CN103824114B - 一种基于截面流量统计的行人流量计数方法和系统 - Google Patents

Abstract

发明公开了一种基于截面流量统计的行人流量计数方法和系统，其方法在视频中设置一条行人流量统计带，并将统计带划分为四个区域，每个区域为一个截面计数块。第一步，利用基于特征提取的行人计数方法得到截面计数块中的行人个数；第二步，提取截面计数块中行人的速度；第三步，通过分析截面计数块与行人流量统计带的相对位置来统计行人流量。本发明提出的行人流量计数方法和系统在高密度人群场景下准确率比较高，且每帧处理时间可以满足实时性的要求，有效地解决了传统计数方法在高密度人群场景中的问题。

Description

一种基于截面流量统计的行人流量计数方法和系统

技术领域

本发明涉及计算机技术领域，更具体地，涉及一种基于截面流量统计的行人流量计数方法和系统。

背景技术

为了保证公共场所的安全，近几年全国各个城市都新增了大量监控摄像头。通过摄像头获得大量的视频数据后，急需解决的问题是：如何从视频数据中提取出有用信息。人工分析视频数据的工作量非常大，而且容易出错,因此智能视频监控成为国内外研究人员关注的焦点。其中行人流量计数由于其运用范围广、实用价值高，成为智能视频监控中一个十分重要的研究领域。

人流量统计数据对城市的安全监测和管理者的决策调整等都有深远的意义，其主要表现为：

1.对公共场所的行人流量进行监控，相关部门可根据实时人流量数据进行人员调动，防止人群的拥挤和堵塞，保证公共场所的安全。

2.通过对行人流量的统计计数管理公共资源，如：根据城市各个街道的历史行人流量数据，可以合理安排公交车的行车路线；根据车站的实时行人流量数据，可以及时地调整发车时间。

3.根据商业地区的行人流量统计数据，经营者可以了解消费者的喜好，制定有效的销售策略，合理地分配人力资源。从而减少运营成本，实现企业与消费者的双赢。

国内外学者开展了大量行人流量计数的研究，但大部分研究都是针对中低密度人群的。高密度人群场景中的行人计数存在以下几个难点：第一，背景被持续遮挡，无法提取真实背景；第二，行人间遮挡现象严重，无法有效检测行人；第三，由于场景复杂、光照变化大，视频图像中存在大量噪声。

发明内容

为了解决上述问题，本发明首先提出了一种基于截面流量统计的行人流量计数方法，能够解决高密度人群场景中的行人流量计数问题。

本发明的又一目的是提出了一种基于截面流量统计的行人流量计数系统。

本发明提供的技术解决方案：

一种基于截面流量统计的行人流量计数方法，在视频中设置一条设置行人流量统计带，并将统计带划分为四个区域，每个区域为一个截面计数块。第一步，利用基于特征提取的行人计数方法得到截面计数块中的行人个数；第二步，提取截面计数块中行人的速度；第三步，通过分析截面计数块与行人流量统计带的相对位置来统计行人流量。

各截面计数块的行人数的具体提取方法为：

a)预处理：对视频图像进行图像平滑和图像增强处理；

b)运动检测：将梯度二值化图像作为历史模板，根据梯度运动历史图像计算出场景的有效运动图像，首先判断处理图像是否是第一帧图像，若是，则初始化梯度运动历史图像和截面流量计数块，否则计算有效运动图像；

c)特征提取：从图像的截面计数块中提取人群的有效运动像素特征、梯度像素特征和特征点特征，组合成特征向量；

d)回归计数：采用SVM对截面流量计数块进行行人数预测；

各截面计数块的速度提取与更新：提取截面计数块的当前帧的速度；更新截面计数块的历史速度和位置；判断截面计数块与行人流量统计带的位置关系，如果截面计数块超过行人流量统计带，则更新流量计数结果并重置截面计数块位置。

一种基于截面流量统计的行人流量计数系统，该系统包括：

预处理模块：对视频图像进行图像平滑和图像增强处理；

运动检测模块：将梯度二值化图像作为历史模板，根据梯度运动历史图像计算出场景的有效运动图像，该模块首先判断处理图像是否是第一帧图像，若是，则初始化运动历史图像和截面流量计数块，否则计算有效运动图像；

特征提取模块：从图像的截面计数块中提取人群的有效运动像素特征、梯度像素特征和特征点特征，组合成特征向量；

回归计数模块：采用SVM对截面流量计数块进行人数预测，训练部分从训练样本中提取特征，通过学习得到特征向量与行人数之间的关系，预测部分将从视频帧中提取出的特征向量输入训练好的SVM即可得到预测的行人数；

速度提取与更新模块：该模块首先提取截面计数块的当前帧的速度，然后更新截面计数块的历史速度和位置，最后判断截面计数块与计数线的位置关系，如果截面计数块超过计数线，则更新流量计数结果并重置截面计数块位置。

