CN104933710B - 基于监控视频下的商店人流轨迹智能分析方法 - Google Patents

基于监控视频下的商店人流轨迹智能分析方法 Download PDF

Info

Publication number
CN104933710B
CN104933710B CN201510317216.5A CN201510317216A CN104933710B CN 104933710 B CN104933710 B CN 104933710B CN 201510317216 A CN201510317216 A CN 201510317216A CN 104933710 B CN104933710 B CN 104933710B
Authority
CN
China
Prior art keywords
people
video
stream
image
frame
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.)
Active
Application number
CN201510317216.5A
Other languages
English (en)
Other versions
CN104933710A (zh
Inventor
黄翰
蔡礼权
梁椅辉
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
South China University of Technology SCUT
Original Assignee
South China University of Technology SCUT
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by South China University of Technology SCUT filed Critical South China University of Technology SCUT
Priority to CN201510317216.5A priority Critical patent/CN104933710B/zh
Publication of CN104933710A publication Critical patent/CN104933710A/zh
Application granted granted Critical
Publication of CN104933710B publication Critical patent/CN104933710B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/20—Analysis of motion
    • G06T7/215—Motion-based segmentation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/70—Determining position or orientation of objects or cameras
    • G06T7/77—Determining position or orientation of objects or cameras using statistical methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10016—Video; Image sequence
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20112—Image segmentation details
    • G06T2207/20116—Active contour; Active surface; Snakes
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30196—Human being; Person

Abstract

本发明提供基于监控视频下的商店人流轨迹智能分析方法，用户选择一个源视频，采用基于监控视频下的商店人流轨迹智能分析方法对视频进行人流轨迹的智能分析，然后将人流轨迹的信息绘制到以该视频为背景的图像中并将该图像保存，用户可以通过查看该图像来直观地获取该视频的人流轨迹信息。本发明仅针对视频场景不变化的监控视频，能够在不需要输入额外的特征信息或视频数据的情况下，对视频进行智能分析，得到需要的人流轨迹的数据信息，而用户能够直接从分析后的图像结果中迅速找到自己感兴趣的数据信息，这些数据信息包括商店顾客的轨迹分布、主要停留区域与在该区域的平均停留时间、人流量、人流路径等。

