CN113159009A - 一种车站预防逃票的智能监控识别方法及系统 - Google Patents

一种车站预防逃票的智能监控识别方法及系统 Download PDF

Info

Publication number
CN113159009A
CN113159009A CN202110709599.6A CN202110709599A CN113159009A CN 113159009 A CN113159009 A CN 113159009A CN 202110709599 A CN202110709599 A CN 202110709599A CN 113159009 A CN113159009 A CN 113159009A
Authority
CN
China
Prior art keywords
gate
pedestrian
pedestrians
station
image
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
CN202110709599.6A
Other languages
English (en)
Inventor
涂宏斌
刘雨芃
彭圆圆
池瑞
殷霄雯
徐任玉
胡昕岳
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.)
East China Jiaotong University
Original Assignee
East China Jiaotong University
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 East China Jiaotong University filed Critical East China Jiaotong University
Priority to CN202110709599.6A priority Critical patent/CN113159009A/zh
Publication of CN113159009A publication Critical patent/CN113159009A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • 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
    • G06V40/20—Movements or behaviour, e.g. gesture recognition
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
    • 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
    • G06V10/50—Extraction of image or video features by performing operations within image blocks; by using histograms, e.g. histogram of oriented gradients [HoG]; by summing image-intensity values; Projection analysis
    • 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
    • G—PHYSICS
    • G07—CHECKING-DEVICES
    • G07C—TIME OR ATTENDANCE REGISTERS; REGISTERING OR INDICATING THE WORKING OF MACHINES; GENERATING RANDOM NUMBERS; VOTING OR LOTTERY APPARATUS; ARRANGEMENTS, SYSTEMS OR APPARATUS FOR CHECKING NOT PROVIDED FOR ELSEWHERE
    • G07C9/00—Individual registration on entry or exit
    • G07C9/10—Movable barriers with registering means
    • G07C9/15—Movable barriers with registering means with arrangements to prevent the passage of more than one individual at a time

Landscapes

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

Abstract

本发明公开了一种车站预防逃票的智能监控识别方法及系统，先获取闸机入口前的行人视频；然后自动检测每个人的行为运动，以区分过闸机的行人和非行人，得到正过闸机的行人图像；再根据得到的正过闸机的行人图像，对人与人过闸机时之间的间隔距离进行计算，如果闸机开启一次的时间内连续两人及两人以上在通过闸机时相邻行人之间的间隔距离小于预设阈值，则自动截取图片存档并在记录中标注出来，通过将已存档的截取图片上传到与之相连的云端中，可以在下次此人进站时由车站的摄像视频进行匹配设别，对其实行惩罚措施或是直接在站内通过工作人员进行补票，具有监控识别准确、智能化程度高的优点。

