CN103544753B - 一种道闸控制方法及系统 - Google Patents

Abstract

本发明实施例公开了一种道闸控制方法及系统，用于提高安全性和可靠性。其中，本发明实施例方法包括：当道闸处于升起状态，地感线圈在地感区域没有检测到车辆时，图像分析器对摄像装置监控到的图像信息进行分析，确定所述道闸的两侧区域是否有人存在；若确定所述道闸的两侧区域有人，则道闸控制器控制所述道闸不落下；若确定所述道闸的两侧区域没有人，则所述道闸控制器控制所述道闸落下。

Description

一种道闸控制方法及系统

技术领域

本发明涉及智能停车场技术领域，尤其是涉及一种道闸控制方法及系统。

背景技术

目前，道闸已经被广泛使用在停车场出入口，并对车辆出入进行有效控制。通常道闸的使用模式都是“一车一杆，车过杆落”。道闸的闸杆进行关闸的时候会存在闸杆下有车辆或者行人经过的情况。为了避免车辆与行人被误伤，提高道闸的安全性，一般都会使用保护装置。

传统的电动道闸防砸车方案是通过在道闸的闸杆的正下方安装地感线圈，当车辆进入该区域会被地感线圈检测，通过道闸控制器停止或抬起闸杆以避免车辆被砸，但是这种检测方案无法检测行人，因此容易导致行人被误砸，安全性和可靠性都不够。

发明内容

本发明实施例提供了一种道闸控制方法及系统，用于提高安全性和可靠性。

有鉴于此，本发明第一方面提供一种道闸控制方法，其中，可包括：

当道闸处于升起状态，地感线圈在地感区域没有检测到车辆时，图像分析器对摄像装置监控到的图像信息进行分析，确定所述道闸的两侧区域是否有人存在；

若确定所述道闸的两侧区域有人，则道闸控制器控制所述道闸不落下；

若确定所述道闸的两侧区域没有人，则所述道闸控制器控制所述道闸落下。

进一步地，所述方法还包括：

当所述道闸处于关闭落下状态，所述地感线圈在地感区域没有检测到车辆时，若所述图像分析器确定所述道闸的两侧区域有人，则所述道闸控制器控制所述道闸不升起。

进一步地，所述方法还包括：

当所述道闸处于关闭落下状态时，若所述地感线圈在地感区域检测到车辆，则所述道闸控制器控制所述道闸升起。

优选地，所述图像分析器对摄像装置监控到的图像信息进行分析，确定所述道闸的两侧区域是否有人存在，包括：

图像分析器通过人头检测与跟踪算法对所述摄像装置监控到的图像信息进行分析，确定所述道闸的两侧区域是否有人存在。

优选地，所述人头检测与跟踪算法基于以下步骤实现：

使用帧差法获取前景；

把前景区域扩大，提取前景区域的Haar特征，使用基于Adaboost算法训练得到的Haar特征的强分类器对前景区域进行分类，得到具有人头纹理特征的区域；

利用Haar检测的结果更新跟踪序列；

对跟踪序列中的有效目标进行金字塔LK跟踪；

利用LK跟踪的结果更新跟踪序列；

判断是否有目标进入了监控区域，若是，则所述道闸控制器控制道闸升起。

优选地，所述使用帧差法获取前景基于以下步骤实现：

假设某一时间段内的视频序列图像为：f₁,f₂,...f_t，假设f_k-1(x,y)，f_k(x,y)为视频序列中间隔两帧图像，其中1≤k≤t，t为正整数，(x,y)为对应帧的坐标，则连续两帧的帧差表示为：

d_(k-1,k)(x,y)=|f_k(x,y)-f_k-1(x,y)|；

前景目标和背景目标通过阈值区分：

$\left\{\begin{array}{ccc}{\mathrm{fg}}_{(k-1,k)}(x,y)=1,& \mathrm{if}& d_{(k-1,k)}(x,y)\&GreaterEqual;\mathrm{threshold}\\ {\mathrm{fg}}_{(k-1,k)}(x,y)=0,& \mathrm{if}& d_{(k-1,k)}(x,y)<\mathrm{threshold}\end{array}\right.,$ 其中，fg为前景图，threshold为阈值。

优选地，所述利用Haar检测的结果更新跟踪序列基于以下步骤实现：

输入Haar检测序列与跟踪序列，计算Haar检测结果与跟踪对象最终位置的两两相交面积比例，并做相应标记；设置i=0，遍历每个Haar检测结果；

判断第i个Haar检测结果，与所有跟踪对象是否有相交，若有相交，则添加Haar检测结果为该相交跟踪对象的最终位置，若没有相交，则添加Haar检测结果为新的跟踪对象；

此次判断结束后，再判断Haar检测结果是否遍历完毕，若没有，则递增i，到下一个Haar检测结果，继续进行与跟踪对象是否有相交的判断；若已经遍历完毕，则进入跟踪对象有效性判断循环；设置i=0，遍历每个跟踪对象，判断第i个对象的连续未检测帧数是否超过阈值，或到了第四帧时是否只检测到1帧，若否，则确定该跟踪对象是有效的；若是，则删除当前跟踪对象；再判断跟踪序列是否遍历结束，若跟踪序列遍历未结束，则递增i，到下一个跟踪对象，继续跟踪对象有效性判断；若跟踪序列遍历结束，则结束流程。

优选地，所述对跟踪序列中的有效目标进行金字塔LK跟踪基于以下步骤实现：

前一帧与当前帧做一次LK跟踪，从前一帧提取角点pts0进行跟踪得到当前帧的角点pts1；

当前帧与前一帧做一次LK反跟踪，根据当前帧角点pts1跟踪得到前一帧的角点pts2；

对于pts0与pts1，每一对匹配的点，框出5x5的区域进行NCC匹配，所有点匹配完成后，计算出NCC匹配中值，NCC基于以下公式计算：

$\mathrm{NCC}=\frac{{\mathrm{\&Sigma;}}_{x,y}(f(x,y)-{\stackrel{\&OverBar;}{f}}_{u,v})(t(x-u,y-v)-\stackrel{\&OverBar;}{t})}{\sqrt{{\mathrm{\&Sigma;}}_{x,y}{(f(x,y)-{\stackrel{\&OverBar;}{f}}_{u,v})}^2{(t(x-u,y-v)-\stackrel{\&OverBar;}{t})}^2}};$

其中，f(x,y)是大小为M_x×M_y图像在的(x,y)点的灰度值，t(x,y)是大小为N_x×N_y模板图像在的(x,y)点的灰度值，是图像的平均值，表示为：

${\stackrel{\&OverBar;}{f}}_{u,v}=\frac{1}{N_x{N}_y}\underset{x=u}{\overset{u+N_x-1}{\mathrm{\&Sigma;}}}\underset{y=v}{\overset{v+N_y-1}{\mathrm{\&Sigma;}}}f(x,y);$