与现有技术相比，本发明的有效益效果是：本发明提出的行人流量计数方法和系统在高密度人群场景下准确率比较高，且每帧处理时间可以满足实时性的要求，有效地解决了传统计数方法在高密度人群场景中的问题。

附图说明

图1基于截面流量统计的行人流量计数系统流程图。

具体实施方式

下面结合附图对本发明做进一步的描述，但本发明的实施方式并不限于此。

如图1，一种基于截面流量统计的行人流量计数方法，在视频中设置一条行人流量统计带，并将统计带划分为四个区域，每个区域为一个截面计数块。第一步，利用基于特征提取的行人计数方法得到各个截面计数块中的行人个数；第二步，提取各截面计数块中行人的速度；第三步，通过分析各截面计数块与计数带的相对位置来统计行人流量。该方法包括以下部分：

a)预处理：对视频图像进行图像平滑和图像增强处理。

预处理部分，对视频图像进行图像平滑常见的处理方法有均值滤波、高斯滤波和中值滤波等，对视频图像进行图像对比度增强的常见的处理方法有灰度变换和直方图均衡等。

b)运动检测：将梯度二值化图像作为历史模板，根据梯度运动历史图像计算出场景的有效运动图像，该模块首先判断处理图像是否是第一帧图像，若是则初始化运动历史图像和截面流量计数块，否则计算有效运动图像。

有效运动图像的计算方法流程是：

(一)计算图像的梯度二值化图像T(x,y)，

其中，T_x(x,y)和T_y(x,y)是图像在x和y方向的梯度二值化图像；

(二)计算梯度运动历史图像，

$tMHI(x,y)=\left\{\begin{array}{cc}\mathrm{\&tau;}& T(x,y)=255\\ 0& tMHI(x,y)<(\mathrm{\&tau;}-\mathrm{\&delta;})\end{array}\right.$

其中，T(x,y)是上一步计算出的梯度二值化图像，τ为当前时间，δ为事先定义的时间戳，表示tMHI(基于时间戳的运动历史图像)所记录的时间范围；

(三)根据梯度运动历史图像计算出当前帧的有效运动图像，即前景图像，

$EM(x,y)=\left\{\begin{array}{cc}255& min\&le;MAX(x,y)-MIN(x,y)\&le;max\\ 0& otherwise\end{array}\right.$

其中，MAX(x,y)和MIN(x,y)分别为遍历梯度运动历史图像中点(x,y)邻域内所有点后得到的最大最小值，min和max为预先设置的阈值。

c)特征提取：从图像的截面计数块中提取人群的有效运动像素特征、梯度像素特征和特征点特征，组合成特征向量。

特征提取将有效运动像素特征、梯度像素特征和特征点特征结合作为人群的混合特征，其中：

1)有效运动像素特征的特征提取：计算有效运动图像，将截面流量计数块中的有效运动像素数作为其一维特征；

2)梯度像素特征的特征提取：用Sobel算子得到边缘图像后，将其进行二值化处理得到边缘二值化图像，将截面计数块中边缘像素个数作为其一维特征向量；

3)特征点特征的特征提取：选择FAST特征点的数量作为人群的特征。

d)回归计数：采用SVM对截面流量计数块进行行人数预测。

e)速度提取与更新：首先提取截面计数块的当前帧的速度；然后更新截面计数块的历史速度和位置；最后判断截面计数块与计数线的位置关系，如果截面计数块超过计数线，则更新流量计数结果并重置截面计数块位置。

速度提取方法选择用基于运动历史图像和光流法(FAST特征点)相结合的速度提取方法，其中：

1)基于运动历史图像的方法的速度提取方法：计算截面流量计数块中各有效运动点的运动速度，取加权平均值作为计数块的全局运动速度；

2)基于光流的方法的速度提取方法：先提取FAST特征点，然后计算各个特征点的光流，将这些光流的加权平均作为全局运动速度向量。

基于截面流量统计的行人流量计数系统，系统设计如图1所示，包括预处理模块、运动检测模块、特征提取模块、回归计数模块和速度与更新模块五部分，每个部分的设计和本申请的方法的每个部分一一对应：

1)预处理模块：对视频图像进行图像平滑和图像增强处理；

2)运动检测模块：将梯度二值化图像作为历史模板，根据梯度运动历史图像计算出场景的有效运动图像，该模块首先判断处理图像是否是第一帧图像，若是则初始化运动历史图像和截面流量计数块，否则计算有效运动图像；

3)特征提取模块：从图像的截面计数块中提取人群的有效运动像素特征、梯度像素特征和特征点特征，组合成特征向量；

4)回归计数模块：采用SVM对截面流量计数块进行人数预测，训练部分从训练样本中提取特征，通过学习得到特征向量与行人数之间的关系，预测部分将从视频帧中提取出的特征向量输入训练好的SVM即可得到预测的行人数；

5)速度提取与更新模块：该模块首先提取截面计数块的当前帧的速度，然后更新截面计数块的历史速度和位置，最后判断截面计数块与计数线的位置关系，如果截面计数块超过计数线，则更新流量计数结果并重置截面计数块位置。

