CN105321187A - 基于人头检测的行人计数方法 - Google Patents

Abstract

本发明属于计算机视觉技术领域，并提供了一种基于人头检测的行人计数方法，包括S1、对若干训练样本集使用SVM分类器进行训练以得到若干人头分类器；S2、获取监控区域的视频流图像作为输入图像；S3、通过帧间差分法对输入图像进行帧间差分运算，以得到运动行人区域；S4、利用人头分类器对运动行人区域进行检测，得到人头区域；S5、通过Kalman最近邻匹配跟踪法对人头区域的中心点进行跟踪与计数。在本发明中，事先使用SVM分类器进行训练以得到若干人头分类器，并利用该人头分类器对运动行人区域进行检测，得到人头区域，最后通过Kalman最近邻匹配跟踪法对人头区域的中心点进行跟踪与计数，提高了对公共区域中行人人数进行统计的效率与准确率。

Description

基于人头检测的行人计数方法

技术领域

本发明属于计算机视觉技术领域，更具体地涉及一种基于人头检测的行人计数方法。

背景技术

在很多行业，人流信息可以为人流管理、资源管理、管理决策提供关键的依据。例如在地铁站，通过行人计数可以实时了解每个站点的人流大小，灵活调度地铁列车密度，实施人流控制，实时发布人流密集地区信息，有利于加强人群运输效率，确保地铁运营平稳有效。

在商场，人流量是体现其商业价值的重要依据，对人流量的准确计算，有利于掌握客人的购物偏好，从而实现更好的物流安排，还可以根据各区域的人群密集程度，有效调配服务人员。人流量还关系到人流密集场所的安全问题，有效控制场内人群数量，可以在火警等紧急情况下迅速疏导人群，避免踩踏、推挤等情况发生。

传统的行人技术方法只能依靠机械手段进行行人统计，一般利用机械的运动来进行人流统计。行人走过闸门的同时推动机械转动，通过统计转动的次数即可统计人流信息。这种基于机械的方法建设成本高昂，设备投入费用巨大，而且设备体积较大，一般是固定在出入口处，使用起来不够灵活，对于人流信息的管理也不够方便，还有一个最大的缺点就是阻碍了人流的行进速度。

发明内容

本发明的目的在于提供一种基于人头检测的行人计数方法，用以提高对公共区域内对行人进行人数统计的效率与准确度。

为实现上述发明目的，本发明提供了一种基于人头检测的行人计数方法，该方法包括以下步骤：

S1、对若干训练样本集使用SVM分类器进行训练以得到若干人头分类器；

S2、获取监控区域的视频流图像作为输入图像；

S3、通过帧间差分法对输入图像进行帧间差分运算，以得到运动行人区域；

S4、利用人头分类器对运动行人区域进行检测，得到人头区域；

S5、通过Kalman最近邻匹配跟踪法对人头区域的中心点进行跟踪与计数。

作为本发明的进一步改进，所述步骤S1中的“训练样本集”包括：包含人头图像的正样本集和不包含人头图像的负样本集，所述正样本和所述负样本均为20*20像素的灰度图像。

作为本发明的进一步改进，所述步骤S1中的正样本集包括：头顶正样本子集、正面正样本子集、后面正样本子集、左侧正样本子集和右侧正样本子集，每个正样本子集的正样本数量为600；

所述步骤S1中的负样本集包括：头顶负样本子集、正面负样本子集、后面负样本子集、左侧负样本子集和右侧负样本子集，每个负样本子集的负样本数量为1400。

作为本发明的进一步改进，所述步骤S1具体为：使用SVM分类器分别对各训练正样本子集与负样本子集进行训练，以得到头顶分类器、正面分类器、后面分类器、左侧分类器、右侧分类器。

作为本发明的进一步改进，所述步骤S3中的“帧间差分法”具体为：根据步骤S2获取的输入图像，利用当前帧图像与前一帧图像作帧间差分运算以得到差分图像，所述帧间差分运算的计算公式为：

D_k(x，y)＝F_k(x，y)-F_k-1(x，y)；

其中，F_k-1(x，y)为前一帧图像中像素点的灰度值，F_k(x，y)为当前帧图像中像素点的灰度值，D_k(x，y)为二者的差分图像。

作为本发明的进一步改进，所述步骤S3还包括：对差分图像D_k(x，y)进行二值化处理以得到二值图像R_k(x，y)，所述二值化处理的运算公式如下所示：

$R_k(x,y)=\left\{\begin{array}{c}0,D_k(x,y)<M\\ 1,D_k(x,y)\&GreaterEqual;M\end{array}\right.;$

