CN103985126A - 计算视频图像中人群密度图的方法 - Google Patents
计算视频图像中人群密度图的方法 Download PDFInfo
- Publication number
- CN103985126A CN103985126A CN201410214586.1A CN201410214586A CN103985126A CN 103985126 A CN103985126 A CN 103985126A CN 201410214586 A CN201410214586 A CN 201410214586A CN 103985126 A CN103985126 A CN 103985126A
- Authority
- CN
- China
- Prior art keywords
- density
- pixel
- angle point
- crowd
- video 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.)
- Pending
Links
Landscapes
- Image Analysis (AREA)
Abstract
一种计算视频图像中人群密度图的方法。其包括按顺序执行的下列步骤:第一步骤101、利用Harris算法获取检测区域中的角点;第二步骤102、对每个角点进行密度扩散,获取检测区域内相应于该角点的每个像素点的密度扩散值;第三步骤103、将每个像素点的对应于不同角点的密度扩散值进行累加,以获得该像素点的密度值;第四步骤104、根据上述像素点的密度值,画出检测区域的人群密度图,并将该人群密度图输出。与现有的人群密度检测技术相比,本发明提供的计算视频图像中人群密度图的方法可以准确地计算人群的密度图,且对于高密度人群的密度计算准确性较高。
Description
技术领域
本发明属于图像处理、视频监控技术领域,特别是涉及一种计算视频图像中人群密度图的方法。
背景技术
为了保障社会治安的稳定和人民生活的安定,我国各大中型城市中陆续安装了视频监控装置。这些视频监控装置根据应用的场所,需要具备不同的检测功能。其中,在诸如车站、机场、超市、商业街区、运动场等的重要公共场所中,对人群密度的检测十分重要。
公开号为CN101431664A的中国专利申请介绍了一种基于视频图像的密度客流自动检测方法及系统,该方法采用计算机视觉算法对采集到的视频图像进行处理,在人群密度较低时,采用像素数计算,并应用时间轴的信息进行背景生成;在人群密度较高时应用小波包分解来对人群图像进行多角度分析,提取小波包分解系数矩阵的计盒维数作为特征并使用分类器分类,得到人群密度等级。公开号为US2007/0031005A1的美国专利介绍了一种基于视频的实时人群密度估计,首先使用MRF(Markov Random Field)法检测变化图像,然后再利用几何规则估计场景的人群密度。然而上述方法对于高密度人群的场景,密度估计的准确率较差。
综上所述,目前迫切需要提出一种计算视频图像中人群密度图的方法。
发明内容
为了解决上述问题,本发明的目的在于提供一种计算视频图像中人群密度图的方法。
为了达到上述目的,本发明提供的计算视频图像中人群密度图的方法包括按顺序执行的下列步骤:
第一步骤101、利用Harris算法获取检测区域中的角点;
第二步骤102、对每个角点进行密度扩散,获取检测区域内相应于该角点的每个像素点的密度扩散值;
第三步骤103、将每个像素点的对应于不同角点的密度扩散值进行累加,以获得该像素点的密度值;
第四步骤104、根据上述像素点的密度值,画出检测区域的人群密度图,并将该人群密度图输出。
在第一步骤101中,所述的利用Harris算法计算检测区域中的角点方法如下:
计算检测区域内每个像素点的矩阵 其中Ix、Iy分别表示像素点在x方向、y方向上的梯度差;
计算每个像素点对应的矩阵值R=detC-k*(traceC)2,其中Det表示矩阵的模运算,trace表示矩阵的迹运算,k为经验值,k∈[0.04,0.06];
如果像素点的矩阵值R≥第一阈值T1,则将该像素点设为角点,其中第一阈值T1∈[100,200]。
在第二步骤102中,所述的对每个角点进行密度扩散的公式为:
其中,xi表示检测区域内的像素点,cj表示所获取的角点,σ表示弥散度,σ∈[3,5]且为整数,f(xi,cj)表示像素点xi相应于角点cj的密度扩散值。
在第三步骤103中,所述的将每个像素点xi的对应于不同角点cj的密度扩散值进行累加,以获得该像素点xi的密度值density(xi)的计算公式如下:
在第四步骤104中,所述的检测区域的人群密度图指的是通过在图像中标出每个像素点的密度值而获得的图像。
与现有的人群密度检测技术相比,本发明提供的计算视频图像中人群密度图的方法可以准确地计算人群的密度图,且对于高密度人群的密度计算准确性较高。
附图说明
图1为本发明提供的计算视频图像中人群密度图的方法流程图。
具体实施方式
为使本发明的结构、特征及其他目的得到进一步了解,现结合所附较佳实施例详细说明如下,所说明的较佳实施例仅用于说明本发明的技术方案,并非限定本发明。
图1为本发明提供的计算视频图像中人群密度图的方法流程图。如图1所示,本发明提供的计算视频图像中人群密度图的方法包括按顺序执行的下列步骤:
第一步骤101,利用Harris算法计算检测区域中的角点;
第二步骤102,对每个角点进行密度扩散,计算检测区域内相应于该角点的每个像素点的密度扩散值;
第三步骤103,将每个像素点的对应于不同角点的密度扩散值进行累加,以获得该像素点的密度值;
第四步骤104,根据上述像素点的密度值,画出检测区域的人群密度图,并将该人群密度图输出。
其中,在第一步骤101中,所述的检测区域是指需要计算人群密度图的区域,该检测区域可以根据实际需求人为设定,例如可以选择整个场景图像或者选择部分特定的场景图像作为检测区域。所述的利用Harris算法计算检测区域中的角点的方法如下:计算检测区域内每个像素点的矩阵 其中Ix、Iy分别表示像素点在x方向、y方向上的梯度差(参见《数字图像处理》,冈萨雷斯,电子工业出版社,2006.03);计算每个像素点对应的矩阵值R=detC-k*(traceC)2,其中Det表示矩阵的模运算,trace表示矩阵的迹运算,k为经验值,k∈[0.04,0.06];如果像素点的矩阵值R≥第一阈值T1,则将该像素点设为角点。第一阈值T1∈[100,200]。例如在拥挤的车站场景中,可以选择k为0.05,T1为120。
在第二步骤102中,所述对每个角点进行密度扩散的公式如下:
其中,xi表示检测区域内的像素点,cj表示第一步骤101中计算的角点,σ表示弥散度,σ∈[3,5]且为整数,f(xi,cj)表示像素点xi相应于角点cj的密度扩散值。例如在拥挤的车站场景中,σ可以选择为4。