以上所述，仅为本发明的较佳实施例而已，并非用于限定本发明的保护范围，应当理解，本发明并不限于这里所描述的实现方案，这些实现方案描述的目的在于帮助本领域中的技术人员实践本发明。任何本领域中的技术人员很容易在不脱离本发明精神和范围的情况下进行进一步的改进和完善，因此任何在本发明的精神原则之内所作出的修改、等同替换和改进等，均应包含在本发明的权利要求保护范围之内。

Claims (5)

1.一种基于截面流量统计的行人流量计数方法，其特征在于，在视频中设置一条行人流量统计带，并将统计带划分为四个区域，每个区域为一个截面计数块，提取出每个截面计数块的行人数和速度，累加后得到场景中的人数流量数；

各截面计数块的行人数的具体提取方法为：

a)预处理：对视频图像进行图像平滑和图像增强处理；

b)运动检测：将梯度二值化图像作为历史模板，根据梯度运动历史图像计算出场景的有效运动图像，首先判断处理图像是否是第一帧图像，若是，则初始化梯度运动历史图像和截面流量计数块，否则计算有效运动图像；

c)特征提取：从图像的截面计数块中提取人群的有效运动像素特征、梯度像素特征和特征点特征，组合成特征向量；

d)回归计数：采用SVM对截面流量计数块进行行人数预测；

e)各截面计数块的速度提取与更新：提取截面计数块的当前帧的速度；更新截面计数块的历史速度和位置；判断截面计数块与行人流量统计带的位置关系，如果截面计数块超过行人流量统计带，则更新流量计数结果并重置截面计数块位置。

2.根据权利要求1所述的基于截面流量统计的行人流量计数方法，其特征在于，所述有效运动图像的计算方法是：

第一步：计算图像的梯度二值化图像T(x,y)，

其中，T_x(x,y)和T_y(x,y)是图像在x和y方向的梯度二值化图像；

第二步：计算梯度运动历史图像，

$tMHI(x,y)=\left\{\begin{array}{cc}\mathrm{\&tau;}& T(x,y)=255\\ 0& tMHI(x,y)<(\mathrm{\&tau;}-\mathrm{\&delta;})\end{array}\right.$

其中，T(x,y)是第一步计算出的梯度二值化图像，τ为当前时间，δ为事先定义的时间戳，tMHI表示基于时间戳的运动历史图像所记录的时间范围；

第三步：根据梯度运动历史图像计算出当前帧的有效运动图像，即前景图像，

$EM(x,y)=\left\{\begin{array}{cc}255& min\&le;MAX(x,y)-MIN(x,y)\&le;max\\ 0& otherwise\end{array}\right.$

其中，MAX(x,y)和MIN(x,y)分别为遍历梯度运动历史图像中点(x,y)邻域内所有点后得到的最大值和最小值，min和max为预先设置的阈值。

3.根据权利要求1所述的基于截面流量统计的行人流量计数方法，其特征在于，所述特征提取是将有效运动像素特征、梯度像素特征和特征点特征结合作为人群的混合特征，其中：

1)有效运动像素特征的特征提取：计算有效运动图像，将截面流量计数块中的有效运动像素数作为其一维特征；

2)梯度像素特征的特征提取：用Sobel算子得到边缘图像后，将其进行二值化处理，得到边缘二值化图像，将截面计数块中边缘像素个数作为其一维特征向量；

3)特征点特征的特征提取：选择FAST特征点的数量作为人群的特征。

4.根据权利要求1所述的基于截面流量统计的行人流量计数方法，其特征在于，各截面计数块的速度提取方法：选择用基于运动历史图像和光流法相结合的速度提取方法，其中：

1)基于运动历史图像的方法的速度提取方法：计算截面流量计数块中各有效运动点的运动速度，取加权平均值作为计数块的全局运动速度；

2)基于光流的方法的速度提取方法：先提取FAST特征点，然后计算各个特征点的光流，将这些光流的加权平均作为全局运动速度向量。

5.一种基于截面流量统计的行人流量计数系统，其特征在于，包括：

预处理模块：对视频图像进行图像平滑和图像增强处理；

运动检测模块：将梯度二值化图像作为历史模板，根据梯度运动历史图像计算出场景的有效运动图像，该模块首先判断处理图像是否是第一帧图像，若是，则初始化运动历史图像和截面流量计数块，否则计算有效运动图像；

特征提取模块：从图像的截面计数块中提取人群的有效运动像素特征、梯度像素特征和特征点特征，组合成特征向量；

回归计数模块：采用SVM对截面流量计数块进行人数预测，训练部分从训练样本中提取特征，通过学习得到特征向量与行人数之间的关系，预测部分将从视频帧中提取出的特征向量输入训练好的SVM即可得到预测的行人数；

速度提取与更新模块：该模块首先提取截面计数块的当前帧的速度，然后更新截面计数块的历史速度和位置，最后判断截面计数块与计数线的位置关系，如果截面计数块超过计数线，则更新流量计数结果并重置截面计数块位置。