CN106250828B - 一种基于改进的lbp算子的人群计数方法 - Google Patents
一种基于改进的lbp算子的人群计数方法 Download PDFInfo
- Publication number
- CN106250828B CN106250828B CN201610586435.8A CN201610586435A CN106250828B CN 106250828 B CN106250828 B CN 106250828B CN 201610586435 A CN201610586435 A CN 201610586435A CN 106250828 B CN106250828 B CN 106250828B
- Authority
- CN
- China
- Prior art keywords
- image
- feature
- adaptive
- operator
- radius
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 34
- 230000003044 adaptive effect Effects 0.000 claims abstract description 40
- 238000012549 training Methods 0.000 claims abstract description 21
- 230000008859 change Effects 0.000 claims abstract description 18
- 238000009472 formulation Methods 0.000 claims abstract description 16
- 239000000203 mixture Substances 0.000 claims abstract description 16
- 239000013598 vector Substances 0.000 claims abstract description 15
- 238000010606 normalization Methods 0.000 claims abstract description 9
- 238000000605 extraction Methods 0.000 claims abstract description 6
- 238000005070 sampling Methods 0.000 claims description 14
- 230000008569 process Effects 0.000 claims description 7
- 238000000638 solvent extraction Methods 0.000 claims description 7
- 239000000284 extract Substances 0.000 claims description 5
- 238000012545 processing Methods 0.000 claims description 5
- 239000012141 concentrate Substances 0.000 claims description 3
- 238000005457 optimization Methods 0.000 claims description 3
- 238000012544 monitoring process Methods 0.000 abstract description 5
- 238000013507 mapping Methods 0.000 abstract description 3
- 238000005192 partition Methods 0.000 abstract description 2
- 238000010586 diagram Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 230000000007 visual effect Effects 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 229910002056 binary alloy Inorganic materials 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 208000027418 Wounds and injury Diseases 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000006378 damage Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 235000013399 edible fruits Nutrition 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 208000014674 injury Diseases 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000002269 spontaneous effect Effects 0.000 description 1
