CN106326839A - 一种基于出操视频流的人数统计方法 - Google Patents

Abstract

本发明公开了一种基于出操视频流的人数统计方法，包括以下步骤：选取视频流中人的头部图像作为训练样本；标记视频流中实际出操人数；提取训练样本的HOG特征；通过训练，得到级联强分类器；对视频流进行预处理，改善光照、噪声的影响；利用得到的分类器对预处理后的视频流中的出操队列进行检测，估计出大概出操人数；将测试视频中估计出的人数与进行测试的出操实际人数进行比较，获取测试视频中的估计错误率。本发明可对出操列队时的场景视频流进行精确的人数统计，对操场上无论是静止的还是运动的人都有统计结果，改善了传统方法中基于出入口的人数统计的应用场景局限性，有利于出操考勤的智能化管理，具有广阔的应用前景。

Description

一种基于出操视频流的人数统计方法

技术领域

本发明涉及一种统计方法，尤其涉及一种基于出操视频流的人数统计方法，属于智能监控技术领域。

背景技术

随着社会经济的发展和硬件水平的不断提高，视频监控系统越来越广泛地应用于人们的生活之中。传统的视频监控系统虽然能够实现监控要求，但需要人为地理解和判断视频信息，智能化程度并不高，因此人们对智能视频监控系统的要求越来越迫切。

智能视频监控系统通过计算机视觉技术对监控系统中的信息进行处理、分析、理解，并对监控系统进行智能化控制，可以有效减少人为参与，提高视频监控系统的智能化程度，是视频监控系统的发展方向。

智能视频监控系统的人数统计，根据应用角度的不同主要分为适用于出入口或通道的行人人数统计和适用于开阔场景的人群人数统计。目前主流的人数统计方法多是针对出入口的精确统计或者针对商场的大概人流密度统计。而针对列队出操场景进行人数统计的需求，还多是采用人工计数或者队员报数的方法，这种方法受人为因素的影响较大，因此，列队出操场景的人数统计缺乏有效的智能化统计方法，无法应用于智能视频监控系统。

发明内容

为了解决上述技术所存在的不足之处，本发明提供了一种基于出操视频流的人数统计方法。

为了解决以上技术问题，本发明采用的技术方案是：一种基于出操视频流的人数统计方法，包括以下步骤：

步骤一、收集样本图片并预处理：

由前置端摄像机获得出操视频流；人工选取大量含人头部的图片作为训练集的正样本，包括正面、侧面和背面图片；再选取大量非人的图片作为训练集的负样本；对正负样本进行灰度化处理，然后将处理后的正样本进行归一化；

步骤二、HOG特征提取：

使用HOG特征对归一化后的每一幅正样本和负样本进行表征描述，形成特征向量；

步骤三、训练级联强分类器：

在刚开始训练时，Adaboost算法给每个样本都分配相同的权值，然后在每一轮训练中挑选出一个分类效果最强的弱分类器，即最佳弱分类器；然后将被最佳弱分类器分类错的样本加大权值，将被分类正确的样本适当减小权值；由此，被错误分类的样本凸现出来，进而得到一个新的样本分布；

在新的样本分布下，再次利用各个特征对样本进行训练，得到新的弱分类器；以此类推，经过T次迭代，得到T个最佳弱分类器；把T个最佳弱分类器按一定的规则进行组合叠加，得到最终的强分类器；

步骤四、对待检测视频流进行预处理：

对待检测的视频流依次进行gamma归一化、直方图均衡化、对比度自适应的处理，以便改善光照变化以及噪声的影响；针对当次出操，人为标记实际出操人数；

步骤五、检测并统计人数：

将预处理后的视频流输入级联强分类器进行检测判断，判断为头部的子图像所在处进行标记行人，记录每一帧标记好的头部图像的个数，通过统计学方法得到最终出操人数；

步骤六：获取估计错误率：

将人为标记的实际出操人数与统计出的出操人数进行对比，获取视频中的估计错误率；根据此估计错误率评估算法性能。

步骤三中训练级联强分类器的具体操作步骤如下：

a、选取正样本和负样本，并将正样本归一化到统一大小；

b、提取样本的HOG特征作为检测的特征；

c、根据HOG特征计算出各弱分类器的阈值参数；

d、建立训练集 ，其中，为样本描述，为样本标识，且，式中0,1分别代表正样本和负样本；

e、初始化样本权值，将其设为，其中是所有样本总数；

f、当t = 1,2,…,T时，循环执行以下操作：

（i）、归一化权重：；

（ii）、对于每一个特征F，训练一个弱分类器，然后计算所有特征的弱分类器加权错误率；将弱分类器定义为：，其中x代表一个检测窗口；表示弱分类的的特征值，即矩形特征的特征值；表示弱分类器的阈值，由此来判断正样本和负样本；是影响因子，指示不等号是否改变方向；

