CN109034178A - 一种基于人脸特征数组的人数统计方法 - Google Patents

Abstract

本发明涉及一种基于人脸特征数组的人数统计方法，解决的是适应性差的技术问题，通过采用包括设置K台摄像机在不同角度拍摄同一环境区域，间隔固定时间自K台摄像机中提取一张图片加入到图片集合F；对图片集合F的所有图片人脸特征编码；将人脸特征编码序列C存储在整体特征库Total C中；当整体特征库Total C中存储的人脸特征编码序列C的数量为M时，执行步骤4，否则返回步骤2；对整体特征库Total C中的人脸特征编码序列C进行聚类，根据聚类结果区分人脸，将相似人脸的特征序列归为一类；根据归类结果进行人脸识别分类统计，分类数为统计人数的技术方案，较好的解决了该问题，可用于人数统计中。

Description

一种基于人脸特征数组的人数统计方法

技术领域

本发明涉及人脸识别领域，具体涉及一种基于人脸特征数组的人数统计方法。

背景技术

人数统计是一种运用视频图像分析技术进行人流量统计的视频智能化应用系统。通过内置算法对视频中人数和人群流动方向等信息进行有效统计并生成报表。户可以在掌握监控区域实时动态信息的同时，及时得到现场准确的人数和人群流量数据，有利于管理单位更高效的组织工作，它可与第三方软件系统进行集成，为科学决策提供数据支持。人数统计是大型商场、购物中心、连锁店、机场、车站、博物馆、展览馆等公共场所在管理和决策方面不可缺少的数据。对于零售业而言，人流量更是非常基础的指标。因其与销售量直接的正比关系，人们对人流量计数数据的重视由来已久。

现有的人数统计识别是基于人体特征检测算法，对较密度较低的站立人群进行人数统计，对密度较高的多姿态人群或阻挡物较多的环境下统计偏差较大，适应性低。无法满足对诸如教室学生统计和会议室与会人员统计等应用。因此，提供一种适应性强，精确度高的人数统计方法是必要的。

发明内容

本发明所要解决的技术问题是现有技术中存在的适应性差的技术问题。提供一种新的基于人脸特征数组的人数统计方法，该基于人脸特征数组的人数统计方法具有适应性强、精度高的特点。

为解决上述技术问题，采用的技术方案如下：

一种基于人脸特征数组的人数统计方法，所述方法包括：

步骤1，设置K台摄像机在不同角度拍摄同一环境区域，间隔固定时间自K台摄像机中提取一张图片加入到图片集合F；

步骤2，对图片集合F的所有图片进行人脸特征编码，得到每张图片的人脸特征编码序列C；

步骤3,预设整体特征库Total C需要存储的编码序列数量M，将人脸特征编码序列C存储在整体特征库Total C中；当整体特征库Total C中存储的人脸特征编码序列C的数量为M时，执行步骤4，否则返回步骤2；

步骤4，对整体特征库Total C中的所有人脸特征编码序列C进行聚类，根据聚类结果区分相似的人脸，将相似人脸的特征序列归为一类；

步骤5，根据步骤4的归类结果进行人脸识别分类统计，分类数为统计人数。

本发明的工作原理：由于同一个人的不同时间或不同角度拍摄的人脸图像特征非常相近，会被归为一类。而重复和多角度的拍摄又保证了每个在场人员的面部都会被抓取到。这样最终的类别数量就是本次人数统计的数量。从而实现了适应性强，精度高的人数识别统计。

上述方案中，为优化，进一步地，所述人脸特征编码包括：

步骤A,对图片集合F中的图片进行灰度处理，得到亮度图G；

步骤B,对亮度图G进行平滑去噪，得出去噪图像S；

步骤C,采用人脸检测算法对去噪图像S进行人脸检测，标记出人脸位置，并将人脸位置存储在序列L中；

步骤D,对检测到的人脸图像序列L，进行特征值提取；

步骤F，换下一张图片重复执行步骤A-步骤D直至图片集合F中的图片处理完成。

进一步地，所述人脸特征提取包括：

步骤a，对人脸图像序列L中的第i张人脸图片Fi进行特征点标定，特征点数量为68，特征点范围包括下巴的顶部、每只眼睛的外部轮廓及每条眉毛的内部轮廓；

步骤b，使用仿射变换将步骤a中标定的特征点调整到固定位置，将人脸图像Fi中的人脸朝向转换为正面；

步骤c，对人脸图片Fi的的人脸特征进行编码，编码成一列N维数组T，N为64-256间的整数，使得每张人脸图像提取的特征数组T都不相同；使用欧式几何距离的平方，计算Ti与Tj之间的距离为：

