CN108615020A - 一种视频监控区域内的流动人数统计方法 - Google Patents

Abstract

本发明提供了一种视频监控区域内的流动人数统计方法，通过获取视频监控区域的监控视频，并将所述监控视频传输到服务器；服务器读取监控视频中的视频图像，并利用人像特征算法确定所述视频图像中是否包含人像；若包含人像，则所述服务器利用人像属性算法对所述人像进行前向计算得到所述人像的属性信息；根据计算得到人像的属性信息，识别视频图像中所包含的属于不同人像的属性信息个数，并对不同人像的属性信息个数进行统计，得到视频监控区域内的人数。本发明利用人像特征算法确定所述监控视频中是否包含人像，而不是利用人脸检测的方式检测是否包含人像，所以检测人像可以更加准确，从而实现监控区域内人数的精确统计。

Description

一种视频监控区域内的流动人数统计方法

技术领域

本发明图像处理领域，尤其涉及一种视频监控区域内的流动人数统计方法。

背景技术

随着社会的高速发展，城市建设的日益加快，大型的公共活动区域越来越多，而公共活动区域内的安全问题也日益受到人们的重视，通常情况下，在一些特征的公共活动区域内为了避免人数个过多，导致出现意外，会对该区域内的流动人员的人数进行控制，防止出现安全异常的意外发生，而现有技术中还没有一种理想的解决流动人数问题的人数统计方法。

因此，现有技术有待于进一步的改进。

发明内容

鉴于上述现有技术中的不足之处，本发明的目的在于为用户提供一种视频监控区域内的流动人数统计方法，克服现有技术中使用人工进行人数统计的缺陷。

本发明提供了一种视频监控区域内的流动人数统计方法，其中，所述方法包括：

获取视频监控区域的监控视频，并将所述监控视频传输到服务器；

服务器读取监控视频中的视频图像，并利用人像特征算法确定所述视频图像中是否包含人像；

若包含人像，则所述服务器利用人像属性算法对所述人像进行前向计算得到所述人像的属性信息；

根据计算得到人像的属性信息，识别视频图像中所包含的属于不同人像的属性信息个数，并对不同人像的属性信息个数进行统计，得到视频监控区域内的人数。

可选的，所述服务器读取监控视频中的视频图像，并利用人像特征算法确定所述视频图像中是否包含人像的步骤还包括：

服务器读取自监控区域中不同监控设备传输的监控视频，并按照拍摄的时间顺序进行存储，并将同一时间拍摄的监控视频进行拼接，得到视频监控区域的全景监控视频图像；

利用人像特征算法确定所述全景视频图像中是否包含人像。

可选的，所述将同一时间拍摄的监控视频进行拼接，得到视频监控区域的全景监控视频图像的步骤还包括：

根据监控视频中所含物体的边缘特征，识别出待拼接监控视频中的重叠区域；

根据所述重叠区域建立监控视频拼接缝，根据所述监控视频拼接缝进行监控视频拼接。

可选的，所述服务器利用人像特征算法确定所述视频图像中是否包含人像的步骤包括：

服务器从模板数据库中读取出常见姿势模板；

服务器根据所述视频图像中的地理场景从常见姿势模板中确定待用姿势模板；

服务器根据待用姿势模板确定待用姿势的包络框；

服务器利用所述包络框在所述视频图像中进行匹配，若匹配成功，则确定所述视频图像中包含人像。

可选的，所述服务器根据所述视频图像中的地理场景从常见姿势模板中确定待用姿势模板的步骤包括：

若所述视频图像焦平面的地理场景为路面，则所述服务器确定站立姿势和下蹲姿势为所述待用姿势模板；

若所述视频图像焦平面的地理场景为栏杆，则所述服务器确定站立姿势和依靠姿势为所述待用姿势模板；

若所述视频图像焦平面的地理场景为椅子，则所述服务器确定站立姿势和坐下姿势为所述待用姿势模板。

可选的，所述人像属性算法是基于多个样本人像图像以及所述多个样本人像图像的多个已知属性信息识别结果按照属性信息的不同类型进行训练得到；所述属性信息包括：年龄、性别、身高。

可选的，所述人像属性算法通过以下方式训练得到：

读取样本人像数据，样本人像数据为预先录入，每个样本人像数据中包含样本人像图像以及样本人像图像的各种属性信息；

从样本人像图像中提取人像特征；

根据初始模型中的不同属性信息对应的子模型对每个样本人像图像的人像特征进行前向计算，得到每个样本人像图像的多个属性信息的预测值；

根据所述预测值与属性信息的值，按照属性信息的不同类型计算得到所述多个属性信息的损耗；

将所述多个属性信息的损耗求和，得到所述多个属性信息的总损耗；

对所述初始模型中的不同属性信息对应的子模型的参数进行调整，直到调整后的参数使得所述多个属性信息的总损耗小于或等于预设阈值时，停止调整得到所述人像属性算法。

可选的，所述根据所述预测值与属性信息的值，按照属性信息的不同类型计算得到所述多个属性信息的损耗的步骤包括：

对于所述多个属性信息中每一个属性信息，若所述属性信息为回归属性，按照如下公式对所述属性信息的预测值和属性信息的值进行计算，得到所述属性信息的损耗：

其中，m表示当前属性信息在多个属性信息中的编号，表示识别模型计算得到的预测值，表示属性信息的值，i表示回归维度，j表示回归维度的标，L表示该属性信息对应的损耗。

可选的，所述根据所述预测值与属性信息的值，按照属性信息的不同类型计算得到所述多个属性信息的损耗的步骤包括：

对于所述多个属性信息中每一个属性信息，若所述属性信息不为回归属性，按照如下公式对所述属性信息的预测向量和属性信息向量进行计算，得到所述属性信息的损耗：

其中，m表示当前属性信息在多个属性信息中的编号，x表示属性信息的值，z表示识别模型计算得到的预测值，d表示当前属性信息的识别结果数目，h表示当前属性信息的识别结果的标识，L表示该属性信息对应的损耗。

可选的，所述方法还包括：

开启视频监控区域入口处的红外人数计数器，并将红外人数计数器统计出的人数和服务器统计出的人数进行比对，判断是否两者统计出的人数差值是否处于预定范围内，若超出预设范围，则提示统计人数异常。

有益效果，本发明中服务器利用人像特征算法确定所述视频图像中是否包含人像，而不是利用人脸检测的方式检测是否包含人像，所以检测人像可以更加准确，从而实现监控区域内人数的精确统计。

附图说明

图1为本发明提供的一种视频监控区域内的流动人数统计方法步骤流程图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域技术人员在没有作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。

本发明提供了一种视频监控区域内的流动人数统计方法，如图1所示，所述方法包括：

S101、获取视频监控区域的监控视频，并将所述监控视频传输到服务器。

在视频监控区域内会设置监控摄像头，通过监控摄像头进行监控区域内的视频拍摄，监控摄像头可以直接与服务器建立有线连接，也可以通过无线通信的方式，建立与服务器之间的无线连接，并将其获取到的监控视频传输到服务器中。

S102、服务器读取监控视频中的视频图像，并利用人像特征算法确定所述视频图像中是否包含人像。

服务器获取监控摄像头的视频图像后，利用人像特征算法判断图像中是否包含人像。

具体的，由于视频监控区域内可能有多个摄像头，因此服务器会接收到来自多个摄像头的监控图像，为了更好的对监控区域的监控图像进行分析，本步骤中还包括：

步骤S1021、服务器读取自监控区域中不同监控设备传输的监控视频，并按照拍摄的时间顺序进行存储，并将同一时间拍摄的监控视频进行拼接，得到视频监控区域的全景监控视频图像；

步骤S1022、利用人像特征算法确定所述全景视频图像中是否包含人像。

具体的，所述将同一时间拍摄的监控视频进行拼接，得到视频监控区域的全景监控视频图像的步骤还包括：

步骤S1023、根据监控视频中所含物体的边缘特征，识别出待拼接监控视频中的重叠区域；

步骤S1024、根据所述重叠区域建立监控视频拼接缝，根据所述监控视频拼接缝进行监控视频拼接。

进一步的，所述服务器利用人像特征算法确定所述视频图像中是否包含人像的步骤包括：

服务器从模板数据库中读取出常见姿势模板；

服务器根据所述视频图像中的地理场景从常见姿势模板中确定待用姿势模板；

服务器根据待用姿势模板确定待用姿势的包络框；

服务器利用所述包络框在所述视频图像中进行匹配，若匹配成功，则确定所述视频图像中包含人像。

具体的，上述步骤中所述服务器根据所述视频图像中的地理场景从常见姿势模板中确定待用姿势模板的具体步骤包括：

若所述视频图像焦平面的地理场景为路面，则所述服务器确定站立姿势和下蹲姿势为所述待用姿势模板；

若所述视频图像焦平面的地理场景为栏杆，则所述服务器确定站立姿势和依靠姿势为所述待用姿势模板；

若所述视频图像焦平面的地理场景为椅子，则所述服务器确定站立姿势和坐下姿势为所述待用姿势模板。

根据不同的地理场景进行待用姿势模板的匹配，从而实现更快速率的判断出视频图像中是否含有人像。

S103、若包含人像，则所述服务器利用人像属性算法对所述人像进行前向计算得到所述人像的属性信息。

若上述步骤S102中利用人像特征算法确认全景视频图像中包含人像，则本步骤利用人像属性算法对人像进行前向计算，得到人像的属性信息。

具体的，所述人像属性算法是基于多个样本人像图像以及所述多个样本人像图像的多个已知属性信息识别结果按照属性信息的不同类型进行训练得到；所述属性信息包括：年龄、性别、身高。

可选的，所述人像属性算法通过以下方式训练得到：

读取样本人像数据，样本人像数据为预先录入，每个样本人像数据中包含样本人像图像以及样本人像图像的各种属性信息；

从样本人像图像中提取人像特征；

根据初始模型中的不同属性信息对应的子模型对每个样本人像图像的人像特征进行前向计算，得到每个样本人像图像的多个属性信息的预测值；

根据所述预测值与属性信息的值，按照属性信息的不同类型计算得到所述多个属性信息的损耗；

将所述多个属性信息的损耗求和，得到所述多个属性信息的总损耗；

对所述初始模型中的不同属性信息对应的子模型的参数进行调整，直到调整后的参数使得所述多个属性信息的总损耗小于或等于预设阈值时，停止调整得到所述人像属性算法。

可选的，所述根据所述预测值与属性信息的值，按照属性信息的不同类型计算得到所述多个属性信息的损耗的步骤包括：

对于所述多个属性信息中每一个属性信息，若所述属性信息为回归属性，按照如下公式对所述属性信息的预测值和属性信息的值进行计算，得到所述属性信息的损耗：

其中，m表示当前属性信息在多个属性信息中的编号，表示识别模型计算得到的预测值，表示属性信息的值，i表示回归维度，j表示回归维度的标，L表示该属性信息对应的损耗。

可选的，所述根据所述预测值与属性信息的值，按照属性信息的不同类型计算得到所述多个属性信息的损耗的步骤包括：

对于所述多个属性信息中每一个属性信息，若所述属性信息不为回归属性，按照如下公式对所述属性信息的预测向量和属性信息向量进行计算，得到所述属性信息的损耗：

其中，m表示当前属性信息在多个属性信息中的编号，x表示属性信息的值，z表示识别模型计算得到的预测值，d表示当前属性信息的识别结果数目，h表示当前属性信息的识别结果的标识，L表示该属性信息对应的损耗。

S104、根据计算得到人像的属性信息，识别视频图像中所包含的属于不同人像的属性信息个数，并对不同人像的属性信息个数进行统计，得到视频监控区域内的人数。

由于不同的人对应不同的属性信息，因此本步骤中可以根据含有不同属性信息的个数统计人数，从而得到监控区域内的实时人数。而本发明中对属性信息的个数来进行人数的统计，也避免了对同一个人的重复统计，可以取得更准确的统计人数。

较佳的，为了避免服务器统计人数出现异常，所述方法还包括：

开启视频监控区域入口处的红外人数计数器，并将红外人数计数器统计出的人数和服务器统计出的人数进行比对，判断是否两者统计出的人数差值是否处于预定范围内，若超出预设范围，则提示统计人数异常。

本发明所使用的人数统计方法，基于监控视频图像中含有的人物个数进行识别，实现对监控区域内的人数统计，且由于采用对人像属性算法根据人像属性来实现人物的辨别，因此可以取得的人数统计

本发明提供了一种视频监控区域内的流动人数统计方法，通过获取视频监控区域的监控视频，并将所述监控视频传输到服务器；服务器读取监控视频中的视频图像，并利用人像特征算法确定所述视频图像中是否包含人像；若包含人像，则所述服务器利用人像属性算法对所述人像进行前向计算得到所述人像的属性信息；根据计算得到人像的属性信息，识别视频图像中所包含的属于不同人像的属性信息个数，并对不同人像的属性信息个数进行统计，得到视频监控区域内的人数。本发明利用人像特征算法确定所述监控视频中是否包含人像，而不是利用人脸检测的方式检测是否包含人像，所以检测人像可以更加准确，从而实现监控区域内人数的精确统计。

Claims (10)

1.一种视频监控区域内的流动人数统计方法，其特征在于，所述方法包括：

获取视频监控区域的监控视频，并将所述监控视频传输到服务器；

服务器读取监控视频中的视频图像，并利用人像特征算法确定所述视频图像中是否包含人像；

若包含人像，则所述服务器利用人像属性算法对所述人像进行前向计算得到所述人像的属性信息；

根据计算得到人像的属性信息，识别视频图像中所包含的属于不同人像的属性信息个数，并对不同人像的属性信息个数进行统计，得到视频监控区域内的人数。

2.根据权利要求1所述的视频监控区域内的流动人数统计方法，其特征在于，所述服务器读取监控视频中的视频图像，并利用人像特征算法确定所述视频图像中是否包含人像的步骤还包括：

