CN107977612A - 一种红外图像人数识别方法 - Google Patents
一种红外图像人数识别方法 Download PDFInfo
- Publication number
- CN107977612A CN107977612A CN201711170160.0A CN201711170160A CN107977612A CN 107977612 A CN107977612 A CN 107977612A CN 201711170160 A CN201711170160 A CN 201711170160A CN 107977612 A CN107977612 A CN 107977612A
- Authority
- CN
- China
- Prior art keywords
- mrow
- connected domain
- msub
- human body
- result
- 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.)
- Pending
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/35—Categorising the entire scene, e.g. birthday party or wedding scene
- G06V20/36—Indoor scenes
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
- G06V10/267—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion by performing operations on regions, e.g. growing, shrinking or watersheds
-
- 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
- G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
- G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Data Mining & Analysis (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Human Computer Interaction (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及一种红外图像人数识别方法，包括以下步骤：步骤一：将整张图像根据人体之间的粘连情况分为若干个连通域；步骤二：先采用归一化像素统计的方法逐个统计各连通域内人数；当连通域内人数大于设定的阈值时，放弃采用归一化像素统计的方法统计得出的该连通域内的人数结果，进入步骤三；否则，保留采用归一化像素统计的方法统计该连通域内人数结果；步骤三：采用基于粘连人体分割的人数统计方法统计人数。本发明提供的红外图像人数识别方法，采用像素特征和粘连人体分割相结合的检测方法，检测效果好，能够准确地定位出人体所在位置并统计出人数，误差很小，统计结果准确度很高，可以很好地满足实际应用的需要。
Description
技术领域
本发明属于图像处理技术领域，具体涉及一种红外图像人数识别方法。
背景技术
室内人数统计问题一直是一个计算机视觉领域的难题，同时具有重要的研究价值。比如：教室课堂中的人数统计可以帮助统计课堂出勤率，影院中的人数统计可以帮助统计票房。现有技术中常用的人数识别方法是建立人群人数与人群特征之间的对应关系，通过分析人群特征来统计人数。常用的特征有像素特征、纹理特征、特征点特征等。
经过实验研究发现传统的如基于像素特征、纹理特征等间接的人数统计方法对于人数相对较多的区域，由于人员之间的相互遮挡等原因往往很难取得较好的效果，且误差会随着区域内人数的增加而增加，统计结果准确度不高。
发明内容
针对上述现有技术中存在的问题，本发明的目的在于提供一种可避免出现上述技术缺陷的红外图像人数识别方法。
为了实现上述发明目的，本发明提供的技术方案如下：
一种红外图像人数识别方法，包括以下步骤：
步骤一：将整张图像根据人体之间的粘连情况分为若干个连通域；
步骤二：先采用归一化像素统计的方法逐个统计各连通域内人数；当连通域内人数大于设定的阈值时，放弃采用归一化像素统计的方法统计得出的该连通域内的人数结果，进入步骤三；否则，保留采用归一化像素统计的方法统计该连通域内人数结果；
步骤三：采用基于粘连人体分割的人数统计方法统计人数；
步骤四：将计算得到的各连通域内的人数累加，得到总人数。
