CN108021852A - 一种人数统计方法、人数统计系统及电子设备 - Google Patents

一种人数统计方法、人数统计系统及电子设备 Download PDF

Info

Publication number
CN108021852A
CN108021852A CN201610964748.2A CN201610964748A CN108021852A CN 108021852 A CN108021852 A CN 108021852A CN 201610964748 A CN201610964748 A CN 201610964748A CN 108021852 A CN108021852 A CN 108021852A
Authority
CN
China
Prior art keywords
image
analyzed
camera
local
corner
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
Application number
CN201610964748.2A
Other languages
English (en)
Inventor
梁玲燕
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.)
Ricoh Co Ltd
Original Assignee
Ricoh 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 Ricoh Co Ltd filed Critical Ricoh Co Ltd
Priority to CN201610964748.2A priority Critical patent/CN108021852A/zh
Publication of CN108021852A publication Critical patent/CN108021852A/zh
Pending legal-status Critical Current

Links

Classifications

    • 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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G06F18/232—Non-hierarchical techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/40—Scenes; Scene-specific elements in video content
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/40—Scenes; Scene-specific elements in video content
    • G06V20/46—Extracting features or characteristics from the video content, e.g. video fingerprints, representative shots or key frames
    • 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
    • G06V40/16—Human faces, e.g. facial parts, sketches or expressions
    • G06V40/161—Detection; Localisation; Normalisation

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Multimedia (AREA)
  • Data Mining & Analysis (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Artificial Intelligence (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Oral & Maxillofacial Surgery (AREA)
  • Human Computer Interaction (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Image Analysis (AREA)
  • Image Processing (AREA)

Abstract

本发明提供了一种人数统计方法、人数统计系统及电子设备。本发明实施例提供的人数统计方法、人数统计系统及电子设备，通过对待处理图像进行角点检测，然后根据检测到角点的密度分布将整个图像划分为多个局部子图像，进而基于各个局部子图像进行人数统计，能够提高人数统计的准确性。

