本發明專利技術公開了一種通道客流密度估計方法。該方法是首先建立用于估算的多元線性模型，并在該類場景中獲取多元線性模型的訓練樣本集，然后再通過多元線性回歸分析求取模型參數，從而得到完整的多元線性回歸方程；之后只需要從監控視頻圖像中提取相應的特征代入所建成的多元線性回歸方程中便可以實時地進行人流密度估計。本發明專利技術提供的通道客流密度估計方法是以前景像素、人臉區域像素以及前景外/內邊緣像素與人流密度的多元線性關系為根據進行人流密度估計，不僅適用于低密度人群，同時提高了高密度人群情況下的估計精度。
【技術實現步驟摘要】
本專利技術涉及一種對各類公共場所的出入口、通道、扶梯等單向通道的客流密度估計技術，可廣泛應用于地鐵、車站等場所的單向客流通道，進行人流密度監測與估計。
技術介紹
隨著經濟的快速發展和人們生活水平的提高，越來越多的人口涌入城市。對于城市中的許多公共設施比如商場、地鐵等，都會在短時間迎來人流的高峰。近些年在各地也都發生過因為人流過于擁擠而發生的踩踏傷亡事件，因此對這些場所的客流密度進行實時的統計和分析顯得至關重要。另外人群密度估計技術在公共安全、機場車站等交通樞紐的管控和服務等領域有著重要作用，還可為商業決策提供依據。隨著計算機技術的發展，利用計算機視覺以及圖像處理技術對監控畫面實時分析處理，可實現人流自動統計和管理，常用的方法主要有三大類:基于像素分析的方法、基于紋理分析的方法以及基于個體目標分析的方法。其中，基于像素分析的方法的依據是通過人群密度和像素數之間近似的線性關系，可以直接得到人群密度的估計結果，但是并不能解決高密度人群的重疊問題，因為人群密度越大，重疊越嚴重，這時的人群密度與像素數已不是之前的線性關系。基于紋理分析的方法的依據是人群密度的高低與紋理模式的粗細之間存在對應關系，能夠很好地解決高密度人群重疊遮擋的問題，但是在低密度監測時卻有很大的誤差。基于個體目標分析的方法主要是對目標進行識別、跟蹤，以區分不同的目標個體，但是在人流密度過大時，目標分割很困難，而且此方法很復雜，很難滿足實時性要求。
技術實現思路
為了解決上述問題，本專利技術的目的在于提供。為了達到上述目的，本專利技術提供的通道客流密度估計方法采用由攝像頭和主機構成的硬件平臺，其中:攝像頭安裝在采集通道上，主機為運算部件，采用通用PC計算機；主機與攝像頭相連接，用于通過攝像頭采集圖像，并完成對通道內人群客流密度估算的相應運算；所述的通道客流密度估計方法由訓練階段和實時階段組成；其中所述的訓練階段包括按順序執行的下列步驟:步驟一、讀入視頻圖像的SlOl階段:通過攝像頭采集一幀圖像作為樣本圖像；步驟二、判斷圖像是否滿足要求的S102階段:由主機根據讀入的圖像中人流方向、人群分布等條件，判斷讀入的圖像是否滿足構建特征樣本的原則，如果判斷結果為“是”則進入下一步，否則轉跳至SlOl階段的入口處，下一步繼續執行SlOl階段；步驟三、建立特征樣本序列的S103階段:記錄樣本圖像中的人數，并提取圖像特征，即:前景圖像像素數、人臉膚色區域像素數、前景區域外邊緣像素數和內邊緣像素數，將上述特征元素作為特征樣本序列中的一個樣本保存在特征樣本序列中，然后進入下一步；步驟四、 判斷特征樣本序列是否完整的S104階段:判斷用于構建訓練樣本集的特征樣本序列是否完整，如果判斷結果為“是”則進入下一步，否則轉跳至SlOl階段的入口處，下一步繼續執行SlOl階段；步驟五、建立線性回歸方程的S105階段:根據已構建的訓練樣本集，由最小二乘法求得線性回歸方程的系數值，從而建立線性回歸方程，至此訓練階段流程結束；所述的實時階段包括按順序執行的下列步驟:步驟一、讀入監測圖像的S201階段:通過攝像頭I采集實時圖像；步驟二、設定有效監測區域的S202階段:在圖像中確定出有效監測區域的范圍；步驟三、提取前景圖像的S203階段:從得到的圖像中分割出活動人群作為前景圖像；步驟四、前景圖像預處理的S204階段:對前景圖像進行濾波、去噪處理，然后計算出前景圖像像素數，再從前景圖像中檢測出人臉區域，然后分析并統計出人臉膚色區域的像素數；步驟五、計算邊緣像素的S205階段:計算前景圖像的外部邊緣像素數和內部邊緣像素數；步驟六、估算人數及人流密度的S206階段:將上述這些像素數作為特征數據代入到在訓練階段生成的線性回·歸方程中，求得活動人群的人數估算值，將其除以監控區域的面積，即為實時的人流密度估計值。