进一步地，所述归一化像素统计的方法包括：用支持向量回归机建立连通域归一化像素特征与该连通域内人数的数学关系，首先取出一部分图像，提取其中各个连通域作为训练数据，训练出图像像素与人数的SVR模型，采用SVR模型估计人数的表达式为
其中，ai和是拉格朗日乘子，是支持向量，x是连通域特征，f(x)是估计连通域人数，代表核函数，b是常数。
进一步地，所述步骤三包括：
步骤1)Bp神经网络多元回归：从图像的所有连通域中抽取一部分作为训练数据，使用3层Bp神经网络分别建立连通域的宽、高、所在图像中的位置和连通域的所占座椅的行数、列数之间的对应关系；
步骤2)行列分割：根据步骤1)得到的行数训练结果，采用改进的k-means算法分割出各行的位置，行位置分割好之后，根据Bp神经网络多元回归的训练结果得到每行所占列数，根据得到的结果使用动态掩膜投影法对每行进行列分割，最后根据行列分割结果判断座位占用情况判断人数。
进一步地，所述改进的k-means算法的具体步骤为：
(1)标记目标连通域中各像素的行坐标，所有像素点的行坐标形成一个一维数组；
(2)根据起始行坐标和末尾行坐标，以及聚类数将初始聚类中心等间距分布在不同行；
(3)根据距离度量，将所有数据点分配给距离最小的聚类中心，距离度量公式如下：
其中：x为数据点，ci为第i个聚类中心，E(ci)为聚类中心ci对周围点的吸引力度，利用求矫正系数的方法获得，d为点x与聚类中心ci之间的距离度量。
(4)重新计算聚类中心，把簇内对象的平均值作为新的聚类中心。
(5)定义解的评价函数F如下：
式中，k为聚类数量，p为属于聚类中心ci的数据对象。
(6)重复步骤(3)(4)(5)直到达到迭代次数或者簇趋于稳定。
进一步地，动态掩膜投影法包括以下步骤：
Step1：已知待分割列数为k，连通域像素点在图像中所占列数为n，则定义初始的掩膜模板为：
Step2：掩膜中各元素与投影曲线中各元素进行乘运算得到需要分析的位置，在该局部求极大值，若出现多个极大值则取最大的极大值。
Step3：若分割未结束，则更新掩膜，更新方式如下：
mask＝mask＞＞i+1，
其中，i为Step2中所得结果的位置。
本发明提供的红外图像人数识别方法，采用像素特征和粘连人体分割相结合的检测方法，在人群密度较稀疏时，采基于像素特征的人数统计方法，在人群密度较密集时采用粘连人体分割的检测方法；基于红外粘连人体分割的人数统计方法在人员较密集的区域可以有效减少由于人员之间的相互遮挡带来的检测误差，且可以确定人员所在图像中的具体位置，结合像素特征与红外粘连人体分割的人数统计方法检测效果好，能够准确地定位出人体所在位置并统计出人数，误差很小，统计结果准确度很高，可以很好地满足实际应用的需要。
附图说明
图1为本发明的流程图；
图2为影院观众席的红外图像；
图3为本发明所采用的Bp神经网络结构图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，下面结合附图和具体实施例对本发明做进一步说明。应当理解，此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
一种红外图像人数识别方法，包括以下步骤：
步骤一：对图像进行预处理，将整张图像根据人体之间的粘连情况分为若干个连通域；
步骤二：先采用归一化像素统计的方法逐个统计各连通域内人数；当连通域较大、连通域内人数较多(连通域内人数大于设定的阈值)时，归一化像素统计法得到的统计结果往往会存在较大的误差，放弃采用归一化像素统计的方法统计得出的该连通域内的人数结果，对于该连通域改为采用基于粘连人体分割的人数统计方法统计人数，进入步骤3)；否则，保留采用归一化像素统计的方法统计该连通域内人数结果；
步骤三：采用基于粘连人体分割的人数统计方法统计人数；
基于粘连人体分割的人数统计方法包括以下步骤：
步骤1)Bp神经网络多元回归：从图像的所有连通域中抽取一部分作为训练数据，使用3层Bp神经网络分别建立连通域的宽、高、所在图像中的位置和连通域的所占座椅的行数、列数之间的对应关系；
步骤2)行列分割：根据步骤1)得到的行数训练结果，采用改进的k-means算法分割出各行的位置，行位置分割好之后，分别对每行根据Bp神经网络多元回归的训练结果得到每行所占列数，根据得到的结果使用动态掩膜投影法对每行进行列分割，最后根据行列分割结果判断座位占用情况判断人数；
步骤四：将采用归一化像素统计的方法或基于粘连人体分割的人数统计方法计算得到的各连通域内的人数累加，得到总人数。
参照图1所示(图1中的th表示设定的阈值)，本发明的红外图像人数识别方法的具体详细步骤如下：
步骤一具体为：
