误判率低。
Description
【技术领域】
本发明涉及一种区域范围内人数统计管理方法。
【背景技术】
目前区域范围内人数统计主要是通过区域管理系统的入口人数检测装置来统计,因为通常公共场所都有人多次进出,这样就给统计的准确性带来了很大的难度,使统计数据不准,给统计单位带来损失。如果采取在入口处检查人数,又因为观众有可能进进出出,而导致操作困难,数据统计不准。
而公共场所的特点是人数众多,人的行为众多,而且多半处于运动状态,光照情况也不固定,互相遮挡等等不确定因素,造成了统计误差。
有鉴于此,本发明人针对现有技术的缺陷深入研究,并有本案产生。
【发明内容】
本发明的所要解决的技术问题在于提供一种价格低、精度高、误判率低的区域范围内人数统计管理方法。
本发明采用以下技术方案解决上述技术问题:
区域范围内人数统计管理方法,包括如下步骤:
步骤1:在所要统计人数的区域内设置远红外微光高速高清照相机;
步骤2:所述远红外微光高速高清照相机在设定的时间到达时,自动拍摄一张图片;
步骤3:与所述远红外微光高速高清照相机集成在同一个机壳内的嵌入式系统将图片通过3G无线网络上传到中心管理机房的主服务器上;
步骤4:主服务器将图片存档并传送给图片识别系统进行处理;
步骤5:图片识别系统处理识别出人数并通报给主服务器。
进一步地,还包括:
步骤6:主服务器中智能推理专家系统对统计结果进行分析判断,并对所述图片识别系统的算法进行动态调整。
进一步地,所述步骤5中图片识别系统包括如下步骤:
步骤5.1:对图片进行平滑处理,去除噪声;
步骤5.2:对图片进行阀值化,减少色彩噪点对特征数据提取的影响;
步骤5.3:对人体边界进行轮廓化,通过顺序找出边缘点来跟踪出边界,包括:首先按从上到下,从左到右的顺序搜索,找到的第一个黑点一定是最左上方的边界点,记为A;A的右,右下,下,左下四个邻点中至少有一个是边界点,记为B;从B开始找起,按右,右下,下,左下,左,左上,上,右上的顺序找相邻点中的边界点C;如果C就是A点,则表明已经转了一圈,程序结束;否则从C点继续找,直到找到A为止;
判断是否是边界点:如果它的上下左右四个邻居都是黑点则不是边界点,否则是边界点;
步骤5.4:使用三个推理方法相结合的方式,通过识别人体特征来推理出人数,包括:
首先找出人体特征,用平方误差之和来衡量原图中的块和模板之间的差别;假设模板的大小为m×n(宽×高),图象的大小为Width×Height,模板中的某点坐标为(x0,y0),该点的灰度为U(x0,y0);与之重合的图象中的点坐标为(X0-x0,Y0-y0),该点的灰度为V(X0-x0,Y0-y0),全部图象都匹配后,找到最小的即为结果;
为了提高边缘检测的正确性,使用一种快速准确性高的边缘检测算法,描述如下:
在这种算法中,需要对矩形正面算子模式RAP进行两次遍历,在第一次遍历的时候,计算出所有的RAP算子模式实例的内部边界像素,在第二次遍历时,依次检测每个RAP子模式内的边缘,具体算法如下:
输入:RAP算子模式实例队列X,图像的高度H,宽度W;
输出:边缘参数队列E;
a清空E队列,I为0,N为Q的长度,初始化I为H乘以W的图像,所有的像素均为0;
b将RAP算子模式P赋值为Q中的第I个元素;
c计算出P的边界像素的值,并在图像I中存储这些像素的值,变量I加1;
d如果I<N,那么循环执行b,c步骤,否则执行下一步;
e将变量I清0;
f将RAP算子模式P赋值为Q中的第I个元素;
g计算出P的重心边缘,左边界边缘,上边界边缘,右边界边缘,下边界边缘的边缘强度和边缘方向;
h如果满足判定条件1或2,那么算出P的边缘强度S和边缘方向B,将边缘参数矢量E赋值为(S,B);否则将边缘参数矢量E赋值为(0,0);
i将边缘参数矢量E添加到队列E中,变量I加1;
j如果I<N,那么循环执行f到i步骤,否则执行下一步;
k输出队列E,算法结束;
其中所述判定条件1:
给定一个RAP的子模式P,如果满足
那么在P内存一条边缘,且边缘强度和边缘方向分别为:
s=sm
θ=θm
其中:
对于所有边缘强度参数都小于T1,但至少存在一个边缘强度参数大于T2的RAP算子模式;
其中所述判定条件2:
给定一个RAP算子模式P,如果满足
且
sn>T2
且
|θm-θn|<45°
其中
且
那么,在P内存在一条边缘,且边缘强度和边缘方向分别为
s=sm
和θ=θm
对于不满足判定条件1或者2的RAP算子模式,则认定其内部不存在边缘。
本发明的优点在于:本发明采用全天候的多功能的高速高清照相机,在被检测人群基本入场以后,利用它的高速快门拍摄一张图片,并上传到主服务器,图片分析处理都在监控方的服务器上自动进行,这样也防止了数据被篡改,也减小了工作量,图片本身也会被存档以备查验。本发明的方法可以准确统计上座率,减少了通常使用的红外线入场人数统计的不准确性,而且成本低、精度高、误判率低。
