CN104835147A - 基于三维深度图数据的密集人流量实时检测方法 - Google Patents
基于三维深度图数据的密集人流量实时检测方法 Download PDFInfo
- Publication number
- CN104835147A CN104835147A CN201510177022.XA CN201510177022A CN104835147A CN 104835147 A CN104835147 A CN 104835147A CN 201510177022 A CN201510177022 A CN 201510177022A CN 104835147 A CN104835147 A CN 104835147A
- Authority
- CN
- China
- Prior art keywords
- dimensional depth
- diagram data
- flow rate
- area
- detection method
- 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
Abstract
本发明涉及一种基于三维深度图数据的密集人流量实时检测方法,包括以下步骤:通过摄像机获取三维深度图数据;通过前景提取和人头目标区域检测获得初步的人头目标;对行人进行跟踪并且记录运动轨迹;根据轨迹信息判断人数和运动方向。本发明在三维深度图上进行图像处理,能有效解决二维图像数据处理中的误检缺点,提高人流量统计的准确性,且计算复杂度低,可以实时检测人流量,适用于智能视频监控领域。
Description
技术领域
本发明涉及计算机视觉技术领域中人流量分析,特别是涉及一种基于三维深度图数据的密集人流量实时检测方法。
背景技术
人流量的检测与分析在视频监控领域有着广泛的应用,尤其像商场、车站、机场、体育场等公共场所都有着巨大的需求。实时准确地统计出人流量对于公共交通、智能安防、公共安全、商业统计等领域都非常必要。
随着计算机视觉的发展,基于视频和图像处理等进行人流量统计的方法被提出来,但现有的方法都是在二维图像中进行处理,在遇到遮挡、背景变化、人流拥挤等复杂情景下,误检会增加。
发明内容
本发明所要解决的技术问题是提供一种基于三维深度图数据的密集人流量实时检测方法,解决了二维图像处理上的误检问题,提高了人流量统计的准确性和实时性,推广了基于深度图数据上进行图像处理的实际应用。
本发明解决其技术问题所采用的技术方案是:提供一种基于三维深度图数据的密集人流量实时检测方法,包括以下步骤:
(1)使用摄像机获取三维深度图数据;
(2)对三维深度图提取出前景,去除背景;
(3)对提取出的前景分割成一定数量的网格区域,采用局部阈值化处理初步提取出人头目标区域,最后通过区域的长宽比例确定人头目标;
(4)对得到的人头区域进行目标跟踪,记录跟踪轨迹;
(5)对轨迹信息进行特征判断,获得行人数目和运动方向;
(6)输出人流量检测的结果。
所述步骤(1)中摄像机垂直于地面进行俯拍。
所述步骤(1)和步骤(2)之间还包括对采集到的三维深度图数据进行滤波去噪的预处理步骤。
所述步骤(2)具体包括:对完成预处理的三维深度图计算连续的一定数量图像帧的背景区域平均极小值,并利用背景区域平均极小值进行二值化阈值处理提取出前景,去除背景。
所述步骤(3)中采用局部阈值方法,把前景分割成人头目标区域大小的多个小区域,并提取出轮廓,利用轮廓长度,面积,占空比和离散度进行判断是否为人头目标区域,其中,占空比为轮廓包围的面积与轮廓包围的最小矩形面积的比值。
所述步骤(4)中使用kalman滤波器实现跟踪轨迹。
所述步骤(5)中对获得的轨迹信息进行特征分析,具体包括轨迹的长度、轨迹的增量方向和轨迹的点数,根据上述特征判断行人的运动方向和行人的数目。
有益效果
由于采用了上述的技术方案,本发明与现有技术相比,具有以下的优点和积极效果:
本发明使用垂直地面俯拍的摄像头检测人流可以简化场景复杂度,减少行人之间相互遮挡的现象,即使人流密集的情况下,行人的身体发生接触,人头之间也很少发生遮挡现象。
本发明的图像处理算法基于底层像素灰度值特征,运算复杂度低,适合做实时处理。
本发明采集的图像是深度图信息,可以有效避免基于颜色特征中与头发相同颜色的噪声干扰,同时当行人戴帽子、白发或者光头时都能有效检测。
在行人跟踪时,本方法使用带预测的跟踪方式,即使某几帧图像没有正确地检测出行人,也不会影响整体的检测效果。当突然丢掉目标时,当前时刻之前的轨迹信息利用Kalman滤波器进行预测。因此,本方法具有很好的稳定性。
附图说明
图1是人流量检测方法的流程图;
图2是摄像头安装方式示意图;
图3是行人跟踪轨迹示意图。
具体实施方式
下面结合具体实施例,进一步阐述本发明。应理解,这些实施例仅用于说明本发明而不用于限制本发明的范围。此外应理解,在阅读了本发明讲授的内容之后,本领域技术人员可以对本发明作各种改动或修改,这些等价形式同样落于本申请所附权利要求书所限定的范围。
本发明的实施方式涉及一种基于三维深度图数据的密集人流量实时检测方法,如图1所示,包括以下步骤:
(1)使用摄像机获取三维深度图数据,其中,如图2所示,摄像机垂直于地面进行俯拍。
(2)对采集到的三维深度图数据进行预处理。
