一種非垂直俯視視角的人群密度檢測方法
【專利摘要】該發(fā)明提供了一種非垂直俯視視角的人群密度檢測方法，它將背景差分法與三幀差分法相結(jié)合對目標(biāo)圖像進(jìn)行前景提取，然后運用Canny算子對圖像進(jìn)行邊緣檢測。再運用圖像分割技術(shù)對視頻圖像進(jìn)行分層處理，再分別統(tǒng)計不同層次圖像的邊緣像素總和，根據(jù)與不同層次的臨界值的比較，得到各個層次的人群密度信息。根據(jù)不同層次圖像與攝像頭的位置關(guān)系對其加權(quán)，最終求各層次人群密度信息加權(quán)均值，得到整個檢測區(qū)域的人群密度信息。本方法可以在保證較大檢測視角的基礎(chǔ)上，有效解決在非垂直俯視視角的人群密度檢測效率與檢測精度相矛盾的問題，適用于人群密度較大的公共場所。
【專利說明】
-種非垂直俯視視角的人群密度檢測方法
技術(shù)領(lǐng)域
[0001] 本發(fā)明屬于圖像處理技術(shù)領(lǐng)域，設(shè)及一種非垂直俯視視角的人群密度檢測方法， 可用于大型公共場所較大范圍內(nèi)的人群密度檢測。
【背景技術(shù)】
[0002] 近年來，隨著經(jīng)濟(jì)持續(xù)穩(wěn)定發(fā)展，人們物質(zhì)文化需要的提高，城市公共場所作為經(jīng) 濟(jì)文化的主要載體承擔(dān)著各種商業(yè)活動，娛樂活動，文化活動，交通運輸活動，體育活動，宗 教活動。城市公共場所數(shù)量的迅速發(fā)展，規(guī)模越來越大，人群聚集活動越來越多的出現(xiàn)在各 種公共場所中，聚集人群的安全問題已經(jīng)引起人們的高度重視。大型公共場所人群高度密 集，一旦發(fā)生災(zāi)害，將造成嚴(yán)重的人員傷亡。踩踏事件是由于有限區(qū)域內(nèi)人群密度過大引發(fā) 的嚴(yán)重事故，每年我國因踩踏事件造成的人員傷亡都比較嚴(yán)重，也造成了較壞的社會影響。 在傳統(tǒng)公共安全領(lǐng)域，一般是用現(xiàn)場警力人為控制人群密度，效率較低，沒有一個長期有效 的辦法，現(xiàn)利用智能視頻檢測技術(shù)監(jiān)控人流密度較大的場所是解決運一問題的有效辦法。 因此，研究面向大型公共場所的人群密度檢測問題有很強(qiáng)的現(xiàn)實意義。
[0003] 現(xiàn)有的基于視頻的人群密度檢測方法主要包括有兩種:一種是基于圖像的像素特 征，另一種是基于圖像的紋理特征?；谙袼靥卣鞯娜巳好芏葯z測算法是通過找圖像像素 與人群人數(shù)的對應(yīng)關(guān)系來分析成群密度，運種方法計算簡單，復(fù)雜度低，但是當(dāng)攝像頭視角 過大、人群過于密集時，由于近大遠(yuǎn)小的局限性，運種方法的誤差比較大，所W只適用于類 垂直俯視視角下的人群密度檢測，檢測范圍過小?；诩y理特征的人群密度檢測算法是通 過分析圖像的紋理，根據(jù)不同的紋理特征對應(yīng)不同的密度等級，雖然運種方法在大視角計 算時準(zhǔn)確度好，但是標(biāo)定環(huán)節(jié)復(fù)雜，計算量大。
[0004] 在公共場所中，大多數(shù)攝像頭視角為非垂直俯視視角，W增大檢測區(qū)域。但是在此 視角下，基于像素特征的方法精度較低，不能滿足實際需求;基于紋理特征的方法復(fù)雜度太 大，計算成本過高。因此，特別需要一種改進(jìn)的人群密度檢測方法，W解決現(xiàn)有技術(shù)存在的 不足。
【發(fā)明內(nèi)容】
[0005] 本發(fā)明的目的在于提供一種非垂直俯視視角的人群密度檢測方法，針對現(xiàn)有技術(shù) 的不足，可W同時獲得較高的運算效率和準(zhǔn)確度。該方法在人群密度檢測的過程中，先運用 圖像分割技術(shù)對視頻圖像進(jìn)行分層處理，再基于像素特征的方法分別對不同層次的圖像進(jìn) 行人群密度檢測，將每個層次的人群密度信息進(jìn)行匯總處理，得到最終的人群密度信息。
[0006] 本發(fā)明所解決的技術(shù)問題可W采用W下技術(shù)方案來實現(xiàn)：
