CN107452012A - 一种行人识别方法、装置和电子设备 - Google Patents

一种行人识别方法、装置和电子设备 Download PDF

Info

Publication number
CN107452012A
CN107452012A CN201710633524.8A CN201710633524A CN107452012A CN 107452012 A CN107452012 A CN 107452012A CN 201710633524 A CN201710633524 A CN 201710633524A CN 107452012 A CN107452012 A CN 107452012A
Authority
CN
China
Prior art keywords
point
gray
foreground point
pedestrian
foreground
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.)
Granted
Application number
CN201710633524.8A
Other languages
English (en)
Other versions
CN107452012B (zh
Inventor
王晓鲁
卢维
潘石柱
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Zhejiang Dahua Technology Co Ltd
Original Assignee
Zhejiang Dahua Technology Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Zhejiang Dahua Technology Co Ltd filed Critical Zhejiang Dahua Technology Co Ltd
Priority to CN201710633524.8A priority Critical patent/CN107452012B/zh
Publication of CN107452012A publication Critical patent/CN107452012A/zh
Application granted granted Critical
Publication of CN107452012B publication Critical patent/CN107452012B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/194—Segmentation; Edge detection involving foreground-background segmentation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/187—Segmentation; Edge detection involving region growing; involving region merging; involving connected component labelling
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Multimedia (AREA)
  • Traffic Control Systems (AREA)
  • Optical Radar Systems And Details Thereof (AREA)

Abstract

本发明公开了一种行人识别方法、装置和电子设备，所述方法，包括：获取激光雷达的若干帧扫描数据，所述扫描数据为所述激光雷达以预设角度倾斜扫描行人的通道面后获得的每个扫描点的距离信息；根据各个帧扫描数据包含的扫描点的距离信息，确定各个帧扫描数据包含的前景点的灰度值，并根据确定出的灰度值获得前景点的灰度图；基于扫描行人得到的前景点的灰度分布的先验模型进行区域生长，确定所述灰度图中的各个连通区域；并根据确定出的连通区域，识别所述行人的通道面中的行人。采用本发明提供的方法，利用多帧扫描数据包含的前景点的灰度值拼接得到的灰度图即可识别通道面的行人目标，进而提高客流量的统计结果的准确性。

