CN106779043B - 一种基于人头检测的计数方法 - Google Patents

Abstract

本发明公开了一种基于人头检测的计数方法，主要功能是能够自动实现公交车、办公室和商场等进、出口场所行人的人数统计，便于相关人员进行高效的统计分析。本方法能够根据人头部的颜色特征和类似椭圆特征，采用三帧差分法能够比较准确的检测出每一帧图像中的行人的头部轮廓，并与给定的最小轮廓面积S进行比较，筛选出符合要求的轮廓；在进、出人数统计环节，运用两个计数器分别统计进、出总人数，并且以人头计数的方式避免了行人之间由于相互遮挡而造成的统计误差。根据实验确定，本方法能够实现3到5个人同时进、出情况下的人数统计，且准确率最高可以达到90％左右。

Description

一种基于人头检测的计数方法

技术领域

本发明涉及一种基于人头检测的计数方法及其装置，该装置能够自动实现公交车和办公场所行人的进、出人数统计，便于相关人员进行高效的统计分析。

背景技术

随着社会的进步，人们对生活的需求越来越高，为了节省人力，具有自动化性能的设备显得越来越重要，人数统计装置就是生活中一个很重要的方面。一个性能良好的人数统计装置给人们的出行带来了很大的方便。用户可以在掌握监控区域实时动态信息的同时，还能构及时得到现场准确的人数和人群流量信息，统计比较不同时期客流量，可以评估营销、促销策略的合理性；特殊时段、特殊区域可起到警戒作用，避免造成的财产损失；同时，人数统计还是大型商场、购物中心、连锁店、机场、车站、博物馆、展览馆等公共场所在管理和决策方面不可缺少的数据。对于零售业而言，人流量更是非常基础的指标。因其与销售量直接的正比关系。因此，具有良好客流量统计性能的系统在生活中具有很重要的作用。

发明内容

发明目的：针对上述现有技术，提出一种基于人头检测的计数方法，能够准确的统计出公共场所行人的进、出人数。

技术方案：一种基于人头检测的计数方法，包括以下步骤：

步骤(1)，通过摄像机采集实时图像F，并设定帧计数器C记录视频的帧数；

步骤(2)，如果C＝1，则对图像F进行初始化；否则，通过金字塔放缩算法使得每一帧图像F的高度和宽度减半，得到缩放后的每一帧图像S_F；

步骤(3)，对缩放后的每一帧图像S_F进行图像灰度转换；

步骤(4)，对经步骤(3)操作后的每一帧图像S_F，根据人头的颜色特性与类似椭圆特性，采用三帧差分法进行人头检测；

步骤(5)，对人头检测后的每一帧图像S_F依次进行膨胀、腐蚀操作，初步提取出对应的头部轮廓；

步骤(6)，采用混合高斯背景建模进行像素匹配，如果匹配成功，则被判断为背景像素，否则被判断为前景像素，即头部轮廓；像素匹配的过程中同时进行背景更新；

步骤(7)，对每一帧图像S_F中检测到的头部轮廓进行相应的面积筛选，对于大于给定最小轮廓面积S的头部轮廓绘制最小外接矩形；

步骤(8)，定义每一帧图像S_F的最小外接矩形内部轮廓的状态：o表示到当前为止图像S_F中原有目标轮廓的状态，n表示目标轮廓新进入S_F中的状态，g表示目标轮廓离开S_F的状态，m表示目标轮廓之间的合并，s表示目标轮廓之间的分离；

步骤(9)，设定行人进、出方向标志f以及进、出人数计数器I与O，以所有最小外接矩形内的人头数目之和为计数标准，实现行人的进、出统计。

进一步的，所述步骤(1)中，摄像机采集实时图像F为原视频序列的奇数帧图像。

进一步的，所述步骤(3)具体包括以下步骤：

(31)，采用颜色空间转换函数CvtColor(.)将缩放过后的图像S_F分别转换为前景灰度图像F_r与背景灰度图像B_k；

(32)，采用灰度矩阵转换函数CvConvert(.)将前景灰度图像F_r转换为前景灰度矩阵F_M，背景灰度图像B_k转换为背景灰度矩阵B_M；

(33)，采用阈值函数CvThreshod(.)将前景灰度图像F_r转换为二值前景灰度矩阵F_MB。

进一步的，所述步骤(4)中三帧差分法的阈值D_T确定方法为：D_T＝h*w*p；其中h，w，p分别为图像S_F的高度、宽度以及百分比；定义s_t表示选取连续三帧图像的顺序标志，s_t＝0表示选取第一帧图像，s_t＝1表示选取第二帧图像，s_t＝2表示选取第三帧图像；三帧差分法每一帧的选取方式包括以下具体步骤：