D(i，j)＝∑_k(Ti(k)-Tj(k))²；

步骤d，在人脸图像序列L中选取第i+1张人脸图片Fi+1，重复步骤a到步骤c，直到人脸图像序列L中的所有人脸图片的特征编码完成，得到编码序列C；

步骤e，计算人脸特征编码序列C中所有特征编码的间距，计算最小间距Dismin；

步骤f，定义序列Total Dis，将最小间距Dismin加入序列Total Dis；

其中，0＜i≤L，i为正整数。

进一步地，所述聚类包括：

步骤1a，选取M张图像中检测出人脸最多的一个人脸特征编码序列C中的特征编码作为初始分类中心点；

步骤2a，采用K-mean迭代算法进行迭代，迭代至K-mean迭代算法收敛；

步骤3a，计算每个分类中特征编码与分类中心的中心间距，计算判断出中心距离最大的特征编码，预定义lambda为Total Dis序列中的最小值；

如果lambda≤最大中心间距，则将当前特征编码定义为新分类，在原有分类中继续执行步骤2；

如果最大中心间距＜lambda，则认为分类结束。

本发明的有益效果：现有的方法通过人体特征检测进行人数统计。而人体作为非刚体目标，对于不同拍摄角度和不同肢体动作的成像差异很大。这类算法只适合应用于对较远的目标，进行行人检测。或是做粗略的人群密度估计。而人脸特征，相对人体特征来说比较稳定。之所以没有被应用在人数统计系统中，主要是因为一次成像不容易拍摄到人脸正面图像。而多次拍摄又会造成重复统计的问题。本发明利用多摄像机，多角度，长时间抓取，保证获得到更多的人脸图像。再利用聚类算法对不同时间和角度的人脸图像进行聚类，精确的统计了环境内人数。

附图说明

下面结合附图和实施例对本发明进一步说明。

图1，实施例1中的人数统计方法流程示意图。

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，以下结合实施例，对本发明进行进一步详细说明。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。

实施例1

本实施例提供一种基于人脸特征数组的人数统计方法

步骤1，每隔一段时间从拍摄同一环境，不同角度的K台摄像头中各获取一张图片记录为F，本例中间隔时间设定为10秒，摄像头为3台；

步骤2，对获取的每张图片F进行人脸特征编码，具体可以分为如下子步骤：

步骤A,通过摄像头获取场景内图片F，并对F进行灰度处理得出亮度图G；

步骤B，对G进行平滑去噪，为了保持边缘特征，采用保持边缘的平滑算法，得出去噪图像S；实例中，我们采用的是BilateralFilter，采用的参数是亮度sigma＝20，空间sigma＝7；

步骤C，采用人脸检测算法对去噪图像S进行人脸检测，找出图像中的人脸位置，并将人脸位置存储在序列L中；采用的人脸检测算法可以是任意一种人脸算法，本实例中采用的算法是haar特征，采用adaboost分类算法进行检测。这类人脸检测算法是目前常用的人脸检测算法，能够快速将图片中的人脸位置定位出来。本发明中，采用了adaboost分类算法进行人脸定位。

步骤E，对检测到的人脸图像序列L，进行特征值提取。人脸特征提取的可以分为如下步骤：

(1).对序列L中的第i个人脸图片Fi进行标定，标定68个特征点，包括下巴的顶部、每只眼睛的外部轮廓、每条眉毛的内部轮廓等；

(2).使用仿射变换将上一步骤中找到的特征点调整到固定位置；通过这一变换，我们将人脸图像Fi中的人脸朝向转换为正面；简单的仿射变换保证人脸图像没有失真；

(3).对序列Fi中的人脸特征进行编码，即将人脸特征表示成一列N[64～256]维数组T，使得每张人脸图像提取的特征数组T都不相同。当人脸图像是同一个人拍摄的不同图片时数组T在N维空间中的距离较小，而不同人拍摄的人脸图片的数组T距离较大。本发明实例中采用的特征编码方法是利用深度神经网络训练得出的编码方法。数列T的维数采用128维。不同的数列T之间的距离，在本例中使用欧式几何距离的平方，例如Ti与Tj之间的距离为：

D(i，j)＝∑_k(Ti(k)-Tj(k))²

(4).对序列L中的下一张人脸图片重复(1)到(3)步，直到对序列L中的所有人脸特征编码，得到编码序列C。

(5).计算C中所有特征编码的间距，找到最小间距Dismin。

步骤3，将第二步骤中得到每张图片的人脸特征编码序列C，存储在整体特征库TotalC中，并记录最小间距Dismin到序列TotalDis中。

当TotalC中存储了M张图片的人脸特征编码序列时，进入下一步骤，否则重复步骤1，步骤2，本例中M设为60。

步骤4，对TotalC中的人脸特征编码序列进行聚类算法，将相似的人脸特征序列归为一类。本例中使用的是K-mean法。具体可以分为如下步骤：

步骤4a，选取60张图像中检测出人脸最多的一个编码序列中的特征编码作为初始分类中心点。

步骤4b，进行K-mean迭代算法，达到收敛条件。

步骤4c，计算每个分类中特征编码与分类中心间距，找出与中心距离最大的特征编码，如果其与中心编码距离超过某个阈值lambda，Lambda选取为TotalDis序列中的最小值，则将该特征编码作为新的分类中，加入到原有分类中，重复K-mean算法。如果分类中不再有特征编码距离分类中心点超过阈值lambda，则认为分类结束。

