俯視行人視頻監控中的客流計數與事件分析方法
【專利摘要】本發明提出了一種俯視行人視頻監控中的客流計數與事件分析方法。主要包括俯視行人的特征提取與檢測，俯視行人的跟蹤以及俯視行人監控事件的分析等。俯視行人的檢測是以俯視行人頭部特征為基礎的，頭部特征可以分解成幾個級聯的特征組合，依次是：矩形特征、顏色穩定特征、梯度變化特征、梯形特征和圓弧特征等；俯視行人的跟蹤采用了自適應均值移位算法，可以實現多目標自動獲取和跟蹤；俯視客流事件的分類和辨別方法。
【專利說明】俯視行人視頻監控中的客流計數與事件分析方法
【技術領域】
[0001]本發明涉及計算機視覺領域中的智能視頻監控技木。
【背景技術】
[0002]本發明適用于公共設施出入口和過道，攝像裝置安置在頂部，俯視向下拍攝。如公交車入口、超市收費通道、展廳入口過道等，攝像頭距地面2米以上，主要用于客流的統計和人流的監控。國內外對俯視客流的檢測和計數問題研究相對較少，尤其是在國內，目前連視頻中基本的客流計數功能都不完善。
【發明內容】
[0003]俯視行人視頻監控的任務主要有兩個:ー個是客流計數，ー個是事件分析。客流計數的內容主要是俯視客流的檢測、跟蹤和計數。俯視客流的事件分普通事件和異常事件兩種；一般寒件有排隊等待、人員抑堵等，異常寒件有現場遺留物品和兩人打斗等。
[0004]( I)俯視行人的檢測 I)監控系統的觸發
采用運動變化檢測觸發，即利用視頻幀間差法計算場景內容的變化，設視頻相鄰幀的灰度圖像相減得幀差圖1mn，SPImn=Im (n) -1m (,n-1)
式中，n表示當前巾貞的序數，Im(n)表示當前巾貞灰度圖像，Im(n-1)表示上ー巾貞灰度圖像；如有當前幀與上ー幀內容有變化且變化滿足一定要求(如檢測到與上一幀變化量超過1%)，就觸發俯視行人的檢測。
[0005]2 )采用分級特征檢測目標
本發明的俯視行人檢測是以俯視行人的人頭為檢測目標的。當檢測系統被觸發以后，就在當前幀圖像上遍歷檢測目標，即用一定大小的矩形檢測框以一定大小的步長從上至下、從左至右掃描整張圖像。每個檢測矩形框的內容都是候選目標。候選目標的特征包括矩形特征、顔色穩定特征、梯度變化特征、梯形特征和圓弧特征等。
[0006]以下特征檢測是級聯結構，只有滿足前面特征的目標矩形框才能進行下一環節的特征檢測，不滿足條件的候選目標矩形框在被不滿足特征的檢測環節丟棄。
[0007]①矩形特征檢測
目標的矩形特征主要是以目標局部矩形塊之間差值為基礎的，即目標外觀的特性可以用各矩形分塊像素的灰度累加值(簡稱矩形值，可以運用“積分圖”快速計算而得)的差值來判斷。矩形分塊之間的差值反映了兩塊矩形外觀的差異，如果設定好相對偏差的閾值，就可以根據不同矩形塊之間相對偏差的大小，判定該目標整體或局部的對稱特征。將目標視作矩形，目標特征根據該矩形內的矩形分塊相互關系和分布特點決定。人頭目標在矩形特征中，運用了左右兩邊對稱、上下兩半相似、三分塊結構和團塊結構等特征，如圖1所示。具體描述是檢測目標矩形框是否左右對稱，即左右兩個子矩形塊是否相差不大；檢測目標矩形框是否上下近似，即上下兩個子矩形塊是否相差不大，但必須要有一定的差別；檢測目標矩形框是否左中右結構，即中間的子矩形塊與兩邊的子矩形塊滿足一定的差異要求；檢測目標矩形框是否具有團塊特征，即四個角的子矩形塊中至少有三個不同于中間子矩形塊的值。
[0008]②顏色穩定性特征
人頭部顏色是矩形中心一個相對穩定的團塊，所以計算矩形中心像素點灰度值的方差，如果方差在閾值之下，視作該目標矩形塊顏色穩定，符合人頭的特征，否則就不符合。
[0009]③梯度變化特征(這里借用“梯度”的概念表示有較大的變化)
本特征是指頭部區域顏色與背景顏色應有較大的差別，即頭部輪廓以外的顏色與頭部的顏色不同。旋轉采樣背景點的平均值與人頭的平均值比較。如圖2所示，設目標正方形框的中心坐標為(i，j)，目標框邊長為2R，人頭采樣半徑Kr小于人頭半徑)，從圓心引射線逆時針旋轉，Θ表示射線與水平位置的夾角)，采樣位置為射線在0=2pi/N處頭部以外區域即背景的采樣。人頭區域內的、人頭區域外采樣點的像素值分別表示為:H(i + rcos Θ ,j + rsin θ )和B (i + Rcos θ , j + Rsin θ ),則該目標的梯度變化值計算式為:
【權利要求】