角点pts0与pts2之间计算对应点的欧氏距离，所有点的距离计算完成后，计算出距离中值，两个点(x₁,y₁)与(x₂,y₂)的欧氏距离表示为：

$d=\sqrt{{(x_1-x_2)}^2+{(y_1-y_2)}^2};$

对于pts1中大于所述NCC匹配中值并且小于所述距离中值的点确定为跟踪有效点；

若所有点减去跟踪有效点后剩下的点的数量大于特征点数的10%，预测人头在当前帧的位置。

优选地，所述利用LK跟踪的结果更新跟踪序列基于以下步骤实现：

对于每个跟踪对象，如果LK跟踪失败就把该目标删除；如果跟踪成功，根据金字塔LK跟踪最终位置修正跟踪序列中该目标的位置信息；如果LK跟踪最终位置获得的面积小于人头的最小尺寸，把该目标删除。

本发明第二方面提供一种道闸控制系统，其中，包括道闸、地感线圈、摄像装置、图像分析器和道闸控制器；

所述地感线圈，用于确定地感区域是否检测到车辆，并将确定结果发送至所述道闸控制器；

所述摄像装置，用于实时监控所述道闸的两侧区域；

所述图像分析器，用于对所述摄像装置监控到的图像信息进行分析，确定所述道闸的两侧区域是否有人存在，并将确定结果发送至所述道闸控制器；

所述道闸控制器，用于当所述道闸处于升起状态时，若所述地感线圈在地感区域没有检测到车辆，且所述图像分析器确定所述道闸的两侧区域有人，则控制所述道闸不落下，或者，若所述地感线圈在地感区域没有检测到车辆，且所述图像分析器确定所述道闸的两侧区域没有人，则控制所述道闸落下。

进一步地，所述道闸控制器，还用于当所述道闸处于关闭落下状态时，若所述地感线圈在地感区域没有检测到车辆，且所述图像分析器确定所述道闸的两侧区域有人，则控制所述道闸不升起。

进一步地，所述道闸控制器，还用于当所述道闸处于关闭落下状态时，若所述地感线圈在地感区域检测到车辆，控制所述道闸升起。

优选地，所述图像分析器具体用于通过人头检测与跟踪算法对所述摄像装置监控到的图像信息进行分析，确定所述道闸的两侧区域是否有人存在，并将确定结果发送至所述道闸控制器。

优选地，所述人头检测与跟踪算法基于以下步骤实现：

使用帧差法获取前景；把前景区域扩大，提取前景区域的Haar特征，使用基于Adaboost算法训练得到的Haar特征的强分类器对前景区域进行分类，得到具有人头纹理特征的区域；利用Haar检测的结果更新跟踪序列；对跟踪序列中的有效目标进行金字塔LK跟踪；利用LK跟踪的结果更新跟踪序列；判断是否有目标进入了监控区域，若是，则所述道闸控制器控制道闸升起。

优选地，所述图像分析器包括第一分析模块，用于使用帧差法获取前景：

假设某一时间段内的视频序列图像为：f₁,f₂,...f_t，假设f_k-1(x,y)，f_k(x,y)为视频序列中间隔两帧图像，其中1≤k≤t，t为正整数，(x,y)为对应帧的坐标，则连续两帧的帧差表示为：

d_(k-1,k)(x,y)=|f_k(x,y)-f_k-1(x,y)|；

前景目标和背景目标通过阈值区分：

$\left\{\begin{array}{ccc}{\mathrm{fg}}_{(k-1,k)}(x,y)=1,& \mathrm{if}& d_{(k-1,k)}(x,y)\&GreaterEqual;\mathrm{threshold}\\ {\mathrm{fg}}_{(k-1,k)}(x,y)=0,& \mathrm{if}& d_{(k-1,k)}(x,y)<\mathrm{threshold}\end{array}\right.,$ 其中，fg为前景图，threshold为阈值。

优选地，所述图像分析器包括第二分析模块，用于利用Haar检测的结果更新跟踪序列：

输入Haar检测序列与跟踪序列，计算Haar检测结果与跟踪对象最终位置的两两相交面积比例，并做相应标记；设置i=0，遍历每个Haar检测结果；

判断第i个Haar检测结果，与所有跟踪对象是否有相交，若有相交，则添加Haar检测结果为该相交跟踪对象的最终位置，若没有相交，则添加Haar检测结果为新的跟踪对象；

此次判断结束后，再判断Haar检测结果是否遍历完毕，若没有，则递增i，到下一个Haar检测结果，继续进行与跟踪对象是否有相交的判断；若已经遍历完毕，则进入跟踪对象有效性判断循环；设置i=0，遍历每个跟踪对象，判断第i个对象的连续未检测帧数是否超过阈值，或到了第四帧时是否只检测到1帧，若否，则确定该跟踪对象是有效的；若是，则删除当前跟踪对象；再判断跟踪序列是否遍历结束，若跟踪序列遍历未结束，则递增i，到下一个跟踪对象，继续跟踪对象有效性判断；若跟踪序列遍历结束，则结束流程。

优选地，所述图像分析器包括第三分析模块，用于对跟踪序列中的有效目标进行金字塔LK跟踪：

前一帧与当前帧做一次LK跟踪，从前一帧提取角点pts0进行跟踪得到当前帧的角点pts1；

当前帧与前一帧做一次LK反跟踪，根据当前帧角点pts1跟踪得到前一帧的角点pts2；

S13P0554

对于pts0与pts1，每一对匹配的点，框出5x5的区域进行NCC匹配，所有点匹配完成后，计算出NCC匹配中值，NCC基于以下公式计算：

$\mathrm{NCC}=\frac{{\mathrm{\&Sigma;}}_{x,y}(f(x,y)-{\stackrel{\&OverBar;}{f}}_{u,v})(t(x-u,y-v)-\stackrel{\&OverBar;}{t})}{\sqrt{{\mathrm{\&Sigma;}}_{x,y}{(f(x,y)-{\stackrel{\&OverBar;}{f}}_{u,v})}^2{(t(x-u,y-v)-\stackrel{\&OverBar;}{t})}^2}};$

其中，f(x,y)是大小为M_x×M_y图像在的(x,y)点的灰度值，t(x,y)是大小为N_x×N_y模板图像在的(x,y)点的灰度值，是图像的平均值，表示为：

${\stackrel{\&OverBar;}{f}}_{u,v}=\frac{1}{N_x{N}_y}\underset{x=u}{\overset{u+N_x-1}{\mathrm{\&Sigma;}}}\underset{y=v}{\overset{v+N_y-1}{\mathrm{\&Sigma;}}}f(x,y);$