(41)，如果二值前景灰度矩阵F_MB的非零像素个数大于三帧差分法的阈值D_T，同时s_t＝0，表示第一帧的异物大于阈值，则需要将当前帧S_F存储为第一帧F₁，继续采集第二帧；

(42)，否则，如果二值前景灰度矩阵F_MB的非零像素个数小于三帧差分法的阈值D_T，同时s_t＝1，表示第一帧的异物大于阈值，而第二帧没有；

(43)，否则，如果二值前景灰度矩阵F_MB的非零像素个数大于三帧差分法的阈值D_T，同时s_t＝1，表示第一帧和第二帧的异物都大于阈值，且第一帧和第二帧连续，则继续采集第3帧；

(44)，否则，如果前景灰度二值矩阵F_MB的非零像素个数小于三帧差分法的阈值D_T，同时s_t＝2，表示第一帧和第二帧的异物都大于阈值，而第三帧没有；

(45)，否则，如果前景灰度二值矩阵F_MB的非零像素个数大于三帧差分法的阈值D_T，同时s_t＝2，且第二帧和第三帧连续，则三帧差分法选取成功。

进一步的，所述步骤(7)对头部轮廓进行面积筛选包括以下具体步骤：

(71)，获取每一帧图像S_F中每个头部轮廓的面积A，如果面积A大于给定的最小轮廓面积S，则为符合要求的头部轮廓；

(72)，根据S_F的高度h和宽度w确定每一帧图像S_F的感兴趣区域，对于分辨率为h*w尺寸的S_F，所述感兴趣区域的尺寸设置为0.5～0.8h*0.5～0.8w；

(73)，采用轮廓绘制函数cvBoundingRect(.)对符合要求的头部轮廓寻找最小外接拟合矩形，c_X＝cvRound(r.w/2+r.x)，c_Y＝cvRound(r.h/2+r.y)；其中r.x与r.y分别表示头部轮廓的最小外接矩形的原点坐标，r.w与r.h分别表示最小外接矩形的宽度和高度，cvRound(.)表示四舍五入算法，c_X，c_Y分别代表外接拟合矩形中心的横坐标和纵坐标；

(74)，如果头部轮廓的最小外接拟合矩形的中心坐标c_X，c_Y同时位于所述感兴趣区域内，则绘制该头部轮廓的最小外接拟合矩形。

进一步的，所述步骤(9)中，只有当行人进入或离开S_F时，并且头部轮廓的最小外接拟合矩形的中心坐标的数值大于或小于感兴趣区域的中心坐标时才开始计数，包括以下具体步骤：

(91)，感兴趣区域的面积分别由w/2-D_X/2，w/2+D_X/2，h/2-D_Y/2，h/2+D_Y/2四条边围成的矩形区域，其中D_X，D_Y分别表示感兴趣区域的横坐标和纵坐标；

(92)，如果头部轮廓的最小外接拟合矩形中心坐标c_X的取值先大于cvRound(w/2-D_X/2)，再大于cvRound(w/2)，则表示进，设置进出标志f＝1；

(93)，如果头部轮廓的最小外接拟合矩形中心坐标c_X的取值先小于cvRound(w/2+D_X/2)，再小于cvRound(w/2)，则表示出，设置进出标志f＝2；

(94)，当某个目标的状态为n，同时行人进出标志f＝1，则表示行人为进，因此I＝I₁+i；

(95)，当某个目标的状态为g，同时行人进出标志f＝2，则表示行人为出，因此O＝O₁+i；

其中i为某个轮廓内的人数，I为到当前为止，进入感兴趣区域内的总人数，I₁表示前一刻的进入感兴趣区域内目标总人数，O为到当前为止，离开感兴趣区域内的总人数，O₁表示前一刻的离开感兴趣区域内目标总人数。

有益效果：本发明主要实现一种基于人头检测的计数方法，主要功能是能够自动实现公交车、办公室和商场等进、出口场所行人的人数统计，便于相关人员进行高效的统计分析。本发明的有益效果主要体现在以下几个方面：第一，本发明所用的视频是通过摄像头对准固定的场景俯视拍摄的，主要是把摄像头垂直向下固定在门上，因此背景不会发生太大变化；第二，根据人头部的颜色特征和类似椭圆特征，采用三帧差分法能够比较准确的检测出每一帧图像中的行人的头部轮廓，并与给定的最小轮廓面积S进行比较，筛选出符合要求的轮廓。第三，为了保证检测的准确性，同时对检测后的每一帧图像再次进行混合高斯背景建模，即便是在背景相对固定的情况下，仍然进行一定的背景更新，这在一定程度上防止了人头的漏检与误检，提高了检测准确度。第四，在进、出人数统计环节，运用两个计数器分别统计进、出总人数，并且以人头计数的方式避免了行人之间由于相互遮挡而造成的统计误差。经实验确定，本发明能够实现3到5个人同时进、出情况下的人数统计，且准确率最高可以达到90％左右。