【附图说明】
下面参照附图结合实施例对本发明作进一步的描述。
图1是本发明区域范围内设置高速高清照相机示意图。
图2是本发明区域范围人数统计方法的拓扑图。
【具体实施方式】
本发明利用图形图像处理技术,先利用高速高清照相机对被测人群拍摄一张照片,如图1所示,然后上传到主服务器存档并分发到图片识别系统,如图2所示。图片识别系统先对照片进行预处理,对由于输入仪器造成的退化现象进行复原,消除噪声等等,以便于对特征对象进行提取,然后通过比对实现保存在知识库中的人体的特征参数,对人体上半身这个特征对象进行特征提取,这样就避免了其他圆形物体对统计结果的干扰,以保证统计结果的正确性。为了进一步提高统计的精度,本发明还引入了人工智能领域的神经网络自学习系统,通过该自学习训练系统,可以动态地改变知识库中的人体特征识别特征参数,可以让系统识别的精度不断提高。
下面详细描述本发明各步骤:
步骤1:在所要统计人数的区域内设置远红外微光高速高清照相机;
步骤2:所述远红外微光高速高清照相机在设定的时间到达时,自动拍摄一张图片;
步骤3:与所述远红外微光高速高清照相机集成在同一个机壳内的嵌入式系统将图片通过3G无线网络上传到中心管理机房的主服务器上;
步骤4:主服务器将图片存档并传送给图片识别系统进行处理;
步骤5:图片识别系统处理识别出人数并通报给主服务器。
为了进一步提高统计的精度,还可以引入了人工智能领域的神经网络自学习系统,通过该自学习训练系统,可以动态地改变知识库中的人体特征识别特征参数,可以让图片识别系统识别的精度不断提高。
其中步骤5中图片识别系统具体包括如下步骤:
步骤5.1:对图片进行平滑处理,去除噪声;
步骤5.2:对图片进行阀值化,减少色彩噪点对特征数据提取的影响;
步骤5.3:对人体边界进行轮廓化,通过顺序找出边缘点来跟踪出边界,包括:首先按从上到下,从左到右的顺序搜索,找到的第一个黑点一定是最左上方的边界点,记为A;A的右,右下,下,左下四个邻点中至少有一个是边界点,记为B;从B开始找起,按右,右下,下,左下,左,左上,上,右上的顺序找相邻点中的边界点C;如果C就是A点,则表明已经转了一圈,程序结束;否则从C点继续找,直到找到A为止;
判断是否是边界点:如果它的上下左右四个邻居都是黑点则不是边界点,否则是边界点;
步骤5.4:使用三个推理方法相结合的方式,通过识别人体特征来推理出人数,包括:
首先找出人体特征,用平方误差之和来衡量原图中的块和模板之间的差别;假设模板的大小为m×n(宽×高),图象的大小为Width×Height,模板中的某点坐标为(x0,y0),该点的灰度为U(x0,y0);与之重合的图象中的点坐标为(X0-x0,Y0-y0),该点的灰度为V(X0-x0,Y0-y0),全部图象都匹配后,找到最小的即为结果;
为了提高边缘检测的正确性,使用一种快速准确性高的边缘检测算法,描述如下:
在这种算法中,需要对矩形正面算子模式RAP进行两次遍历,在第一次遍历的时候,计算出所有的RAP算子模式实例的内部边界像素,在第二次遍历时,依次检测每个RAP子模式内的边缘,具体算法如下:
输入:RAP算子模式实例队列X,图像的高度H,宽度W;
输出:边缘参数队列E;
a清空E队列,I为0,N为Q的长度,初始化I为H乘以W的图像,所有的像素均为0;
b将RAP算子模式P赋值为Q中的第I个元素;
c计算出P的边界像素的值,并在图像I中存储这些像素的值,变量I加1;
d如果I<N,那么循环执行b、c步骤,否则执行下一步;
e将变量I清0;
f将RAP算子模式P赋值为Q中的第I个元素;
g计算出P的重心边缘,左边界边缘,上边界边缘,右边界边缘,下边界边缘的边缘强度和边缘方向;
h如果满足判定条件1或2,那么算出P的边缘强度S和边缘方向B,将边缘参数矢量E赋值为(S,B);否则将边缘参数矢量E赋值为(0,0);
i将边缘参数矢量E添加到队列E中,变量I加1;
j如果I<N,那么循环执行f到i步骤,否则执行下一步;
k输出队列E,算法结束;
其中所述判定条件1:
给定一个RAP的子模式P,如果满足
那么在P内存一条边缘,且边缘强度和边缘方向分别为:
s=sm
θ=θm
其中:
对于所有边缘强度参数都小于T1,但至少存在一个边缘强度参数大于T2的RAP算子模式;
其中所述判定条件2:
给定一个RAP算子模式P,如果满足
且
sn>T2
且
|θm-θn|<45°
其中
且
那么,在P内存在一条边缘,且边缘强度和边缘方向分别为
s=sm
和θ=θm
对于不满足判定条件1或者2的RAP算子模式,则认定其内部不存在边缘。
