CN103093198A - 一种人群密度监测方法及装置 - Google Patents

Abstract

本发明涉及图像处理领域，尤其涉及一种人群密度监测方法及装置。其包括对源图像进行特征点监测，提取当前帧图像的特征点；利用光流法对提取到的的特征点的位置进行跟踪，得到下一帧图像中的跟踪的特征点；计算当前帧的特征点与下一帧图像中跟踪的特征点的距离，将距离小于预设的第一阈值所对应的特征点删除；根据统计多帧图像中特征点的数量与实际人数得到的特征点的数量与实际人数的对应关系，得到跟踪的特征点所对应的人群密度。使用该人群密度监测方法及装置，能够对人群进行定量分析，完成人群密度的监测。

Description

一种人群密度监测方法及装置

技术领域

本发明涉及图像处理领域，尤其涉及一种人群密度监测方法及装置。

背景技术

人群密度估计指的是利用数字图像处理技术对某一指定区域的人群进行监控，从而得到量化的人群密度，根据所获得的人群密度可以知道人群整体所处的状态，从而对人群的行为做出判断。

传统的人群监控是靠闭路电视通过监视某一区域的人群实现的。这种监控方式靠工作人员时刻注视着闭路电视，才能了解到当前人群的大概密度，无法对人群的数量进行统计，进行定量分析。即使是现代的数字网络摄像头也需要工作人员对场景图像中的人群密度做出判断。这种方法主观性很强，不能进行定量分析。

发明内容

本发明的目的在于提供一种人群密度监测方法及装置，能够对人群进行定量分析，完成人群密度的监测。

为了达到上述目的，本发明的技术方案是这样实现的：

一种人群密度监测方法，包括：

对源图像进行特征点监测，提取当前帧图像的特征点；

利用光流法对提取到的的特征点的位置进行跟踪，得到下一帧图像中的跟踪的特征点；

计算当前帧的特征点与下一帧图像中跟踪的特征点的距离，将距离小于预设的第一阈值所对应的特征点删除；

根据统计多帧图像中特征点的数量与实际人数得到的特征点的数量与实际人数的对应关系，得到跟踪的特征点所对应的人群密度。

优选地，所述对源图像进行特征点监测包括：

步骤A1：将源图像转换为灰度图像并去噪；

步骤A2：对去噪后的灰度图像中的每一个像素点，获取每一个像素点在水平方向和竖直方向的一阶差商；

步骤A3：根据每一个像素点在水平方向和竖直方向的一阶差商，得到每一个像素点的海塞矩阵并求出每一个所述海塞矩阵的最小特征值；

步骤A4：对每一个所述海塞矩阵的最小特征值与设定的第二阈值进行判定，若最小特征值大于所述第二阈值，则删除该最小特征值所对应的像素；若最小特征值小于所述第二阈值，则保留该特征值所对应的像素点并将该像素点选取为特征点。

进一步，在所述步骤A4之后还包括：

步骤A5：对选取的特征点，按照每一个特征点所对应的海塞矩阵的最小特征值从小到大排序，设定第三阈值，选取最小特征值位于所述第三阈值之前所对应的特征点作为最佳特征点。

