CN110264491A - 客流统计方法、装置、计算机设备和可读存储介质 - Google Patents
客流统计方法、装置、计算机设备和可读存储介质 Download PDFInfo
- Publication number
- CN110264491A CN110264491A CN201910433240.3A CN201910433240A CN110264491A CN 110264491 A CN110264491 A CN 110264491A CN 201910433240 A CN201910433240 A CN 201910433240A CN 110264491 A CN110264491 A CN 110264491A
- Authority
- CN
- China
- Prior art keywords
- target area
- target
- optical system
- area
- hybrid optical
- 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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/13—Edge detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/194—Segmentation; Edge detection involving foreground-background segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10024—Color image
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10048—Infrared image
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30232—Surveillance
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30242—Counting objects in image
Abstract
本发明涉及一种客流统计方法、装置、计算机设备和可读存储介质,该方法包括:获取监测区域的红外灰度图像和彩色可见光图像;根据预设的目标前景分割方法对红外灰度图像进行分割,获取红外灰度图像中的各目标区域的边界坐标;利用各目标区域的边界坐标,对彩色可见光图像中的前景像素进行标记,得到各目标区域对应的前景区域;根据预设的检测方法和各目标区域对应的前景区域,统计目标对象的数量。该方法提高了根据红外灰度图像得到的各目标区域的边界坐标的精确度,进而提高了利用各目标区域的边界坐标对彩色可见光图像中的前景像素进行标记,得到的各目标区域对应的前景区域的精确度,进而提高了得到的目标对象数量的精确度。
Description
技术领域
本发明涉及模式识别领域,特别是涉及一种客流统计方法、装置、计算机设备和可读存储介质。
背景技术
随着各种大型建筑、娱乐休闲场所、购物设施越来越多,人群活动也越来越频繁、人群密度也越来越大,对人群数量进行统计成了监控人群活动的关键技术问题。
传统技术中,统计人群数量的方法主要是采用红外图像分析技术,利用红外视频传感器(热成像传感器)采集现场红外视频图像,利用人体的温度与环境温度差异,将人体目标前景与环境后景区别开来,根据人体目标前景在整幅图像中所占的比例对人体目标进行计数。
然而,传统的统计人群数量的方法存在精确度较低的问题。
发明内容
基于此,有必要针对传统的统计人群数量的方法存在精确度较低的问题,提供一种客流统计方法、装置、计算机设备和可读存储介质。
第一方面,本发明实施例提供一种客流统计方法,所述方法包括:
获取监测区域的红外灰度图像和彩色可见光图像;
根据预设的目标前景分割方法对所述红外灰度图像进行分割,获取所述红外灰度图像中的各目标区域的边界坐标;
利用各所述目标区域的边界坐标,对所述彩色可见光图像中的前景像素进行标记,得到各所述目标区域对应的前景区域;
根据预设的检测方法和各所述目标区域对应的前景区域,统计目标对象的数量。
在其中一个实施例中,所述根据预设的检测方法和各所述目标区域对应的前景区域,统计目标对象的数量,包括:
利用预设的检测方法,判断各所述目标区域对应的前景区域中是否包含所述目标对象,将包含所述目标对象的前景区域确定为目标前景区域;
将所述目标前景区域的数量确定为所述目标对象的数量。
在其中一个实施例中,当所述目标对象为人时,所述利用预设的检测方法,判断各所述目标区域对应的前景区域中是否包含所述目标对象,将包含所述目标对象的前景区域确定为目标前景区域,包括:
利用预设的长宽比判别条件以及预设的像素判别条件,判断各所述目标区域对应的前景区域中是否包含所述目标对象;所述预设的长宽比判别条件用于判别所述前景区域中是否包含目标对象的形态结构信息;所述预设的像素判别条件用于判别所述前景区域中是否包含目标对象的像素信息;
若是,则将包含所述目标对象的前景区域确定为所述目标前景区域。
在其中一个实施例中,所述各前景区域包括多个子区域;所述预设的长宽比判别条件包括各所述前景区域的长宽比满足预设的阈值范围;所述预设的像素判别条件包括各所述前景区域中的任一子区域内属于预设像素值范围的像素点数量大于预设阈值。
在其中一个实施例中,所述根据预设的目标前景分割方法对所述红外灰度图像进行分割,获取所述红外灰度图像中的各目标区域的边界坐标,包括:
根据前景像素检测法,对所述红外灰度图像进行二值化处理,得到所述红外灰度图像中的各目标区域;
利用噪声消除法对所述红外灰度图像中的各目标区域进行去噪处理,得到去噪后的各目标区域;