Description

一种车站预防逃票的智能监控识别方法及系统
技术领域
本发明涉及视频监控领域，特别是涉及一种车站预防逃票的智能监控识别方法及系统。
背景技术
目前车站闸机周边环境监控预防逃票主要依靠安装在四周的摄像机实时录像，并安排专门人员在视频终端观看监控；或是通过在闸机周围布置工作人员，通过人工进行监督或者警示。此方法主要还是通过人工判读的方法进行，费时费力，且准确度依靠工作人员目测识别，难以得到保证。目前也没有针对车站闸机逃票报警类的智能视频监控设备。
发明内容
有鉴于此，本发明提出一种车站预防逃票的智能监控识别方法及系统， 利用智能视频技术对场景内进出站人员的行为进行自动识别，防止逃票。
一方面，本发明提供了一种车站预防逃票的智能监控识别方法，包括以下步骤：
S1、获取位于车站闸机入口处正在检票的行人视频；
S2、基于HOG结合SVM分类器自动检测行人视频中每个人的行为运动，以区分过闸机的行人和非行人，得到正过闸机的行人图像；
S3、根据得到的正过闸机的行人图像，对行人过闸机时相邻行人之间的间隔距离进行计算，判断闸机开启一次的时间内连续两人及两人以上在通过闸机时相邻行人之间的实际间隔距离是否小于预设阈值，如果是，则进入步骤S4，反之，则进入步骤S6；
S4、自动截取闸机开启一次的时间内连续两人及两人以上过闸机的图片存档，并在存档的图片中标注出逃票的行人；
S5、重复步骤S1-S2，将新获取的所有正过闸机的行人图像与标注出逃票行人的存档的图片进行匹配识别，若新获取的正过闸机的行人图像中有被标注出逃票的行人，则控制闸机闭合，并通知被标注出逃票的行人进行补票，反之，则进入步骤S6；
S6、控制闸机放行。
进一步地，所述步骤S2包括以下步骤：
S21、基于HOG通过计算和统计行人视频中图像局部区域的梯度方向直方图来提取人体的特征；
S22、通过SVM分类器进行行人和非行人的区分，得到正过闸机的行人图像。
进一步地，所述步骤S21包括以下步骤：
S211、把行人视频中图像分割为包含若干个像素点的细胞单元；
S212、计算图像每一像素点的横坐标和纵坐标方向的梯度，并据此计算每个像素点处的梯度方向值；
S213、为每个细胞单元构建梯度方向直方图；
S214、把细胞单元组合成大的块，块内归一化梯度直方图，则一个块内所有细胞单元的特征向量串联起来便得到所述块的HOG特征；
S215、收集HOG特征：将检测窗口中所有重叠的块进行HOG特征的收集，将所有块的HOG特征依次串联，得到行人视频中图像所呈现的待检测行人的HOG特征。
进一步地，所述步骤S21还包括以下步骤：S210、将行人视频中图像进行gamma空间和颜色空间标准化。
进一步地，所述步骤S3具体通过以下步骤实现：
S31、校准：计算将获得的行人图像变形为鸟瞰视图的变换矩阵，并预设鸟瞰视图与行人图像中对应距离的比例尺；
S32、侦测：将HOG和SVM分类器应用于行人图像，以在每个行人周围绘制边界框；
S33、测量：基于所述变换矩阵在给定每个人的边界框的情况下，在鸟瞰视图中估计每个人的位置；
S34、根据校准步骤中确定的比例尺，进行行人图像中相邻行人之间的实际间隔距离计算；
S35、判断闸机开启一次的时间内连续两人及两人以上在通过闸机时相邻行人之间的实际间隔距离是否小于预设阈值，如果是，则进入步骤S4，反之，则进入步骤S6。
进一步地，所述步骤S33具体通过以下过程实现：
S331、将所述变换矩阵应用于每个人的边界框的底部中心点，从而得出其在鸟瞰视图中的位置，每个人的边界框的底部中心点在鸟瞰视图中均呈现出来投影点；
S332、计算同一列相邻投影点之间的距离，该距离即为相邻行人在鸟瞰视图中呈现的间隔距离。
进一步地，所述步骤S34具体通过以下过程实现：根据校准步骤中确定的比例尺，基于步骤S332中获得的相邻行人在鸟瞰视图中呈现的间隔距离，进行行人图像中相邻行人之间的实际间隔距离计算。
另一方面，本发明提供了一种车站预防逃票的智能监控识别系统，通过其上任一项所述的车站预防逃票的智能监控识别方法进行识别，所述车站预防逃票的智能监控识别系统包括摄像装置、行人检测模块、距离计算模块、图形截取模块和云端，所述摄像装置与行人检测模块连接，所述摄像装置用于拍摄车站闸机入口处正在检票的行人视频，所述行人检测模块利用HOG结合SVM分类器自动检测行人视频中每个人的行为运动，区分过闸机的行人和非行人；所述距离计算模块与行人检测模块连接，用于对行人过闸机时相邻行人之间的间隔距离进行计算；所述图形截取模块与行人检测模块连接，用于自动截取闸机开启一次的时间内连续两人及两人以上过闸机的图片；所述云端与图形截取模块连接，用于存档标注出逃票行人的图片，并能够控制闸机的开启或者关闭。