进一步，在所述步骤A5之后还包括：

步骤A6：根据选取的最佳特征点，利用双线性差值对以该特征点为中心的邻域进行差值运算。

优选地，所述利用光流法对提取到的特征点的位置进行跟踪包括：

根据前一帧灰度图像中监测到的特征点及其邻域内的特征点的位置，在后一帧灰度图像中查找与所述前一帧的特征点以及邻域内的特征点残差最小的特征点。

优选地，所述根据前一帧灰度图像中监测到的特征点及其邻域内的点的位置，在后一帧灰度图像中查找与所述前一帧的特征点以及邻域内的特征点残差最小的特征点包括：

步骤B1：根据灰度图像的特征点的海塞矩阵及该特征点的位置变化，计算该特征点的光流向量；

步骤B2：根据所述光流向量和该特征点的一阶差商，得到前一帧灰度图像的特征点及其邻域内的特征点与后一帧灰度图像的对应的特征点及其领域内的特征点的残差表达式；

步骤B3：根据所述残差表达式，将残差表达式的值最小时所对应的后一帧灰度图像的特征点作为跟踪的特征点。

进一步，所述利用光流法对提取到的特征点的位置进行跟踪之前还包括：

将每一帧灰度图像进行分层采样。

优选地，所述计算当前帧的特征点与下一帧图像中跟踪的特征点的距离，将距离小于预设的第一阈值所对应的特征点删除包括：

对跟踪的特征点的运动距离与设定的第一阈值进行判定，若跟踪的特征点的运动距离大于所述第一阈值，则保留该特征点；若跟踪的特征点的运动距离小于所述第一阈值，则删除该特征点。

优选地，所述根据统计多帧图像中特征点的数量与实际人数得到的特征点的数量与实际人数的对应关系，得到跟踪的特征点所对应的人群密度包括：

统计多帧图像中每帧图像所拍摄的实际人数，根据每一帧图像中特征点的数量与实际人数的对应关系，得到特征点的数量与实际的人数的均值和方差，根据均值拟合出特征点的数量与实际人数的变化曲线，根据方差得到人数的置信区间，从而得到人群密度。

一种实施上述的人群密度监测方法的人群密度监测装置，包括：

图像采集模块，用于采集源图像；

特征点监测模块，用于对所采集的源图像进行特征点监测，提取当前帧图像的特征点；

特征点跟踪模块，用于对提取到的特征点的位置进行跟踪，得到下一帧图像中的跟踪的特征点；

特征点判定模块，用于计算当前帧的特征点与下一帧图像中跟踪的特征点的距离，将距离小于预设的第一阈值所对应的特征点删除；

人群密度计算模块，用于根据统计多帧图像中特征点的数量与实际人数得到的特征点的数量与实际人数的对应关系，得到跟踪的特征点所对应的人群密度。

与现有技术相比，本发明的优点在于：所述人群密度监测方法包括以下步骤，首先对源图像进行特征点监测，提取当前帧图像的特征点；然后利用光流法对提取到的特征点的位置进行跟踪，即对当前帧图像中提取的特征点进行跟踪，在下一帧图像中找到前一帧跟踪的特征点；然后计算当前帧的特征点与下一帧图像中跟踪的特征点的距离，将距离小于预设的第一阈值所对应的特征点删除，即对图像中的特征点计算其在不同帧之间的距离，再将该距离与设定的第一阈值进行判定，若跟踪的特征点的距离大于第一阈值，则保留该特征点；若跟踪的特征点的距离小于第一阈值，则删除该特征点；最后，根据统计多帧图像中特征点的数量与实际人数得到的特征点的数量与实际人数的对应关系，得到跟踪的特征点所对应的人群密度，其中特征点的数量与实际人数的对应关系，需要先统计多帧图像中特征点的数量与实际人数，然后根据统计的信息得到特征点的数量与实际人数的对应关系，然后可以得到跟踪的特征点所对应的人数，实现对人群的定量分析，完成对人群密度的监测。

在进一步的技术方案中，根据选取的最佳特征点，利用双线性差值对以该特征点为中心的邻域进行差值运算，进行差值运算后的特征点可以将特征点的位置提高到亚像素级，可以得到可靠的特征点。

附图说明

为了更清楚地说明本发明具体实施方式或现有技术中的技术方案，下面将对具体实施方式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，下面描述中的附图是本发明的一些实施方式，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1为本发明实施例提供的人群密度监测方法的结构图；

图2为本发明实施例提供的特征点检测的结构图；

图3为本发明实施例提供的光流法的结构图；

图4为本发明实施例提供的人群密度监测装置的结构图。

具体实施方式

以下将结合附图对本发明各实施例的技术方案进行清楚、完整的描述，显然，所描述的实施例仅仅是本发明的一部分实施例，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做出创造性劳动的前提下所得到的所有其它实施例，都属于本发明所保护的范围。