在S103階段中，所述的提取圖像特征過程主要包括前景圖像提取、人臉區域檢測以及邊緣檢測；其中前景圖像提取方法是首先利用高斯混合模型建立背景模型，然后判斷圖像像素點是否與當前背景的K個高斯分布匹配，若匹配則判斷為背景，同時更新高斯分布權值，若都不匹配，則判斷為前景，高斯分布權值不更新；生成一個二值的前景掩模，其中背景為0，前景為255。然后對掩模進行中值濾波和形態學處理，這樣便完成了對前景圖像的提取；人臉區域檢測方法是基于Haar分類器檢測出人臉區域，然后再通過YCrCb顏色空間統計出人臉區域內的膚色區像素數；邊緣檢測方法是首先將提取的前景圖像轉換為灰度圖像，經均值濾波之后使用canny算子進行邊緣檢測。在S203階段中，所述的前景圖像的提取主要采用混合高斯模型的背景差分方法。在S204階段中，所述的檢測人臉膚色區域的方法是首先采用基于Haar分類器的方法確定人臉區域，然后通過基于YCrCb顏色空間的膚色檢測方法來統計人臉區域內膚色像素。在S205階段中，所述的計算前景圖像的邊緣像素方法是采用canny算子對前景圖像進行邊緣檢測，并對結果進行降噪、濾波處理，去除干擾較大的區域，然后統計出內部邊緣像素數和外部邊緣像素數。本專利技術提供的通道客流密度估計方法是以前景像素、人臉區域像素以及前景外/內邊緣像素與人流密度的多元線性關系為根據進行人流密度估計，不僅適用于低密度人群，同時提高了高密度人群情況下的估計精度。附圖說明圖1為本專利技術提供的通道客流密度估計方法硬件平臺構成示意圖。圖2為本專利技術提供的通道客流密度估計方法中訓練階段流程圖。圖3為本專利技術提供的通道客流密度估計方法中實時階段流程圖。具體實施例方式下面結合附圖和具體實施例對本專利技術提供的通道客流密度估計方法進行詳細說明。圖1示出了本專利技術提供的通道客流密度估計方法硬件平臺構成示意圖，其中:攝像頭I是安裝在采集通道上的圖像采集裝置，為圖像提取部件，主機2為運算部件，采用通用PC計算機，人群3為被監測通道中過往的人流；主機2與攝像頭I相連接，用于通過攝像頭I采集圖像，并完成對通道內人群3客流密度估算的相應運算。所述的通道客流密度估計方法是在前景像素分析的基礎上，綜合考慮膚色像素和邊緣像素，主要思想立足于以下兩點:(一 )通道場景中，用置于前端的攝像頭I采集圖像時，隨著人群3密度的增大，以人臉為主的膚色區域占整個前景區域的比重呈增大趨勢；( 二)對前景圖像進行邊緣提取，隨著人群密度的增大，除前景輪廓邊緣之外的內部邊緣像素占全部邊緣像素的比重呈增大趨勢。該方法利用人群人數與上述兩種比例之間存在較強的多元線性關系.通過多元線性回歸分析可求得人數與這些特征之間的多元線性模型，從而可對于基于前景像素數方法的估計結果進行修正，實現更為精確人群密度估計。利用本專利技術提供的通道客流密度估計方法對于某類場景的人流密度估計，需要首先依據上述思想建立用于估算的多元線性模型，并在該類場景中獲取多元線性模型的訓練樣本集，然后再通過多元線性回歸分析求取模型參數，從而得到完整的多元線性回歸方程；之后只需要從監控視頻圖像中提取相應的特征代入所建成的多元線性回歸方程中便可以實時地進行人流密度估計。 因此，本專利技術提供的通道客流密度估計方法由訓練階段和實時階段組成，在訓練階段:主機2通過攝像頭I采集一幅現場視頻圖像作為樣本圖像，并從中提取運動人群前景圖像，然后計算出前景圖像像素數、人臉膚色區域所占本文檔來自技高網...
【技術保護點】
一種通道客流密度估計方法，該方法采用由攝像頭(1)和主機(2)構成的硬件平臺，其中：攝像頭(1)安裝在采集通道上，主機(2)為運算部件，采用通用PC計算機；主機(2)與攝像頭(1)相連接，用于通過攝像頭(1)采集圖像，并完成對通道內人群客流密度估算的相應運算；其特征在于：所述的通道客流密度估計方法由訓練階段和實時階段組成；其中所述的訓練階段包括按順序執行的下列步驟：步驟一、讀入視頻圖像的S101階段：通過攝像頭(1)采集一幀圖像作為樣本圖像；步驟二、判斷圖像是否滿足要求的S102階段：由主機(2)根據讀入的圖像中人流方向、人群分布條件，判斷讀入的圖像是否滿足構建特征樣本的原則，如果判斷結果為“是”則進入下一步，否則轉跳至S101階段的入口處，下一步繼續執行S101階段；步驟三、建立特征樣本序列的S103階段：記錄樣本圖像中的人數，并提取圖像特征，即：前景圖像像素數、人臉膚色區域像素數、前景區域外邊緣像素數和內邊緣像素數，將上述特征元素作為特征樣本序列中的一個樣本保存在特征樣本序列中，然后進入下一步；步驟四、判斷特征樣本序列是否完整的S104階段：判斷用于構建訓練樣本集的特征樣本序列是否完整，如果判斷結果為“是”則進入下一步，否則轉跳至S101階段的入口處，下一步繼續執行S101階段；步驟五、建立線性回歸方程的S105階段：根據已構建的訓練樣本集，由最小二乘法求得線性回歸方程的系數值，從而建立線性 回歸方程，至此訓練階段流程結束；所述的實時階段包括按順序執行的下列步驟：步驟一、讀入監測圖像的S201階段：通過攝像頭(1)采集實時圖像；步驟二、設定有效監測區域的S202階段：在圖像中確定出有效監測區域的范圍；步驟三、提取前景圖像的S203階段：從得到的圖像中分割出活動人群作為前景圖像；步驟四、前景圖像預處理的S204階段：對前景圖像進行濾波、去噪處理，然后計算出前景圖像像素數，再從前景圖像中檢測出人臉膚色區域，對檢測結果做去噪處理，然后分析并統計出人臉膚色區域的像素數；步驟五、計算邊緣像素的S205階段：計算前景圖像的外部邊緣像素數和內部邊緣像素數；步驟六、估算人數及人流密度的S206階段：將上述這些像素數作為特征數據代入到在訓練階段生成的線性回歸方程中，求得活動人群的人數估算值，將其除以監控區域的面積，即為實時的人流密度估計值。...
【技術特征摘要】
1.一種通道客流密度估計方法，該方法采用由攝像頭(I)和主機(2)構成的硬件平臺，其中:攝像頭(I)安裝在采集通道上，主機(2)為運算部件，采用通用PC計算機；主機(2)與攝像頭(I)相連接，用于通過攝像頭(I)采集圖像，并完成對通道內人群客流密度估算的相應運算；其特征在于:所述的通道客流密度估計方法由訓練階段和實時階段組成；其中所述的訓練階段包括按順序執行的下列步驟: 步驟一、讀入視頻圖像的SlOl階段:通過攝像頭(I)采集一幀圖像作為樣本圖像；步驟二、判斷圖像是否滿足要求的S102階段:由主機(2)根據讀入的圖像中人流方向、人群分布條件，判斷讀入的圖像是否滿足構建特征樣本的原則，如果判斷結果為“是”則進入下一步，否則轉跳至SlOl階段的入口處，下一步繼續執行SlOl階段； 步驟三、建立特征樣本序列的S103階段:記錄樣本圖像中的人數，并提取圖像特征，即:前景圖像像素數、人臉膚色區域像素數、前景區域外邊緣像素數和內邊緣像素數，將上述特征元素作為特征樣本序列中的一個樣本保存在特征樣本序列中，然后進入下一步；步驟四、判斷特征樣本序列是否完整的S104階段:判斷用于構建訓練樣本集的特征樣本序列是否完整，如果判斷結果為“是”則進入下一步，否則轉跳至SlOl階段的入口處，下一步繼續執行SlOl階段； 步驟五、建立線性回歸方程的S105階段:根據已構建的訓練樣本集，由最小二乘法求得線性回歸方程的系數值，從而建立線性回歸方程，至此訓練階段流程結束； 所述的實時階段包 括按順序執行的下列步驟: 步驟一、讀入監測圖像的S201階段:通過攝像頭(I)采集實時圖像； 步驟二、設定有效監測區域的S202階段:在圖像中確定出有效監測區域的范圍；步驟三、提取前景圖像的S203階段:從得到的圖像中分割出活動人群作為前景圖像；步驟四、前景圖像預處理的S204階段:對前景圖像進行濾波、去噪處理，然后計算出前景圖像像素數，再...
【專利技術屬性】
技術研發人員：張良，鄧濤，
申請(專利權)人：中國民航大學，
類型：發明
國別省市：
還沒有人留言評論。發表了對其他瀏覽者有用的留言會獲得科技券。