附图说明

图1为本发明方法的流程图。

具体实施方式

下面结合附图对本发明做更进一步的解释。

如图1所示，一种基于人头检测的计数方法，包括以下步骤：

步骤(1)，通过摄像机采集实时图像F，并设定帧计数器C记录视频的帧数。

步骤(2)，如果C＝1，则对图像F进行初始化，即对处理过程中所涉及到的中间环节进行申请内存；否则，通过金字塔放缩算法使得每一帧图像F的高度和宽度减半，得到缩放后的每一帧图像S_F，这样做的目的是减小检测区域的大小，提高检测效率。

步骤(3)，对缩放后的每一帧图像S_F进行图像灰度转换；具体为：

(31)，采用颜色空间转换函数CvtColor(.)将缩放过后的图像S_F分别转换为前景灰度图像F_r与背景灰度图像B_k，以便进行人头识别。

(32)，采用灰度矩阵转换函数CvConvert(.)将前景灰度图像F_r转换为前景灰度矩阵F_M，背景灰度图像B_k转换为背景灰度矩阵B_M。

(33)，采用阈值函数CvThreshod(.)将前景灰度图像F_r转换为二值前景灰度矩阵F_MB，实现轮廓提取。

步骤(4)，对经步骤(3)操作后的每一帧图像S_F，根据人头的颜色特性与类似椭圆特性，采用三帧差分法进行人头检测。三帧差分法的阈值D_T确定方法为：D_T＝h*w*p；其中h，w，p分别为图像S_F的高度、宽度以及百分比；定义s_t表示选取连续三帧图像的顺序标志，s_t＝0表示选取第一帧图像，s_t＝1表示选取第二帧图像，s_t＝2表示选取第三帧图像；三帧差分法每一帧的选取方式包括以下具体步骤：

(41)，如果二值前景灰度矩阵F_MB的非零像素个数大于三帧差分法的阈值D_T，同时s_t＝0，表示第一帧的异物大于阈值，则需要将当前帧S_F存储为第一帧F₁，继续采集第二帧。

(42)，否则，如果二值前景灰度矩阵F_MB的非零像素个数小于三帧差分法的阈值D_T，同时s_t＝1，表示第一帧的异物大于阈值，而第二帧没有。

(43)，否则，如果二值前景灰度矩阵F_MB的非零像素个数大于三帧差分法的阈值D_T，同时s_t＝1，表示第一帧和第二帧的异物都大于阈值，且第一帧和第二帧连续，则继续采集第3帧。

(44)，否则，如果前景灰度二值矩阵F_MB的非零像素个数小于三帧差分法的阈值D_T，同时s_t＝2，表示第一帧和第二帧的异物都大于阈值，而第三帧没有。

(45)，否则，如果前景灰度二值矩阵F_MB的非零像素个数大于三帧差分法的阈值D_T，同时s_t＝2，且第二帧和第三帧连续，则三帧差分法选取成功。

步骤(5)，对人头检测后的每一帧图像S_F依次进行膨胀、腐蚀操作，初步提取出对应的头部轮廓。

步骤(6)，为了防止图像S_F中人头部轮廓的漏检与误检，进一步采用混合高斯背景建模进行像素匹配，如果匹配成功，则被判断为背景像素，否则被判断为前景像素，即头部轮廓；像素匹配的过程中同时进行背景更新。

步骤(7)，对每一帧图像S_F中检测到的头部轮廓进行相应的面积筛选，对于大于给定最小轮廓面积S的头部轮廓绘制最小外接矩形。对头部轮廓进行面积筛选包括以下具体步骤：

(71)，获取每一帧图像S_F中每个头部轮廓的面积A，如果面积A大于给定的最小轮廓面积S，则为符合要求的头部轮廓。

(72)，根据S_F的高度h和宽度w确定每一帧图像S_F的感兴趣区域；对于分辨率为h*w尺寸的S_F，所述感兴趣区域的尺寸设置为0.5～0.8h*0.5～0.8w，例如对于分辨率为600x800尺寸的S_F图像，感兴趣区域一般可以设置为400x600。