(3)对完成预处理的三维深度图提取出前景,去除背景。
(4)对提取出的前景分割成一定数量的网格区域,采用局部阈值化处理初步提取出人头目标区域,最后通过区域的长宽比例确定人头目标。
(5)对得到的人头区域进行目标跟踪,记录跟踪轨迹。
(6)对轨迹信息进行特征判断,获得行人数目和运动方向。
(7)输出人流量检测的结果。
步骤(1)中采集三维深度图像可以通过深度相机直接获取深度图,也可以通过两个标定的普通相机进行视频图像匹配获取深度图。
步骤(2)中预处理为滤波去噪处理,使得背景噪声尽可能少。
步骤(3)通过初步的阈值处理得到背景区域的极小值点,并且连续取一定数量的图像帧求取平均值,使得前景区域没有噪声和背景的干扰。
步骤(4)将前景区域分割成一定数量的网格,网格大小与人头区域类似,在每个网格区域中进行局部阈值化处理,初步得到候选人头区域并提取出轮廓。轮廓根据如下的特征进行判断:
L:轮廓的周长
A:轮廓包围的面积
B:轮廓包围的最小外接矩形面积
Z:占空比(轮廓包围的面积A与轮廓包围的最小外接矩形面积B的比值)
C:离散度(轮廓包围的最小外接矩形长宽比)
其中,轮廓的周长、包围的面积和最小矩形的面积均需要根据实际的视频情况进行取值。占空比理论值为0.76,离散度理论值1.7,可以根据实际情况细微调动,这样便可以检测出合适的人头区域。
步骤(5)中对行人区域使用最近邻方法进行目标跟踪,跟踪过程中使用kalman滤波器进行预测平滑运动轨迹,并且记录下目标的运动轨迹,行人跟踪的示意图如图3所示。
步骤(6)中对获得的运动目标轨迹进行特征判断,主要是轨迹的有效点数、轨迹的首尾长度和轨迹的增量方向。以图像平面左上角为坐标原点,图像宽度方向为坐标横轴x,图像长度方向为坐标纵轴y,并定义y增加的方向为进,减少的方向为出。假设目标的运动轨迹为:Trace={(x0,y0),(x1,y1),…,(xn,yn)},那么目标在y方向的速度可以近似表示为如下形式:vy={y1-y0,y2-y1,…,yn-yn-1},正数表示进入,负数表示出去,统计出正数的个数为m,轨迹的长度为d,判断出入的准则如下:当d≥θ1&n≥θ2&m/n≥θ3时,判断行人为进入,进入总人数加1;当d≥θ1&n≥θ2&0≤m/n≤θ4时,判断行人为出去,出去总人数加1;其中θ1,θ2,θ3,θ4为对应的阈值,根据实际场景进行设置。当不满足以上两个条件时,说明轨迹为错误轨迹,将轨迹删除并不予计数。
不难发现,本发明使用三维深度图数据进行阈值处理,运算复杂度低、实时性好。并且深度图数据可以有效避免基于二维图像检测中存在的颜色干扰和相同大小物体(如背包、帽子等)的误检问题,有效避免人头区域高度以下的噪声干扰。对于提取出的前景采用网格式局部阈值化处理,可以有效分割出多个目标,并将目标间的干扰降到最低,提高检测的准确性,在人流密集时可以表现很好的性能。
Claims (7)
1.一种基于三维深度图数据的密集人流量实时检测方法,其特征在于,包括以下步骤:
(1)使用摄像机获取三维深度图数据;
(2)对三维深度图提取出前景,去除背景;
(3)对提取出的前景分割成一定数量的网格区域,采用局部阈值化处理初步提取出人头目标区域,最后通过区域的长宽比例确定人头目标;
(4)对得到的人头区域进行目标跟踪,记录跟踪轨迹;
(5)对轨迹信息进行特征判断,获得行人数目和运动方向;
(6)输出人流量检测的结果。
2.根据权利要求1所述的基于三维深度图数据的密集人流量实时检测方法,其特征在于,所述步骤(1)中摄像机垂直于地面进行俯拍。
3.根据权利要求1所述的基于三维深度图数据的密集人流量实时检测方法,其特征在于,所述步骤(1)和步骤(2)之间还包括对采集到的三维深度图数据进行滤波去噪的预处理步骤。
4.根据权利要求1所述的基于三维深度图数据的密集人流量实时检测方法,其特征在于,所述步骤(2)具体包括:对完成预处理的三维深度图计算连续的一定数量图像帧的背景区域平均极小值,并利用背景区域平均极小值进行二值化阈值处理提取出前景,去除背景。
5.根据权利要求1所述的基于三维深度图数据的密集人流量实时检测方法,其特征在于,所述步骤(3)中采用局部阈值方法,把前景分割成人头目标区域大小的多个小区域,并提取出轮廓,利用轮廓长度,面积,占空比和离散度进行判断是否为人头目标区域,其中,占空比为轮廓包围的面积与轮廓包围的最小矩形面积的比值。
6.根据权利要求1所述的基于三维深度图数据的密集人流量实时检测方法,其特征在于,所述步骤(4)中使用kalman滤波器实现跟踪轨迹。
7.根据权利要求1所述的基于三维深度图数据的密集人流量实时检测方法,其特征在于,所述步骤(5)中对获得的轨迹信息进行特征分析,具体包括轨迹的长度、轨迹的增量方向和轨迹的点数,根据上述特征判断行人的运动方向和行人的数目。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510177022.XA CN104835147A (zh) | 2015-04-15 | 2015-04-15 | 基于三维深度图数据的密集人流量实时检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510177022.XA CN104835147A (zh) | 2015-04-15 | 2015-04-15 | 基于三维深度图数据的密集人流量实时检测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN104835147A true CN104835147A (zh) | 2015-08-12 |