其中，M为分割阀值，且M＝70。

作为本发明的进一步改进，所述步骤S3还包括对二值图像R_k(x，y)进行形态学处理，所述形态学处理具体为：先进行膨胀处理，后进行腐蚀处理；所述膨胀处理中的膨胀参数优选为5，腐蚀处理中的腐蚀参数优选为3。

作为本发明的进一步改进，所述步骤S3中的“运动行人区域”具体为：包含运动行人的矩形区域。

作为本发明的进一步改进，所述步骤S4具体为：对运动行人区域进行积分图计算，得到运动行人区域的积分图；并以20*20像素大小的图像块作为检测窗口，在水平和垂直方向上以3个像素点为步长，对积分图作行、列的滑动扫描；计算检测窗口内的Haar特征，将Haar特征输入到人头分类器中。

与现有技术相比，本发明的有益效果是：在本发明中，事先使用SVM分类器进行训练以得到若干人头分类器，并利用该人头分类器对运动行人区域进行检测，得到人头区域，最后通过Kalman最近邻匹配跟踪法对人头区域的中心点进行跟踪与计数，提高了对公共区域中行人人数进行统计的效率与准确率。

附图说明

图1为本发明基于人头检测的行人计数方法的流程示意图；

图2为本发明所选用的五种Haar基本特征的示意图；

图3为实现步骤S2的工作原理示意图；

图4为提取到的运动行人区域的示意图；

图5为步骤S3中提取所有运动行人区域的算法流程图；

图6为人头分类器检测的示意图；

图7为合并相邻人头图像的示意图。

具体实施方式

下面结合附图所示的各实施方式对本发明进行详细说明，但应当说明的是，这些实施方式并非对本发明的限制，本领域普通技术人员根据这些实施方式所作的功能、方法、或者结构上的等效变换或替代，均属于本发明的保护范围之内。

参图1所示，图1为本发明基于人头检测的行人计数方法的流程示意图。

在本实施方式中，该基于人头检测的行人计数方法包括以下步骤：

S1、对若干训练样本集使用SVM分类器进行训练以得到若干人头分类器。

在本实施方式中，训练样本集包括两类训练样本集。一类为包含人头图像的正样本集；另一类为不包含人头的负样本集。正样本集中的所有正样本与负样本集中的所有负样本均为20*20像素的灰度图像。正样本集中的正样本数量为3000，负样本集中的负样本数量为7000。

通过对不同方位采集得到的人头，可将正样本集分为：头顶正样本子集、正面正样本子集、后面正样本子集、左侧正样本子集和右侧正样本子集五种不同的正样本子集，每个正样本子集的正样本数量为600。

同时，可将负样本集分为：头顶负样本子集、正面负样本子集、后面负样本子集、左侧负样本子集和右侧负样本子集，每个负样本子集的负样本数量为1400。

在本实施方式中，可采用如图2所示的五种Haar基本特征：

2a：左右相邻的黑色矩形区域的像素和减去白色矩形区域的像素和；

2b：上下相邻的黑色矩形区域的像素和减去白色矩形区域的像素和；

2c：一个黑色矩形区域像素和的两倍减去与其左右相邻的白色矩形区域的像素和；

2d：一个黑色矩形区域像素和的两倍减去与其上下相邻的白色矩形区域的像素和；

2e：两个对角相连的黑色矩形区域的像素和减去与其相邻的两个对角相连的白色矩形区域的像素和；

在本实施方式中，可将该五种Haar基本特征线性组合成若干个Haar特征。

在本实施方式中，训练样本的大小为20*20个像素。为快速计算训练样本的Haar特征，Haar特征在训练样本的积分图上进行计算。

为提高对人头检测的准确率，通过对不同方位采集得到的人头，可将正样本集分为：仅包含头顶的头顶正样本集、仅包含正面的正面正样本集、仅包含后脑勺的后面正样本集、仅包含人头左侧的左侧正样本集和仅包含人头右侧的右侧正样本集五种不同的正样本子集，每个正样本子集的正样本数量为600。

利用SVM分类器分别对各训练正样本子集与负样本子集进行训练，得到：头顶分类器、正面分类器、后面分类器、左侧分类器和右侧分类器五种分类器。当检测窗口通过五个分类器其中的任何一个分类器时，则被判断为人头图像。

S2、获取监控区域的视频流图像作为输入图像。

参图3所示，本发明基于光流法的行人计数方法是基于摄像机10垂直拍摄并可适用于室外环境和室内环境。在本实施方式中，该步骤S2具体为：通过摄像机10获取监控区域30的视频流图像作为输入图像，所述监控区域30位于摄像机10的正下方。