实施例1

如图1所示为本实施例所述的一种人群密度监测方法，包括：对源图像进行特征点监测，提取当前帧图像的特征点；利用光流法对提取到的的特征点的位置进行跟踪，得到下一帧图像中的跟踪的特征点；计算当前帧的特征点与下一帧图像中跟踪的特征点的距离，将距离小于预设的第一阈值所对应的特征点删除；根据统计多帧图像中特征点的数量与实际人数得到的特征点的数量与实际人数的对应关系，得到跟踪的特征点所对应的人群密度。

所述人群密度监测方法包括以下步骤，首先对源图像进行特征点监测，提取当前帧图像的特征点；然后利用光流法对提取到的特征点的位置进行跟踪，即对当前帧图像中提取的特征点进行跟踪，在下一帧图像中找到前一帧跟踪的特征点；然后计算当前帧的特征点与下一帧图像中跟踪的特征点的距离，将距离小于预设的第一阈值所对应的特征点删除，即对图像中的特征点计算其在不同帧之间的距离，再将该距离与设定的第一阈值进行判定，若跟踪的特征点的距离大于第一阈值，则保留该特征点；若跟踪的特征点的距离小于第一阈值，则删除该特征点；最后，根据统计多帧图像中特征点的数量与实际人数得到的特征点的数量与实际人数的对应关系，得到跟踪的特征点所对应的人群密度，其中特征点的数量与实际人数的对应关系，需要先统计多帧图像中特征点的数量与实际人数，然后根据统计的信息得到特征点的数量与实际人数的对应关系，然后可以得到跟踪的特征点所对应的人数，实现对人群的定量分析，完成对人群密度的监测。

下面将在实施例2中对本发明的技术方案进行详细的描述。

实施例2

如图1所示为本实施例所述的一种人群密度监测方法，包括：

步骤101：对源图像进行特征点监测，提取当前帧图像的特征点。

如图2所示，对于特征点监测，具体的监测过程如下：

步骤A1：将源图像转换为灰度图像并去噪；

具体地，对于需要监测人群密度的源图像，获取源图像中的每一帧图像。由于获取的源图像中的每一帧图像均匀彩色图像，因此需要将彩色图像转换为灰度图像，即将源图像中的每一帧图像转换为灰度图像。

另外，在图像处理过程中，由于图像采集设备或者其它原因，所采集的图像不可避免的存在噪声，因此，需要将图像中的噪声去除。这里去除噪声可以使用高斯滤波进行图像去噪，也可以使用小波去噪或者中值滤波去噪。

步骤A2：对去噪后的灰度图像中的每一个像素点，获取每一个像素点在水平方向和竖直方向的一阶差商；

在这个步骤中，使用sobel算子对每一帧灰度图像中的像素点在水平方向和竖直方向卷积，即得到每一个像素点在水平方向和竖直方向的一阶差商。

例如，对于一张灰度图像，令点A（x，y）为该灰度图像中的一个像素点，则使用sobel算子对该点进行卷积后，得到的水平方向的一阶差商和竖直方向的一阶差商分别为

所述水平方向的一阶差商和竖直方向的一阶差商可以作为该像素点的基本信息，在后续的过程中会经常使用。

步骤A3：根据每一个像素点在水平方向和竖直方向的一阶差商，得到每一个像素点的海塞矩阵并求出每一个所述海塞矩阵的最小特征值；

对于每一个像素点，可以在该像素点及给定的邻域内，计算该像素点的海塞矩阵。即：

$\left(\begin{array}{cc}\underset{x\∈w}{\mathrm{\Σ}}\underset{y\∈w}{\mathrm{\Σ}}{\∂}^{2}f(x,y)/{\∂x}^2& \underset{x\∈w}{\mathrm{\Σ}}\underset{y\∈w}{\mathrm{\Σ}}(\∂f(x,y)/\∂x)(\∂f(x,y)/\∂y)\\ \underset{x\∈w}{\mathrm{\Σ}}\underset{y\∈w}{\mathrm{\Σ}}(\∂f(x,y)/\∂x)(\∂f(x,y)/\∂y)& \underset{x\∈w}{\mathrm{\Σ}}\underset{y\∈w}{\mathrm{\Σ}}{\∂}^{2}f(x,y)/{\∂y}^2\end{array}\right),$ 其中w为给定的该像素点的邻域范围。