Description

一种人数统计方法、人数统计系统及电子设备
技术领域
本发明涉及视频监控及图像处理技术领域，具体涉及一种人数统计方法、人数统计系统及电子设备。
背景技术
在视频监控领域，经常需要统计监控区域中的人数，一个较为准确的人数统计结果是人群安全性的重要参数之一，同时它也能为资源管理、公共交通、广告投放等行业提供有价值的指导信息。
当前人数统计的方法主要包括：基于行人检测的人数统计方法，基于聚类的人数统计方法，和基于回归的人数统计方法。基于行人检测的人数统计通过对每个独立的人进行检测以进行人数统计，基于聚类的人数统计方法通过角点数进行人数估计，而基于回归的人数统计方法则通过图像特征进行人数估计。
拥挤人群的人数统计在视频监控应用领域是一个非常具有挑战性的问题。准确的估计拥挤人群的人数是非常重要的。现有技术的一些方法在进行拥挤人群的人数统计时其统计结果的误差较大，因此，亟需一种人数统计方法，提高拥挤人群人数统计结果的准确性。
发明内容
本发明实施例要解决的技术问题是提供一种人数统计方法、人数统计系统及电子设备，用以提高拥挤人群人数统计结果的准确性。
为解决上述技术问题，本发明实施例提供的人数统计方法，包括：
获得一相机针对一监控区域所采集的待分析图像；
对所述待分析图像进行角点检测以及基于角点密度的聚类处理，并根据角点聚类结果，从所述待分析图像中提取至少一个局部子图像；
提取每个局部子图像的图像特征，并根据预先获得的所述相机的透视畸变系数，对所述图像特征进行特征归一化处理，得到归一化特征；
根据所述局部子图像的归一化特征，估计每个局部子图像中的人数，以及，累加每个局部子图像中的人数，得到所述待分析图像中的人数。
其中，上述方法中，在所述获得一相机针对一监控环境所采集的待分析图像的步骤之前，还包括：
获得一预设对象在所述监控区域中不同位置时，所述相机针对所述监控区域所采集的多个图像；根据所述多个图像中所述预设对象的成像结果，计算得到所述相机在人群监控范围内的透视畸变系数；
其中，在所述相机为单目针孔相机时，所述透视畸变系数表现为物体在图像中的成像面积大小与该物体和相机之间的物理空间距离成线性关系；
在所述相机为全景相机时，所述透视畸变系数在等距经纬图上表现为：成像于预设低纬度区间的物体的成像面积大小，与该物体和相机之间的物理空间距离成线性关系；成像于预设高纬度区间的物体的成像面积大小，与该物体成像所在的纬度的余弦变换成正相关。
其中，上述方法中，所述根据预先获得的所述相机的透视畸变系数，对所述图像特征进行特征归一化处理，得到归一化特征的步骤，包括：根据一加权因子，对所述图像特征进行特征归一化处理，得到归一化特征，其中，所述加权因子与所述图像特征对应的透视畸变系数负相关。
其中，上述方法中，所述对所述待分析图像进行角点检测以及基于角点密度的聚类处理，并根据角点聚类结果，从所述待分析图像中提取至少一个局部子图像的步骤，包括：
对所述待分析图像进行角点检测，获得所述待分析图像中的角点；
根据角点密度分布，对角点进行聚类，得到至少一个角点聚类集合；
从所述待分析图像中提取各个角点聚类集合对应的图像，得到至少一个局部子图像。
其中，上述方法中，所述对所述待分析图像进行角点检测以及基于角点密度的聚类处理，并根据角点聚类结果，从所述待分析图像中提取至少一个局部子图像的步骤，包括：
对所述待分析图像进行角点检测，获得所述待分析图像中的角点；
根据角点密度分布，对角点进行聚类，得到至少一个角点聚类集合；
对所述待分析图像进行人头/人脸检测，确定所述待分析图像中的人头分布结果；
根据角点聚类结果和人头分布结果，从所述至少一个角点聚类集合中选择出有效角点聚类集合；
从所述待分析图像中提取各个有效角点聚类集合对应的图像，得到至少一个局部子图像。
其中，上述方法中，所述根据所述局部子图像的归一化特征，估计每个局部子图像中的人数的步骤，包括：
利用一回归模型，对所述局部子图像的归一化特征进行人数估计，得到局部子图像中的人数，其中，所述回归模型是基于训练图像中人工标定的局部人群图像及真实人数，根据所述局部人群图像中提取的训练特征训练得到的。
本发明实施例还提供了一种人数统计系统，包括：
图像获取单元，用于获得一相机针对一监控区域所采集的待分析图像；
子图像提取单元，用于对所述待分析图像进行角点检测以及基于角点密度的聚类处理，并根据角点聚类结果，从所述待分析图像中提取至少一个局部子图像；
特征归一化单元，用于提取每个局部子图像的图像特征，并根据预先获得的所述相机的透视畸变系数，对所述图像特征进行特征归一化处理，得到归一化特征；
人数计算单元，用于根据所述局部子图像的归一化特征，估计每个局部子图像中的人数，以及，累加每个局部子图像中的人数，得到所述待分析图像中的人数。
其中，上述系统还包括：
畸变系数获得单元，用于获得一预设对象在所述监控区域中不同位置时，所述相机针对所述监控区域所采集的多个图像；根据所述多个图像中所述预设对象的成像结果，计算得到所述相机在人群监控范围内的透视畸变系数；
其中，在所述相机为单目针孔相机时，所述透视畸变系数表现为物体在图像中的成像面积大小与该物体和相机之间的物理空间距离成线性关系；
在所述相机为全景相机时，所述透视畸变系数在等距经纬图上表现为：成像于预设低纬度区间的物体的成像面积大小，与该物体和相机之间的物理空间距离成线性关系；成像于预设高纬度区间的物体的成像面积大小，与该物体成像所在的纬度的余弦变换成正相关。
其中，上述系统中，所述子图像提取单元包括：
第一检测单元，用于对所述待分析图像进行角点检测，获得所述待分析图像中的角点；
第一聚类单元，用于根据角点密度分布，对角点进行聚类，得到至少一个角点聚类集合；
第一提取单元，用于从所述待分析图像中提取各个角点聚类集合对应的图像，得到至少一个局部子图像。
其中，上述系统中，所述子图像提取单元包括：
第二检测单元，用于对所述待分析图像进行角点检测，获得所述待分析图像中的角点；
第二聚类单元，用于根据角点密度分布，对角点进行聚类，得到至少一个角点聚类集合；
第三检测单元，用于对所述待分析图像进行人头/人脸检测，确定所述待分析图像中的人头分布结果；
选择单元，根据角点聚类结果和人头分布结果，从所述至少一个角点聚类集合中选择出有效角点聚类集合；
第二提取单元，用于从所述待分析图像中提取各个有效角点聚类集合对应的图像，得到至少一个局部子图像。
其中，上述系统中，所述人数计算单元，具体用于：利用一回归模型，对所述局部子图像的归一化特征进行人数估计，得到局部子图像中的人数，其中，所述回归模型是基于训练图像中人工标定的局部人群图像及真实人数，根据所述局部人群图像中提取的训练特征训练得到的。
本发明实施例还提供了一种人数统计的电子设备，包括：
处理器；
和存储器，所述存储器中存储有计算机程序指令，
其中，在所述计算机程序指令被所述处理器运行时，使得所述处理器执行以下步骤：
获得一相机针对一监控区域所采集的待分析图像；
对所述待分析图像进行角点检测以及基于角点密度的聚类处理，并根据角点聚类结果，从所述待分析图像中提取至少一个局部子图像；
提取每个局部子图像的图像特征，并根据预先获得的所述相机的透视畸变系数，对所述图像特征进行特征归一化处理，得到归一化特征；
根据所述局部子图像的归一化特征，估计每个局部子图像中的人数，以及，累加每个局部子图像中的人数，得到所述待分析图像中的人数。
与现有技术相比，本发明实施例提供的人数统计方法、人数统计系统及电子设备，首先对待处理图像进行角点检测，然后根据检测到角点的密度分布将整个图像划分为多个局部子图像，进而基于各个局部子图像进行人数统计，能够提高人数统计的准确性。
