一種基于顏色特征的密集人流量實時檢測方法
【專利摘要】本發(fā)明涉及一種基于顏色特征的密集人流量實時檢測方法，包括以下步驟：對采集的發(fā)色圖片樣本進行聚類特性分析；對視頻進行畸變校正預(yù)處理；根據(jù)顏色特征進行二值化；根據(jù)背景差分提取運動前景；混合二值化的結(jié)果和前景圖像，分析得到行人頭部區(qū)域；對行人進行跟蹤并且記錄軌跡；根據(jù)軌跡信息進行判斷人數(shù)和運動方向。本發(fā)明能有效去除背景顏色的干擾和動目標前景難以分割的問題，且計算復(fù)雜度低，可以實時地檢測人流量，適用于智能視頻監(jiān)控領(lǐng)域。
【專利說明】一種基于顏色特征的密集人流量實時檢測方法
【技術(shù)領(lǐng)域】
[0001]本發(fā)明涉及計算機視覺【技術(shù)領(lǐng)域】中人流量分析，特別是涉及一種基于顏色特征的密集人流量實時檢測方法。
【背景技術(shù)】
[0002]計算機視覺是一個多學科交叉的【技術(shù)領(lǐng)域】，它涉及了計算機、信號處理、數(shù)學等學科。在計算機視覺領(lǐng)域，以人為研究主體的方向占據(jù)了很大一部分，比如人臉識別、行人跟蹤、人流量統(tǒng)計等。隨著社會的發(fā)展，在一些公共場合的人流量統(tǒng)計成為了重要的公共安全需求和重要的商業(yè)需求。使用計算機視覺的方法來進行人流量統(tǒng)計具有成本低、節(jié)約人力成本、自動化程度高等特點。因此，在火車站、大型商場、地鐵站、飛機場等場所，都有了很多基于計算機視覺的人流量統(tǒng)計系統(tǒng)，但是目前的系統(tǒng)存在實時性、準確性等問題。因此，在人流量檢測技術(shù)上進行相關(guān)的研究與分析是很有意義的。
[0003]人流量的檢測可以從圖像的底層特征入手，利用圖像中的顏色、輪廓、邊緣等特征，從圖像中檢測出行人，然后再進行數(shù)目和運動方向的分析。也可以使用目標識別的方法，先對行人樣本進行訓練，再用訓練好的分類器進行目標檢測。另外也有一些其他的方法，比如利用立體視覺方法解決行人遮擋的問題，利用整體分析的方法等等。
[0004]傳統(tǒng)的使用顏色的方法會存在色彩一致性問題，會受到光照和背景顏色的影響。但是這種方法簡單，運算復(fù)雜度低，易于用在實時處理中。使用運動前景檢測的方法常常會受到前景難以分割的問題影響。使用模式識別的方法運算復(fù)雜度較高，不易于做實時處理。
【發(fā)明內(nèi)容】
[0005]本發(fā)明所要解決的技術(shù)問題是提供一種基于顏色特征的密集人流量實時檢測方法，可用于實時的人流量監(jiān)測系統(tǒng)，如大型商場、火車站、汽車站等公共場所。
[0006]本發(fā)明解決其技術(shù)問題所采用的技術(shù)方案是:提供一種基于顏色特征的密集人流量實時檢測方法，包括以下步驟:
[0007](I)采集頭發(fā)照片樣本，對不同色彩空間發(fā)色的聚類特征進行分析，找出合適的聚類分量；
[0008]( 2 )對采集到的視頻數(shù)據(jù)進行預(yù)處理；
[0009](3)對完成預(yù)處理的圖像進行基于顏色聚類特征的二值化操作和基于混合高斯背景差分的前景提取操作，并作形態(tài)學上的閉操作；
[0010](4)將基于顏色聚類特征的二值化操作的結(jié)果和基于混合高斯背景差分的前景提取操作的結(jié)果進行合并，并判斷出合適的人頭區(qū)域；
[0011](5)對得到的人頭區(qū)域進行目標跟蹤，記錄跟蹤軌跡；
[0012](6)對軌跡信息進行特征判斷，獲得行人的數(shù)目和運動方向；
[0013](7)輸出人流量檢測的結(jié)果。
[0014]所述步驟(I)中采集的圖像樣本為RGB格式，將其分別轉(zhuǎn)換為灰度空間、HSV空間、LUV空間、YCbCr空間，在各個色彩空間統(tǒng)計出發(fā)色的聚類區(qū)間。
[0015]所述步驟(2)中預(yù)處理過程需要對攝像頭進行標定，得到攝像頭的內(nèi)外參數(shù)，再對捕獲的視頻圖像進行調(diào)整。
[0016]所述步驟(3)中利用步驟(I)中得到的發(fā)色聚類分量，對圖像在各個色彩分量上進行聚類特征的二值化操作，并且二值化后的結(jié)果使用形態(tài)學中的閉操作處理。
[0017]所述步驟(3)中對預(yù)處理后的圖像使用混合高斯背景差分的方法提取前景運動目標，并且對提取出的結(jié)果使用形態(tài)學中的閉操作。
[0018]所述步驟(4)中利用輪廓長度，面積，占空比和離散度進行判斷是否為人頭區(qū)域。
[0019]所述步驟(5)中在檢測到的人頭區(qū)域使用最近鄰方法進行跟蹤，跟蹤過程中使用kalman濾波器進行預(yù)測平滑軌跡，記錄目標的運動軌跡。
[0020]所述步驟(6)中對獲得行人運動軌跡進行特征分析，具體的包括軌跡的長度、軌跡的增量方向、和軌跡的點數(shù)，根據(jù)上述特征判斷行人的運動方向和行人的數(shù)目。
[0021]有益效果
[0022]由于采用了上述的技術(shù)方案，本發(fā)明與現(xiàn)有技術(shù)相比，具有以下的優(yōu)點和積極效果:
[0023]本發(fā)明使用基于顏色特征的行人檢測方法，它具有運算復(fù)雜度低、實時性好的優(yōu)點。由于存在色彩一致性問題，單一地根據(jù)某種顏色特征進行判斷是否是所需要的目標是不合理的，本方法綜合了多個顏色空間的多個顏色分量，可以有效地避免單純使用某一種顏色特征造成的誤判。同時，當背景顏色與目標顏色接近時，本方法利用混合高斯背景差分的方法，檢測出運動目標，這樣就可以將靜態(tài)背景中的相似顏色有效地去除。對于提取出的前景使用基于顏色的方法進行分割非常有效，因為身體有可能連接在一起，但是垂直拍攝時人的頭部很難靠在一起，用這個方法可以有效分割不同的行人。在人流量密集、行人距離過緊時可以體現(xiàn)出很好的性能。
[0024]在行人跟蹤時，本方法使用帶預(yù)測的跟蹤方式，即使某幾幀圖像沒有正確地檢測出行人，也不會影響整體的檢測效果。當突然丟掉目標時根據(jù)當前時刻之前的軌跡信息，利用Kalman濾波器進行預(yù)測。因此，本方法具有很好的穩(wěn)定性。
【專利附圖】
【附圖說明】
[0025]圖1是人流量檢測方法的流程圖；
[0026]圖2是彳丁人跟蹤的不意圖；
[0027]圖3 (a)_圖3 (f)是不同顏色空間中發(fā)色的聚類特征示意圖，其中，圖3 (a)為灰度直方圖、圖3 (b)為H分量直方圖、圖3 (c)為Cb分量直方圖、圖3 (d)為Cr分量直方圖、圖3 (e)為U分量直方圖、圖3 (f)為V分量直方圖；
[0028]圖4是攝像頭安裝方式示意圖。
【具體實施方式】
[0029]下面結(jié)合具體實施例，進一步闡述本發(fā)明。應(yīng)理解，這些實施例僅用于說明本發(fā)明而不用于限制本發(fā)明的范圍。此外應(yīng)理解，在閱讀了本發(fā)明講授的內(nèi)容之后，本領(lǐng)域技術(shù)人員可以對本發(fā)明作各種改動或修改，這些等價形式同樣落于本申請所附權(quán)利要求書所限定的范圍。
[0030]本發(fā)明涉及一種基于顏色特征的密集人流量實時檢測方法，如圖1所示，包括以下步驟:對采集的發(fā)色圖片樣本進行聚類特性分析；對視頻進行畸變校正預(yù)處理；根據(jù)顏色特征進行二值化；根據(jù)背景差分提取運動前景；混合二值化的結(jié)果和前景圖像，分析得到行人頭部區(qū)域；對行人進行跟蹤并且記錄軌跡；根據(jù)軌跡信息進行判斷人數(shù)和運動方向。以下通過具體的實施例來進一步說明本發(fā)明。
[0031]步驟一:首先采集一定數(shù)量的圖像樣本，圖像內(nèi)容為頭發(fā)。將樣本圖片進行色彩空間的變換，分別變換到灰度空間，HSV空間，CYbYr空間和LUV空間。對不同顏色空間的不同顏色分量進行統(tǒng)計分析，得到他們的聚類特性，如圖3所示。使用混合高斯概率模型來獲得這些分量的概率密度函數(shù):
[0032]
[0033]其中參數(shù)的估計使用最大期望值法(EM)來進行估計，得到的聚類結(jié)果如下:
[0034]表I聚類區(qū)間
[0035]
顏色分量聚類區(qū)間
灰度值[9,40]
H(HSV)「0，5]&|]]0，180j
Ch(YCbCr)[127,132]
Cr(YCbCi)[127,133]
U(LUV)[95/100]
V(LUY)LI33J4iJ
[0036]步驟二:在檢測區(qū)域架設(shè)一臺攝像機，攝像機采用垂直地面俯視拍攝的方式，如圖
4。攝像機采集實時視頻監(jiān)控圖像序列，通過網(wǎng)絡(luò)設(shè)備將實時的視頻數(shù)據(jù)傳輸至計算機終端。對攝像機進行標定，然后在計算機終端獲得每一幀圖像都進行畸變校正。
[0037]步驟三:選取頭發(fā)聚類特征較好的幾個顏色分量:灰度分量、HSV空間的H分量、YCbCr空間的Cb分量和Cr分量，LUV空間的U分量和V分量。根據(jù)步驟一中得到的聚類區(qū)間，將圖像進行二值化操作。如果該像素點在某個分量上的值正好落在該分量的聚類區(qū)間內(nèi)，則將該像素點二值化后的結(jié)果置為255，若不在聚類區(qū)間內(nèi)則將其值置為O ;同時二值化之后的結(jié)果還需要使用形態(tài)學中的閉操作(先腐蝕后膨脹)去除一些毛刺和孔洞。
[0038]步驟四:在執(zhí)行步驟三的同時，畸變校正后的圖像還需要同時完成如下的操作步驟。使用自適應(yīng)的混合高斯背景差分，獲得運動目標的前景圖像。同樣地也需使用閉操作去除孔洞和凸起。
[0039]步驟五:步驟三和步驟四分別得到兩個二值化后的圖像，使用與操作將這兩者合并起來。這樣子既可以去除步驟三中背景顏色的干擾，又可以將步驟四中得到的運動前景進行有效地分割。合并后的圖像先做閉操作，然后提取出其輪廓。輪廓根據(jù)如下的五個特征進行判斷:
[0040]L:輪廓的周長
[0041]A:輪廓包圍的面積
[0042]B:包含輪廓的最小矩形的面積
[0043]Z:占空比(A與B的比值)
[0044]C:離散度(L2/A)
[0045]其中，輪廓的周長，包圍的面積和最小矩形的面積均需要根據(jù)實際的視頻情況進行取值。而占空比和離散度是相對比較固定的參數(shù)，占空比理論值為0.79，離散度理論值為12.6?？梢愿鶕?jù)實際情況細微調(diào)動。這樣便可以檢測出合適的人頭區(qū)域。
[0046]步驟六:對行人區(qū)域使用最近鄰方法進行目標跟蹤，跟蹤過程中使用kalman濾波器進行預(yù)測平滑運動軌跡，并且記錄下目標的運動軌跡，行人跟蹤的示意圖見圖2。
[0047]步驟七:對獲得的運動目標軌跡進行特征判斷，主要是軌跡的有效點數(shù)、軌跡的首位長度和軌跡的增量方向。定義平面圖中y增加的方向為進，減小的方向為出。假設(shè)目標的運動軌跡為:Trace = {(x0, y0), (x1； Y1),...(xn, yn)}，那么目標在y方向的速度可以近似表示為如下形式:vy = Iy1-Ytl, Y2I1,…，yn_yn_J ,正數(shù)表示進入,負數(shù)表示出去,統(tǒng)計出正數(shù)的個數(shù)為m,軌跡長度為distance那么判斷出入的準則如下:當distance≥180&Π≥15&m/η≥0.7時,判斷行人為進入,進入總?cè)藬?shù)加I ;當distance≥180&Π≥15&0 ≥ m/n ≥ 0.3時，判斷行人為出去，出去總?cè)藬?shù)加I ;當不滿足以上兩個條件時說明該軌跡為錯誤軌跡，將其剔除，不做計數(shù)。
[0048]不難發(fā)現(xiàn)，本發(fā)明使用基于顏色特征的行人檢測方法，它具有運算復(fù)雜度低、實時性好的優(yōu)點。由于存在色彩一致性問題，單一地根據(jù)某種顏色特征進行判斷是否是所需要的目標是不合理的，本方法綜合了多個顏色空間的多個顏色分量，可以有效地避免單純使用某一種顏色特征造成的誤判。同時，當背景顏色與目標顏色接近時，本方法利用混合高斯背景差分的方法，檢測出運動目標，這樣就可以將靜態(tài)背景中的相似顏色有效地去除。對于提取出的前景使用基于顏色的方法進行分割非常有效，因為身體有可能連接在一起，但是垂直拍攝時人的頭部很難靠在一起，用這個方法可以有效分割不同的行人。在人流量密集、行人距離過緊時可以體現(xiàn)出很好的性能。
【權(quán)利要求】
1.一種基于顏色特征的密集人流量實時檢測方法，其特征在于，包括以下步驟: (1)采集頭發(fā)照片樣本，對不同色彩空間發(fā)色的聚類特征進行分析，找出合適的聚類分量; (2)對采集到的視頻數(shù)據(jù)進行預(yù)處理； (3)對完成預(yù)處理的圖像進行基于顏色聚類特征的二值化操作和基于混合高斯背景差分的前景提取操作，并作形態(tài)學上的閉操作； (4)將基于顏色聚類特征的二值化操作的結(jié)果和基于混合高斯背景差分的前景提取操作的結(jié)果進行合并，并判斷出合適的人頭區(qū)域； (5)對得到的人頭區(qū)域進行目標跟蹤，記錄跟蹤軌跡； (6)對軌跡信息進行特征判斷，獲得行人的數(shù)目和運動方向； (7)輸出人流量檢測的結(jié)果。
2.根據(jù)權(quán)利要求1所述的基于顏色特征的密集人流量實時檢測方法，其特征在于，所述步驟(I)中采集的圖像樣本為RGB格式，將其分別轉(zhuǎn)換為灰度空間、HSV空間、LUV空間、YCbCr空間，在各個色彩空間統(tǒng)計出發(fā)色的聚類區(qū)間。
3.根據(jù)權(quán)利要求1所述的基于顏色特征的密集人流量實時檢測方法，其特征在于，所述步驟(2)中預(yù)處理過程需要對攝像頭進行標定，得到攝像頭的內(nèi)外參數(shù)，再對捕獲的視頻圖像進行調(diào)整。
4.根據(jù)權(quán)利要求1所述的基于顏色特征的密集人流量實時檢測方法，其特征在于，所述步驟(3)中利用步驟(I)中得到的發(fā)色聚類分量，對圖像在各個色彩分量上進行聚類特征的二值化操作，并且二值化后的結(jié)果使用形態(tài)學中的閉操作處理。
5.根據(jù)權(quán)利要求1所述的基于顏色特征的密集人流量實時檢測方法，其特征在于，所述步驟(3)中對預(yù)處理后的圖像使用混合高斯背景差分的方法提取前景運動目標，并且對提取出的結(jié)果使用形態(tài)學中的閉操作。
6.根據(jù)權(quán)利要求1所述的基于顏色特征的密集人流量實時檢測方法，其特征在于，所述步驟(4)中利用輪廓長度，面積，占空比和離散度進行判斷是否為人頭區(qū)域。
7.根據(jù)權(quán)利要求1所述的基于顏色特征的密集人流量實時檢測方法，其特征在于，所述步驟(5 )中在檢測到的人頭區(qū)域使用最近鄰方法進行跟蹤，跟蹤過程中使用kalman濾波器進行預(yù)測平滑軌跡，記錄目標的運動軌跡。
8.根據(jù)權(quán)利要求1所述的基于顏色特征的密集人流量實時檢測方法，其特征在于，所述步驟(6)中對獲得行人運動軌跡進行特征分析，具體的包括軌跡的長度、軌跡的增量方向、和軌跡的點數(shù)，根據(jù)上述特征判斷行人的運動方向和行人的數(shù)目。
【文檔編號】G06T7/00GK103440491SQ201310253484
【公開日】2013年12月11日 申請日期:2013年6月24日 優(yōu)先權(quán)日:2013年6月24日
【發(fā)明者】徐小龍, 谷宇章, 胡珂立, 鄒方圓, 魏智, 張 誠 申請人:中國科學院上海微系統(tǒng)與信息技術(shù)研究所