在第三步骤103中,所述将每个像素点xi的对应于不同角点cj的密度扩散值进行累加,以获得该像素点xi的密度值density(xi)的计算公式如下:
在第四步骤104中,所述的检测区域的人群密度图指的是通过在图像中标出每个像素点的密度值而获得的图像。
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,因此本发明只受到本发明权利要求的内容和范围的限制,其意图涵盖所有包括在由所附权利要求所限定的本发明精神和范围内的备选方案和等同方案。
Claims (5)
1.一种获取视频图像中人群密度图的方法,其特征在于,该方法包括按顺序执行的下列步骤:
第一步骤101、利用Harris算法获取检测区域中的角点;
第二步骤102、对每个角点进行密度扩散,获取检测区域内相应于该角点的每个像素点的密度扩散值;
第三步骤103、将每个像素点的对应于不同角点的密度扩散值进行累加,以获得该像素点的密度值;
第四步骤104、根据上述像素点的密度值,画出检测区域的人群密度图,并将该人群密度图输出。
2.根据权利要求1所述的计算视频图像中人群密度图的方法,其特征在于:在第一步骤101中,所述的利用Harris算法计算检测区域中的角点方法如下:
计算检测区域内每个像素点的矩阵 其中Ix、Iy分别表示像素点在x方向、y方向上的梯度差;
计算每个像素点对应的矩阵值R=detC-k*(traceC)2,其中Det表示矩阵的模运算,trace表示矩阵的迹运算,k为经验值,k∈[0.04,0.06];
如果像素点的矩阵值R≥第一阈值T1,则将该像素点设为角点,其中第一阈值T1∈[100,200]。
3.根据权利要求1所述的计算视频图像中人群密度图的方法,其特征在于:在第二步骤102中,所述的对每个角点进行密度扩散的公式为:
其中,xi表示检测区域内的像素点,cj表示所获取的角点,σ表示弥散度,σ∈[3,5]且为整数,f(xi,cj)表示像素点xi相应于角点cj的密度扩散值。
4.根据权利要求1所述的计算视频图像中人群密度图的方法,其特征在于:在第三步骤103中,所述的将每个像素点xi的对应于不同角点cj的密度扩散值进行累加,以获得该像素点xi的密度值density(xi)的计算公式如下:
5.根据权利要求1所述的计算视频图像中人群密度图的方法,其特征在于:在第四步骤104中,所述的检测区域的人群密度图指的是通过在图像中标出每个像素点的密度值而获得的图像。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410214586.1A CN103985126A (zh) | 2014-05-21 | 2014-05-21 | 计算视频图像中人群密度图的方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410214586.1A CN103985126A (zh) | 2014-05-21 | 2014-05-21 | 计算视频图像中人群密度图的方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN103985126A true CN103985126A (zh) | 2014-08-13 |
Family
ID=51277084
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201410214586.1A Pending CN103985126A (zh) | 2014-05-21 | 2014-05-21 | 计算视频图像中人群密度图的方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN103985126A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107025450A (zh) * | 2017-04-25 | 2017-08-08 | 广东兆邦智能科技有限公司 | 热图生成方法 |
CN112800930A (zh) * | 2021-01-25 | 2021-05-14 | 北京市商汤科技开发有限公司 | 非机动车计数方法、装置、设备及存储介质 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2001008082A1 (en) * | 1999-07-26 | 2001-02-01 | The United States Of America As Represented By The Administrator Of The National Aeronautics And Space Administration (Nasa) | Video image stabilization and registration |
US20030169902A1 (en) * | 2002-03-05 | 2003-09-11 | Nissan Motor Co., Ltd. | Vehicular image processing apparatus and related method |
CN102034243A (zh) * | 2010-12-29 | 2011-04-27 | 北京智安邦科技有限公司 | 一种获取视频图像中人群密度图的方法及装置 |
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 |
-
2014
- 2014-05-21 CN CN201410214586.1A patent/CN103985126A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2001008082A1 (en) * | 1999-07-26 | 2001-02-01 | The United States Of America As Represented By The Administrator Of The National Aeronautics And Space Administration (Nasa) | Video image stabilization and registration |
US20030169902A1 (en) * | 2002-03-05 | 2003-09-11 | Nissan Motor Co., Ltd. | Vehicular image processing apparatus and related method |