本发明采用全天候的多功能的高速高清照相机,在被检测人群基本入场以后,利用它的高速快门拍摄一张图片,并上传到主服务器,图片分析处理都在监控方的服务器上自动进行,这样也防止了数据被篡改,也减小了工作量,图片本身也会被存档以备查验。本发明的方法可以准确统计上座率,减少了通常使用的红外线入场人数统计的不准确性,而且成本低、精度高、误判率低。
以上所述仅为本发明的较佳实施用例而已,并非用于限定本发明的保护范图。凡在本发明的精神和原则之内,所作的任何修改、等同替换以及改进等,均应包含在本发明的保护范围之内。
Claims (3)
1.区域范围内人数统计管理方法,其特征在于:包括如下步骤:
步骤1:在所要统计人数的区域内设置远红外微光高速高清照相机;
步骤2:所述远红外微光高速高清照相机在设定的时间到达时,自动拍摄一张图片;
步骤3:与所述远红外微光高速高清照相机集成在同一个机壳内的嵌入式系统将图片通过3G无线网络上传到中心管理机房的主服务器上;
步骤4:主服务器将图片存档并传送给图片识别系统进行处理;
步骤5:图片识别系统处理识别出人数并通报给主服务器。
2.如权利要求1所述的区域范围内人数统计管理方法,其特征在于:还包括:
步骤6:主服务器中智能推理专家系统对统计结果进行分析判断,并对所述图片识别系统的算法进行动态调整。
3.如权利要求1所述的区域范围内人数统计管理方法,其特征在于:所述步骤5中图片识别系统包括如下步骤:
步骤5.1:对图片进行平滑处理,去除噪声;
步骤5.2:对图片进行阀值化,减少色彩噪点对特征数据提取的影响;
步骤5.3:对人体边界进行轮廓化,通过顺序找出边缘点来跟踪出边界,包括:首先按从上到下,从左到右的顺序搜索,找到的第一个黑点一定是最左上方的边界点,记为A;A的右,右下,下,左下四个邻点中至少有一个是边界点,记为B;从B开始找起,按右,右下,下,左下,左,左上,上,右上的顺序找相邻点中的边界点C;如果C就是A点,则表明已经转了一圈,程序结束;否则从C点继续找,直到找到A为止;
判断是否是边界点:如果它的上下左右四个邻居都是黑点则不是边界点,否则是边界点;
步骤5.4:使用三个推理方法相结合的方式,通过识别人体特征来推理出人数,包括:
首先找出人体特征,用平方误差之和来衡量原图中的块和模板之间的差别;假设模板的大小为m×n(宽×高),图象的大小为Width×Height,模板中的某点坐标为(x0,y0),该点的灰度为U(x0,y0);与之重合的图象中的点坐标为(X0-x0,Y0-y0),该点的灰度为V(X0-x0,Y0-y0),全部图象都匹配后,找到最小的即为结果;
为了提高边缘检测的正确性,使用一种快速准确性高的边缘检测算法,描述如下:
在这种算法中,需要对矩形正面算子模式RAP进行两次遍历,在第一次遍历的时候,计算出所有的RAP算子模式实例的内部边界像素,在第二次遍历时,依次检测每个RAP子模式内的边缘,具体算法如下:
输入:RAP算子模式实例队列X,图像的高度H,宽度W;
输出:边缘参数队列E;
a清空E队列,I为0,N为Q的长度,初始化I为H乘以W的图像,所有的像素均为0;
b将RAP算子模式P赋值为Q中的第I个元素;
c计算出P的边界像素的值,并在图像I中存储这些像素的值,变量I加1;
d如果I<N,那么循环执行b,c步骤,否则执行下一步;
e将变量I清0;
f将RAP算子模式P赋值为Q中的第I个元素;
g计算出P的重心边缘,左边界边缘,上边界边缘,右边界边缘,下边界边缘的边缘强度和边缘方向;
h如果满足判定条件1或2,那么算出P的边缘强度S和边缘方向B,将边缘参数矢量E赋值为(S,B);否则将边缘参数矢量E赋值为(0,0);
i将边缘参数矢量E添加到队列E中,变量I加1;
j如果I<N,那么循环执行f到i步骤,否则执行下一步;
k输出队列E,算法结束;
其中所述判定条件1:
给定一个RAP的子模式P,如果满足
那么在P内存一条边缘,且边缘强度和边缘方向分别为:
s=sm
θ=θm
其中:
对于所有边缘强度参数都小于T1,但至少存在一个边缘强度参数大于T2的RAP算子模式;
其中所述判定条件2:
给定一个RAP算子模式P,如果满足
且
sn>T2
且
|θm-θn|<45°
其中
且
那么,在P内存在一条边缘,且边缘强度和边缘方向分别为
s=sm
和θ=θm
对于不满足判定条件1或者2的RAP算子模式,则认定其内部不存在边缘。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201210262776.1A CN102867214B (zh) | 2012-07-26 | 2012-07-26 | 区域范围内人数统计管理方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201210262776.1A CN102867214B (zh) | 2012-07-26 | 2012-07-26 | 区域范围内人数统计管理方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN102867214A true CN102867214A (zh) | 2013-01-09 |