Family
ID=53813012
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510177022.XA Pending CN104835147A (zh) | 2015-04-15 | 2015-04-15 | 基于三维深度图数据的密集人流量实时检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN104835147A (zh) |
Cited By (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105279484A (zh) * | 2015-10-10 | 2016-01-27 | 北京旷视科技有限公司 | 对象检测方法和对象检测装置 |
CN106251363A (zh) * | 2016-07-18 | 2016-12-21 | 四川君逸数码科技股份有限公司 | 一种智慧金睛识别人流人数统计方法和装置 |
CN106530310A (zh) * | 2016-10-25 | 2017-03-22 | 深圳大学 | 一种基于人体头顶部识别的行人统计方法及装置 |
CN106570883A (zh) * | 2016-10-25 | 2017-04-19 | 长安大学 | 一种基于rgb‑d相机的人数统计方法 |
CN107016349A (zh) * | 2017-03-10 | 2017-08-04 | 中科唯实科技(北京)有限公司 | 一种基于深度相机的人群流量分析方法 |
CN108069307A (zh) * | 2016-11-14 | 2018-05-25 | 杭州海康威视数字技术股份有限公司 | 一种对电梯中的人数进行统计的方法及装置 |
CN108932464A (zh) * | 2017-06-09 | 2018-12-04 | 北京猎户星空科技有限公司 | 客流量统计方法及装置 |
CN109344690A (zh) * | 2018-08-09 | 2019-02-15 | 上海青识智能科技有限公司 | 一种基于深度相机的人数统计方法 |
CN109479117A (zh) * | 2016-07-14 | 2019-03-15 | 三菱电机株式会社 | 群集监视装置和群集监视系统 |
CN111382637A (zh) * | 2018-12-29 | 2020-07-07 | 深圳市优必选科技有限公司 | 行人检测跟踪方法、装置、终端设备及介质 |
CN112587035A (zh) * | 2020-12-08 | 2021-04-02 | 珠海市一微半导体有限公司 | 移动机器人识别工作场景的控制方法和系统 |
CN112598384A (zh) * | 2020-12-24 | 2021-04-02 | 卡斯柯信号有限公司 | 一种基于建筑信息模型的车站客流监测方法及系统 |
CN113034544A (zh) * | 2021-03-19 | 2021-06-25 | 奥比中光科技集团股份有限公司 | 一种基于深度相机的人流分析方法及装置 |
US11048961B2 (en) | 2017-01-19 | 2021-06-29 | Zhejiang Dahua Technology Co., Ltd. | Locating method and system |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20080118106A1 (en) * | 2006-11-22 | 2008-05-22 | Regents Of The University Of Minnesota | Crowd counting and monitoring |
CN101621615A (zh) * | 2009-07-24 | 2010-01-06 | 南京邮电大学 | 一种自适应背景建模及运动目标检测方法 |
CN102855617A (zh) * | 2011-07-01 | 2013-01-02 | 中国科学院深圳先进技术研究院 | 自适应图像处理方法及系统 |
CN103150559A (zh) * | 2013-03-01 | 2013-06-12 | 南京理工大学 | 基于Kinect三维深度图像的头部识别与跟踪方法 |
CN103440491A (zh) * | 2013-06-24 | 2013-12-11 | 中国科学院上海微系统与信息技术研究所 | 一种基于颜色特征的密集人流量实时检测方法 |
CN103530874A (zh) * | 2013-10-09 | 2014-01-22 | 上海大学 | 基于Kinect的人流计数方法 |
-
2015