得到每一个像素点的海塞矩阵后，计算每一个像素点的海塞矩阵的最小特征值函数E(A)。

步骤A4：对每一个所述海塞矩阵的最小特征值与设定的第二阈值进行判定，若最小特征值大于所述第二阈值，则删除该最小特征值所对应的像素；若最小特征值小于所述第二阈值，则保留该特征值所对应的像素点并将该像素点选取为特征点。

具体地，首先计算每一个像素点的海塞矩阵的最小特征值E(A)的最大值，然后，设定第二阈值，将所述最小特征值E(A)的最大值与所述第二阈值进行判定，若最小特征值E(A)的最大值大于所述第二阈值，则删除该最小特征值所对应的像素；若最小特征值E(A)的最大值小于所述第二阈值，则保留该特征值所对应的像素点并将该像素点选取为特征点。其中所述第二阈值为根据最小特征值E(A)的最大值进行判定像素点是否为特征点的阈值。

不过，对于所选的特征点，还可以使用形态学方法对该特征点进行非最大化抑制。即使用膨胀运算，去除所选取的特征点中最小特征值的最大值不满足膨胀运算条件的特征点，使得选取的特征点更加稳定。如果两个特征点的距离比较近，使用膨胀运算后，可以去除最小特征值的最大值比较小的该特征点。

对于所选的特征点，可以进行后面的步骤实现人群密度的监测，但是为了使得监测人群密度的精度更高，还可以对所选的特征点进行如下的步骤：

步骤A5：对选取的特征点，按照每一个特征点所对应的海塞矩阵的最小特征值从小到大排序，设定第三阈值，选取最小特征值位于所述第三阈值之前所对应的特征点作为最佳特征点。

具体地，所选取的特征点的最小特征值的最大值，按照从小到大的顺序，将对应的特征点排序，然后设定第三阈值，选取最小特征值位于所述第三阈值之前所对应的特征点作为最佳特征点。所述第三阈值用于选取排序中排在第三阈值之前的特征点。例如一张图像中，对选取的1000个特征点进行排序，设定第三阈值为500，则选取排在前500的特征点作为最佳特征点。

选取出最佳特征点后，所述最佳特征点的位置均在像素点上，事实上，有些特征点的实际位置可能不是在像素点上，而是在两个像素点之间，为了使得选取的最佳特征点的位置更精准，还可以对选取的最佳特征点进行如下的步骤：

步骤A6：根据选取的最佳特征点，利用双线性差值对以该特征点为中心的邻域进行差值运算。

具体地，有些特征点的位置并不在像素点上，而是在两个像素点之间，因此，对于每一个最佳特征点，利用双线性差值对以该特征点为中心的邻域进行差值运算，使得每一个最佳特征点的位置更精确。

上述均为特征点监测的步骤，提取出特征点后，接下来进行如下的步骤：

步骤102：利用光流法对提取到的的特征点的位置进行跟踪，得到下一帧图像中的跟踪的特征点。

具体使用光流法对提取的特征点的位置进行跟踪的过程为：

根据前一帧灰度图像中提取到的特征点及其邻域内的特征点的位置，在后一帧灰度图像中查找与所述前一帧的特征点以及邻域内的特征点残差最小的特征点。即对当前帧灰度图像中提取到的特征点及其领域，在后面一帧的灰度图像的相同邻域内，查找与所述前一帧的特征点残差最小的特征点。查找到的特征点即为使用光流法对提取的特征点的位置进行跟踪得到的特征点。