Description

基于监控视频下的商店人流轨迹智能分析方法
技术领域
本发明涉及计算机智能监控视频处理领域，具体涉及基于监控视频下的商店人流轨迹智能分析方法。
背景技术
在现代社会的飞速发展进程中，自身安全、公共安全以及财产安全等问题越来越引起人们的关注和重视，在这些因素的推动下，人们对视频监控系统的需求也应运而生。在智能视频分析技术出现之前，人为监控系统一直存在着响应速度慢、漏报率高、可靠性差以及数据利用率低等问题。不仅如此，随着应用的监控系统越来越庞大，需要分析的视频越来越多的时候，人为监控的成本也变得更加昂贵和不现实。而随着大数据时代的到来，智能视频分析技术更多的是基于安全需求，应用在安防、金融、交通等多个领域，例如平安城市建设、智能检索交通监控、智能厂区监控等。但是在商业领域上，商业经营者的应用需求不仅限于安全需求，商业经营者更关注的是如何从商店监控视频中得到对商业发展有利的信息。
在商业领域上，面对海量的监控视频数据，人工地统计监控视频中出现的人数，以及记录其中出现的顾客的移动轨迹等等这些工作都是繁琐和困难的，这样既浪费了大量人力资源和时间资源，同时又难以保证人工收集到的数据的正确性。而传统的智能视频分析技术基本应用在安防上，将智能视频分析技术与商业领域上的人流轨迹分析相结合的情况则是少之又少。
发明内容
本发明针对当前智能视频监控技术在商业领域应用上的不足，提供了基于监控视频下的商店人流轨迹智能分析方法。本发明的目的在于智能地对商店人流的轨迹进行自动分析，得到顾客的移动路径、主要停留区域与平均停留时间、人流量等有利于商业经营决策的信息，让用户可以快速并直观的获取想要的顾客信息数据，具体技术方案如下。
基于监控视频下的商店人流轨迹智能分析方法，包括以下步骤：
(a)从本地磁盘读入一个avi格式的视频文件；
(b)使用混合高斯背景建模对读入的视频建立背景模型，初始化更新背景模型的相关参数，得到自适应的背景模型；
(c)使用背景帧差法与步骤(c)得到的自适应背景模型结合，逐帧对读入的视频进行运动物体检测，得到运动物体的矩形轮廓；
(d)记录每一帧中的运动物体的矩形轮廓位置和大小，使用矩形轮廓匹配来对步骤(c)中检测出的运动物体的矩形轮廓进行精确跟踪；
(e)将步骤(d)中跟踪的所有运动物体的运动轨迹进行统计和分析，得到整体的轨迹分析的详细信息；
(f)在步骤(e)中对整个视频的人流轨迹信息分析完毕后，将分析得到的结果绘制到背景图像中，得到一个包含所有分析信息的图片文件。上述基于监控视频下的商店人流轨迹分析方法中，步骤(b)包括以下步骤：
(b‐1)采用默认构造函数初始化混合高斯背景模型类；
(b‐2)设置混合高斯背景模型类的背景更新率为0.1；
(b‐3)在视频中获取单帧图像；
(b‐4)在混合高斯模型类中，使用得到的单帧图像初始化背景模型；
(b‐5)使用视频的后续帧的图像逐帧更新背景模型，所得到的背景模型就是自适应的背景模型。
上述基于监控视频下的商店人流轨迹智能分析方法中，步骤(c)包括以下步骤：
(c‐1)在视频中获取单帧图像；
(c‐2)在混合高斯背景模型中获取背景图像；
(c‐3)将这两帧图像转化为灰度图像；
(c‐4)将这两帧图像的灰度图进行做差操作，得出差图像；
(c‐5)对差图像进行二值化操作；
(c‐6)对二值化的差图像进行中值滤波操作，消除小的噪声；
(c‐7)对滤波后的二值化的差图像进行形态学操作，突出运动对象的轮廓；
(c‐8)对图像进行矩形轮廓检测，所得到的矩形轮廓就是视频中运动物体的矩
形轮廓。
上述基于监控视频下的商店人流轨迹智能分析方法中，步骤(d)中，在视频的第i帧使用步骤(c)检测出的运动物体的矩形轮廓集合和在视频的第i+1帧使用步骤(c)检测出的运动物体的矩形轮廓集合进行匹配，轮廓匹配度大于70％的识别为同一个运动物体，上述的i表示视频的帧号。