(73)，采用轮廓绘制函数cvBoundingRect(.)对符合要求的头部轮廓寻找最小外接拟合矩形，c_X＝cvRound(r.w/2+r.x)，c_Y＝cvRound(r.h/2+r.y)；其中r.x与r.y分别表示头部轮廓的最小外接矩形的原点坐标，r.w与r.h分别表示最小外接矩形的宽度和高度，cvRound(.)表示四舍五入算法，c_X，c_Y分别代表外接拟合矩形中心的横坐标和纵坐标。

(74)，如果头部轮廓的最小外接拟合矩形的中心坐标c_X，c_Y同时位于所述感兴趣区域内，则绘制该头部轮廓的最小外接拟合矩形，即：

c_X>cvRound(w/2-D_X/2)，

且c_X<cvRound(w/2+D_X/2)，

c_Y>cvRound(h/2-D_Y/2)，

且c_Y<cvRound(h/2+D_Y/2)，

其中，D_X，D_Y分别表示感兴趣区域的横坐标和纵坐标。

步骤(8)，定义每一帧图像S_F的最小外接矩形内部轮廓的状态：o表示到当前为止图像S_F中原有目标轮廓的状态，n表示目标轮廓新进入S_F中的状态，g表示目标轮廓离开S_F的状态，m表示目标轮廓之间的合并，s表示目标轮廓之间的分离。其中，如果某个头部轮廓的最小外接矩形的状态为o，则该目标为S_F中原有的目标，此时不更新人数信息；如果某个头部轮廓的最小外接矩形的状态为n，则该目标为S_F中新进入的目标，此时更新人数信息；如果某个头部轮廓的最小外接矩形的状态为g，则该目标为S_F中离开的目标，此时更新人数信息；如果某个头部轮廓的最小外接矩形的状态为m，则表示S_F中发生目标融合，即若干个最小外接矩形轮廓融合为一个，此时不更新人数信息，同时最小外接矩形轮廓内的总人数为被融合的轮廓的总人数之和；如果某个头部轮廓的最小外接矩形的状态为s，则表示S_F中发生目标分离，即一个最小外接轮廓矩形分离成若干个；此时不更新人数信息，同时分离后最小外接矩形轮廓内的总人数仍为未分离之前的总人数之和。

步骤(9)，设定行人进、出方向标志f以及进、出人数计数器I与O，以所有最小外接矩形内的人头数目之和为计数标准，实现行人的进、出统计。具体为，只有当行人进入或离开S_F时，并且头部轮廓的最小外接拟合矩形的中心坐标的数值大于或小于感兴趣区域的中心坐标时才开始计数，包括以下具体步骤：

(91)，感兴趣区域的面积分别由w/2-D_X/2，w/2+D_X/2，h/2-D_Y/2，h/2+D_Y/2四条边围成的矩形区域，其中D_X，D_Y分别表示感兴趣区域的横坐标和纵坐标；

(92)，如果头部轮廓的最小外接拟合矩形中心坐标c_X的取值先大于cvRound(w/2-D_X/2)，再大于cvRound(w/2)，则表示进，设置进出标志f＝1；

(93)，如果头部轮廓的最小外接拟合矩形中心坐标c_X的取值先小于cvRound(w/2+D_X/2)，再小于cvRound(w/2)，则表示出，设置进出标志f＝2；

(94)，当某个目标的状态为n，同时行人进出标志f＝1，则表示行人为进，因此I＝I₁+i；

(95)，当某个目标的状态为g，同时行人进出标志f＝2，则表示行人为出，因此O＝O₁+i；

其中i为某个轮廓内的人数，I为到当前为止，进入感兴趣区域内的总人数，I₁表示前一刻的进入感兴趣区域内目标总人数，O为到当前为止，离开感兴趣区域内的总人数，O₁表示前一刻的离开感兴趣区域内目标总人数。

优选的，步骤(1)中，摄像机采集实时图像F为原视频序列的奇数帧图像。

以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。

Claims (3)

