一种双像机的人群人数统计方法技术

本发明专利技术公开了一种双像机的人群人数统计方法，在监控场景中设定目标像机A和辅助像机B，分别计算这两个像机视频帧中的人群块数据集的特征；使用迁移学习算法从辅助人群数据集中提取与目标人群数据集特征接近的样本数据作为迁移人群数据集；合并迁移人群数据集和目标人群数据集为新的人群数据集；根据新的人群数据集中遮挡人群块真实人数与预测人数差值融合人群数据集的像素特征和纹理特征；根据融合特征训练一个人群人数统计模型；使用训练好的人群人数统计模型预测新输入人群图像的人数。本发明专利技术通过迁移学习解决了大量人群数据标定、人群数据分布不均衡和数据缺失问题，通过特征融合充分发挥了不同类型特征的特点，提高了人群统计模型的准确性。

【技术实现步骤摘要】

本专利技术属于智能安防监控
，具体涉及。
技术介绍
在人群人数统计过程中，传统机器学习的任务是在给定充分训练数据的基础上来 学习一个模型，然后利用该模型预测人数。然而，传统机器学习需要标定大量训练数据，并 且标定的数据可能存在数据分布不均衡和数据缺失现象。因此，本专利技术利用迀移学习方法 从其它像机提取与目标像机有关联的已标定的辅助人群数据来解决上述问题。 在人数统计过程中，像素特征能有效描述低密度人群特征，纹理特征能有效表达 高密度人群特征，因此有效融合像素特征和纹理特征能提高人数统计准确率。因此，本专利技术 将遮挡块真实人数与预测人数的差值作为衡量目标块中人群遮挡严重程度的依据来融合 像素特征和纹理特征。
技术实现思路
本专利技术的目的是提供，解决了现有人数统计算法 不能准确融合像素特征和纹理特征的问题。 本专利技术所采用的技术方案是，，监控场景中有目 标像机A和辅助像机B，利用目标像机A视频帧统计人群人数，利用辅助像机B中的视频帧 数据辅助A中数据进行训练，目标人群数据集D AS统计目标像机A视频帧中人群块的像素 特征和纹理特征以及目标块实际人数；辅助人群数据集％为统计辅助像机B视频帧中人群 块的像素特征和纹理特征以及目标块实际人数；迀移人群数据集D K为从辅助人群数据集D B 中迀移与目标人群数据集DA中样本特征相近的人群数据样本； 具体包括以下方法步骤： 步骤1、合并迀移人群数据集DK和目标人群数据集D A为人群数据集D ; 步骤2、根据人群数据集D中遮挡人群块实际人数与预测人数的差值来融合人群 数据集D中的像素特征和纹理特征； 步骤3、以步骤2中获取的各人群块的融合人群数据集D中的像素特征和纹理特征 作为输入，相应各人群块的实际人数为输出，训练第一支持向量回归模型； 步骤4、输入一幅新的人群图像，提取像素特征和纹理特征，根据步骤3训练好的 第一支持向量回归模型预测输入的人群图像中的人群人数。 本专利技术的特点还在于： 纹理特征向量包括韦伯特征和局部二值模式。 像素特征向量包括前景面积、前景边缘像素数和前景周长。 步骤2的具体方法为： 步骤2. 1、对人群数据集D，使用线性拟合方法，分别拟合人群数据集D中未遮挡人 群块实际人数ypix= y_= y_t_与未遮挡人群块的前景面积Xpix、前景边缘像素数和 前景周长^^这三种像素特征之间的线性关系，如式（1)所示： 其中，a~f为需要拟合的参数，利用最小二乘法求取这些拟合参数； 步骤2. 2、设分别表示遮挡人群块的前景面积、前景边缘像 素数和前景周长，用公式（1)得到该遮挡人群块预测出的人群人数分别为和 ，i亥i挡块的实际人群人数为yMal，则预测出的人群块人数和实际人群块的人数的 差值如式（2)所示： 步骤2.3、设卸为APM.，的均值，计算所有人群数据集〇中 人群块的Ay，同时求人群数据集D中遮挡块前景面积与前景边缘像素数差的绝对值 Xpix_edge、像素面积与前景周长差的绝对值?以及前景边缘与前景周长差的绝 对值叉edge-contour'建立第二支持向量回归模型，利用各人群块的又pix_edge、叉pix-contour及 作为第二支持向量回归模型的输入，相应的AJ7作为输出，训练该第二支持向 量回归模型，训练好的第二支持向量回归模型可预测各人群块的4V，作为衡量各人群块遮 挡严重程度的判断依据； 步骤2. 4、设FA为融合后的人群块特征向量，F piMl为人群块像素特征向量，F tetural 为人群块纹理特征向量，则融合后的人群块特征向量FA为： 步骤4的具体过程为： 步骤4. 1、从所输入的新的人群图像中提取各人群块的像素特征向量Fpixel和各人 群块的纹理特征向量F textural? 步骤4. 2、计算各人群块的遮挡块前景面积与前景边缘像素数差的绝对值 、像素面积与前景周长差的绝对值&?以及前景边缘与前景周长差的绝对 值并将它们作为训练好的第二支持向量回归模型的输入，求各人群块的每； 步骤4. 3、根据步骤4. 2中得到的各人群块的每，代入公式（3)求各人群块融合 后的特征向量fa; 步骤4. 4、将步骤4. 3得到的各人群块融合后的特征向量FA作为第一支持向量回 归模型的输入，求出各人群块的人数，最后将各人群块的人数相加作为该人群图像统计出 的人数。 本专利技术的有益效果是：传统机器学习需要标定大量训练数据，且标定的数据可能 存在数据分布不均衡和数据缺失现象，而本专利技术利用迀移 学习方法从其它像机提取与目标像机有关联的已经标定的辅助人群数据来解决上述问题。 同时现有算法直接简单串联像素特征和纹理特征，没有充分利用不同类型特征的特性，而 本专利技术将遮挡人群块预测人数与遮挡人群块真实人数的 差值作为人群块中人群遮挡严重程度的依据来融合人群块像素特征和纹理特征，从而提高 人数统计模型的准确性。【附图说明】 图1是本专利技术的流程图。【具体实施方式】 下面结合附图和【具体实施方式】对本专利技术进行详细说明。 本专利技术，流程图如图1所示，监控场景中有目标 像机A和辅助像机B，利用目标像机A视频帧统计人群人数，利用辅助像机B中的视频帧数 据辅助A中数据进行训练，目标人群数据集D AS统计目标像机A视频帧中人群块的像素特 征和纹理特征以及目标块实际人数；辅助人群数据集％为统计辅助像机B视频帧中人群块 的像素特征和纹理特征以及目标块实际人数；迀移人群数据集％为从辅助人群数据集D b* 迀移与目标人群数据集Da中样本特征相近的人群数据样本； 其中，像素特征向量包括前景面积、前景边缘像素数和前景周长；纹理特征向量包 括韦伯特征（WLD)和局部二值模式（LBP); 步骤1、使用基于实例的TraAdaBoost迀移学习算法从辅助人群数据集DB中迀移 与目标人群数据集D A中样本特征相近的人群数据样本，设为迀移人群数据集D K，合并迀移 人群数据集DK和目标人群数据集D A为人群数据集D ; 步骤2、根据人群数据集D中遮挡人群块实际人数与预测人数的差值来融合人群 数据集D中的像素特征和纹理特征，具体过程如下： 步骤2. 1、对人群数据集D，使用线性拟合方法，分别拟合人群数据集D中未遮挡人 群块实际人数ypix= y_= y_t_与未遮挡人群块的前景面积Xpix、前景边缘像素数和 前景周长^^这三种像素特征之间的线性关系，如式（1)所示： 其中，a~f为需要拟合的参数，利用最小二乘法求取这些拟合参数； 步骤2. 2、当用不遮挡人群像素特征和人群人数拟合公式（1)对遮挡人群人数进 行拟合时，拟合出的人数将会和实际人数出现较大的差异，因此该差异值就可以作为衡量 人群遮挡严重程度的依据，也反映了人群密度的高低。 设七#和.分别表示遮挡人群块的前景面积、前景边缘像素数和前 景周长，用公式（1)得到该遮挡人群块预测出的人群人数分别为和?，该 遮挡块的实际当前第1页1 2 本文档来自技高网...