在电影院等环境中，背景变化小，且容易获得，因此利用背景差法获取前景区域，对背景差分法得到的二值图像进行一次先闭再开的图像形态学处理，在保证人体目标完整性的同时消除孤立的小噪声点，根据提取好的前景位置进行连通域提取，将整个前景图像分为多个大小不等的连通域，提取单个人体的连通域。
步骤二中采用归一化像素统计的方法逐个统计各连通域内人数的步骤包括：
(1)求图像不同位置的矫正系数，矫正透视畸变；求矫正系数的方法如下：
由于原始前景区块会出现透视畸变(也称射影畸形)，即距离摄像机越远的物体，在图像中所占像素点数越少，而距离摄像机越近的物体，在图像中所占像素点数则越多，如图2所示，可以明显看出，人体位于CD位置时大小要大于位于AB位置时，在这种情况下如果采用基于像素的人数统计法会产生巨大的实验误差，因此需要对原始图像进行归一化，传统的透视矫正算法多为假设人体重心位置位于AB时的长宽a1、b1，位于CD时的长宽为a2，b2，则面积比例公式为：
设AB位置上的矫正系数是1，则CD位置上的矫正系数为1/μ，则任何位于AB与CD之间的某一行的矫正系数都可以通过定比分点公式求得。此时，只需要计算每个前景连通域面积与其矫正系数，两者相乘即为归一化之后的前景像素值。
(2)SVR回归：
用支持向量回归机(SVR)建立连通域归一化像素特征与该连通域内人数的数学关系。该回归机具有结构简单、全局最优解、泛化能力强等优势。首先取出一部分图像，提取其中各个连通域作为训练数据，训练出图像像素与人数的SVR模型。该SVR模型可根据输入的像素数输出对应人数。
采用SVR模型估计人数的表达式为
其中，ai和是拉格朗日乘子，是支持向量，x是连通域特征，f(x)是估计连通域人数，代表核函数，b是常数。当连通域面积较小时，通常认为连通域特征和连通域人数是线性关系，所以设为线性核。
步骤三中的Bp神经网络多元回归：
首先需要根据每个连通域的高度及其所在位置建立与连通域所占行数之间的对应关系，Bp神经网络在多元回归问题上可以取得不错的效果。本发明采用经典的3层Bp神经网络进行连通域所占行数回归，网络结构如图3所示。其中，输入层为连通域所在纵向位置y与连通域高度h组成的特征矢量，输出层为连通域所占座椅行数。通过将训练图像中连通域的y、h和真实所占行数输入Bp网络并进行训练，可完成回归模型的构建。使用时，输入待测连通域的y、h通过回归模型可得到该连通域所占座椅的行数。
图像中人体粘连区域行列分割：
当连通域变大时，连通域内人数变多，人员之间相互遮挡会更严重，此时，仅利用像素特征进行人数统计很难取得较好的效果，此时需要采取新的措施，进行人数统计。
针对观影中的影院的场景，人员之间大都处于坐着的状态且排列相对整齐，因此考虑根据人员所坐的座椅，按行列分割出每行每列的座椅位置，进而进行人数统计的辅助计算，如果可以确切知道座椅所在的位置，便可以通过判断座椅是否被占用判断人数。在背景图中直接确定座椅的位置由于红外图像信噪比高的特点很难实现，因此本发明采用了一种通过人体位置确定座椅位置的方法，即通过对每个连通域的粘连人体进行行列划分来确定该连通域所占座位情况。由于实际图像中透视畸变的影响，不同行对应的每列的位置也不尽相同，因此本发明采用先行后列的分割方法。
步骤三中的行列分割包括：
处理粘连人体分割的方法主要有基于投影的方法，基于人体模型的方法，基于多摄像机拍摄的方法。其中，由于红外成像的原因，图像信噪比大，基于人体模型的方法很难实现，而基于多摄像机拍摄的方法又依赖于设备，因此本发明采用改进的k-means算法对粘连人体进行行分割，采用动态掩膜投影法对粘连人体进行列分割。
改进的k-means算法(即基于改进k-means聚类的粘连人体行分割方法)的具体步骤为：
(1)标记目标连通域中各像素的行坐标，所有像素点的行坐标形成一个一维数组；
(2)根据起始行坐标和末尾行坐标，以及聚类数将初始聚类中心等间距分布在不同行；
(3)根据距离度量，将所有数据点分配给距离最小的聚类中心，距离度量公式如下：
其中：x为数据点，ci为第i个聚类中心，E(ci)为聚类中心ci对周围点的吸引力度，利用求矫正系数的方法获得，d为点x与聚类中心ci之间的距离度量。
(4)重新计算聚类中心，把簇内对象的平均值作为新的聚类中心。
(5)定义解的评价函数F如下：
式中，k为聚类数量，p为属于聚类中心ci的数据对象。
(6)重复步骤(3)(4)(5)直到达到迭代次数或者簇趋于稳定。
本发明在传统的k-means图像分割算法的基础上，将k-means算法的应用扩展到空间邻域，通过一维k-means聚类实现对粘连目标的分割。
传统的k-means聚类算法由于初始聚类中心随机导致聚类结果有可能不一样，本发明中，初始聚类中心等间距分布在原始数据的不同位置，考虑到透视畸变带来的影响，本发明提出了一个吸引力度的概念，用来描述位于不同位置的点对其周围点的影响力，可认为靠近摄像机的点对周围点的吸引力度要大于远离摄像机的点。
