專利名稱：基于多源信息融合和在線學(xué)習(xí)的人頭計數(shù)方法
技術(shù)領(lǐng)域：
本發(fā)明屬于視頻檢測方法，尤其是應(yīng)用人頭檢測技術(shù)的基于視頻的客流計數(shù)方法。
背景技術(shù)：
客流統(tǒng)計是一項重要的市場研究手段，國外幾乎所有大型商場和連鎖商業(yè)網(wǎng)點在進行市場和管理決策前都必須進行的環(huán)節(jié)。隨著商業(yè)競爭加劇，商業(yè)模式逐步由傳統(tǒng)坐商向極具主動性的行商轉(zhuǎn)變，對客流數(shù)據(jù)的獲取以及分析顯得尤為重要。客流統(tǒng)計系統(tǒng)是通過對商場、連鎖店客流量進行連續(xù)精確檢測，獲取客流量隨時間的變化趨勢和不同網(wǎng)點間的對比統(tǒng)計，揭示客流量與商場營運策略、營銷技術(shù)和內(nèi)部管理間的內(nèi)在關(guān)系，客觀評價已有推廣效益，規(guī)劃未來的市場策略，為管理決策者提供極有價值的信息。當(dāng)前市場上，已經(jīng)有各種各樣的客流統(tǒng)計系統(tǒng)來滿足不同使用群體的需求，主要包括紅外傳感器掃描計數(shù)， 壓力踏板式自動計數(shù)，人工統(tǒng)計等統(tǒng)計方式。這幾種客流統(tǒng)計方式為客流的管理起到了一定的積極作用，但各自都存在著多種缺點。其中，紅外傳感器掃描計數(shù)的缺點是不能區(qū)分單人還是多人，不能辨別行人的行進方向；同時對于環(huán)境溫度、日光照射等比較敏感，受外在因素影響大，計數(shù)誤差大。人工統(tǒng)計是一項非常繁瑣和耗費人力、財力的工作，在實際操作過程中，要做到經(jīng)常性、實時性、系統(tǒng)性基本不可能實現(xiàn)。壓力踏板式自動計數(shù)不能判別客人的進出方向，客流量大時容易混亂，物理裝置易損壞，安裝位精度要求高，可維護性差，計數(shù)誤差太大。目前基于視頻分析的人頭檢測方法是客流統(tǒng)計領(lǐng)域的研究熱門，它的基本原理是利用人頭的圓形特征、頭發(fā)色彩特征等進行檢測。

發(fā)明內(nèi)容
本發(fā)明提供了一種解決上述問題的方案，提供一種性能更好、魯棒性更強的基于視頻分析的人頭計數(shù)方法。本發(fā)明的技術(shù)方案是提供基于多源信息融合和在線學(xué)習(xí)的人頭計數(shù)方法，該方法是在以數(shù)字?jǐn)z像機作為傳感器以及數(shù)字信號處理芯片的支持下實現(xiàn)的，其特征在于該方法包括以下步驟
1)利用所述數(shù)字?jǐn)z像機垂直向下連續(xù)拍攝指定區(qū)域，采集該指定區(qū)域內(nèi)行人的數(shù)字視
頻；
2)將1)中所述數(shù)字視頻轉(zhuǎn)換成多幀連續(xù)的數(shù)字圖像；
3)應(yīng)用Adaboost級聯(lián)分類器檢測2)中所述數(shù)字圖像，得到具有人頭紋理特征的人體區(qū)域；
4)應(yīng)用SVM分類器對3)中所述人體區(qū)域進行篩選，篩選出具有頭部和肩部特殊組合形狀的人體區(qū)域作為人體對象，并統(tǒng)計其數(shù)量作為最后結(jié)果。優(yōu)選的，步驟3)中所述Adaboost級聯(lián)分類器為雙紋理特征的組合分類器，前置分類器應(yīng)用Haar特征進行訓(xùn)練，后置分類器應(yīng)用局部二元模式LBP特征進行訓(xùn)練。優(yōu)選的，步驟4)中所述SVM分類器為基于紋理特征和形狀特征的組合特征向量進行訓(xùn)練的驗證器。優(yōu)選的，步驟3)中所述Adaboost級聯(lián)分類器和步驟4)中所述SVM分類器要進行在線學(xué)習(xí)，所述在線學(xué)習(xí)包括以下步驟
a)通過步驟1)到步驟4)獲取指定區(qū)域的所述最后結(jié)果；
b)通過a)中得到的所述最后結(jié)果和步驟2)中所述數(shù)字圖像中實際的人頭數(shù)進行比
較；
c)如果b)的比較結(jié)果不一致，則調(diào)整步驟3)中所述Adaboost級聯(lián)分類器和步驟4) 中所述SVM分類器的參數(shù)；
