CN106778905A - 一种基于adaboost分类器的客流检测方法 - Google Patents

Abstract

本发明公开了一种基于ADABOOST分类器的客流检测方法，步骤1：提取摄像机采集的YUV视频流，并降噪处理；步骤2：从降噪后的YUV视频流提取原始图像检测，分离出每帧原始图像的前景图像和背景图像；步骤3：首先、摄像机随机采集的一组视频流分成垂直视角人头和非垂直视角人头样本，根据提供的垂直视角人头和非垂直视角人头样本进行ADABOOST训练，得到一个ADABOOST分类器，其次、用ADABOOST分类器对步骤2中的原始图像进行窗口扫描，读取识别结果为垂直视角人头的窗口，并标记该窗口为垂直视角人头窗口；步骤4：通过并查集算法对步骤3中重叠的垂直视角人头窗口合并，得到一帧原始图像内的垂直视角人头列表。

Description

一种基于ADABOOST分类器的客流检测方法

技术领域

本发明涉及一种客流量检测方法，具体涉及一种基于ADABOOST分类器的客流检测方法。

背景技术

商业经济的快速发展，人民生活水平的提高，城市品牌形象的树立，促使了商业标识牌导向系统的快速发展，无论走进琳琅满目、精品荟萃的专卖店、超市、商场，还是在热闹喧哗、光彩夺目的酒吧、舞厅，形象亮丽的标识导向系统将指引您所向在方位，挑选称心如意的商品、品尝美酒、引导购物，既省时间又能宣传企业文化，是提高企业商业形象不可或缺的重要因素，如何提高零售业、文化娱乐等公共场所业的运营管理，客流信息的精准分析统计必然成为每个运营管理者的首要入口。通过该系统可以随时随地的掌控不同区域的客流信息，从而为日常经营决策的科学性、购物和休闲环境的舒适性、人力资源调配的合理性等提供科学依据，

现有的客流行人检测，以OPENCV为例，通常都是运行在x86的PC上，对CPU的运算能力要求都很高。这类检测方法基本未考虑过在ARM的嵌入式CPU上运行。如果将OPENCV检测方法运行到IPC的ARM的CPU上，一般是跑不起来的。如果一定要使用OPENCV作为检测方法，则IPC的CPU需要选用x86处理器，会造成IPC成本过高。所以需要一种简单的方法来进行客流统计。

发明内容

本发明所要解决的技术问题是ARM CPU代替X86CPU检测客流量，目的在于提供一种基于ADABOOST分类器的客流检测方法，解决ARM CPU代替X86CPU检测客流量的问题。

本发明通过下述技术方案实现：

一种基于ADABOOST分类器的客流检测方法，包括以下步骤，步骤1：提取摄像机采集的YUV视频流，并降噪处理；步骤2：从降噪后的YUV视频流提取原始图像检测，分离出每帧原始图像的前景图像和背景图像；所述前景图像和原始图像进入下一步骤，所述背景图像随着每一帧原始图像的检测而更新；步骤3：首先、摄像机随机采集的一组视频流分成垂直视角人头和非垂直视角人头样本，根据提供的垂直视角人头和非垂直视角人头样本进行ADABOOST训练，得到一个ADABOOST分类器，其次、用ADABOOST分类器对步骤2中的原始图像进行窗口扫描，读取识别结果为垂直视角人头的窗口，并标记该窗口为垂直视角人头窗口；步骤4：通过并查集算法对步骤3中重叠的垂直视角人头窗口合并，得到一帧原始图像内的垂直视角人头列表；步骤5：将相邻两帧的垂直视角人头列表互相遍历并计算两个窗口的距离，提取距离值低于阈值的相邻垂直视角人头窗口，并将所述垂直视角人头窗口的两个人头关联成移动轨迹；步骤6：根据人头轨迹起点和终点判断出轨迹方向，统计同侧轨迹的数量，就得到客流数量。现有技术对图像要求过高，一般都需要图像相对清晰。720P或者1080P，现有技术CPU占用过高，无法在嵌入式的ARM CPU上正常运行，一般来说在大型商场的人流量检测时，使用OPENCV检测方法只能使用X86CPU，X86CPU本身成本就很高，OPENCV检测方法中对摄像头的要求也需要高清摄像头，X86CPU无法在运算能力低下并且原始图像分辨率很小的IPC上正常工作。为了解决在运算能力低下并且原始图像分辨率很小的IPC上进行客流检测本发明采用HAAR特征和ADABOOST分类器来检测垂直视角的人头，因为垂直视角下人头的特征相对简单，所以对图像的分辨率要求也不高，本发明的方法可处理160x120或者80x60分辨率的图像。