Description

一种行人识别方法、装置和电子设备
技术领域
本发明涉及激光雷达技术领域，尤其涉及一种行人识别方法、装置和电子设备。
背景技术
随着经济的快速发展，商业竞争日益激烈，客流量统计对商业管理者掌握市场规律以及对商业运营进行决策提供依据。此外，客流量统计对城市公共安全也至关重要，工作人员可以根据高峰时间客流量统计情况，有效协调交通，进而避免交通冲突等交通事件的发生。
现有的客流量统计方法，例如，利用激光扫描仪统计客流量，当行人通过扫描面时，当前帧的激光扫描数据中会出现凸起，而凸起的峰包数代表当前通过激光扫描面的行人的个数；为了避免箱包等因素的影响，对该帧数据进行分割，然后删除箱包对应的峰包，并确定属于行人的峰包的个数，进而得到检测到的行人的统计结果。此外，由于每个行人可能会出现被多次扫描的情况，为了进一步确定在该帧数据中检测到的行人是否为同一个人，将其与已被检测到的行人候选进行数据关联，关联成功则将该帧数据加入对应的行人候选，由此实现对客流量的统计。
上述方法中，利用凸峰的曲线形状来区分不同的行人。然而实际情况中，由于扫描角度、行人姿态、行进的方向和速度等因素的影响，凸峰的形状复杂多变，导致统计客流量的结果准确度较低。此外，针对同一行人被扫描多次的情况，利用前后帧数据的变化程度或相关联程度来区分是否为同一个行人的方法，由于前后帧的变化程度或关联程度的判断阈值难以确定使得统计的稳定度较差，很容易出现一个行人被统计多次或多个前后紧挨着的行人被漏统计情况的发生，导致客流量统计结果不准确。
因此，如何准确识别行人，进而提高客流量统计结果的准确性是亟待解决的技术问题之一。
发明内容
本发明实施例提供一种行人识别方法、装置和电子设备，用以解决现有技术中识别行人准确率低的问题。
第一方面，本发明提供一种行人识别方法，包括：
获取激光雷达的若干帧扫描数据，所述扫描数据为所述激光雷达以预设角度倾斜扫描行人的通道面后获得的每个扫描点的距离信息，其中，所述扫描点的距离信息为所述扫描点与所述激光雷达之间的距离；并
根据各个帧扫描数据包含的扫描点的距离信息，确定各个帧扫描数据包含的前景点的灰度值，并根据确定出的灰度值获得前景点的灰度图；
基于扫描行人得到的前景点的灰度分布的先验模型进行区域生长，确定所述灰度图中的各个连通区域；并
根据确定出的连通区域，识别所述行人的通道面中的行人。
第二方面，本发明实施例提供一种行人识别装置，包括：
获取单元，用于获取激光雷达的若干帧扫描数据，所述扫描数据为所述激光雷达以预设角度倾斜扫描行人的通道面后获得的每个扫描点的距离信息，其中，所述扫描点的距离信息为所述扫描点与所述激光雷达之间的距离；
第一确定单元，用于根据各个帧扫描数据包含的扫描点的距离信息，确定各个帧扫描数据包含的前景点的灰度值，并根据确定出的灰度值获得前景点的灰度图；
第二确定单元，用于基于扫描行人得到的前景点的灰度分布的先验模型进行区域生长，确定所述灰度图中的各个连通区域；
识别单元，用于根据确定出的连通区域，识别所述行人的通道面中的行人。
第三方面，本发明实施例提供一种非易失性计算机存储介质，存储有计算机可执行指令，所述计算机可执行指令用于执行本申请提供的行人识别方法。
第四方面，本发明实施例提供一种电子设备，包括：
至少一个处理器；以及
与所述至少一个处理器通信连接的存储器；其中，
所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行本申请提供的行人识别方法。
第五方面，本发明实施例提供一种计算机程序产品，所述计算机程序产品包括存储在非暂态计算机可读存储介质上的计算机程序，所述计算机程序包括程序指令，其中，当所述程序指令被计算机执行时，使所述计算机执行本申请提供的行人识别方法。
本发明有益效果：
本发明实施例提供的行人识别方法、装置和电子设备，获取激光雷达的若干帧扫描数据，所述扫描数据为所述激光雷达以预设角度倾斜扫描行人的通道面后，接收所述通道面反馈的反射光束中包含的扫描点的距离信息，其中，所述扫描点的距离信息为所述扫描点与所述激光雷达之间的距离；并根据各个帧扫描数据包含的扫描点的距离信息，确定各个帧扫描数据包含的前景点的灰度值，并根据确定出的灰度值获得前景点的灰度图；基于扫描行人得到的前景点的灰度分布的先验模型进行区域生长，确定所述灰度图中的各个连通区域；并根据确定出的连通区域，识别所述行人的通道面中的行人。采用本发明提供的方法，利用前景点的灰度图即可准确识别通道面的行人目标，使得客流量的统计结果更加准确。
本发明的其它特征和优点将在随后的说明书中阐述，并且，部分地从说明书中变得显而易见，或者通过实施本发明而了解。本发明的目的和其他优点可通过在所写的说明书、权利要求书、以及附图中所特别指出的结构来实现和获得。
附图说明
此处所说明的附图用来提供对本发明的进一步理解，构成本发明的一部分，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。在附图中：
图1a为本发明实施例一提供的行人识别方法的流程示意图；
图1b为本发明实施例一提供的激光雷达以预设角度倾斜扫描行人的通道面时的侧面示意图；
图1c为本发明实施例一提供的两个空间坐标系的示意图；
图1d为本发明实施例一提供的确定所述灰度图中的第i个极大值点对应的连通区域的流程示意图；
图2a为本发明实施例一提供的确定各个帧扫描数据包含的前景点的灰度值的流程示意图；
图2b为本发明实施例一提供的前景点A的示意图；
图3a为本发明实施例一提供的获得前景点的灰度图的流程示意图；
图3b为本发明实施例一提供的栅格结构的示意图；
图3c为本发明实施例一提供的将第i帧扫描数据插入至第i行栅格序列中的示意图；
图3d为本发明实施例一提供的获得的前景点的灰度图的示意图；
图4为本发明实施例一提供的确定所述灰度图中的极大值点的流程示意图；
图5a为本发明实施例一提供的基于第i个极大值点确定连通区域的流程示意图；
图5b-1和图5b-2为本发明实施例一提供的构成的连通区域的示意图；
图6为本发明实施例一提供的利用预设条件判断所述连通区域是否代表行人的流程示意图；
图7a为本发明实施例二提供的确定所述连通区域对应的行人的前进方向的流程示意图之一；
图7b为本发明实施例二提供的激光雷达扫描行人的示意图；
图7c为本发明实施例二提供的确定所述连通区域对应的行人的前进方向的流程示意图之二；
图8为本发明实施例三提供的行人识别装置的结构示意图；
图9为本发明实施例五提供的实施行人识别方法的电子设备的硬件结构示意图。
具体实施方式
本发明实施例提供一种客流量统计方法、装置和电子设备，用以解决现有技术中行人识别准确率低的问题。
以下结合说明书附图对本发明的优选实施例进行说明，应当理解，此处所描述的优选实施例仅用于说明和解释本发明，并不用于限定本发明，并且在不冲突的情况下，本发明中的实施例及实施例中的特征可以相互组合。
实施例一
如图1a所示，为本发明实施例提供的行人识别方法的流程示意图，可以包括以下步骤：
S11、获取激光雷达的若干帧扫描数据。
较佳地，所述扫描数据为所述激光雷达以预设角度倾斜扫描行人的通道面后获得的每个扫描点的距离信息，其中，所述扫描点的距离信息为所述扫描点与所述激光雷达之间的距离。
具体实施时，本发明实施例提供的客流量统计方法中，激光雷达在扫描行人的通道面时，以预设角度倾斜扫描，其侧面示意图如图1b所示，由于图1b为侧面图，因此从侧面看扫描面为一条线。按照预设时间扫描行人的通道面，由此即可获得各个帧扫描数据包含的扫描点的距离信息，所述扫描点包含背景点和前景点。
具体地，激光雷达发射激光脉冲，以预设角度倾斜倾斜扫描行人的通道面，然后接收反射回来的激光脉冲信号，根据反射回来的激光脉冲信号，确定扫描点与上述激光雷达之间的距离信息。
在确定每一扫描点的距离信息时，首先记录本次开始扫描行人的通道面的时间T1，然后针对每一扫描点，确定接收到该扫描点反射的激光脉冲信号的时间T2，然后利用T2与T1的时间差乘以光速，再除以2即为该扫描点与上述激光雷达之间的距离信息。