进一步地，所述车站预防逃票的智能监控识别系统还包括报警装置，所述报警装置与云端连接。
进一步地，所述摄像装置为单眼摄像机。
本发明首先获取闸机入口前的行人视频；然后自动检测每个人的行为运动，以区分过闸机的行人和非行人，得到正过闸机的行人图像；再根据得到的正过闸机的行人图像，对人与人过闸机时之间的间隔距离进行计算，如果闸机开启一次的时间内连续两人及两人以上在通过闸机时相邻行人之间的间隔距离小于预设阈值，则自动截取图片存档并在记录中标注出来，通过将已存档的截取图片上传到与之相连的云端中，可以在下次此人进站时由车站的摄像视频进行匹配设别，对其实行惩罚措施或是直接在站内通过工作人员进行补票。与传统方法相比，本发明最大的优势是能够实现实时对进出站时闸机区域进行监控，并将图片数据上传云端，对逃票的人进行识别，不放过每一个逃票的人，具有监控识别准确、智能化程度高的优点。
附图说明
构成本发明的一部分的附图用来提供对本发明的进一步理解，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。在附图中：
图1为本发明一实施例提供的一种车站预防逃票的智能监控识别方法的流程图；
图2为本发明另一实施例提供的一种车站预防逃票的智能监控识别方法的流程图。
具体实施方式
需要说明的是，在不冲突的情况下，本发明中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本发明。
参见图1，本发明提供了一种车站预防逃票的智能监控识别方法，包括以下步骤：
S1、获取位于车站闸机入口处正在检票的行人视频；
S2、基于HOG（Histogram of Oriented Gradient,方向梯度直方图）结合SVM（Support Vector Machine,支持向量机）分类器自动检测行人视频中每个人的行为运动，以区分过闸机的行人和非行人，得到正过闸机的行人图像；
S3、根据得到的正过闸机的行人图像，对行人过闸机时相邻行人之间的间隔距离进行计算，判断闸机开启一次的时间内连续两人及两人以上在通过闸机时相邻行人之间的实际间隔距离是否小于预设阈值，如果是，则进入步骤S4，反之，则进入步骤S6；
S4、自动截取闸机开启一次的时间内连续两人及两人以上过闸机的图片存档，并在存档的图片中标注出逃票的行人；
S5、重复步骤S1-S2，将新获取的所有正过闸机的行人图像与标注出逃票行人的存档的图片进行匹配识别，若新获取的正过闸机的行人图像中有被标注出逃票的行人，则控制闸机闭合,并通知被标注出逃票的行人进行补票，反之，则进入步骤S6；
S6、控制闸机放行。
通过上述过程，本发明首先获取闸机入口前的行人视频；然后自动检测每个人的行为运动，以区分过闸机的行人和非行人，得到正过闸机的行人图像；再根据得到的正过闸机的行人图像，对人与人过闸机时之间的间隔距离进行计算，如果闸机开启一次的时间内连续两人及两人以上在通过闸机时相邻行人之间的间隔距离小于预设阈值，则自动截取图片存档并在记录中标注出来，通过将已存档的截取图片上传到与之相连的云端中，可以在下次此人进站时由车站的摄像视频进行匹配设别，对其实行惩罚措施或是直接在站内通过工作人员进行补票。与传统方法相比，本发明最大的优势是能够实现实时对进出站时闸机区域进行监控，并将图片数据上传云端，对逃票的人进行识别，不放过每一个逃票的人，具有监控识别准确、智能化程度高的优点。
图2为第二种实施方式提供的一种车站预防逃票的智能监控识别方法的流程图。参见图2，一种车站预防逃票的智能监控识别方法，包括以下步骤：
S1、获取位于车站闸机入口处正在检票的行人视频；
S2、基于HOG结合SVM分类器自动检测行人视频中每个人的行为运动，以区分过闸机的行人和非行人，得到正过闸机的行人图像，该步骤具体表现为：
S21、基于HOG通过计算和统计行人视频中图像局部区域的梯度方向直方图来提取人体的特征；
S22、通过SVM分类器进行行人和非行人的区分，得到正过闸机的行人图像；
需要说明的是，之所以通过HOG计算和统计图像局部区域的梯度方向直方图来提取人体的特征，这是因为在一副图像中，局部目标的表象和形状能够被梯度或边缘的方向密度分布很好地描述。而SVM作为一个分类算法可以在图像的行人检测上能够比较好的进行行人和非行人的区分；