粘连人体的列分割：
对于已经分割成各个单行的结果图，使用Bp神经网络训练每行对应的列数，过程如Bp神经网络多元回归的过程所示，对于同一行，列与列之间间隔较为清晰，使用投影法进行分割可以取得较好的效果，分割过程同基于动态掩膜投影法的粘连人体行分割的过程。
粘连人体分割的方法统计人数误差来源比较多，训练行数列数、分割的过程都可能产生误差，为了减少整个实验人数统计的误差，在行列分割之后，对每个分割结果块再进行一次判断，剔除可能只是人体一小部分的区块，降低可能由于误分割造成的影响。
提取待分割的连通域，求竖直方向上的二值投影，统计每列的黑色像素点个数，得到投影曲线。对得到的投影曲线进行平滑操作，消除小噪声干扰。分割位置取投中局部极大值，但是若直接对整个投影图像求极大值势必会有一些错乱的点干扰，因此本发明借助掩膜，每次只分析某个特定部位，在减小了干扰的同时也减少了计算量，例如，以两列座位为例，将竖直投影曲线在y方向分为4等份，则分割位置有极大可能位于第二份和第三份内，因此只需要对这两部分投影曲线进行分析即可。基于动态掩膜投影法的粘连人体列分割具体步骤如下：
Step 1：已知待分割列数为k，连通域像素点在图像中所占列数为n，则定义初始的掩膜模板为：
Step 2：掩膜中各元素与投影曲线中各元素进行乘运算得到需要分析的位置，在该局部求极大值，若出现多个极大值则取最大的极大值。
Step 3：若分割未结束，则更新掩膜，更新方式如下：
mask＝mask＞＞i+1，
其中，i为(2)中所得结果的位置。
为了验证本发明的方法的有效性，选取影院场景进行实验，以10分钟为间隔步长采集某一个影厅五天的视频图像，得到一个包含720张图像的图像库，去除无人状态下的图像，最后得到268张视频图像，取其中前两天的116张图像数据来进行本发明的方法所需要的模型训练，后三天的152张图像来对本发明的有效性进行测试。
使用平均绝对误差(Mean Absolute Error，MAE)、平均相对误差(Mean RelativeError，MRE)来评价估测误差。MAE与MRE定义如下：
其中，N为视频总张数，G(i)是算法估计图像i的人数，它是图像所有子连通域的人数之和，T(i)是由人为标定的图像i的人数，作为参考值。
根据实验结果，当单个人形成连通区域时不存在人员之间相互遮挡的问题，在所有测试数据中这种情况的正确率为100％，考虑到在实际情况中会出现大量情侣二人结伴观影的情况，因此两个人组成的连通域在测试数据中占比最多，两人组成的连通域相互间遮挡较少，在测试中同样取得了比较好的效果，随着连通域内人数的上升，大面积的人体粘连情况发生，错误率随之上升，这同样印证了在归一化前景像素统计法实现人数统计中，实验的误差会随着连通域面积的增加而增加。因此实验中选取的阈值为2，当归一化前景像素法检测连通域的检测人数超过两人时再用粘连人体分割的方法进行人数统计。
表1 本发明提出的方法与单独使用归一化前景像素人数统计的结果对比
| MAE | MRE | |
| 本发明的方法 | 4.02 | 0.0625 |
| 归一化前景像素算法 | 4.25 | 0.0642 |
从表1中可以看出本发明提出的人数统计算法准确率要高于单独使用基于归一化前景像素人数统计算法。
本发明提供的红外图像人数识别方法，采用像素特征和粘连人体分割相结合的检测方法，在人群密度较稀疏时，采基于像素特征的人数统计方法，在人群密度较密集时采用粘连人体分割的检测方法；基于红外粘连人体分割的人数统计方法在人员较密集的区域可以有效减少由于人员之间的相互遮挡带来的检测误差，且可以确定人员所在图像中的具体位置，结合像素特征与红外粘连人体分割的人数统计方法检测效果好，能够准确地定位出人体所在位置并统计出人数，误差很小，统计结果准确度很高，可以很好地满足实际应用的需要。
以上所述实施例仅表达了本发明的实施方式，其描述较为具体和详细，但并不能因此而理解为对本发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变形和改进，这些都属于本发明的保护范围。因此，本发明专利的保护范围应以所附权利要求为准。
Claims (5)
1.一种红外图像人数识别方法，其特征在于，包括以下步骤：
步骤一：将整张图像根据人体之间的粘连情况分为若干个连通域；
步骤二：先采用归一化像素统计的方法逐个统计各连通域内人数；当连通域内人数大于设定的阈值时，放弃采用归一化像素统计的方法统计得出的该连通域内的人数结果，进入步骤三；否则，保留采用归一化像素统计的方法统计该连通域内人数结果；
步骤三：采用基于粘连人体分割的人数统计方法统计人数；
步骤四：将计算得到的各连通域内的人数累加，得到总人数。