（iii）、选取最佳弱分类器：在当前权值下，确定特征F的最优阈值，使得这个分类器对所有训练样本的加权分类误差最小；将在所有弱分类器中对所有训练样本的加权分类误差最小的弱分类器，选取为最佳弱分类器；

对每个特征F，计算它对所有样本的特征值并排序；通过扫描排序后的特征值，对当前特征确定一个最优阈值，从而训练得到一个弱分类器；对训练好的特征值，计算下面四个值：全部人头部的样本的权重和；全部的非人头部样本的权重和；在此元素之前的人头部样本权重和；在此元素之前的非人头部样本的权重和；

此时，选取当前特征和它前一个特征值之间的数作为阈值时，所得到的弱分类器就在当前元素处被分开；这样选取阈值带来的加权分类误差为：；选取加权误差最小的分类器，即是选择了最佳弱分类器；

（iv）、按照这个最佳弱分类器，调整权重时表示被正确分类，=1时表示被错误分类：其中，；

g、确定最后的强分类器：由上述方法每次迭代得到一个最佳弱分类器，为了得到分类效果更好的强分类器，需要将T个最佳弱分类器组合起来，构成一个强分类器；强分类器为：

其中，；

当用该强分类器对目标进行检测时，相当于将T个最佳弱分类器进行检测，然后将这些检测结果进行加权求和，将加权求和的结果和平均结果进行比较，得出最终的检测结果；平均结果是假设弱分类器检测为0和1的概率都相同的情况下，求出的概率平均：。

本发明可对出操列队时的场景视频流进行人数统计，改善了传统方法中基于出入口的人数统计的应用场景局限性，且所得的人数统计结果准确性高，能够对操场上无论是站立的还是运动的人都有统计结果，有利于出操考勤的智能化管理，具有广阔的应用前景。

附图说明

图1为本发明的整体步骤流程图。

图2为级联分类器训练流程图。

具体实施方式

下面结合附图和具体实施方式对本发明作进一步详细的说明。

如图1、图2所示，本发明包括以下步骤：

步骤一、收集样本图片并预处理：

由前置端摄像机获得出操视频流；人工选取大量含人头部的图片作为训练集的正样本，包括正面、侧面和背面图片；再选取大量非人的图片作为训练集的负样本；对正负样本进行灰度化处理，然后将正样本归一化到32*32的像素；

步骤二、HOG特征提取：

使用HOG（Histogram of Oriented Gradient，方向梯度直方图）特征对归一化后的每一幅正样本和负样本进行表征描述，形成特征向量；

步骤三、训练级联强分类器：

在刚开始训练时，Adaboost算法给每个样本都分配相同的权值，然后在每一轮训练中挑选出一个分类效果最强的弱分类器，即最佳弱分类器；然后将被最佳弱分类器分类错的样本加大权值，将被分类正确的样本适当减小权值；由此，被错误分类的样本凸现出来，进而得到一个新的样本分布；

在新的样本分布下，再次利用各个特征对样本进行训练，得到新的弱分类器；以此类推，经过T次迭代，得到T个最佳弱分类器；把T个最佳弱分类器按一定的规则进行组合叠加，得到最终的强分类器；

训练级联强分类器的具体操作步骤如下：

a、选取正样本和负样本，并将正样本归一化到统一大小；

b、提取样本的HOG特征作为检测的特征；

c、根据HOG特征计算出各弱分类器的阈值参数；

d、建立训练集，其中，为样本描述，为样本标识，且，式中0,1分别代表正样本和负样本；

e、初始化样本权值，将其设为，其中是所有样本总数；

f、当t = 1,2,…,T时，循环执行以下操作：

（i）、归一化权重：；

（ii）、对于每一个特征F，训练一个弱分类器，然后计算所有特征的弱分类器加权错误率；弱分类器从本质上讲就是一个矩形特征，它要求的错误率只是低于50%，将弱分类器定义为： ，其中x代表一个检测窗口； 表示弱分类的的特征值，即矩形特征的特征值；表示弱分类器的阈值，由此来判断正样本和负样本；是影响因子，指示不等号是否改变方向；

