一種面向監(jiān)控視頻的人群聚集檢測(cè)方法
【技術(shù)領(lǐng)域】
[0001] 本發(fā)明屬于面向公共安全預(yù)警的視頻圖像處理領(lǐng)域，具體設(shè)及一種人群聚集檢測(cè) 方法。
【背景技術(shù)】
[0002] 視頻監(jiān)控被廣泛應(yīng)用于公共安全領(lǐng)域，為公共安全管理業(yè)務(wù)中的預(yù)警與查證提供 了有力的數(shù)據(jù)于技術(shù)支撐。人群聚集檢測(cè)目的在于從實(shí)時(shí)監(jiān)視視頻中快速發(fā)現(xiàn)大量人體的 聚集情況，預(yù)防因擁擠導(dǎo)致的各類突發(fā)事件，對(duì)于維護(hù)社會(huì)穩(wěn)定有重要作用。
[0003]目前面向視頻監(jiān)控的人群聚集檢測(cè)的智能化水平還比較低，應(yīng)用受限。專利 200710041086使用背景差法提取前景目標(biāo)，使用特征匹配判斷前景人體目標(biāo)，通過統(tǒng)計(jì)前 景人體目標(biāo)的個(gè)數(shù)實(shí)現(xiàn)聚集檢測(cè)；專利201110329227首先提取前景，然后通過計(jì)算前景勢(shì) 能與單個(gè)人體平均勢(shì)能之比來估算局部人體聚集情況，該兩種方法僅適用于無遮擋的低密 度人體場(chǎng)景檢測(cè)。專利201210064543通過提取前景區(qū)域的SURF特征點(diǎn)，再對(duì)特征點(diǎn)進(jìn)行 聚類來判斷人體數(shù)量；文獻(xiàn)"利用歸一化前景和二維聯(lián)合滴的人群聚集檢測(cè)方法(武漢大學(xué) 學(xué)報(bào)信息科學(xué)版，2013. 09)"通過計(jì)算前景區(qū)域二維聯(lián)合滴來統(tǒng)計(jì)場(chǎng)景中的人群密度，該兩 種方法一定程度解決了遮擋問題，但是不能消除非人體前景目標(biāo)干擾。文獻(xiàn)"多種人群密度 場(chǎng)景下的人群計(jì)數(shù)（中國圖象圖形學(xué)報(bào)，2013. 04)"采用回歸模型估計(jì)場(chǎng)景中的人數(shù)，可W 估計(jì)特定場(chǎng)景下的人群密度，但是訓(xùn)練過程較為復(fù)雜，場(chǎng)景適應(yīng)性差。

【發(fā)明內(nèi)容】

[0004] 針對(duì)人群聚集檢測(cè)的技術(shù)需求，本發(fā)明提出了面向監(jiān)控視頻的人群聚集檢測(cè)方 法，該方法首先通過像素點(diǎn)灰度統(tǒng)計(jì)和邊緣一致性測(cè)算實(shí)現(xiàn)前景區(qū)域的可靠提取，然后使 用基于區(qū)域歸一化的改進(jìn)化ar人體檢測(cè)方法提取包含人體的前景區(qū)域，最后通過統(tǒng)計(jì)包 含人體的前景區(qū)域的化St特征點(diǎn)的分布特性實(shí)現(xiàn)人群聚集檢測(cè)。
[0005] 下面對(duì)本發(fā)明中的技術(shù)方案闡述如下： 1、基于像素點(diǎn)灰度統(tǒng)計(jì)和邊緣一致性測(cè)算的可靠前景提取方法 視頻中前景和背景的灰度分布區(qū)間存在差異，利用該種差異可W提取出前景區(qū)域。當(dāng) 提取結(jié)果正確時(shí)，提取到的區(qū)域邊緣和實(shí)際前景的邊緣較為相似，據(jù)此可W消除前景提取 中的虛假目標(biāo)。具體流程為： Stepl:利用第一帖/i(x，y)的隨機(jī)采樣結(jié)果生成初始背景序列4時(shí)(XJ) 4w〇，y)二知>-+處刪蝴曲y+蟲微虹間(曲其中（J，_y)為像素坐標(biāo)，"為背景序列中的序 號(hào)，茲2?虹》1知）為隨機(jī)函數(shù)，取值范圍為{-I，0,1); Step2 ;對(duì)于新輸入的視頻帖/j托乂)，計(jì)算每一個(gè)像素點(diǎn)灰度和背景序列對(duì)應(yīng)像素點(diǎn) 灰度差異，如果差異超過給定闊值?的次數(shù)超過兩次，則該點(diǎn)被判定為前景點(diǎn)，否則為背 景點(diǎn)； Step3 ;對(duì)得到前景提取結(jié)果W3x3的模板進(jìn)行一次開運(yùn)算和閉運(yùn)算，得到濾波后的前 景； St巧4 ;使用Sobel算子提取當(dāng)前帖的邊緣和濾波后的前景邊緣，對(duì)于每一個(gè)濾波后的 前景邊緣點(diǎn)，計(jì)算其3x3鄰域內(nèi)的當(dāng)前帖邊緣點(diǎn)數(shù)量，如果數(shù)量大于4,則該點(diǎn)為有效邊緣 占. '?、、 ? steps;對(duì)于每一個(gè)濾波后的前景區(qū)域，統(tǒng)計(jì)其有效邊緣點(diǎn)總數(shù)和所有邊緣點(diǎn)總數(shù)之 比，如果比值超過60%，則該濾波后的前景區(qū)域?yàn)橛行^(qū)域，反之為虛假區(qū)域； Steps;利用當(dāng)前背景區(qū)域像素點(diǎn)的灰度值隨機(jī)更新背景序列中對(duì)應(yīng)像素點(diǎn)的一個(gè)采 樣值。
[0006] 2、基于區(qū)域歸一化的改進(jìn)Haar人體檢測(cè)方法 基于化ar分類器的人體檢測(cè)是常用的人體檢測(cè)方法，為消除目標(biāo)遠(yuǎn)近對(duì)檢測(cè)結(jié)果的 差異，將提取到的前景區(qū)域縮放到同一尺度下是通常的做法，但是由于區(qū)域提取算法可能 存在提取不全的問題，需要對(duì)圖像區(qū)域進(jìn)行對(duì)應(yīng)的擴(kuò)充，具體處理流程如下： Stepl;預(yù)先訓(xùn)練好用于人體檢測(cè)的化ar分類器，確定人體圖像的最大寬度 驟!茲處_和最大高度城嗟to__Mix; St巧2 ;依據(jù)待檢測(cè)前景區(qū)域的寬度_s?和高度/feigAl_iJU，確定縮放尺度 Scale;
【主權(quán)項(xiàng)】
1. 一種面向監(jiān)控視頻的人群聚集檢測(cè)方法，針對(duì)人群聚集檢測(cè)，其特征在于，首先通 過像素點(diǎn)灰度統(tǒng)計(jì)和邊緣一致性測(cè)算實(shí)現(xiàn)前景區(qū)域的可靠提取，然后使用基于區(qū)域歸一化 的改進(jìn)Haar人體檢測(cè)方法提取包含人體的前景區(qū)域，最后通過統(tǒng)計(jì)包含人體的前景區(qū)域 的Fast特征點(diǎn)的分布特性實(shí)現(xiàn)人群聚集檢測(cè)，具體如下： (1 )、基于像素點(diǎn)灰度統(tǒng)計(jì)和邊緣一致性測(cè)算的可靠前景提取， 視頻中前景和背景的灰度分布區(qū)間存在差異，利用這種差異提取出前景區(qū)域，當(dāng)提取 結(jié)果正確時(shí)，提取到的區(qū)域邊緣和實(shí)際前景的邊緣較為相似，據(jù)此消除前景提取中的虛假 目標(biāo)； (2) 、基于區(qū)域歸一化的改進(jìn)Haar人體檢測(cè) 基于Haar分類器的人體檢測(cè)是常用的人體檢測(cè)方法，為消除目標(biāo)遠(yuǎn)近對(duì)檢測(cè)結(jié)果的 差異，將提取到的前景區(qū)域縮放到同一尺度下是通常的做法，但是由于區(qū)域提取算法存在 提取不全的問題，需要對(duì)圖像區(qū)域進(jìn)行對(duì)應(yīng)的擴(kuò)充； (3) 、基于前景區(qū)域Fast特征點(diǎn)分布特性的人群聚集檢測(cè) 在視頻圖像中，人群越密集，對(duì)應(yīng)區(qū)域的紋理就越復(fù)雜，局部極值點(diǎn)就越多，通過局部 極值點(diǎn)來表征人群密集程度，可有效解決多人遮擋問題，考慮到目標(biāo)距攝像機(jī)距離不同時(shí) 對(duì)可用的特征點(diǎn)數(shù)量存在差異，依據(jù)目標(biāo)位置對(duì)特征點(diǎn)權(quán)重進(jìn)行補(bǔ)償。
2. 根據(jù)權(quán)利要求1所述的一種面向監(jiān)控視頻的人群聚集檢測(cè)方法，其特征在于，所述 基于像素點(diǎn)灰度統(tǒng)計(jì)和邊緣一致性測(cè)算的可靠前景提取具體流程為： Stepl :利用第一幀Z1(U)的隨機(jī)采樣結(jié)果生成初始背景序列 =其中（u")為像素坐標(biāo)，《為背景序列中的序 號(hào)，Aaffisfow(Ii)為隨機(jī)函數(shù)，取值范圍為(-1,0,1}; Step2 :對(duì)于新輸入的視頻幀Ii(Xj)，計(jì)算每一個(gè)像素點(diǎn)灰度和背景序列對(duì)應(yīng)像素點(diǎn) 灰度差異，如果差異超過給定閾值7?的次數(shù)超過兩次，則該點(diǎn)被判定為前景點(diǎn)，否則為背 景點(diǎn)； Step3 :對(duì)得到前景提取結(jié)果以3x3的模板進(jìn)行一次開運(yùn)算和閉運(yùn)算，得到濾波后的前 景； St印4 :使用Sobel算子提取當(dāng)前幀的邊緣和濾波后的前景邊緣，對(duì)于每一個(gè)濾波后的 前景邊緣點(diǎn)，計(jì)算其3x3鄰域內(nèi)的當(dāng)前幀邊緣點(diǎn)數(shù)量，如果數(shù)量大于4,則該點(diǎn)為有效邊緣 占. Step5 :對(duì)于每一個(gè)濾波后的前景區(qū)域，統(tǒng)計(jì)其有效邊緣點(diǎn)總數(shù)和所有邊緣點(diǎn)總數(shù)之 比，如果比值超過60%，則該濾波后的前景區(qū)域?yàn)橛行^(qū)域，反之為虛假區(qū)域； Step6:利用當(dāng)前背景區(qū)域像素點(diǎn)的灰度值隨機(jī)更新背景序列中對(duì)應(yīng)像素點(diǎn)的一個(gè)采 樣值。
3. 根據(jù)權(quán)利要求1所述的一種面向監(jiān)控視頻的人群聚集檢測(cè)方法，其特征在于，所述 基于區(qū)域歸一化的改進(jìn)Haar人體檢測(cè)具體處理流程如下： Step2. 1 :預(yù)先訓(xùn)練好用于人體檢測(cè)的Haar分類器，確定人體圖像的最大寬度 WrfiA _Mxt 和最大高度 /feigfe ___Max ; Step2. 2 :依據(jù)待檢測(cè)前景區(qū)域的寬度和高度確定縮放尺度 Scale ；
Step2. 3 :使用對(duì)整個(gè)輸入圖像進(jìn)行縮放，將縮放后的前景區(qū)域?qū)?yīng)位置上、下、 左、右各擴(kuò)充20個(gè)像素的區(qū)域作為待檢測(cè)的目標(biāo)區(qū)域； Step2. 4 :使用訓(xùn)練好的Haar分類器對(duì)待檢測(cè)區(qū)域進(jìn)行檢測(cè)，確定人體區(qū)域。
4.根據(jù)權(quán)利要求1所述的一種面向監(jiān)控視頻的人群聚集檢測(cè)方法，其特征在于，所述 基于前景區(qū)域Fast特征點(diǎn)分布特性的人群聚集檢測(cè)具體實(shí)施步驟為： Step3. 1 :單個(gè)測(cè)試人員在場(chǎng)景中從最近點(diǎn)運(yùn)動(dòng)到最遠(yuǎn)點(diǎn)，將最近點(diǎn)的權(quán)值設(shè)為1，將 其余點(diǎn)的權(quán)值設(shè)為最近點(diǎn)目標(biāo)區(qū)域面積與當(dāng)前點(diǎn)目標(biāo)區(qū)域面積的比值； Step3. 2 :提取前景人體區(qū)域的FAST特征點(diǎn)； Step3. 3 :將所有特征點(diǎn)乘以其權(quán)值，求取所有加權(quán)和； Step3. 4 :當(dāng)輸入視頻幀的加權(quán)和連續(xù)50次超過預(yù)設(shè)閾值1?，則判斷發(fā)生聚集。
【專利摘要】本發(fā)明涉及一種面向監(jiān)控視頻的人群聚集檢測(cè)方法。首先通過像素點(diǎn)灰度統(tǒng)計(jì)和邊緣一致性測(cè)算實(shí)現(xiàn)前景區(qū)域的可靠提取，然后使用基于區(qū)域歸一化的改進(jìn)Haar人體檢測(cè)方法提取包含人體的前景區(qū)域，最后通過統(tǒng)計(jì)包含人體的前景區(qū)域的Fast特征點(diǎn)的分布特性實(shí)現(xiàn)人群聚集檢測(cè)?；谙袼攸c(diǎn)灰度統(tǒng)計(jì)和邊緣一致性的前景提取方法，初始訓(xùn)練時(shí)間短，虛警率低。區(qū)域歸一化的人體檢測(cè)方法，不同尺寸的待檢測(cè)區(qū)域歸一化后的外擴(kuò)范圍相同，兼顧了檢測(cè)精度和效率?；贔ast特征點(diǎn)的區(qū)域特征提取與人群聚集檢測(cè)，使用區(qū)域面積作為加權(quán)依據(jù)，實(shí)際系統(tǒng)中可操作性強(qiáng)；使用特征點(diǎn)加權(quán)值表征人體可有效克服遮擋，適應(yīng)性強(qiáng)。
【IPC分類】G06K9-00
【公開號(hào)】CN104866844
【申請(qǐng)?zhí)枴緾N201510304080
【發(fā)明人】謝劍斌, 閆瑋, 劉通, 李沛秦
【申請(qǐng)人】中國人民解放軍國防科學(xué)技術(shù)大學(xué)
【公開日】2015年8月26日
【申請(qǐng)日】2015年6月5日