角点pts0与pts2之间计算对应点的欧氏距离，所有点的距离计算完成后，计算出距离中值，两个点(x₁,y₁)与(x₂,y₂)的欧氏距离表示为：

$d=\sqrt{{(x_1-x_2)}^2+{(y_1-y_2)}^2};$

对于pts1中大于所述NCC匹配中值并且小于所述距离中值的点确定为跟踪有效点；

若所有点减去跟踪有效点后剩下的点的数量大于特征点数的10%，预测人头在当前帧的位置。

优选地，所述图像分析器包括第四分析模块，用于利用LK跟踪的结果更新跟踪序列：

对于每个跟踪对象，如果LK跟踪失败就把该目标删除；如果跟踪成功，根据金字塔LK跟踪最终位置修正跟踪序列中该目标的位置信息；如果LK跟踪最终位置获得的面积小于人头的最小尺寸，把该目标删除。

从以上技术方案可以看出，本发明实施例提供的一种道闸控制方法及系统具有以下优点：通过结合地感检测和视频分析，可以有效检测道闸下的车辆以及道闸两侧的行人，以避免车辆和行人被砸，精度高；并且，所述控制系统可应用于复杂场景以及室外恶劣环境，可以大大地提高了可靠性和安全性。

附图说明

为了更清楚地说明本发明实施例的技术方案，下面将对实施例描述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一种道闸控制系统的结构示意图；

图2为本发明实施例提供的道闸控制系统的硬件安装示意图；

图3为本发明实施例提供的人头检测与跟踪的流程示意图；

图4为本发明实施例提供的利用Haar检测的结果更新跟踪序列的流程示意图；

图5为本发明实施例提供的单个跟踪目标利用LK跟踪结果进行更新的流程示意图；

图6为本发明实施例提供的一种道闸控制方法的流程示意图；

图7为本发明实施例提供的道闸控制方法的另一流程示意图。

具体实施方式

本发明实施例提供了一种道闸控制方法及系统，用于提高安全性和可靠性。

为使得本发明的发明目的、特征、优点能够更加的明显和易懂，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，下面所描述的实施例仅仅是本发明一部分实施例，而非全部的实施例。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前提下所获得的所有其它实施例，都属于本发明保护的范围。

本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”、“第三”“第四”等（如果存在）是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本发明的实施例例如能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。

下面通过具体实施例，分别进行详细的说明。

本发明实施例分别提供一种道闸控制系统和道闸控制方法，由于所述道闸控制方法应用于所述道闸控制系统，道闸控制系统的实施方式包含于所述道闸控制方法，因此本发明实施例对道闸控制系统和道闸控制方法的实施方式进行结合分析：

请参考图1，图1为本发明实施例提供的一种道闸控制系统的结构示意图，其中，所述道闸控制系统包括道闸101、地感线圈102、摄像装置103、图像分析器104和道闸控制器105；

所述地感线圈102，用于确定地感区域是否检测到车辆，并将确定结果发送至所述道闸控制器105；

所述摄像装置103，用于实时监控所述道闸101的两侧区域；

可以理解的是，所述摄像装置103可以为模拟摄像机或者网络摄像机；

所述图像分析器104，用于对所述摄像装置103监控到的图像信息进行分析，确定所述道闸101的两侧区域是否有人存在，并将确定结果发送至所述道闸控制器105；

所述道闸控制器105，用于当所述道闸101处于升起状态时，若所述地感线圈102在地感区域没有检测到车辆，且所述图像分析器104确定所述道闸101的两侧区域有人，则控制所述道闸101不落下，或者，若所述地感线圈102在地感区域没有检测到车辆，且所述图像分析器104确定所述道闸101的两侧区域没有人，则控制所述道闸101落下。

可以理解的是，所述图像分析器104可内置视频采集卡，将采集到的模拟信号转换为数字信号或者直接通过网卡接收网络摄像机的图像信息，如图1所示，所述图像分析器104对所述摄像装置103监控到的图像信息进行分析，所述道闸控制器105接收所述地感线圈102与所述图像分析器104传输的信息，所述道闸控制器105根据接收到的信息，控制道闸101的状态。

可一并参考图2，图2为本发明实施例提供的道闸控制系统的硬件安装示意图，以图2所示道闸控制系统为例，在车辆驶向道闸（或称闸杆）101的方向，闸杆前1米处安装地感线圈102。通过在地面上切割2米乘以1.5米的环形地糟，并将地感线圈102埋入环形地糟中进行密封。在道闸101来车方向后方1米处，安装一个高3.5米的挂臂106，挂臂106的长度为闸杆的一半。在挂臂106的尽头垂直安装一个摄像装置103，用于监控道闸101两侧区域，即两个方向走向道闸101的行人都可以被监控。可以理解的是，所述摄像装置103可以为模拟或IP摄像机，所述摄像装置103使用广角镜头以观看更大区域，所述摄像装置103连接到图像分析器104，用于将采集到的视频图像信息进行实时视频分析；图像分析器104和道闸控制器105相连接，道闸101和道闸控制器105相连接。作为优选的，可以在挂臂106上摄像装置103旁边安装一个补光灯，用于在晚上进行补光，并且解决车辆开灯后灯光对监控范围的影响。另容易想到的是，本发明仅以图2所示的道闸控制系统进行分析说明，但不构成对本发明的限定。

进一步地，所述道闸控制器105，还用于当所述道闸101处于关闭落下状态时，若所述地感线圈102在地感区域没有检测到车辆，且所述图像分析器104确定所述道闸101的两侧区域有人，则控制所述道闸101不升起。

更进一步地，所述道闸控制器105，还用于当所述道闸101处于关闭落下状态时，若所述地感线圈102在地感区域检测到车辆，控制所述道闸101升起。

也就是说，本发明实施例中的图像分析器104一直实时通过摄像装置103检测监控区域（即道闸101两侧区域）内是否有人存在，在闸杆没打开（即处于落下的状态）的情况下，即使检测到有行人也不报警，道闸控制器105不对道闸101进行任何操作。系统通过地感线圈102检测车辆，当车辆停靠在地感区域，道闸控制器105控制道闸101升起后不会落下。当车辆离开该区域，道闸控制器105会检测图像分析器104的信号，如果确定出道闸101两侧区域有人，则控制道闸101不落下，如果确定出道闸101两侧区域没有行人，则控制道闸101落下。

由上述可知，本发明实施例提供的一种道闸控制系统：通过结合地感检测和视频分析，可以有效检测道闸101下的车辆以及道闸101两侧的行人，以避免车辆和行人被砸，精度高；并且，所述控制系统可应用于复杂场景以及室外恶劣环境，可以大大地提高了可靠性和安全性。

优选地，所述摄像装置103实时监控所述道闸101的两侧区域，所述图像分析器104对所述摄像装置103监控到的图像信息进行分析，确定所述道闸101的两侧区域是否有人存在的具体过程可以采用人头检测与跟踪算法进行实现；所述人头检测与跟踪算法可以包括步骤：通过相邻两帧差值提取运动目标的轮廓，对所述运动目标进行Haar检测并确定出运动目标为人头，对人头进行跟踪，判断跟踪目标是否进入监控区域，请参考图3，图3为本发明实施例提供的人头检测与跟踪的流程示意图，可基于以下步骤过程进行具体实现：