- 230000007704 transition Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/50—Context or environment of the image
- G06V20/52—Surveillance or monitoring of activities, e.g. for recognising suspicious objects
- G06V20/53—Recognition of crowd images, e.g. recognition of crowd congestion
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/50—Extraction of image or video features by performing operations within image blocks; by using histograms, e.g. histogram of oriented gradients [HoG]; by summing image-intensity values; Projection analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/46—Descriptors for shape, contour or point-related descriptors, e.g. scale invariant feature transform [SIFT] or bags of words [BoW]; Salient regional features
- G06V10/467—Encoded features or binary features, e.g. local binary patterns [LBP]
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Theoretical Computer Science (AREA)
- Image Analysis (AREA)
Abstract
本发明公开一种基于改进的LBP算子的人群计数方法,采用基于圆形领域的自适应尺度的旋转不变等价模式的ASLBP算子描述图像的局部纹理特征实现人群计数。采用基于透视归一化图的自适应分块方案,对块提取旋转等价不变的LBP特征算子,特征提取中用灰度变化度确定自适应半径,根据半径确定采样频率,最后对块的归一化的特征描述符,联合BOF特征袋模型,形成场景的特征描述向量;最后用SVR支持向量回归机对图像的特征和场景中的人数之间的映射关系进行回归学习,用训练得到的模型对未知的图像中的人数进行预测。本方法具有良好的实时性,较好的准确度。可用于安防监控等领域。
Description
技术领域
本发明涉及视频人群分析技术领域,更具体地,涉及一种基于改进的LBP算子的人群计数方法。
背景技术
2010年德国Love Parade音乐节的踩踏事件,导致21人遇难,超过500人受伤。2015年12月31日中国上海市黄浦区外滩在群众自发进行的迎新年活动中发生踩踏事件,大致35人遇难,42人受伤。人口增长所引发社会安全问题受到了越来越多的关注。在监控安防领域中,及时的掌握公共场所人群的动态信息根据这些信息进行有效的疏通和调度变得愈发重要。早期的视频监控采用人工观察的方法,这种方法不仅费时,繁琐无聊,容易出现错漏,而且还要消耗大量的人力物力。人群视频分析是对人群的动态信息进行建模和分析的一种技术。在这门技术运用中热门的一个问题就是对人群中人数和整个人群的密度估计。虽然有很多针对这个问题的解决方案,但是实时性能好,准确率高的算法还是比较少的。
人群计数和密度估计:
人群计数的算法大致可以分为两大类:1)基于检测的方法,对视频进行分割和检测每一个行人,得到人数。)2基于特征的方法:先提取出视频中图像的特征,用回归的方法学习到特征和人数之间的映射关系。本申请中采用的方法属于后者。
LBP特征描述子:
LBP(local Binary Pattern)特征是Ojala教授在1994年提出的一种用来描述图像局部纹理特征的算子。LBP是一种具有计算简便、分辨能力强、灰度不变性等显著优势的算子,但它却不能满足不同的尺度、不同的采样频率纹理描述的需求。为了解决这个问题,Ojala等对基础的LBP特征算子进行了改进,并提出了多尺度的LBP特征、旋转不变的纹理特征、等价模式的LBP特征。
基础的LBP特征描述子:
基础的LBP特征描述子,是基于矩形的3*3领域窗口,取窗口中心像素的灰度值为阈值,将周围像素的灰度值与该阈值进行比较,若大于(等于)中心像素的灰度值,则记为0,否则记为0,这样按顺时针方向就得到了一个8位的二进制串,这个二进制串就是该窗口的LBP的值,如图1所示。
多尺度的LBP算子:
然而,基础LBP算子仅能覆盖一个固定的半径范围的一个小领域,不能满足不同尺度的需求。2002年,Ojala等将3*3邻域扩展到任意邻域,并用圆形邻域替代矩形区域,进而得到半径为R的圆形邻域内含有P个采样点(xp,yp),p∈P为:
其中R为圆形邻域半径,P为采样点的个数。常见的图形区域算子如图2所示。
旋转不变的LBP特征算子:
当确定了P、R的取值以及获取二进制串的起始位置,算子就有2P种输出值,也就是2P种二进制模式。然而当获取二进制的起始位置发生改变或者当图像经过一定角度的旋转操作后,对于同样的场景信息LBP值将会发生改变。为了解决这个问题,Ojala等人对LBP算子做了改进,提出了下面的定义:
其中,为旋转不变的LBP算子,为对二进制模式按位右移i为的结果。由上面的公式可知,一个的值对应多个不同的而这些多个不同的值都是由同一个二进制模式经过旋转得到。
等价模式的LBP特征算子:
显然,旋转不变的LBP特征算子的引入,使得特征的维数大幅度降低,比如当P为8时,LBP特征将由原来的256维的特征降低为32维的特征。因为算子分布在32中模式下的频率差异比较大,因此在旋转不变的基础上,Ojala等提出了等价模式的LBP特征。
Ojala等通过对LBP算子处理图像的特点的研究,发现纹理特征最基本的属性能够用一些特定的LBP模式来代表,且在对图像信息的描述方面占了很大的比例,几乎达到了90%以上。Ojala等将具备这些基本属性的LBP算子的二进制模式成为等价模式,即二进制中0与1之间的跳变次数不超过两次。等价模式的判定表示:
若满足判定为某一个等价不等式,否则,归入另一个混合模式。
此外,降维也是等价模式LBP算子的一大优点。对来说,会产生2P种二进制模式,模式种类随着P的增大以指数的速率增大,这在信息量如此之大,存取如此频繁的图像处理等方面的应用中,将会产生非常严重的影响。对等价模式LBP算子来说,会产生P(P-1)+2种二进制模式,可以看出模式种类大幅度减少。由于特征数的维数仅有采样点的个数相关,故可知在邻域的采样点越多,等价模式LBP算子的降维效果就越明显。
特征袋模型:
特征袋BOF模型是Csurka在2004年引入到视觉处理领域的,本质是特征袋模型BOW(Bag of Words)在视觉领域中的推广。BOW模型是用来处理文本信息的,其思想为:用若干文本单词构成的词袋来描述一个文本的信息。在视觉处理领域,引入基于相同原理的特征袋BOF模型来描述图像信息,由若干视觉单词构成的特征袋来表示图像。如图3中将一副纹理图像用BOF模型表示的示意图,采用基于纹理基元的直方图来表示一副纹理图像。BOF模型算法的基本步骤:首先,基于训练集,建立视觉单词库,对视觉单词库采用k-means聚类,形成一个视觉单词表,表中的每个元素是所聚类的类中心所代表的视觉单词;其次,对于图像,提取其视觉单词特征袋,计算特征袋中的视觉单词到视觉单词表中元素的距离,根据距离判断其所属的视觉单词类,从而形成描述图像信息的频率直方图。
发明内容
本发明为克服上述现有技术所述的至少一种缺陷,提供一种基于改进的LBP算子的人群计数方法,具有良好的实时性,较好的准确度,可用于安防监控等领域。
为解决上述技术问题,本发明的技术方案如下:
一种基于改进的LBP算子的人群计数方法,包括以下步骤:
S1:采集用于回归模型训练的训练图像集;
S2:提取训练图像集中每幅图像的ASLBP(自适应尺度的旋转不变局部二值模式算子)特征向量,提取的步骤包括:
(1)对图像采用基于摄像头透视关系的场景自适应分块处理,将场景划分成子图像块;
(2)用灰度变化度确定圆形区域的自适应半径,根据半径确定采样像素点数目;
(3)对于每个子图像块,采用自适应尺度的旋转不变等价模式的ASLBP特征算子提取场景信息,形成ASLBP特征直方图;
(4)对于每个子图像块的ASLBP特征直方图采用归一化处理;
(5)对归一化后特征描述符,联合特征袋模型的BOF,形成特征描述向量Flbp;
S3:回归模型的训练:
对于训练图像集,视每一幅图像得到的特征描述向量Flbp为一个训练样本数据Xi,相应场景的实际人数为当前标签yi,构建样本数据库并获得回归模型SVRmodel;
S4:回归模型的估计:
对于待估计的图像,提取其场景特征描述向量Flbp,采用SVRmodel进行估计,得到当前场景的人数npeople。
在一种优选的方案中,步骤S2中,对图像采用基于摄像头透视关系的场景自适应分块处理的具体过程为:
计算透视归一化图,得到整个场景的权重差diff_w=wH-w1,其中w1是深度为1时的图像加权值,wH为深度是H时的像素加权值;
将权重差diff_w等分为N份来得到自适应的尺度,N为正整数,从深度为1开始,权重值每增加diff_w/N为一层,并设定相应所增加的深度为此层子图像块的高度,每层子图像的高与宽是一样的,将整个场景划分为五层子图像块;
对于每个层次最后剩余的不完整的子图像块,做如下的判定:
其中Sres表示每层中划分完整的子图像块后剩余的子图像的面积,Spatch为每层完整的子图像块的面积,当在每层中剩余的子图像的面积超过一个完整的子图像的面积的一半时,S取值为1,此时最后剩余的子图像块向前获取相应的面积形成完整的子图像块;当在每层中剩余的子图像块的面积不足一个完整子图像块面积的一半时,S取值为0,放弃这一个不完整的子图像块。