其中计算残差最小的过程为：

步骤B1：根据灰度图像的特征点的海塞矩阵及该特征点的位置变化，计算该特征点的光流向量。

在前面特征点监测的步骤中，对于每一帧图像的特征点，由该特征点的海塞矩阵及该特征点的位置变化，计算出该特征点在不同帧之间的光流向量。

步骤B2：根据所述光流向量和该特征点的一阶差商，得到前一帧灰度图像的特征点及其邻域内的特征点与后一帧灰度图像的对应的特征点及其领域内的特征点的残差表达式；

B3：根据所述残差表达式，将残差表达式的值最小时所对应的后一帧灰度图像的特征点作为跟踪的特征点。

此即为利用光流法得到的下一帧图像中跟踪的特征点。

但是如果提取到的特征点在两帧图像中距离很大，使用光流法得到跟踪的特征点的误差会比较大，为了减小该误差，可以在利用光流法对提取到的特征点的位置进行跟踪之前进行如下步骤：

将每一帧灰度图像进行分层采样。然后对采样得到的每一层灰度图像利用光流法对提取到的特征点的位置进行跟踪，这样，可以减小跟踪的特征点的误差，使得监测的人群密度精度更高。

例如，假设有两幅大小相同的2D前后两帧图像I和J，它们在点x=[x y]T处的灰度值分别为I（x）=I（x，y）和J(x)=J(x,y),通常I为第一副图像，J为第二幅图像。实际中，图像I和J均是离散函数，图像左上定点的坐标值为[00]T。令nx和ny分别是图像的宽度和高度，则图像右下顶点的坐标值为[nx-1 ny-1]T。

若已知一副图像I中有特征点u=[ux uy]T,在第二副图像J中存在特征点v=u+d=[vx vy]T使得I(u)和J(v)近似，则特征点跟踪的任务是计算J中对应的特征点v。向量d=[dx dy]T叫做在点x处的图像速率，也称为在点x处的光流。相似性定义如下：令wx和wy为两个正整数，存在光流d使得残差ε最小。此时图像特征点的相似度最高。可表示为：

$\mathrm{\ϵ}\left(d\right)=\mathrm{\ϵ}(d_x,d_y)=\underset{x=u_x+w_x}{\overset{u_x+w_x}{\mathrm{\Σ}}}\underset{y=u_y-w_y}{\overset{u_y+w_y}{\mathrm{\Σ}}}{(I(x,y)-J(x+d_x,y+d_y))}^{\text{2}}$

下面以伪代码的形式表达特征点跟踪算法的流程

目的:对于图像I中的特征点u，计算图像J中与该点对应的特征点v。

建立图像I和图像J的金字塔:{IL}L=0,1，…Lm,{JL}J=0,1，…Jm。

初始化金字塔光流估计量 $\mathrm{gLm}=\left[\begin{array}{cc}{g}_x^{\mathrm{Lm}}& g_y^{\mathrm{Lm}}\end{array}\right]T=\left[\begin{array}{cc}0& 0\end{array}\right]T.$

For L=Lm:-1:0

找到图像IL上点u的位置：uL=[px py]T=u/2L

IL对x求偏导：Ix(x,y)=(A(x+1,y)-A(x-1,y))/2,

IL对x求偏导：Iy(x,y)=(A(x,y+1)-A(x,y-1))/2

（A(x,y)为上一层u在I上的窗口邻域图像函数。）

求梯度矩阵： $G=\underset{x=p_x-w_x}{\overset{p_x+w_x}{\mathrm{\Σ}}}\underset{y=p_y-w_y}{\overset{p_y+w_y}{\mathrm{\Σ}}}\left(\begin{array}{cc}{I^2}_x(x,y)& I_x(x,y)I_y(x,y)\\ I_2(x,y)I_y(x,y)& {I^2}_y(x,y)\end{array}\right)$

迭代L-K算法初始化:

For k=1:1:k或 ${\left|\right|\stackrel{-k}{\mathrm{\&eta;}}\left|\right|}_{<\mathrm{accuracythreshold},}$

计算图像像素差： $\&PartialD;I_k=A(x,y)-J^L(x+g_x^L+v_x^{k-1},y+g_y^L+v_y^{k-1})$

计算图像不匹配向量： ${\stackrel{\&OverBar;}{b}}_k=\underset{x=p_x-w_x}{\overset{p_x+w_x}{\mathrm{\&Sigma;}}}\underset{y=p_y-w_y}{\overset{p_y+w_y}{\mathrm{\&Sigma;}}}\left(\begin{array}{c}\mathrm{\&delta;}{I}_k{I}_x(x,y)\\ \mathrm{\&delta;}{I}_k{I}_y(x,y)\end{array}\right)$