[0007] -種非垂直俯視視角的人群密度檢測方法，其特征在于，它包括如下步驟：步驟 一:獲取實時視頻圖像;步驟二:將背景差分法與=帖差分法相結(jié)合對目標(biāo)圖像進(jìn)行前景提 取;步驟S:運用化nny算子對圖像進(jìn)行邊緣檢測；步驟四：邊緣提取后，按照遠(yuǎn)近關(guān)系將圖 像分為有限層;步驟五:對不同層邊緣圖像分別統(tǒng)計邊緣像素總和，并分別與不同臨界值的 比較，得到不同層的人群密度信息;步驟六:將各層人群密度信息匯總，根據(jù)相關(guān)位置關(guān)系， 得到整個檢測區(qū)域的人群密度信息。
[0008] (1)進(jìn)一步，在步驟一所述的獲取視頻圖像的過程中，要使攝像頭盡量覆蓋到需要 檢測的區(qū)域，并且要求圖像要有一定的精度。攝像頭可W不與地面保持垂直視角，W獲取較 大的檢測區(qū)域，并W此固定的角度與位置對該區(qū)域進(jìn)行監(jiān)測。
[0009] (2)進(jìn)一步，步驟二所述的將背景差分法與=帖差分法相結(jié)合進(jìn)行前景提取是指： 21:利用背景差分法得到圖像的結(jié)果為D(x，y);22:利用S帖差分法得到的結(jié)果為AF(x， y);23:目標(biāo)圖像的前景為背景差分得到的結(jié)果與S帖差分得到的結(jié)果相或，即為D(x，y) U AF(x，y)。
[0010] (3)進(jìn)一步，步驟S中所述的運用化nny算子對圖像進(jìn)行邊緣檢測是指:31:選擇合 適的高斯濾波器參數(shù)8,利用二維高斯函數(shù)對原始圖像進(jìn)行高斯平滑濾波，得到圖像G;32: 對G進(jìn)行梯度計算，得到幅值圖像P(由梯度大小組成)和方向圖像0(由梯度方向組成）；33: W點為中屯、的局部范圍內(nèi)沿梯度方向進(jìn)行插值求取，選擇最大的點為邊緣點，W此進(jìn)行非 極大值抑制排除一部分非邊緣點，得到新的邊緣;34:設(shè)置闊值Th和化進(jìn)行雙口限檢測，如果 圖像像素值大小大于Th的值，則其為邊緣點，如果圖像像素值大小小于化的值，則其不是邊 緣點。
[0011] (4)進(jìn)一步，步驟四中所述按照遠(yuǎn)近關(guān)系將圖像分為有限層是指，既要使分層后能 顯著提高檢測的準(zhǔn)確性，又不能因為分得過細(xì)而明顯增加算法的計算量。
[0012] (5)進(jìn)一步，步驟五所述的不同層邊緣圖像分別統(tǒng)計邊緣像素總和是指:51:邊緣 提取后統(tǒng)計邊緣像素總和，并分別選擇合適的頂值Tl進(jìn)行比較，得到該層次的人群密度信 息。
[0013] (6)進(jìn)一步，步驟六所述的將各層人群密度信息匯總是指將各層人群密度信息加 權(quán)整合，得到反映整個檢測區(qū)域內(nèi)人群密度的信息。
[0014] 本發(fā)明的有益效果在于：（1)結(jié)合了背景差分法與=帖差分法的優(yōu)點，既有完整的 運動信息，穩(wěn)定性也很好，避免了背景差分法穩(wěn)定性差和=帖差分運動信息不完整的缺點。 (2)先利用圖像分割技術(shù)對圖像進(jìn)行了分層，再分別基于像素特征進(jìn)行人群密度檢測。運既 保留了基于像素特征方法的簡易性，又減少了其近大遠(yuǎn)小的影響，提升了算法的準(zhǔn)確性。使 其在非垂直俯視視角下也很較好的檢測效果。
【附圖說明】
[0015] 為了使本發(fā)明的目的、技術(shù)方案和優(yōu)點更加清楚，下面將結(jié)合附圖對本發(fā)明作進(jìn) 一步的詳細(xì)描述，其中：
[0016] 圖1為非垂直俯視視角的人群密度檢測方法框架圖。
[0017] 圖2為化nny算法流程圖。
[0018] 圖3為非垂直俯視視角的分層示意圖。
[0019] 圖4為圖像分層效果圖。
【具體實施方式】
[0020] 下面將結(jié)合附圖，對本發(fā)明的優(yōu)選實施例進(jìn)行詳細(xì)的描述。
[0021] 圖I為非垂直俯視視角的人群密度檢測方法框架圖，本方法包括W下步驟：
[0022] SI:實施例中首先通過已經(jīng)標(biāo)定好的攝像頭得到視頻圖像，再通過背景差分法與 =帖差分法相結(jié)合進(jìn)行前景提取，具體步驟如下：
[0023] Sll:事先將視頻序列中不含運動前景物體的一帖或多帖的平均作為已知背景圖 像B(x，y);
[0024] S12:將要檢測的任意時刻的運動前景圖像CU, y)與已經(jīng)保存的背景圖像進(jìn)行像 素大小相減，得到提取出的運動前景D(x，y)。具體公式為：
[0025] D(x,y)=C(x,y)-B(x,y)
[0026] S13:選取闊值為Ti,則：
[0027]
[0028] S14:再用原始圖像第化+1)帖灰度值減去第k帖灰度值取絕對值，然后選取合適的 闊值T/，得到二值圖像A Fi(X，y )，再用第化+2)帖灰度值減去第化+1)帖灰度值取絕對值， 用同樣的闊值得到二值圖像AF2(x，y)。用公式表示為：
[0029] AFi(x，y)= |F2(x，y)-Fi(x，y)
[0030] AF2(x，y)= |F3(x，y)-F2(x，y)
[0031] 若選擇闊值T/，則：
[0032]
[0033]
[0034] S15:用得到的二值圖像AFi(x，y)與AF2(x，y)進(jìn)行"與"運算，得到S帖差分法的 處理結(jié)果A F(x，y)。用公式表示為：
[0035] AF(x，y)= AFi(x，y)n AF2(x，y)
[0036] S16:將背景差分法得到的結(jié)果與=帖差分得到的結(jié)果相或，即為最終提取到的運 動前景D(x,y)U AF(x,y)。
[0037] S2:利用化nny算子對原始圖像進(jìn)行邊緣檢測，具體的實施步驟如下：
[0038] S21:在邊緣檢測前，先用二維高斯函數(shù)對原始圖像進(jìn)行高斯平滑濾波，其中二維 高斯函數(shù)如下：
[0039]
[0040] 式中S是高斯濾波器參數(shù)，主要用來控制平滑程度，選擇合適的高斯濾波器參數(shù)可 W兼顧較高的邊緣精度與較高的圖像信噪比，根據(jù)經(jīng)驗，運里取8 = 1。
[0041] S22:高斯濾波后得到圖像G，對其進(jìn)行梯度計算，可W得到幅值圖像P(由梯度大小 組成)和方向圖像0(由梯度方向組成），那么在點Q J)上X方向的偏導(dǎo)數(shù)PxQJ)和y方向的 偏導(dǎo)數(shù)Py(iJ)分別為：
[0042] Px(i,j) = (G(i,j+l)-G(i,j)+G(i+l,j+l)-G(i+l,j))/2
[0043] Py(i,j) = (G(i,j)-G(i+l,j)+G(i,j+l)-G(i+l,j+l))/2
[0044] S23:通過偏導(dǎo)數(shù)計算出點（i，j)出的梯度大小和梯度方向為：
[0045]
[0046]
[0047] S24: W點為中屯、的局部范圍內(nèi)沿梯度方向進(jìn)行插值求取，選擇最大的點為邊緣 點，W此進(jìn)行非極大值抑制排除一部分非邊緣點，得到新的邊緣。
[004引S25:設(shè)置闊值Th和化進(jìn)行雙口限檢測，如果圖像像素值大小大于Th的值，則其為邊 緣點，如果圖像像素值大小小于化的值，則其不是邊緣點。根據(jù)邊緣的連通性，在兩闊值之 間的點，如果點的相鄰點中有邊緣點，則該點也是邊緣點，否則是非邊緣點。
[0049] S3:按照遠(yuǎn)近關(guān)系，將圖像分為有限層的具體操作步驟如下：
[0050] S31:如圖3所示，根據(jù)檢測區(qū)域與攝像頭的高度及角度關(guān)系，分為不同的檢測層。 分層時的要求0<〇1<90°。其中Qi代表i層下邊緣與攝像頭中屯、連線與垂線的夾角。
[0051] S32:根據(jù)在圖4中的效果圖與實驗數(shù)據(jù)，當(dāng)分得的層數(shù)n = 5時，既能顯著提高算法 的檢測精度，又不會明顯增加算法的計算負(fù)擔(dān)。據(jù)所W本方法取n = 5。
[0052] S4:根據(jù)傳統(tǒng)研究證明，檢測區(qū)域人越多，提取出來的運動前景圖像像素值加起來 總和越大，或者運動前景圖像經(jīng)過邊緣檢測的邊緣像素點越多，同時也意味著像素總和越 大。所W統(tǒng)計像素總和TiO,與闊值Tl比較，得到該層區(qū)域的人群密度Pi。
[0化3]
[0054] S5:得到不同層區(qū)域的人群密度，離攝像頭越近，在同樣人群密度下，其得到的結(jié) 果越大，為了消除運種影響，分別對不同區(qū)域的結(jié)果加權(quán)，距離越遠(yuǎn)權(quán)重越大，最終得到結(jié) 果。
[0化5]
[0056] 其中ai = ka巧，k可W根據(jù)實際的圖像進(jìn)行調(diào)節(jié)。
[0057] 最后說明的是，W上優(yōu)選實施例僅用W說明本發(fā)明的技術(shù)方案而非限制，盡管通 過上述優(yōu)選實施例已經(jīng)對本發(fā)明進(jìn)行了詳細(xì)的描述，但本領(lǐng)域技術(shù)人員應(yīng)當(dāng)理解，可W在 形式上和細(xì)節(jié)上對其作出各種各樣的改變，而不偏離本發(fā)明權(quán)利要求書所限定的范圍。
【主權(quán)項】
1. 一種非垂直俯視視角的人群密度檢測方法，其特征包括如下步驟： 步驟一:將視頻信息傳送到計算機(jī)終端，獲取實時視頻圖像； 步驟二:將背景差分法與三幀差分法相結(jié)合對目標(biāo)圖像進(jìn)行前景提?。? 步驟三:運用Canny算子對圖像進(jìn)行邊緣檢測； 步驟四：邊緣提取后，按照遠(yuǎn)近關(guān)系將圖像分為有限層； 步驟五:不同層邊緣圖像分別統(tǒng)計邊緣像素總和 步驟六:整合各層次人群密度信息，得到整個區(qū)域的人群密度。2. 根據(jù)權(quán)利要求1所述的一種非垂直俯視視角的人群密度檢測方法，其特征在于:在步 驟一中，攝像頭不與地面保持垂直俯視視角，以獲得較大檢測區(qū)域。并以此固定的角度與位 置對該區(qū)域進(jìn)行監(jiān)測。3. 根據(jù)權(quán)利要求1所述的一種非垂直俯視視角的人群密度檢測方法，其特征在于:在步 驟二中，具體包括以下步驟:21:利用背景差分法得到圖像的結(jié)果為D(x，y);22:利用三幀差 分法得到的結(jié)果為AF(x， y);23:目標(biāo)圖像的前景為背景差分得到的結(jié)果與三幀差分得到 的結(jié)果相或，即為D(x，y)U AF(x，y)。4. 根據(jù)權(quán)利要求1所述的一種非垂直俯視視角的人群密度檢測方法，其特征在于:在步 驟三中，具體包括以下步驟:31:選擇合適的高斯濾波器參數(shù)δ，利用二維高斯函數(shù)對原始圖 像進(jìn)行高斯平滑濾波，得到圖像G;32:對G進(jìn)行梯度計算，得到幅值圖像Ρ(由梯度大小組成） 和方向圖像Θ (由梯度方向組成）；33:以點為中心的局部范圍內(nèi)沿梯度方向進(jìn)行插值求取， 選擇最大的點為邊緣點，以此進(jìn)行非極大值抑制排除一部分非邊緣點，得到新的邊緣;34: 設(shè)置閾值Τη和九進(jìn)行雙門限檢測，如果圖像像素值大小大于Τη的值，則其為邊緣點，如果圖 像像素值大小小于?1的值，則其不是邊緣點。5. 根據(jù)權(quán)利要求1所述的一種非垂直俯視視角的人群密度檢測方法，其特征在于:在步 驟四中，利用圖像分割技術(shù)對待測圖像進(jìn)行分層處理，每一層下邊緣與攝像頭中心連線與 垂線的夾角ai需要滿足0<ai<90°。6. 根據(jù)權(quán)利要求1所述的一種非垂直俯視視角的人群密度檢測方法，其特征在于:在步 驟五中，具體包括以下步驟:51:邊緣提取后統(tǒng)計邊緣像素總和，并分別選擇合適的頂值 進(jìn)行比較，得到該層次的人群密度信息。7. 根據(jù)權(quán)利要求1所述的一種非垂直俯視視角的人群密度檢測方法，其特征在于:在步 驟六中，根據(jù)不同層次圖像與攝像頭的位置關(guān)系對其加權(quán)，各層權(quán)重aiikc^H，最終求各層 次人群密度信息加權(quán)均值，得到整個檢測區(qū)域的人群密度信息。
【文檔編號】G06K9/00GK106022219SQ201610300135
【公開日】2016年10月12日
【申請日】2016年5月9日
【發(fā)明人】張超, 譚鑫, 莊楚斌, 尹宏鵬
【申請人】重慶大學(xué)