在一种优选的方案中,步骤S2中,用灰度变化度确定圆形区域的自适应半径,根据半径确定采样像素点数目,具体过程为:
对于自适应半径设定一个最大阈值R≤4,且R为实数,若图像用二维离散函数来表示,则图像像素灰度的变化情况为:
其中I(i,j)表示图像中(i,j)位置上的灰度值,d(i,j)表示图像(i,j)位置的灰度变化情况,则在半径R的邻域内的灰度平均变化度为:
则当R的取值使得{f(R)-f(R-1)},R=1,...,4达到最大值时,此R为最佳半径,也就是该圆形区域中心像素点的自适应半径大小。
在一种优选的方案中,步骤S2中,采用下面的公式来确定采样像素点的数目:
其中,P表示采样像素点数目,R表示自适应半径。
在一种优选的方案中,步骤S3中,求解下面公式优化问题得到最佳回归面,进而获得回归模型SVRmodel:
与现有技术相比,本发明技术方案的有益效果是:本发明公开一种基于改进的LBP算子的人群计数方法,采用基于圆形领域的自适应尺度的旋转不变等价模式的ASLBP算子描述图像的局部纹理特征实现人群计数。采用基于透视归一化图的自适应分块方案,对块提取旋转等价不变LBP特征算子,特征提取中用灰度变化度确定自适应半径,根据半径确定采样频率,最后对块的归一化的特征描述符,联合BOF特征袋模型,形成场景的特征描述向量;最后用SVR支持向量回归机对图像的特征和场景中的人数之间的映射关系进行回归学习,用训练得到的模型对未知的图像中的人数进行预测。本方法具有良好的实时性,较好的准确度。可用于安防监控等领域。
附图说明
图1为基于改进的LBP算子的人群计数方法的流程图。
图2为计算透视归一化图的方法示意图。
图3为将整个场景划分为五层子图像块的示意图。
具体实施方式
附图仅用于示例性说明,不能理解为对本专利的限制;
为了更好说明本实施例,附图某些部件会有省略、放大或缩小,并不代表实际产品的尺寸;
对于本领域技术人员来说,附图中某些公知结构及其说明可能省略是可以理解的。
下面结合附图和实施例对本发明的技术方案做进一步的说明。
实施例1
如图1所示,一种基于改进的LBP算子的人群计数方法,包括以下步骤:
S1:采集用于回归模型训练的训练图像集;
S2:提取训练图像集中每幅图像的ASLBP(自适应尺度的旋转不变局部二值模式算子)特征向量;
ASLBP特征向量为基于圆形邻域的自适应尺度的旋转不变等价模式的ASLBP算子:
旋转不变等价模式LBP算子,就是给等价模式LBP算子增加旋转不变属性。因此,给出了它的定义:
其中,表示旋转不变等价算子,ri表示旋转不变(rotation invariant),s(x)是符号函数,gi是第i+1个采样点的灰度值,gc是采样区域中心点灰度值,是等价模式的判定公式。
由上面的公式可知,此时模式的种类由原来的P(P-1)+2减少至P+2种,相对于基本的LBP算子2P模式来说,模式的种类是大大的减少。
LBP特征算子以及其各种改进的版本的算子对于灰度图像提取纹理特征信息的效果已经非常明显,但是对于具有相近或者相似灰度分布区域的纹理特征信息却不能很好的区分,为了解决这个问题,本申请提出了一种基于圆形的自适应尺度的旋转不变等价模式的ASLBP特征描述算子。
ASLBP特征描述算子提取的步骤包括:
(1)对图像采用基于摄像头透视关系的场景自适应分块处理,将场景划分成子图像块;
首先,整个场景中任何地方都有可能出现行人,故在此,不做ROI(Region ofInterest,兴趣区域)的规定;其次,计算场景的归一化透视图,本发明采用的计算透视归一化图的方法如图2,(a)、(b)、(c)中确定参考行人的所占的像素面积以及相应的场景深度,比如(a)中参考行人的面积由矩形abcd表示,L1表示矩形abcd高的平分线,用以表示行人的深度,计算|ab|,|bc|,|a1b1|,|b1c1|,|a2b2|,|b2c2|的长度,设定直线L1上的像素的权重为1,直线L2的像素的权重是直线L3上的权重是这三个权重和相应的L线的深度形成三对信息,通过这三对信息进行二次插值的方法估计整个场景的各个像素点的深度权重值,得到透视图。根据透视图,可以得到整个场景的权重差diff_w=wH-w1,其中w1是深度为1时的图像加权值,wH为深度是H时的像素加权值。然后,将权重差diff_w等分为N份来得到自适应的尺度,N为正整数,从深度为1开始,权重值每增加diff_w/N为一层,并设定相应所增加的深度为此层子图像块的高度,每层子图像的高与宽是一样的,如图3,将整个场景划分为五层子图像块,图像右侧的数值为相应深度的像素的权重值。最后对于每个层次最后剩余的不完整的子图像块,做如下的判定:
其中Sres表示每层中划分完整的子图像块后剩余的子图像的面积,Spatch为每层完整的子图像块的面积,当在每层中剩余的子图像的面积超过一个完整的子图像的面积的一般时,S取值为1,此时最后剩余的子图像块向前获取相应的面积形成完整的子图像块,如图3中第二,三,五层中最后的方框所示;当在每层中剩余的子图像块的面积不足一个完整子图像块面积的一半时,S取值为0,放弃这一个不完整的子图像块,如图3中第一层和第四层剩余子图像的处理。
(2)用灰度变化度确定圆形区域的自适应半径,根据半径确定采样像素点数目;
自适应半径的确定:
本申请ASLBP算子旨在解决具有相近或者相似的灰度分布区域的纹理特征的区分,因此半径的确定应该与邻域中像素灰度值具有明显变化的区域相关,本申请中提出用灰度平均变化度来表示圆形区域内像素灰度的平均变化情况。此外,由于LBP是图像的局部纹理信息,为了保证LBP算子表示纹理信息的有效性,也为了避免陷入全局搜索,同时保证算法的实时性,因此,对于自适应半径要设定一个最大阈值R≤4,且R为实数。若图像用二维离散函数来表示,则图像像素灰度的变化情况为:
其中I(i,j)表示图像中(i,j)位置上的灰度值,d(i,j)表示图像(i,j)位置的灰度变化情况。则在半径R的邻域内的灰度平均变化度为:
则当R的取值使得{f(R)-f(R-1)},R=1,...,4达到最大值时,此R为最佳半径,也就是该圆形区域中心像素点的自适应的半径大小。
采样像素点数目的确定
利用上述的自适应半径R,来确定采样像素点数目P。根据现有的文献可知P值的选取不仅与R值有相应的关系,比如当R取1.0时,P=8;当R取1.5时,P=12;当R取2.0时,P=8或者16;而且与二进制模式的位数和种类有关。综合这两方面的考虑,我们采用下面的公式来确定采样像素点的数目:
其中P最大阈值为24的设定,一是考虑二进制模式的位数,二是考虑到半径为R的圆周上像素采样的频率。
(3)对于每个子图像块,采用自适应尺度的旋转不变等价模式的ASLBP特征算子提取场景信息,形成ASLBP特征直方图。
(4)对于每个子图像块的ASLBP特征直方图采用归一化处理。
(5)对归一化后特征描述符,联合特征袋模型的BOF,形成特征描述向量Flbp。
S3:回归模型的训练:
对于训练图像集,视每一幅图像得到的特征描述向量Flbp为一个训练样本数据Xi,相应场景的实际人数为当前标签yi,构建样本数据库,求解下面公式优化问题得到最佳回归面,进而获得回归模型SVRmodel:
S4:回归模型的估计:
对于一副待估计的图像,用步骤S2中的方法提取其场景特征向量Flbp,然后采用SVRmodel进行估计,得到当前场景的人数npeople,即:
相同或相似的标号对应相同或相似的部件;
附图中描述位置关系的用语仅用于示例性说明,不能理解为对本专利的限制;
显然,本发明的上述实施例仅仅是为清楚地说明本发明所作的举例,而并非是对本发明的实施方式的限定。对于所属领域的普通技术人员来说,在上述说明的基础上还可以做出其它不同形式的变化或变动。这里无需也无法对所有的实施方式予以穷举。凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等,均应包含在本发明权利要求的保护范围之内。
Claims (5)
1.一种基于改进的LBP算子的人群计数方法,其特征在于,包括以下步骤:
S1:采集用于回归模型训练的训练图像集;
S2:提取训练图像集中每幅图像的自适应尺度的旋转不变局部二值模式算子特征向量,提取的步骤包括:
(1)对图像采用基于摄像头透视关系的场景自适应分块处理,将场景划分成子图像块;
(2)用灰度变化度确定圆形区域的自适应半径,根据半径确定采样像素点数目;
(3)对于每个子图像块,采用自适应尺度的旋转不变等价模式的自适应尺度的旋转不变局部二值模式算子特征算子提取场景信息,形成自适应尺度的旋转不变局部二值模式算子特征直方图;
(4)对于每个子图像块的自适应尺度的旋转不变局部二值模式算子特征直方图采用归一化处理;
(5)对归一化后特征描述符,联合特征袋模型的BOF,形成特征描述向量Flbp;
S3:回归模型的训练:对于训练图像集,视每一幅图像得到的特征描述向量Flbp为一个训练样本数据Xi,相应场景的实际人数为当前标签yi,构建样本数据库并获得回归模型SVRmodel;
S4:回归模型的估计:对于待估计的图像,提取其场景特征描述向量Flbp,采用SVRmodel进行估计,得到当前场景的人数npeople。
2.根据权利要求1所述的基于改进的LBP算子的人群计数方法,其特征在于,步骤S2中,对图像采用基于摄像头透视关系的场景自适应分块处理的具体过程为:
计算透视归一化图,得到整个场景的权重差diff_w=wH-w1,其中w1是深度为1时的图像加权值,wH为深度是H时的像素加权值;
将权重差diff_w等分为N份来得到自适应的尺度,N为正整数,从深度为1开始,权重值每增加diff_w/N为一层,并设定相应所增加的深度为此层子图像块的高度,每层子图像的高与宽是一样的,将整个场景划分为五层子图像块;
对于每个层次最后剩余的不完整的子图像块,做如下的判定:
其中Sres表示每层中划分完整的子图像块后剩余的子图像的面积,Spatch为每层完整的子图像块的面积,当在每层中剩余的子图像的面积超过一个完整的子图像的面积的一半时,S取值为1,此时最后剩余的子图像块向前获取相应的面积形成完整的子图像块;当在每层中剩余的子图像块的面积不足一个完整子图像块面积的一半时,S取值为0,放弃这一个不完整的子图像块。
3.根据权利要求1所述的基于改进的LBP算子的人群计数方法,其特征在于,步骤S2中,用灰度变化度确定圆形区域的自适应半径,根据半径确定采样像素点数目,具体过程为:
对于自适应半径设定一个最大阈值R≤4,且R为实数,若图像用二维离散函数来表示,则图像像素灰度的变化情况为:
其中I(i,j)表示图像中(i,j)位置上的灰度值,d(i,j)表示图像(i,j)位置的灰度变化情况,则在半径R的邻域内的灰度平均变化度为:
则当R的取值使得{f(R)-f(R-1)},R=1,...,4达到最大值时,此R为最佳半径,也就是该圆形区域中心像素点的自适应半径大小。
4.根据权利要求1所述的基于改进的LBP算子的人群计数方法,其特征在于,步骤S2中,采用下面的公式来确定采样像素点的数目:
其中,P表示采样像素点数目,R表示自适应半径。
5.根据权利要求1所述的基于改进的LBP算子的人群计数方法,其特征在于,步骤S3中,求解优化公式问题得到最佳回归面,进而获得回归模型SVRmodel。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610586435.8A CN106250828B (zh) | 2016-07-22 | 2016-07-22 | 一种基于改进的lbp算子的人群计数方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610586435.8A CN106250828B (zh) | 2016-07-22 | 2016-07-22 | 一种基于改进的lbp算子的人群计数方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN106250828A CN106250828A (zh) | 2016-12-21 |
CN106250828B true CN106250828B (zh) | 2019-06-04 |
Family
ID=57603497
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610586435.8A Active CN106250828B (zh) | 2016-07-22 | 2016-07-22 | 一种基于改进的lbp算子的人群计数方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106250828B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110020572B (zh) * | 2018-01-08 | 2021-08-10 | 比亚迪股份有限公司 | 基于视频图像的人数统计方法、装置、设备及存储介质 |
CN113496236B (zh) * | 2020-03-20 | 2024-05-24 | 北京沃东天骏信息技术有限公司 | 用户标签信息确定方法、装置、设备和存储介质 |
CN112305945B (zh) * | 2020-10-21 | 2021-07-13 | 丽水市正明机械科技有限公司 | 防护机构误动作规避平台 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103049787A (zh) * | 2011-10-11 | 2013-04-17 | 汉王科技股份有限公司 | 一种基于头肩特征的人数统计方法和系统 |
CN103049763A (zh) * | 2012-12-07 | 2013-04-17 | 华中科技大学 | 一种基于上下文约束的目标识别方法 |
CN103136534A (zh) * | 2011-11-29 | 2013-06-05 | 汉王科技股份有限公司 | 自适应的区域行人计数方法及装置 |
GB2505501A (en) * | 2012-09-03 | 2014-03-05 | Vision Semantics Ltd | Crowd density estimation using semi-supervised active learning |
CN103839035A (zh) * | 2012-11-22 | 2014-06-04 | 富士通株式会社 | 人数统计方法和人数统计系统 |
CN104680173A (zh) * | 2015-01-26 | 2015-06-03 | 河海大学 | 一种遥感图像场景分类方法 |
CN105654021A (zh) * | 2014-11-12 | 2016-06-08 | 株式会社理光 | 检测人群对目标位置关注度的方法及设备 |
CN105740945A (zh) * | 2016-02-04 | 2016-07-06 | 中山大学 | 一种基于视频分析的人群计数方法 |
-
2016
- 2016-07-22 CN CN201610586435.8A patent/CN106250828B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103049787A (zh) * | 2011-10-11 | 2013-04-17 | 汉王科技股份有限公司 | 一种基于头肩特征的人数统计方法和系统 |
CN103136534A (zh) * | 2011-11-29 | 2013-06-05 | 汉王科技股份有限公司 | 自适应的区域行人计数方法及装置 |