- 2015-04-15 CN CN201510177022.XA patent/CN104835147A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20080118106A1 (en) * | 2006-11-22 | 2008-05-22 | Regents Of The University Of Minnesota | Crowd counting and monitoring |
CN101621615A (zh) * | 2009-07-24 | 2010-01-06 | 南京邮电大学 | 一种自适应背景建模及运动目标检测方法 |
CN102855617A (zh) * | 2011-07-01 | 2013-01-02 | 中国科学院深圳先进技术研究院 | 自适应图像处理方法及系统 |
CN103150559A (zh) * | 2013-03-01 | 2013-06-12 | 南京理工大学 | 基于Kinect三维深度图像的头部识别与跟踪方法 |
CN103440491A (zh) * | 2013-06-24 | 2013-12-11 | 中国科学院上海微系统与信息技术研究所 | 一种基于颜色特征的密集人流量实时检测方法 |
CN103530874A (zh) * | 2013-10-09 | 2014-01-22 | 上海大学 | 基于Kinect的人流计数方法 |
Non-Patent Citations (1)
Title |
---|
徐小龙等: "基于颜色特征的人流量实时检测方法", 《现代电子技术》 * |
Cited By (25)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105279484A (zh) * | 2015-10-10 | 2016-01-27 | 北京旷视科技有限公司 | 对象检测方法和对象检测装置 |
US10192107B2 (en) | 2015-10-10 | 2019-01-29 | Beijing Kuangshi Technology Co., Ltd. | Object detection method and object detection apparatus |
CN109479117A (zh) * | 2016-07-14 | 2019-03-15 | 三菱电机株式会社 | 群集监视装置和群集监视系统 |
CN106251363A (zh) * | 2016-07-18 | 2016-12-21 | 四川君逸数码科技股份有限公司 | 一种智慧金睛识别人流人数统计方法和装置 |
WO2018076392A1 (zh) * | 2016-10-25 | 2018-05-03 | 深圳大学 | 一种基于人体头顶部识别的行人统计方法及装置 |
CN106570883B (zh) * | 2016-10-25 | 2019-10-22 | 长安大学 | 一种基于rgb-d相机的人数统计方法 |
JP2018535457A (ja) * | 2016-10-25 | 2018-11-29 | シェンチェン ユニバーシティー | 人体頭頂部の識別に基づく通行人の統計方法及び装置 |
CN106570883A (zh) * | 2016-10-25 | 2017-04-19 | 长安大学 | 一种基于rgb‑d相机的人数统计方法 |
CN106530310B (zh) * | 2016-10-25 | 2018-02-23 | 深圳大学 | 一种基于人体头顶部识别的行人统计方法及装置 |
CN106530310A (zh) * | 2016-10-25 | 2017-03-22 | 深圳大学 | 一种基于人体头顶部识别的行人统计方法及装置 |
CN108069307A (zh) * | 2016-11-14 | 2018-05-25 | 杭州海康威视数字技术股份有限公司 | 一种对电梯中的人数进行统计的方法及装置 |
US11715209B2 (en) | 2017-01-19 | 2023-08-01 | Zhejiang Dahua Technology Co., Ltd. | Locating method and system |
US11048961B2 (en) | 2017-01-19 | 2021-06-29 | Zhejiang Dahua Technology Co., Ltd. | Locating method and system |
CN107016349B (zh) * | 2017-03-10 | 2020-11-06 | 中科唯实科技(北京)有限公司 | 一种基于深度相机的人群流量分析方法 |
CN107016349A (zh) * | 2017-03-10 | 2017-08-04 | 中科唯实科技(北京)有限公司 | 一种基于深度相机的人群流量分析方法 |
CN108932464A (zh) * | 2017-06-09 | 2018-12-04 | 北京猎户星空科技有限公司 | 客流量统计方法及装置 |
CN109344690A (zh) * | 2018-08-09 | 2019-02-15 | 上海青识智能科技有限公司 | 一种基于深度相机的人数统计方法 |
CN109344690B (zh) * | 2018-08-09 | 2022-09-23 | 上海青识智能科技有限公司 | 一种基于深度相机的人数统计方法 |
