人头识别与计数_基于人头检测的行人计数方法技术

【技术实现步骤摘要】

本专利技术属于计算机视觉

，更具体地涉及一种基于人头检测的行人计数方 法。

技术介绍

在很多行业，人流信息可以为人流管理、资源管理、管理决策提供关键的依据。例 如在地铁站，通过行人计数可以实时了解每个站点的人流大小，灵活调度地铁列车密度，实 施人流控制，实时发布人流密集地区信息，有利于加强人群运输效率，确保地铁运营平稳有 效。 在商场，人流量是体现其商业价值的重要依据，对人流量的准确计算，有利于掌握 客人的购物偏好，从而实现更好的物流安排，还可以根据各区域的人群密集程度，有效调配 服务人员。人流量还关系到人流密集场所的安全问题，有效控制场内人群数量，可以在火警 等紧急情况下迅速疏导人群，避免踩踏、推挤等情况发生。 传统的行人技术方法只能依靠机械手段进行行人统计，一般利用机械的运动来进 行人流统计。行人走过闸门的同时推动机械转动，通过统计转动的次数即可统计人流信息。 这种基于机械的方法建设成本高昂，设备投入费用巨大，而且设备体积较大，一般是固定在 出入口处，使用起来不够灵活，对于人流信息的管理也不够方便，还有一个最大的缺点就是 阻碍了人流的行进速度。