具体地，该步骤中HOG特征提取方式为把视频中图像分割为若干个像素的单元（cell），然后计算像素的梯度幅值与方向。从而把梯度方向平均划分为9个区间（bin），对cell内每个像素用梯度方向在直方图中进行加权投影，将其映射到对应的角度范围块内，就可以得到这个cell的梯度方向直方图了，就是该cell对应的9维特征向量，加权投影所用的权值为当前点的梯度幅值。每相邻的4个单元构成一个块（block），把一个块内的特征向量联立起来得到36维的特征向量，用块对样本图像进行扫描，扫描步长为一个单元。最后将所有块的特征串联起来，就得到了人体的特征。再利用SVM分类算法对特征进行分类，训练。
S31、校准：计算将获得的行人图像变形为鸟瞰视图（自顶向下的视图，即俯视图）的变换矩阵，并预设鸟瞰视图与行人图像中对应距离的比例尺；
具体地，鉴于监控可以从任意透视图拍摄输入视频，因此本发明是先计算将透视图变形为鸟瞰（自顶向下）视图的变换，称此过程为校准。由于输入帧一般是单眼的（从单个摄像机获取），校准方法包括在透视图原图中取四个点，在目标图像取四个点，通过计算透视变换矩阵来实现变换，公式为：
Figure 359596DEST_PATH_IMAGE001
式中，
Figure 503133DEST_PATH_IMAGE002
为变换后的坐标，
Figure 557676DEST_PATH_IMAGE003
为原坐标，
Figure 394045DEST_PATH_IMAGE004
为三维变换矩阵，
Figure 901250DEST_PATH_IMAGE005
负责实现线性变换，
Figure 848477DEST_PATH_IMAGE006
实现平移变换，
Figure 288686DEST_PATH_IMAGE007
实现透视变换，
Figure 30377DEST_PATH_IMAGE008
实现全比例变换。通过给定的四个原坐标与四个目标坐标解出变换矩阵
Figure 290457DEST_PATH_IMAGE004
。
假设每个人都站在同一平面上。从此映射，即可以得出应用于整个透视图图像的变换。所以原坐标[u,v,w]在鸟瞰视图中的坐标(x,y)为：
Figure 772866DEST_PATH_IMAGE009
Figure 802002DEST_PATH_IMAGE010
S32、侦测：将HOG和SVM分类器应用于行人图像，以在每个行人周围绘制边界框；
S33、测量：基于所述变换矩阵在给定每个人的边界框的情况下，在鸟瞰视图中估计每个人的位置；
优选地，该步骤具体通过以下过程实现：
S331、将所述变换矩阵应用于每个人的边界框的底部中心点，从而得出其在鸟瞰视图中的位置，每个人的边界框的底部中心点在鸟瞰视图中均呈现出来投影点；具体地，是将
Figure 714595DEST_PATH_IMAGE011
矩阵应用于每个人的边界框的底部中心点，从而得出其在鸟瞰视图中的位置。也就是将用人物检测边界框的中心，投影到俯视图中，不同点之间的间距代表了不同人之间的间距。即在x方向和y方向上分别独立地找出质心：对于x方向的质心，图像在质心左右两边像素和相等；对于y方向的质心，图像在质心上下两边像素和相等。
记图像中每一像素点在x方向上坐标为：
Figure 602916DEST_PATH_IMAGE012
，对应的像素值为：
Figure 16580DEST_PATH_IMAGE013
，质心在x方向上坐标为x:
Figure 775589DEST_PATH_IMAGE014
，其中，n为大于0的任意自然数。此处求取的质心是指人物检测边界框的底部中心点，利用这个中心点来确定，在转换后的鸟瞰视图中行人的位置。
在OpenCV软件中使用已经存在的边界框寻找函数找出图像中包含的边界框轮廓信息，然后对所有边界框轮廓进行遍历，并计算每一个轮廓的力矩(Moment),就可以得出人物的质心位置。此处具体求取的是通过闸机时行人的质心，用于进行后续的距离检测，判断是否存在尾随通过行为。
Figure 249295DEST_PATH_IMAGE015
Figure 93755DEST_PATH_IMAGE016
式中，
Figure 45530DEST_PATH_IMAGE017
表示质心的横坐标，
Figure 924624DEST_PATH_IMAGE018
表示质心的纵坐标，moment()为矩计算函数，A表示轮廓点集，
Figure 569232DEST_PATH_IMAGE019
表示轮廓点集的横坐标之和，
Figure 900988DEST_PATH_IMAGE020
表示轮廓点集的面积，
Figure 656454DEST_PATH_IMAGE021
表示轮廓点集的纵坐标之和。
S332、计算同一列相邻投影点之间的距离，该距离即为相邻行人在鸟瞰视图中呈现的间隔距离；
S34、根据校准步骤中确定的比例尺，进行行人图像中相邻行人之间的实际间隔距离计算；