2.根据权利要求1所述的红外图像人数识别方法，其特征在于，所述归一化像素统计的方法包括：用支持向量回归机建立连通域归一化像素特征与该连通域内人数的数学关系，首先取出一部分图像，提取其中各个连通域作为训练数据，训练出图像像素与人数的SVR模型，采用SVR模型估计人数的表达式为
<mrow>
<mi>f</mi>
<mrow>
<mo>(</mo>
<mi>x</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mi>&Sigma;</mi>
<mrow>
<mo>(</mo>
<msub>
<mi>a</mi>
<mi>i</mi>
</msub>
<mo>-</mo>
<msubsup>
<mi>a</mi>
<mi>i</mi>
<mo>*</mo>
</msubsup>
<mo>)</mo>
</mrow>
<mo>&CenterDot;</mo>
<mi>K</mi>
<mrow>
<mo>(</mo>
<msub>
<mover>
<mi>x</mi>
<mo>&OverBar;</mo>
</mover>
<mi>i</mi>
</msub>
<mo>,</mo>
<mi>x</mi>
<mo>)</mo>
</mrow>
<mo>+</mo>
<mi>b</mi>
<mo>.</mo>
</mrow>
其中，ai和是拉格朗日乘子，是支持向量，x是连通域特征，f(x)是估计连通域人数，代表核函数，b是常数。
3.根据权利要求1-2所述的红外图像人数识别方法，其特征在于，所述步骤三包括：
步骤1)Bp神经网络多元回归：从图像的所有连通域中抽取一部分作为训练数据，使用3层Bp神经网络分别建立连通域的宽、高、所在图像中的位置和连通域的所占座椅的行数、列数之间的对应关系。
步骤2)行列分割：根据步骤1)得到的行数训练结果，采用改进的k-means算法分割出各行的位置，行位置分割好之后，根据Bp神经网络多元回归的训练结果得到每行所占列数，根据得到的结果使用动态掩膜投影法对每行进行列分割，最后根据行列分割结果判断座位占用情况判断人数。
4.根据权利要求1-3所述的红外图像人数识别方法，其特征在于，所述改进的k-means算法的具体步骤为：
(1)标记目标连通域中各像素的行坐标，所有像素点的行坐标形成一个一维数组。
(2)根据起始行坐标和末尾行坐标，以及聚类数将初始聚类中心等间距分布在不同行；
(3)根据距离度量，将所有数据点分配给距离最小的聚类中心，距离度量公式如下：
<mrow>
<mi>d</mi>
<mi>i</mi>
<mi>s</mi>
<mi>t</mi>
<mrow>
<mo>(</mo>
<mi>x</mi>
<mo>,</mo>
<msub>
<mi>c</mi>
<mi>i</mi>
</msub>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mfrac>
<msqrt>
<msup>
<mrow>
<mo>(</mo>
<mrow>
<mi>x</mi>
<mo>-</mo>
<msub>
<mi>c</mi>
<mi>i</mi>
</msub>
</mrow>
<mo>)</mo>
</mrow>
<mn>2</mn>
</msup>
</msqrt>
<msub>
<mi>E</mi>
<msub>
<mi>c</mi>
<mi>i</mi>
</msub>
</msub>
</mfrac>
</mrow>
其中：x为数据点，ci为第i个聚类中心，E(ci)为聚类中心ci对周围点的吸引力度，利用求矫正系数的方法获得，d为点x与聚类中心ci之间的距离度量。
(4)重新计算聚类中心，把簇内对象的平均值作为新的聚类中心。
(5)定义解的评价函数F如下：
<mrow>
<mi>F</mi>
<mo>=</mo>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>k</mi>
</munderover>
<munder>
<mo>&Sigma;</mo>
<mrow>
<mi>p</mi>
<mo>&Element;</mo>
<msub>
<mi>c</mi>
<mi>i</mi>
</msub>
</mrow>
</munder>
<mi>d</mi>
<mi>i</mi>
<mi>s</mi>
<mi>t</mi>
<mrow>
<mo>(</mo>
<mi>p</mi>
<mo>,</mo>
<msub>
<mi>c</mi>
<mi>i</mi>
</msub>
<mo>)</mo>
</mrow>
</mrow>
式中，k为聚类数量，p为属于聚类中心ci的数据对象。
(6)重复步骤(3)(4)(5)直到达到迭代次数或者簇趋于稳定。
5.根据权利要求1-3所述的红外图像人数识别方法，其特征在于，动态掩膜投影法包括以下步骤：