步骤11、使用帧差法获取前景：

将摄像装置103采集到的视频使用相邻两帧进行帧差提取运动物体的轮廓。由于室外环境复杂，光线变化较大，背景建模技术在实际应用中经常不能完成建模，因此使用相邻两帧进行帧差提取运动物体的轮廓的方法更鲁棒。根据运动物体的轮廓确定该物体在当前帧所占的面积。如果一个或多个物体的面积之和小于阈值，说明当前帧与前一帧差别不大，可以认为没有运动目标或者运动目标过小，不进行下一步操作。如果检测到的一个或多个运动物体的面积之和大于阈值，则分别用矩形框框住每一个物体。

假设某一时间段内的视频序列图像为：f₁,f₂,...f_t，设f_k-1(x,y)，f_k(x,y)为视频序列中间隔两帧图像，其中1≤k≤t，t为正整数，(x,y)为对应帧的坐标。那么连续两帧的帧差可以表示为：

d_(k-1,k)(x,y)=|f_k(x,y)-f_k-1(x,y)|(1)

前景目标和背景目标通过阈值区分，阈值的设定需要根据实际使用的环境以及光线随时间的变化而改变，公式（2）中fg为前景图，公式中的threshold为阈值。

$\left\{\begin{array}{ccc}{\mathrm{fg}}_{(k-1,k)}(x,y)=1,& \mathrm{if}& d_{(k-1,k)}(x,y)\&GreaterEqual;\mathrm{threshold}\\ {\mathrm{fg}}_{(k-1,k)}(x,y)=0,& \mathrm{if}& d_{(k-1,k)}(x,y)<\mathrm{threshold}\end{array}\right.---\left(2\right)$

步骤12、把前景区域扩大，提取前景区域的Haar特征，使用基于Adaboost算法训练得到的Haar特征的强分类器对前景区域进行分类，得到具有人头纹理特征的区域：

获取每个矩形框的宽度和高度，分别向上和向下扩大高度的25%，向左和向右扩大宽度的25%。在扩大后的矩形框内进行Haar特征提取，并使用基于Adaboost算法训练得到的Haar特征的强分类器对前景区域进行多尺度搜索，从而获取人头区域。对检测到的运动目标进行Haar检测可以减少运算量并且降低误检。如果检测到人头，添加到检测序列中。检测序列是一个记录检测到的人头信息的结构体变量。

Haar特征是一种矩形特征，矩形特征对一些简单的图形结构例如边缘，线段比较敏感，但只能描述特定走向，因此比较粗略。但是对于一个检测器，里面包含几十万个不同的矩形特征，再通过使用Adaboost算法进行训练，就可以得到一个强分类器，从而分类出人头区域与非人头区域。

每个Haar的特征模板都是由两个或多个全等的矩形相邻组合而成，特征模板内有白色和黑色两种矩形，并将此模板定义为白色矩形像素和减去黑色矩形像素和。特征模板在子窗口内都可以以任意尺寸任意放置，每一种形态称为一个特征。

其中，Adaboost算法是一种自适应的boosting算法，其基本思想是当分类器对某些样本正确分类时，则减少这些样本的权值。当错误分类时，则增加这些样本的权值，让学习算法在后续的学习中集中对比较难的训练样本进行学习，最终得到一个识别准确率理想的分类器。本发明中使用到的人头检测模型是采用人头的Haar特征训练得到的模型。

模型训练过程如下：

1、使用摄像头在各个时段和天气条件下拍摄并储存大量停车场出入口的视频。在这些视频中，人工截取出人头图像作为正样本，人工截取出非人头图像作为负样本。

2、使用Haar特征对每一幅正、负样本进行表征，形成Haar特征向量。

3、利用级联的Adaboost算法对Haar特征进行训练，然后采用最小允许检测率和最大允许误检率作为强分类器迭代停止依据，当每一层的强分类器的和都达到训练前的设定值时，该级训练即完成。下一层强分类器的训练负样本将从该层中被错误分类的负样本中产生。将Adaboost算法形成的强分类器进行级联，即得到一个良好的进行人头和非人头判别的级联人头强分类器。

步骤13、利用Haar检测的结果更新跟踪序列：

系统会对检测到的人头进行跟踪。被跟踪的人头信息会保存在跟踪序列中。跟踪序列是一个记录被跟踪的人头信息的结构体变量。可一并参考图4，图4为本发明实施例提供的利用Haar检测的结果更新跟踪序列的流程示意图：

首先，输入Haar检测序列与跟踪序列，计算Haar检测结果与跟踪对象最终位置的两两相交面积比例，并做相应标记；设置i=0，遍历每个Haar检测结果。判断第i个Haar检测结果，与所有跟踪对象是否有相交，若有相交，则添加Haar检测结果为该相交跟踪对象的最终位置，若没有相交，则添加Haar检测结果为新的跟踪对象。此次判断结束后，再判断Haar检测结果是否遍历完毕，若没有，则递增i，到下一个Haar检测结果，继续进行与跟踪对象是否有相交的判断；若已经遍历完毕，则进入跟踪对象有效性判断循环。设置i=0，遍历每个跟踪对象，判断第i个对象的连续未检测帧数是否超过阈值，或到了第四帧时是否只检测到1帧，若否，则该跟踪对象是有效的；若是，则删除当前跟踪对象。再判断跟踪序列是否遍历结束，若跟踪序列遍历未结束，则递增i，到下一个跟踪对象，继续跟踪对象有效性判断；若跟踪序列遍历结束，则结束流程。

本发明实施例中，所述跟踪序列的更新包括对跟踪对象进行添加和删除两部分：

a)添加：这里的添加是指把Haar检测的结果添加到跟踪序列中。如果跟踪序列为空，把检测序列中的人头信息添加到跟踪序列中。如果跟踪序列不为空，计算检测序列与跟踪序列各最终位置的两两相交面积比例，并做相应标记。遍历每个Haar检测结果，如果与跟踪对象有相交，添加Haar检测结果为相交跟踪对象的最终位置。如果与跟踪对象没有相交，添加Haar检测结果为新的跟踪对象。

b)删除：如果连续未检测帧数大于设定的删除帧数,或在最开始的连续4帧内被检测到的帧数小于2，即只在第一帧被检测到，但后面连续三帧检测不到，该被跟踪的对象会被删除。

步骤14、对跟踪序列中的有效目标进行金字塔LK跟踪：

可参考图5，图5示出了单个跟踪目标利用LK跟踪结果进行更新的流程。

具体地：金字塔Lucas-Kanade（LK）算法从金字塔的最高层（细节最小）开始向金字塔的低层（丰富的细节）进行跟踪，允许小窗口捕获较大的运动，是一种有效的跟踪算法。金字塔LK跟踪的步骤如下：

a)前一帧与当前帧做一次LK跟踪，从前一帧提取角点（Cornerpoints）pts0进行跟踪得到当前帧的角点pts1。

b)当前帧与前一帧做一次LK反跟踪，根据当前帧角点pts1跟踪得到前一帧的角点pts2。

c)对于pts0与pts1，每一对匹配的点，框出5x5的区域进行NormalizedCrossCorrelation（NCC）匹配，所有点匹配完成后，计算出中值，NCC匹配是一种抗噪声能力强且匹配准确的匹配算法。NCC的计算可以表示为：