上述基于监控视频下的商店人流轨迹智能分析方法中，轮廓匹配度的计算方法为P为2个矩形轮廓的匹配度，S'为2个矩形轮廓重叠部分的面积，S1为第一个矩形轮廓的面积，S2为第二个矩形轮廓的面积。
上述基于监控视频下的商店人流轨迹智能分析方法中，步骤(e)中采用特定数据格式记录整体的人流轨迹的详细信息，所述特定数据格式包括以下内容：商店的客流量；商店人流的主要停留区域；商店人流的主要停留区域的平均停留时间；商店人流的关键移动路径；商店人流的关键移动路径的热门程度。
上述基于监控视频下的商店人流轨迹智能分析方法中，步骤(e)包括以下步骤：
(e‐1)使用步骤(d)中得到的所有人流轨迹的数据，根据人流轨迹的数量得到商店的客流量数据；
(e‐2)在所有的人流轨迹的数据中，提取每个轨迹中停留超过一定时间阈值的位置点，该点视为主要停留点，得到所有轨迹的主要停留点的集合；
(e‐3)使用改进后的ISODATA算法对主要停留点的集合进行聚类，得到的聚类结果作为人流轨迹的主要停留区域，聚类结果包括区域的中心点坐标和区域半径长度；
(e‐4)重新遍历所有人流轨迹的位置点，统计位置点连续停留在主要停留区域的时间帧长度；将时间帧长度转化为时间单位，然后计算得到每个主要停留区域的平均停留时间；
(e‐5)将所有主要停留位置点连接，得到全路径图；对每个人流轨迹，计算与其位置点最接近的路径，并对其计数，根据位置点数量的比例选取大于阈值的路径作为该人流轨迹的拟合路径。对所有的人流轨迹同样处理，得到所有路径的拟合计数。
(e‐6)筛选拟合计数大于阈值的路径作为关键移动路径，并对关键移动路径的拟合计数进行比较，确定每个关键移动路径的热门程度。上述基于监控视频下的商店人流轨迹智能分析方法中，步骤(e‐3)包括以下步骤：
(e‐3‐1)初始化ISODATA算法的相关参数；
(e‐3‐2)初始化整体聚类结果的数据结构；
(e‐3‐3)对主要停留点的集合执行ISODATA算法，得到聚类结果，包括聚类的中心点位置和半径长度；
(e‐3‐4)将当期聚类结果与整体聚类结果进行合并，即将重叠度较大的区域合并，重叠度较小的区域添加，得到新的整体聚类结果。
(e‐3‐5)重复步骤(e‐3‐3)到步骤(e‐3‐5)，直到处理次数达到最大执行次数；
(e‐3‐6)保存最后的整体聚类结果，该聚类结果包括所有的主要停留区域的中心
点坐标和该区域的半径长度。上述基于监控视频下的商店人流轨迹智能分析方法中，步骤(f)包括以下步骤：
(f‐1)在混合高斯背景模型中获取背景图像；
(f‐2)新建一个与背景图像相同尺寸且以黑色为背景的图像；
(f‐3)将步骤(e)得到客流量数据以及相应的文字说明绘制到新建图像的左上角；
(f‐4)将步骤(e)得到的所有的主要停留区域以其中心点位置和半径长度画圆，绘制到新建图像上，并在中心绘制对应的平均停留时间；
(f‐5)对步骤(e)得到的关键移动路径按其热门程度，以不同的颜色绘制到新建图像上；
(f‐6)将新建图像进行透明化处理，然后与步骤(f‐1)获得的背景图像合并，得到新的图像，然后将新的图像保存为一个jpg格式的包含轨迹分析信息的图像文件。
本发明采用混合高斯背景建模法对视频建立自适应的背景模型，然后采用背景帧差法将视频中的运动物体检测出来，即商店监控视频中的顾客，这是商店人流轨迹分析的基本前提；通过轮廓匹配的方式对检测出的运动物体轮廓进行精确跟踪，得到所有运动物体的运动轨迹，即人流轨迹；对整体的人流轨迹进行统计和分析，通过一定的数据格式将商店人流轨迹的商店的客流量、商店人流的主要停留区域、商店人流的主要停留区域的平均停留时间、商店人流的关键移动路径和商店人流的关键移动路径的热门程度记录下来，达到分析并记录整个商店人流轨迹分析结果的目录；将记录的商店人流轨迹的详细分析结果绘制到背景图像中，得到一个新的图片文件，该图片文件包含所有人流轨迹分析信息，用户可以快速并直观的查看该视频的整体人流轨迹的分析结果。