附图说明
图1为本发明实施例的人数统计系统的一种应用环境的示意图；
图2为本发明实施例提供的一种人数统计方法的流程示意图；
图3为本发明实施例中建立全景图像的透视映射图的一个示例；
图4A～4B为本发明实施例中计算畸变系数的一个示例；
图5为本发明实施例中步骤22的一种具体实现的程示意图；
图6为本发明实施例中步骤22的另一种具体实现的程示意图；
图7A～7D为本发明实施例中局部子图像提取的一个示例；
图8为本发明实施例中基于局部子图像进行人数统计的流程图；
图9为本发明实施例提供的一种人数统计系统的结构示意图；
图10为本发明实施例提供的另一种人数统计系统的结构示意图；
图11为本发明实施例还提供了一种电子设备的示意图。
具体实施方式
为使本发明要解决的技术问题、技术方案和优点更加清楚，在下面的描述中，提供诸如具体的配置和组件的特定细节仅仅是为了帮助全面理解本发明的实施例。因此，本领域技术人员应该清楚，可以对这里描述的实施例进行各种改变和修改而不脱离本发明的范围和精神。另外，为了清楚和简洁，省略了对已知功能和构造的描述。
应理解，说明书通篇中提到的“一个实施例”或“一实施例”意味着与实施例有关的特定特征、结构或特性包括在本发明的至少一个实施例中。因此，在整个说明书各处出现的“在一个实施例中”或“在一实施例中”未必一定指相同的实施例。此外，这些特定的特征、结构或特性可以任意适合的方式结合在一个或多个实施例中。
在本发明的各种实施例中，应理解，下述各过程的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本发明实施例的实施过程构成任何限定。应理解，本文中术语“和/或”，仅仅是一种描述关联对象的关联关系，表示可以存在三种关系，例如，A和/或B，可以表示：单独存在A，同时存在A和B，单独存在B这三种情况。在本申请所提供的实施例中，应理解，“与A对应的B”表示B与A相关联，根据A可以确定B。但还应理解，根据A确定B并不意味着仅仅根据A确定B，还可以根据A和/或其它信息确定B。
下面将结合附图及具体实施例对本发明进行详细描述。
在低密度人群中，例如可以通过行人检测方法就能对人数进行统计。但是在中密度或高密度人群中，由于遮挡等问题，行人检测的方法的准确性较差。回归方法应用于人数统计时，可以在一定程度上解决由于人群密度高而引起的遮挡问题。
基于回归的人数统计方案一般包括两阶段：回归模型训练和人数估计。在回归模型训练阶段，获取大量的训练数据和如何抽取有效的特征都是非常重要的。
为了减少训练数据的收集难度，可以将图像的整体人群划分成多组局部人群，采用局部人群的特征作为训练数据。局部人群的特征是指该特征只对应一幅图像或场景中的一群人，而一幅图像整体人群的特征则是基于整幅图像或场景提取的所有人群提取的。局部人群的特征提取有利于训练数据的收集，例如在一幅训练图像上，能够得到多组局部人群及其局部人群特征，因此可以减小训练数据的收集难度，同时也能提高人数估计的准确度。随着而来的，如何提取局部人群/局部人群特征成为一个问题。
在局部人群特征提取过程中，可以考虑利用运动方向信息进行局部人群的划分，但发明人发现，该划分方式通常不符合人群的真实分布特点。因此，本发明实施例基于真实的人群密度分布方式进行局部人群的划分。
本发明实施例基于角点密度进行局部人群的划分。一般情况下，角点检测结果中都存在一些噪声，该噪声对人数统计是无效的，同时这些无效的噪声点可能影响到局部人群划分。为了提高人数统计结果的精度，本发明实施例可以进一步考虑仅使用头部角点进行局部人群的划分，因为头部角点受背景、衣服色彩或纹理的影响较小，同时头部角点受人群遮挡影响也较少，因此能够提高人群划分和人数统计的精度。在进行每个局部人群的人数统计时，本发明实施例从局部人群图像中提取角点特征、纹理特征，边缘特征和形状特征等特征中的一种或多种，并通过特征归一化和回归模型，计算得到各个局部人群的人数并累加，从而获得整幅图像的人数统计结果。
另外，为了在较大的视角下进行人数统计监控，本发明实施例可以应用全景相机进行图像的采集。全景相机可以采集360度范围的图像。当然，本发明实施例也可以基于普通的单目针孔相机所采集的图像进行人数统计，单目针孔相机的视角相对较窄。
本发明实施例提出了一种人数统计方法，通过人群的密度分布，将图像中的人群划分为多个局部人群，以通过对每个局部人群进行人数统计来计算整个图像中的人数。本发明实施例特别适用于人群分布密度较大的场景，例如中密度和高密度的人群统计中，能够提高拥挤人群的人数统计结果的准确性。
图1为本发明实施例的人数统计系统的一种应用环境的示意图。在图1中，监控相机10用于对监控环境进行实时监控，获得监控环境中的人群的图像。人群11是被监控的对象，监控范围12是相机所能覆盖的范围。在图1中，如果我们采用全景相机，则相机监控范围12将非常大。如果监控相机是传统的针孔相机，则监控范围相对较小。人数统计系统13则接收监控相机10采集的图像，并进行人数统计处理，输出人数统计的结果。
请参照图2，本发明实施例提供的人数统计方法，能够用于公共场所下的人数动态监控，适用于各种安全监控环境场景。如图2所示，该方法包括：
步骤21，获得一相机针对一监控区域所采集的待分析图像。
这里，所述相机可以按照一预设拍摄参数，采集监控区域的图像，进而从该相机采集的图像中提取出待分析图像。以图1为例，当人数统计系统13接收相机10采集到的图像帧，判断当前是否有新的图像帧输入，如果有新的图像帧输入，则人数统计系统13将继续执行后续步骤以统计人数，否则，将暂停工作，直到有新的图像帧到达。
所述预设拍摄参数是指所述相机设置于所述监控区域内的固定位置，按照预定的拍摄方向及角度拍摄所述监控区域，从而每帧图像所拍摄的区域范围都是相同的。
步骤22，对所述待分析图像进行角点检测以及基于角点密度的聚类处理，并根据角点聚类结果，从所述待分析图像中提取至少一个局部子图像。
这里，可以在角点检测获得图像中的角点后，基于角点密度进行聚类处理，获得角点聚类结果，进而从所述待分析图像中提取同一聚类对应的图像区域，得到一个或多个局部子图像，从而可以实现基于人群密度分布的图像划分处理，将图像中的人群划分为一个或多个局部人群。
步骤23，提取每个局部子图像的图像特征，并根据预先获得的相机的透视畸变系数，对所述图像特征进行特征归一化处理，得到归一化特征。
这里，每个局部子图像中的图像特征，可以包括角点特征、纹理特征，边缘特征和形状特征等特征，本发明实施例可以采用现有技术的各种图像特征，并且可以参照现有技术的特征提取方式进行相应图像特征的提取。在图像特征提取后，本发明实施例需要依据预先获得的相机的透视畸变系数，对所述图像特征进行特征归一化处理，以对图像特征进行校正。
这里，由于相机存在透视畸变系数，导致其采集图像中的物体成像发生畸变。因此，相机的透视畸变系数也可以通过成像图像的畸变情况来表征。具体的，可以基于所述相机按照所述预设拍摄参数拍摄所述监控区域所获得的图像，计算得到相机畸变系数，例如通过人工标定的方式，使一预设人物出现在所述监控区域中的人群可活动范围内的不同位置，获得相应的多幅图像，进而根据图像中所述预设人物的成像结果的畸变情况，计算得到图像中的像素点的畸变系数。例如，可以选择没有畸变或畸变情况小于预设值的所述成像结果作为参考值，计算发生畸变的所述成像结果所在位置处的畸变系数。
