[发明专利]一种基于FAST的计算机辅助CAD人数统计方法

摘要

一种基于FAST的人数统计方法，属于计算机视觉人数统计需求领域，其特征在于，在对人群监控视频图像进行滤波预处理后，利用角点检测算法得到当前图像的角点特征向量FAST,再按照当前人群图像特征点与像素点总数之比分为低、高密度的人群图像，提取出两者的前景图像后，对于低密度人群前景图像把腐蚀算法得到的连通域面积T作为FAST特征点，对于高密度人群的前景图像，利用OPTiCS算法为各像素点中的核心点建立邻居域，再以每个邻居域核心点到各个像素点的最小可达距离作为每个邻居域内的最小可达距离并以此构建高密度人群的FAST特征点向量X，再以T、X和摄像机离人群距离D构筑人群评估模型，再以设定的训练样本作测试向量进行SVM支持向量机训练，提高了统计速度和准确率。

主权项

一种基于FAST的计算机辅助CAD人数统计方法，其特征在于，是在计算机中依次按以下步骤实现的：步骤（1），把输入的监控视频图像数据转制为图片数据，得到离散的数字图像序列，用{Z}表示；步骤（2），对步骤（1）得到的数字图像序列{Z}按以下步骤进行图像增强预处理：步骤（2.1），对每帧数字图像z,z=1,2,…z,…Z,按下式计算灰度为i的像素的出现概率Px(i);Px(i)=ni/N,0≤i≤1,是灰度值为i的直方图，横轴是像素值i，纵轴是出现概率，其中，ni是灰度值为i的像素点数，N为该帧图像的像素点总数，步骤（2.2），按下述拉普拉斯高斯函数滤波，使所述直方图Px(i)均衡化，保证每个灰度级的概率密度相等： L 0 G = Δ Δ G 0 ( x , y ) = ∂ 2 ∂ x 2 G 0 ( x , y ) + ∂ 2 ∂ y 2 G 0 ( x , y ) = x 2 + y 2 - 2 σ 2 σ 2 e - ( x 2 + y 2 ) / 2 σ 2 , 其中，x,y为每帧图像的点坐标值，σ2为均方差，步骤（3），按以下步骤用角点检测算法进行角点检测，角点检测的英文名为Features from Accelerated Segment Test,简称FAST;步骤（3.1），在所述每帧数字图像z上选取任何一个像素点，灰度值为i0，以此像素点为中心，做一个半径等于三个所述像素点i的直径的离散化的Bresenham圆，步骤（3.2），在所述的Bresenham圆周上，任选一点作为起始点，按顺时针顺序对圆周上的各像素点按1～16的次序编号，再取编号为1，5，9，13的4个像素点进行角点检测，步骤（3.3），若步骤（3.2）中所述4个像素点中有三个满足下式，则步骤（3.1）中所任选的一个像素点i为角点：|ix‑io|2/3，为高密度人群；步骤（5），若为低密度人群，则按以下步骤计算低密度人群的特征向量R,步骤（5.1），按下式对所述每帧数字图像去背景，得到当前人群图像的背景图像；n3=|n1‑n2|，其中：n1，为用像素点数表示的当前人群图像，n2，为用像素点数表示的当前人群背景图像，n3，为用像素点数表示的当前人群前景图像，步骤（5.2），用Canny边缘检测算法对步骤（5.1）得到的所述当前人群前景图像n3进行轮廓提取，得到人群轮廓目标，步骤（5.3），按以下步骤对步骤（5.2）得到的所述低密度人群目标进行形态学处理：步骤（5.3.1），在所述的低密度人群轮廓目标上，去除面积小于7个像素点的子区域，步骤（5.3.2），利用结构元素 010 111 010 作腐蚀算子按照逐行逐点处理的步骤对步骤（5.3.2）得到的所述人群轮廓目标的图像进行腐蚀运算，得到腐蚀的 结果，构成一个目标连通域，步骤（5.3.3），计算目标连通域的面积T，把其中所有的低密度人群前景图像的FAST特征点存入特征向量序列R中，以所述面积T表示；步骤（6），若为高密度人群，则执行如下步骤：步骤（6.1)，按步骤（5.1）所述方法得到当前高密度人群图像的前景图像，步骤（6.2），采用Optics密度聚类算法对步骤（6.1）中得到的当前高密度人群的前景图像进行基于密度的聚类分析，步骤如下：步骤（6.2.1），建立一个所述当前高密度人群的前景图像的像素点矩阵，把其中相邻两个像素点在水平方向的最小间距作为列与列之间的单元列距，把其中相邻两个像素点在垂直方向的最小间距作为行与行之间的单元行距，把水平方向的最大的像素点个数作为列数，把垂直方向的最大的像素点个数作为行数，把行与列交点上的有像素点时标记为1，否则为0，把左下角作为计算像素点位置的原点，步骤（6.2.2），定义以下OPTiCS算法的参数：核心点，当一个像素点的以ε为半径的邻居域内的邻居像素点数开始超过输入的估计阈值MinPts时，则称该所述的一个像素点为处于某一个簇内的核心点，所述邻居域内所包含的所述核心点的邻居点数等于MinPts值时，则此时邻居域的半径ε称为所述核心点的最小半径，εmin也简称为该核心点的核心距离，用MinPts‑distance(O)，O表示核心点，MinPts在3‑20之间取值，MinPts‑distance(O)在10‑20之间取值，步骤（6.2.3），在步骤（6.2.1）的像素点矩阵中任意找一个像素点作为核心点O，再以所述核心点O为圆心，用任意一个半径作邻居域，判断：所述邻居域内的邻居点数若：小于初始估计的MinPts值，则沿该核心点的半径方向，以设定的单位 步长向外扩展一个距离，再以该核心点为圆心作一个邻居域，判断该邻居内的邻居点数，一直到开始等于或大于设置的MinPts值为止，得到接近或等于该核心点的核心距离的一个距离值，大于初始估计的MinPts值，则沿该核心点半径的反方向减少一个单位步长一直到开始等于或小于设定的MinPts值为止，得到接近或等于核心距离的一个距离值，若改变半径值还不能满足要求，则再任意找一个像素点作为核心点O，直到满足要求为止，步骤（6.2.4），以步骤（6.2.3）得到的距离值为半径，作一个邻居域，求出从该核心点到域内各邻居点的可达距离，再按升序排列，得到了所述高密度当前前景图像的FAST特征点向量，步骤（7），依次按以下步骤进行人数统计预测：步骤（7.1），支持向量机SVM初始化：设置：版本为LIB‑SVM3.1的SVM软件包，SVM的惩罚因子C=10，在摄像机与人群的距离为10米条件下：采用1～10个人样本，10～20个人样本，20～30个人样本，30～40个人样本，40～50个人样本，50～60个人样本，60～70个人样本，70～80个人样本，80～90个人样本和90～100个人样本，共计十类人群的训练样本，每类200张训练样本，共计2000张训练样本，分别标记LABEL为1～10类，作为SVM的测试标记，也称测试向量，步骤（7.2），向所述支持向量机SVM输入人数评估模型，S=(X,T,D)，其中：X为所述高密度人群FAST的特征点数，T表示低密度人群所占的对应的图像面积序列，在0～120范围内取值，D为摄像机与人群的距离，在5～30m内取值，取D=10米，S为人数估计值，在0～500人内取值，步骤（7.3），根据步骤（7.2）的训练样本来标定所述人数估计模型S=(X,T,D)，步骤（7.4），运行步骤（7.1）中所述SVM软件包，输出对应测试标记LABEL下各点人群样本的预测准确率及其对应的人数评估值，准确率在50%～100%之间，步骤（7.5），程序运行结束。