專利名稱：客流密度檢測方法
技術領域：
本發明涉及圖像處理和模式識別技術領域，具體涉及一種尤其適用于軌道交通領域的客流密度檢測方法。
背景技術：
隨著軌道交通的快速發展，軌道交通已經成為城市居民日常出行的重要交通工具，軌道交通的乘換人次多，客流量大，這已經成為目前軌道交通安全運營的一大問題。如何快速有效地獲得軌道交通站內的客流密度，是軌道交通安全運營的重要保證。目前的地鐵運營獲取客流密度的方法大多停留在對視頻圖像的存儲記錄，需要長時間的人工監控，由人的主觀經驗來判斷人群密度的大小。這種方式存在易疲勞、易疏忽、 反應速度慢、人工費用高等諸多問題。鑒于此，有學者和研究機構提出了基于視頻的客流密度統計方法，主要包括三類一類是基于人群人數與像素數成正比的關系來估計人群密度的方法。具體做法有兩種，一種是首先用背景減的方法除掉每幅圖像的背景，然后計算剩下的人群圖像所占的總像素數。另一種是用背景減的方法除掉每幅圖像的背景后，借助邊緣檢測法提取單個人的邊緣，對邊緣進行細化，計算邊緣的總像素數。另一類是基于紋理分析技術的人群密度估計方法。這種方法的理論根據是不同密度的人群圖像對應的紋理模式不同高密度的人群在紋理上表現為細模式；低密度的人群圖像在背景圖像也為低頻時在紋理上表現為粗模式。一般步驟是首先，對輸入圖像的紋理進行統計分析，然后提取紋理特征，將這些特征通過分類器進行分類得到密度結果。紋理分析的方法是特征分類的基礎。基于不同的紋理特征提取算法，紋理分析方法目前主要分為四大類統計法、結構法、頻譜法和模型法。最后一類是基于目標的，即以機器學習的方式構建分類器，提取人頭或人體目標， 最終通過計數的方式獲得人群密度。上述三類方法在實際應用中都存在一些問題，只能解決軌道交通的部分場景和部分應用，另外誤報率也偏高。因此，目前迫切需要提出一種針對軌道交通各種場景的快速有效的客流密度檢測方法。
發明內容
(一)要解決的技術問題本發明所要解決的技術問題是如何設計一種快速有效的檢測客流密度的方法， 能夠滿足軌道交通大客流，攝像機安裝受限場景的客流密度精確統計，以及軌道交通站內的站臺，站廳和通道等重要區域的客流密度統計。(二)技術方案為解決上述技術問題，本發明提供了一種客流密度檢測方法，包括以下步驟Si、利用攝像機采集預設監測區域內的視頻信號；
S2、對所述視頻信號進行解碼處理、去抖動處理和場景標定處理；S3、根據所述攝像機的安裝角度和所拍攝的場景類型選擇一種客流密度檢測方式進行檢測，得到檢測結果，所述客流密度檢測方式包括基于紋理的客流密度檢測方式和基于目標的客流密度檢測方式。優選地，所述去抖動處理包括如下步驟S21、使用Konrad全局運動估計方法計算全局運動參數，所述全局運動參數包括視頻信號幀間的攝像機仿射運動參數；S22、根據計算得到的全局運動參數，判斷視頻信號中是否存在抖動，如果存在抖動，則執行步驟S23;S23、將估計出的視頻信號幀間的攝像機仿射運動參數映射成多條運動軌跡，依次使用Bezier曲線擬合方法和三次B樣條擬合方法對所述運動軌跡進行平滑處理；然后根據平滑后的運動軌跡求出攝像機仿射運動參數；最后根據平滑前、后得到的攝像機仿射運動參數，對視頻信號中的各幀圖像進行校正變換，并根據相鄰的視頻信號幀間的像素相關性， 對校正變換后的視頻信號進行插值運算，從而獲得穩定的視頻信號。優選地，所述場景標定處理具體為使用標定線段計算所述穩定的視頻信號的場景深度變化系數，根據所述場景深度變化系數將所述預設監測區域劃分為若干子區域，并計算各子區域的貢獻系數。