与现有技术相比，本发明具有如下优点和技术效果：
现在的视频处理技术一般应用在车牌识别、人脸识别、入侵检测等方面，而对客流及其轨迹方面的应用则是少之又少，大多也只是通过红外等硬件设备以及划出检测线的方式来获取客流量的数据，至于其他的人流轨迹信息往往并没有被合适的智能化处理。本发明能够在无需用户划出检测线或者借助红外等硬件设备的情况下进行客流量数据的统计，得到视频的客流量数据。现有技术能得到的也单单只有客流量这一数据，而忽视或没有得到人流轨迹信息的其他有意义的数据。本发明能够对商店人流轨迹进行进一步的分析，得到更多有意义的信息，包括商店人流轨迹的商店的客流量、商店人流的主要停留区域、商店人流的主要停留区域的平均停留时间、商店人流的关键移动路径和商店人流的关键移动路径的热门程度，用户可以不仅仅获取客流量数据，还可以获取其他有价值的人流轨迹数据，通过结合多个商店人流轨迹的分析数据来达到预期目的。
附图说明
图1为实施方式中基于监控视频下的商店人流轨迹智能分析方法的流程图。
具体实施方式
以下结合附图对本发明的实施方式作进一步说明，但本发明的实施不限于此，需指出的是，以下若有未特别详细说明之过程或算法或相关符号，均是本领域技术人员可参照现有技术实现或理解的。
如图1，基于监控视频下的商店人流轨迹智能分析方法的主要流程包括以下步骤：
(a)读入一个avi格式的视频文件；
(b)初始化并更新背景模型；
(c)进行运动物体检测与跟踪；
(d)记录目标的轨迹信息；
(e)统计与分析轨迹的数据信息
(f)绘制分析结果到背景图像中。
步骤(a)允许用户通过文件选择窗口从本地硬盘选择一个视频文件作为视频摘要提取源，此视频文件要求是avi编码格式。
步骤(b)采用混合高斯背景建模对读入的视频建立背景模型，初始化更新背景模型的相关参数，得到自适应的背景模型。
步骤(b)包括以下步骤：
(b‐1)采用默认构造函数初始化混合高斯背景模型类；
(b‐2)设置混合高斯背景模型类的背景更新率为0.1；
(b‐3)在视频中获取单帧图像；
(b‐4)在混合高斯模型类中，使用得到的单帧图像初始化背景模型；
(b‐5)使用视频的后续帧的图像逐帧更新背景模型，所得到的背景模型就是自适应的背景模型。
步骤(c)采用背景帧差法对视频进行运动物体的检测，背景帧差法是目前运动物体检测算法中最快的算法之一，其主要原理是：通过单帧图像与背景图像的灰度图做差，筛选出差图像中的大于设定阈值的像素区域，对这些区域进行滤波和形态学操作，处理后的像素区域即是运动物体的轮廓，然后再将这些轮廓用最小矩形框圈出，最终得到运动物体的矩形轮廓。
步骤(c)包括以下步骤：
(b‐1)在视频中获取单帧图像；
(b‐2)在混合高斯背景模型中获取背景图像；
(b‐3)将这两帧图像转化为灰度图像；
(b‐4)将这两帧图像的灰度图进行做差操作，得出差图像；
(b‐5)对差图像进行二值化操作；
(b‐6)对二值化的差图像进行中值滤波操作，消除小的噪声；
(b‐7)对滤波后的二值化的差图像进行形态学操作，突出运动对象的轮廓；
(b‐8)对图像进行矩形轮廓检测，所得到的矩形轮廓就是视频中运动物体的矩形轮廓。
步骤(d)采用轮廓匹配法进行运动物体的跟踪，轮廓匹配法主要原理是，一个运动物体在连续几帧内的矩形轮廓匹配度总是很高，这样对在相邻帧中检测出的运动物体矩形轮廓进行轮廓匹配度计算，轮廓匹配度超过70％的标记为同一个运动物体的轮廓。如果在上一帧中的某个矩形轮廓没有在下一帧找到与之相匹配的矩形轮廓，则判定前一帧中的矩形轮廓所对应的运动物体结束运动。例如在视频第i帧检测出的某个轮廓面积为1000，在视频第i+1帧检测出的另一个轮廓面积为1200，这两个轮廓的重叠面积为950，轮廓匹配度的计算方法匹配度大于70％，这两个轮廓被识别为同一个运动物体的轮廓，i为视频的帧号。