$\mathrm{NCC}=\frac{{\mathrm{\&Sigma;}}_{x,y}(f(x,y)-{\stackrel{\&OverBar;}{f}}_{u,v})(t(x-u,y-v)-\stackrel{\&OverBar;}{t})}{\sqrt{{\mathrm{\&Sigma;}}_{x,y}{(f(x,y)-{\stackrel{\&OverBar;}{f}}_{u,v})}^2{(t(x-u,y-v)-\stackrel{\&OverBar;}{t})}^2}}---\left(3\right)$

其中f(x,y)是大小为M_x×M_y图像在的(x,y)点的灰度值，t(x,y)是大小为N_x×N_y模板图像在的(x,y)点的灰度值，是图像的平均值，可以表示为：

${\stackrel{\&OverBar;}{f}}_{u,v}=\frac{1}{N_x{N}_y}\underset{x=u}{\overset{u+N_x-1}{\mathrm{\&Sigma;}}}\underset{y=v}{\overset{v+N_y-1}{\mathrm{\&Sigma;}}}f(x,y)---\left(4\right)$

d)角点pts0与pts2之间计算对应点的欧氏距离，所有点的距离计算完成后，计算出中值。两个点(x₁,y₁)与(x₂,y₂)的欧氏距离可以表示为：

$d=\sqrt{{(x_1-x_2)}^2+{(y_1-y_2)}^2}---\left(5\right)$

e)结合c)与d)的结果，对于pts1中大于NCC匹配中值并且小于距离中值的点认为是跟踪有效点。

f)如果经过步骤e)后剩下的点数足够（大于特征点数的10%），预测该人头在当前帧的位置。

步骤15、利用LK跟踪的结果更新跟踪序列：

对于每个跟踪对象，如果LK跟踪失败就把该目标删除。如果跟踪成功，根据金字塔LK跟踪最终位置修正跟踪序列中该目标的位置信息。如果LK跟踪最终位置获得的面积小于人头的最小尺寸，把该目标删除。

步骤16、判断是否有目标进入了监控区域；

经过了Haar检测与LK跟踪后有效的跟踪目标会被判断是否进入了监控区域。一旦发现目标进入监控区域，图像分析器104会检测道闸101是否在下落状态，如果是则向道闸控制器105发信号，所述道闸控制器105控制道闸101升起。

需要说明的是，本发明仅以步骤11至步骤16对本发明中人头检测与跟踪的实现进行简单分析说明，并不构成对本发明的限定；另外，该算法实现也可以参考现有的对人头检测与跟踪技术的相关内容，此处不作具体阐述。

由上述可知，本发明实施例提供的一种道闸控制系统：通过结合地感检测和视频分析，可以有效检测道闸101下的车辆以及道闸101两侧的行人，以避免车辆和行人被砸，精度高；并且，所述控制系统可应用于复杂场景以及室外恶劣环境，可以大大地提高了可靠性和安全性。

由此，本发明实施例提供一种基于上述道闸控制系统的道闸控制方法。其中名词的含义与上述系统中相同，具体实现细节可以参考系统实施例中的说明。

请参考图6，图6为本发明实施例提供的一种道闸控制方法的流程示意图，其中，所述道闸控制方法可用于如上述实施例提供的道闸控制系统，所述道闸控制方法可包括：

步骤601、当道闸101处于升起状态，地感线圈102在地感区域没有检测到车辆时，图像分析器104对摄像装置103监控到的图像信息进行分析，确定所述道闸101的两侧区域是否有人存在；

步骤602a、若确定所述道闸101的两侧区域有人，则道闸控制器105控制所述道闸101不落下；

步骤602b、若确定所述道闸101的两侧区域没有人，则所述道闸控制器105控制所述道闸101落下。

可以理解的是，如图1所示道闸控制系统，所述图像分析器104对所述摄像装置103监控到的图像信息进行分析，所述道闸控制器105接收所述地感线圈102与所述图像分析器104传输的信息，所述道闸控制器105根据接收到的信息，控制道闸的状态。

可一并参考图2，图2为本发明实施例提供的道闸控制系统的硬件安装示意图，以图2所示道闸控制系统为例，在车辆驶向道闸（或称闸杆）101的方向，闸杆前1米处安装地感线圈102。通过在地面上切割2米乘以1.5米的环形地糟，并将地感线圈102埋入环形地糟中进行密封。在道闸101来车方向后方1米处，安装一个高3.5米的挂臂106，挂臂106的长度为闸杆的一半。在挂臂106的尽头垂直安装一个摄像装置103，用于监控道闸101两侧区域，即两个方向走向道闸101的行人都可以被监控。可以理解的是，所述摄像装置103可以为模拟或IP摄像机，所述摄像装置103使用广角镜头以观看更大区域，所述摄像装置103连接到图像分析器104，用于将采集到的视频图像信息进行实时视频分析；图像分析器104和道闸控制器105相连接，道闸101和道闸控制器105相连接。作为优选的，可以在挂臂106上摄像装置103旁边安装一个补光灯，用于在晚上进行补光，并且解决车辆开灯后灯光对监控范围的影响。另容易想到的是，本发明仅以图2所示的道闸控制系统进行分析说明，但不构成对本发明的限定。

进一步地，所述道闸控制方法还包括：当所述道闸101处于关闭落下状态，所述地感线圈102在地感区域没有检测到车辆时，若所述图像分析器104确定所述道闸101的两侧区域有人，则所述道闸控制器105控制所述道闸101不升起。

更进一步地，所述道闸控制方法还包括：当所述道闸101处于关闭落下状态时，若所述地感线圈102在地感区域检测到车辆，则所述道闸控制器105控制所述道闸101升起。

优选地，所述控制方法中，所述图像分析器对摄像装置监控到的图像信息进行分析，确定所述道闸的两侧区域是否有人存在（步骤601），可以包括：

通过人头检测与跟踪算法对所述摄像装置监控到的图像信息进行分析，确定所述道闸的两侧区域是否有人存在，所述人头检测与跟踪算法基于以下步骤实现：使用帧差法获取前景；把前景区域扩大，提取前景区域的Haar特征，使用基于Adaboost算法训练得到的Haar特征的强分类器对前景区域进行分类，得到具有人头纹理特征的区域；利用Haar检测的结果更新跟踪序列；对跟踪序列中的有效目标进行金字塔LK跟踪；利用LK跟踪的结果更新跟踪序列；判断是否有目标进入了监控区域，若是，则所述道闸控制器控制道闸升起。