此外，本发明实施例中构建了两个空间坐标系，分别为以激光雷达为原点的坐标系Os-XsYsZs和以通道面上参考点为坐标原点的地面坐标系Or-XrYrZr，如图1c所示，行人的通道面通道宽度为W，平面XsOsZs与激光雷达的扫描平面重合，且平面XrOrYr与行人的通道面重合，点Os在平面XrOrZr上。基于这两个空间坐标系，激光雷达以预设角度倾斜扫描行人的通道面后，接收的反射光束中包含的扫描点的距离信息是以激光雷达所在坐标系为基准的，而在获得前景点的灰度图时，需要获得前景点在地面坐标系Or-XrYrZr中的高度值，因此需要将Os-XsYsZs坐标系测量得到的扫描点的距离信息转换到Or-XrYrZr坐标系中。而激光雷达按照预设角度安装固定好后，其扫描范围、扫描点数及角分辨率都是固定的，因此激光雷达产生的每条扫描光线的角度也是固定的，因此可以根据角度及每个扫描点的距离信息，可以首先确定出每个扫描点在Os-XsYsZs坐标系下的坐标值，Ys坐标值为0，再变换到Or-XrYrZr坐标系中，进而得到扫描点在Or-XrYrZr坐标系中的高度值。基于此可以获得前景点在Or-XrYrZr坐标系中的高度值。
S12、根据各个帧扫描数据包含的扫描点的距离信息，确定各个帧扫描数据包含的前景点的灰度值，并根据确定出的灰度值获得前景点的灰度图。
具体实施时，所述前景点为除了背景点以外的扫描点，例如激光雷达扫描行人的通道面时，激光雷达发出各个方向的扫描光线并形成一个扫描面，而扫描面中每条光线并不是都照射到行人身上，有可能该光线方向并没有行人直接照射到地面上某一点，则该点即为背景点；当光束打到除背景点以外的点时，例如行人身上或者在通道面上具有一定高度的物体上，则认定这些点为前景点。
在识别行人时，背景点肯定不是行人，因此可以先从激光雷达扫描得到的扫描点中去除背景点，得到扫描面中的前景点，相当于去除了扫描点中的干扰因素，基于此利用获得的前景点的灰度图识别通道面中的目标行人更加准确。
较佳地，在步骤S12中确定各个帧扫描数据包含的前景点的灰度值时，可以按照图2a所示的方法执行，包括以下步骤：
针对每一帧扫描数据，均执行以下过程：
S21、对该帧扫描数据包含的扫描点的距离信息执行背景分割处理，获得该帧扫描数据包含的前景点的距离信息。
具体实施时，由于激光检测仪扫描行人的通道面时，对应的扫描点是背景点，而背景点明显对识别行人没有帮助，因此可以先利用背景分割技术从扫描点中筛选出背景点，大致原理为：由于激光雷达安装好后，其产生的每条扫描光线的角度都是固定的，每次扫描都会用同样的扫描光线扫描行人的通道面，因此，可以将无行人通过通道面时产生的扫描数据与有行人通过时产生的扫描数据进行比较，通过比较结果即可确定出有行人通过时各个扫描光线对应的扫描点中哪些是背景点哪些是前景点。具体过程为：
首先，在行人的通道面无行人通过时，利用激光检测仪以预设角度倾斜扫描所述通道面，接收所述通道面反馈的反射光束中包含的背景点的距离信息。
例如，激光检测仪产生的扫描光线为10条，则产生的背景点的距离信息为10个，即为[l1,l2,......,l9,l10]。其中，li表示第i条扫描光线产生的第i个背景点的距离信息。
其次，利用激光检测仪扫描行人的通道面并接收到若干帧扫描数据后，获得各个帧包含的扫描点的距离信息。
以某一帧扫描数据为例进行说明，该帧扫描数据中10个扫描点的距离信息记为[l'1,l'2,......,l'9,l'10]，其中l'i表示第i条扫描光线产生的第i个扫描点的距离信息。针对该帧扫描数据中每一扫描点，计算该扫描点与相应背景点的距离信息的差值l'i-li，如果该差值小于预设距离差阈值，则认定该扫描点为背景点，否则确定该扫描点为前景点，由此可以确定出该帧扫描数据包含的所有前景点。同理，按照上述过程可以确定各个帧扫描数据包含的前景点。
S22、针对该帧扫描数据包含的每一前景点，将该前景点的距离信息进行坐标变换，得到该前景点在行人的通道面所属空间Or-XrYrZr中的高度值z。
具体实施时，在确定出每一帧扫描数据包含的前景点后，根据该前景点的距离信息，利用坐标变换可以确定出该前景点在行人的通道面所属空间Or-XrYrZr中的高度值z，具体过程为：
参考图2b所示，针对某一前景点A，前景点A对应的扫描光线与激光检测仪(原点)的夹角为γ，其距离信息为r，则可以按照公式(1)确定前景点A在Os-XsYsZs坐标系中的坐标：
在确定出所述前景点A在Os-XsYsZs坐标系中的坐标之后，按照公式(2)确定前景点A在Or-XrYrZr坐标系中的坐标：
公式(2)中R表示旋转矩阵，T表示平移矩阵，旋转矩阵R的表达式为：
其中，αXs表示Xs轴与Xr轴之间的夹角，αYs表示Ys轴与Yr轴之间的夹角，αZs表示Zs轴与Zr轴之间的夹角；以及平移矩阵T的表达式为：其中，W表示行人的通道路面的宽度，h表示激光雷达在Or-XrYrZr坐标系中的高度，d表示激光雷达在Or-XrYrZr坐标系中的投影与图2b所示的通道右侧的距离。
需要说明的是，在安装激光雷达时，理想情况下是安装在道路中间的正上方，此时不需要左右倾斜。但实际安装过程中，可能会靠近一侧安装激光雷达。当靠近右侧时，激光雷达会向左倾斜(图2b所示情况)；当靠近左侧时，激光雷达会向右倾斜。则d的物理含义可以理解为：激光雷达所在位置的垂直投影(也可以表述为坐标系的投影)与通道较近的一侧的距离，如图2b中d为激光雷达所在位置的垂直投影与通道右侧的距离；如果所述激光雷达向左靠近时，则d的物理含义为激光雷达所在位置的垂直投影与通道左侧的距离，具体根据实际情况而定。
基于公式(1)和(2)即可确定出前景点A在Or-XrYrZr坐标系中的z坐标值，即前景点A的在行人的通道面所属空间Or-XrYrZr中的高度值z。
S23、根据高度值与灰度值的对应关系，确定该前景点的高度值z对应的灰度值。
具体实施时，本发明实施例一中高度值越大，灰度值越大。例如灰度值取值范围为0～255，设置一个最大高度值，将最大高度值与最大灰度值对应，然后针对确定出的任一前景点高度值，确定其与最大高度值的比值，然后再利用该比值乘以255即可换算得到该前景点的灰度值。当然也可以采用其他方法确定前景点的灰度值，但需要满足高度值越大，其对应的灰度值越大这一关系。
进一步地，在确定出各个帧扫描数据包含的前景点的灰度值后，可以按照图3a所示的流程获得前景点的灰度图，包括以下步骤：
针对第i帧扫描数据，均执行以下过程：
S31、针对第i帧扫描数据包含的每一前景点，将该前景点的距离信息进行坐标变换，得到该前景点在行人的通道面所属空间Or-XrYrZr中、与参考点之间的距离x。
具体实施时，参考上述公式(1)和公式(2)，即可确定该前景点在行人的通道面所属空间Or-XrYrZr中、与参考点之间的距离x，该参考点可以为图2b所示的通道左侧的坐标原点。
S32、根据各个前景点的x坐标值和灰度值，将各个前景点插入至按照X轴预先划分的栅格结构中的第i行栅格序列中。
具体地，所述栅格结构的宽度为行人的通道路面的宽度。
具体实施时，预先划分的栅格结构可以参考图3b所示，栅格结构中每一行可以看做是栅格序列，且每一行栅格序列的宽度也为行人的通道路面的宽度。针对第i帧扫描数据中包含的各个前景点，根据各个前景点的横坐标值x，将各个前景点插入至栅格结构中第i行中，参考图3c所示的将第i帧扫描数据插入至第i行栅格序列中的示意图。
需要说明的是，各个帧扫描数据也是按时间获取的，且生成的灰度图一般是由几十帧扫描数据的前景点的灰度值构成的，因此可以预先划分好栅格结构的行数和列数，然后按照时间顺序将各个帧扫描数据插入至栅格结构中的相应的行，比如第i帧扫描数据中的前景点插入至栅格结构中的第i行等。
S33、针对第i行栅格序列中每一已插入前景点的栅格，利用最大的灰度值对应的灰度填充该栅格。
具体实施时，在针对图3c第i行栅格序列已插入栅格，如果该栅格插入一个前景点，则利用该前景点的灰度值对应的灰度填充该栅格；如果该栅格插入多个前景点，则利用多个前景点对应的灰度值中最大的灰度值对应的灰度填充该栅格。
S34、针对第i行栅格序列中未插入前景点的空白栅格，根据该空白栅格相邻的两个已插入前景点的栅格填充的灰度对应的灰度值和插值算法，确定该空白栅格的灰度值并利用确定出的灰度值对应的灰度填充该空白栅格，获得填充后第i行栅格序列。