步骤(e)将步骤(d)所跟踪到的所有的人流轨迹记录下来，对所有的商店人流轨迹进行统计和分析，并且用特定数据格式将整体的商店人流轨迹的分析结果记录下来。特定数据格式具体如表1、表2和表3所示。这里是通过提取所有的人流轨迹中的主要停留点，对这些点的集合进行聚类，得到主要停留区域，针对连续停留在该区域的时间帧的数量进行计算得到该区域的平均停留时间。然后根据主要停留区域的全连接图与人流轨迹点的数据相拟合，得到关键的移动路径以及相应的路径热门程度，以达到快速而高效地分析人流轨迹的目的。
表1保存人流轨迹分析结果的数据格式
表2 SortCenter类的数据格式
id 属性中文名 属性类型
rad 该聚类区域的半径长度 double
remainTime 该聚类区域的平均停留时间 int
x 聚类中心点的x轴坐标 int
y 聚类中心点的y轴坐标 int
表3 TrackSegment类的数据格式
id 属性中文名 属性类型
pt1 该路径的起始点 Point
pt2 该路径的结束点 Point
level 该路径的热门评级 int
步骤(e)包括以下的详细步骤：
(e‐1)使用步骤(d)中得到的所有人流轨迹的数据，根据人流轨迹的数量得到商店的客流量数据；
(e‐2)在所有的人流轨迹的数据中，提取每个轨迹中停留超过一定时间阈值的位置点，该点视为主要停留点，得到所有轨迹的主要停留点的集合；
(e‐3)使用改进后的ISODATA算法对主要停留点的集合进行聚类，得到的聚类结果作为人流轨迹的主要停留区域，聚类结果包括区域的中心点坐标和区域半径长度；
(e‐4)重新遍历所有人流轨迹的位置点，统计位置点连续停留在主要停留区域的时间帧长度；将时间帧长度转化为时间单位，然后计算得到每个主要停留区域的平均停留时间；
(e‐5)将所有主要停留位置点连接，得到全路径图；对每个人流轨迹，计算与其位置点最接近的路径，并对其计数，根据位置点数量的比例选取大于阈值的路径作为该人流轨迹的拟合路径。对所有的人流轨迹同样处理，得到所有路径的拟合计数。
(e‐6)筛选拟合计数大于阈值的路径作为关键移动路径，并对关键移动路径的拟合计数进行比较，确定每个关键移动路径的热门程度。
其中步骤(e‐3)采用了改后的ISODATA算法，解决了ISODATA算法由于其随机的初始聚类中心而导致的聚类结果不稳定的问题，包括以下步骤：
(e‐3‐1)初始化ISODATA算法的相关参数；
(e‐3‐2)初始化整体聚类结果的数据结构；
(e‐3‐3)对主要停留点的集合执行ISODATA算法，得到聚类结果，包括聚类的中心点位置和半径长度；
(e‐3‐4)将当期聚类结果与整体聚类结果进行合并，即将重叠度较大的区域合并，重叠度较小的区域添加，得到新的整体聚类结果。
(e‐3‐5)重复步骤(e‐3‐3)到步骤(e‐3‐5)，直到处理次数达到最大执行次数；
(e‐3‐6)保存最后的整体聚类结果，该聚类结果包括所有的主要停留区域的中心点坐标和该区域的半径长度。
步骤(f)是在步骤(e)的基础上，将记录的商店人流轨迹的详细分析结果绘制到背景图像中，得到一个新的图片文件，该图片文件包含所有人流轨迹分析信息，用户可以快速并直观的查看该视频的整体人流轨迹的分析结果。
步骤(f)包括以下步骤：
(f‐1)在混合高斯背景模型中获取背景图像；
(f‐2)新建一个与背景图像相同尺寸且以黑色为背景的图像；
(f‐3)将步骤(e)得到客流量数据以及相应的文字说明绘制到新建图像的左上角；
(f‐4)将步骤(e)得到的所有的主要停留区域以其中心点位置和半径长度画圆，绘制到新建图像上，并在中心绘制对应的平均停留时间；
(f‐5)对步骤(e)得到的关键移动路径按其热门程度，以不同的颜色绘制到新建图像上；
(f‐6)将新建图像进行透明化处理，然后与步骤(f‐1)获得的背景图像合并，得到新的图像，然后将新的图像保存为一个jpg格式的包含轨迹分析信息的图像文件。