Step1：已知待分割列数为k，连通域像素点在图像中所占列数为n，则定义初始的掩膜模板为：
Step2：掩膜中各元素与投影曲线中各元素进行乘运算得到需要分析的位置，在该局部求极大值，若出现多个极大值则取最大的极大值。
Step3：若分割未结束，则更新掩膜，更新方式如下：
mask＝mask＞＞i+1。
其中，i为Step2中所得结果的位置。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201711170160.0A CN107977612A (zh) | 2017-11-21 | 2017-11-21 | 一种红外图像人数识别方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201711170160.0A CN107977612A (zh) | 2017-11-21 | 2017-11-21 | 一种红外图像人数识别方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN107977612A true CN107977612A (zh) | 2018-05-01 |
Family
ID=62010785
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201711170160.0A Pending CN107977612A (zh) | 2017-11-21 | 2017-11-21 | 一种红外图像人数识别方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN107977612A (zh) |
Cited By (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109614946A (zh) * | 2018-12-18 | 2019-04-12 | 华能国际电力股份有限公司大连电厂 | 基于图像智能识别技术的火力发电厂输煤系统人员安全防护方法及系统 |
| CN111062280A (zh) * | 2019-12-05 | 2020-04-24 | 华中科技大学 | 一种基于距离变换标签的密集群体计数及定位方法 |
| CN111079660A (zh) * | 2019-12-19 | 2020-04-28 | 点睛数据科技(杭州)有限责任公司 | 基于热红外成像图片的影院在线人数统计方法 |
| CN111198549A (zh) * | 2020-02-18 | 2020-05-26 | 陈文翔 | 一种基于大数据的家禽养殖监测管理系统 |
| CN111597988A (zh) * | 2020-05-15 | 2020-08-28 | 深圳市中联讯科技有限公司 | 红外测温仪进行人数统计的方法及终端 |
| CN112418182A (zh) * | 2020-12-15 | 2021-02-26 | 北京信息科技大学 | 红外影厅图像人数统计方法 |
| CN114972111A (zh) * | 2022-06-16 | 2022-08-30 | 慧之安信息技术股份有限公司 | 一种基于gan图像修复的密集人群计数方法 |
| CN115311278A (zh) * | 2022-10-11 | 2022-11-08 | 南通欧惠纺织科技有限公司 | 一种对于纱线检测的纱线分割方法 |
| CN116129361A (zh) * | 2023-03-24 | 2023-05-16 | 武汉中科通达高新技术股份有限公司 | 一种基于距离度量的人群聚集识别方法及装置 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102890791A (zh) * | 2012-08-31 | 2013-01-23 | 浙江捷尚视觉科技有限公司 | 基于深度信息聚类的复杂场景人数统计方法 |
| CN103760140A (zh) * | 2014-01-07 | 2014-04-30 | 李雁 | 一种基于量子点光谱分析及图像解析的肿瘤转移单元计数方法 |
| CN104573697A (zh) * | 2014-12-31 | 2015-04-29 | 西安丰树电子科技发展有限公司 | 基于多信息融合的施工升降机轿厢人数统计方法 |
| CN105844649A (zh) * | 2016-04-12 | 2016-08-10 | 中国科学院长春光学精密机械与物理研究所 | 一种人数统计方法和装置及系统 |
| CN107240111A (zh) * | 2017-06-14 | 2017-10-10 | 郑州天迈科技股份有限公司 | 边沿连通分割客流统计方法 |