具体实施时，针对第i行栅格序列中未插入前景点的栅格，即空白栅格，如图3c所示，倒数第二个栅格没有前景点插入，则利用插值算法确定该栅格的灰度值。例如，利用倒数第一个栅格的灰度值和倒数第三个栅格的灰度值取平均值，将该平均值作为该栅格的灰度值，并利用该灰度值的灰度填充该栅格。由此可以保证最终生成的灰度图的连续性和平滑性，进而可以保证在区域生长时能够充分生长，进而得到能够准确标识行人目标的连通区域。
较佳地，如果已插入前景点的第i行栅格序列存在相邻至少一个栅格未插入前景点，则可以利用现有技术中的差值算法确定所述至少一个栅格对应的灰度值，然后再利用确定出的灰度值对应的灰度填充这些栅格，本发明对采样点差值算法不进行限定。
同理，可以按照上述方法将各个帧扫描数据中的前景点插入至栅格结构中对应的栅格序列中，重复之处不再赘述。
S35、根据填充后的各个行栅格序列，得到填充后的栅格结构，并根据填充后的栅格结构，获得前景点的灰度图。
具体实施时，获得的前景点的灰度图可以参考图3d所示。
由于激光检测仪在扫描行人时其采样点并不是等间距分布的，且相邻前景点在X轴上的坐标差是不相等的，随机的，因此，本发明中利用各个前景点的横坐标x值，将其插入至相应行栅格序列中，进而得到灰度图中的一行数据，由此可以保证用于识别行人的灰度图能够更加准确的表示行人的外形轮廓，更有利于识别行人目标。
S13、基于扫描行人得到的前景点的灰度分布的先验模型进行区域生长，确定所述灰度图中的各个连通区域。
具体实施时，所述基于扫描行人得到的前景点的灰度分布的先验模型检测灰度图中的行人目标，大致原理如下：
假设行人的外形轮廓为：行人的头顶存在一个高度值最大的最高点，从最高点向周围扩散，是一个高度值不断降低的过程。由于高度值与灰度值正相关，则从最高点的灰度值向周围扩散，是一个灰度值不断下降的过程。在头顶区域，高度值(灰度值)下降缓慢。从头顶到肩膀会有一个高度值(灰度值)骤然下降的过程，到肩膀的部分高度值(灰度值)下降再次减缓。
本方案将该头肩模型的灰度值作为先验模型，在灰度图中检测行人目标。行人头顶最高的点对应灰度图中的极大值点。首先，在灰度图中检测极大值点，当检测到一个极大值点时，将该点作为种子点，进行区域生长，确定该极大值点对应的连通区域。
具体实施时，可以按照图1d所示的方法确定所述灰度图中的每一连通区域，以确定第i个连通区域为例进行说明，包括以下步骤：
S131、确定所述灰度图中的第i个极大值点。
其中，所述第i个极大值点为所述灰度图中的第i个极大值对应的前景点，i为大于等于1的整数。
具体实施时，所述灰度图中可能存在多个灰度值的极大值，为了便于描述将极大值对应的前景点即为极大值点。具体地，可以按照图4所示的方法确定所述灰度图中的极大值点，包括以下流程：
S41、遍历所述灰度图中灰度值大于第一灰度阈值的区域中的前景点。
由于灰度值与高度值呈正相关，因此，极大值点应该集中在灰度图中的头部区域，而头部区域对应的高度值有一个最低阈值，相应地灰度值应该有一个灰度阈值，为了减少工作量，可以在灰度值大于第一灰度阈值的区域中遍历前景点。
S42、针对遍历到的前景点，判断所述遍历到的前景点的灰度值是否在预设的行人身高范围对应的灰度值范围内；如果是则执行步骤S43；否则执行步骤S41，继续遍历下一个前景点。
具体实施时，由于行人的高度有一个范围，相应地，行人对应的灰度值也有一个取值范围，因此，对应遍历到的前景点，要保证其为行人，需要首先判断该前景点对应的灰度值是否在预设的行人身高范围对应的灰度值范围内，如果在则表示该前景点可能为行人。如果不在则可以直接确定该前景点不是行人目标。
S43、以所述遍历到的前景点为中心，选取预设大小的区域，并判断所述预设大小的区域内灰度值是否均小于所述遍历到的前景点的灰度值，如果是则执行步骤S44；否则继续执行步骤S41。
在步骤S43判断结果为是时，以该前景点的灰度值为中心点，在选取的区域中判断灰度值是否均小于遍历到的前景点的灰度值，如果小于则表明该前景点为极大值点，否则继续遍历下一个前景点，并执行步骤S42～S43的步骤，直至确定出极大值点或遍历完为止。
此外，如果本次确定极大值点不是首次，遍历的过程中可能会遍历到已标记的前景点，则跳过该前景点，继续遍历下一个前景点。
S44、将所述遍历到的前景点确定为极大值点。
S132、根据所述第i个极大值点，基于扫描行人得到的前景点的灰度分布的先验模型进行区域生长，确定所述灰度图中灰度值满足预设生长条件的前景点，并将确定出的前景点和所述第i个极大值点构成连通区域。
具体实施时，基于第i个极大值点，在确定第i个极大值点对应的连通区域时，可以按照图5a所示的流程实施，包括以下步骤：
S51、确定种子点，并确定与所述种子点相邻的若干个前景点的灰度值。
其中，首次确定的种子点为所述第i个极大值点。
例如，确定与该种子点相连的若干个前景点的灰度值。
S52、针对每一前景点，判断该前景点是否被标记，如果是则执行步骤S56；否则执行步骤S53。
具体实施时，确定的第i个极大值点，可能不是第一个极大值点，在基于第一个极大值点确定连通区域后，对灰度值满足公式(1)的前景点需要进行标记，则下次利用第二个极大值点确定连通区域时，对于已经标记的前景点直接跳过，继续查找其它前景点。
S53、判断该前景点的灰度值是否满足公式(1)所示的预设生长条件，如果满足，则执行步骤S54；否则执行步骤S56。
Th≤hneighbour-hseed≤0 (1)
其中，hneighbour为该前景点的灰度值，hseed为种子点的灰度值，Th为预设灰度差阈值；
具体实施时，对于不满足公式(1)，可能存在下述情况：寻找的前景点可能是其它目标行人的前景点，由此可能较好的区分开目标行人，进而提高统计客流量的准确性。
S54、标记满足预设生长条件的前景点和所述种子点。
S55、将确定出的所有满足预设生长条件的前景点和所述第i个极大值点构成连通区域。
具体实施时，构成的连通区域可以参考图5b-1和图5b-2所示，标号为“1”的为构成的连通区域。
S56、终止生长，流程结束。
由此，可以基于所述灰度图中的各个极大值点，执行步骤S51～S56确定出各个极大值点对应的连通区域。
较佳地，在区域生成过程中所用的极大值点并不是灰度图中的全部极大值点，一般会小于所述灰度图中包含的全部极大值点。因为并不是所有的极大值点都会作为种子点。比如：两个相邻的点的高度都不小于周围其他点的高度，这两个点都可以称为极大值点。但只有一个点会作为种子点，因为一个点的生长区域会包含另一个点作为种子点的生长区域，因此就不会将另一个点作为种子点去重复生长。由此可以提高确定各个连通区域的效率，进而提高确定连通区域中行人目标的速度。
此外，当确定出所述灰度图中的所有连通区域后，可以更新读取扫描数据重新执行本发明生成灰度图的方法，生成下一个灰度图，然后再基于该灰度图确定连通区域进而根据该连通区域，识别当前灰度图中的行人。
较佳地，为了避免同一个前景点多次执行步骤S51～S56的判断过程，本发明实施例一提出在根据所述第i个极大值点，确定所述灰度图中灰度值满足预设生长条件的前景点之后，还包括：
标记所述第i个极大值点和所述确定出的前景点；以及
步骤S13中将确定出的前景点和所述第i个极大值点构成连通区域，具体包括：
将标记的前景点和标记的第i个极大值点构成连通区域。
S14、根据确定出的连通区域，识别所述行人的通道面中的行人。
具体实施时，在执行步骤S14时可以按照图6所示的方法实施，包括以下步骤：
S61、确定所述连通区域的面积；
S62、判断所述连通区域的面积是否在预设面积范围之内，如果在，则执行步骤S63；否则执行步骤S68。
具体实施时，利用激光检测仪扫描行人的通道面中的行人，生成的连通区域的面积应该在预设面积范围内，而与行人的高低胖瘦无关，只要判断出所述连通区域的面积在预设面积范围之内，即可确定出所述连通区域可能代表行人，在判断结果为否时，可以明显确定出该连通区域不表示行人，可以先将该连通区域筛选出来，无需再执行步骤S63～S67。
S63、确定所述连通区域中灰度值的直方图分布。
S64、分别统计灰度值在第一预设灰度值范围内的前景点的第一数量和灰度值在第二预设灰度值范围内的前景点的第二数量。
S65、确定所述第一数量与第二数量的比值。