所述步骤2的原始图像检测方法包括，步骤21：从降噪后的YUV视频流提取原始图像，并计算M帧原始图像每个像素的平均值作为它的背景模型；步骤22：检测当前帧原始图像，将当前帧像素值I(x,y)减去背景模型中相同位置像素的平均值u(x,y)，得到差值d(x,y)；步骤23：将步骤22中的差值d(x,y)与一个阈值TH进行比较，若d(x,y)≥TH，标记为1；若d(x,y)＜TH，标记为0为0；所有标记为1的像素点组合，为前景图像；所有标记为0的像素点组合，为背景图像；步骤24：通过背景模型对每一帧原始图像检测，分离出每帧原始图像的前景图像和背景图像；所述前景图像和原始图像进入下一步骤，所述背景图像随着每一帧原始图像的检测而更新。本发明运行性能相对于OPENCV来说有很大提升，可以在ARM CPU下处理每秒10-20帧的画面，通过背景模型可以对每一帧图像进行前景检测。分离出每帧图像的前景和背景。同时背景模型也会随着每一帧图像而更新。分离出来的前景图像、原始图像送入下一步骤，背景图像只包含当前帧图像变动的范围，用于下一步骤进行识别时，可以减小检测范围，节约检测时间。

所述步骤1中的降噪处理包括中值滤波，所述中值滤波的方法：是逐个扫描图像中的像素点，将其邻域m*n范围内各元素的像素值从小到大进行排序，将求得到的中间值赋值给当前像素点，可使YUV视频流降噪，其中m、n为奇自然数。采用中值滤波算法消除部分噪点。是因为中值滤波算法简单而高效，对CPU要求不高。

所述步骤3中的窗口扫描范围包括前景图像。扫描的起始坐标点从前景图像所有坐标点最小的x与最小y开始，直至所有坐标点最大x与最大y扫描为止，其中x，y为大于0的自然数。这个是为了检测到所有的图像，使得人流量的统计更加的准确。

所述步骤3中窗口的大小包括12x12px的窗口一般商场的入口图像采集都是按照12x12的窗口来扫描。

本发明与现有技术相比，具有如下的优点和有益效果：

1、本发明一种基于ADABOOST分类器的客流检测方法，使用垂直顶视角图像进行人头检查，这样人头特征简单、对图像画面精度要求低；

2、本发明一种基于ADABOOST分类器的客流检测方法，在使用AdaBoost算法进行人头识别前，使用平均背景建模分离出背景、前景图像，减小了需要进行人头识别的图像区域，从而减小了运算量，适用于运算能力较弱的设备；

3、本发明一种基于ADABOOST分类器的客流检测方法，采用中值滤波消除部分噪点，中值滤波简单而高效，对CPU要求不高。

附图说明

此处所说明的附图用来提供对本发明实施例的进一步理解，构成本申请的一部分，并不构成对本发明实施例的限定。在附图中：

图1为本发明结构示意图。

具体实施方式

为使本发明的目的、技术方案和优点更加清楚明白，下面结合实施例和附图，对本发明作进一步的详细说明，本发明的示意性实施方式及其说明仅用于解释本发明，并不作为对本发明的限定。

实施例1

如图1所示，在大型商场的人流量统计时，使用本发明的一种基于ADABOOST分类器的客流检测方法，包括以下步骤，步骤1：提取摄像机采集的YUV视频流，并降噪处理；步骤21：从降噪后的YUV视频流提取原始图像，并计算M帧原始图像每个像素的平均值作为它的背景模型；步骤22：检测当前帧原始图像，将当前帧像素值I(x,y)减去背景模型中相同位置像素的平均值u(x,y)，得到差值d(x,y)；步骤23：将步骤22中的差值d(x,y)与一个阈值TH进行比较，若d(x,y)≥TH，标记为1；若d(x,y)＜TH，标记为0为0；所有标记为1的像素点组合，为前景图像；所有标记为0的像素点组合，为背景图像；步骤24：通过背景模型对每一帧原始图像检测，分离出每帧原始图像的前景图像和背景图像；所述前景图像和原始图像进入下一步骤，所述背景图像随着每一帧原始图像的检测而更新；步骤3：首先、摄像机随机采集的一组视频流分成垂直视角人头和非垂直视角人头样本，根据提供的垂直视角人头和非垂直视角人头样本进行ADABOOST训练，得到一个ADABOOST分类器，其次、用ADABOOST分类器对步骤2中的原始图像进行窗口扫描，读取识别结果为垂直视角人头的窗口，并标记该窗口为垂直视角人头窗口；步骤4：通过并查集算法对步骤3中重叠的垂直视角人头窗口合并，得到一帧原始图像内的垂直视角人头列表；步骤5：将相邻两帧的垂直视角人头列表互相遍历并计算两个窗口的距离，提取距离值低于阈值的相邻垂直视角人头窗口，并将所述垂直视角人头窗口的两个人头关联成移动轨迹；步骤6：根据人头轨迹起点和终点判断出轨迹方向，统计同侧轨迹的数量，就得到客流数量。所述步骤1中的降噪处理包括中值滤波，所述中值滤波的方法：是逐个扫描图像中的像素点，将其邻域m*n范围内各元素的像素值从小到大进行排序，将求得到的中间值赋值给当前像素点，可使YUV视频流降噪，其中m、n为奇自然数。所述步骤3中窗口的大小包括12x12px的窗口，所述步骤3中的窗口扫描范围包括前景图像。扫描窗口的起始坐标点从前景区域所有坐标点最小的x与最小x开始：(min(x0,x1,x2…)，min(x0,x1,x2…)，直至所有坐标点最大x与最大x为止：(max(x0,x1,x2…)-m，max(x0,x1,x2…)-n)，其中0＜x≤12的自然数。此方法使用的是ARM CPU，在商场的使用情况是需要2年进行更换。