【技术保护点】
一种双像机的人群人数统计方法，其特征在于，监控场景中有目标像机A和辅助像机B，利用目标像机A视频帧统计人群人数，利用辅助像机B中的视频帧数据辅助A中数据进行训练，目标人群数据集DA为统计目标像机A视频帧中人群块的像素特征和纹理特征以及目标块实际人数；辅助人群数据集DB为统计辅助像机B视频帧中人群块的像素特征和纹理特征以及目标块实际人数；迁移人群数据集DR为从辅助人群数据集DB中迁移与目标人群数据集DA中样本特征相近的人群数据样本；具体包括以下方法步骤：步骤1、合并迁移人群数据集DR和目标人群数据集DA为人群数据集D；步骤2、根据人群数据集D中遮挡人群块实际人数与预测人数的差值来融合人群数据集D中的像素特征和纹理特征；步骤3、以步骤2中获取的各人群块的融合人群数据集D中的像素特征和纹理特征作为输入，相应各人群块的实际人数为输出，训练第一支持向量回归模型；步骤4、输入一幅新的人群图像，提取像素特征和纹理特征，根据步骤3训练好的第一支持向量回归模型预测输入的人群图像中的人群人数。

【技术特征摘要】

【专利技术属性】
技术研发人员：张二虎，王海强，
申请(专利权)人：西安理工大学，
类型：发明
国别省市：陕西;61