S35、判断闸机开启一次的时间内连续两人及两人以上在通过闸机时相邻行人之间的实际间隔距离是否小于预设阈值，如果是，则进入步骤S4，反之，则进入步骤S6；
S4、自动截取闸机开启一次的时间内连续两人及两人以上过闸机的图片存档，并在存档的图片中标注出逃票的行人；
S5、重复步骤S1-S2，将新获取的所有正过闸机的行人图像与标注出逃票行人的存档的图片进行匹配识别，若新获取的正过闸机的行人图像中有被标注出逃票的行人，则控制闸机闭合,并通知被标注出逃票的行人进行补票，反之，则进入步骤S6；
S6、控制闸机放行。
需要说明的是，本发明中预设阈值的取值优选为N个像素，N为大于0的任意自然数。
同时，作为本发明的优选实施例，S21包括以下步骤：
S210、将行人视频中图像进行gamma空间和颜色空间标准化；
具体地，为了减少光照因素的影响，本发明首先将整个图像进行颜色空间标准化，这种处理能够有效地降低图像局部的阴影和光照变化所带来的一些影响。因为颜色信息作用不大，通常先转化为灰度图，从而利用gamma压缩公式来矫正图像在输出时的亮度偏差。当Gamma矫正的值小于1时，图像的高光部分被扩展而暗调部分被压缩；
Gamma压缩公式：
Figure 390055DEST_PATH_IMAGE022
式中，等式左边I求取得到是校正后的值，右边为原值进行校正，一般Gamma=1/2；
S211、把行人视频中图像分割为包含若干个像素点的细胞单元；
S212、计算图像每一像素点的横坐标和纵坐标方向的梯度，并据此计算每个像素点处的梯度方向值；
鉴于现有求导操作不仅能够捕获轮廓，人影和一些纹理信息，还能进一步弱化光照的影响，在本步骤具体表现为：假设(x,y)为输入图像中任意一像素点，则其梯度可表示为：
Figure 205564DEST_PATH_IMAGE023
式中，
Figure 287265DEST_PATH_IMAGE024
分别表示输入图像中像素点(x,y)处的x方向梯度、y方向梯度和像素值。
像素点(x,y)处的梯度幅值和梯度方向分别为：
Figure 456209DEST_PATH_IMAGE025
S213、为每个细胞单元构建梯度方向直方图；
本步骤的目的为局部图像区域提供一个编码，同时能够保持对图像中人体对象的姿势和外观的弱敏感性。这里把图像分割成很小的区域，这里称为细胞单元(cell)。接着采用9个直方图来统计一个细胞单元里面的特征信息，360°不考虑正负方向，把方向分成9份，称为bin，每一个bin对应20，这样就把梯度方向映射到直方图里面，9个方向特征向量代表9个bin，增幅就代表每一个bin的权值，梯度大小就是作为投影的权值的。
S214、把细胞单元组合成大的块（block），块内归一化梯度直方图，则一个块内所有细胞单元的特征向量串联起来便得到所述块的HOG特征；
由于局部光照的变化以及前景-背景对比度的变化，使得梯度强度的变化范围非常大。这就需要对梯度强度做归一化。归一化能够进一步地对光照、阴影和边缘进行压缩。具体地，把各个细胞单元组合成大的、空间上连通的区间（blocks），这样，一个block内所有cell的特征向量串联起来便得到该block的HOG特征。
S215、收集HOG特征：将检测窗口中所有重叠的块进行HOG特征的收集，将所有块的HOG特征依次串联,得到行人视频中图像所呈现的待检测行人的HOG特征。
另一方面，本发明还提供一种车站预防逃票的智能监控识别系统，通过其上所述的车站预防逃票的智能监控识别方法进行识别，所述车站预防逃票的智能监控识别系统包括摄像装置、行人检测模块、距离计算模块、图形截取模块和云端，所述摄像装置与行人检测模块连接，所述摄像装置用于拍摄车站闸机入口处正在检票的行人视频，优选为单眼摄像机，所述行人检测模块利用HOG结合SVM分类器自动检测行人视频中每个人的行为运动，区分过闸机的行人和非行人；所述距离计算模块与行人检测模块连接，用于对行人过闸机时相邻行人之间的间隔距离进行计算；所述图形截取模块与行人检测模块连接，用于自动截取闸机开启一次的时间内连续两人及两人以上过闸机的图片；所述云端与图形截取模块连接，用于存档标注出逃票行人的图片，并能够控制闸机的开启或者关闭。需要说明的是，云端设置有人脸识别系统，通过人脸识别系统进行人脸图像的匹配。
在进一步地技术方案中，该智能监控识别系统还包括报警装置，所述报警装置与云端连接。当云端的人脸识别系统发现上次图片中标注逃票的人又出现在捕获的新的行人视频中时，控制报警器报警。
上述智能监控识别系统显然也具有监控识别准确、智能化程度高的优点，此处不再赘述。
以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (10)