L-K光流：

估计下一次迭代：

End

第L层上最终光流

计算下一层L-1层上的光流： $g^{L-1}=\left[\begin{array}{cc}{g}_x^{L-1}& g_y^{L-1}\end{array}\right]T=2(g^L+d^L)$

End

最后的光流矢量：d=g⁰+d⁰

图像J上的对应特征点v=u+d

步骤103：计算当前帧的特征点与下一帧图像中跟踪的特征点的距离，将距离小于预设的第一阈值所对应的特征点删除。

具体地，首先计算当前帧的特征点与下一帧图像中跟踪的特征点的距离，然后对跟踪的特征点的运动距离与设定的第一阈值进行判定，若跟踪的特征点的运动距离大于所述第一阈值，则保留该特征点；若跟踪的特征点的运动距离小于所述第一阈值，则删除该特征点。

步骤104：根据统计多帧图像中特征点的数量与实际人数得到的特征点的数量与实际人数的对应关系，得到跟踪的特征点所对应的人群密度。

优选地，统计多帧图像中每帧图像所拍摄的实际人数，根据每一帧图像中特征点的数量与实际人数的对应关系，得到特征点的数量与实际的人数的均值和方差，根据均值拟合出特征点的数量与实际人数的变化曲线，根据方差得到人数的置信区间，从而得到人群密度。

本实施例提供的人群密度监测方法相对比实施例1提供的人群密度监测方法，对人群密度监测的精准度更高、稳定性更好。

实施例3

如图4所示为本实施例提供的一种实施实施例2的人群密度监测方法的人群密度监测装置，该装置包括：

图像采集模块501，用于采集源图像。所述图像采集模块可以使用摄像机采集现场的视频图像。

特征点监测模块502，用于对所采集的源图像进行特征点监测，提取当前帧图像的特征点；

特征点跟踪模块503，用于对提取到的特征点的位置进行跟踪，得到下一帧图像中的跟踪的特征点；

特征点判定模块504，用于计算当前帧的特征点与下一帧图像中跟踪的特征点的距离，将距离小于预设的第一阈值所对应的特征点删除；

人群密度计算模块505，用于根据统计多帧图像中特征点的数量与实际人数得到的特征点的数量与实际人数的对应关系，得到跟踪的特征点所对应的人群密度。

在本实施例中，所述特征点监测模块502、特征点跟踪模块503和特征点判定模块504均可以采用带有相应功能的程序语言的计算机或者程序软件的计算机实现。另外，所述程序语言或程序软件还可以存储在光盘或ROM中。

以上所述，仅是本发明的较佳实施例而已，并非对本发明作任何形式上的限制，任何熟悉本专业的技术人员，在不脱离本发明技术方案范围内，当可利用上述揭示的技术内容作出些许更动或修饰为等同变化的等效实施例，但凡是未脱离本发明技术方案的内容，依据本发明的技术实质对以上实施例所作的任何简单修改、等同变化与修饰，均仍属于本发明技术方案的范围内。

Claims (10)

1.一种人群密度监测方法，其特征在于，包括：

对源图像进行特征点检测，提取当前帧图像的特征点；

利用光流法对提取到的的特征点的位置进行跟踪，得到下一帧图像中的跟踪的特征点；

计算当前帧的特征点与下一帧图像中跟踪的特征点的距离，将距离小于预设的第一阈值所对应的特征点删除；

根据统计多帧图像中特征点的数量与实际人数得到的特征点的数量与实际人数的对应关系，得到跟踪的特征点所对应的人群密度。

2.如权利要求1所述的人群密度监测方法，其特征在于，所述对源图像进行特征点检测包括：

步骤（A1）：将源图像转换为灰度图像并去噪；

步骤（A2）：对去噪后的灰度图像中的每一个像素点，获取每一个像素点在水平方向和竖直方向的一阶差商；

步骤（A3）：根据每一个像素点在水平方向和竖直方向的一阶差商，得到每一个像素点的海塞矩阵并求出每一个所述海塞矩阵的最小特征值；

步骤（A4）：对每一个所述海塞矩阵的最小特征值与设定的第二阈值进行判定，若最小特征值大于所述第二阈值，则删除该最小特征值所对应的像素；若最小特征值小于所述第二阈值，则保留该特征值所对应的像素点并将该像素点选取为特征点。