-
2017
- 2017-11-21 CN CN201711170160.0A patent/CN107977612A/zh active Pending
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102890791A (zh) * | 2012-08-31 | 2013-01-23 | 浙江捷尚视觉科技有限公司 | 基于深度信息聚类的复杂场景人数统计方法 |
| CN103760140A (zh) * | 2014-01-07 | 2014-04-30 | 李雁 | 一种基于量子点光谱分析及图像解析的肿瘤转移单元计数方法 |
| CN104573697A (zh) * | 2014-12-31 | 2015-04-29 | 西安丰树电子科技发展有限公司 | 基于多信息融合的施工升降机轿厢人数统计方法 |
| CN105844649A (zh) * | 2016-04-12 | 2016-08-10 | 中国科学院长春光学精密机械与物理研究所 | 一种人数统计方法和装置及系统 |
| CN107240111A (zh) * | 2017-06-14 | 2017-10-10 | 郑州天迈科技股份有限公司 | 边沿连通分割客流统计方法 |
Non-Patent Citations (1)
| Title |
|---|
| 覃勋辉: "多种人群密度场景下的人群计数", 《中国图象图形学报》 * |
Cited By (16)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109614946B (zh) * | 2018-12-18 | 2023-10-27 | 华能国际电力股份有限公司大连电厂 | 基于图像智能识别技术的火力发电厂输煤系统人员安全防护方法及系统 |
| CN109614946A (zh) * | 2018-12-18 | 2019-04-12 | 华能国际电力股份有限公司大连电厂 | 基于图像智能识别技术的火力发电厂输煤系统人员安全防护方法及系统 |
| CN111062280A (zh) * | 2019-12-05 | 2020-04-24 | 华中科技大学 | 一种基于距离变换标签的密集群体计数及定位方法 |
| CN111062280B (zh) * | 2019-12-05 | 2022-04-26 | 华中科技大学 | 一种基于距离变换标签的密集群体计数及定位方法 |
| CN111079660A (zh) * | 2019-12-19 | 2020-04-28 | 点睛数据科技(杭州)有限责任公司 | 基于热红外成像图片的影院在线人数统计方法 |
| CN111198549A (zh) * | 2020-02-18 | 2020-05-26 | 陈文翔 | 一种基于大数据的家禽养殖监测管理系统 |
| CN111198549B (zh) * | 2020-02-18 | 2020-11-06 | 湖南伟业动物营养集团股份有限公司 | 一种基于大数据的家禽养殖监测管理系统 |
| CN111597988A (zh) * | 2020-05-15 | 2020-08-28 | 深圳市中联讯科技有限公司 | 红外测温仪进行人数统计的方法及终端 |
| CN111597988B (zh) * | 2020-05-15 | 2024-04-19 | 深圳市中联讯科技有限公司 | 红外测温仪进行人数统计的方法及终端 |
| CN112418182A (zh) * | 2020-12-15 | 2021-02-26 | 北京信息科技大学 | 红外影厅图像人数统计方法 |
| CN114972111A (zh) * | 2022-06-16 | 2022-08-30 | 慧之安信息技术股份有限公司 | 一种基于gan图像修复的密集人群计数方法 |
| CN114972111B (zh) * | 2022-06-16 | 2023-01-10 | 慧之安信息技术股份有限公司 | 一种基于gan图像修复的密集人群计数方法 |
| CN115311278B (zh) * | 2022-10-11 | 2023-12-22 | 南通欧惠纺织科技有限公司 | 一种对于纱线检测的纱线分割方法 |
| CN115311278A (zh) * | 2022-10-11 | 2022-11-08 | 南通欧惠纺织科技有限公司 | 一种对于纱线检测的纱线分割方法 |
| CN116129361A (zh) * | 2023-03-24 | 2023-05-16 | 武汉中科通达高新技术股份有限公司 | 一种基于距离度量的人群聚集识别方法及装置 |