d)重復(fù)a)、b)和c)，最終獲得精度最高時的所述Adaboost級聯(lián)分類器和所述SVM分類器的參數(shù)。本發(fā)明的基于多源信息融合和在線學(xué)習(xí)的人頭計數(shù)方法結(jié)合紋理特征和形狀特征，通過統(tǒng)計學(xué)習(xí)的方法訓(xùn)練人頭檢測器，采用兩級檢測器結(jié)構(gòu)，第一級檢測器主要利用人頭紋理特征訓(xùn)練得到分類器，用來快速排除非人頭區(qū)域；第二級采用紋理和形狀特征，精確定位人頭區(qū)域，降低虛警率。為了減輕不同應(yīng)用場合環(huán)境變換的影響，本方法還應(yīng)用了在線學(xué)習(xí)技術(shù)，通過在線收集人頭樣本進行訓(xùn)練并相應(yīng)調(diào)整分類器參數(shù)，從而大大改進檢測器對各種環(huán)境不同攝像頭、不同架設(shè)角度、不同環(huán)境光線下的適應(yīng)性能。


圖1是本發(fā)明的基于多源信息融合和在線學(xué)習(xí)的人頭計數(shù)方法的算法原理框圖。
具體實施例方式下面對本發(fā)明的具體實施方式
作進一步詳細的描述。如圖1所示，本發(fā)明的基于多源信息融合和在線學(xué)習(xí)的人頭計數(shù)方法首先進行視頻采集，采集到的視頻信息依次經(jīng)過Adaboost級聯(lián)分類器和SVM分類器，最終得到檢測結(jié)果。本發(fā)明的基于多源信息融合和在線學(xué)習(xí)的人頭計數(shù)方法是在數(shù)字?jǐn)z像機作為傳感器的支持下實現(xiàn)的，人頭檢測原理主要利用了人頭紋理特征、頭部與肩部的組合形狀等特性進行分析。以下結(jié)合附圖1所示的算法原理圖，詳細說明本方法的具體實施方式
。①首先采用數(shù)字?jǐn)z像機作為傳感器連續(xù)采集定點區(qū)域圖像形成數(shù)字視頻流作為
信號源，數(shù)字?jǐn)z像機采用CCD或者CMOS等A/D芯片；視頻圖像采集裝置垂直安裝在待監(jiān)測區(qū)的正上方，與地面的距離保持在2. 2 4. 8米之間；
O將①中所述數(shù)字視頻轉(zhuǎn)換成多幀連續(xù)的數(shù)字圖像；
③應(yīng)用Adaboost級聯(lián)分類器檢測②中所述數(shù)字圖像，快速得到具有人頭紋理特征的人體區(qū)域。Adaboost級聯(lián)分類器為雙紋理特征的組合分類器，前置分類器優(yōu)選Haar特征進行訓(xùn)練，后置分類器優(yōu)選局部二元模式LBP特征進行訓(xùn)練。Adaboost是一種迭代算法，其核心思想是針對同一個訓(xùn)練集訓(xùn)練不同的分類器 (弱分類器)，然后把這些弱分類器集合起來，構(gòu)成一個更強的最終分類器(強分類器)。 其算法本身是通過改變數(shù)據(jù)分布來實現(xiàn)的，它根據(jù)每次訓(xùn)練集之中每個樣本的分類是否正確，以及上次的總體分類的準(zhǔn)確率，來確定每個樣本的權(quán)值。將修改過權(quán)值的新數(shù)據(jù)集送給下層分類器進行訓(xùn)練，最后將每次訓(xùn)練得到的分類器最后融合起來，作為最后的決策分類器。使用adaboost分類器可以排除一些不必要的訓(xùn)練數(shù)據(jù)特征，將注意力放在關(guān)鍵的訓(xùn)練數(shù)據(jù)上面。Adaboost訓(xùn)練過程如下
1.先通過對N個訓(xùn)練樣本的學(xué)習(xí)得到第一個弱分類器；
2.將分錯的樣本和其他的新數(shù)據(jù)一起構(gòu)成一個新的N個的訓(xùn)練樣本，通過對這個樣本的學(xué)習(xí)得到第二個弱分類器；
3.將1和2都分錯了的樣本加上其他的新樣本構(gòu)成另一個新的N個的訓(xùn)練樣本， 通過對這個樣本的學(xué)習(xí)得到第三個弱分類器；