S66、判断所述比值是否在预设比值范围内，如果在，则执行步骤S67；否则执行步骤S68。
具体实施时，在确定出所述连通区域可能代表行人的条件下，为了进一步提高行人目标识别结果，利用所述连通区域中灰度值的直方图分别来确定所述连通区域是否代表行人，由于激光检测仪在扫描行人的通道面时，扫描光线大多会打到行人的头部或肩部，即行人的上半身，因此获得的连通区域的灰度图的直方图分别会集中在两个灰度值范围内，如头部对应的灰度值对应第一预设灰度值范围，肩部对应的灰度值对应第二阈值范围，由此直方图会被划分成两个区域，则统计灰度值落到第一预设灰度值范围内的前景点的数目，即第一数量，以及统计灰度值落到第二预设灰度值范围内的前景点的数量，即第二数量。此外，基于先验知识，如果连通区域代表行人，则第一数量与第二数量的比值应该为正常值，而不是极端值，例如，极端值为0或无穷大。因此，在获得第一数量与第二数量的比值后，如果确定出所述比值在预设范围内(或为正常值)，则表明所述连通区域代表行人，进而基于识别出的行人对当前灰度图中的行人进行统计，最终实现客流量的统计。。
S67、确定所述连通区域代表行人。
S68、确定所述连通区域不代表行人。
至此，可以确定出所述灰度图中各个连通区域是否代表行人的结果，在此基础上可以对所述灰度图中的行人进行统计，进而可以实现客流量的统计。
本发明实施例一提供的客流量统计方法，获取激光雷达的若干帧扫描数据，所述扫描数据为所述激光雷达以预设角度倾斜扫描行人的通道面后获得的每个扫描点的距离信息，其中，所述扫描点的距离信息为所述扫描点与所述激光雷达之间的距离；并根据各个帧扫描数据包含的扫描点的距离信息，确定各个帧扫描数据包含的前景点的灰度值，并根据确定出的灰度值获得前景点的灰度图；基于扫描行人得到的前景点的灰度分布的先验模型进行区域生长，确定所述灰度图中的各个连通区域；并根据确定出的连通区域，识别所述行人的通道面中的行人。采用本发明提供的方法，利用前景点的灰度图即可准确识别通道面的行人目标，进而使得客流量的统计结果更加准确。
实施例二
本发明实施例二在实施例一的基础上在确定出所述连通区域代表行人时，进一步确定该行人的前进方向，可以应用于需要确定行人方向的场景。
如图7a所示，为本发明实施例二提供的确定所述连通区域对应的行人的前进方向的流程示意图，可以包括以下步骤：
S71、确定所述连通区域中每一行包含的灰度值的灰度平均值。
基于先验知识，采用本发明实施例一提供的激光检测仪以预设角度倾斜扫描方法，参考图7b所示，如果行人从左向右走，则激光检测仪先扫到行人的脚部或肩部，后扫描到行人的头部；此外，如果行人从右向左走，则激光检测仪先扫到行人的头部，后扫描到行人的肩部或脚部。基于此可以利用构成的行人的连通区域判断该行人的前进方向。
具体实施时，在实施例一的基础上，所述连通区域包含当前采集的各个帧对应的前景点的灰度值构成的，根据灰度图的构成原理，连通区域的每一行可能存在多个前景点，则计算这些前景点的灰度值对应的灰度平均值，进而可以得到各个帧(也即各个行)的灰度平均值，例如该连通区域包括70帧扫描数据的前景点，则分别计算各个行的灰度值平均值，即得到70个灰度平均值。
S72、根据所述连通区域中各个行及各个行确定出的灰度平均值，基于直角坐标系确定灰度平均值与行数的关系曲线。
具体地，将步骤S71中1～70行分别对应的灰度平均值及行数确定出灰度平均值与行数关系曲线，也就是说横坐标为行数，纵坐标为行对应的灰度平均值，然后进行描点进而得到灰度平均值与行数关系曲线。
S73、根据所述曲线，确定所述曲线中的曲线起始点对应的行数、曲线结束点对应的行数和曲线中极大值点对应的行数。
具体实施时，确定所述曲线中曲线起始点对应的行数为t1，曲线结束点对应的行数为t2和曲线中极大值点对应的行数t0。
S74、根据所述曲线中的曲线起始点对应的行数、曲线结束点对应的行数和曲线中极大值点对应的行数，确定所述连通区域对应的行人的前进方向。
具体实施时，在指向步骤S74时，可以按照图7c所示的流程执行，包括以下步骤：
S741、确定所述极大值点对应的行数与所述曲线起始点对应的行数之间的第一差值。
基于步骤S73，可以得到第一差值表达式为：t0-t1。
S742、确定所述曲线结束点对应的行数与所述极大值点对应的行数之间的第二差值。
基于步骤S73，可以得到第二差值表达式为：t2-t0
S743、确定所述第一差值与所述第二差值之间的比值。
基于步骤S741和步骤S743，可以得出所述第一差值与所述第二差值的比值，记为：
S744、将所述比值与预设阈值进行比较，根据比较结果确定所述连通区域对应的行人的前进方向。
基于图7b所示的扫描方向和行人的前进方向，如果确定出步骤S743中所述比值明显大于预设阈值，则确定所述连通区域对应的行人的前进方向为从左向右走；如果确定出所述比值小于预设阈值，则确定所述连通区域对应的行人的前进方向为从右向左走。
本发明实施例二提供的行人识别方法，在确定出所述连通区域代表行人后，确定所述连通区域中每一行包含的灰度值的灰度平均值；并根据所述连通区域中各个行及各个行确定出的灰度平均值，基于直角坐标系确定灰度平均值与行数的关系曲线；根据所述曲线，确定所述曲线中的曲线起始点对应的行数、曲线结束点对应的行数和曲线中极大值点对应的行数；确定所述极大值点对应的行数与所述曲线起始点对应的行数之间的第一差值；以及确定所述曲线结束点对应的行数与所述极大值点对应的行数之间的第二差值；确定所述第一差值与所述第二差值之间的比值；并将所述比值与预设阈值进行比较，根据比较结果确定所述连通区域对应的行人的前进方向。由此在识别行人的基础上进一步确定行人的前进方向，适用于需要确定行人方向的场景中。
实施例三
基于同一发明构思，本发明实施例中还提供了一种客流量统计装置，由于上述装置解决问题的原理与客流量统计方法相似，因此上述装置的实施可以参见方法的实施，重复之处不再赘述。
如图8所示，为本发明实施例三提供的客流量统计装置的结构示意图，包括：获取单元81、第一确定单元82、第二确定单元83和识别单元84，其中：
获取单元81，用于获取激光雷达的若干帧扫描数据，所述扫描数据为所述激光雷达以预设角度倾斜扫描行人的通道面后得到的每个扫描点的距离信息，其中，所述扫描点的距离信息为所述扫描点与所述激光雷达之间的距离；
第一确定单元82，用于根据各个帧扫描数据包含的扫描点的距离信息，确定各个帧扫描数据包含的前景点的灰度值，并根据确定出的灰度值获得前景点的灰度图；
第二确定单元83，用于基于扫描行人得到的前景点的灰度分布的先验模型进行区域生长，确定所述灰度图中的各个连通区域；
识别单元84，用于根据确定出的连通区域，识别所述行人的通道面中的行人。
具体实施时，所述第二确定单元83，具体用于确定所述灰度图中的第i个极大值点，所述第i个极大值点为所述灰度图中的第i个极大值对应的前景点，i为大于等于1的整数；并根据所述第i个极大值点，基于扫描行人得到的前景点的灰度分布的先验模型进行区域生长，确定所述灰度图中灰度值满足预设生长条件的前景点，并将确定出的前景点和所述第i个极大值点构成第i个极大值点对应的连通区域。
较佳地，所述装置，还包括：
标记单元，用于在所述统计单元根据所述第i个极大值点，基于扫描行人得到的前景点的灰度分布的先验模型进行区域生长，确定所述灰度图中灰度值满足预设生长条件的前景点之后，标记所述第i个极大值点和所述确定出的前景点；
所述第二确定单元83，具体用于将标记的前景点和标记的第i个极大值点构成连通区域。
较佳地，所述第二确定单元83，具体用于遍历所述灰度图中灰度值大于第一灰度阈值的区域中的各个前景点；针对遍历到的前景点，在确定所述遍历到的前景点的灰度值在预设的行人身高范围对应的灰度值范围内时，以所述遍历到的前景点为中心，选取预设大小的区域，并判断所述预设大小的区域内灰度值是否均不大于所述遍历到的前景点的灰度值；以及在判断结果为是时，将所述遍历到的前景点确定为极大值点。
优选地，所述第二确定单元83，具体用于确定种子点，并确定与所述种子点相邻的若干个前景点的灰度值；并针对每一前景点，在确定出该前景点未被标记时，判断该前景点的灰度值是否满足下述预设生长条件：