1.一种车站预防逃票的智能监控识别方法，其特征在于，包括以下步骤：
S1、获取位于车站闸机入口处正在检票的行人视频；
S2、基于HOG结合SVM分类器自动检测行人视频中每个人的行为运动，以区分过闸机的行人和非行人，得到正过闸机的行人图像；
S3、根据得到的正过闸机的行人图像，对行人过闸机时相邻行人之间的间隔距离进行计算，判断闸机开启一次的时间内连续两人及两人以上在通过闸机时相邻行人之间的实际间隔距离是否小于预设阈值，如果是，则进入步骤S4，反之，则进入步骤S6；
S4、自动截取闸机开启一次的时间内连续两人及两人以上过闸机的图片存档，并在存档的图片中标注出逃票的行人；
S5、重复步骤S1-S2，将新获取的所有正过闸机的行人图像与标注出逃票行人的存档的图片进行匹配识别，若新获取的正过闸机的行人图像中有被标注出逃票的行人，则控制闸机闭合，并通知被标注出逃票的行人进行补票，反之，则进入步骤S6；
S6、控制闸机放行。
2.根据权利要求1所述的车站预防逃票的智能监控识别方法，其特征在于，所述步骤S2包括以下步骤：
S21、基于HOG通过计算和统计行人视频中图像局部区域的梯度方向直方图来提取人体的特征；
S22、通过SVM分类器进行行人和非行人的区分，得到正过闸机的行人图像。
3.根据权利要求2所述的车站预防逃票的智能监控识别方法，其特征在于，所述步骤S21包括以下步骤：
S211、把行人视频中图像分割为包含若干个像素点的细胞单元；
S212、计算图像每一像素点的横坐标和纵坐标方向的梯度，并据此计算每个像素点处的梯度方向值；
S213、为每个细胞单元构建梯度方向直方图；
S214、把细胞单元组合成大的块，块内归一化梯度直方图，则一个块内所有细胞单元的特征向量串联起来便得到所述块的HOG特征；
S215、收集HOG特征：将检测窗口中所有重叠的块进行HOG特征的收集，将所有块的HOG特征依次串联，得到行人视频中图像所呈现的待检测行人的HOG特征。
4.根据权利要求3所述的车站预防逃票的智能监控识别方法，其特征在于，所述步骤S21还包括以下步骤：S210、将行人视频中图像进行gamma空间和颜色空间标准化。
5.根据权利要求4所述的车站预防逃票的智能监控识别方法，其特征在于，所述步骤S3具体通过以下步骤实现：
S31、校准：计算将获得的行人图像变形为鸟瞰视图的变换矩阵，并预设鸟瞰视图与行人图像中对应距离的比例尺；
S32、侦测：将HOG和SVM分类器应用于行人图像，以在每个行人周围绘制边界框；
S33、测量：基于所述变换矩阵在给定每个人的边界框的情况下，在鸟瞰视图中估计每个人的位置；
S34、根据校准步骤中确定的比例尺，进行行人图像中相邻行人之间的实际间隔距离计算；
S35、判断闸机开启一次的时间内连续两人及两人以上在通过闸机时相邻行人之间的实际间隔距离是否小于预设阈值，如果是，则进入步骤S4，反之，则进入步骤S6。
6.根据权利要求5所述的车站预防逃票的智能监控识别方法，其特征在于，所述步骤S33具体通过以下过程实现：
S331、将所述变换矩阵应用于每个人的边界框的底部中心点，从而得出其在鸟瞰视图中的位置，每个人的边界框的底部中心点在鸟瞰视图中均呈现出来投影点；
S332、计算同一列相邻投影点之间的距离，该距离即为相邻行人在鸟瞰视图中呈现的间隔距离。
7.根据权利要求6所述的车站预防逃票的智能监控识别方法，其特征在于，所述步骤S34具体通过以下过程实现：根据校准步骤中确定的比例尺，基于步骤S332中获得的相邻行人在鸟瞰视图中呈现的间隔距离，进行行人图像中相邻行人之间的实际间隔距离计算。
8.一种车站预防逃票的智能监控识别系统，其特征在于，通过权利要求1至7中任一项所述的车站预防逃票的智能监控识别方法进行识别，所述车站预防逃票的智能监控识别系统包括摄像装置、行人检测模块、距离计算模块、图形截取模块和云端，所述摄像装置与行人检测模块连接，所述摄像装置用于拍摄车站闸机入口处正在检票的行人视频，所述行人检测模块利用HOG结合SVM分类器自动检测行人视频中每个人的行为运动，区分过闸机的行人和非行人；所述距离计算模块与行人检测模块连接，用于对行人过闸机时相邻行人之间的间隔距离进行计算；所述图形截取模块与行人检测模块连接，用于自动截取闸机开启一次的时间内连续两人及两人以上过闸机的图片；所述云端与图形截取模块连接，用于存档标注出逃票行人的图片，并能够控制闸机的开启或者关闭。
9.根据权利要求8所述的车站预防逃票的智能监控识别系统，其特征在于，还包括报警装置，所述报警装置与云端连接。
10.根据权利要求8所述的车站预防逃票的智能监控识别系统，其特征在于，所述摄像装置为单眼摄像机。
CN202110709599.6A 2021-06-25 2021-06-25 一种车站预防逃票的智能监控识别方法及系统 Pending CN113159009A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110709599.6A CN113159009A (zh) 2021-06-25 2021-06-25 一种车站预防逃票的智能监控识别方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110709599.6A CN113159009A (zh) 2021-06-25 2021-06-25 一种车站预防逃票的智能监控识别方法及系统