服务器读取自监控区域中不同监控设备传输的监控视频，并按照拍摄的时间顺序进行存储，并将同一时间拍摄的监控视频进行拼接，得到视频监控区域的全景监控视频图像；

利用人像特征算法确定所述全景视频图像中是否包含人像。

3.根据权利要求2所述的视频监控区域内的流动人数统计方法，其特征在于，所述将同一时间拍摄的监控视频进行拼接，得到视频监控区域的全景监控视频图像的步骤还包括：

根据监控视频中所含物体的边缘特征，识别出待拼接监控视频中的重叠区域；

根据所述重叠区域建立监控视频拼接缝，根据所述监控视频拼接缝进行监控视频拼接。

4.根据权利要求3所述的视频监控区域内的流动人数统计方法，其特征在于，所述服务器利用人像特征算法确定所述视频图像中是否包含人像的步骤包括：

服务器从模板数据库中读取出常见姿势模板；

服务器根据所述视频图像中的地理场景从常见姿势模板中确定待用姿势模板；

服务器根据待用姿势模板确定待用姿势的包络框；

服务器利用所述包络框在所述视频图像中进行匹配，若匹配成功，则确定所述视频图像中包含人像。

5.根据权利要求4所述的视频监控区域内的流动人数统计方法，其特征在于，所述服务器根据所述视频图像中的地理场景从常见姿势模板中确定待用姿势模板的步骤包括：

若所述视频图像焦平面的地理场景为路面，则所述服务器确定站立姿势和下蹲姿势为所述待用姿势模板；

若所述视频图像焦平面的地理场景为栏杆，则所述服务器确定站立姿势和依靠姿势为所述待用姿势模板；

若所述视频图像焦平面的地理场景为椅子，则所述服务器确定站立姿势和坐下姿势为所述待用姿势模板。

6.根据权利要求5所述的视频监控区域内的流动人数统计方法，其特征在于，所述人像属性算法是基于多个样本人像图像以及所述多个样本人像图像的多个已知属性信息识别结果按照属性信息的不同类型进行训练得到；所述属性信息包括：年龄、性别、身高。

7.根据权利要求6所述的视频监控区域内的流动人数统计方法，其特征在于，所述人像属性算法通过以下方式训练得到：

读取样本人像数据，样本人像数据为预先录入，每个样本人像数据中包含样本人像图像以及样本人像图像的各种属性信息；

从样本人像图像中提取人像特征；

根据初始模型中的不同属性信息对应的子模型对每个样本人像图像的人像特征进行前向计算，得到每个样本人像图像的多个属性信息的预测值；

根据所述预测值与属性信息的值，按照属性信息的不同类型计算得到所述多个属性信息的损耗；

将所述多个属性信息的损耗求和，得到所述多个属性信息的总损耗；

对所述初始模型中的不同属性信息对应的子模型的参数进行调整，直到调整后的参数使得所述多个属性信息的总损耗小于或等于预设阈值时，停止调整得到所述人像属性算法。

8.根据权利要求7所述的视频监控区域内的流动人数统计方法，其特征在于，所述根据所述预测值与属性信息的值，按照属性信息的不同类型计算得到所述多个属性信息的损耗的步骤包括：

对于所述多个属性信息中每一个属性信息，若所述属性信息为回归属性，按照如下公式对所述属性信息的预测值和属性信息的值进行计算，得到所述属性信息的损耗：

其中，m表示当前属性信息在多个属性信息中的编号，表示识别模型计算得到的预测值，表示属性信息的值，i表示回归维度，j表示回归维度的标，L表示该属性信息对应的损耗。

9.根据权利要求8所述的视频监控区域内的流动人数统计方法，其特征在于，所述根据所述预测值与属性信息的值，按照属性信息的不同类型计算得到所述多个属性信息的损耗的步骤包括：

对于所述多个属性信息中每一个属性信息，若所述属性信息不为回归属性，按照如下公式对所述属性信息的预测向量和属性信息向量进行计算，得到所述属性信息的损耗：

其中，m表示当前属性信息在多个属性信息中的编号，x表示属性信息的值，z表示识别模型计算得到的预测值，d表示当前属性信息的识别结果数目，h表示当前属性信息的识别结果的标识，L表示该属性信息对应的损耗。

10.根据权利要求9所述的视频监控区域内的流动人数统计方法，其特征在于，所述方法还包括：

开启视频监控区域入口处的红外人数计数器，并将红外人数计数器统计出的人数和服务器统计出的人数进行比对，判断是否两者统计出的人数差值是否处于预定范围内，若超出预设范围，则提示统计人数异常。