優選地，步驟S3中，若攝像機的安裝角度與水平方向夾角小于45°，且在預設監測區域內，被遮擋面積超過一定閾值，則選擇基于紋理的客流密度檢測方式進行檢測；若攝像機安裝角度與水平方向夾角大于或等于45°，且在預設監測區域內，被遮擋面積未超過所述閾值，則選擇基于目標的客流密度檢測方式進行檢測。優選地，利用所述基于紋理的客流密度檢測方式進行檢測包括如下步驟S31 從經所述場景標定處理后的視頻信號獲取視頻幀；S32 對所述視頻幀做灰度化處理；S33 利用灰度化處理后的視頻幀生成對應的灰度共生矩陣；S34 計算所述灰度共生矩陣的特征值，該特征值為所述視頻幀的紋理特征；S35:構造分類器，提取所述灰度化處理后的視頻幀的紋理特征，將所述紋理特征通過所述分類器進行分類，得到客流密度等級。優選地，利用所述基于目標的客流密度檢測方式進行檢測包括如下步驟S31’ 將經所述場景標定處理后的視頻信號分為人頭樣本和非人頭樣本，將人頭樣本再分為正面人頭樣本，側面人頭樣本和反面人頭樣本三類；S32，對所述正面人頭樣本進行Adaboost訓練，利用Adaboost算法從Haar特征集中挑選具備一定區分能力的Haar特征，并級聯成強分類器，得到人頭模型；S33’ 對所述負樣本進行聚類，并對每個聚類與所述正面人頭樣本單獨進行訓練， 得到級聯分類器；S34’ 將經步驟S2處理后得到的視頻信號轉換到梯度空間，用所述強分類器進行多尺度檢測，檢測所得到的結果進入所述級聯分類器進行二次檢測，去除其中的誤檢，然后根據設定的重疊面積閾值對重疊的檢測窗口進行尺度合并，并輸出人頭數量結果；S35’ 預先將所述預設監測區域內的人群數量劃分為若干區間，每個區間對應一個密度等級，將S34’輸出的人頭數量結果與每個區間進行比對，找到所述人頭數量結果所屬的區間，并輸出該區間對應的密度等級。(三)有益效果本發明采用圖像處理和模式識別技術相結合，可以快速有效地解決軌道交通重要區域的客流密度檢測，為軌道交通的安全運營提供技術支持。
圖1是本發明實施例的方法流程圖；圖2是SVM分類器分級及分類器數量示意圖；圖3是本發明實施例的基于紋理的客流密度檢測算法流程圖；圖4是本發明實施例的基于目標的客流密度檢測算法流程圖。
具體實施例方式下面對于本發明所提出的一種客流密度檢測方法，結合附圖和實施例詳細說明。如圖1所示，本發明提供的一種應用于軌道交通的客流密度檢測方法，包括以下步驟Si、利用攝像機采集預設監測區域內的視頻信號，本發明實施例中為高清視頻信號；所述預設監測區域為軌道交通中站臺、站廳、通道等客流密集區域。S2、對所述視頻信號進行解碼處理、去抖動處理和場景標定處理；S3、根據所述攝像機的安裝角度和所拍攝的場景類型選擇一種客流密度檢測方式進行檢測，得到檢測結果，所述客流密度檢測方式包括基于紋理的客流密度檢測方式和基于目標的客流密度檢測方式。得到檢測結果之后，可以并對客流擁擠狀況進行報警。優選地，所述去抖動處理包括如下步驟S21、使用Konrad全局運動估計方法計算全局運動參數，所述全局運動參數包括視頻信號幀間的攝像機仿射運動參數；S22、根據計算得到的全局運動參數，判斷視頻信號中是否存在抖動，如果存在抖動，則執行步驟S23;S23、將估計出的視頻信號幀間的攝像機仿射運動參數映射成多條運動軌跡，依次使用Bezier曲線擬合方法和三次B樣條擬合方法對所述運動軌跡進行平滑處理；然后根據平滑后的運動軌跡求出攝像機仿射運動參數；最后根據平滑前、后得到的攝像機仿射運動參數，對視頻信號中的各幀圖像進行校正變換，并根據相鄰的視頻信號幀間的像素相關性， 對校正變換后的視頻信號進行插值運算，從而獲得穩定的視頻信號。