利用区域标记法,对所述去噪后的各目标区域进行标记,得到所述红外灰度图像中的各目标区域的边界坐标。
在其中一个实施例中,若各所述目标区域为不完整的区域,所述利用区域标记法,对所述去噪后的各目标区域进行标记,得到所述红外灰度图像中的各目标区域的边界坐标之后,所述方法还包括:
利用区域扩展法,对各所述目标区域进行扩展,得到扩展后的各目标区域的边界坐标;
利用目标区域合并法和所述扩展后的各目标区域的边界坐标,得到所述红外灰度图像中的各目标区域的边界坐标。
在其中一个实施例中,所述利用目标区域合并法和所述扩展后的各目标区域的边界坐标,得到所述红外灰度图像中的各目标区域的边界坐标,包括:
根据所述扩展后的各目标区域的边界坐标,判断所述扩展后的各目标区域中是否存在重叠部分;
若是,则对存在重叠部分的区域进行合并处理,得到所述红外灰度图像中的各目标区域;
根据所述红外灰度图像中的各目标区域,得到所述红外灰度图像中的各目标区域的边界坐标。
在其中一个实施例中,所述利用区域扩展法,对各所述目标区域进行扩展,得到扩展后的各目标区域的边界坐标,包括:
根据各所述目标区域的宽度值,确定各所述目标区域的横向扩展像素值;
根据各所述目标区域的长度值,确定各所述目标区域的纵向扩展像素值;
按照各所述目标区域的横向扩展像素值对各所述目标区域进行横向扩展,按照各所述目标区域的纵向扩展像素值对各所述目标区域进行纵向扩展,得到所述扩展后的各标记区域的边界坐标。
在其中一个实施例中,所述根据前景像素检测法,对所述红外灰度图像进行二值化处理,得到所述红外灰度图像中的各目标区域,包括:
采用所述前景像素检测法,得到所述红外灰度图像的整体灰度均值和所述红外灰度图像的整体灰度方差;
根据所述红外灰度图像的整体灰度均值和所述红外灰度图像的整体灰度方差,对所述红外灰度图像进行二值化处理,得到所述红外灰度图像中的各目标区域。
第二方面,本发明实施例提供一种客流统计装置,所述装置包括:
获取模块,用于获取监测区域的红外灰度图像和彩色可见光图像;
分割模块,用于根据预设的目标前景分割方法对所述红外灰度图像进行分割,获取所述红外灰度图像中的各目标区域的边界坐标;
标记模块,用于利用各所述目标区域的边界坐标,对所述彩色可见光图像中的前景像素进行相应的标记,得到各所述目标区域对应的前景区域;
确定模块,用于根据预设的检测方法和各所述目标区域对应的前景区域,统计目标对象的数量。
第三方面,本发明实施例提供一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,所述处理器执行所述计算机程序时实现以下步骤:
获取监测区域的红外灰度图像和彩色可见光图像;
根据预设的目标前景分割方法对所述红外灰度图像进行分割,获取所述红外灰度图像中的各目标区域的边界坐标;
利用各所述目标区域的边界坐标,对所述彩色可见光图像中的前景像素进行标记,得到各所述目标区域对应的前景区域;
根据预设的检测方法和各所述目标区域对应的前景区域,统计目标对象的数量。
第四方面,本发明实施例提供一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现以下步骤:
获取监测区域的红外灰度图像和彩色可见光图像;
根据预设的目标前景分割方法对所述红外灰度图像进行分割,获取所述红外灰度图像中的各目标区域的边界坐标;
利用各所述目标区域的边界坐标,对所述彩色可见光图像中的前景像素进行标记,得到各所述目标区域对应的前景区域;
根据预设的检测方法和各所述目标区域对应的前景区域,统计目标对象的数量。
上述实施例提供的客流统计方法、装置、计算机设备和可读存储介质中,计算机设备获取监测区域的红外灰度图像和彩色可见光图像,根据预设的目标前景分割方法对红外灰度图像进行分割,获取红外灰度图像中的各目标区域的边界坐标,利用各目标区域的边界坐标,对彩色可见光图像中的前景像素进行标记,得到各目标区域对应的前景区域,根据预设的检测方法和各目标区域对应的前景区域,统计目标对象的数量,在该方法中,由于红外灰度图像主要为监测区域的热量分布图像,而目标区域的热量相对于背景的热量较高,因此,计算机设备能够根据预设的目标前景分割方法快速精确地分割出红外灰度图像中的各目标区域,提高了得到的各目标区域的边界坐标的精确度,进而提高了利用各目标区域的边界坐标对彩色可见光图像中的前景像素进行标记,得到的各目标区域对应的前景区域的精确度,而目标对象的数量是根据预设的检测方法和各目标区域对应的前景区域得到的,由于得到的各目标区域对应的前景区域的精确度提高了,进而提高了得到的目标对象数量的精确度。
附图说明
图1为一个实施例提供的客流统计方法的应用环境图;
图2为一个实施例提供的客流统计方法的流程示意图;
图3为另一个实施例提供的客流统计方法的流程示意图;
图4为另一个实施例提供的客流统计方法的流程示意图;
图5为另一个实施例提供的客流统计方法的流程示意图;
图6为另一个实施例提供的客流统计方法的流程示意图;
图7为一个实施例提供的客流统计装置结构示意图;
图8为一个实施例提供的计算机设备的内部结构示意图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本申请进行进一步详细说明。应当理解,此处描述的具体实施例仅仅用以解释本申请,并不用于限定本申请。
本申请实施例提供的客流统计方法,可以应用于如图1所示的应用环境中。其中,图像采集装置102通过与计算机设备104进行通信。其中,图像采集装置102用于采集监测区域的红外灰度图像和彩色可见光图像,并将采集的红外灰度图像和彩色可见光图像传输给计算机设备,计算机设备104用于接收图像采集装置102传输的红外灰度图像和彩色可见光图像,并根据红外灰度图像和彩色可见光图像统计目标对象的数量。