实施例2：在大型商场的人流量统计时，使用OPENCV作为检测方法，需要高清摄像头，只能使用X86CPU检测客流量。

实施例2与实施例1不同之处在于：

以上实施例对比可知，实施例2使用OPENCV作为检测方法，只能使用X86CPU检测客流量，整体IPC成本较高，并且OPENCV检测对摄像头要求较高，实施例1使用基于ADABOOST分类器的客流检测方法，使用的是ARM CPU，并且可以使用两年不用更换，总体成本低。

以上所述的具体实施方式，对本发明的目的、技术方案和有益效果进行了进一步详细说明，所应理解的是，以上所述仅为本发明的具体实施方式而已，并不用于限定本发明的保护范围，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (5)

1.一种基于ADABOOST分类器的客流检测方法，其特征在于：包括以下步骤，

步骤1：提取摄像机采集的YUV视频流，并降噪处理；

步骤2：从降噪后的YUV视频流提取原始图像检测，分离出每帧原始图像的前景图像和背景图像；所述前景图像和原始图像进入下一步骤，所述背景图像随着每一帧原始图像的检测而更新；

步骤3：首先、摄像机随机采集的一组视频流分成垂直视角人头和非垂直视角人头样本，根据提供的垂直视角人头和非垂直视角人头样本进行ADABOOST训练，得到一个ADABOOST分类器，其次、用ADABOOST分类器对步骤2中的原始图像进行窗口扫描，读取识别结果为垂直视角人头的窗口，并标记该窗口为垂直视角人头窗口；

步骤4：通过并查集算法对步骤3中重叠的垂直视角人头窗口合并，得到一帧原始图像内的垂直视角人头列表；

步骤5：将相邻两帧的垂直视角人头列表互相遍历并计算两个窗口的距离，提取距离值低于阈值的相邻垂直视角人头窗口，并将所述垂直视角人头窗口的两个人头关联成移动轨迹；

步骤6：根据人头轨迹起点和终点判断出轨迹方向，统计同侧轨迹的数量，就得到客流数量。

2.根据权利要求1所述的一种基于ADABOOST分类器的客流检测方法，其特征在于：所述步骤2的原始图像检测方法包括，

步骤21：从降噪后的YUV视频流提取原始图像，并计算M帧原始图像每个像素的平均值作为它的背景模型；

步骤22：检测当前帧原始图像，将当前帧像素值I(x,y)减去背景模型中相同位置像素的平均值u(x,y)，得到差值d(x,y)；

步骤23：将步骤22中的差值d(x,y)与一个阈值TH进行比较，若d(x,y)≥TH，标记为1；若d(x,y)＜TH，标记为0为0；所有标记为1的像素点组合，为前景图像；所有标记为0的像素点组合，为背景图像；

步骤24：通过背景模型对每一帧原始图像检测，分离出每帧原始图像的前景图像和背景图像；所述前景图像和原始图像进入下一步骤，所述背景图像随着每一帧原始图像的检测而更新。

3.根据权利要求1所述的一种基于ADABOOST分类器的客流检测方法，其特征在于：所述步骤1中的降噪处理包括中值滤波，所述中值滤波的方法：是逐个扫描图像中的像素点，将其邻域m*n范围内各元素的像素值从小到大进行排序，将求得到的中间值赋值给当前像素点，可使YUV视频流降噪，其中m、n为奇自然数。

4.根据权利要求1所述的一种基于ADABOOST分类器的客流检测方法，其特征在于：所述步骤3中的窗口扫描范围包括前景图像。

5.根据权利要求1所述的一种基于ADABOOST分类器的客流检测方法，其特征在于：所述步骤3中窗口的大小包括12x12px的窗口。