CN102867214B CN102867214B (zh) | 2015-03-18 |
Family
ID=47446077
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201210262776.1A Active CN102867214B (zh) | 2012-07-26 | 2012-07-26 | 区域范围内人数统计管理方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN102867214B (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103324956A (zh) * | 2013-06-17 | 2013-09-25 | 复旦大学 | 一种基于分布式视频检测的座位统计方法 |
CN103345653A (zh) * | 2013-06-17 | 2013-10-09 | 复旦大学 | 基于多摄像头融合的上座率统计方法 |
CN104217206A (zh) * | 2013-05-31 | 2014-12-17 | 上海亚视信息科技有限公司 | 基于高清视频的实时上座率统计方法 |
CN105208349A (zh) * | 2015-10-10 | 2015-12-30 | 上海慧体网络科技有限公司 | 一种比赛现场根据场上人数控制摄像头自动跟拍的方法 |
CN105245845A (zh) * | 2015-10-10 | 2016-01-13 | 上海慧体网络科技有限公司 | 一种比赛现场根据聚集趋势控制摄像头自动跟拍的方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101251894A (zh) * | 2008-01-28 | 2008-08-27 | 天津大学 | 基于红外热成像的步态特征提取方法和步态识别方法 |
CN101303726A (zh) * | 2008-06-06 | 2008-11-12 | 重庆大学 | 基于粒子动态采样模型的红外人体目标跟踪系统 |
CN101908150A (zh) * | 2010-06-25 | 2010-12-08 | 北京交通大学 | 一种人体检测方法 |
CN102043963A (zh) * | 2010-12-06 | 2011-05-04 | 河海大学 | 一种图像人数识别统计方法 |
CN102147855A (zh) * | 2011-01-20 | 2011-08-10 | 叶尔肯·拜山 | 户外广告收视率统计的方法与装置 |
-
2012
- 2012-07-26 CN CN201210262776.1A patent/CN102867214B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101251894A (zh) * | 2008-01-28 | 2008-08-27 | 天津大学 | 基于红外热成像的步态特征提取方法和步态识别方法 |
CN101303726A (zh) * | 2008-06-06 | 2008-11-12 | 重庆大学 | 基于粒子动态采样模型的红外人体目标跟踪系统 |
CN101908150A (zh) * | 2010-06-25 | 2010-12-08 | 北京交通大学 | 一种人体检测方法 |
CN102043963A (zh) * | 2010-12-06 | 2011-05-04 | 河海大学 | 一种图像人数识别统计方法 |
CN102147855A (zh) * | 2011-01-20 | 2011-08-10 | 叶尔肯·拜山 | 户外广告收视率统计的方法与装置 |
Non-Patent Citations (2)
Title |
---|
文嘉俊等: "基于AdaBoost和帧间特征的人数统计", 《中国图象图形学报》, vol. 16, no. 9, 30 September 2011 (2011-09-30), pages 1729 - 1735 * |