传统的统计人群数量的方法存在精确度较低的问题。为此,本发明实施例提供一种客流统计方法、装置、计算机设备和可读存储介质,旨在解决传统技术的如上技术问题。
下面以具体的实施例对本发明的技术方案以及本发明的技术方案如何解决上述技术问题进行详细说明。下面这几个具体的实施例可以相互结合,对于相同或相似的概念或过程可能在某些实施例中不再赘述。
图2为一个实施例提供的客流统计方法的流程示意图。本实施例涉及的是计算机设备根据获取的监测区域的红外灰度图像和彩色可见光图像,统计监测区域中目标对象的具体实现过程。如图2所示,该方法可以包括:
S201,获取监测区域的红外灰度图像和彩色可见光图像。
具体的,计算机设备从图像采集装置中获取监测区域的红外灰度图像和彩色可见光图像。可选的,红外视频传感器和可见光视频传感器可以集成在同一个图像采集装置中,也可以分别安装在两个不同的图像采集装置中。示例性地,计算机设备可以从集成有红外视频传感器和可见光视频传感器的图像采集装置获取监测区域的红外灰度图像和彩色可见光图像,也可以分别从安装有红外视频传感器的图像采集装置和安装有可见光视频传感器的图像采集装置中获取检测区域的红外灰度图像和彩色可见光图像。可选的,监测区域可以是大型娱乐场所,也可以是十字路口,也可以是客车站、地铁站等人流密集的区域。可选的,计算机设备可以实时从图像采集装置中获取监测区域的红外灰度图像和彩色可见光图像,也可以按照预设的时间间隔从图像采集装置中获取监测区域的红外灰度图像和彩色可见光图像。需要说明的是,在按照预设的时间间隔从图像采集装置中获取检测区域的红外灰度图像和彩色可见光图像时,为了防止采集的相邻两帧的红外灰度图像和彩色可见光图像的差异较小,需要计算当前帧采集的红外灰度图像和彩色可见光图像与上一帧采集的红外灰度图像和彩色可见光图像之间的像素差异值,将像素差异值超过预设的阈值的红外灰度图像和彩色可见光图像作为当前帧的红外灰度图像和彩色可见光图像。
S202,根据预设的目标前景分割方法对红外灰度图像进行分割,获取红外灰度图像中的各目标区域的边界坐标。
具体的,计算机设备根据预设的目标前景分割方法对获取的红外灰度图像进行分割,获取红外灰度图像中的各目标区域的边界坐标。其中,预设的目标前景分割方法,主要有基于像素(Pixel-based)的方法,基于边界(Edge-based)的方法和基于区域(Region-based)的方法,示例性地,基于区域(Region-based)的方法的基本思想是先从红外灰度图像中找一个目标区域作为种子目标区域,然后根据事先确定的相似准则将种子目标区域周围邻域中与种子目标区域有相同或相似性质的目标区域合并到种子目标区域所在的区域中,将这些新目标区域当作新的种子目标区域继续进行上面的过程,直到再没有满足条件的目标区域可被包括进来。可选的,计算机设备得到红外灰度图像中的各目标区域后可以利用预设的图像标记法得到各目标区域的边界坐标。
S203,利用各目标区域的边界坐标,对彩色可见光图像中的前景像素进行标记,得到各目标区域对应的前景区域。
具体的,彩色可见光图像与红外灰度图像的尺寸、像素、分辨率等都是相同的,计算机设备得到红外灰度图像中的各目标区域的边界坐标后,利用各目标区域的边界坐标,对彩色可见光图像中的前景像素进行标记,得到各目标区域对应的前景区域。可选的,计算机设备可以按照红外灰度图像中的各目标区域的边界坐标在彩色可见光图像中找到对应的边界坐标,对彩色可见光图像中的前景像素进行标记,得到各目标区域对应的前景区域。
S204,根据预设的检测方法和各目标区域对应的前景区域,统计目标对象的数量。
具体的,计算机设备得到各目标区域对应的前景区域后,根据预设的检测方法和各目标区域对应的前景区域,统计目标对象的数量。可选的,目标对象可以是人,也可以是车辆。可选的,预设的检测方法可以用来检测目标对象的尺寸信息,也可以用来检测目标对象的像素信息。可选的,计算机设备可以检测各目标区域对应的前景区域中是否包含目标对象的像素信息,统计包含目标对象像素信息的前景区域的数量,将包含目标对象像素信息的前景区域的数量确定为目标对象的数量。
在本实施例中,由于红外灰度图像主要为监测区域的热量分布图像,而目标区域的热量相对于背景的热量较高,因此,计算机设备能够根据预设的目标前景分割方法快速精确地分割出红外灰度图像中的各目标区域,提高了得到的各目标区域的边界坐标的精确度,进而提高了利用各目标区域的边界坐标对彩色可见光图像中的前景像素进行标记,得到的各目标区域对应的前景区域的精确度,而目标对象的数量是根据预设的检测方法和各目标区域对应的前景区域得到的,由于得到的各目标区域对应的前景区域的精确度提高了,进而提高了得到的目标对象数量的精确度。
图3为另一个实施例提供的客流统计方法的流程示意图。本实施例涉及的是计算机设备利用预设的检测方法确定目标前景区域,根据目标前景区域的数量确定目标对象的数量的具体实现过程。如图3所示,在上述实施例的基础上,作为一种可选的实施方式,上述S204,包括:
S301,利用预设的检测方法,判断各目标区域对应的前景区域中是否包含目标对象,将包含目标对象的前景区域确定为目标前景区域。
具体的,计算机设备利用预设的检测方法,判断各目标区域对应的前景区域中是否包含目标对象,将包含目标对象的前景区域确定为目标前景区域。可选的,预设的检测方法可以包括预设的形态判别条件和预设的像素判别条件,计算机设备可以利用预设的形态判别条件和预设的像素判别条件,判断各目标区域对应的前景区域中是否包含目标对象,将包含目标对象的前景区域确定为目标前景区域。
S302,将目标前景区域的数量确定为目标对象的数量。
具体的,计算机设备确定了目标前景区域后,将目标前景区域的数量确定为目标对象的数量。例如,各目标区域对应的前景区域有10个区域,利用预设的检测方法,判断得到这10个前景区域中有8个区域包含有目标对象,则目标前景区域的数量为8,也就是说目标对象的数量为8。