Th≤hneighbour-hseed≤0
其中，hneighbour为该前景点的灰度值，hseed为种子点的灰度值，Th为预设灰度差阈值；
如果满足，则标记满足预设生长条件的前景点和所述种子点；并
分别将满足预设生长条件前景点确定为种子点，并分别执行确定与所述种子点相邻的若干个前景点的灰度值；并针对每一前景点，在确定出该前景点未被标记时，判断该前景点的灰度值是否满足预设生长条件；如果满足，则标记满足预设生长条件的前景点的步骤，直至确定出前景点已被标记或前景点的灰度值不满足预设生长条件为止；
将确定出的所有满足预设生长条件的前景点和所述第i个极大值点构成连通区域，其中，首次确定的种子点为所述第i个极大值点。
较佳地，所述识别单元84，具体用于在所述连通区域同时满足以下条件时，确定所述连通区域代表行人：确定所述连通区域的面积在预设面积范围之内，和确定所述连通区域中灰度值的直方图分布，分别统计灰度值在第一预设灰度值范围内的前景点的第一数量和灰度值在第二预设灰度值范围内的前景点的第二数量，并确定所述第一数量与第二数量的比值在预设比值范围内。
具体较佳地，所述装置，还包括：第三确定单元、第四确定单元、第五确定单元和第六确定单元，其中：
所述第三确定单元，用于在所述识别单元根据确定出的连通区域，识别出所述行人的通道面中的行人之后，确定所述连通区域中每一行包含的灰度值的灰度平均值；
所述第四确定单元，用于根据所述连通区域中各个行及各个行确定出的灰度平均值，基于直角坐标系确定灰度平均值与行数的关系曲线；
所述第五确定单元，用于根据所述曲线，确定所述曲线中的曲线起始点对应的行数、曲线结束点对应的行数和曲线中极大值点对应的行数；
第六确定单元，用于根据所述曲线中的曲线起始点对应的行数、曲线结束点对应的行数和曲线中极大值点对应的行数，确定所述连通区域对应的行人的前进方向。
具体实施时，所述第六确定单元，具体用于确定所述极大值点对应的行数与所述曲线起始点对应的行数之间的第一差值；以及确定所述曲线结束点对应的行数与所述极大值点对应的行数之间的第二差值；确定所述第一差值与所述第二差值之间的比值；并将所述比值与预设阈值进行比较，根据比较结果确定所述连通区域对应的行人的前进方向。
较佳地，所述获取单元81，具体用于针对每一帧扫描数据，均执行以下过程：对该帧扫描数据包含的扫描点的距离信息执行背景分割处理，获得该帧扫描数据包含的前景点的距离信息；并针对该帧扫描数据包含的每一前景点，将该前景点的距离信息进行坐标变换，得到该前景点在行人的通道面所属空间Or-XrYrZr中的高度值z；并根据高度值与灰度值的对应关系，确定该前景点的高度值z对应的灰度值。
进一步地，所述获取单元81，具体用于针对第i帧扫描数据，均执行以下过程：针对第i帧扫描数据包含的每一前景点，将该前景点的距离信息进行坐标变换，得到该前景点在行人的通道面所属空间Or-XrYrZr中、与参考点之间的距离x；根据各个前景点的x坐标值和灰度值，将各个前景点插入至按照X轴预先划分的栅格结构中的第i行栅格序列中，所述栅格结构的宽度为行人的通道路面的宽度；针对第i行栅格序列中每一已插入前景点的栅格，利用最大的灰度值对应的灰度填充该栅格；以及针对第i行栅格序列中未插入前景点的空白栅格，根据该空白栅格相邻的两个已插入前景点的栅格填充的灰度对应的灰度值和插值算法，确定该空白栅格的灰度值并利用确定出的灰度值对应的灰度填充该空白栅格，获得填充后第i行栅格序列；根据填充后的各个行栅格序列，得到填充后的栅格结构，并根据填充后的栅格结构，获得前景点的灰度图。
为了描述的方便，以上各部分按照功能划分为各模块(或单元)分别描述。当然，在实施本发明时可以把各模块(或单元)的功能在同一个或多个软件或硬件中实现。
实施例四
本申请实施例四提供了一种非易失性计算机存储介质，所述计算机存储介质存储有计算机可执行指令，该计算机可执行指令可执行上述任意方法实施例中的行人识别方法。
实施例五
图9是本发明实施例五提供的实施行人识别方法的电子设备的硬件结构示意图，如图9所示，该电子设备包括：
一个或多个处理器910以及存储器920，图9中以一个处理器910为例。
执行行人识别方法的电子设备还可以包括：输入装置930和输出装置940。
处理器910、存储器920、输入装置930和输出装置940可以通过总线或者其他方式连接，图9中以通过总线连接为例。
存储器920作为一种非易失性计算机可读存储介质，可用于存储非易失性软件程序、非易失性计算机可执行程序以及模块，如本申请实施例中的客流量统计方法对应的程序指令/模块/单元(例如，附图8所示的获取单元81、第一确定单元82、第二确定单元83和识别单元84)。处理器910通过运行存储在存储器920中的非易失性软件程序、指令以及模块/单元，从而执行服务器或者智能终端的各种功能应用以及数据处理，即实现上述方法实施例行人识别方法。
存储器920可以包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需要的应用程序；存储数据区可存储根据客流量统计装置的使用所创建的数据等。此外，存储器920可以包括高速随机存取存储器，还可以包括非易失性存储器，例如至少一个磁盘存储器件、闪存器件、或其他非易失性固态存储器件。在一些实施例中，存储器920可选包括相对于处理器910远程设置的存储器，这些远程存储器可以通过网络连接至行人识别装置。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
输入装置930可接收输入的数字或字符信息，以及产生与行人识别装置的用户设置以及功能控制有关的键信号输入。输出装置940可包括显示屏等显示设备。
所述一个或者多个模块存储在所述存储器920中，当被所述一个或者多个处理器910执行时，执行上述任意方法实施例中的行人识别方法。
上述产品可执行本申请实施例所提供的方法，具备执行方法相应的功能模块和有益效果。未在本实施例中详尽描述的技术细节，可参见本申请实施例所提供的方法。
本申请实施例的电子设备以多种形式存在，包括但不限于:
(1)移动通信设备：这类设备的特点是具备移动通信功能，并且以提供话音、数据通信为主要目标。这类终端包括:智能手机(例如iPhone)、多媒体手机、功能性手机，以及低端手机等。
(2)超移动个人计算机设备：这类设备属于个人计算机的范畴，有计算和处理功能，一般也具备移动上网特性。这类终端包括：PDA、MID和UMPC设备等，例如iPad。
(3)便携式娱乐设备：这类设备可以显示和播放多媒体内容。该类设备包括:音频、视频播放器(例如iPod)，掌上游戏机，电子书，以及智能玩具和便携式车载导航设备。
(4)服务器：提供计算服务的设备，服务器的构成包括处理器、硬盘、内存、系统总线等，服务器和通用的计算机架构类似，但是由于需要提供高可靠的服务，因此在处理能力、稳定性、可靠性、安全性、可扩展性、可管理性等方面要求较高。
(5)其他具有数据交互功能的电子装置。
实施例六
本申请实施例六提供了一种计算机程序产品，其中，所述计算机程序产品包括存储在非暂态计算机可读存储介质上的计算机程序，所述计算机程序包括程序指令，其中，当所述程序指令被计算机执行时，使所述计算机执行本申请上述方法实施例中任一项行人识别方法。
本申请的实施例所提供的行人识别装置可通过计算机程序实现。本领域技术人员应该能够理解，上述的模块划分方式仅是众多模块划分方式中的一种，如果划分为其他模块或不划分模块，只要行人识别装置具有上述功能，都应该在本申请的保护范围之内。
本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
尽管已描述了本发明的优选实施例，但本领域内的技术人员一旦得知了基本创造性概念，则可对这些实施例做出另外的变更和修改。所以，所附权利要求意欲解释为包括优选实施例以及落入本发明范围的所有变更和修改。
显然，本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样，倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内，则本发明也意图包含这些改动和变型在内。