具体的，摄像机10设置在出入口20的正上方，行人可沿着箭头201的方向上在出入口20中来回走动。摄像机10所获取的监控区域30可完全覆盖出入口20的全部区域。该出入口20可设置在需要对行人人数进行统计的商场、车库、银行等需要重点监控场所的大门口或者走廊中。

需要说明的是，本发明在摄像机10垂直地正对着监控区域30时的效果最佳，当然可也将摄像机10倾斜地对着需要进行行人人数计数统计的区域，以通过摄像机10覆盖整个监控区域30。

在本实施方式中，该监控区域30为矩形；当然也可以为正方形或圆形或者其他形状。摄像机10位于监控区域30的中心点301的正上方，此时该监控区域30位于摄像机10的正下方。

S3、通过帧间差分法对输入图像进行帧间差分运算，以得到运动行人区域。

在本实施方式中，帧间差分法具体的实现过程为：根据步骤S2获取的输入图像，利用当前帧图像与前一帧图像作差分运算以得到差分图像，所述帧间差分运算的计算公式为：D_k(x，y)＝F_k(x，y)-F_k-1(x，y)；

其中，F_k-1(x，y)为前一帧图像中像素点的灰度值，F_k(x，y)为当前帧图像中像素点的灰度值，D_k(x，y)为二者的差分图像。

然后对差分图像进行二值化处理，该二值化处理的运算公式如下所示：

$R_k(x,y)=\left\{\begin{array}{c}0,D_k(x,y)<M\\ 1,D_k(x,y)\&GreaterEqual;M\end{array}\right.;$

其中，D_k(x，y)为二者的差分图像，R_k(x，y)为差分法处理后所得到的二值图像，M为分割阀值。在本实施方式中，该分割阈值M优选为70。

当R_k(x，y)为0时，该点为背景点；

当R_k(x，y)为1时，该点为前景点即运动物体。

最后利用形态学处理方法，对二值图像R_k(x，y)进行去除噪音，并修补空洞，以得到二值化图像R(x，y)。其中，这里的形态学处理具体为先进行膨胀处理，后进行腐蚀处理。具体的，在本具体实施中，膨胀处理中的膨胀参数优选为5，腐蚀处理中的腐蚀参数优选为3。

一幅图像中往往存在多个运动行人，为提高检测速度，在本实施方式中，对多运动行人进行大致的分割。这样做的好处有两个：一是大大缩小了人头检测的范围；二是最大限度地降低了背景图像对人头检测的影响。

在本实施方式中，采用基于区域的分割方法，具体为：对二值图像R(x，y)进行8邻域像素连通标记，得到二值图像R(x，y)的八连通区域标记图。具体实现方式，请参图4、图5所示。

在图4中，该矩形区域40为二值图像R(x，y)，区域41为二值图像R(x，y)的一个连通区域，计算连通区域41的最小外接矩形42。若找到的最小外接矩形42的宽和高均不低于20个像素点，则将该最小外接矩形42作为运动行人区域，直到所有的连通区域一一判断是否为运动行人区域。将检测得到的运动行人区域在对应的输入图像F_k(x，y)上的图像进行进一步的人头检测。

S4、利用人头分类器对运动行人区域进行检测，得到人头区域。

在本实施方式中，为快速计算Haar特征，对运动行人区域进行积分图计算，得到运动行人区域的积分图。以20*20像素大小的图像块作为检测窗口，在水平和垂直方向上以3个像素点为步长，对积分图作行、列的滑动扫描。计算检测窗口内的Haar特征，将Haar特征输入到人头分类器中。

人头分类器由头顶分类器、正面分类器、后面分类器、左侧分类器和右侧分类器五个不同方向的分类器组成，参图6所示，将检测窗口内计算得到的Haar特征输入到人头分类器，当检测窗口图像通过五个人头分类器(即前述中的“头顶分类器、正面分类器、后面分类器、左侧分类器和右侧分类器”)中的任何一个人头分类器时，即检测窗口图像被五个人头分类器中的任意一个人头分类器判断为人头图像时，则检测窗口图像被判断为人头图像。

参图7所示，矩形区域A和矩形区域B为检测得到的两个人头区域，Ap、Bp分别为两个人头区域的中心点。若两个人头区域的中心点Ap、Bp之间的距离小于15，则合并两个人头区域。以Ap、Bp所成的直线的中点为合并人头区域的中心点，宽、高分别为20的矩形区域C为合并人头区域，得到最终的人头区域C。