在本实施例中,计算机设备利用预设的检测方法,判断各目标区域对应的前景区域中是否包含目标对象,将包含目标对象的前景区域确定为目标前景区域,该确定过程十分的简单,判断出各前景区域中是否包含目标对象就可以得到目标前景区域,提高了得到目标前景区域的效率,另外,将包含目标对象的前景区域确定为目标前景区域,提高了确定的目标前景区域的精确度,而目标对象的数量为目标前景区域的数量,进而提高了得到目标对象的数量的效率和得到的目标对象数量的精确度。
在一些场景中,监测的目标对象可以为人。图4为另一个实施例提供的客流统计方法的流程示意图。本实施例涉及的是,当目标对象为人时,计算机设备利用预设的长宽比判别条件以及预设的像素判别条件,判断各目标区域对应的前景区域中是否包含目标对象,将包含目标对象的前景区域确定为目标前景区域的具体实现过程,如图4所示,在上述实施例的基础上,作为一种可选的实施方式,上述S301,包括:
S401,利用预设的长宽比判别条件以及预设的像素判别条件,判断各目标区域对应的前景区域中是否包含目标对象;预设的长宽比判别条件用于判别前景区域中是否包含目标对象的形态结构信息;预设的像素判别条件用于判别前景区域中是否包含目标对象的像素信息。
具体的,当目标对象为人时,预设的检测方法包括预设的长宽比判别条件以及预设的像素判别条件,计算机设备利用预设的长宽比判别条件以及预设的像素判别条件,判断各目标区域对应的前景区域中是否包含目标对象。其中,预设的长宽比判别条件用于判别前景区域中是否包含目标对象的形态结构信息,预设的像素判别条件用于判别前景区域中是否包含目标对象的像素信息。可选的,各前景区域包括多个子区域。可选的,预设的长宽比判别条件包括各前景区域的长宽比满足预设的阈值范围,可选的,阈值范围可以为[2,5];可选的,预设的像素判别条件包括各前景区域中的任一子区域内属于预设像素值范围的像素点数量大于预设阈值,可选的,预设阈值可以为5%。示例性地,各前景区域的子区域可以是各前景区域中靠左三分之一的子区域,也可以是各前景区域中靠右三分之一的子区域,也可以是各前景区域中上方四分之一处的子区域。
S402,若是,则将包含目标对象的前景区域确定为目标前景区域。
具体的,若计算机设备利用预设的长宽比判别条件以及预设的像素判别条件,判断出各目标区域对应的前景区域中包含目标对象,则将包含目标对象的前景区域确定为目标前景区域。
在本实施例中,当目标对象为人时,计算机设备利用预设的长宽比判别条件以及预设的像素判别条件,判断各目标区域对应的前景区域中是否包含目标对象,将包含目标对象的前景区域确定为目标前景区域,该确定过程十分的简单,判断出各前景区域中是否包含目标对象就可以得到目标前景区域,提高了得到目标前景区域的效率,另外,将包含目标对象的前景区域确定为目标前景区域,提高了确定的目标前景区域的精确度。
图5为另一个实施例提供的客流统计方法的流程示意图。本实施例涉及的是计算机设备对红外灰度图像进行分割,获取红外灰度图像中的各目标区域的边界坐标的具体实现过程。如图5所示,在上述实施例的基础上,作为一种可选的实施方式,上述S202,包括:
S501,根据前景像素检测法,对红外灰度图像进行二值化处理,得到红外灰度图像中的各目标区域。
具体的,计算机设备根据前景像素检测法,对红外灰度图像进行二值化处理,得到红外灰度图像中的各目标区域。其中,对红外灰度图像进行二值化处理是指将256个亮度等级的红外灰度图像通过适当的阈值选取而获得仍然可以反映图像整体和局部特征的二值化图像。可选的,计算机设备可以采用前景像素检测法,得到红外灰度图像的整体灰度均值和红外灰度图像的整体灰度方差,根据得到的红外灰度图像的整体灰度均值和红外灰度图像的整体灰度方差,对红外灰度图像进行二值化处理,得到红外灰度图像中的各目标区域。可选的,计算机设备得到红外灰度图像的整体灰度均值μ和红外灰度图像的整体灰度方差σ2后,可以利用公式检测红外灰度图像中的高亮像素,对红外灰度图像进行二值化处理,式中,I(x,y)表示红外灰度图像在(x,y)处的像素值,k为一个阈值,用于控制高亮像素的数量,在实际应用中一般取k≥5。可选的,计算机设备可以利用公式得到红外灰度图像的整体灰度均值μ和红外灰度图像的整体灰度方差σ2。
S502,利用噪声消除法对红外灰度图像中的各目标区域进行去噪处理,得到去噪后的各目标区域。
具体的,计算机设备得到红外灰度图像中的各目标区域后,利用噪声消除法对红外灰度图像中的各目标区域进行去噪处理,去除各目标区域中的背景噪声,得到去噪后的各目标区域。可选的,噪声消除法可以为数学形态学运算中的开运算操作。
S503,利用区域标记法,对去噪后的各目标区域进行标记,得到红外灰度图像中的各目标区域的边界坐标。
具体的,计算机设备得到去噪后的各目标区域后,利用区域标记法,对去噪后的各目标区域进行标记,得到红外灰度图像中的各目标区域的边界坐标。可选的,计算机设备可以利用区域标记法,对去噪后的各目标区域进行标记,得到红外灰度图像中的各目标区域的边界矩阵,根据得到的红外灰度图像中的各目标区域的边界矩阵得到红外灰度图像中的各目标区域的边界坐标。
在本实施例中,计算机设备根据前景像素检测法,对红外灰度图像进行二值化处理,能够快速精确地得到红外灰度图像中的各目标区域,再利用噪声消除法对红外灰度图像中的各目标区域进行去噪处理,得到的去噪后的各目标区域中包含的噪声较少,提高了利用区域标记法对去噪后的各目标区域进行标记的精确度,进而提高了得到的红外图像中的各目标区域的边界坐标的精确度。
在上述利用区域标记法对去噪后的各目标区域进行标记的场景中,若各目标区域为不完整的区域,需要对不完整的区域进行合并,得到红外灰度图像中的各目标区域的边界坐标。图6为另一个实施例提供的客流统计方法的流程示意图。本实施例涉及的计算机设备对不完整的目标区域进行扩展合并,得到红外灰度图像中的各目标区域的边界坐标的具体实现过程。如图6所示,在上述实施例的基础上,作为一种可选的实施方式,上述方法还包括:
S601,利用区域扩展法,对各目标区域进行扩展,得到扩展后的各目标区域的边界坐标。
具体的,计算机设备利用区域扩展法,对各目标区域进行扩展,得到扩展后的各目标区域的边界坐标。需要说明的是,计算机设备利用区域扩展法对各目标区域进行扩展时,各目标区域为已经经过标记的区域,已经得到各目标区域的边界坐标,对各目标区域进行扩展后,计算机设备可以直接根据扩展后的各目标区域,得到各目标区域的边界坐标。可选的,计算机设备可以根据各目标区域的宽度值,确定各目标区域的横向扩展像素值,根据各目标区域的长度值,确定各目标区域的纵向扩展像素值,按照各目标区域的横向扩展像素值对各目标区域进行横向扩展,按照各目标区域的纵向扩展像素值对各目标区域进行纵向扩展,得到扩展后的各标记区域的边界坐标。示例性地,计算机设备可以根据公式:横向扩展像素值=目标区域的宽度值/100(取整),纵向扩展像素值=目标区域的长度值/100(取整),确定各目标区域的横向扩展像素值和各目标区域的纵向扩展像素值。
S602,利用目标区域合并法和扩展后的各目标区域的边界坐标,得到红外灰度图像中的各目标区域的边界坐标。
具体的,计算机设备利用目标区域合并法和扩展后的各目标区域的边界坐标,得到红外灰度图像中的各目标区域的边界坐标。可选的,计算机设备可以根据扩展后的各目标区域的边界坐标,判断扩展后的各目标区域中是否存在重叠部分,若扩展后的各目标区域中存在重叠部分,则对存在重叠部分的区域进行合并处理,得到红外灰度图像中的各目标区域,即得到红外灰度图像中的完整的各目标区域,根据得到的红外灰度图像中的各目标区域,得到红外灰度图像中的各目标区域的边界坐标。
在本实施例中,若目标区域为不完整的区域,计算机设备利用区域扩展法,对各目标区域进行扩展,得到扩展后的各目标区域的边界坐标,再利用目标区域合并法和扩展后的各目标区域的边界坐标,得到红外灰度图像中的各目标区域的边界坐标,得到的各目标区域为完整的目标区域,得到的各目标区域的边界坐标为完整的目标区域的边界坐标,提高了得到的各目标区域的边界坐标的精确度。
应该理解的是,虽然图2-6的流程图中的各个步骤按照箭头的指示依次显示,但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明,这些步骤的执行并没有严格的顺序限制,这些步骤可以以其它的顺序执行。而且,图2-6中的至少一部分步骤可以包括多个子步骤或者多个阶段,这些子步骤或者阶段并不必然是在同一时刻执行完成,而是可以在不同的时刻执行,这些子步骤或者阶段的执行顺序也不必然是依次进行,而是可以与其它步骤或者其它步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
图7为一个实施例提供的客流统计装置结构示意图。如图7所示,该装置可以包括:获取模块10、分割模块11、标记模块12和统计模块13。
具体的,获取模块10,用于获取监测区域的红外灰度图像和彩色可见光图像;
分割模块11,用于根据预设的目标前景分割方法对红外灰度图像进行分割,获取红外灰度图像中的各目标区域的边界坐标;
标记模块12,用于利用各目标区域的边界坐标,对彩色可见光图像中的前景像素进行标记,得到各目标区域对应的前景区域;
统计模块13,用于根据预设的检测方法和各目标区域对应的前景区域,统计目标对象的数量。
本实施例提供的客流统计装置,可以执行上述方法实施例,其实现原理和技术效果类似,在此不再赘述。
请继续参见图7,在上述实施例的基础上,可选的,如图7所示,上述统计模块13包括:第一判断单元131和第一确定单元132。
具体的,第一判断单元131,用于利用预设的检测方法,判断各目标区域对应的前景区域中是否包含目标对象,将包含目标对象的前景区域确定为目标前景区域;
第一确定单元132,用于将目标前景区域的数量确定为目标对象的数量。
本实施例提供的客流统计装置,可以执行上述方法实施例,其实现原理和技术效果类似,在此不再赘述。
当目标对象为人时,可选的,第一判断单元131,具体用于利用预设的长宽比判别条件以及预设的像素判别条件,判断各目标区域对应的前景区域中是否包含目标对象;预设的长宽比判别条件用于判别前景区域中是否包含目标对象的形态结构信息;预设的像素判别条件用于判别前景区域中是否包含目标对象的像素信息;若是,则将包含目标对象的前景区域确定为目标前景区域。
可选的,各前景区域包括多个子区域;预设的长宽比判别条件包括各前景区域的长宽比满足预设的阈值范围;预设的像素判别条件包括各前景区域中的任一子区域内属于预设像素值范围的像素点数量大于预设阈值。
本实施例提供的客流统计装置,可以执行上述方法实施例,其实现原理和技术效果类似,在此不再赘述。
请继续参见图7,在上述实施例的基础上,可选的,如图7所示,上述分割模块11包括:第一处理单元111、第二处理单元112和标记单元113。
具体的,第一处理单元111,用于根据前景像素检测法,对红外灰度图像进行二值化处理,得到红外灰度图像中的各目标区域;
第二处理单元112,用于利用噪声消除法对红外灰度图像中的各目标区域进行去噪处理,得到去噪后的各目标区域;
标记单元113,用于利用区域标记法,对去噪后的各目标区域进行标记,得到红外灰度图像中的各目标区域的边界坐标。
本实施例提供的客流统计装置,可以执行上述方法实施例,其实现原理和技术效果类似,在此不再赘述。
请继续参见图7,在上述实施例的基础上,可选的,如图7所示,上述装置还包括:扩展模块14和合并模块15。
具体的,扩展模块14,用于利用区域扩展法,对各目标区域进行扩展,得到扩展后的各目标区域的边界坐标;
合并模块15,用于利用目标区域合并法和扩展后的各目标区域的边界坐标,得到红外灰度图像中的各目标区域的边界坐标。
本实施例提供的客流统计装置,可以执行上述方法实施例,其实现原理和技术效果类似,在此不再赘述。