所述場景標定處理具體為使用標定線段計算所述穩定的視頻信號的場景深度變化系數，根據場景深度變化系數將所述預設監測區域劃分為若干子區域，并計算各子區域的貢獻系數。所述場景深度變化系數為相同目標沿圖像縱坐標方向在圖像不同區域的區域面積變化系數。步驟S3中，若攝像機的安裝角度與水平方向夾角小于45°，且在預設監測區域內，被遮擋面積超過一定閾值，則選擇基于紋理的客流密度檢測方式進行檢測；若攝像機安裝角度與水平方向夾角大于或等于45°，且在預設監測區域內，被遮擋面積未超過所述閾值，則選擇基于目標的客流密度檢測方式進行檢測。如圖3所示，利用所述基于紋理的客流密度檢測方式進行檢測包括如下步驟S31 從經所述場景標定處理后的視頻信號獲取視頻幀；S32 對所述視頻幀做灰度化處理；S33 利用灰度化處理后的視頻幀生成對應的灰度共生矩陣；S34 計算所述灰度共生矩陣的特征值，該特征值為所述視頻幀的紋理特征，如局部平穩(Homogeneity)特征值、對比度(Contrast)特征值、角二階矩(Angular Second Moment)特征值、相關度(Correlation)特征值等；S35 構造支持向量機(SVM)分類器，提取所述灰度化處理后的視頻幀的紋理特征，將所述紋理特征通過所述分類器進行分類，得到客流密度等級。本發明中，將客流密度等級劃分為5類(很少、少、正常、多、很多)，需要進行三種分類器(一級分類器、二級分類器、三級分類器)，所以一共需要構造7個分類器，如圖2所示。如圖4所示，利用所述基于目標的客流密度檢測方式進行檢測包括如下步驟S31’ 將經所述場景標定處理后的視頻信號分為人頭樣本(即正樣本)和非人頭樣本(即負樣本)，將人頭樣本再分為正面人頭樣本，側面人頭樣本和反面人頭樣本三類；S32，對所述正面人頭樣本進行Adaboost訓練，利用Adaboost算法從Haar特征集中挑選具備一定區分能力的Haar特征，并級聯成強分類器，得到人頭模型；所述區分能力由特定的指標來評價，該特定的指標為現有技術。S33’ 對所述負樣本進行聚類，并對每個聚類與所述正面人頭樣本單獨進行SVM訓練，得到SVM級聯分類器；S34’ 將經步驟S2處理后得到的視頻信號轉換到梯度空間，用所述強分類器進行多尺度檢測，檢測所得到的結果進入所述級聯分類器進行二次檢測，去除其中的誤檢，然后根據設定的重疊面積閾值對重疊的檢測窗口進行尺度合并，并輸出人頭數量結果；S35’ 預先將所述預設監測區域內的人群數量劃分為若干區間，每個區間對應一個密度等級，將S34’輸出的人頭數量結果與每個區間進行比對，找到所述人頭數量結果所屬的區間，并輸出該區間對應的密度等級。以上實施方式僅用于說明本發明，而并非對本發明的限制，有關技術領域的普通技術人員，在不脫離本發明的精神和范圍的情況下，還可以做出各種變化和變型，因此所有等同的技術方案也屬于本發明的范疇，本發明的專利保護范圍應由權利要求限定。
權利要求
1.一種客流密度檢測方法，其特征在于，包括以下步驟51、利用攝像機采集預設監測區域內的視頻信號；52、對所述視頻信號進行解碼處理、去抖動處理和場景標定處理；53、根據所述攝像機的安裝角度和所拍攝的場景類型選擇一種客流密度檢測方式進行檢測，得到檢測結果，所述客流密度檢測方式包括基于紋理的客流密度檢測方式和基于目標的客流密度檢測方式。