步骤24，根据所述局部子图像的归一化特征，估计每个局部子图像中的人数，以及，累加每个局部子图像中的人数，得到所述待分析图像中的人数。
这里，可以利用回归模型，对各个局部子图像的归一化特征进行人数估计，获得各个局部子图像中的人数，进而累加得到所述待分析图像中的人数。这里的回归模型，可以通过离线训练得到。其中，所述回归模型是基于训练图像中人工标定的局部人群图像及真实人数，根据所述局部人群图像中提取的训练特征训练得到的。在本发明实施例中，许多回归模型能被使用于上述人数统计模型训练，如支持向量回归(SVR，Support VectorRegression)模型，高斯过程模型(GP，Gaussian Process)等。另外，在人数统计过程中，每个局部子图像都是一个独立的人群，各个局部子图像的人数统计结果相互不影响，整个图像的人数则是各个局部子图像的人数总和。
通过以上步骤，本发明实施例基于角点密度的聚类处理结果，进行局部子图像的提取，可以实现基于人群密度的子人群划分，从而在后续利用各个局部子图像的图像特征进行人数统计时，可以提高各个局部子图像的人数统计精度，进而提高人数统计的整体精度。
在图2的步骤21之前，本发明实施例可以预先计算得到所述相机成像的畸变系数，具体的，可以获得一预设对象(例如，特定人或者特定物体)在所述监控区域中不同位置时，所述相机按照所述预设拍摄参数采集的多个图像；然后，根据所述多个图像中所述预设对象的成像结果，计算得到所述相机在人群监控范围内的透视畸变系数。
众所周知，在物体成像过程中，离相机越近的物体在成像图像中所占的比例越大，因此在步骤23中图像特征提取阶段，为了保证图像特征的一致性和有效性，需要根据透视畸变系数对图像特征进行归一化。透视映射图反映了透视畸变的比例关系，透视映射图的标定过程请参考图3。
图3是建立全景图像的透视映射图的一个示例。在本发明实施例中，全景图像可以通过等距经纬图描述，经、纬度范围为[-π,π]*[-π/2,π/2]。在球体图的图像描述过程中，为了有效保存图像的全部信息，等距经纬图是一种有效的球体图描述方式，能有效保存全景图像的在球体坐标系中的位置信息。图3示出了球体图到等距经纬图的变换过程。
等距经纬图与常规的单目针孔相机所形成的图像不同。等距经纬图存在的图像畸变主要表现为两个方面：纬度方向和经度方向上。在经度方向上，主要表现为成像物体高度上的变化，这个畸变原理同针孔相机的畸变原理相似。在纬度方向上，主要变现为南北极的畸变，物体越靠近南北极点，图像拉伸畸变越严重。作为一种实现方式，本发明实施例根据纬度值，将等距经纬图化为为四部分：[-90°,-45°),[-45°,0],(0,45°],(45°,90°]，透视畸变系数d(xlat)的计算如公式(1)所示。当然，本发明实施例也可以将等距经纬图划分成更多或更少的组成部分。
在公式(1)中，xlat表示像素点x的纬度，f1(xlat)和f2(xlat)的畸变是不同的。基于等距经纬图的分布特点，f1(x1at)的畸变形成主要受成像距离远近的影响，物体离相机距离越近，该物体在成像图像中所占的比例就越大，而f2(xlat)的畸变影响主要受南北极的影响，物体离南/北极越近，其畸变越大。另外，由于物体的成像结果通常会涉及多个像素，针对物体的某个成像结果计算的畸变系数，可以作为成像结果的中心或预设边的中点所对应的像素点的畸变系数。
图4A～4B是计算畸变系数的一个示例。f1(xlat)的畸变计算方式如图4A所示。在上述方法的初始化阶段，可以通过人或物体在监控区域中的活动范围内移动。图4中的监控区域40包括有一人的活动范围41，所述活动区域41是指人群在所述监控区域中能够到达的区域。例如，在监控区域40中可能存在某些范围，例如由于其中存在着障碍物因此人不能到达。通过人43在所述活动范围内的移动，从而可以收集人在活动范围内不同位置处的数帧图像。然后，采用人工标定的方式，对在纬度范围[-45°,45°]内的最近行人位置和最远行人位置进行标定，因此，f1(xlat)的畸变系数计算如公式(2)所示。图4A中示出了同一人43在不同帧图像中的成像结果的叠加示意。这里，最近行人位置是指在所述活动范围内距离相机最近的位置，最远行人位置则是指在所述活动范围内距离相机最远的位置。在纬度范围[-45°,45°]内，可以认为同一条纬度线上的所有点与相机的距离都是相同的。
上述公式(2)中，h1lon和h1lat分别表示在人处于最近行人位置h1时，成像图像中该人的特定部位(如人头)的长和宽，即分别表示在经度方向的长度(h1lon)和在纬度方向的长度(h11at)；h2lon和h2lat分别表示在人处于最远行人位置h2时，成像图像中该人的特定部位的长和宽，即分别表示在经度方向的长度(h2lon)和在纬度方向的长度(h2lat)。
在h1和h2之间的部分，畸变值满足线性插值。这部分的标定方法同常规的针孔相机标定方法相似。如果本人数统计系统在使用于常规的单目针孔相机作为监控相机进行人数统计时，利用上述公式(2)即可完成畸变系数的计算。
图4B描述了f2(xlat)的畸变特点，具体畸变系数计算公式可以如公式(3)所示。在公式(3)中，物体的面积大小正比于余弦变换(如cos2(xlat))。可以看出，物体越靠近南北极，畸变系数越大。
f2(xlat)＝refsize*cos2(xlat) (3)
上述公式(3)中，refsize表示在人处于等距经纬图中的45°纬度线上时，成像图像中该人的特定部位的参考面积。
通过以上方式，本发明实施例可以通过人工标定的方式，获得单目针孔相机或全景相机的透视畸变系数，即将相机的透视畸变系数通过图像中像素点的透视畸变系数来表征。可以看出，在所述相机为单目针孔相机时，所述透视畸变系数表现为物体在图像中的成像面积大小与该物体和相机之间的物理空间距离成线性关系，物理空间距离越大，则畸变系数越大，反之，物理空间距离越小，则畸变系数越小；在所述相机为全景相机时，所述透视畸变系数在等距经纬图上表现为：成像于预设低纬度区间(如在纬度范围[-45°,45°]内)的物体的成像面积大小，与该物体和相机之间的物理空间距离成线性关系；成像于预设高纬度区间(如在纬度范围：[-90°,-45°)和(45°,90°]内)的物体的成像面积大小，与该物体成像所在的纬度的余弦变换成正相关。
以上提供了针对单目针孔相机和全景相机的透视畸变系数的计算方式。本发明实施例不局限于以上方式，本发明实施例还可以采用现有技术中任何可以确定相机透视畸变系数的实现方式。
下面对图2的步骤22的实现作更为详细的说明。
图5给出了图2的步骤22的一种实现流程图。在图5中，局部子图像的提取包括：
步骤2201，对所述待分析图像进行角点检测，获得所述待分析图像中的角点。
这里，可以利用现有技术的各种角点检测算法，如Harris角点检测算法、FAST角点检测算法等，对对所述待分析图像进行角点检测，获得其中的角点。
步骤2202，根据角点密度分布，对角点进行聚类，得到至少一个角点聚类集合。
这里，由于角点密度分布能有效反映人群的密度分布。因此在本发明实施例中，首先对检测到的角点进行基于密度分布的聚类处理，获得一个以上的角点聚类。基于密度分布的聚类算法，如具有噪声的基于密度的聚类(DBSCAN，Density Based SpatialClustering of Applications with Noise)等算法，可以用于进行聚类处理。DBSCAN算法的优点是不需要任何有关聚类形状和聚类数的先验知识。
步骤2203，从所述待分析图像中提取各个角点聚类集合对应的图像，得到至少一个局部子图像。
这里，在获得角点聚类集合后，可以从所述待分析图像中提取同一角点聚类集合对应的图像区域，从而得到一个或多个局部子图像，每个局部子图像对应于一个局部子人群。
图6给出了图2的步骤22的另一种实现流程图，在该流程中进一步滤除了噪声角点，以提高后续人数统计的精度。图7A～7D则给出了基于图6的流程进行局部子图像提取的示例图。在图6中，局部子图像的提取包括：
步骤2211，对所述待分析图像进行角点检测，获得所述待分析图像中的角点。
这里，可以利用现有技术的各种角点检测算法，如Harris角点检测算法、FAST角点检测算法等，对对所述待分析图像进行角点检测，获得其中的角点。例如在图7A中的点为Harris角点检测的结果。从图7A可以看出，虽然图像中的整个人群连接到一起，但人群分布的密度却不一样，有些地方稀疏，有些地方稠密，而角点检测结果正好能反映人群的密度分布情况。
步骤2212，根据角点密度分布，对角点进行聚类，得到至少一个角点聚类集合。
这里，由于角点密度分布能有效反映人群的密度分布。因此在本发明实施例中，首先对检测到的角点进行基于密度分布的聚类处理，获得一个以上的角点聚类。基于密度分布的聚类算法，可以采用DBSCAN等算法进行聚类处理。图7B就是图7A中角点的聚类结果，在图7B中可以用相同颜色或形状的点表示属于同一聚类点。需要指出的是，受限于图7B图片的颜色不能很好的显示，上述聚类结果可能不能很好的展示出来，但这不影响对本方案的理解与实施。
步骤2213，对所述待分析图像进行人头/人脸检测，确定所述待分析图像中的人头分布结果。
这里，人脸也能够反映人头的信息，因此可以通过人脸检测或头部检测算法，对待分析图像进行人头/人脸检测，进而确定其中的人头分布结果。需要指出的是，这里的人头/人脸检测只是为了初步定位人群可能的分布情况。基于人脸或头部检测结果，可能存在人的区域将被初步标定，基于此，可以移除一些可能存在于背景中的角点。图7C是人脸检测结果。在图7C中，虽然有一些人头并没有被检测到，但对人群位置的初步划分以及部分背景角点噪声的去除的影响并不大。
步骤2214，根据角点聚类结果和人头分布结果，从所述至少一个角点聚类集合中选择出有效角点聚类集合。
这里，在该步骤中，可以移除噪声角点，噪声角点对于人数统计没有任何价值，相反可能影响人数统计的精度。由于角点检测结果本身可能受到多种因素的影响，如衣服纹理，背景物体等，因此，在本发明实施例中，可以仅使用头部角点进行人数统计计算。使用头部角点的优点在于：1)在头部位置，人群间的相互遮挡影响较小；2)角点检测结果更加鲁棒，将不受衣服，颜色，背景等相关因素的影响。
噪声角点的移除以及有效角点聚类集合的选择，具体可以有多种实现方式。
例如，可以根据人头分布结果，确定人头分布密度低于预设门限的角点聚类集合，将该角点聚类集合的角点作为噪声角点进行删除，将人头分布密度不低于所述预设门限的角点聚类集合，作为有效角点聚类集合。
又例如，还可以根据人头分布结果、角点聚类集合之间的位置关系、角点聚类集合的外扩矩形等因素，确定头部角点以及噪声角点。比如，位于头部角点下方的角点可被认为是脚部角点，从而将脚部角点作为噪声进行删除。
步骤2215，从所述待分析图像中提取各个有效角点聚类集合对应的图像，得到至少一个局部子图像。
这里，在获得有效角点聚类集合后，可以从所述待分析图像中提取同一有效角点聚类集合对应的图像区域，从而得到一个或多个局部子图像，每个局部子图像对应于一个局部子人群。在步骤2214中已经对噪声角点进行移除，因此有效的角点如图7D所示。在图7D中，整体人群被划分为五个局部子人群1～5，因此该整体人群的人数统计结果是该五个局部子人群的人数之和。
图8是基于局部子图像进行人数统计的流程图，如图8所示，本发明实施例采用对局部子人群进行人数统计以得到整幅图像的人数统计结果。局部子图像的提取已在上文进行了说明。在得到局部子图像后，对每个局部子图像分别提取图像特征并进行归一化处理，利用回归模型进行回归统计，获得每个局部子图像中的人数，然后计算各局部子图像人数的总和作为最终的人数统计结果。在本发明中，每个局部人群都是独立的，相互之间不受影响。
在这里，从局部子图像中提取的图像特征(features)可以包括以下特征中的一个或多个：角点数(ncorner)、纹理特征(texture)、边缘特征(edge)、形状特征(shape)等，如公式(4)所示。在图像特征提取后，需要对特征进行归一化处理，如公式(5)所示。根据一加权因子w，对所述图像特征进行特征归一化处理，得到归一化特征featuresweighted，其中，所述加权因子w与所述图像特征对应的畸变系数负相关。这里，每个图像特征对应的畸变系数，可以根据该图像特征涉及的像素点的畸变系数进行确定。
features＝(ncorner,texture,edge,shape) (4)
featuresweighted＝w*features (5)
在公式(5)中，w是一个加权因子，它与畸变系数负相关，例如与畸变系数成反比，w＝1/d(xlat)。具体的，公式(5)中的加权后的角点数特征ncornerweighted、纹理特征textureweighted、边缘特征edgeweighted以及形状特征shapeweighted，可以分别通过以下公式(6)、(7)、(8)、(9)表示。
textureweighted＝wt*texture (7)
edgeweighted＝we*edge (8)
shapeweighted＝ws*shape (9)
公式(6)中，p表示属于同一个聚类的角点在图像中的位置坐标点，cornerp则表示位置坐标点p处的角点，cluster表示一个角点聚类。每个角点通过wp进行加权，该加权值wp与角点的位置坐标点相关。在公式(7)、(8)、(9)中，wt、we、ws分别为纹理，边缘，形状特征的加权值，wt、we、ws加权值的大小，还与进行纹理，边缘和形状提取的滑动窗口大小相关。上述加权值的确定，可以参考现有技术的类似实现，为节约篇幅，本文不再赘述。
在图像特征归一化后，局部子图像的人数统计就可以通过回归模型估计得到。该回归模型通过离线训练得到。回归模型的训练过程和人数统计的估计过程相似，包括局部子图像提取，图像特征提取及归一化，回归模型训练。在训练过程中，局部子图像提取工作，可以由标定人员手工划分完成，同时标定人员需要给出每个局部子图像中人群所对应的真实人数，训练特征同估计特征一致，如公式(10)所示。根据训练特征和每个局部子图像中人群所对应的真实人数npeople，训练得到回归模型。在本发明实施例中，可以采用GP回归模型等模型。整体图像的人群的人总数是各个局部子图像的人数的和，计算如公式(11)所示。
npeople＝f(ncornerweighted,textureweighted,edgeweighted,shapeweighted) (10)
上述公式(11)中，npeople_表示第i个局部子图像中的人数。
本发明实施例基于局部子图像对整个人群进行人数统计。首先，进行角点检测，然后根据检测到角点的密度分布将整个图像划分为多个局部子图像，从而能够提高人数统计的精度。另外，局部子图像划分方式既能被用于静态人群的人数统计，也能被用于运动人群的人数统计。同时，本发明实施例还可以仅基于头部角点进行人群特征的提取，因此所提取的特征将不受其他的前景对象或者背景对象影响，进一步提高了人数统计的精度。另外，局部子人群统计方式还使得训练数据的收集过程变得更简单，因为基于一定量的训练数据，通过对整体图像的划分，将生成更多的训练样本(局部子图像)，大大降低了训练数据的收集难度。
另外，在人数统计过程中，本发明实施例可以使用普通的单目相机或全景相机，本发明实施例还根据全景图像的特点，建立针对全景相机的透视映射图，使得监控范围更宽广。
本发明实施例还提供了用以实现上述人数统计方法的装置。请参照图9，本发明实施例提供的一种人数统计系统90，包括：
图像获取单元91，用于获得一相机针对一监控区域所采集的待分析图像；
子图像提取单元92，用于对所述待分析图像进行角点检测以及基于角点密度的聚类处理，并根据角点聚类结果，从所述待分析图像中提取至少一个局部子图像；
特征归一化单元93，用于提取每个局部子图像的图像特征，并根据预先获得的所述相机的透视畸变系数，对所述图像特征进行特征归一化处理，得到归一化特征；
人数计算单元94，用于根据所述局部子图像的归一化特征，估计每个局部子图像中的人数，以及，累加每个局部子图像中的人数，得到所述待分析图像中的人数。
请参照图10，本发明实施例提供的另一种人数统计系统100，包括：
畸变系数获得单元101，用于获得一预设对象在所述监控区域中不同位置时，所述相机针对所述监控区域所采集的多个图像；根据所述多个图像中所述预设对象的成像结果，计算得到所述相机在人群监控范围内的透视畸变系数；
图像获取单元102，用于获得一相机针对一监控区域所采集的待分析图像；
子图像提取单元103，用于对所述待分析图像进行角点检测以及基于角点密度的聚类处理，并根据角点聚类结果，从所述待分析图像中提取至少一个局部子图像；
特征归一化单元104，用于提取每个局部子图像的图像特征，并根据预先获得的所述相机对应的透视比例关系，对所述图像特征进行特征归一化处理，得到归一化特征；
人数计算单元105，用于根据所述局部子图像的归一化特征，估计每个局部子图像中的人数，以及，累加每个局部子图像中的人数，得到所述待分析图像中的人数。
其中，在所述相机为单目针孔相机时，所述透视畸变系数表现为物体在图像中的成像面积大小与该物体和相机之间的物理空间距离成线性关系；
在所述相机为全景相机时，所述透视畸变系数在等距经纬图上表现为：成像于预设低纬度区间的物体的成像面积大小，与该物体和相机之间的物理空间距离成线性关系；成像于预设高纬度区间的物体的成像面积大小，与该物体成像所在的纬度的余弦变换成正相关。
这里，上述特征归一化单元104，进一步用于根据一加权因子，对所述图像特征进行特征归一化处理，得到归一化特征，其中，所述加权因子与所述畸变系数负相关。
上述人数计算单元94或人数计算单元105，具体用于：利用一回归模型，对所述局部子图像的归一化特征进行人数估计，得到局部子图像中的人数，其中，所述回归模型是基于训练图像中人工标定的局部人群图像及真实人数，根据所述局部人群图像中提取的训练特征训练得到的。
作为一种实现方式，上述子图像提取单元92或子图像提取单元103，具体可以包括：
第一检测单元，用于对所述待分析图像进行角点检测，获得所述待分析图像中的角点；
第一聚类单元，用于根据角点密度分布，对角点进行聚类，得到至少一个角点聚类集合；
第一提取单元，用于从所述待分析图像中提取各个角点聚类集合对应的图像，得到至少一个局部子图像。
作为另一种实现方式，上述子图像提取单元92或子图像提取单元103，具体可以包括：
第二检测单元，用于对所述待分析图像进行角点检测，获得所述待分析图像中的角点；
第二聚类单元，用于根据角点密度分布，对角点进行聚类，得到至少一个角点聚类集合；
第三检测单元，用于对所述待分析图像进行人头/人脸检测，确定所述待分析图像中的人头分布结果；
选择单元，根据角点聚类结果和人头分布结果，从所述至少一个角点聚类集合中选择出有效角点聚类集合；
第二提取单元，用于从所述待分析图像中提取各个有效角点聚类集合对应的图像，得到至少一个局部子图像。
最后，请参照图11，本发明实施例还提供了一种电子设备，可以实现本发明以上实施例的流程。所述电子设备可以是智能监控相机、个人电脑(PC)，平板电脑以及其他各种智能设备(包括智能眼镜或智能手机)等。如图11所示，上述电子设备110可以包括：处理器111、存储器，所述存储器中存储有计算机程序指令。所述存储器具体可以包括RAM(随机存取存储器)112、ROM(只读存储器)113。其中，在所述计算机程序指令被所述处理器运行时，使得所述处理器执行以下步骤：
获得一相机针对一监控区域所采集的待分析图像；
对所述待分析图像进行角点检测以及基于角点密度的聚类处理，并根据角点聚类结果，从所述待分析图像中提取至少一个局部子图像；
提取每个局部子图像的图像特征，并根据预先获得的所述相机的透视畸变系数，对所述图像特征进行特征归一化处理，得到归一化特征；
根据所述局部子图像的归一化特征，估计每个局部子图像中的人数，以及，累加每个局部子图像中的人数，得到所述待分析图像中的人数。
如图11所示，上述电子设备还可以包括：硬盘114、输入设备1111和显示设备116。具体的，输入设备1111可以是具有输入功能和/或接收功能的设备，如键盘、触摸屏、各种接口，以获取预定义的输入模式和输入语义。所述显示设备116可以是LED显示面板或显示器，可以用于显示生成的自然语句等信息。
上述处理器111、RAM 112、ROM 113、硬盘114、输入设备1111和显示设备116可以通过总线架构互连。总线架构可以是可以包括任意数量的互联的总线和桥。具体由处理器112代表的一个或者多个中央处理器(CPU)，以及由RAM 112和ROM 113代表的一个或者多个存储器的各种电路连接在一起。总线架构还可以将诸如外围设备、稳压器和功率管理电路等之类的各种其它电路连接在一起，这些都是本领域所公知的，因此本文不再对其进行详细描述。
上述输入设备1111，用于将网络请求数据的样本输入并保存在硬盘114中。
上述RAM 112和ROM 113，用于存储系统运行所必须的程序和数据，以及处理器计算过程中的中间结果等数据。
在本申请所提供的上述各个实施例中，应该理解到，所揭露方法和装置，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。
另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理包括，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用硬件加软件功能单元的形式实现。
上述以软件功能单元的形式实现的集成的单元，可以存储在一个计算机可读取存储介质中。上述软件功能单元存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述收发方法的部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(Read-Only Memory，简称ROM)、随机存取存储器(Random Access Memory，简称RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述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，在不脱离本发明所述原理的前提下，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 (12)

1.一种人数统计方法，其特征在于，包括：
获得一相机针对一监控区域所采集的待分析图像；
对所述待分析图像进行角点检测以及基于角点密度的聚类处理，并根据角点聚类结果，从所述待分析图像中提取至少一个局部子图像；
提取每个局部子图像的图像特征，并根据预先获得的所述相机的透视畸变系数，对所述图像特征进行特征归一化处理，得到归一化特征；
根据所述局部子图像的归一化特征，估计每个局部子图像中的人数，以及，累加每个局部子图像中的人数，得到所述待分析图像中的人数。
2.如权利要求1所述的方法，其特征在于，在所述获得一相机针对一监控环境所采集的待分析图像的步骤之前，还包括：
获得一预设对象在所述监控区域中不同位置时，所述相机针对所述监控区域所采集的多个图像；根据所述多个图像中所述预设对象的成像结果，计算得到所述相机在人群监控范围内的透视畸变系数；
其中，在所述相机为单目针孔相机时，所述透视畸变系数表现为物体在图像中的成像面积大小与该物体和相机之间的物理空间距离成线性关系；
在所述相机为全景相机时，所述透视畸变系数在等距经纬图上表现为：成像于预设低纬度区间的物体的成像面积大小，与该物体和相机之间的物理空间距离成线性关系；成像于预设高纬度区间的物体的成像面积大小，与该物体成像所在的纬度的余弦变换成正相关。
3.如权利要求1所述的方法，其特征在于，所述根据预先获得的所述相机的透视畸变系数，对所述图像特征进行特征归一化处理，得到归一化特征的步骤，包括：根据一加权因子，对所述图像特征进行特征归一化处理，得到归一化特征，其中，所述加权因子与所述图像特征对应的透视畸变系数负相关。
4.如权利要求1所述的方法，其特征在于，所述对所述待分析图像进行角点检测以及基于角点密度的聚类处理，并根据角点聚类结果，从所述待分析图像中提取至少一个局部子图像的步骤，包括：
对所述待分析图像进行角点检测，获得所述待分析图像中的角点；
根据角点密度分布，对角点进行聚类，得到至少一个角点聚类集合；
从所述待分析图像中提取各个角点聚类集合对应的图像，得到至少一个局部子图像。
5.如权利要求1所述的方法，其特征在于，所述对所述待分析图像进行角点检测以及基于角点密度的聚类处理，并根据角点聚类结果，从所述待分析图像中提取至少一个局部子图像的步骤，包括：
对所述待分析图像进行角点检测，获得所述待分析图像中的角点；
根据角点密度分布，对角点进行聚类，得到至少一个角点聚类集合；
对所述待分析图像进行人头/人脸检测，确定所述待分析图像中的人头分布结果；
根据角点聚类结果和人头分布结果，从所述至少一个角点聚类集合中选择出有效角点聚类集合；
从所述待分析图像中提取各个有效角点聚类集合对应的图像，得到至少一个局部子图像。
6.如权利要求1所述的方法，其特征在于，所述根据所述局部子图像的归一化特征，估计每个局部子图像中的人数的步骤，包括：
利用一回归模型，对所述局部子图像的归一化特征进行人数估计，得到局部子图像中的人数，其中，所述回归模型是基于训练图像中人工标定的局部人群图像及真实人数，根据所述局部人群图像中提取的训练特征训练得到的。
7.一种人数统计系统，其特征在于，包括：
图像获取单元，用于获得一相机针对一监控区域所采集的待分析图像；
子图像提取单元，用于对所述待分析图像进行角点检测以及基于角点密度的聚类处理，并根据角点聚类结果，从所述待分析图像中提取至少一个局部子图像；
特征归一化单元，用于提取每个局部子图像的图像特征，并根据预先获得的所述相机的透视畸变系数，对所述图像特征进行特征归一化处理，得到归一化特征；
人数计算单元，用于根据所述局部子图像的归一化特征，估计每个局部子图像中的人数，以及，累加每个局部子图像中的人数，得到所述待分析图像中的人数。
8.如权利要求7所述的系统，其特征在于，还包括：
畸变系数获得单元，用于获得一预设对象在所述监控区域中不同位置时，所述相机针对所述监控区域所采集的多个图像；根据所述多个图像中所述预设对象的成像结果，计算得到所述相机在人群监控范围内的透视畸变系数；
其中，在所述相机为单目针孔相机时，所述透视畸变系数表现为物体在图像中的成像面积大小与该物体和相机之间的物理空间距离成线性关系；
在所述相机为全景相机时，所述透视畸变系数在等距经纬图上表现为：成像于预设低纬度区间的物体的成像面积大小，与该物体和相机之间的物理空间距离成线性关系；成像于预设高纬度区间的物体的成像面积大小，与该物体成像所在的纬度的余弦变换成正相关。
9.如权利要求7所述的系统，其特征在于，所述子图像提取单元包括：
第一检测单元，用于对所述待分析图像进行角点检测，获得所述待分析图像中的角点；
第一聚类单元，用于根据角点密度分布，对角点进行聚类，得到至少一个角点聚类集合；
第一提取单元，用于从所述待分析图像中提取各个角点聚类集合对应的图像，得到至少一个局部子图像。
10.如权利要求7所述的系统，其特征在于，所述子图像提取单元包括：
第二检测单元，用于对所述待分析图像进行角点检测，获得所述待分析图像中的角点；
第二聚类单元，用于根据角点密度分布，对角点进行聚类，得到至少一个角点聚类集合；
第三检测单元，用于对所述待分析图像进行人头/人脸检测，确定所述待分析图像中的人头分布结果；
选择单元，根据角点聚类结果和人头分布结果，从所述至少一个角点聚类集合中选择出有效角点聚类集合；
第二提取单元，用于从所述待分析图像中提取各个有效角点聚类集合对应的图像，得到至少一个局部子图像。
11.如权利要求7所述的系统，其特征在于，所述人数计算单元，具体用于：利用一回归模型，对所述局部子图像的归一化特征进行人数估计，得到局部子图像中的人数，其中，所述回归模型是基于训练图像中人工标定的局部人群图像及真实人数，根据所述局部人群图像中提取的训练特征训练得到的。
12.一种人数统计的电子设备，其特征在于，包括：
处理器；
和存储器，所述存储器中存储有计算机程序指令，
其中，在所述计算机程序指令被所述处理器运行时，使得所述处理器执行以下步骤：
获得一相机针对一监控区域所采集的待分析图像；
对所述待分析图像进行角点检测以及基于角点密度的聚类处理，并根据角点聚类结果，从所述待分析图像中提取至少一个局部子图像；
提取每个局部子图像的图像特征，并根据预先获得的所述相机的透视畸变系数，对所述图像特征进行特征归一化处理，得到归一化特征；
根据所述局部子图像的归一化特征，估计每个局部子图像中的人数，以及，累加每个局部子图像中的人数，得到所述待分析图像中的人数。
CN201610964748.2A 2016-11-04 2016-11-04 一种人数统计方法、人数统计系统及电子设备 Pending CN108021852A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201610964748.2A CN108021852A (zh) 2016-11-04 2016-11-04 一种人数统计方法、人数统计系统及电子设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201610964748.2A CN108021852A (zh) 2016-11-04 2016-11-04 一种人数统计方法、人数统计系统及电子设备

Publications (1)

Publication Number Publication Date
CN108021852A true CN108021852A (zh) 2018-05-11

Family

ID=62084271

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201610964748.2A Pending CN108021852A (zh) 2016-11-04 2016-11-04 一种人数统计方法、人数统计系统及电子设备

Country Status (1)

Country Link
CN (1) CN108021852A (zh)

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108875709A (zh) * 2018-07-18 2018-11-23 洛阳语音云创新研究院 一种扎堆行为检测方法、装置、电子设备及存储介质
CN109409318A (zh) * 2018-11-07 2019-03-01 四川大学 统计模型的训练方法、统计方法、装置及存储介质
CN110232667A (zh) * 2019-06-17 2019-09-13 厦门美图之家科技有限公司 图像畸变修正方法、装置、电子设备及可读存储介质
WO2020020022A1 (zh) * 2018-07-25 2020-01-30 卢帆 视觉识别方法及其系统
CN111832634A (zh) * 2020-06-28 2020-10-27 深圳市优必选科技股份有限公司 异物检测方法、系统、终端设备及存储介质
CN113255481A (zh) * 2021-05-11 2021-08-13 北方工业大学 一种基于无人巡逻车的人群状态检测方法
CN114419698A (zh) * 2021-12-27 2022-04-29 天津天地伟业信息系统集成有限公司 一种人脸识别摄像机的控制方法及计算机可读存储介质

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102360450A (zh) * 2011-09-26 2012-02-22 华中科技大学 基于团块的人数统计方法
US20130182904A1 (en) * 2012-01-17 2013-07-18 Objectvideo, Inc. System and method for video content analysis using depth sensing
US20130235228A1 (en) * 2012-03-06 2013-09-12 Sony Corporation Image processing apparatus and method, and program
CN103310183A (zh) * 2012-03-16 2013-09-18 日电（中国）有限公司 人群聚集检测的方法与装置
CN103593464A (zh) * 2013-11-25 2014-02-19 华中科技大学 基于视觉特征的视频指纹检测及视频序列匹配方法及系统
CN103679148A (zh) * 2013-12-11 2014-03-26 哈尔滨工业大学深圳研究生院 一种基于聚类角点加权面积的群体聚散检测的方法与装置
CN103996045A (zh) * 2014-06-04 2014-08-20 南京大学 一种基于视频的多种特征融合的烟雾识别方法
CN105740945A (zh) * 2016-02-04 2016-07-06 中山大学 一种基于视频分析的人群计数方法

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102360450A (zh) * 2011-09-26 2012-02-22 华中科技大学 基于团块的人数统计方法
US20130182904A1 (en) * 2012-01-17 2013-07-18 Objectvideo, Inc. System and method for video content analysis using depth sensing
US20130235228A1 (en) * 2012-03-06 2013-09-12 Sony Corporation Image processing apparatus and method, and program
CN103310183A (zh) * 2012-03-16 2013-09-18 日电（中国）有限公司 人群聚集检测的方法与装置
CN103593464A (zh) * 2013-11-25 2014-02-19 华中科技大学 基于视觉特征的视频指纹检测及视频序列匹配方法及系统
CN103679148A (zh) * 2013-12-11 2014-03-26 哈尔滨工业大学深圳研究生院 一种基于聚类角点加权面积的群体聚散检测的方法与装置
CN103996045A (zh) * 2014-06-04 2014-08-20 南京大学 一种基于视频的多种特征融合的烟雾识别方法
CN105740945A (zh) * 2016-02-04 2016-07-06 中山大学 一种基于视频分析的人群计数方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
赵英: "《人群行为突变视频分析》", 30 June 2016 *

Cited By (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108875709A (zh) * 2018-07-18 2018-11-23 洛阳语音云创新研究院 一种扎堆行为检测方法、装置、电子设备及存储介质
CN108875709B (zh) * 2018-07-18 2021-05-25 洛阳语音云创新研究院 一种扎堆行为检测方法、装置、电子设备及存储介质
WO2020020022A1 (zh) * 2018-07-25 2020-01-30 卢帆 视觉识别方法及其系统
CN109409318A (zh) * 2018-11-07 2019-03-01 四川大学 统计模型的训练方法、统计方法、装置及存储介质
CN109409318B (zh) * 2018-11-07 2021-03-02 四川大学 统计模型的训练方法、统计方法、装置及存储介质
CN110232667A (zh) * 2019-06-17 2019-09-13 厦门美图之家科技有限公司 图像畸变修正方法、装置、电子设备及可读存储介质
CN110232667B (zh) * 2019-06-17 2021-06-04 厦门美图之家科技有限公司 图像畸变修正方法、装置、电子设备及可读存储介质
CN111832634A (zh) * 2020-06-28 2020-10-27 深圳市优必选科技股份有限公司 异物检测方法、系统、终端设备及存储介质
CN111832634B (zh) * 2020-06-28 2023-09-08 深圳市优必选科技股份有限公司 异物检测方法、系统、终端设备及存储介质
CN113255481A (zh) * 2021-05-11 2021-08-13 北方工业大学 一种基于无人巡逻车的人群状态检测方法
CN113255481B (zh) * 2021-05-11 2023-05-23 北方工业大学 一种基于无人巡逻车的人群状态检测方法
CN114419698A (zh) * 2021-12-27 2022-04-29 天津天地伟业信息系统集成有限公司 一种人脸识别摄像机的控制方法及计算机可读存储介质

Similar Documents

Publication Publication Date Title
CN108021852A (zh) 一种人数统计方法、人数统计系统及电子设备
CN107330917B (zh) 移动目标的跟踪拍摄方法和跟踪设备
CN107341473B (zh) 手掌特征识别方法、手掌特征识别设备、及存储介质
CN110378931A (zh) 一种基于多摄像头的行人目标移动轨迹获取方法及系统
CN110427905A (zh) 行人跟踪方法、装置以及终端
CN105940430B (zh) 人员计数方法及其装置
CN103839277B (zh) 一种户外大范围自然场景的移动增强现实注册方法
CN104599284B (zh) 基于多视角手机自拍图像的三维人脸重建方法
Tamura et al. Omnidirectional pedestrian detection by rotation invariant training
Loy et al. Salient motion detection in crowded scenes
Yen et al. Maintaining temporal coherence in video retargeting using mosaic-guided scaling
Huang et al. Motion detection with pyramid structure of background model for intelligent surveillance systems
CN110599522B (zh) 一种视频序列中动态目标检测剔除方法
CN106412441B (zh) 一种视频防抖控制方法以及终端
CN104636764B (zh) 一种图像隐写分析方法以及其装置
CN109214324A (zh) 基于多相机阵列的最正脸图像输出方法及输出系统
JP2022542566A (ja) オブジェクト追跡方法及び装置、記憶媒体並びにコンピュータプログラム
CN104537381B (zh) 一种基于模糊不变特征的模糊图像识别方法
CN109784230A (zh) 一种人脸视频图像质量寻优方法、系统及设备
Xu et al. Dynamic obstacle detection based on panoramic vision in the moving state of agricultural machineries
CN111091093A (zh) 一种高密度人群的数量估测方法、系统及相关装置
CN106296632B (zh) 一种基于幅度谱分析的显著目标检测方法
Ding et al. MI-Mesh: 3D human mesh construction by fusing image and millimeter wave
CN111563492B (zh) 一种跌倒检测方法、跌倒检测装置及存储装置
CN114022531A (zh) 图像处理方法、电子设备和存储介质

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