请继续参见图7,在上述实施例的基础上,可选的,如图7所示,上述合并模块15包括:第二判断单元151、合并单元152和获取单元153。
具体的,第二判断单元151,用于根据扩展后的各目标区域的边界坐标,判断扩展后的各目标区域中是否存在重叠部分;
合并单元152,用于若扩展后的各目标区域中存在重叠部分,则对存在重叠部分的区域进行合并处理,得到红外灰度图像中的各目标区域;
获取单元153,用于根据红外灰度图像中的各目标区域,得到红外灰度图像中的各目标区域的边界坐标。
本实施例提供的客流统计装置,可以执行上述方法实施例,其实现原理和技术效果类似,在此不再赘述。
请继续参见图7,在上述实施例的基础上,可选的,如图7所示,上述扩展模块14包括:第二确定单元141、第三确定单元142和扩展单元143。
具体的,第二确定单元141,用于根据各目标区域的宽度值,确定各目标区域的横向扩展像素值;
第三确定单元142,用于根据各目标区域的长度值,确定各目标区域的纵向扩展像素值;
扩展单元143,用于按照各目标区域的横向扩展像素值对各目标区域进行横向扩展,按照各目标区域的纵向扩展像素值对各目标区域进行纵向扩展,得到扩展后的各标记区域的边界坐标。
本实施例提供的客流统计装置,可以执行上述方法实施例,其实现原理和技术效果类似,在此不再赘述。
可选的,上述第一处理单元111,具体用于采用前景像素检测法,得到红外灰度图像的整体灰度均值和红外灰度图像的整体灰度方差;根据红外灰度图像的整体灰度均值和红外灰度图像的整体灰度方差,对红外灰度图像进行二值化处理,得到红外灰度图像中的各目标区域。
本实施例提供的客流统计装置,可以执行上述方法实施例,其实现原理和技术效果类似,在此不再赘述。
关于客流统计装置的具体限定可以参见上文中对于客流统计方法的限定,在此不再赘述。上述客流统计装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中,也可以以软件形式存储于计算机设备中的存储器中,以便于处理器调用执行以上各个模块对应的操作。
本申请实施例提供的客流统计方法,可以适用于如图8所示的计算机设备。该计算机设备包括通过系统总线连接的处理器、存储器,该存储器中存储有计算机程序,处理器执行该计算机程序时可以执行下述方法实施例的步骤。可选的,该计算机设备还可以包括网络接口、显示屏和输入装置。其中,该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器,该非易失性存储介质存储有操作系统和计算机程序。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的网络接口用于与外部的终端通过网络连接通信。可选的,该计算机设备可以是服务器,可以是个人计算机,还可以是个人数字助理,还可以是其他的终端设备,例如平板电脑、手机等等,还可以是云端或者远程服务器,本申请实施例对计算机设备的具体形式并不做限定。
在一个实施例中,提供了一种计算机设备,包括存储器和处理器,存储器中存储有计算机程序,该处理器执行计算机程序时实现以下步骤:
获取监测区域的红外灰度图像和彩色可见光图像;
根据预设的目标前景分割方法对红外灰度图像进行分割,获取红外灰度图像中的各目标区域的边界坐标;
利用各目标区域的边界坐标,对彩色可见光图像中的前景像素进行标记,得到各目标区域对应的前景区域;
根据预设的检测方法和各目标区域对应的前景区域,统计目标对象的数量。
上述实施例提供的计算机设备,其实现原理和技术效果与上述方法实施例类似,在此不再赘述。
在一个实施例中,提供了一种可读存储介质,其上存储有计算机程序,计算机程序被处理器执行时实现以下步骤:
获取监测区域的红外灰度图像和彩色可见光图像;
根据预设的目标前景分割方法对红外灰度图像进行分割,获取红外灰度图像中的各目标区域的边界坐标;
利用各目标区域的边界坐标,对彩色可见光图像中的前景像素进行标记,得到各目标区域对应的前景区域;
根据预设的检测方法和各目标区域对应的前景区域,统计目标对象的数量。
上述实施例提供的可读存储介质,其实现原理和技术效果与上述方法实施例类似,在此不再赘述。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,的计算机程序可存储于一非易失性计算机可读取存储介质中,该计算机程序在执行时,可包括如上述各方法的实施例的流程。其中,本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用,均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限,RAM以多种形式可得,诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。
以上所述实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本发明的几种实施方式,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 (12)
1.一种客流统计方法,其特征在于,所述方法包括:
获取监测区域的红外灰度图像和彩色可见光图像;
根据预设的目标前景分割方法对所述红外灰度图像进行分割,获取所述红外灰度图像中的各目标区域的边界坐标;
利用各所述目标区域的边界坐标,对所述彩色可见光图像中的前景像素进行标记,得到各所述目标区域对应的前景区域;
根据预设的检测方法和各所述目标区域对应的前景区域,统计目标对象的数量。
2.根据权利要求1所述的方法,其特征在于,所述根据预设的检测方法和各所述目标区域对应的前景区域,统计目标对象的数量,包括:
利用预设的检测方法,判断各所述目标区域对应的前景区域中是否包含所述目标对象,将包含所述目标对象的前景区域确定为目标前景区域;
将所述目标前景区域的数量确定为所述目标对象的数量。
3.根据权利要求2所述的方法,其特征在于,当所述目标对象为人时,所述利用预设的检测方法,判断各所述目标区域对应的前景区域中是否包含所述目标对象,将包含所述目标对象的前景区域确定为目标前景区域,包括:
利用预设的长宽比判别条件以及预设的像素判别条件,判断各所述目标区域对应的前景区域中是否包含所述目标对象;所述预设的长宽比判别条件用于判别所述前景区域中是否包含目标对象的形态结构信息;所述预设的像素判别条件用于判别所述前景区域中是否包含目标对象的像素信息;
若是,则将包含所述目标对象的前景区域确定为所述目标前景区域。
4.根据权利要求3所述的方法,其特征在于,所述各前景区域包括多个子区域;所述预设的长宽比判别条件包括各所述前景区域的长宽比满足预设的阈值范围;所述预设的像素判别条件包括各所述前景区域中的任一子区域内属于预设像素值范围的像素点数量大于预设阈值。
5.根据权利要求1所述的方法,其特征在于,所述根据预设的目标前景分割方法对所述红外灰度图像进行分割,获取所述红外灰度图像中的各目标区域的边界坐标,包括:
根据前景像素检测法,对所述红外灰度图像进行二值化处理,得到所述红外灰度图像中的各目标区域;
利用噪声消除法对所述红外灰度图像中的各目标区域进行去噪处理,得到去噪后的各目标区域;
利用区域标记法,对所述去噪后的各目标区域进行标记,得到所述红外灰度图像中的各目标区域的边界坐标。
6.根据权利要求5所述的方法,其特征在于,若各所述目标区域为不完整的区域,所述利用区域标记法,对所述去噪后的各目标区域进行标记,得到所述红外灰度图像中的各目标区域的边界坐标之后,所述方法还包括:
利用区域扩展法,对各所述目标区域进行扩展,得到扩展后的各目标区域的边界坐标;
利用目标区域合并法和所述扩展后的各目标区域的边界坐标,得到所述红外灰度图像中的各目标区域的边界坐标。
7.根据权利要求6所述的方法,其特征在于,所述利用目标区域合并法和所述扩展后的各目标区域的边界坐标,得到所述红外灰度图像中的各目标区域的边界坐标,包括:
根据所述扩展后的各目标区域的边界坐标,判断所述扩展后的各目标区域中是否存在重叠部分;
若是,则对存在重叠部分的区域进行合并处理,得到所述红外灰度图像中的各目标区域;
根据所述红外灰度图像中的各目标区域,得到所述红外灰度图像中的各目标区域的边界坐标。
8.根据权利要求6或7所述的方法,其特征在于,所述利用区域扩展法,对各所述目标区域进行扩展,得到扩展后的各目标区域的边界坐标,包括:
根据各所述目标区域的宽度值,确定各所述目标区域的横向扩展像素值;
根据各所述目标区域的长度值,确定各所述目标区域的纵向扩展像素值;
按照各所述目标区域的横向扩展像素值对各所述目标区域进行横向扩展,按照各所述目标区域的纵向扩展像素值对各所述目标区域进行纵向扩展,得到所述扩展后的各标记区域的边界坐标。
9.根据权利要求5所述的方法,其特征在于,所述根据前景像素检测法,对所述红外灰度图像进行二值化处理,得到所述红外灰度图像中的各目标区域,包括:
采用所述前景像素检测法,得到所述红外灰度图像的整体灰度均值和所述红外灰度图像的整体灰度方差;
根据所述红外灰度图像的整体灰度均值和所述红外灰度图像的整体灰度方差,对所述红外灰度图像进行二值化处理,得到所述红外灰度图像中的各目标区域。
10.一种客流统计装置,其特征在于,所述装置包括:
获取模块,用于获取监测区域的红外灰度图像和彩色可见光图像;
分割模块,用于根据预设的目标前景分割方法对所述红外灰度图像进行分割,获取所述红外灰度图像中的各目标区域的边界坐标;
标记模块,用于利用各所述目标区域的边界坐标,对所述彩色可见光图像中的前景像素进行相应的标记,得到各所述目标区域对应的前景区域;
确定模块,用于根据预设的检测方法和各所述目标区域对应的前景区域,统计目标对象的数量。
11.一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,其特征在于,所述处理器执行所述计算机程序时实现权利要求1-9中任一项所述方法的步骤。
12.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现权利要求1-9中任一项所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910433240.3A CN110264491A (zh) | 2019-05-23 | 2019-05-23 | 客流统计方法、装置、计算机设备和可读存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910433240.3A CN110264491A (zh) | 2019-05-23 | 2019-05-23 | 客流统计方法、装置、计算机设备和可读存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110264491A true CN110264491A (zh) | 2019-09-20 |
Family
ID=67915121
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910433240.3A Pending CN110264491A (zh) | 2019-05-23 | 2019-05-23 | 客流统计方法、装置、计算机设备和可读存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110264491A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111059723A (zh) * | 2019-12-05 | 2020-04-24 | 广东美博制冷设备有限公司 | 一种混合送风的空调器控制方法及装置 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101383004A (zh) * | 2007-09-06 | 2009-03-11 | 上海遥薇实业有限公司 | 一种红外和可见光图像相结合的乘客目标检测方法 |