GB2505501A (en) * | 2012-09-03 | 2014-03-05 | Vision Semantics Ltd | Crowd density estimation using semi-supervised active learning |
CN103839035A (zh) * | 2012-11-22 | 2014-06-04 | 富士通株式会社 | 人数统计方法和人数统计系统 |
CN103049763A (zh) * | 2012-12-07 | 2013-04-17 | 华中科技大学 | 一种基于上下文约束的目标识别方法 |
CN105654021A (zh) * | 2014-11-12 | 2016-06-08 | 株式会社理光 | 检测人群对目标位置关注度的方法及设备 |
CN104680173A (zh) * | 2015-01-26 | 2015-06-03 | 河海大学 | 一种遥感图像场景分类方法 |
CN105740945A (zh) * | 2016-02-04 | 2016-07-06 | 中山大学 | 一种基于视频分析的人群计数方法 |
Non-Patent Citations (1)
Title |
---|
多种人群密度场景下的人群计数;覃勋辉 等;《中国图象图形学报》;20130430;第18卷(第4期);第392-398页 |
Also Published As
Publication number | Publication date |
---|---|
CN106250828A (zh) | 2016-12-21 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN102073748B (zh) | 一种基于视觉关键词的遥感影像语义检索方法 | |
Kang et al. | A bayesian-network-based classification method integrating airborne lidar data with optical images | |
CN108647602B (zh) | 一种基于图像复杂度判定的航空遥感图像场景分类方法 | |
CN104978567B (zh) | 基于场景分类的车辆检测方法 | |
Herdiyeni et al. | Combination of morphological, local binary pattern variance and color moments features for indonesian medicinal plants identification | |
CN110633708A (zh) | 一种基于全局模型和局部优化的深度网络显著性检测方法 | |
CN103645480A (zh) | 基于激光雷达和图像数据融合的地形地貌特征构建方法 | |
CN105528794A (zh) | 基于混合高斯模型与超像素分割的运动目标检测方法 | |
CN104715251B (zh) | 一种基于直方图线性拟合的显著目标检测方法 | |
CN109657610A (zh) | 一种高分辨率多源遥感影像的土地利用变化检测方法 | |
CN105574063A (zh) | 基于视觉显著性的图像检索方法 | |
Tan et al. | Vehicle detection in high resolution satellite remote sensing images based on deep learning | |
CN104182765A (zh) | 一种互联网图像驱动的三维模型最优视图自动选择方法 | |
CN106327502A (zh) | 一种安防视频中多场景多目标识别和跟踪方法 | |
CN104077605A (zh) | 一种基于颜色拓扑结构的行人搜索识别方法 | |
Du et al. | A novel lacunarity estimation method applied to SAR image segmentation | |
CN104517095A (zh) | 一种基于深度图像的人头分割方法 | |
CN106250828B (zh) | 一种基于改进的lbp算子的人群计数方法 | |
CN103955952A (zh) | 一种服装图像颜色特征的提取与描述方法 | |
CN108549901A (zh) | 一种基于深度学习的快速迭代目标检测方法 | |
CN114067118B (zh) | 一种航空摄影测量数据的处理方法 | |
CN106844739A (zh) | 一种基于神经网络协同训练的遥感图像变化信息检索方法 | |
CN107067037A (zh) | 一种使用llc准则定位图像前景的方法 | |
CN103399863B (zh) | 基于边缘方向差特征袋的图像检索方法 | |
Sima et al. | Bottom-up merging segmentation for color images with complex areas |
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 |