| CN116129361B (zh) * | 2023-03-24 | 2023-08-08 | 武汉中科通达高新技术股份有限公司 | 一种基于距离度量的人群聚集识别方法及装置 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN107977612A (zh) | 一种红外图像人数识别方法 | |
| CN104023230B (zh) | 一种基于梯度关联性的无参考图像质量评价方法 | |
| CN105657402B (zh) | 一种深度图恢复方法 | |
| Ciancio et al. | No-reference blur assessment of digital pictures based on multifeature classifiers | |
| CN103200421B (zh) | 一种基于Curvelet变换和相位一致的无参考图像质量评价方法 | |
| CN100559881C (zh) | 一种基于人工神经网络的视频质量评价方法 | |
| Saha et al. | Utilizing image scales towards totally training free blind image quality assessment | |
| CN108960404B (zh) | 一种基于图像的人群计数方法及设备 | |
| CN106023148B (zh) | 一种序列聚焦观测模式下恒星像点位置提取方法 | |
| US20180158176A1 (en) | Moran's / for impulse noise detection and removal in color images | |
| CN113810611B (zh) | 一种事件相机的数据模拟方法和装置 | |
| CN106127234B (zh) | 基于特征字典的无参考图像质量评价方法 | |
| CN104851098A (zh) | 基于改进结构相似度的立体图像质量客观评价方法 | |
| Fu et al. | Blind image quality assessment for multiply distorted images via convolutional neural networks | |
| CN105574885A (zh) | 基于机器学习并融合视觉特征的全参考图像质量评估方法 | |
| CN111612741A (zh) | 一种基于失真识别的精确无参考图像质量评价方法 | |
| KR20180109658A (ko) | 영상 처리 방법과 장치 | |
| Luo | A training-based no-reference image quality assessment algorithm | |
| CN106504207A (zh) | 一种图像数据处理方法 | |
| Nizami et al. | New feature selection algorithms for no-reference image quality assessment | |
| CN106934770A (zh) | 一种评价雾霾图像去雾效果的方法和装置 | |
| LI et al. | Recent advances and challenges in video quality assessment | |
| Wang et al. | Distortion recognition for image quality assessment with convolutional neural network | |
| DE112016006921T5 (de) | Schätzung der menschlichen Ausrichtung in Bildern unter Verwendung von Tiefeninformationen | |
| Singh et al. | Visibility enhancement and dehazing: Research contribution challenges and direction |
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 | ||
| WD01 | Invention patent application deemed withdrawn after publication | ||
| WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20180501 |