2.如權利要求1所述的方法，其特征在于，所述去抖動處理包括如下步驟521、使用Konrad全局運動估計方法計算全局運動參數，所述全局運動參數包括視頻信號幀間的攝像機仿射運動參數；522、根據計算得到的全局運動參數，判斷視頻信號中是否存在抖動，如果存在抖動，則執行步驟S23 ；523、將估計出的視頻信號幀間的攝像機仿射運動參數映射成多條運動軌跡，依次使用 Bezier曲線擬合方法和三次B樣條擬合方法對所述運動軌跡進行平滑處理；然后根據平滑后的運動軌跡求出攝像機仿射運動參數；最后根據平滑前、后得到的攝像機仿射運動參數， 對視頻信號中的各幀圖像進行校正變換，并根據相鄰的視頻信號幀間的像素相關性，對校正變換后的視頻信號進行插值運算，從而獲得穩定的視頻信號。
3.如權利要求2所述的方法，其特征在于，所述場景標定處理具體為使用標定線段計算所述穩定的視頻信號的場景深度變化系數，根據所述場景深度變化系數將所述預設監測區域劃分為若干子區域。
4.如權利要求1所述的方法，其特征在于，步驟S3中，若攝像機的安裝角度與水平方向夾角小于45°，且在預設監測區域內，被遮擋面積超過一定閾值，則選擇基于紋理的客流密度檢測方式進行檢測；若攝像機安裝角度與水平方向夾角大于或等于45°，且在預設監測區域內，被遮擋面積未超過所述閾值，則選擇基于目標的客流密度檢測方式進行檢測。
5.如權利要求1所述的方法，其特征在于，利用所述基于紋理的客流密度檢測方式進行檢測包括如下步驟531從經所述場景標定處理后的視頻信號獲取視頻幀；532對所述視頻幀做灰度化處理；533利用灰度化處理后的視頻幀生成對應的灰度共生矩陣；534計算所述灰度共生矩陣的特征值，該特征值為所述視頻幀的紋理特征；535構造分類器，提取所述灰度化處理后的視頻幀的紋理特征，將所述紋理特征通過所述分類器進行分類，得到客流密度等級。
6.如權利要求1 5中任一項所述的方法，其特征在于，利用所述基于目標的客流密度檢測方式進行檢測包括如下步驟S31’ 將經所述場景標定處理后的視頻信號分為人頭樣本和非人頭樣本，將人頭樣本再分為正面人頭樣本，側面人頭樣本和反面人頭樣本三類；S32，對所述正面人頭樣本進行Adaboost訓練，利用Adaboost算法從Haar特征集中挑選具備一定區分能力的Haar特征，并級聯成強分類器，得到人頭模型；S33’ 對所述負樣本進行聚類，并對每個聚類與所述正面人頭樣本單獨進行訓練，得到級聯分類器；S34’ 將經步驟S2處理后得到的視頻信號轉換到梯度空間，用所述強分類器進行多尺度檢測，檢測所得到的結果進入所述級聯分類器進行二次檢測，去除其中的誤檢，然后根據設定的重疊面積閾值對重疊的檢測窗口進行尺度合并，并輸出人頭數量結果；S35’ 預先將所述預設監測區域內的人群數量劃分為若干區間，每個區間對應一個密度等級，將S34’輸出的人頭數量結果與每個區間進行比對，找到所述人頭數量結果所屬的區間，并輸出該區間對應的密度等級。
全文摘要
本發明涉及圖像處理和模式識別技術領域，公開了一種客流密度檢測方法，包括以下步驟S1、利用攝像機采集預設監測區域內的視頻信號；S2、對所述視頻信號進行解碼處理、去抖動處理和場景標定處理；S3、根據所述攝像機的安裝角度和所拍攝的場景類型選擇一種客流密度檢測方式進行檢測，得到檢測結果，所述客流密度檢測方式包括基于紋理的客流密度檢測方式和基于目標的客流密度檢測方式。本發明采用圖像處理和模式識別技術相結合，可以有效地解決軌道交通重要區域的客流密度統計，為軌道交通的安全運營提供技術支持。
文檔編號G06M11/00GK102496058SQ20111035813
公開日2012年6月13日 申請日期2011年11月11日 優先權日2011年11月11日
發明者聶蓉, 譚政 申請人:北京聲迅電子股份有限公司