本实施例通过多台摄像机多角度拍摄环境内人群，采取长时间多次抓取图像，保证系统能够捕获到每个在场人员的面部图像；将每张图像中的人脸信息进行特征提取和编码，并将编码存储到序列中以供后续统计，而不是将图片本身存储；采用动态的K-mean聚类算法对人脸特征编码序列进行聚类分析，初始聚类中心点选取某张检测出最多人脸的编码序列。因为同一张图片中不会出现同一个人的人脸。将同一图像中，两张脸的特征编码的最小间距作为lambda值，将大于这个值得特征编码作为新的分类中心，重新进行K-mean聚类，保证每个不同的人被独立聚类。而不是被‘认成’另外一个人。

尽管上面对本发明说明性的具体实施方式进行了描述，以便于本技术领域的技术人员能够理解本发明，但是本发明不仅限于具体实施方式的范围，对本技术领域的普通技术人员而言，只要各种变化只要在所附的权利要求限定和确定的本发明精神和范围内，一切利用本发明构思的发明创造均在保护之列。

Claims (4)

1.一种基于人脸特征数组的人数统计方法，其特征在于：所述方法包括：

步骤1，设置K台摄像机在不同角度拍摄同一环境区域，间隔固定时间自K台摄像机中提取一张图片加入到图片集合F；

步骤2，对图片集合F的所有图片进行人脸特征编码，得到每张图片的人脸特征编码序列C；

步骤3,预设整体特征库Total C需要存储的编码序列数量M，将人脸特征编码序列C存储在整体特征库Total C中；当整体特征库Total C中存储的人脸特征编码序列C的数量为M时，执行步骤4，否则返回步骤2；

步骤4，对整体特征库Total C中的所有人脸特征编码序列C进行聚类，根据聚类结果区分相似的人脸，将相似人脸的特征序列归为一类；

步骤5，根据步骤4的归类结果进行人脸识别分类统计，分类数为统计人数。

2.根据权利要求1所述的基于人脸特征数组的人数统计方法，其特征在于：所述人脸特征编码包括：

步骤A,对图片集合F中的图片进行灰度处理，得到亮度图G；

步骤B,对亮度图G进行平滑去噪，得出去噪图像S；

步骤C,采用人脸检测算法对去噪图像S进行人脸检测，标记出人脸位置，并将人脸位置存储在序列L中；

步骤D,对检测到的人脸图像序列L，进行特征值提取；

步骤F，换下一张图片重复执行步骤A-步骤D直至图片集合F中的图片处理完成。

3.根据权利要求2所述的基于人脸特征数组的人数统计方法，其特征在于：所述人脸特征提取包括：

步骤a，对人脸图像序列L中的第i张人脸图片Fi进行特征点标定，特征点数量为68，特征点范围包括下巴的顶部、每只眼睛的外部轮廓及每条眉毛的内部轮廓；

步骤b，使用仿射变换将步骤a中标定的特征点调整到固定位置，将人脸图像Fi中的人脸朝向转换为正面；

步骤c，对人脸图片Fi的的人脸特征进行编码，编码成一列N维数组T，N为64-256间的整数，使得每张人脸图像提取的特征数组T都不相同；使用欧式几何距离的平方，计算Ti与Tj之间的距离为：

D(i，j)＝∑_k(Ti(k)-Tj(k))²；

步骤d，在人脸图像序列L中选取第i+1张人脸图片Fi+1，重复步骤a到步骤c，直到人脸图像序列L中的所有人脸图片的特征编码完成，得到编码序列C；

步骤e，计算人脸特征编码序列C中所有特征编码的间距，计算最小间距Dismin；

步骤f，定义序列TotalDis，将最小间距Dismin加入序列Total Dis；

其中，0＜i≤L，i为正整数。

4.根据权利要求3所述的基于人脸特征数组的人数统计方法，其特征在于：所述聚类包括：

步骤1a，选取M张图像中检测出人脸最多的一个人脸特征编码序列C中的特征编码作为初始分类中心点；

步骤2a，采用K-mean迭代算法进行迭代，迭代至K-mean迭代算法收敛；

步骤3a，计算每个分类中特征编码与分类中心的中心间距，计算判断出中心距离最大的特征编码，预定义lambda为Total Dis序列中的最小值；

如果lambda≤最大中心间距，则将当前特征编码定义为新分类，在原有分类中继续执行步骤2；

如果最大中心间距＜lambda，则认为分类结束。