[发明专利]基于深度信息聚类的复杂场景人数统计方法

权利要求书

1. 基于深度信息聚类的复杂场景人数统计方法，其特征在于该方法包括以下步骤：

步骤1：采用双目相机作为深度信息的获取设备，输出为帧率25FPS的CIF分辨率的深度图，深度图中，每个像素的取值范围为0-255，值越大表示该像素所代表的目标距离镜头越近；

步骤2：对深度图进行背景建模，并随着场景的变化，学习更新每个像素的混合高斯模型，确定背景分布，具体是：

首先对深度图进行背景建模，用由K个高斯成分组成的混合高斯模型表示像素在时间域上的概率分布模型，即深度图中像素j在t时刻取值为                                               的概率为

其中表示在t时刻像素j的混合高斯模型中的第i个高斯成分的权重，表示第i个高斯成分的均值，表示第i个高斯成分的协方差，η表示高斯概率密度函数：

其中d为的维数；

然后随着场景的变化，学习更新每个像素的混合高斯模型；

最后像素j的混合高斯模型描述了其特征值在时间域上的概率分布，为了确定像素的混合高斯模型里哪些高斯成分是由背景产生的，根据每个高斯成分的权重与其标准差之比排序后，取前个高斯成分作为背景的分布，根据下式计算

阈值T度量了背景高斯成分在像素的整个概率分布中所占得最小比例；

    步骤3：利用深度图背景模型，进行前景目标检测，即对每帧新深度图中的每个像素，求其在每个背景混合高斯模型中的概率值：

若概率最大值小于阈值，则认为当前像素为前景点，说明可能有人体；

步骤4：对前景深度图，利用DENCLUE算法进行聚类分割，具体是：

已知空间中包含n个对象的数据集，DENCLUE算法的基本思想可以形式化描述为：全局密度函数的核估计、密度吸引子和密度吸引、基于中心的聚类；

步骤5：在聚类分割完成后，就将原本联通的前景深度图分割成若干个区域，每个区域代表一个人体；

步骤6:对于每帧深度图，都进行上述步骤2-步骤5的处理，每帧都会得到一个人体分割结果，再利用面积匹配的方法进行帧间关联，从而得到每个人体的跟踪轨迹；

步骤7：结合规则线和跟踪轨迹，得出人数统计结果。

2.根据权利要求1所述的基于深度信息聚类的复杂场景人数统计方法，其特征在于：步骤2中的学习更新方法是：将混合高斯模型中的K个高斯成分按照由大到小排序，然后用像素的当前值与其混合高斯模型中的K个高斯成分逐一比较，若与第i个高斯成分的均值之间的差小于δ倍的该高斯成分的标准差，则该高斯成分被更新，其余高斯成分保持不变，更新方程如下：

其中是模型的学习率，当第i个高斯成分与匹配时，为1，否则为0；如果与像素j的混合高斯模型中的K个高斯成分都不匹配，则该像素混合高斯模型中排在最后的高斯成分被新的高斯成分取代，新的高斯成分均值为，初始标准差及权重设为和；在更新完成后，各高斯成分的权重被归一化，以使。

3.根据权利要求1所述的基于深度信息聚类的复杂场景人数统计方法，其特征在于：步骤4中全局密度函数的核估计具体是：空间任一点x的概率密度可估计为，其中，K(x)为核函数，采用是高斯核函数，表示窗宽。

4.根据权利要求1所述的基于深度信息聚类的复杂场景人数统计方法，其特征在于：步骤4中密度吸引子和密度吸引具体是：已知全局密度函数的局部极大值点，对任意的，如果存在点集，使得且位于的梯度方向上，则称x被密度吸引，而称为x的密度吸引；如果核函数K(x)在空间中的每一点都连续、可微，密度吸引子可以采用梯度方向指引的爬山法来搜索。

5.根据权利要求1所述的基于深度信息聚类的复杂场景人数统计方法，其特征在于：步骤4中基于中心的聚类具体是：已知密度吸引子，如果存在使得，x都被密度吸引且，则称C为以为中心的聚类，其中为预设的密度门限值。