Publications (1)

Publication Number Publication Date
CN113159009A true CN113159009A (zh) 2021-07-23

Family

ID=76875958

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110709599.6A Pending CN113159009A (zh) 2021-06-25 2021-06-25 一种车站预防逃票的智能监控识别方法及系统

Country Status (1)

Country Link
CN (1) CN113159009A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2023044935A1 (zh) * 2021-09-27 2023-03-30 西门子股份公司 分割块状物体图像的方法、装置及计算机可读存储介质

Citations (15)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106056631A (zh) * 2016-06-06 2016-10-26 中国矿业大学 基于运动区域的行人检测方法
CN106446792A (zh) * 2016-08-31 2017-02-22 大连楼兰科技股份有限公司 一种道路交通辅助驾驶环境下的行人检测特征提取方法
CN108182706A (zh) * 2017-12-08 2018-06-19 重庆广睿达科技有限公司 一种焚烧物的监控方法及系统
CN108536827A (zh) * 2018-04-11 2018-09-14 南京理工大学 一种相似频谱图片搜索方法
CN109359549A (zh) * 2018-09-20 2019-02-19 广西师范大学 一种基于混合高斯和hog_lbp的行人检测方法
CN109819208A (zh) * 2019-01-02 2019-05-28 江苏警官学院 一种基于人工智能动态监控的密集人群安防监控管理方法
CN110378179A (zh) * 2018-05-02 2019-10-25 上海大学 基于红外热成像的地铁逃票行为检测方法及系统
CN111008568A (zh) * 2019-11-07 2020-04-14 浙江大华技术股份有限公司 逃票检测方法及其相关装置
CN111064925A (zh) * 2019-12-04 2020-04-24 常州工业职业技术学院 地铁乘客逃票行为检测方法和系统
CN111126257A (zh) * 2019-12-23 2020-05-08 上海商汤智能科技有限公司 行为检测方法及装置
CN111460924A (zh) * 2020-03-16 2020-07-28 上海师范大学 一种基于目标检测的闸机通过逃票行为检测方法
CN111997690A (zh) * 2020-08-19 2020-11-27 上海市安装工程集团有限公司 用于隧道工程的智能管理系统及方法
CN112382085A (zh) * 2020-10-20 2021-02-19 华南理工大学 适用于智能车辆交通场景理解与超视距感知系统及方法
CN112914571A (zh) * 2021-03-08 2021-06-08 重庆邮电大学 一种机械臂的血液采集装置及其采血方法
CN113014870A (zh) * 2021-02-20 2021-06-22 同济大学 一种基于乘客姿态快速估计的地铁闸机通行逃票识别方法