在某些实施方式中，所述图像分析器104可以包括第一分析模块，用于使用帧差法获取前景：假设某一时间段内的视频序列图像为：f₁,f₂,...f_t，假设f_k-1(x,y)，f_k(x,y)为视频序列中间隔两帧图像，其中1≤k≤t，t为正整数，(x,y)为对应帧的坐标，则连续两帧的帧差表示为：d_(k-1,k)(x,y)=|f_k(x,y)-f_k-1(x,y)|；

前景目标和背景目标通过阈值区分：

$\left\{\begin{array}{ccc}{\mathrm{fg}}_{(k-1,k)}(x,y)=1,& \mathrm{if}& d_{(k-1,k)}(x,y)\&GreaterEqual;\mathrm{threshold}\\ {\mathrm{fg}}_{(k-1,k)}(x,y)=0,& \mathrm{if}& d_{(k-1,k)}(x,y)<\mathrm{threshold}\end{array}\right.,$ 其中，fg为前景图，threshold为阈值。

所述图像分析器104还可以包括第二分析模块，用于利用Haar检测的结果更新跟踪序列：

输入Haar检测序列与跟踪序列，计算Haar检测结果与跟踪对象最终位置的两两相交面积比例，并做相应标记；设置i=0，遍历每个Haar检测结果；

判断第i个Haar检测结果，与所有跟踪对象是否有相交，若有相交，则添加Haar检测结果为该相交跟踪对象的最终位置，若没有相交，则添加Haar检测结果为新的跟踪对象；

此次判断结束后，再判断Haar检测结果是否遍历完毕，若没有，则递增i，到下一个Haar检测结果，继续进行与跟踪对象是否有相交的判断；若已经遍历完毕，则进入跟踪对象有效性判断循环；设置i=0，遍历每个跟踪对象，判断第i个对象的连续未检测帧数是否超过阈值，或到了第四帧时是否只检测到1帧，若否，则确定该跟踪对象是有效的；若是，则删除当前跟踪对象；再判断跟踪序列是否遍历结束，若跟踪序列遍历未结束，则递增i，到下一个跟踪对象，继续跟踪对象有效性判断；若跟踪序列遍历结束，则结束流程。

所述图像分析器104还可以包括第三分析模块，用于对跟踪序列中的有效目标进行金字塔LK跟踪：

前一帧与当前帧做一次LK跟踪，从前一帧提取角点pts0进行跟踪得到当前帧的角点pts1；当前帧与前一帧做一次LK反跟踪，根据当前帧角点pts1跟踪得到前一帧的角点pts2；

对于pts0与pts1，每一对匹配的点，框出5x5的区域进行NCC匹配，所有点匹配完成后，计算出NCC匹配中值，NCC基于以下公式计算：

$\mathrm{NCC}=\frac{{\mathrm{\&Sigma;}}_{x,y}(f(x,y)-{\stackrel{\&OverBar;}{f}}_{u,v})(t(x-u,y-v)-\stackrel{\&OverBar;}{t})}{\sqrt{{\mathrm{\&Sigma;}}_{x,y}{(f(x,y)-{\stackrel{\&OverBar;}{f}}_{u,v})}^2{(t(x-u,y-v)-\stackrel{\&OverBar;}{t})}^2};}$

其中，f(x,y)是大小为M_x×M_y图像在的(x,y)点的灰度值，t(x,y)是大小为N_x×N_y模板图像在的(x,y)点的灰度值，是图像的平均值，表示为：

${\stackrel{\&OverBar;}{f}}_{u,v}=\frac{1}{N_x{N}_y}\underset{x=u}{\overset{u+N_x-1}{\mathrm{\&Sigma;}}}\underset{y=v}{\overset{v+N_y-1}{\mathrm{\&Sigma;}}}f(x,y);$

角点pts0与pts2之间计算对应点的欧氏距离，所有点的距离计算完成后，计算出距离中值，两个点(x₁,y₁)与(x₂,y₂)的欧氏距离表示为：

$d=\sqrt{{(x_1-x_2)}^2+{(y_1-y_2)}^2};$

对于pts1中大于所述NCC匹配中值并且小于所述距离中值的点确定为跟踪有效点；若所有点减去跟踪有效点后剩下的点的数量大于特征点数的10%，预测人头在当前帧的位置。

所述图像分析器104还可以包括第四分析模块，用于利用LK跟踪的结果更新跟踪序列：

对于每个跟踪对象，如果LK跟踪失败就把该目标删除；如果跟踪成功，根据金字塔LK跟踪最终位置修正跟踪序列中该目标的位置信息；如果LK跟踪最终位置获得的面积小于人头的最小尺寸，把该目标删除。

可以理解的是，所述人头检测与跟踪算法可以具体参考上述系统实施中的步骤11至步骤16，以及相关附图进行具体实现，此处不再具体描述。

由上述可知，本发明实施例提供的一种道闸控制方法：通过结合地感检测和视频分析，可以有效检测道闸101下的车辆以及道闸101两侧的行人，以避免车辆和行人被砸，精度高；并且，所述控制系统可应用于复杂场景以及室外恶劣环境，可以大大地提高了可靠性和安全性。

基于如图1和图2所示的道闸控制系统，本发明实施例提供另一道闸控制方法，可一并参考图7，图7为该道闸控制方法的流程示意图，假设，所示道闸101处于关闭落下状态；

步骤701、地感线圈102在地感区域检测到车辆；

步骤702、道闸控制器105控制道闸101打开升起；

可以理解的是，检测到车辆后，车主可进行刷卡，随后所述道闸101升起后，车辆可以通过；

步骤703、地感线圈102判断所述地感区域是否检测到车辆；

地感线圈102判断所述车辆是否有离开所述地感区域，且将所述判断结果发送至所述道闸控制器105；

步骤704a、若是，则所述道闸控制器105控制道闸101不落下；

即所述道闸101维持升起状态；

步骤704b、若否，则图像分析器104确定所述道闸101的两侧区域是否有人存在；

且将确定结果发送至所述道闸控制器105，所述道闸控制器105根据该结果控制道闸101进行相应操作；

步骤705a、若确定所述道闸101的两侧区域有人，控制所述道闸101不落下；

即所述道闸101维持升起状态；

步骤705b、若确定所述道闸101的两侧区域没有人，则控制所述道闸101落下。

可以理解的是，本发明实施例中的图像分析器104一直实时通过摄像装置103检测监控区域（即道闸101两侧区域）内是否有人存在，在闸杆没打开（即处于落下的状态）的情况下，即使检测到有行人也不报警，道闸控制器105不对道闸101进行任何操作。系统通过地感线圈102检测车辆，当车辆停靠在地感区域，道闸控制器105控制道闸101升起后不会落下。当车辆离开该区域，道闸控制器105会检测图像分析器104的信号，如果确定出道闸101两侧区域有人，则控制道闸101不落下，如果确定出道闸101两侧区域没有行人，则控制道闸101落下。

由上述可知，本发明实施例提供的一种道闸控制方法：通过结合地感检测和视频分析，可以有效检测道闸101下的车辆以及道闸101两侧的行人，以避免车辆和行人被砸，精度高；并且，所述控制系统可应用于复杂场景以及室外恶劣环境，可以大大地提高了可靠性和安全性。

