專利名稱：基于視頻流的人群數量估計、局部人群聚集狀態以及人群跑動狀態檢測方法
基于視頻流的人群數量估計、局部人群聚集狀態以及人群跑動狀態檢測方法
技術領域：
本發明涉及圖像處理，尤其涉及基于視頻流的人群數量估計、局部人群聚集狀態以及人群跑動狀態檢測方法。
背景技術：
近年來，由于視頻監控設備價格的降低，我們的城市布設了成千上萬的攝像頭，并產生了大量的視頻數據；然而，我們并沒有也不可能有足夠多的人員來處理呈爆炸式增長的視頻信息。另一方面，圖像和視覺領域涌現了許多有效的新技術，并迅猛發展。基于以上兩方面原因，世界各國的研究者開始采用計算機視覺的方法對視頻數據進行分析和處理。準確地估計公共場景中的人群數量對于智能視頻應用至關重要。例如，商場中準確、及時的人群數量信息能夠幫助管理人員做出及時、正確的決策；地鐵站臺里準確的人群數量估計有利于優化運行時刻表；十字路口的信號可以根據人群數量自動進行信號切換。視頻流中的人群異常檢測方法，有廣泛的應用前景。如公共區域的安保系統、煤礦監控系統和智能視頻分析。人群異常的自動化檢測將極大地改善視頻分析的效率，節約大量的人力物力。關于場景中的人群數量估計目前主要有兩大類的方法，一類是基于映射的方法，另一類是基于物體分割和跟蹤的方法。基于映射的方法從統計學角度建立人群數量與圖像前景像素等特征的映射關系，并通過訓練的方法進行實現，訓練方法通常有神經網絡法(NN)，支持向量機(SVM) ,Adaboost等。Hou等人采用大量訓練數據并采用神經網絡進行學習，確定前景與人群數量的關系。Yang等人采用傳感器網絡估計人群數量，每個傳感器分別提取出場景中的物體，最后進行平面映射并提出一種基于幾何關系的算法。Lin等人運用單張圖片估計人群密度，首先采用小波變換的方法提取頭部區域的特征，隨后運用支持向量機(SVM)進行訓練和分類。基于分割和跟蹤的方法通過采用跟蹤、合并和分割，大部分研究者運用一些先驗知識檢測和跟蹤視頻流中的行人。Prahlad Kilambi等人提出了一種基于形狀的層次結構方法估計人群中組的數目，進一步將組看成一個實體并用擴展的卡爾曼濾波器進行跟蹤。Chen和Hsu提出了一種二方向人數估計方法處理彩色圖像。Rabaud等人采用Kanade-Lucas-Tomasi跟蹤框架跟蹤行人,并進取一些擴展的特征確定場景中的運動物體數量。Zhao等人采用了人體形狀的先驗知識，并在貝葉斯框架下分割前景物體。現在越來越多的公司和政府機構采用復雜的監控系統監視場景的異常情況，以避免損失和傷害。場景中的群體異常行為檢測也可以分為兩大類的方法。一類是基于機器學習的方法，另一類是基于閾值分析的方法。近年來，機器學習被越來越多地用到人群活動分析中，如主成分分析(PCA)，K-均 值和隱馬爾可夫模型(HMM)等。許多論文中的時空表達式都假設圖像的局部區域的運動模式是均勻分布的。Kratz等人采用局部時空運動模式的變化構建運動模式，并推導出了基于分布的HMM。Kim和Benezeth等人采用時空馬爾可夫隨機場(MRF)檢測異常活動。Zhong等人提出了一種非監督的技術進行異常檢測。Yin等人基于動態條件隨機場模型，提出了一種新的時空綜合建模的異常檢測方法。Wu等人采用支持向量機(SVM)對人類行為進行分類。另一些研究者采用閾值分析的方法檢測人群的異常活動。Chen等人提出了一種兩步的層次聚類方法將光流特征分組，并采用場模型檢測異常。Lu等人采用一種非監督的聚類方法將視頻流分成時空小方格，并使用時空形狀表達和光流相互關系檢測異常活動。Mehran等人提出一種社會力模型檢測人群異常。Sharif和Ihaddadene等人同時考慮了人群密度和方向進行異常檢測。鐘志等人基于運動特征定義出人群能量估計人群密度和檢測異常。曹添等人綜合動能、運動變化和方向變化進行異常檢測。但是這些人群數量估計方法中基于映射的不但需要大量訓練數據，且算法復雜度高，結果粗糙。基于物體分割和跟蹤的人群數量估計方法，運算時間長，很難應用到實時系統中，并且當場景復雜或人群數量過多(超過10人)時，這類方法將徹底失效。現有的人群聚集和跑動的檢測方法主要針對單個人或少部分運動物體，如丟包、逗留、翻墻等。但是當場景復雜的時候，這些方法很難處理遮擋問題，所有的跟蹤、檢測和分割都將失效。
發明內容
基于此，有必要提供一種可靠、運算復雜度低的基于視頻流的人群數量估計方法。一種基于視頻流的人群數量估計方法，包括以下步驟:將視頻流進行預處理得到前景圖像，所述前景圖像為人群圖像；根據下述公式計算所述前景圖像的圖像勢能Ep，
權利要求
1.一種基于視頻流的人群數量估計方法，包括以下步驟: 將視頻流進行預處理得到前景圖像，所述前景圖像為人群圖像； 根據下述公式計算所述前景圖像的圖像勢能Ep，
2.根據權利要求1所述的人群數量估計方法，其特征在于，所述將視頻流進行預處理得到前景圖像的步驟具體包括: 利用高斯混合模型獲取當前處理幀的背景； 將當前處理幀減去所述背景獲得前景圖像。
3.根據權利要求1所述的人群數量估計方法，其特征在于，在所述將視頻流進行預處理得到前景圖像的步驟之后還包括:· 將所述前景圖像進行二值化，并利用數學形態方法對前景圖像進行去噪聲處理。
4.根據權利要求1所述的人群數量估計方法，其特征在于，所述H選取的步驟包括: 取單個行人在場景中的η幀圖像； 計算所有圖像的圖像勢能，并求出所有圖像的圖像勢能方差； 最小化訓練圖像的圖像勢能方差即可獲得最優估計的參數H。
5.根據權利要求1所述的人群數量估計方法，其特征在于，還包括根據重疊系數對人群數量進行修正的步驟:具體為將人群數量乘以重疊系數。
6.一種局部人群聚集狀態檢測方法，包括以下步驟: 采用如權利要求1所述的人群數量估計方法估計圖像中的人群數量N ； 根據分布熵公式計算圖像中的人群散度D:
7.根據權利要求6所述的局部人群聚集狀態檢測方法，其特征在于，在所述根據分布熵公式計算圖像中的人群散度D的步驟之前還包括:將圖像向水平和垂直方向投影，構建水平和垂直方向的圖像直方圖； 根據所述構建的圖像直方圖，計算概率分布； 根據所述概率分布計算水平方向和垂直方向上的分布熵。
8.一種人群跑動狀態檢測方法，包括以下步驟: 采用如權利要求1所述的人群數量估計方法估計圖像中的人群數量N ; 根據分布熵公式計算圖像中的人群散度D:
9.根據權利要求8所述的人群跑動狀態檢測方法，其特征在于，在所述根據分布熵公式計算圖像中的人群散度D的步驟之前還包括: 將圖像向水平和垂直方向投影，構建水平和垂直方向的圖像直方圖； 根據所述構建的圖像直方圖，計算概率分布； 根據所述概率分布計算水平方向和垂直方向上的分布熵。
10.根據權利要求8所述的人群跑動狀態檢測方法，其特征在于，計算所述圖像光流速度的步驟包括: 提取圖像中的Harris角點作為特征，由Lucas-Kanade光流法進行跟蹤特征計算光流； 根據所述光流計算所述圖像光流速度。
全文摘要
一種基于視頻流的人群數量估計方法，包括將視頻流進行預處理得到前景圖像，所述前景圖像為人群圖像；根據下述公式計算所述前景圖像的圖像勢能Ep，式中，mij為像素質量，mij∈{0，1}，像素質量為1表示該像素為前景，像素質量為0表示該像素為背景；X為圖像的寬度，單位為像素；Y為圖像的高度，單位為像素；gimg為勢能系數，gimg為常量；yij為像素的Y軸坐標；H為場景中物體離攝像頭的最近距離，將所述前景圖像的圖像勢能Ep除以單個行人的平均圖像勢能獲得人群估計數量。此外還提供一種局部人群聚集狀態檢測方法和一種人群跑動狀態的檢測方法。
文檔編號G06K9/62GK103077423SQ20111032922
公開日2013年5月1日 申請日期2011年10月25日 優先權日2011年10月25日
發明者吳新宇, 熊國剛, 陳彥倫, 梁國遠, 徐揚生 申請人:中國科學院深圳先進技術研究院