技术实现思路

本专利技术的目的在于提供一种，用以提高对公共区域 内对行人进行人数统计的效率与准确度。 为实现上述专利技术目的，本专利技术提供了一种，该方法 包括以下步骤： S1、对若干训练样本集使用SVM分类器进行训练以得到若干人头分类器； S2、获取监控区域的视频流图像作为输入图像； S3、通过帧间差分法对输入图像进行帧间差分运算，以得到运动行人区域； S4、利用人头分类器对运动行人区域进行检测，得到人头区域； S5、通过Kalman最近邻匹配跟踪法对人头区域的中心点进行跟踪与计数。 作为本专利技术的进一步改进，所述步骤Sl中的"训练样本集"包括：包含人头图像的 正样本集和不包含人头图像的负样本集，所述正样本和所述负样本均为20*20像素的灰度 图像。 作为本专利技术的进一步改进，所述步骤Sl中的正样本集包括：头顶正样本子集、正 面正样本子集、后面正样本子集、左侧正样本子集和右侧正样本子集，每个正样本子集的正 样本数量为600 ; 所述步骤Sl中的负样本集包括：头顶负样本子集、正面负样本子集、后面负样本 子集、左侧负样本子集和右侧负样本子集，每个负样本子集的负样本数量为1400。 作为本专利技术的进一步改进，所述步骤Sl具体为：使用SVM分类器分别对各训练正 样本子集与负样本子集进行训练，以得到头顶分类器、正面分类器、后面分类器、左侧分类 器、右侧分类器。 作为本专利技术的进一步改进，所述步骤S3中的"帧间差分法"具体为：根据步骤S2 获取的输入图像，利用当前帧图像与前一帧图像作帧间差分运算以得到差分图像，所述帧 间差分运算的计算公式为： Dk(x,y) = Fk(x, y)-Fk ! (x, y)； 其中，Fk 为前一帧图像中像素点的灰度值，F k(x，y)为当前帧图像中像素点 的灰度值，Dk(x，y)为二者的差分图像。 作为本专利技术的进一步改进，所述步骤S3还包括：对差分图像Dk(X，y)进行二值化 处理以得到二值图像R k (X，y)，所述二值化处理的运算公式如下所示： 其中，M为分割阀值，且M = 70。 作为本专利技术的进一步改进，所述步骤S3还包括对二值图像Rk(x，y)进行形态学处 理，所述形态学处理具体为：先进行膨胀处理，后进行腐蚀处理；所述膨胀处理中的膨胀参 数优选为5,腐蚀处理中的腐蚀参数优选为3。 作为本专利技术的进一步改进，所述步骤S3中的"运动行人区域"具体为：包含运动行 人的矩形区域。 作为本专利技术的进一步改进，所述步骤S4具体为：对运动行人区域进行积分图计 算，得到运动行人区域的积分图；并以20*20像素大小的图像块作为检测窗口，在水平和垂 直方向上以3个像素点为步长，对积分图作行、列的滑动扫描；计算检测窗口内的Haar特 征，将Haar特征输入到人头分类器中。 与现有技术相比，本专利技术的有益效果是：在本专利技术中，事先使用SVM分类器进行训 练以得到若干人头分类器，并利用该人头分类器对运动行人区域进行检测，得到人头区域， 最后通过Kalman最近邻匹配跟踪法对人头区域的中心点进行跟踪与计数，提高了对公共 区域中行人人数进行统计的效率与准确率。【附图说明】 图1为本专利技术的流程示意图； 图2为本专利技术所选用的五种Haar基本特征的示意图； 图3为实现步骤S2的工作原理示意图； 图4为提取到的运动行人区域的示意图； 图5为步骤S3中提取所有运动行人区域的算法流程图； 图6为人头分类器检测的示意图； 图7为合并相邻人头图像的示意图。【具体实施方式】 下面结合附图所示的各实施方式对本专利技术进行详细说明，但应当说明的是，这些 实施方式并非对本专利技术的限制，本领域普通技术人员根据这些实施方式所作的功能、方法、 或者结构上的等效变换或替代，均属于本专利技术的保护范围之内。 参图1所示，图1为本专利技术的流程示意图。 在本实施方式中，该包括以下步骤： S1、对若干训练样本集使用SVM分类器进行训练以得到若干人头分类器。 在本实施方式中，训练样本集包括两类训练样本集。一类为包含人头图像的正样 本集；另一类为不包含人头的负样本集。正样本集中的所有正样本与负样本集中的所有负 样本均为20*20像素的灰度图像。正样本集中的正样本数量为3000,负样本集中的负样本 数量为7000。 通过对不同方位采集得到的人头，可将正样本集分为：头顶正样本子集、正面正样 本子集、后面正样本子集、左侧正样本子集和右侧正样本子集五种不同的正样本子集，每个 正样本子集的正样本数量为600。 同时，可将负样本集分为：头顶负样本子集、正面负样本子集、后面负样本子集、左 侧负样本子集和右侧负样本子集，每个负样本子集的负样本数量为1400。 在本实施方式中，可采用如图2所示的五种Haar基本特征： 2a :左右相邻的黑色矩形区域的像素和减去白色矩形区域的像素和； 2b :上下相邻的黑色矩形区域的像素和减去白色矩形区域的像素和； 2c:-个黑色矩形区域像素和的两倍减去与其左右相邻的白色矩形区域的像素 和； 2d:-个黑色矩形区域像素和的两倍减去与其上下相邻的白色矩形区域的像素 和； 2e:两个对角相连的黑色矩形区域的像素和减去与其相邻的两个对角相连的白色 矩形区域的像素和； 在本实施方式中，可将该五种Haar基本特征线性组合成若干个Haar特征。 在本实施方式中，训练样本的大小为20*20个像素。为快速计算训练样本的Haar 特征，Haar特征在训练样本的积分图上进行计算。为提高对人头检测的准确率，通过对不同方位采集得到的人头，可将正样本集分 为：仅包含头顶的头顶正样本集、仅包含正面的正面正样本集、仅包含后脑勺的后面正样本 集、仅包含人头左侧的左侧正样本集和仅包含人头右侧的右侧正样本集五种不同的正样本 子集，每个正样本子集的正样本数量为600。 利用SVM分类器分别对各训练正样本子集与负样本子集进行训练，得到：头顶分 类器、正面分类器、后面分类器、左侧分类器和右侧分类器五种分类器。当检测窗口通过五 个分类器其中的任何一个分类器时，则被判断为人头图像。 S2、获取监控区域的视频流图像作为输入图像。 参图3所示，本文档来自技高网...