Claims (4)

1.基于监控视频下的商店人流轨迹智能分析方法，其特征在于，包括以下步骤：
(a)从本地磁盘读入一个avi格式的监控视频文件；
(b)使用混合高斯背景建模对读入的视频建立背景模型，初始化更新背景模型，得到自适应的背景模型；
(c)使用背景帧差法与步骤(b)得到的自适应背景模型结合，逐帧对读入的视频进行运动物体检测，得到运动物体的矩形轮廓；
(d)记录每一帧中的运动物体的矩形轮廓位置和大小，使用矩形轮廓匹配来对步骤(c)中检测出的运动物体的矩形轮廓进行精确跟踪；在视频的第i帧使用步骤(c)检测出的运动物体的矩形轮廓集合和在视频的第i+1帧使用步骤(c)检测出的运动物体的矩形轮廓集合进行匹配，轮廓匹配度大于70％的识别为同一个运动物体，上述的i表示视频的帧号；轮廓匹配度的计算方法为 P为2个矩形轮廓的匹配度，S'为2个矩形轮廓重叠部分的面积，S1为第一个矩形轮廓的面积，S2为第二个矩形轮廓的面积；
(e)将步骤(d)中跟踪的所有运动物体的运动轨迹进行统计和分析，得到整体的轨迹分析的详细信息；筛选拟合计数大于阈值的路径作为关键移动路径，并对关键移动路径的拟合计数进行比较，确定每个关键移动路径的热门程度；
具体包括以下步骤：
(e‐1)使用步骤(d)中得到的所有人流轨迹的数据，根据人流轨迹的数量得到商店的客流量数据；
(e‐2)在所有的人流轨迹的数据中，提取每个轨迹中停留超过一定时间阈值的位置点，该点视为主要停留点，得到所有轨迹的主要停留点的集合；
(e‐3)使用改进后的ISODATA算法对主要停留点的集合进行聚类，得到的聚类结果作为人流轨迹的主要停留区域，聚类结果包括区域的中心点坐标和区域半径长度；
步骤(e‐3)具体包括以下步骤：
(e‐3‐1)初始化ISODATA算法的相关参数；
(e‐3‐2)初始化整体聚类结果的数据结构；
(e‐3‐3)对主要停留点的集合执行ISODATA算法，得到聚类结果，包括聚类的中心点位置和半径长度；
(e‐3‐4)将当期聚类结果与整体聚类结果进行合并，即将重叠度大于设定阈值的区域合并，重叠度小设定阈值的区域添加，得到新的整体聚类结果；
(e‐3‐5)重复步骤(e‐3‐3)到步骤(e‐3‐5)，直到处理次数达到设定最大执行次数；(e‐3‐6)保存最后的整体聚类结果，该聚类结果包括所有的主要停留区域的中心点坐标和该区域的半径长度；
(e‐4)重新遍历所有人流轨迹的位置点，统计位置点连续停留在主要停留区域的时间帧长度；将时间帧长度转化为时间单位，然后计算得到每个主要停留区域的平均停留时间；
将所有主要停留位置点连接，得到全路径图；对每个人流轨迹，计算与其位置点最接近的路径，并对其计数，根据位置点数量的比例选取大于阈值的路径作为该人流轨迹的拟合路径；对所有的人流轨迹进行本步骤的处理，得到所有路径的拟合计数；
(f)在步骤(e)中对整个视频的人流轨迹信息分析完毕后，将分析得到的结果绘制到背景图像中，得到一个包含所有分析信息的图片文件，具体包括：
(f‐1)在混合高斯背景模型中获取背景图像；
(f‐2)新建一个与背景图像相同尺寸且以黑色为背景的图像；
(f‐3)将步骤(e)得到客流量数据以及相应的文字说明绘制到新建图像的左上角；
(f‐4)将步骤(e)得到的所有的主要停留区域以其中心点位置和半径长度画圆，绘制到新建图像上，并在中心绘制对应的平均停留时间；
(f‐5)对步骤(e)得到的关键移动路径按其热门程度，以不同的颜色绘制到新建图像上；
将新建图像进行透明化处理，然后与步骤(f‐1)获得的背景图像合并，得到新的图像，然后将新的图像保存为一个jpg格式的包含轨迹分析信息的图像文件。
2.根据权利要求1所述基于监控视频下的商店人流轨迹智能分析方法，其特征在于，步骤(b)包括以下步骤：
(b‐1)初始化混合高斯背景模型类；
(b‐2)设置混合高斯背景模型类的背景更新率；
(b‐3)在视频中获取单帧图像；
(b‐4)在混合高斯背景模型类中，使用得到的单帧图像初始化背景模型；
(b‐5)使用视频的后续帧的图像逐帧更新背景模型，所得到的背景模型就是自适应的背景模型。
3.根据权利要求1所述基于监控视频下的商店人流轨迹智能分析方法，其特征在于，步骤(c)包括以下步骤：
(c‐1)在视频中获取单帧图像；
(c‐2)在混合高斯背景模型中获取背景图像；
(c‐3)将这两帧图像转化为灰度图像；
(c‐4)将这两帧图像的灰度图进行做差操作，得出差图像；
(c‐5)对差图像进行二值化操作；
(c‐6)对二值化的差图像进行中值滤波操作，消除小的噪声；
(c‐7)对滤波后的二值化的差图像进行形态学操作，突出运动对象的轮廓；
(c‐8)对图像进行矩形轮廓检测，所得到的矩形轮廓就是视频中运动物体的矩形轮廓。
4.根据权利要求1所述基于监控视频下的商店人流轨迹智能分析方法，其特征在于步骤(e)中采用特定数据格式记录整体的人流轨迹的详细信息，所述特定数据格式包括以下内容：商店的客流量；商店人流的主要停留区域；商店人流的主要停留区域的平均停留时间；商店人流的关键移动路径；商店人流的关键移动路径的热门程度。
CN201510317216.5A 2015-06-10 2015-06-10 基于监控视频下的商店人流轨迹智能分析方法 Active CN104933710B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201510317216.5A CN104933710B (zh) 2015-06-10 2015-06-10 基于监控视频下的商店人流轨迹智能分析方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201510317216.5A CN104933710B (zh) 2015-06-10 2015-06-10 基于监控视频下的商店人流轨迹智能分析方法