3.如权利要求2所述的人群密度监测方法，其特征在于，在所述步骤（A4）之后还包括：

步骤（A5）：对选取的特征点，按照每一个特征点所对应的海塞矩阵的最小特征值从小到大排序，设定第三阈值，选取最小特征值位于所述第三阈值之前所对应的特征点作为最佳特征点。

4.如权利要求3所述的人群密度监测方法，其特征在于，在所述步骤（A5）之后还包括：

步骤（A6）：根据选取的最佳特征点，利用双线性差值对以该特征点为中心的邻域进行差值运算。

5.如权利要求2所述的人群密度监测方法，其特征在于，所述利用光流法对提取到的特征点的位置进行跟踪包括：

根据前一帧灰度图像中提取到的特征点及其邻域内的特征点的位置，在后一帧灰度图像中查找与所述前一帧的特征点以及邻域内的特征点残差最小的特征点。

6.如权利要求5所述的人群密度监测方法，其特征在于，所述根据前一帧灰度图像中提取到的特征点及其邻域内的点的位置，在后一帧灰度图像中查找与所述前一帧的特征点以及邻域内的特征点残差最小的特征点包括：

步骤（B1）：根据灰度图像的特征点的海塞矩阵及该特征点的位置变化，计算该特征点的光流向量；

步骤（B2）：根据所述光流向量和该特征点的一阶差商，得到前一帧灰度图像的特征点及其邻域内的特征点与后一帧灰度图像的对应的特征点及其领域内的特征点的残差表达式；

步骤（B3）：根据所述残差表达式，将残差表达式的值最小时所对应的后一帧灰度图像的特征点作为跟踪的特征点。

7.如权利要求2所述的人群密度监测方法，其特征在于，所述利用光流法对提取到的特征点的位置进行跟踪之前还包括：

将每一帧灰度图像进行分层采样。

8.如权利要求1所述的人群密度监测方法，其特征在于，所述计算当前帧的特征点与下一帧图像中跟踪的特征点的距离，将距离小于预设的第一阈值所对应的特征点删除包括：

对跟踪的特征点的运动距离与设定的第一阈值进行判定，若跟踪的特征点的运动距离大于所述第一阈值，则保留该特征点；若跟踪的特征点的运动距离小于所述第一阈值，则删除该特征点。

9.如权利要求1所述的人群密度监测方法，其特征在于，所述根据统计多帧图像中特征点的数量与实际人数得到的特征点的数量与实际人数的对应关系，得到跟踪的特征点所对应的人群密度包括：

统计多帧图像中每帧图像所拍摄的实际人数，根据每一帧图像中特征点的数量与实际人数的对应关系，得到特征点的数量与实际的人数的均值和方差，根据均值拟合出特征点的数量与实际人数的变化曲线，根据方差得到人数的置信区间，从而得到人群密度。

10.一种实施如权利要求1~9中任一项所述的人群密度监测方法的人群密度监测装置，其特征在于，包括：

图像采集模块，用于采集源图像；

特征点监测模块，用于对所采集的源图像进行特征点监测，提取当前帧图像的特征点；

特征点跟踪模块，用于对提取到的特征点的位置进行跟踪，得到下一帧图像中的跟踪的特征点；

特征点判定模块，用于计算当前帧的特征点与下一帧图像中跟踪的特征点的距离，将距离小于预设的第一阈值所对应的特征点删除；

人群密度计算模块，用于根据统计多帧图像中特征点的数量与实际人数得到的特征点的数量与实际人数的对应关系，得到跟踪的特征点所对应的人群密度。

Images