1.俯視客流監控系統的觸發，采用運動變化檢測觸發，即利用視頻幀間差法計算場景的變化，設視頻相鄰幀的灰度圖像相減得幀差圖1mn,即Imn=Im(n)-1m(n-1), n表示當前中貞的序數，Im(n)表示當前幀灰度圖像，Im(n-1)表示上ー幀灰度圖像；如有當前幀與上一中貞內容有變化且變化滿足一定要求(如檢測到與上一幀變化量超過1%)，就觸發俯視行人的檢測。
2.俯視行人的檢測是以檢測俯視行人的人頭特征為基礎的，俯視行人的人頭特征包括矩形特征、顔色穩定特征、梯度變化特征、梯形特征和圓弧特征等，這些特征是以級聯分類器的方式組合在一起，每ー級分類器代表ー個特征判別，只有滿足該級分類器特征條件的候選目標才能進入下一級分類器判斷。
3.根據權利要求2所述的人頭的矩形特征，其特征主要是以目標局部矩形塊之間差值為基礎的，即目標外觀的特性可以用各矩形分塊像素的灰度累加值(簡稱矩形值，可以運用“積分圖”快速計算而得)的差值來判斷；矩形分塊之間的差值反映了兩塊矩形外觀的差異，如果設定好相對偏差的閾值，就可以根據不同矩形塊之間相對偏差的大小，判定該目標整體或局部的對稱特征；將目標視作矩形，目標特征根據該矩形內的矩形分塊相互關系和分布特點決定；人頭目標在矩形特征中，矩形特征具體描述是檢測目標矩形框是否左右対稱，即左右兩個子矩形塊是否相差不大；檢測目標矩形框是否上下近似，即上下兩個子矩形塊是否相差不大，但必須要有一定的差別；檢測目標矩形框是否左中右結構，即中間的子矩形塊與兩邊的子矩形塊滿足一定的差異要求；檢測目標矩形框是否具有團塊特征，即四個角的子矩形塊中至少有三個不同于中間子矩形塊的值等。
4.根據權利要求2所述的人頭的顏色穩定性特征，其特征在于:人頭部顏色是矩形中心ー個相對穩定的團塊，所以計算矩形中心像素點灰度值的方差，如果方差在閾值之下，視作該目標矩形塊顏色穩定，符合人頭的特征，否則就不符合。
5.根據權利要求2所述的人頭的梯度變化特征，其特征在于:頭部區域顔色與背景顏色應有較大的差別，即頭部輪廓以外的顔色與頭部的顔色不同；將旋轉采樣背景點的平均值與人頭的平均值比較，只有超過一定閾值的結果才符合目標的要求；最簡單的取樣，只取以上、下、左、右4個方向的采樣點比較來計算判斷梯度變化特征。
6.根據權利要求2所述的人頭的梯形特征，其特征在于:人體頭部在一定的俯視角度下是ー個類似圓形的團塊，團塊的特征是內部顔色均勻，邊緣一般是圓弧狀，那么頭部邊緣的圓弧形的形狀特征，可以被利用作為判斷候選目標是否是人體頭部的依據；為簡化計算圓弧可以用梯形來近似；梯形特征檢測有兩種方法。
7.根據權利要求6所述的人頭的梯形特征的兩種方法:ー種方法運用矩形特征中的梯形特征判斷；另ー種方法是將圖像預處理、二值化、形態學運算，頭部區域在處理之后在圖中表現為全白的部分，依序對目標窗ロ的每一行進行遍歷獲得連續的白色線段，所以按行掃描頭部區域，一行中中間連續為I的像素點組成的線段表示頭部在該行的長度；由于頭部輪廓總體或大部分呈圓弧狀，一般越靠近邊框的線段長度較短，越靠近中心的線段較長，這樣線段并在一起才會具有圓弧狀的效果；在矩形目標框中，上半、下半、左半、右半四部分只要有ー個部分滿足就符合人頭的梯形特性要求。
8.根據權利要求2所述的人頭的圓弧特征，其特征在于:雖然人頭呈現的是團塊特征，但可以利用Hough變換，在設定合適的參數情況下進行圓弧檢測以達到對目標的檢測；所以對目標矩形框內圖像求邊緣并二值化處理，檢測是否有圓形輪廓線判斷是否是目標。
9.當目標在指定區域被檢測以后，就進行目標的跟蹤，跟蹤特征選擇矩形框的灰度直方圖特性；本發明采用連續自適應均值移位(CAMShift)算法進行跟蹤，跟蹤目標自動獲取，且能多目標實時跟蹤，算法主要步驟如下:①選擇搜索窗口的初始位置，計算搜索窗顏色概率分布，初始位置由上述檢測方法檢測出的目標矩形框用修正的方法設置新窗口位置，執行均值移位(Mean Shift)跟蹤；③保存零階矩；④根據零階距設置搜索窗口的大小重復步驟②、④直至收斂。
10.客流計數和事件分析:①客流計數:在圖像中設定范圍，當目標移入就會被檢測，并跟蹤該目標，直到移出設定范圍就停止跟蹤，計數加I或減I;②人員排隊:多目標持續在檢測范圍內，并緩慢移動；③人員擁堵:密集的多目標持續一段時間在檢測范圍內沒有離開遺留物:保留原始背景，當運動檢測沒有變化，而此時背景持續不同就判定現場有遺留物；⑤兩人打斗:兩目 標持續在檢測范圍內移動。
【文檔編號】G06K9/00GK103559478SQ201310459104
【公開日】2014年2月5日 申請日期:2013年10月7日 優先權日:2013年10月7日
【發明者】唐春暉, 黃影平 申請人:唐春暉