（iii）、选取最佳弱分类器：在当前权值下，确定特征F的最优阈值，使得这个分类器对所有训练样本的加权分类误差最小；将在所有弱分类器中对所有训练样本的加权分类误差最小的弱分类器，选取为最佳弱分类器；

对每个特征F，计算它对所有样本的特征值并排序；通过扫描排序后的特征值，对当前特征确定一个最优阈值，从而训练得到一个弱分类器；对训练好的特征值，计算下面四个值：全部人头部的样本的权重和；全部的非人头部样本的权重和；在此元素之前的人头部样本权重和；在此元素之前的非人头部样本的权重和；

此时，选取当前特征和它前一个特征值之间的数作为阈值时，所得到的弱分类器就在当前元素处被分开；即由这个阈值对应的弱分类器将当前元素之前的所有元素分类为人头部(非头部)，而把当前元素之后的所有元素分类为非头部(头部)。这样选取阈值带来的加权分类误差为：；选取加权误差最小的分类器，即是选择了最佳弱分类器；

（iv）、按照这个最佳弱分类器，调整权重时表示被正确分类，时表示被错误分类：其中，；

g、确定最后的强分类器：由上述方法每次迭代得到一个最佳弱分类器，为了得到分类效果更好的强分类器，需要将T个最佳弱分类器组合起来，构成一个强分类器；强分类器为：

其中，；

当用该强分类器对目标进行检测时，相当于将T个最佳弱分类器进行检测，然后将这些检测结果进行加权求和，将加权求和的结果和平均结果进行比较，得出最终的检测结果；平均结果是假设弱分类器检测为0和1的概率都相同的情况下，求出的概率平均：。

步骤四、对待检测视频流进行预处理：

为了降低光照变化造成的影响、降低图像局部的阴影、调节图像对比度并抑制噪声的干扰，对待检测的视频流依次进行gamma（伽玛值，表示图象输出值与输入值关系的斜线）归一化、直方图均衡化、对比度自适应等处理；针对当次出操，人为标记实际出操人数；

步骤五、检测并统计人数：

将预处理后的视频流输入级联强分类器进行检测判断，判断为头部的子图像所在处进行标记行人，记录每一帧标记好的头部图像的个数，通过统计学方法得到最终出操人数；由于每帧统计可能会出现漏检或者误检，统计每十帧图片中出现次数最多的人数并记录，最后再综合统计这些记录中最大的个数作为最终人数；

步骤六：获取估计错误率：

将人为标记的实际出操人数与统计出的出操人数进行对比，获取视频中的估计错误率；根据此估计错误率评估算法性能。

本发明属于智能视频监控范畴，涉及了计算机视觉、模式分析、机器学习、人工智能等多个领域。它以视频监控系统为基础平台，在对视频序列中的行人进行检测、定位、记录的前提下，可进一步进行精确的人数统计；通过存储统计结果，并将其作为一个有实用价值的功能模块融合到智能监控体系中，可满足日常管理的需求，又能为监控系统提供信息，存储的人数统计信息方便后期查询比对，从而提供了一种先进的智能处理设计方案。

本发明可对出操列队时的场景视频流进行人数统计，改善了传统方法中基于出入口的人数统计的应用场景局限性，且所得的人数统计结果准确性高，能够对操场上无论是站立的还是运动的人都有统计结果，有利于出操考勤的智能化管理，具有广阔的应用前景。

本发明是对传统的智能监控平台的智能扩展，成本较低，可移植性强，应用场合广泛，可用于部队、学校出操集合等场景，也可用于商场、广场等固定区域内的人数统计，具有很高的实用价值。

上述实施方式并非是对本发明的限制，本发明也并不仅限于上述举例，本技术领域的技术人员在本发明的技术方案范围内所做出的变化、改型、添加或替换，也均属于本发明的保护范围。

Claims (2)

