[发明专利]自适应的区域行人计数方法及装置

说明书

技术领域

本发明涉及数字图像处理及基于计算机视觉的模式识别领域，特别涉及一种自适应的区域行人计数方法及装置。

背景技术

基于计算机视觉的行人计数系统能够通过计算机自动分析处理海量的视频数据，大大减少了工作人员的工作量，实现对公共场所的人群流量统计。

现有的视频行人计数系统都无在线自适应学习功能。主要分为两种主流方法：1)基于行人检测和跟踪的行人计数算法。例如：可通过离线训练分类器，检测视频图像中行人头部或头肩来实现行人计数；或针对拥挤人群，用组跟踪的方法跟踪人群，解决遮挡和运动分割不全问题以实现行人计数。2)基于函数回归的行人计数算法。例如：利用动态纹理模型分割运动区域，并利用高斯过程拟合人数，可以同时处理多个运动方向的人群；或提取图像边缘方向特征和前景块直方图特征，离线学习特征与行人数目之间的关系，得到有监督的神经网络分类器来实现行人计数。

但是，现有基于视频的人数计数算法大多采用统计学习的方法，离线收集大量样本，采用训练分类器实现行人或人群的检测，或者采用回归模型拟合行人数目。该类算法性能的优劣与训练过程中样本是否完备息息相关。然而实际中，监控场景各不相同，场景中的行人千差万别，不可能收集到完整的样本集，当训练集与测试集之间差异较大时，计数的准确性也大大降低。

发明内容

为提高视频人数计数系统对多场景的适应能力，提高计数的准确性，本发明提供了一种具备在线自适应学习功能的区域行人计数方法及装置，采用该方法进行区域行人计数，场景适应能力强，计数更准确。

本发明提供一种自适应的区域行人计数方法，用于对视频图像中的行人进行计数，包括：分类器训练步骤，用于基于预先采集的做为行人样本和非行人样本的视频图像，训练计数模型，得到基于该计数模型的用于行人计数的分类器；行人计数步骤，用于获取当前视频图像帧，并采用所述分类器对当前视频图像帧内的行人进行计数；样本提取步骤，用于在当前视频图像帧内提取行人样本和非行人样本，并缓存所提取的行人样本和非行人样本中满足预定条件的行人样本和非行人样本；参数更新步骤，用于当满足更新条件时采用缓存的行人样本和非行人样本更新所述计数模型，并更新基于更新后的计数模型的分类器，跳转至行人计数步骤。

本发明还提供一种自适应的区域行人计数装置，用于对视频图像中的行人进行计数，包括：分类器训练单元，用于基于预先采集的做为行人样本和非行人样本的视频图像，训练计数模型，得到基于该计数模型的用于行人计数的分类器；行人计数单元，用于获取当前视频图像帧，并采用所述分类器对当前视频图像帧内的行人进行计数；样本提取单元，用于在当前视频图像帧内提取行人样本和非行人样本，并缓存所提取的行人样本和非行人样本中满足预定条件的行人样本和非行人样本；参数更新单元，用于当满足更新条件时采用缓存的行人样本和非行人样本更新所述计数模型，并更新基于更新后的计数模型的分类器。

本发明采用基于高斯混合模型的贝叶斯分类器结合行人运动信息实现区域行人检测计数，同时在线自动采集高置信度样本，实时调整分类器参数，有效地提高了系统对场景的适应性，提高了计数的准确性。

附图说明

图1为本发明实施例的自适应的区域行人计数方法的流程图。

图2示出本发明实施例的应用区域行人计数方法的系统流程图。

图3为本发明实施例的LBP纹理特征计算方法。

图4为本发明实施例的透视模型的示意图。

图5为本发明实施例的高置信度行人和非行人样本实例的图。

图6为本发明实施例的高斯混合模型参数在线自适应学习流程图。

图7为本发明实施例的自适应的区域行人计数装置的示意图。

具体实施方式

本发明采用基于高斯混合模型(Gaussian Mixture Model，GMM)的贝叶斯分类器作为基本分类器检测视频图像中的行人目标。首先提取大量预先采集的行人样本和非行人样本的梯度局部二值模式特征(Gradient-Local Binary Patterns，G-LBP)，训练得到初始的贝叶斯分类器。结合行人运动信息，该分类器可以实现初步的行人检测计数功能；同时，根据行人和非行人的特性，设定了相应的规则在线提取高置信度样本；当针对特定场景进行区域行人计数时，结合实时采集的高置信度样本的特征，本发明设计了一套更新方案实时更新高斯混合模型的参数，提高系统对特定场景的自适应能力，进一步提高行人计数准确性。