CN104952060A (zh) * | 2015-03-19 | 2015-09-30 | 杭州电子科技大学 | 一种红外行人感兴趣区域自适应分割提取方法 |
-
2019
- 2019-05-23 CN CN201910433240.3A patent/CN110264491A/zh active Pending
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101383004A (zh) * | 2007-09-06 | 2009-03-11 | 上海遥薇实业有限公司 | 一种红外和可见光图像相结合的乘客目标检测方法 |
CN104952060A (zh) * | 2015-03-19 | 2015-09-30 | 杭州电子科技大学 | 一种红外行人感兴趣区域自适应分割提取方法 |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111059723A (zh) * | 2019-12-05 | 2020-04-24 | 广东美博制冷设备有限公司 | 一种混合送风的空调器控制方法及装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Neumann et al. | Nightowls: A pedestrians at night dataset | |
Chang et al. | A forgery detection algorithm for exemplar-based inpainting images using multi-region relation | |
Jin et al. | Vehicle detection from high-resolution satellite imagery using morphological shared-weight neural networks | |
Lu | A multiscale spatio-temporal background model for motion detection | |
CN110163188B (zh) | 视频处理以及在视频中嵌入目标对象的方法、装置和设备 | |
CN104978567B (zh) | 基于场景分类的车辆检测方法 | |
CN105930822A (zh) | 一种人脸抓拍方法及系统 | |
Hinz et al. | Car detection in aerial thermal images by local and global evidence accumulation | |
CN111753782B (zh) | 一种基于双流网络的假脸检测方法、装置及电子设备 | |
CN109615904A (zh) | 停车管理方法、装置、计算机设备和存储介质 | |
CN110826429A (zh) | 一种基于景区视频的旅游突发事件自动监测的方法及系统 | |
WO2021185379A1 (zh) | 密集目标检测方法及系统 | |
CN111275743B (zh) | 目标追踪方法、装置、计算机可读存储介质和计算机设备 | |
CN107704797B (zh) | 基于安防视频中行人和车辆的实时检测方法和系统及设备 | |
Despotovic et al. | Prediction and analysis of heating energy demand for detached houses by computer vision | |
CN112307989B (zh) | 路面物体识别方法、装置、计算机设备和存储介质 | |
Lian et al. | A novel method on moving-objects detection based on background subtraction and three frames differencing | |
CN110659546A (zh) | 一种违法摊位检测方法及装置 | |
CN110942456B (zh) | 篡改图像检测方法、装置、设备及存储介质 | |
CN111539980B (zh) | 一种基于可见光的多目标追踪方法 | |
CN110837786A (zh) | 基于空间通道的密度图产生方法、装置、电子终端及介质 | |
CN110705366A (zh) | 基于楼梯场景的实时人头检测方法 | |
Buza et al. | Unsupervised method for detection of high severity distresses on asphalt pavements | |
CN114332644B (zh) | 一种基于视频卫星数据的大视场交通密度获取方法 | |
CN116597270A (zh) | 基于注意力机制集成学习网络的道路损毁目标检测方法 |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20190920 |
|
RJ01 | Rejection of invention patent application after publication |