1.一种基于出操视频流的人数统计方法，其特征在于：所述方法包括以下步骤：

步骤一、收集样本图片并预处理：

由前置端摄像机获得出操视频流；人工选取大量含人头部的图片作为训练集的正样本，包括正面、侧面和背面图片；再选取大量非人的图片作为训练集的负样本；对正负样本进行灰度化处理，然后将处理后的正样本进行归一化；

步骤二、HOG特征提取：

使用HOG特征对归一化后的每一幅正样本和负样本进行表征描述，形成特征向量；

步骤三、训练级联强分类器：

在刚开始训练时，Adaboost算法给每个样本都分配相同的权值，然后在每一轮训练中挑选出一个分类效果最强的弱分类器，即最佳弱分类器；然后将被最佳弱分类器分类错的样本加大权值，将被分类正确的样本适当减小权值；由此，被错误分类的样本凸现出来，进而得到一个新的样本分布；

在新的样本分布下，再次利用各个特征对样本进行训练，得到新的弱分类器；以此类推，经过T次迭代，得到T个最佳弱分类器；把T个最佳弱分类器按一定的规则进行组合叠加，得到最终的强分类器；

步骤四、对待检测视频流进行预处理：

对待检测的视频流依次进行gamma归一化、直方图均衡化、对比度自适应的处理，以便改善光照变化以及噪声的影响；针对当次出操，人为标记实际出操人数；

步骤五、检测并统计人数：

将预处理后的视频流输入级联强分类器进行检测判断，判断为头部的子图像所在处进行标记行人，记录每一帧标记好的头部图像的个数，通过统计学方法得到最终出操人数；

步骤六：获取估计错误率：

将人为标记的实际出操人数与统计出的出操人数进行对比，获取视频中的估计错误率；根据此估计错误率评估算法性能。

2.根据权利要求1所述的基于出操视频流的人数统计方法，其特征在于：所述步骤三中训练级联强分类器的具体操作步骤如下：

a、选取正样本和负样本，并将正样本归一化到统一大小；

b、提取样本的HOG特征作为检测的特征；

c、根据HOG特征计算出各弱分类器的阈值参数；

d、建立训练集，其中，为样本描述，为样本标识，且，式中0,1分别代表正样本和负样本；

e、初始化样本权值，将其设为，其中是所有样本总数；

f、当t = 1,2,…,T时，循环执行以下操作：

（i）、归一化权重： ；

（ii）、对于每一个特征F，训练一个弱分类器，然后计算所有特征的弱分类器加权错误率为；将弱分类器定义为：，其中x代表一个检测窗口；F(X)表示弱分类的的特征值，即矩形特征的特征值；表示弱分类器的阈值，由此来判断正样本和负样本；是影响因子，指示不等号是否改变方向；

（iii）、选取最佳弱分类器：在当前权值下，确定特征F的最优阈值，使得这个分类器对所有训练样本的加权分类误差最小；将在所有弱分类器中对所有训练样本的加权分类误差最小的弱分类器，选取为最佳弱分类器；

对每个特征F，计算它对所有样本的特征值并排序；通过扫描排序后的特征值，对当前特征确定一个最优阈值，从而训练得到一个弱分类器；对训练好的特征值，计算下面四个值：全部人头部的样本的权重和；全部的非人头部样本的权重和；在此元素之前的人头部样本权重和；在此元素之前的非人头部样本的权重和；

此时，选取当前特征和它前一个特征值之间的数作为阈值时，所得到的弱分类器就在当前元素处被分开；这样选取阈值带来的加权分类误差为：；选取加权误差最小的分类器，即是选择了最佳弱分类器；

（iv）、按照这个最佳弱分类器，调整权重时表示被正确分类，时表示被错误分类：其中，；

g、确定最后的强分类器：由上述方法每次迭代得到一个最佳弱分类器，为了得到分类效果更好的强分类器，需要将T个最佳弱分类器组合起来，构成一个强分类器；强分类器为：

其中，；

当用该强分类器对目标进行检测时，相当于将T个最佳弱分类器进行检测，然后将这些检测结果进行加权求和，将加权求和的结果和平均结果进行比较，得出最终的检测结果；平均结果是假设弱分类器检测为0和1的概率都相同的情况下，求出的概率平均：。