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 |
CN102034243A (zh) * | 2010-12-29 | 2011-04-27 | 北京智安邦科技有限公司 | 一种获取视频图像中人群密度图的方法及装置 |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107025450A (zh) * | 2017-04-25 | 2017-08-08 | 广东兆邦智能科技有限公司 | 热图生成方法 |
CN107025450B (zh) * | 2017-04-25 | 2020-01-07 | 广东兆邦智能科技有限公司 | 热图生成方法 |
CN112800930A (zh) * | 2021-01-25 | 2021-05-14 | 北京市商汤科技开发有限公司 | 非机动车计数方法、装置、设备及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US10068343B2 (en) | Method and apparatus for recognizing moving target | |
CN106778705B (zh) | 一种行人个体分割方法及装置 | |
CN106952274B (zh) | 基于立体视觉的行人检测与测距方法 | |
CN104680483B (zh) | 图像的噪声估计方法、视频图像去噪方法及装置 | |
CN101833664A (zh) | 基于稀疏表达的视频图像文字检测方法 | |
CN107506729A (zh) | 一种基于深度学习的能见度检测方法 | |
CN103942774A (zh) | 一种基于相似性传播的多目标协同显著区域检测方法 | |
Nayak et al. | An extended DBC approach by using maximum Euclidian distance for fractal dimension of color images | |
Yam et al. | Effective bi-directional people flow counting for real time surveillance system | |
Mohammadi et al. | VGI and reference data correspondence based on location‐orientation rotary descriptor and segment matching | |
Zhao et al. | Tampered region detection of inpainting JPEG images | |
CN104036485A (zh) | 一种关于图像重采样篡改检测的方法 | |
CN103996040A (zh) | 融合局部-全局对比度的自底向上的视觉显著性生成方法 | |
Alizadeh et al. | Human-centered flood mapping and intelligent routing through augmenting flood gauge data with crowdsourced street photos | |
CN108471497A (zh) | 一种基于云台摄像机的船目标实时检测方法 | |
CN104392203A (zh) | 一种基于视频分析的点状条纹噪声检测方法 | |
CN105022101B (zh) | 强对流云团追踪方法 | |
Li et al. | Pixel-level detection and measurement of concrete crack using faster region-based convolutional neural network and morphological feature extraction | |
CN102542267B (zh) | 结合空间分布和全局对比的显著区域检测方法 | |
CN103942786A (zh) | 无人机可见光和红外图像的自适应团块目标检测方法 | |
CN105224914A (zh) | 一种基于图的无约束视频中显著物体检测方法 | |
CN102034243B (zh) | 一种获取视频图像中人群密度图的方法及装置 | |
CN103985126A (zh) | 计算视频图像中人群密度图的方法 | |
Martinez-Sanchez et al. | Skyline variations allow estimating distance to trees on landscape photos using semantic segmentation | |
Khosravi et al. | Vehicle speed and dimensions estimation using on-road cameras by identifying popular vehicles |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C53 | Correction of patent of invention or patent application | ||
CB02 | Change of applicant information |
Address after: 300010 Tianjin city Hebei District Wujing Road No. 39 Applicant after: State Grid Corporation of China Applicant after: State Grid Tianjin Electric Power Company Address before: 100031 Xicheng District West Chang'an Avenue, No. 86, Beijing Applicant before: State Grid Corporation of China Applicant before: State Grid Tianjin Electric Power Company |
|
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20140813 |
|
WD01 | Invention patent application deemed withdrawn after publication |