Publications (2)

Publication Number Publication Date
CN104933710A CN104933710A (zh) 2015-09-23
CN104933710B true CN104933710B (zh) 2018-06-19

Family

ID=54120864

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201510317216.5A Active CN104933710B (zh) 2015-06-10 2015-06-10 基于监控视频下的商店人流轨迹智能分析方法

Country Status (1)

Country Link
CN (1) CN104933710B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109871804A (zh) * 2019-02-19 2019-06-11 上海宝尊电子商务有限公司 一种店铺人流识别分析的方法和系统

Families Citing this family (27)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105243397A (zh) * 2015-11-06 2016-01-13 百度在线网络技术（北京）有限公司 用户行为信息生成方法和装置
CN105741321B (zh) * 2016-01-31 2018-12-11 华南理工大学 基于跟踪点分布的视频目标运动趋势分析方法
CN105554040B (zh) * 2016-02-25 2018-10-12 北京京东尚科信息技术有限公司 远程视频监控方法和系统
CN105678591A (zh) * 2016-02-29 2016-06-15 北京时代云英科技有限公司 一种基于视频分析的商业智能化经营决策支撑系统和方法
CN107481260A (zh) * 2017-06-22 2017-12-15 深圳市深网视界科技有限公司 一种区域人群滞留检测方法、装置和存储介质
JP6800820B2 (ja) * 2017-07-14 2020-12-16 パナソニック株式会社 人流分析方法、人流分析装置、及び人流分析システム
US10803297B2 (en) 2017-09-27 2020-10-13 International Business Machines Corporation Determining quality of images for user identification
US10776467B2 (en) 2017-09-27 2020-09-15 International Business Machines Corporation Establishing personal identity using real time contextual data
US10839003B2 (en) 2017-09-27 2020-11-17 International Business Machines Corporation Passively managed loyalty program using customer images and behaviors
US10795979B2 (en) 2017-09-27 2020-10-06 International Business Machines Corporation Establishing personal identity and user behavior based on identity patterns
US10565432B2 (en) 2017-11-29 2020-02-18 International Business Machines Corporation Establishing personal identity based on multiple sub-optimal images
CN108010008B (zh) * 2017-12-01 2021-06-22 北京迈格威科技有限公司 目标的追踪方法、装置及电子设备
CN108537189B (zh) * 2018-04-16 2020-11-17 上海小蚁科技有限公司 生成顾客轨迹图的方法及装置、存储介质、终端
CN110675434B (zh) * 2018-07-03 2023-02-07 杭州海康威视系统技术有限公司 一种动线生成方法、装置、设备及系统
CN109743689B (zh) * 2019-01-09 2020-11-17 南京航空航天大学 一种基于稳定性值的室内轨迹停留区域发现方法
CN109948455B (zh) * 2019-02-22 2020-12-18 中科创达软件股份有限公司 一种遗留物体检测方法及装置
CN110149500A (zh) * 2019-05-24 2019-08-20 深圳市珍爱云信息技术有限公司 监控视频的处理方法、装置、设备和存储介质
CN110443153A (zh) * 2019-07-15 2019-11-12 清华大学 面向建筑内监控视频的人数标定辅助方法及系统
CN110443287B (zh) * 2019-07-19 2022-01-14 北京航空航天大学 一种基于稀疏轨迹数据的人群移动流绘制方法
CN111563937B (zh) * 2020-07-14 2020-10-30 成都四方伟业软件股份有限公司 一种图片颜色提取方法及装置
CN112287778B (zh) * 2020-10-16 2021-07-27 苏州万店掌网络科技有限公司 基于方向聚合的人流量分析方法及介质
CN112347909B (zh) * 2020-11-05 2022-07-26 上海蜂雀网络科技有限公司 一种零售门店出入口客流统计方法
CN112597382B (zh) * 2020-12-10 2022-10-21 上海爱购智能科技有限公司 无人商店人员追踪系统
CN112434809B (zh) * 2021-01-26 2021-04-06 成都点泽智能科技有限公司 基于主动学习的模型训练方法、装置及服务器
CN115205772A (zh) * 2021-04-12 2022-10-18 南宁富联富桂精密工业有限公司 重叠度计算方法、电子设备及存储介质
CN114220140B (zh) * 2021-11-23 2022-07-22 慧之安信息技术股份有限公司 基于图像识别的市场客流量统计方法及装置
CN115578862B (zh) * 2022-10-26 2023-09-19 中国建设基础设施有限公司 交通流量转换方法、装置、计算设备和存储介质

Non-Patent Citations (5)

* Cited by examiner, † Cited by third party
Title
Background Modeling using Mixture of Gaussians for Foreground Detection - A Survey;Thierry Bouwmans等;《Recent Patents on Computer Science, Bentham Science Publishers》;20081231;第1卷(第3期);第219-237页 *
一种结合帧差法和混合高斯的运动检测算法;於正强等;《计算机应用与软件》;20150430;第32卷(第4期);第129-132页、270页 *
基于混合高斯模型与三帧差分的目标检测算法;张文等;《现代电子技术》;20120415;第35卷(第8期);第57-60页 *
基于混合高斯背景建模的交通视频运动目标检测;罗维薇等;《兰州交通大学学报》;20140831;第33卷(第4期);第26-29页 *
智能视频监控中多目标检测跟踪技术研究;尹晓华;《中国优秀博硕士学位论文全文数据库(硕士)信息科技辑(月刊)》;20070215(第02期);第7-52页 *

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109871804A (zh) * 2019-02-19 2019-06-11 上海宝尊电子商务有限公司 一种店铺人流识别分析的方法和系统

Also Published As

Publication number Publication date
CN104933710A (zh) 2015-09-23

Similar Documents

Publication Publication Date Title
CN104933710B (zh) 基于监控视频下的商店人流轨迹智能分析方法
US10445567B2 (en) Pedestrian head identification method and system
CN103208185B (zh) 一种基于车灯识别的夜间车辆检测方法及系统
CN104978567B (zh) 基于场景分类的车辆检测方法
CN104244113B (zh) 一种基于深度学习技术的视频摘要生成方法
CN103824070B (zh) 一种基于计算机视觉的快速行人检测方法
CN104239867B (zh) 车牌定位方法及系统
CN105160297B (zh) 基于肤色特征的蒙面人事件自动检测方法
CN103714181B (zh) 一种层级化的特定人物检索方法
Li et al. Robust people counting in video surveillance: Dataset and system
Zhang et al. Application of deep learning and unmanned aerial vehicle technology in traffic flow monitoring
CN109918969A (zh) 人脸检测方法及装置、计算机装置和计算机可读存储介质
CN105303191A (zh) 一种前视监视场景下的行人计数方法和装置
CN104616006B (zh) 一种面向监控视频的胡须人脸检测方法
CN108921083A (zh) 基于深度学习目标检测的非法流动摊贩识别方法
CN109145708A (zh) 一种基于rgb和d信息融合的人流量统计方法
CN105893946A (zh) 一种正面人脸图像的检测方法
CN104866843B (zh) 一种面向监控视频的蒙面人脸检测方法
CN105893962A (zh) 一种机场安检卡口人流统计方法
CN109101944A (zh) 一种识别向河道内抛投垃圾的实时视频监控算法
Azad et al. New method for optimization of license plate recognition system with use of edge detection and connected component
CN111008574A (zh) 一种基于形体识别技术的重点人员轨迹分析方法
CN105554462A (zh) 一种遗留物检测方法
CN111353338A (zh) 一种基于营业厅视频监控的能效改进方法
CN111027370A (zh) 一种多目标跟踪及行为分析检测方法

Legal Events

Date Code Title Description
C06 Publication
PB01 Publication
C10 Entry into substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant