基于团块的人数统计方法技术

一种基于团块的人数统计方法，包括；对视频源的图像背景进行建模，以获取运动前景图像；对运动前景图像进行消除阴影处理；对运动前景图像进行形态学运算处理，以得到M个团块；取出第i个团块，并判断其是否符合预定条件；如果第i个团块符合预定条件，则保存第i个团块，并设置i＝i+1；判断i是否大于M；如果i大于M，则得到N个符合预定条件的团块；根据预先定义的场景复杂度统计符合条件的团块，并判断其场景复杂度是高还是低；若场景复杂度高，则提取第j个团块的高复杂度特征集；根据场景透视校正矩阵对第j个团块的高复杂度特征集进行校正。

【技术实现步骤摘要】

本专利技术涉及图像处理领域，更具体地说，本专利技术涉及一种视频监控中基于团块的。
技术介绍
随着计算机视觉和人工智能的发展，基于智能视频监控的人数统计算法因其在公共场合的广泛应用备受人们的关注。不过在人群密集的场景视频中检测和统计人数是件极具挑战的事情，因为人与人之间的相互遮挡使得单个人体的分割和识别变得相当困难。人数统计就是估计监控视频中每帧图像的行人数量。通过基于图像处理的人数统计系统获取的行人信息可以降低监控的成本和监控人员的疲劳，并且还有很多其他的潜力应用。目前在视频监控中统计人数的方法已经有很多，主要可以分为三大类单个行人检测、视觉特征轨迹聚类、基于特征的回归。基于单个行人检测的人数统计只估计输入图像中被检测到的行人数量，该方法的优点是可以非常容易的获取到行人的数量和位置信息，但是却很难应用到行人密度比较大的场合，因为这些场合相互遮挡严重，难以准确检测和分割所有的行人。基于轨迹聚类的人数统计是通过在一段时间内跟踪和识别视觉特征来统计人数的，对表征相关运动的特征轨迹进行聚类，聚类的数目就是估计的行人人数。很显然这种方法估计的是一段特定时间内的人数，不适合视频监控中实时的应用。基于特征回归的人数统计将从整幅图像中提取出的特征使用回归函数映射到人数上，从而实现人数统计。这种方法通常分为三步，第一步背景消减，第二步提取前景区域中各种相关特征，最后通过回归函数将提取的特征映射到行人数量上完成人数估计。该方法可以应用于高密度人群而且可以对场景做全局估计，但是却很难估计行人的具体位置以及局部区域的密度。此外由于人群形状和密度的可变范围不可预测，该方法需要大量的特征训练集。
技术实现思路
有鉴于此，本专利技术的目的在于提供一种基于团块的，其能够解决上述现有技术中存在的问题。一种，包括步骤获取视频源；对视频源的图像背景进行建模，以获取运动前景图像；对运动前景图像进行消除阴影处理；对运动前景图像进行形态学运算处理，以得到M个团块；取出第i个团块，并判断其是否符合预定条件；如果第i个团块符合预定条件，则保存第i个团块，并设置i = i + Ι ；判断i是否大于M ；如果i大于M，则得到N个符合预定条件的团块；根据预先定义的场景复杂度统计符合条件的团块，并判断其场景复杂度是高还是低；若场景复杂度高，则提取第j个团块的高复杂度特征集；根据场景透视校正矩阵对第j个团块的高复杂度特征集进行校正；根据人数统计模型对第j个团块的高复杂度特征集进行统计，以获得第j个团块的人数；保存第j个团块的人数，并且设置j = j + 1 ；判断j是否大于N;若j大于N，则累积N个团块的总人数。场景复杂度等于符合条件团块的运动前景的总像素/总团块数N，高复杂度特征集为像素特征和纹理特征，预定条件包括预定的团块大小和预定的团块位置。本专利技术的还包括步骤如果第i个团块不符合预定条件，则丢弃该团块。本专利技术的还包括步骤如果i不大于M，则返回取出第i 个团块，并判断其是否符合预定条件的步骤。本专利技术的还包括步骤如果j不大于N，则返回若场景复杂度高，则提取第j个团块的高复杂度特征集的步骤。本专利技术的还包括步骤如果场景复杂度低，则提取第j个团块的低复杂度特征集；根据场景透视校正矩阵对第j个团块的低复杂度特征集进行校正；根据人数统计模型对第j个团块的低复杂度特征集进行统计，以获得第j个团块的人数；保存第j个团块的人数，并且设置j = j + 1 ；判断j是否大于N;若j大于N，则累积N个团块的总人数。本专利技术的还包括步骤如果j不大于N，则返回若场景复杂度低，则提取第j个团块的低复杂度特征集的步骤。低复杂度特征集为像素特征。本专利技术的还包括步骤在获取视频源的步骤之后，获取视频源的场景透视校正矩阵。本专利技术的还包括步骤在对视频源的图像背景进行建模，以获取运动前景图像的步骤之后，对运动前景图像进行多元线性回归，以获取人数统计模型。与现有技术相比，本专利技术的具有以下优点1)该方法利用自适应阈值可以区分不同复杂度的人群场景；2)该方法对于不同复杂度的场景自适应的使用不同的特征集，这样在保证统计精度的同时还可以提高处理的速度从而有利于实时性应用；3)该方法中使用的特征集均从分割后的团块中提取的，而不是单个人或者整个场景，从这点看它实际上是基于检测的方法和基于特征回归的方法的结合，这样可以结合两者的优势获取更高的精度；4)该方法使用基于学习的多元线性回归作为训练模型，该模型既简单又高效。5)该方法可以很容易的获取每个团块的大小、位置等相关信息，这些信息可以用于后续的局部密度估计和实时异常检测。附图说明图1为本专利技术的流程图。 具体实施例方式如图1所示，本专利技术的包括以下步骤(1)获取视频源；(2)获取视频源的场景透视校正矩阵；(3)对视频源的图像背景进行建模，以获取运动前景图像；(4)对运动前景图像进行多元线性回归，以获取人数统计模型；(5)对运动前景图像进行消除阴影处理；(6)对运动前景图像进行形态学运算处理，以得到M个团块；(7)取出第i个团块，并判断其是否符合预定条件，如果第i个团块符合预定条件， 则转入步骤(8)，否则丢弃该团块；(8)保存第i个团块，并设置i = i+Ι ；(9)判断i是否大于M，如果i大于M，则转入步骤(10)，否则返回步骤(7)；(10)得到N个符合预定条件的团块；(11)根据预先定义的场景复杂度统计符合条件的团块，并判断其场景复杂度是高还是低，若场景复杂度高，则转入步骤(12)，若场景复杂度低，则转入步骤(18)；(12)则提取第j个团块的高复杂度特征集；(13)根据场景透视校正矩阵对第j个团块的高复杂度特征集进行校正；(14)根据人数统计模型对第j个团块的高复杂度特征集进行统计，以获得第j个团块的人数；(15)保存第j个团块的人数，并且设置j = j+1 ；(16)判断j是否大于N，若j大于N，则转入步骤(17)，否则返回步骤(12)；(17)若j大于N，则累积N个团块的总人数；(18)提取第j个团块的低复杂度特征集；(19)根据场景透视校正矩阵对第j个团块的低复杂度特征集进行校正；(20)根据人数统计模型对第j个团块的低复杂度特征集进行统计，以获得第j个团块的人数；(21)保存第j个团块的人数，并且设置j = j+1 ；(22)判断j是否大于N，若j大于N，则转入步骤(23)，否则返回步骤(18)；(23)累积N个团块的总人数。在步骤(5)中，具体来说，是通过联合HSV空间和RGB空间特征来消除运动前景图像的阴影。在步骤(6)中，形态学运算包括腐蚀、膨胀和开闭运算，具体来说，通过形态学运算来处理运动前景图像中的噪声，并修补团块中可能存在的空洞，从而得到多个较为完整的团块。以上仅为本专利技术最佳的具体实现方式，本专利技术的实现方法并不局限于此，任何在本专利
内不脱离本专利技术精神下的改变，都应涵盖在本专利技术范围内。权利要求1.一种，其特征在于，包括步骤 获取视频源；对所述视频源的图像背景进行建模，以获取运动前景图像； 对所述运动前景图像进行消除阴影处理； 对所述运动前景图像进行形态学运算处理，以得到M个团块； 取出第i个团块，并判断其是否符合预定条件；如果所述第i个团块符合预定条件，则保存第i个团块，并设置i = i+Ι ； 判断i是否大于M ；如果i大于M,则得到本文档来自技高网...

【技术保护点】
１．一种基于团块的人数统计方法，其特征在于，包括步骤：获取视频源；对所述视频源的图像背景进行建模，以获取运动前景图像；对所述运动前景图像进行消除阴影处理；对所述运动前景图像进行形态学运算处理，以得到Ｍ个团块；取出第ｉ个团块，并判断其是否符合预定条件；如果所述第ｉ个团块符合预定条件，则保存第ｉ个团块，并设置ｉ＝ｉ＋１；判断ｉ是否大于Ｍ；如果ｉ大于Ｍ，则得到Ｎ个符合预定条件的团块；根据预先定义的场景复杂度统计所述符合条件的团块，并判断其场景复杂度是高还是低；若场景复杂度高，则提取所述第ｊ个团块的高复杂度特征集；根据场景透视校正矩阵对所述第ｊ个团块的高复杂度特征集进行校正；根据人数统计模型对所述第ｊ个团块的高复杂度特征集进行统计，以获得所述第ｊ个团块的人数；保存所述第ｊ个团块的人数，并且设置ｊ＝ｊ＋１；判断ｊ是否大于Ｎ；若ｊ大于Ｎ，则累积Ｎ个团块的总人数。

【技术特征摘要】

【专利技术属性】
技术研发人员：冯镔，吴培培，邱锦波，喻莉，朱光喜，
申请(专利权)人：华中科技大学，
类型：发明
国别省市：83