1.一种基于人头检测的计数方法，其特征在于，包括以下步骤：

步骤(1)，通过摄像机采集实时图像F，并设定帧计数器C记录视频的帧数；

步骤(2)，如果C＝1，则对图像F进行初始化；否则，通过金字塔放缩算法使得每一帧图像F的高度和宽度减半，得到缩放后的每一帧图像S_F；

步骤(3)，对缩放后的每一帧图像S_F进行图像灰度转换；

所述步骤(3)具体包括以下步骤：

(31)，采用颜色空间转换函数CvtColor(.)将缩放过后的图像S_F分别转换为前景灰度图像F_r与背景灰度图像B_k；

(32)，采用灰度矩阵转换函数CvConvert(.)将前景灰度图像F_r转换为前景灰度矩阵F_M，背景灰度图像B_k转换为背景灰度矩阵B_M；

(33)，采用阈值函数CvThreshod(.)将前景灰度图像F_r转换为二值前景灰度矩阵F_MB；

步骤(4)，对经步骤(3)操作后的每一帧图像S_F，根据人头的颜色特性与类似椭圆特性，采用三帧差分法进行人头检测；

所述步骤(4)中三帧差分法的阈值D_T确定方法为：D_T＝h*w*p；其中h，w，p分别为图像S_F的高度、宽度以及百分比；定义s_t表示选取连续三帧图像的顺序标志，s_t＝0表示选取第一帧图像，s_t＝1表示选取第二帧图像，s_t＝2表示选取第三帧图像；三帧差分法每一帧的选取方式包括以下具体步骤：

(41)，如果二值前景灰度矩阵F_MB的非零像素个数大于三帧差分法的阈值D_T，同时s_t＝0，表示第一帧的异物大于阈值，则需要将当前帧S_F存储为第一帧F₁，继续采集第二帧；

(42)，如果二值前景灰度矩阵F_MB的非零像素个数小于三帧差分法的阈值D_T，同时s_t＝1，表示第一帧的异物大于阈值，而第二帧没有；

(43)，否则，如果二值前景灰度矩阵F_MB的非零像素个数大于三帧差分法的阈值D_T，同时s_t＝1，表示第一帧和第二帧的异物都大于阈值，且第一帧和第二帧连续，则继续采集第3帧；

(44)，如果前景灰度二值矩阵F_MB的非零像素个数小于三帧差分法的阈值D_T，同时s_t＝2，表示第一帧和第二帧的异物都大于阈值，而第三帧没有；

(45)，否则，如果前景灰度二值矩阵F_MB的非零像素个数大于三帧差分法的阈值D_T，同时s_t＝2，且第二帧和第三帧连续，则三帧差分法选取成功；

步骤(5)，对人头检测后的每一帧图像S_F依次进行膨胀、腐蚀操作，初步提取出对应的头部轮廓；

步骤(6)，采用混合高斯背景建模进行像素匹配，如果匹配成功，则被判断为背景像素，否则被判断为前景像素，即头部轮廓；像素匹配的过程中同时进行背景更新；

步骤(7)，对每一帧图像S_F中检测到的头部轮廓进行相应的面积筛选，对于大于给定最小轮廓面积S的头部轮廓绘制最小外接矩形；

步骤(8)，定义每一帧图像S_F的最小外接矩形内部轮廓的状态：o表示到当前为止图像S_F中原有目标轮廓的状态，n表示目标轮廓新进入S_F中的状态，g表示目标轮廓离开S_F的状态，m表示目标轮廓之间的合并，s表示目标轮廓之间的分离；

步骤(9)，设定行人进、出方向标志f以及进、出人数计数器I与O，以所有最小外接矩形内的人头数目之和为计数标准，实现行人的进、出统计。

2.根据权利要求1所述的一种基于人头检测的计数方法，其特征在于，所述步骤(1)中，摄像机采集实时图像F为原视频序列的奇数帧图像。

3.根据权利要求1所述的一种基于人头检测的计数方法，其特征在于，所述步骤(7)对头部轮廓进行面积筛选包括以下具体步骤：

(71)，获取每一帧图像S_F中每个头部轮廓的面积A，如果面积A大于给定的最小轮廓面积S，则为符合要求的头部轮廓；

(72)，根据S_F的高度h和宽度w确定每一帧图像S_F的感兴趣区域，对于分辨率为h*w尺寸的S_F，所述感兴趣区域的尺寸设置为0.5～0.8h*0.5～0.8w；

(73)，采用轮廓绘制函数cvBoundingRect(.)对符合要求的头部轮廓寻找最小外接拟合矩形，c_X＝cvRound(r.w/2+r.x)，c_Y＝cvRound(r.h/2+r.y)；其中r.x与r.y分别表示头部轮廓的最小外接矩形的原点坐标，r.w与r.h分别表示最小外接矩形的宽度和高度，cvRound(.)表示四舍五入算法，c_X，c_Y分别代表外接拟合矩形中心的横坐标和纵坐标；

(74)，如果头部轮廓的最小外接拟合矩形的中心坐标c_X，c_Y同时位于所述感兴趣区域内，则绘制该头部轮廓的最小外接拟合矩形。