Patent Citations (15)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106056631A (zh) * 2016-06-06 2016-10-26 中国矿业大学 基于运动区域的行人检测方法
CN106446792A (zh) * 2016-08-31 2017-02-22 大连楼兰科技股份有限公司 一种道路交通辅助驾驶环境下的行人检测特征提取方法
CN108182706A (zh) * 2017-12-08 2018-06-19 重庆广睿达科技有限公司 一种焚烧物的监控方法及系统
CN108536827A (zh) * 2018-04-11 2018-09-14 南京理工大学 一种相似频谱图片搜索方法
CN110378179A (zh) * 2018-05-02 2019-10-25 上海大学 基于红外热成像的地铁逃票行为检测方法及系统
CN109359549A (zh) * 2018-09-20 2019-02-19 广西师范大学 一种基于混合高斯和hog_lbp的行人检测方法
CN109819208A (zh) * 2019-01-02 2019-05-28 江苏警官学院 一种基于人工智能动态监控的密集人群安防监控管理方法
CN111008568A (zh) * 2019-11-07 2020-04-14 浙江大华技术股份有限公司 逃票检测方法及其相关装置
CN111064925A (zh) * 2019-12-04 2020-04-24 常州工业职业技术学院 地铁乘客逃票行为检测方法和系统
CN111126257A (zh) * 2019-12-23 2020-05-08 上海商汤智能科技有限公司 行为检测方法及装置
CN111460924A (zh) * 2020-03-16 2020-07-28 上海师范大学 一种基于目标检测的闸机通过逃票行为检测方法
CN111997690A (zh) * 2020-08-19 2020-11-27 上海市安装工程集团有限公司 用于隧道工程的智能管理系统及方法
CN112382085A (zh) * 2020-10-20 2021-02-19 华南理工大学 适用于智能车辆交通场景理解与超视距感知系统及方法
CN113014870A (zh) * 2021-02-20 2021-06-22 同济大学 一种基于乘客姿态快速估计的地铁闸机通行逃票识别方法
CN112914571A (zh) * 2021-03-08 2021-06-08 重庆邮电大学 一种机械臂的血液采集装置及其采血方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
林强，田双亮编著: "《行为识别与智能计算》", 30 November 2016, 西安：西安电子科技大学出版社 *
茅飞 等: "轨道交通车站闸机智能识别研究", 《城市轨道交通研究》 *

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2023044935A1 (zh) * 2021-09-27 2023-03-30 西门子股份公司 分割块状物体图像的方法、装置及计算机可读存储介质

Similar Documents

Publication Publication Date Title
CN108009531B (zh) 一种多策略防欺诈的人脸识别方法
CN110363047B (zh) 人脸识别的方法、装置、电子设备和存储介质
CN110929756B (zh) 基于深度学习的钢材尺寸和数量的识别方法、智能设备和存储介质
CN107909081B (zh) 一种深度学习中图像数据集的快速获取和快速标定方法
CN107301378B (zh) 图像中多分类器集成的行人检测方法和系统
KR20170006355A (ko) 모션벡터 및 특징벡터 기반 위조 얼굴 검출 방법 및 장치
KR101781358B1 (ko) 디지털 영상 내의 얼굴 인식을 통한 개인 식별 시스템 및 방법
CN106886216A (zh) 基于rgbd人脸检测的机器人自动跟踪方法和系统
CN108182381B (zh) 基于快速Adaboost训练算法的自动扶梯乘客检测方法
US10255511B2 (en) Real time traffic sign recognition
TW202009871A (zh) 影像追蹤方法
CN109918971A (zh) 监控视频中人数检测方法及装置
CN112183472A (zh) 一种基于改进RetinaNet的试验现场人员是否穿着工作服检测方法
US20220366570A1 (en) Object tracking device and object tracking method
CN111461101A (zh) 工服标志的识别方法、装置、设备及存储介质
CN110557628A (zh) 一种检测摄像头遮挡的方法、装置及电子设备
CN112101260A (zh) 一种作业人员安全带识别方法、装置、设备和存储介质
CN104318216B (zh) 视频监控中跨盲区行人目标的识别匹配方法
CN113159009A (zh) 一种车站预防逃票的智能监控识别方法及系统
CN106372566A (zh) 一种基于数字标牌紧急疏散系统及方法
CN107679467B (zh) 一种基于hsv和sdalf的行人重识别算法实现方法
CN107145820B (zh) 基于hog特征和fast算法的双眼定位方法
CN113008380A (zh) 一种智慧ai体温预警方法、系统及存储介质
CN111462310A (zh) 一种基于多视几何的螺栓缺陷空间定位方法
Landabaso et al. Robust tracking and object classification towards automated video surveillance

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: 20210723

RJ01 Rejection of invention patent application after publication