4.最終經(jīng)過提升得到強分類器。訓(xùn)練分類器需要先選擇特征，基于不同紋理特征描述符對紋理描述能力的不同以及實際應(yīng)用測試結(jié)果，選擇Haar特征訓(xùn)練分類器作為前置分類器，選擇局部二元模式LBP 訓(xùn)練分類器作為后置分類器。以下分別闡明這兩個分類器
Haar對宏觀結(jié)構(gòu)紋理特征描述能力較強，因此選擇Haar特征訓(xùn)練分類器作為前置分類器，主要用于快速排除非人頭區(qū)域，為后續(xù)篩選保留了較小的候選區(qū)域集。Haar特征有如下幾種，應(yīng)用積分圖像來快速計算Haar特征。
權(quán)利要求
1.基于多源信息融合和在線學(xué)習(xí)的人頭計數(shù)方法，該方法是在以數(shù)字?jǐn)z像機作為傳感器以及數(shù)字信號處理芯片的支持下實現(xiàn)的，其特征在于該方法包括以下步驟1)利用所述數(shù)字?jǐn)z像機垂直向下連續(xù)拍攝指定區(qū)域，采集該指定區(qū)域內(nèi)行人的數(shù)字視頻；2)將1)中所述數(shù)字視頻轉(zhuǎn)換成多幀連續(xù)的數(shù)字圖像；3)應(yīng)用Adaboost級聯(lián)分類器檢測2)中所述數(shù)字圖像，得到具有人頭紋理特征的人體區(qū)域；4)應(yīng)用SVM分類器對3)中所述人體區(qū)域進行篩選，篩選出具有頭部和肩部特殊組合形狀的人體區(qū)域作為人體對象，并統(tǒng)計其數(shù)量作為最后結(jié)果。
2.根據(jù)權(quán)利要求1所述的基于多源信息融合和在線學(xué)習(xí)的人頭計數(shù)方法，其特征在于步驟3)中所述Adaboost級聯(lián)分類器為雙紋理特征的組合分類器，前置分類器應(yīng)用Haar 特征進行訓(xùn)練，后置分類器應(yīng)用局部二元模式LBP特征進行訓(xùn)練。
3.根據(jù)權(quán)利要求1所述的基于多源信息融合和在線學(xué)習(xí)的人頭計數(shù)方法，其特征在于步驟4)中所述SVM分類器為基于紋理特征和形狀特征的組合特征向量進行訓(xùn)練的驗證ο
4.根據(jù)權(quán)利要求1所述的基于多源信息融合和在線學(xué)習(xí)的人頭計數(shù)方法，其特征在于步驟3)中所述Adaboost級聯(lián)分類器和步驟4)中所述SVM分類器要進行在線學(xué)習(xí)，所述在線學(xué)習(xí)包括以下步驟a)通過步驟1)到步驟4)獲取指定區(qū)域的所述最后結(jié)果；b)通過a)中得到的所述最后結(jié)果和步驟2)中所述數(shù)字圖像中實際的人頭數(shù)進行比較；c)如果b)的比較結(jié)果不一致，則調(diào)整步驟3)中所述Adaboost級聯(lián)分類器和步驟4) 中所述SVM分類器的參數(shù)；d)重復(fù)a)、b)和c)，最終獲得精度最高時的所述Adaboost級聯(lián)分類器和所述SVM分類器的參數(shù)。
全文摘要
本發(fā)明公開了基于多源信息融合和在線學(xué)習(xí)的人頭計數(shù)方法，它是在數(shù)字?jǐn)z像機作為傳感器以及數(shù)字信號處理芯片的支持下實現(xiàn)的，其特征在于其包括以下步驟利用所述數(shù)字?jǐn)z像機采集行人的數(shù)字圖像；應(yīng)用Adaboost級聯(lián)分類器檢測出具有人頭紋理特征的人體區(qū)域；應(yīng)用SVM分類器進行篩選，篩選出具有頭部和肩部特殊組合形狀的人體區(qū)域作為最終人體對象并統(tǒng)計其數(shù)量。本發(fā)明結(jié)合紋理特征和形狀特征，并且采用兩級檢測器結(jié)構(gòu)，第一級檢測器用來快速排除非人頭區(qū)域，第二級檢測器精確定位人頭區(qū)域，降低虛警率。本方法還通過在線學(xué)習(xí)方式，極大增強本方法的環(huán)境適應(yīng)能力。
文檔編號H04N7/18GK102169543SQ201110094338
公開日2011年8月31日 申請日期2011年4月15日 優(yōu)先權(quán)日2011年4月15日
發(fā)明者劉寶, 劉文金, 趙春水 申請人:蘇州市慧視通訊科技有限公司