顾爽等: "基于边缘类型比率特征的人体检测算法", 《中南大学学报(自然科学版)》, vol. 42, 30 September 2011 (2011-09-30), pages 717 - 723 * |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104217206A (zh) * | 2013-05-31 | 2014-12-17 | 上海亚视信息科技有限公司 | 基于高清视频的实时上座率统计方法 |
CN103324956A (zh) * | 2013-06-17 | 2013-09-25 | 复旦大学 | 一种基于分布式视频检测的座位统计方法 |
CN103345653A (zh) * | 2013-06-17 | 2013-10-09 | 复旦大学 | 基于多摄像头融合的上座率统计方法 |
CN103345653B (zh) * | 2013-06-17 | 2016-03-30 | 复旦大学 | 基于多摄像头融合的上座率统计方法 |
CN103324956B (zh) * | 2013-06-17 | 2016-07-06 | 复旦大学 | 一种基于分布式视频检测的座位统计方法 |
CN105208349A (zh) * | 2015-10-10 | 2015-12-30 | 上海慧体网络科技有限公司 | 一种比赛现场根据场上人数控制摄像头自动跟拍的方法 |
CN105245845A (zh) * | 2015-10-10 | 2016-01-13 | 上海慧体网络科技有限公司 | 一种比赛现场根据聚集趋势控制摄像头自动跟拍的方法 |
Also Published As
Publication number | Publication date |
---|---|
CN102867214B (zh) | 2015-03-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104303193B (zh) | 基于聚类的目标分类 | |
CN107256377B (zh) | 用于检测视频中的对象的方法、设备和系统 | |
CN104166841B (zh) | 一种视频监控网络中指定行人或车辆的快速检测识别方法 | |
KR101571277B1 (ko) | 모니터링 구역내의 개체들의 움직임을 분류하는 장치 및 방법 | |
CN103986910A (zh) | 一种基于智能分析摄像机的客流统计方法和系统 | |
US10043078B2 (en) | Virtual turnstile system and method | |
CN107833221A (zh) | 一种基于多通道特征融合和机器学习的漏水监测方法 | |
US11615620B2 (en) | Systems and methods of enforcing distancing rules | |
CN105051754A (zh) | 用于通过监控系统检测人的方法和装置 | |
CN108460362A (zh) | 一种检测人体部位的系统及方法 | |
CN102867214B (zh) | 区域范围内人数统计管理方法 | |
CN104463869B (zh) | 一种视频火焰图像复合识别方法 | |
CN107301376B (zh) | 一种基于深度学习多层刺激的行人检测方法 | |
US20220189001A1 (en) | Rail feature identification system | |
CN110414400A (zh) | 一种施工现场安全帽穿戴自动检测方法及系统 | |
CN110264495A (zh) | 一种目标跟踪方法及装置 | |
CN110189355A (zh) | 安全疏散通道占用检测方法、装置、电子设备及存储介质 | |
CN103324919A (zh) | 基于人脸识别的视频监控系统及其数据处理方法 | |
CN110795975B (zh) | 人脸误检优化方法及装置 | |
CN105100735A (zh) | 人员智能监测管理系统及管理方法 | |
CN111666920A (zh) | 目标物品佩戴检测方法、装置、存储介质及电子装置 | |
CN116366806A (zh) | 一种基于物联网的智能监控系统 | |
Hermina et al. | A Novel Approach to Detect Social Distancing Among People in College Campus | |
CN108362382B (zh) | 一种热成像监控方法及其监控系统 | |
CN109583396A (zh) | 一种基于cnn两阶段人体检测的区域防范方法、系统以及终端 |
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 |