Claims (23)

1.一种行人识别方法，其特征在于，包括：
获取激光雷达的若干帧扫描数据，所述扫描数据为所述激光雷达以预设角度倾斜扫描行人的通道面后获得的每个扫描点的距离信息，其中，所述扫描点的距离信息为所述扫描点与所述激光雷达之间的距离；并
根据各个帧扫描数据包含的扫描点的距离信息，确定各个帧扫描数据包含的前景点的灰度值，并根据确定出的灰度值获得前景点的灰度图；
基于扫描行人得到的前景点的灰度分布的先验模型进行区域生长，确定所述灰度图中的各个连通区域；并
根据确定出的连通区域，识别所述行人的通道面中的行人。
2.如权利要求1所述的方法，其特征在于，基于扫描行人得到的前景点的灰度分布的先验模型进行区域生长，确定所述灰度图中的各个连通区域，具体包括：
确定所述灰度图中的第i个极大值点，所述第i个极大值点为所述灰度图中的第i个极大值对应的前景点，i为大于等于1的整数；并
根据所述第i个极大值点，基于扫描行人得到的前景点的灰度分布的先验模型进行区域生长，确定所述灰度图中灰度值满足预设生长条件的前景点，并将确定出的前景点和所述第i个极大值点构成第i个极大值点对应的连通区域。
3.如权利要求2所述的方法，其特征在于，在根据所述第i个极大值点，基于扫描行人得到的前景点的灰度分布的先验模型进行区域生长，确定所述灰度图中灰度值满足预设生长条件的前景点之后，还包括：
标记所述第i个极大值点和所述确定出的前景点；以及
将确定出的前景点和所述第i个极大值点构成连通区域，具体包括：
将标记的前景点和标记的第i个极大值点构成连通区域。
4.如权利要求3所述的方法，其特征在于，按照下述方法确定所述灰度图中的极大值点，具体包括：
遍历所述灰度图中灰度值大于第一灰度阈值的区域中的各个前景点；
针对遍历到的前景点，在确定所述遍历到的前景点的灰度值在预设的行人身高范围对应的灰度值范围内时，以所述遍历到的前景点为中心，选取预设大小的区域，并判断所述预设大小的区域内灰度值是否均不大于所述遍历到的前景点的灰度值；以及在判断结果为是时，将所述遍历到的前景点确定为极大值点。
5.如权利要求2所述的方法，其特征在于，根据所述第i个极大值点，基于扫描行人得到的前景点的灰度分布的先验模型进行区域生长，确定所述灰度图中灰度值满足预设生长条件的前景点，并将确定出的前景点和所述第i个极大值点构成连通区域，具体包括：
确定种子点，并确定与所述种子点相邻的若干个前景点的灰度值；并
针对每一前景点，在确定出该前景点未被标记时，判断该前景点的灰度值是否满足下述预设生长条件：
Th≤hneighbour-hseed≤0
其中，hneighbour为该前景点的灰度值，hseed为种子点的灰度值，Th为预设灰度差阈值；
如果满足，则标记满足预设生长条件的前景点和所述种子点；并
分别将满足预设生长条件前景点确定为种子点，并分别执行确定与所述种子点相邻的若干个前景点的灰度值；并针对每一前景点，在确定出该前景点未被标记时，判断该前景点的灰度值是否满足预设生长条件；如果满足，则标记满足预设生长条件的前景点的步骤，直至确定出前景点已被标记或前景点的灰度值不满足预设生长条件为止；
将确定出的所有满足预设生长条件的前景点和所述第i个极大值点构成连通区域，其中，首次确定的种子点为所述第i个极大值点。
6.如权利要求1所述的方法，其特征在于，根据确定出的连通区域，识别所述行人的通道面中的行人，具体包括：
在所述连通区域同时满足以下条件时，确定所述连通区域代表行人：
确定所述连通区域的面积在预设面积范围之内，和确定所述连通区域中灰度值的直方图分布，分别统计灰度值在第一预设灰度值范围内的前景点的第一数量和灰度值在第二预设灰度值范围内的前景点的第二数量，并确定所述第一数量与第二数量的比值在预设比值范围内。
7.如权利要求1～6任一权利要求所述的方法，其特征在于，在根据确定出的连通区域，识别出所述行人的通道面中的行人之后，还包括：
确定所述连通区域中每一行包含的灰度值的灰度平均值；并
根据所述连通区域中各个行及各个行确定出的灰度平均值，基于直角坐标系确定灰度平均值与行数的关系曲线；
根据所述曲线，确定所述曲线中的曲线起始点对应的行数、曲线结束点对应的行数和曲线中极大值点对应的行数；
根据所述曲线中的曲线起始点对应的行数、曲线结束点对应的行数和曲线中极大值点对应的行数，确定所述连通区域对应的行人的前进方向。
8.如权利要求7所述的方法，其特征在于，根据所述曲线中的曲线起始点对应的行数、曲线结束点对应的行数和曲线中极大值点对应的行数，确定所述连通区域对应的行人的前进方向，具体包括：
确定所述极大值点对应的行数与所述曲线起始点对应的行数之间的第一差值；以及
确定所述曲线结束点对应的行数与所述极大值点对应的行数之间的第二差值；
确定所述第一差值与所述第二差值之间的比值；并
将所述比值与预设阈值进行比较，根据比较结果确定所述连通区域对应的行人的前进方向。
9.如权利要求1所述的方法，其特征在于，根据各个帧扫描数据包含的扫描点的距离信息，确定各个帧扫描数据包含的前景点的灰度值，具体包括：
针对每一帧扫描数据，均执行以下过程：
对该帧扫描数据包含的扫描点的距离信息执行背景分割处理，获得该帧扫描数据包含的前景点的距离信息；并
针对该帧扫描数据包含的每一前景点，将该前景点的距离信息进行坐标变换，得到该前景点在行人的通道面所属空间Or-XrYrZr中的高度值z；并
根据高度值与灰度值的对应关系，确定该前景点的高度值z对应的灰度值。
10.如权利要求9所述的方法，其特征在于，根据确定出的灰度值获得前景点的灰度图，具体包括：
针对第i帧扫描数据，均执行以下过程：
针对第i帧扫描数据包含的每一前景点，将该前景点的距离信息进行坐标变换，得到该前景点在行人的通道面所属空间Or-XrYrZr中、与参考点之间的距离x；
根据各个前景点的x坐标值和灰度值，将各个前景点插入至按照X轴预先划分的栅格结构中的第i行栅格序列中，所述栅格结构的宽度为行人的通道路面的宽度；
针对第i行栅格序列中每一已插入前景点的栅格，利用最大的灰度值对应的灰度填充该栅格；以及
针对第i行栅格序列中未插入前景点的空白栅格，根据该空白栅格相邻的两个已插入前景点的栅格填充的灰度对应的灰度值和插值算法，确定该空白栅格的灰度值并利用确定出的灰度值对应的灰度填充该空白栅格，获得填充后第i行栅格序列；
根据填充后的各个行栅格序列，得到填充后的栅格结构，并根据填充后的栅格结构，获得前景点的灰度图。
11.一种行人识别装置，其特征在于，包括：
获取单元，用于获取激光雷达的若干帧扫描数据，所述扫描数据为所述激光雷达以预设角度倾斜扫描行人的通道面后获得的每个扫描点的距离信息，其中，所述扫描点的距离信息为所述扫描点与所述激光雷达之间的距离；
第一确定单元，用于根据各个帧扫描数据包含的扫描点的距离信息，确定各个帧扫描数据包含的前景点的灰度值，并根据确定出的灰度值获得前景点的灰度图；
第二确定单元，用于基于扫描行人得到的前景点的灰度分布的先验模型进行区域生长，确定所述灰度图中的各个连通区域；
识别单元，用于根据确定出的连通区域，识别所述行人的通道面中的行人。
12.如权利要求11所述的装置，其特征在于，
所述第二确定单元，具体用于确定所述灰度图中的第i个极大值点，所述第i个极大值点为所述灰度图中的第i个极大值对应的前景点，i为大于等于1的整数；并根据所述第i个极大值点，基于扫描行人得到的前景点的灰度分布的先验模型进行区域生长，确定所述灰度图中灰度值满足预设生长条件的前景点，并将确定出的前景点和所述第i个极大值点构成第i个极大值点对应的连通区域。
13.如权利要求12所述的装置，其特征在于，还包括：
标记单元，用于在所述统计单元根据所述第i个极大值点，基于扫描行人得到的前景点的灰度分布的先验模型进行区域生长，确定所述灰度图中灰度值满足预设生长条件的前景点之后，标记所述第i个极大值点和所述确定出的前景点；
所述第二确定单元，具体用于将标记的前景点和标记的第i个极大值点构成连通区域。
14.如权利要求13所述的装置，其特征在于，
所述第二确定单元，具体用于遍历所述灰度图中灰度值大于第一灰度阈值的区域中的各个前景点；针对遍历到的前景点，在确定所述遍历到的前景点的灰度值在预设的行人身高范围对应的灰度值范围内时，以所述遍历到的前景点为中心，选取预设大小的区域，并判断所述预设大小的区域内灰度值是否均不大于所述遍历到的前景点的灰度值；以及在判断结果为是时，将所述遍历到的前景点确定为极大值点。
15.如权利要求12所述的装置，其特征在于，
所述第二确定单元，具体用于确定种子点，并确定与所述种子点相邻的若干个前景点的灰度值；并针对每一前景点，在确定出该前景点未被标记时，判断该前景点的灰度值是否满足下述预设生长条件：
Th≤hneighbour-hseed≤0
其中，hneighbour为该前景点的灰度值，hseed为种子点的灰度值，Th为预设灰度差阈值；
如果满足，则标记满足预设生长条件的前景点和所述种子点；并
分别将满足预设生长条件前景点确定为种子点，并分别执行确定与所述种子点相邻的若干个前景点的灰度值；并针对每一前景点，在确定出该前景点未被标记时，判断该前景点的灰度值是否满足预设生长条件；如果满足，则标记满足预设生长条件的前景点的步骤，直至确定出前景点已被标记或前景点的灰度值不满足预设生长条件为止；
将确定出的所有满足预设生长条件的前景点和所述第i个极大值点构成连通区域，其中，首次确定的种子点为所述第i个极大值点。
16.如权利要求11所述的装置，其特征在于，
所述识别单元，具体用于在所述连通区域同时满足以下条件时，确定所述连通区域代表行人：确定所述连通区域的面积在预设面积范围之内，和确定所述连通区域中灰度值的直方图分布，分别统计灰度值在第一预设灰度值范围内的前景点的第一数量和灰度值在第二预设灰度值范围内的前景点的第二数量，并确定所述第一数量与第二数量的比值在预设比值范围内。
17.如权利要求11～16任一权利要求所述的装置，其特征在于，还包括：第三确定单元、第四确定单元、第五确定单元和第六确定单元，其中：
所述第三确定单元，用于在所述识别单元根据确定出的连通区域，识别出所述行人的通道面中的行人之后，确定所述连通区域中每一行包含的灰度值的灰度平均值；
所述第四确定单元，用于根据所述连通区域中各个行及各个行确定出的灰度平均值，基于直角坐标系确定灰度平均值与行数的关系曲线；
所述第五确定单元，用于根据所述曲线，确定所述曲线中的曲线起始点对应的行数、曲线结束点对应的行数和曲线中极大值点对应的行数；
第六确定单元，用于根据所述曲线中的曲线起始点对应的行数、曲线结束点对应的行数和曲线中极大值点对应的行数，确定所述连通区域对应的行人的前进方向。
18.如权利要求17所述的装置，其特征在于，
所述第六确定单元，具体用于确定所述极大值点对应的行数与所述曲线起始点对应的行数之间的第一差值；以及确定所述曲线结束点对应的行数与所述极大值点对应的行数之间的第二差值；确定所述第一差值与所述第二差值之间的比值；并将所述比值与预设阈值进行比较，根据比较结果确定所述连通区域对应的行人的前进方向。
19.如权利要求11所述的装置，其特征在于，
所述获取单元，具体用于针对每一帧扫描数据，均执行以下过程：对该帧扫描数据包含的扫描点的距离信息执行背景分割处理，获得该帧扫描数据包含的前景点的距离信息；并针对该帧扫描数据包含的每一前景点，将该前景点的距离信息进行坐标变换，得到该前景点在行人的通道面所属空间Or-XrYrZr中的高度值z；并根据高度值与灰度值的对应关系，确定该前景点的高度值z对应的灰度值。
20.如权利要求19所述的装置，其特征在于，
所述获取单元，具体用于针对第i帧扫描数据，均执行以下过程：针对第i帧扫描数据包含的每一前景点，将该前景点的距离信息进行坐标变换，得到该前景点在行人的通道面所属空间Or-XrYrZr中、与参考点之间的距离x；根据各个前景点的x坐标值和灰度值，将各个前景点插入至按照X轴预先划分的栅格结构中的第i行栅格序列中，所述栅格结构的宽度为行人的通道路面的宽度；针对第i行栅格序列中每一已插入前景点的栅格，利用最大的灰度值对应的灰度填充该栅格；以及针对第i行栅格序列中未插入前景点的空白栅格，根据该空白栅格相邻的两个已插入前景点的栅格填充的灰度对应的灰度值和插值算法，确定该空白栅格的灰度值并利用确定出的灰度值对应的灰度填充该空白栅格，获得填充后第i行栅格序列；根据填充后的各个行栅格序列，得到填充后的栅格结构，并根据填充后的栅格结构，获得前景点的灰度图。
21.一种非易失性计算机存储介质，存储有计算机可执行指令，其特征在于，所述计算机可执行指令用于执行如权利要求1至10任一权利要求所述的方法。
22.一种电子设备，其特征在于，包括：
至少一个处理器；以及
与所述至少一个处理器通信连接的存储器；其中，
所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行如权利要求1至10任一权利要求所述的方法。
23.一种计算机程序产品，其特征在于，所述计算机程序产品包括存储在非暂态计算机可读存储介质上的计算机程序，所述计算机程序包括程序指令，其中，当所述程序指令被计算机执行时，使所述计算机执行如权利要求1至10任一权利要求所述的方法。
CN201710633524.8A 2017-07-28 2017-07-28 一种行人识别方法、装置和电子设备 Active CN107452012B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201710633524.8A CN107452012B (zh) 2017-07-28 2017-07-28 一种行人识别方法、装置和电子设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201710633524.8A CN107452012B (zh) 2017-07-28 2017-07-28 一种行人识别方法、装置和电子设备