CN111382637A (zh) * | 2018-12-29 | 2020-07-07 | 深圳市优必选科技有限公司 | 行人检测跟踪方法、装置、终端设备及介质 |
CN111382637B (zh) * | 2018-12-29 | 2023-08-08 | 深圳市优必选科技有限公司 | 行人检测跟踪方法、装置、终端设备及介质 |
CN112587035A (zh) * | 2020-12-08 | 2021-04-02 | 珠海市一微半导体有限公司 | 移动机器人识别工作场景的控制方法和系统 |
CN112587035B (zh) * | 2020-12-08 | 2023-05-05 | 珠海一微半导体股份有限公司 | 移动机器人识别工作场景的控制方法和系统 |
CN112598384A (zh) * | 2020-12-24 | 2021-04-02 | 卡斯柯信号有限公司 | 一种基于建筑信息模型的车站客流监测方法及系统 |
CN112598384B (zh) * | 2020-12-24 | 2022-07-26 | 卡斯柯信号有限公司 | 一种基于建筑信息模型的车站客流监测方法及系统 |
CN113034544A (zh) * | 2021-03-19 | 2021-06-25 | 奥比中光科技集团股份有限公司 | 一种基于深度相机的人流分析方法及装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104835147A (zh) | 基于三维深度图数据的密集人流量实时检测方法 | |
CN108596129B (zh) | 一种基于智能视频分析技术的车辆越线检测方法 | |
US10445567B2 (en) | Pedestrian head identification method and system | |
CN102542289B (zh) | 一种基于多高斯计数模型的人流量统计方法 | |
Lai et al. | Image-based vehicle tracking and classification on the highway | |
CN104751491B (zh) | 一种人群跟踪及人流量统计方法及装置 | |
CN103246896B (zh) | 一种鲁棒性车辆实时检测与跟踪方法 | |
CN107680095A (zh) | 基于模板匹配与光流法的无人机图像的输电线路异物检测 | |
CN104318263A (zh) | 一种实时高精度人流计数方法 | |
CN104134222A (zh) | 基于多特征融合的车流监控图像检测和跟踪系统及方法 | |
EP2813973B1 (en) | Method and system for processing video image | |
CN109145708A (zh) | 一种基于rgb和d信息融合的人流量统计方法 | |
CN103440491A (zh) | 一种基于颜色特征的密集人流量实时检测方法 | |
CN113326719A (zh) | 一种用于目标追踪的方法、设备及系统 | |
CN107516423B (zh) | 一种基于视频的车辆行驶方向检测方法 | |
CN109063630B (zh) | 一种基于可分离卷积技术和帧差补偿策略的快速车辆检测方法 | |
KR101472674B1 (ko) | 군중 궤적 추출을 이용한 비정상 행동 검출에 기초한 영상 감시 방법 및 영상 감시 장치 | |
CN104063692A (zh) | 一种行人定位检测方法及系统 | |
CN103577832A (zh) | 一种基于时空上下文的人流量统计方法 | |
Su et al. | A new local-main-gradient-orientation HOG and contour differences based algorithm for object classification | |
Furuya et al. | Road intersection monitoring from video with large perspective deformation | |
CN116153086A (zh) | 基于深度学习的多路段交通事故及拥堵检测方法及系统 | |
CN109325426B (zh) | 一种基于三正交平面时空特征的黑烟车检测方法 | |
CN104268902A (zh) | 面向工业现场的多目标视频跟踪方法 | |
Sharma et al. | Automatic vehicle detection using spatial time frame and object based classification |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
EXSB | Decision made by sipo to initiate substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20150812 |