所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统，装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。

在本申请所提供的几个实施例中，应该理解到，所揭露的系统，装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。

所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。

另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。

所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备（可以是个人计算机，服务器，或者网络设备等）执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器（ROM，Read-OnlyMemory）、随机存取存储器（RAM，RandomAccessMemory）、磁碟或者光盘等各种可以存储程序代码的介质。

以上对本发明所提供的一种道闸控制方法及系统进行了详细介绍，对于本领域的一般技术人员，依据本发明实施例的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本发明的限制。

Claims (14)

1.一种道闸控制方法，其特征在于，包括：

当道闸处于升起状态，地感线圈在地感区域没有检测到车辆时，图像分析器对摄像装置监控到的图像信息进行分析，确定所述道闸的两侧区域是否有人存在；

若确定所述道闸的两侧区域有人，则道闸控制器控制所述道闸不落下；

若确定所述道闸的两侧区域没有人，则所述道闸控制器控制所述道闸落下；

其中，所述图像分析器对摄像装置监控到的图像信息进行分析，确定所述道闸的两侧区域是否有人存在包括：图像分析器通过人头检测与跟踪算法对所述摄像装置监控到的图像信息进行分析，确定所述道闸的两侧区域是否有人存在；

所述人头检测与跟踪算法基于以下步骤实现：

使用帧差法获取前景；

把前景区域扩大，提取前景区域的Haar特征，使用基于Adaboost算法训练得到的Haar特征的强分类器对前景区域进行分类，得到具有人头纹理特征的区域；

利用Haar检测的结果更新跟踪序列；

对跟踪序列中的有效目标进行金字塔LK跟踪；

利用LK跟踪的结果更新跟踪序列；

判断是否有目标进入了监控区域，若是，则所述道闸控制器控制道闸升起。

2.根据权利要求1所述的方法，其特征在于，所述方法还包括：

当所述道闸处于关闭落下状态，所述地感线圈在地感区域没有检测到车辆时，若所述图像分析器确定所述道闸的两侧区域有人，则所述道闸控制器控制所述道闸不升起。

3.根据权利要求1所述的方法，其特征在于，所述方法还包括：

当所述道闸处于关闭落下状态时，若所述地感线圈在地感区域检测到车辆，则所述道闸控制器控制所述道闸升起。

4.根据权利要求1至3任一项所述的方法，其特征在于，所述使用帧差法获取前景基于以下步骤实现：

假设某一时间段内的视频序列图像为：f₁,f₂,...f_t，假设f_k-1(x,y)，f_k(x,y)为视频序列中间隔两帧图像，其中1≤k≤t，t为正整数，(x,y)为对应帧的坐标，则连续两帧的帧差表示为：

d_(k-1,k)(x,y)＝|f_k(x,y)-f_k-1(x,y)|；

前景目标和背景目标通过阈值区分：

$\left\{\begin{array}{ccc}{\mathrm{fg}}_{(k-1,k)}(x,y)=1,& if& d_{(k-1,k)}(x,y)\&GreaterEqual;threshold\\ {\mathrm{fg}}_{(k-1,k)}(x,y)=0,& if& d_{(k-1,k)}(x,y)<threshold\end{array}\right.,$ 其中，fg为前景图，threshold为阈值。

5.根据权利要求1至3任一项所述的方法，其特征在于，所述利用Haar检测的结果更新跟踪序列基于以下步骤实现：

输入Haar检测序列与跟踪序列，计算Haar检测结果与跟踪对象最终位置的两两相交面积比例，并做相应标记；设置i＝0，遍历每个Haar检测结果；

判断第i个Haar检测结果，与所有跟踪对象是否有相交，若有相交，则添加Haar检测结果为该相交跟踪对象的最终位置，若没有相交，则添加Haar检测结果为新的跟踪对象；

此次判断结束后，再判断Haar检测结果是否遍历完毕，若没有，则递增i，到下一个Haar检测结果，继续进行与跟踪对象是否有相交的判断；若已经遍历完毕，则进入跟踪对象有效性判断循环；设置i＝0，遍历每个跟踪对象，判断第i个对象的连续未检测帧数是否超过阈值，或到了第四帧时是否只检测到1帧，若否，则确定该跟踪对象是有效的；若是，则删除当前跟踪对象；再判断跟踪序列是否遍历结束，若跟踪序列遍历未结束，则递增i，到下一个跟踪对象，继续跟踪对象有效性判断；若跟踪序列遍历结束，则结束流程。

6.根据权利要求1至3任一项所述的方法，其特征在于，所述对跟踪序列中的有效目标进行金字塔LK跟踪基于以下步骤实现：

前一帧与当前帧做一次LK跟踪，从前一帧提取角点pts0进行跟踪得到当前帧的角点pts1；

当前帧与前一帧做一次LK反跟踪，根据当前帧角点pts1跟踪得到前一帧的角点pts2；

对于pts0与pts1，每一对匹配的点，框出5x5的区域进行NCC匹配，所有点匹配完成后，计算出NCC匹配中值，NCC基于以下公式计算：

$NCC=\frac{{\mathrm{\&Sigma;}}_{x,y}\left(f\right(x,y)-{\stackrel{\&OverBar;}{f}}_{u,v})\left(t\right(x-u,y-v)-\stackrel{\&OverBar;}{t})}{\sqrt{{\mathrm{\&Sigma;}}_{x,y}{\left(f\right(x,y)-{\stackrel{\&OverBar;}{f}}_{u,v})}^2{\left(t\right(x-u,y-v)-\stackrel{\&OverBar;}{t})}^2}};$

其中，f(x,y)是大小为M_x×M_y图像在的(x,y)点的灰度值，t(x,y)是大小为N_x×N_y模板图像在的(x,y)点的灰度值，是图像的平均值，表示为：

${\stackrel{\&OverBar;}{f}}_{u,v}=\frac{1}{N_x{N}_y}\underset{x=u}{\overset{u+N_x-1}{\&Sigma;}}\underset{y=v}{\overset{v+N_y-1}{\&Sigma;}}f(x,y);$

角点pts0与pts2之间计算对应点的欧氏距离，所有点的距离计算完成后，计算出距离中值，两个点(x₁,y₁)与(x₂,y₂)的欧氏距离表示为：

$d=\sqrt{{(x_1-x_2)}^2+{(y_1-y_2)}^2};$

对于pts1中大于所述NCC匹配中值并且小于所述距离中值的点确定为跟踪有效点；

若所有点减去跟踪有效点后剩下的点的数量大于特征点数的10％，预测人头在当前帧的位置。

7.根据权利要求1至3任一项所述的方法，其特征在于，所述利用LK跟踪的结果更新跟踪序列基于以下步骤实现：

对于每个跟踪对象，如果LK跟踪失败就把该目标删除；如果跟踪成功，根据金字塔LK跟踪最终位置修正跟踪序列中该目标的位置信息；如果LK跟踪最终位置获得的面积小于人头的最小尺寸，把该目标删除。

8.一种道闸控制系统，其特征在于，包括道闸、地感线圈、摄像装置、图像分析器和道闸控制器；

所述地感线圈，用于确定地感区域是否检测到车辆，并将确定结果发送至所述道闸控制器；

所述摄像装置，用于实时监控所述道闸的两侧区域；

所述图像分析器，用于对所述摄像装置监控到的图像信息进行分析，确定所述道闸的两侧区域是否有人存在，并将确定结果发送至所述道闸控制器；

所述道闸控制器，用于当所述道闸处于升起状态时，若所述地感线圈在地感区域没有检测到车辆，且所述图像分析器确定所述道闸的两侧区域有人，则控制所述道闸不落下，或者，若所述地感线圈在地感区域没有检测到车辆，且所述图像分析器确定所述道闸的两侧区域没有人，则控制所述道闸落下；

其中，所述图像分析器具体用于通过人头检测与跟踪算法对所述摄像装置监控到的图像信息进行分析，确定所述道闸的两侧区域是否有人存在，并将确定结果发送至所述道闸控制器；

所述人头检测与跟踪算法基于以下步骤实现：使用帧差法获取前景；把前景区域扩大，提取前景区域的Haar特征，使用基于Adaboost算法训练得到的Haar特征的强分类器对前景区域进行分类，得到具有人头纹理特征的区域；利用Haar检测的结果更新跟踪序列；对跟踪序列中的有效目标进行金字塔LK跟踪；利用LK跟踪的结果更新跟踪序列；判断是否有目标进入了监控区域，若是，则所述道闸控制器控制道闸升起。

9.根据权利要求8所述的系统，其特征在于，所述道闸控制器，还用于当所述道闸处于关闭落下状态时，若所述地感线圈在地感区域没有检测到车辆，且所述图像分析器确定所述道闸的两侧区域有人，则控制所述道闸不升起。

10.根据权利要求8所述的系统，其特征在于，所述道闸控制器，还用于当所述道闸处于关闭落下状态时，若所述地感线圈在地感区域检测到车辆，控制所述道闸升起。

11.根据权利要求8至10任一项所述的系统，其特征在于，所述图像分析器包括第一分析模块，用于使用帧差法获取前景：

假设某一时间段内的视频序列图像为：f₁,f₂,...f_t，假设f_k-1(x,y)，f_k(x,y)为视频序列中间隔两帧图像，其中1≤k≤t，t为正整数，(x,y)为对应帧的坐标，则连续两帧的帧差表示为：

d_(k-1,k)(x,y)＝|f_k(x,y)-f_k-1(x,y)|；

前景目标和背景目标通过阈值区分：

$\left\{\begin{array}{ccc}{\mathrm{fg}}_{(k-1,k)}(x,y)=1,& if& d_{(k-1,k)}(x,y)\&GreaterEqual;threshold\\ {\mathrm{fg}}_{(k-1,k)}(x,y)=0,& if& d_{(k-1,k)}(x,y)<threshold\end{array}\right.,$ 其中，fg为前景图，threshold为阈值。

12.根据权利要求8至10任一项所述的系统，其特征在于，所述图像分析器包括第二分析模块，用于利用Haar检测的结果更新跟踪序列：

输入Haar检测序列与跟踪序列，计算Haar检测结果与跟踪对象最终位置的两两相交面积比例，并做相应标记；设置i＝0，遍历每个Haar检测结果；

判断第i个Haar检测结果，与所有跟踪对象是否有相交，若有相交，则添加Haar检测结果为该相交跟踪对象的最终位置，若没有相交，则添加Haar检测结果为新的跟踪对象；

此次判断结束后，再判断Haar检测结果是否遍历完毕，若没有，则递增i，到下一个Haar检测结果，继续进行与跟踪对象是否有相交的判断；若已经遍历完毕，则进入跟踪对象有效性判断循环；设置i＝0，遍历每个跟踪对象，判断第i个对象的连续未检测帧数是否超过阈值，或到了第四帧时是否只检测到1帧，若否，则确定该跟踪对象是有效的；若是，则删除当前跟踪对象；再判断跟踪序列是否遍历结束，若跟踪序列遍历未结束，则递增i，到下一个跟踪对象，继续跟踪对象有效性判断；若跟踪序列遍历结束，则结束流程。

13.根据权利要求8至10任一项所述的系统，其特征在于，所述图像分析器包括第三分析模块，用于对跟踪序列中的有效目标进行金字塔LK跟踪：

前一帧与当前帧做一次LK跟踪，从前一帧提取角点pts0进行跟踪得到当前帧的角点pts1；

当前帧与前一帧做一次LK反跟踪，根据当前帧角点pts1跟踪得到前一帧的角点pts2；

对于pts0与pts1，每一对匹配的点，框出5x5的区域进行NCC匹配，所有点匹配完成后，计算出NCC匹配中值，NCC基于以下公式计算：

$NCC=\frac{{\mathrm{\&Sigma;}}_{x,y}\left(f\right(x,y)-{\stackrel{\&OverBar;}{f}}_{u,v})\left(t\right(x-u,y-v)-\stackrel{\&OverBar;}{t})}{\sqrt{{\mathrm{\&Sigma;}}_{x,y}{\left(f\right(x,y)-{\stackrel{\&OverBar;}{f}}_{u,v})}^2{\left(t\right(x-u,y-v)-\stackrel{\&OverBar;}{t})}^2}};$

其中，f(x,y)是大小为M_x×M_y图像在的(x,y)点的灰度值，t(x,y)是大小为N_x×N_y模板图像在的(x,y)点的灰度值，是图像的平均值，表示为：

${\stackrel{\&OverBar;}{f}}_{u,v}=\frac{1}{N_x{N}_y}\underset{x=u}{\overset{u+N_x-1}{\&Sigma;}}\underset{y=v}{\overset{v+N_y-1}{\&Sigma;}}f(x,y);$

角点pts0与pts2之间计算对应点的欧氏距离，所有点的距离计算完成后，计算出距离中值，两个点(x₁,y₁)与(x₂,y₂)的欧氏距离表示为：

$d=\sqrt{{(x_1-x_2)}^2+{(y_1-y_2)}^2};$

对于pts1中大于所述NCC匹配中值并且小于所述距离中值的点确定为跟踪有效点；

若所有点减去跟踪有效点后剩下的点的数量大于特征点数的10％，预测人头在当前帧的位置。

14.根据权利要求8至10任一项所述的系统，其特征在于，所述图像分析器包括第四分析模块，用于利用LK跟踪的结果更新跟踪序列：

对于每个跟踪对象，如果LK跟踪失败就把该目标删除；如果跟踪成功，根据金字塔LK跟踪最终位置修正跟踪序列中该目标的位置信息；如果LK跟踪最终位置获得的面积小于人头的最小尺寸，把该目标删除。