Publications (2)

Publication Number Publication Date
CN107452012A true CN107452012A (zh) 2017-12-08
CN107452012B CN107452012B (zh) 2020-10-30

Family

ID=60489651

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201710633524.8A Active CN107452012B (zh) 2017-07-28 2017-07-28 一种行人识别方法、装置和电子设备

Country Status (1)

Country Link
CN (1) CN107452012B (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110175531A (zh) * 2019-05-05 2019-08-27 沈阳航空航天大学 一种基于姿态的考生位置定位方法
CN110490030A (zh) * 2018-05-15 2019-11-22 保定市天河电子技术有限公司 一种基于雷达的通道人数统计方法及系统
CN110806588A (zh) * 2019-10-17 2020-02-18 北醒（北京）光子科技有限公司 一种基于激光雷达的人流量检测系统
CN110929636A (zh) * 2019-11-20 2020-03-27 上海融军实业有限公司 一种客流大小、方向检测方法和系统

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP3839329B2 (ja) * 2002-02-04 2006-11-01 本田技研工業株式会社 ナイトビジョンシステム
CN104392522A (zh) * 2014-11-21 2015-03-04 安徽清新互联信息科技有限公司 一种基于伪深度信息的客流统计系统
CN204463274U (zh) * 2015-03-19 2015-07-08 武汉万集信息技术有限公司 一种倾斜单激光行人检测装置
CN106339687A (zh) * 2016-08-30 2017-01-18 吉林大学 基于视频的行人过街信号自适应计算方法
CN106778635A (zh) * 2016-12-19 2017-05-31 江苏慧眼数据科技股份有限公司 一种基于视觉显著性的人体区域检测方法
CN106951831A (zh) * 2017-02-28 2017-07-14 中科唯实科技（北京）有限公司 一种基于深度摄像机的行人检测跟踪方法

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP3839329B2 (ja) * 2002-02-04 2006-11-01 本田技研工業株式会社 ナイトビジョンシステム
CN104392522A (zh) * 2014-11-21 2015-03-04 安徽清新互联信息科技有限公司 一种基于伪深度信息的客流统计系统
CN204463274U (zh) * 2015-03-19 2015-07-08 武汉万集信息技术有限公司 一种倾斜单激光行人检测装置
CN106339687A (zh) * 2016-08-30 2017-01-18 吉林大学 基于视频的行人过街信号自适应计算方法
CN106778635A (zh) * 2016-12-19 2017-05-31 江苏慧眼数据科技股份有限公司 一种基于视觉显著性的人体区域检测方法
CN106951831A (zh) * 2017-02-28 2017-07-14 中科唯实科技（北京）有限公司 一种基于深度摄像机的行人检测跟踪方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
杨超 等: "基于自适应显著特征选择的动态加权平均行人识别模型", 《计算机工程与科学》 *

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110490030A (zh) * 2018-05-15 2019-11-22 保定市天河电子技术有限公司 一种基于雷达的通道人数统计方法及系统
CN110175531A (zh) * 2019-05-05 2019-08-27 沈阳航空航天大学 一种基于姿态的考生位置定位方法
CN110175531B (zh) * 2019-05-05 2021-02-09 沈阳图为科技有限公司 一种基于姿态的考生位置定位方法
CN110806588A (zh) * 2019-10-17 2020-02-18 北醒（北京）光子科技有限公司 一种基于激光雷达的人流量检测系统
CN110929636A (zh) * 2019-11-20 2020-03-27 上海融军实业有限公司 一种客流大小、方向检测方法和系统

Also Published As

Publication number Publication date
CN107452012B (zh) 2020-10-30

Similar Documents

Publication Publication Date Title
CN109934163B (zh) 一种基于场景先验和特征再融合的航空图像车辆检测方法
CN107452012A (zh) 一种行人识别方法、装置和电子设备
CN108320329A (zh) 一种基于3d激光的3d地图创建方法
US8391610B2 (en) Rapid, spatial-data viewing and manipulating including data partition and indexing
CN103632363B (zh) 基于多尺度融合的对象级高分辨率遥感影像变化检测方法
CN102884397B (zh) 结构光测量方法以及系统
CN103679655A (zh) 一种基于坡度与区域生长的LiDAR点云滤波方法
CN104050481B (zh) 多模板轮廓特征和灰度相结合的红外图像实时行人检测
CN107977992A (zh) 一种基于无人机激光雷达的建筑物变化检测方法及装置
CN107247926B (zh) 一种人体检测方法及装置
CN108399424B (zh) 一种点云分类方法、智能终端及存储介质
CN113160062B (zh) 一种红外图像目标检测方法、装置、设备及存储介质
CN101276420A (zh) 一种融合光谱信息和多点模拟空间信息的分类方法
CN104700448A (zh) 一种基于梯度的自适应光子映射优化算法
CN108596881A (zh) 一种爆破后岩石粒度的智能图像统计方法
US7778808B2 (en) Geospatial modeling system providing data thinning of geospatial data points and related methods
CN109711246A (zh) 一种动态物体识别方法、计算机装置及可读存储介质
CN104182757A (zh) 获取被测目标实际覆盖面积的方法及装置
CN114067564A (zh) 一种基于yolo的交通状况综合监测方法
CN110532963A (zh) 一种车载激光雷达点云驱动的道路标线精准提取方法
CN105447452A (zh) 一种基于地物空间分布特征的遥感亚像元制图方法
CN116503836A (zh) 一种基于深度补全和图像分割的3d目标检测方法
CN115128628A (zh) 基于激光slam和单目视觉的道路栅格地图构建方法
CN110826454B (zh) 一种遥感影像变化检测方法及装置
CN112101113B (zh) 一种轻量化的无人机图像小目标检测方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant