CN108197579B - 防护舱中人数的检测方法 - Google Patents

Abstract

本发明公开了一种防护舱中人数的检测方法，本发明对输入的监控视频数据，分别进行背景差分和模式识别计算，通过背景差分获得前景掩码图像，通过模式识别获得人头置信度图像，通过将两幅图像进行融合，得到一张标识每个图像位置人头置信度的图像。在此图像上进行栅格最大值计算，获得人员的数量。本发明具有能够准确检测防护舱内的人员数量，准确率高于98％的特点。

Description

防护舱中人数的检测方法

技术领域

本发明涉及图像处理技术领域，尤其是涉及一种能够准确判断图像中人数的防护舱中人数的检测方法。

背景技术

为了改善金融安全，保护取款人，近年越来越多的ATM机外部都安装了防护舱，并在实际中起到了良好的作用。

防护舱能起到防护作用的前提是，必须将犯罪嫌疑人隔绝在舱外。犯罪嫌疑人犯案时，可能采用舱门未合拢时拉门尾随、挟持取款人一起进入舱内等方式。

一旦犯罪嫌疑人进舱，则取款人的安全无任何保障。为此，很多银行都在防护舱顶部安装观察舱内情况的摄像头，进一步，考虑日益增大的防护舱数量，银行纷纷采用图像识别的手段来检测舱内是否出现了不止一个人的情况。

一旦检测到，安保人员通过人工确认后，会采取对可疑的情况进行远程喊话、呼叫现地安保人员等安全措施，从而避免恶性犯罪案件的发生。

从舱顶顶视摄像头的监控视频中检测人员数量，最常见的方法为背景差分法。通过将当前帧图片与历史帧统计更新得到的背景模型/图片进行比较，获得当前帧图片中的前景掩码图片，进一步，通过对前景掩码图片的分析，得出舱内人员的数量。

分析方式又分很多种，如统计绊线数量、统计非连接分量数量、计算前景掩码面积等方式。

背景差分法极度依赖于背景建模的结果，当场景光照发生变化，或区域中出现阴影时，都会导致错误的检测。另外一种方法，是采用模式识别方法，通过使用预先收集的大量人头图片进行训练，获得顶视人头模式的建模，之后将模型应用于实际场景，通过图片中人头检测以及可能追加的追踪结果确认防护舱的人数。模式识别方法的问题在于，实际防护舱摄像头拍摄的图像质量很多不理想，焦距不清、镜头眩光、棱镜畸变等问题经常发生，在图像质量差的视频上应用人头检测容易失败。如果为此降低人头检测的阈值，又会引入大量的误检，导致对舱内人员数量的误判。

发明内容

本发明的发明目的是为了克服现有技术中的检测方法容易导致误检，误判的不足，提供了一种能够准确判断图像中人数的防护舱中人数的检测方法。

为了实现上述目的，本发明采用以下技术方案：

一种防护舱中人数的检测方法，包括如下步骤：

(1-1)获得监控视频数据，监控视频数据包括按时间顺序排列的若干帧图片；

(1-2)为每帧图片的每个像素点均建立一个混合高斯模型；

(1-2-1)如果像素点的像素值基于所建立的混合高斯分布计算得到的概率值大于预设阈值，判断所述像素点为背景点；否则，判断所述像素点为前景点，得到每帧图片的前景掩码图像M(p)；

(1-2-2)用M(p)的每个像素点的像素值更新混合高斯模型的参数；

(1-3)构建监控视频数据的每帧图片的金字塔；

(1-3-1)对金字塔每一层的图像，按照从上到下、从左至右逐行扫描的顺序进行遍历，对每个遍历位置截取固定尺寸的子图，基于预先训练得到的人头检测字典进行人头的置信度计算；

(1-3-2)基于每个子图计算得到的置信度，生成人头置信度图像，人头置信度图像与原始图片或金字塔底层图像的尺寸相同；

(1-3-3)对于在金字塔底层之上的层次计算出的子图人头置信度，先做尺度变换，并对置信度图像的像素点进行人头置信度更新；

当完成金字塔所有层内所有子图区域的扫描，并进行置信度图像更新后，得到模式识别生成的最终置信度图像C(p)；

(1-4)利用如下公式对前景掩码图像和置信度图像进行融合，得到融合图像F(p)：

F(p)＝M(p)·C(p)；

其中，p为人头置信度图像中的像素点；

(1-5)利用F(p)统计人数。

本发明对输入的监控视频数据，分别进行背景差分和模式识别计算，通过背景差分获得前景掩码图像，通过模式识别获得人头置信度图像，通过将两幅图像进行融合，得到一张标识每个图像位置人头置信度的图像。在此图像上进行栅格最大值计算，获得人员的数量。

作为优选，构建金字塔包括如下步骤：从金字塔的底层图像开始，以固定的步长s对图像进行缩小，得到金字塔的更高一层图像，直到缩到金字塔顶层图像的宽度或高度已低于检测子图的宽度或高度为止。

作为优选，利用如下公式计算人头的置信度C(x)：

其中，x为子图的各个像素点的像素值按照从上到下、从左至右顺序排列得到的列向量，α_i为Boosting方法训练得到的每个弱分类器的权重，h_i(x)为Boosting方法训练挑出的弱分类器，设置阈值N，如果子图x无法通过前N级弱分类器，则置信度记为0。

作为优选，

利用如下公式计算人头置信度更新后的置信度C(p)：

C(p)＝max(C′(p)，c)

其中，C(p)为用当前人头检测结果更新后的像素p的置信度图像像素值，C′(p)为更新前的像素p的置信度图像像素值，p为区域内的像素点，初始置信度图像的各个像素点的像素值均为零。

作为优选，步骤(1-5)包括如下步骤：

将F(p)划分成LxM个区域，每个区域的大小与预计人头的平均尺寸相当；

计算每个区域内的各个像素点的置信度值的平均值，得到一个LxM的矩阵，其中，矩阵的每个元素为置信度值的平均值；

在矩阵中寻找3x3区域内的局部极大值点，同时对3x3邻域内的其它极值点进行压制；

统计大于预设置信度平均值阈值的局部极大值点数量，设定局部极大值点数量为人数，且局部极大值的位置标识人头的位置。

因此，本发明具有如下有益效果：能够准确检测防护舱内的人员数量，准确率高于98％。

附图说明

图1是本发明的一种流程图；

图2是本发明的一种背景差分流程图；

图3是本发明的一种人头模式识别流程图；

图4是本发明的一种金字塔示意图。

具体实施方式

下面结合附图和具体实施方式对本发明做进一步的描述。

如图1所示，一种防护舱中人数的检测方法，包括如下步骤：

步骤100，获得监控视频数据，监控视频数据包括按时间顺序排列的若干帧图片；

步骤200，背景差分，获得前景掩码图像

如图2所示，为每帧图片的每个像素点均建立一个混合高斯模型；

步骤210，如果像素点的像素值基于所建立的混合高斯分布计算得到的概率值大于预设阈值，判断所述像素点为背景点；否则，判断所述像素点为前景点，得到每帧图片的前景掩码图像M(p)；

步骤220，用M(p)的每个像素点的像素值更新混合高斯模型的参数；

步骤300，模式识别，获得置信度图像

如图4所示，构建监控视频数据的每帧图片的金字塔；建立金字塔的目的是为了应对不同大小人头的检测。

从金字塔的底层图像开始，以固定的步长s对图像进行缩小，得到金字塔的更高一层图像，直到缩到金字塔顶层图像的宽度或高度已低于检测子图的宽度或高度为止。

假定输入图像的尺寸为(w，h)，则金字塔上一层的尺寸为(w/s，h/s)，更上一层的尺寸为(w/s²，h/s²)，以此类推。建立金字塔的目的是为了应对不同大小人头的检测。

如图3所示，步骤310，对金字塔每一层的图像，按照从上到下、从左至右逐行扫描的顺序进行遍历，对每个遍历位置截取固定尺寸的子图，基于预先采用Boosting方法训练得到的人头检测字典进行人头的置信度计算；

利用如下公式计算人头的置信度C(x)：

其中，x为子图的各个像素点的像素值按照从上到下、从左至右顺序排列得到的列向量，α_i为Boosting方法训练得到的每个弱分类器的权重，h_i(x)为Boosting方法训练挑出的弱分类器，设置阈值N，如果子图x无法通过前N级弱分类器，则置信度记为0。

步骤320，基于每个子图计算得到的置信度，生成人头置信度图像，人头置信度图像与原始图片或金字塔底层图像的尺寸相同；

步骤330，对于在金字塔底层之上的层次计算出的子图人头置信度，先做尺度变换，并对置信度图像的像素点进行人头置信度更新；

利用如下公式计算人头置信度更新后的置信度C(p)：

C(p)＝max(C′(p)，c)

其中，C(p)为用当前人头检测结果更新后的像素p的置信度图像像素值，C′(p)为更新前的像素p的置信度图像像素值，p为区域内的像素点，初始置信度图像的各个像素点的像素值均为零。

例如，假设在第2层(x，y，w，h)的子图里计算得到人头置信度为c，由于该层相对于金字塔底层的尺度比例为s²，则对应到人头置信度图像的子图区域为(xs²，ys²，ws²，hs²)；在此区域内，对置信度图像的像素进行人头置信度更新。

当完成金字塔所有层内所有子图区域的扫描，并进行置信度图像更新后，得到模式识别生成的最终的置信度图像C(p)；

步骤400，图像融合

利用如下公式对前景掩码图像和置信度图像进行融合，得到融合图像F(p)：

F(p)＝M(p)·C(p)；

其中，p为人头置信度图像中的像素点；

步骤500，栅格峰值检测，识别人数。

将F(p)划分成LxM个区域，每个区域的大小与预计人头的平均尺寸相当；

计算每个区域内的各个像素点的置信度值的平均值，得到一个LxM的矩阵，其中，矩阵的每个元素为置信度值的平均值；

在矩阵中寻找3x3区域内的局部极大值点，同时对3x3邻域内的其它极值点进行压制；

统计大于预设置信度平均值阈值的局部极大值点数量，设定局部极大值点数量为人数，且局部极大值的位置标识人头的位置。鉴于所给出的置信度在[0，1]之间，置信度平均值阈值设定为0.5。

本发明可以搭载于金融安全监控平台上，通过对顶视相机拍摄的取款人照片或视频进行判读，在防护舱多人情形时进行报警，银行工作人员可对防护舱进行远程喊话警告、呼叫现地安保人员等安全处理。

本发明可以移植到旁的嵌入式智能分期设备中，通过现场获取的防护舱顶视相机视频流，在防护舱多人情形时进行报警，并可联动防护舱控制设备或控制设备，在可疑情形下进行终止操作等处理。

应理解，本实施例仅用于说明本发明而不用于限制本发明的范围。此外应理解，在阅读了本发明讲授的内容之后，本领域技术人员可以对本发明作各种改动或修改，这些等价形式同样落于本申请所附权利要求书所限定的范围。

Claims (3)

1.一种防护舱中人数的检测方法，其特征是，包括如下步骤：

(1-1)获得监控视频数据，监控视频数据包括按时间顺序排列的若干帧图片；

(1-2)为每帧图片的每个像素点均建立一个混合高斯模型；

(1-2-1)如果像素点的像素值基于所建立的混合高斯分布计算得到的概率值大于预设阈值，判断所述像素点为背景点；否则，判断所述像素点为前景点，得到每帧图片的前景掩码图像M(p)；

(1-2-2)用M(p)的每个像素点的像素值更新混合高斯模型的参数；

(1-3)构建监控视频数据的每帧图片的金字塔；

(1-3-1)对金字塔每一层的图像，按照从上到下、从左至右逐行扫描的顺序进行遍历，对每个遍历位置截取固定尺寸的子图，基于预先训练得到的人头检测字典进行人头的置信度计算；

(1-3-2)基于每个子图计算得到的置信度，生成人头置信度图像，人头置信度图像与原始图片或金字塔底层图像的尺寸相同；

(1-3-3)对于在金字塔底层之上的层次计算出的子图人头置信度，先做尺度变换，并对置信度图像的像素点进行人头置信度更新；

当完成金字塔所有层内所有子图区域的扫描，并进行置信度图像更新后，得到模式识别生成的最终的置信度图像C(p)；

利用如下公式计算人头的置信度C(x)：

其中，x为子图的各个像素点的像素值按照从上到下、从左至右顺序排列得到的列向量，α_i为Boosting方法训练得到的每个弱分类器的权重，h_i(x)为Boosting方法训练挑出的弱分类器，设置阈值N，如果子图x无法通过前N级弱分类器，则置信度记为0；

利用如下公式计算人头置信度更新后的置信度C(p)：

C(p)＝max(C′(p),c)

其中，C(p)为用当前人头检测结果更新后的像素p的置信度图像像素值，C′(p)为更新前的像素p的置信度图像像素值，p为区域内的像素点，初始置信度图像的各个像素点的像素值均为零，c为人头置信度；

(1-4)利用如下公式对前景掩码图像和置信度图像进行融合，得到融合图像F(p)：

F(p)＝M(p)·C(p)；

其中，p为人头置信度图像中的像素点；

(1-5)利用F(p)统计人数。

2.根据权利要求1所述的防护舱中人数的检测方法，其特征是，构建金字塔包括如下步骤：从金字塔的底层图像开始，以固定的步长s对图像进行缩小，得到金字塔的更高一层图像，直到缩到金字塔顶层图像的宽度或高度已低于检测子图的宽度或高度为止。

3.根据权利要求1或2所述的防护舱中人数的检测方法，其特征是，步骤(1-5)包括如下步骤：

将F(p)划分成LxM个区域，每个区域的大小与预计人头的平均尺寸相同 ；

计算每个区域内的各个像素点的置信度值的平均值，得到一个LxM的矩阵，其中，矩阵的每个元素为置信度值的平均值；

在矩阵中寻找3x3区域内的局部极大值点，同时对3x3邻域内的其它极值点进行压制；

统计大于预设置信度平均值阈值的局部极大值点数量，设定局部极大值点数量为人数，且局部极大值的位置标识人头的位置。

Images