需要说明是的，在本实施方式中，两个人头区域的中心点Ap、Bp分别为矩形区域A和矩形区域B的质心。

S5、通过Kalman最近邻匹配跟踪法对人头区域的中心点进行跟踪与计数。

Kalman滤波是一种递归的估计，即只要获知上一时刻状态的估计值以及当前状态的观测值就可以计算出当前状态的估计值，因此不需要记录观测或者估计的历史信息。Kalman滤波器的操作包括两个阶段：预测与更新。在预测阶段，Kalman滤波器使用上一状态的估计，做出对当前状态的估计。在更新阶段，Kalman滤波器利用对当前状态的观测值优化在预测阶段获得的预测值，以获得一个更精确的新估计值。

Kalman最近邻匹配跟踪法是一种比较成熟的现有技术，在此不再赘述。

上文所列出的一系列的详细说明仅仅是针对本发明的可行性实施方式的具体说明，它们并非用以限制本发明的保护范围，凡未脱离本发明技艺精神所作的等效实施方式或变更均应包含在本发明的保护范围之内。

此外，应当理解，虽然本说明书按照实施方式加以描述，但并非每个实施方式仅包含一个独立的技术方案，说明书的这种叙述方式仅仅是为清楚起见，本领域技术人员应当将说明书作为一个整体，各实施例中的技术方案也可以经适当组合，形成本领域技术人员可以理解的其他实施方式。

Claims (9)

1.基于人头检测的行人计数方法，其特征在于，该方法包括以下步骤：

S1、对若干训练样本集使用SVM分类器进行训练以得到若干人头分类器；

S2、获取监控区域的视频流图像作为输入图像；

S3、通过帧间差分法对输入图像进行帧间差分运算，以得到运动行人区域；

S4、利用人头分类器对运动行人区域进行检测，得到人头区域；

S5、通过Kalman最近邻匹配跟踪法对人头区域的中心点进行跟踪与计数。

2.根据权利要求1所述的行人计数方法，其特征在于，所述步骤S1中的“训练样本集”包括：包含人头图像的正样本集和不包含人头图像的负样本集，所述正样本和所述负样本均为20*20像素的灰度图像。

3.根据权利要求2所述的行人计数方法，其特征在于，

所述步骤S1中的正样本集包括：头顶正样本子集、正面正样本子集、后面正样本子集、左侧正样本子集和右侧正样本子集，每个正样本子集的正样本数量为600；

所述步骤S1中的负样本集包括：头顶负样本子集、正面负样本子集、后面负样本子集、左侧负样本子集和右侧负样本子集，每个负样本子集的负样本数量为1400。

4.根据权利要求1至3中任一项所述的行人计数方法，其特征在于，所述步骤S1具体为：使用SVM分类器分别对各训练正样本子集与负样本子集进行训练，以得到头顶分类器、正面分类器、后面分类器、左侧分类器、右侧分类器。

5.根据权利要求1所述的行人计数方法，其特征在于，所述步骤S3中的“帧间差分法”具体为：根据步骤S2获取的输入图像，利用当前帧图像与前一帧图像作帧间差分运算以得到差分图像，所述帧间差分运算的计算公式为：D_k(x，y)＝F_k(x，y)-F_k-1(x，y)；

其中，F_k-1(x，y)为前一帧图像中像素点的灰度值，F_k(x，y)为当前帧图像中像素点的灰度值，D_k(x，y)为二者的差分图像。

6.根据权利要求5所述的行人计数方法，其特征在于，所述步骤S3还包括：对差分图像D_k(x，y)进行二值化处理以得到二值图像R_k(x，y)，所述二值化处理的运算公式如下所示：

其中，M为分割阀值，且M＝70。

7.根据权利要求6所述的行人计数方法，其特征在于，所述步骤S3还包括对二值图像R_k(x，y)进行形态学处理，所述形态学处理具体为：先进行膨胀处理，后进行腐蚀处理；所述膨胀处理中的膨胀参数优选为5，腐蚀处理中的腐蚀参数优选为3。

8.根据权利要求1所述的行人计数方法，其特征在于，所述步骤S3中的“运动行人区域”具体为：包含运动行人的矩形区域。

9.根据权利要求1所述的行人计数方法，其特征在于，所述步骤S4具体为：对运动行人区域进行积分图计算，得到运动行人区域的积分图；并以20*20像素大小的图像块作为检测窗口，在水平和垂直方向上以3个像素点为步长，对积分图作行、列的滑动扫描；计算检测窗口内的Haar特征，将Haar特征输入到人头分类器中。