一种基于颜色特征的密集人流量实时检测方法
【专利摘要】本发明涉及一种基于颜色特征的密集人流量实时检测方法，包括以下步骤：对采集的发色图片样本进行聚类特性分析；对视频进行畸变校正预处理；根据颜色特征进行二值化；根据背景差分提取运动前景；混合二值化的结果和前景图像，分析得到行人头部区域；对行人进行跟踪并且记录轨迹；根据轨迹信息进行判断人数和运动方向。本发明能有效去除背景颜色的干扰和动目标前景难以分割的问题，且计算复杂度低，可以实时地检测人流量，适用于智能视频监控领域。
【专利说明】一种基于颜色特征的密集人流量实时检测方法
【技术领域】
[0001]本发明涉及计算机视觉【技术领域】中人流量分析，特别是涉及一种基于颜色特征的密集人流量实时检测方法。
【背景技术】
[0002]计算机视觉是一个多学科交叉的【技术领域】，它涉及了计算机、信号处理、数学等学科。在计算机视觉领域，以人为研究主体的方向占据了很大一部分，比如人脸识别、行人跟踪、人流量统计等。随着社会的发展，在一些公共场合的人流量统计成为了重要的公共安全需求和重要的商业需求。使用计算机视觉的方法来进行人流量统计具有成本低、节约人力成本、自动化程度高等特点。因此，在火车站、大型商场、地铁站、飞机场等场所，都有了很多基于计算机视觉的人流量统计系统，但是目前的系统存在实时性、准确性等问题。因此，在人流量检测技术上进行相关的研究与分析是很有意义的。
[0003]人流量的检测可以从图像的底层特征入手，利用图像中的颜色、轮廓、边缘等特征，从图像中检测出行人，然后再进行数目和运动方向的分析。也可以使用目标识别的方法，先对行人样本进行训练，再用训练好的分类器进行目标检测。另外也有一些其他的方法，比如利用立体视觉方法解决行人遮挡的问题，利用整体分析的方法等等。
[0004]传统的使用颜色的方法会存在色彩一致性问题，会受到光照和背景颜色的影响。但是这种方法简单，运算复杂度低，易于用在实时处理中。使用运动前景检测的方法常常会受到前景难以分割的问题影响。使用模式识别的方法运算复杂度较高，不易于做实时处理。
【发明内容】
[0005]本发明所要解决的技术问题是提供一种基于颜色特征的密集人流量实时检测方法，可用于实时的人流量监测系统，如大型商场、火车站、汽车站等公共场所。
[0006]本发明解决其技术问题所采用的技术方案是:提供一种基于颜色特征的密集人流量实时检测方法，包括以下步骤:
[0007](I)采集头发照片样本，对不同色彩空间发色的聚类特征进行分析，找出合适的聚类分量；
[0008]( 2 )对采集到的视频数据进行预处理；
[0009](3)对完成预处理的图像进行基于颜色聚类特征的二值化操作和基于混合高斯背景差分的前景提取操作，并作形态学上的闭操作；
[0010](4)将基于颜色聚类特征的二值化操作的结果和基于混合高斯背景差分的前景提取操作的结果进行合并，并判断出合适的人头区域；
[0011](5)对得到的人头区域进行目标跟踪，记录跟踪轨迹；
[0012](6)对轨迹信息进行特征判断，获得行人的数目和运动方向；
[0013](7)输出人流量检测的结果。
[0014]所述步骤(I)中采集的图像样本为RGB格式，将其分别转换为灰度空间、HSV空间、LUV空间、YCbCr空间，在各个色彩空间统计出发色的聚类区间。
[0015]所述步骤(2)中预处理过程需要对摄像头进行标定，得到摄像头的内外参数，再对捕获的视频图像进行调整。
[0016]所述步骤(3)中利用步骤(I)中得到的发色聚类分量，对图像在各个色彩分量上进行聚类特征的二值化操作，并且二值化后的结果使用形态学中的闭操作处理。
[0017]所述步骤(3)中对预处理后的图像使用混合高斯背景差分的方法提取前景运动目标，并且对提取出的结果使用形态学中的闭操作。
[0018]所述步骤(4)中利用轮廓长度，面积，占空比和离散度进行判断是否为人头区域。
[0019]所述步骤(5)中在检测到的人头区域使用最近邻方法进行跟踪，跟踪过程中使用kalman滤波器进行预测平滑轨迹，记录目标的运动轨迹。
[0020]所述步骤(6)中对获得行人运动轨迹进行特征分析，具体的包括轨迹的长度、轨迹的增量方向、和轨迹的点数，根据上述特征判断行人的运动方向和行人的数目。
[0021]有益效果
[0022]由于采用了上述的技术方案，本发明与现有技术相比，具有以下的优点和积极效果:
[0023]本发明使用基于颜色特征的行人检测方法，它具有运算复杂度低、实时性好的优点。由于存在色彩一致性问题，单一地根据某种颜色特征进行判断是否是所需要的目标是不合理的，本方法综合了多个颜色空间的多个颜色分量，可以有效地避免单纯使用某一种颜色特征造成的误判。同时，当背景颜色与目标颜色接近时，本方法利用混合高斯背景差分的方法，检测出运动目标，这样就可以将静态背景中的相似颜色有效地去除。对于提取出的前景使用基于颜色的方法进行分割非常有效，因为身体有可能连接在一起，但是垂直拍摄时人的头部很难靠在一起，用这个方法可以有效分割不同的行人。在人流量密集、行人距离过紧时可以体现出很好的性能。
[0024]在行人跟踪时，本方法使用带预测的跟踪方式，即使某几帧图像没有正确地检测出行人，也不会影响整体的检测效果。当突然丢掉目标时根据当前时刻之前的轨迹信息，利用Kalman滤波器进行预测。因此，本方法具有很好的稳定性。
【专利附图】
【附图说明】
[0025]图1是人流量检测方法的流程图；
[0026]图2是彳丁人跟踪的不意图；
[0027]图3 (a)_图3 (f)是不同颜色空间中发色的聚类特征示意图，其中，图3 (a)为灰度直方图、图3 (b)为H分量直方图、图3 (c)为Cb分量直方图、图3 (d)为Cr分量直方图、图3 (e)为U分量直方图、图3 (f)为V分量直方图；
[0028]图4是摄像头安装方式示意图。
【具体实施方式】
[0029]下面结合具体实施例，进一步阐述本发明。应理解，这些实施例仅用于说明本发明而不用于限制本发明的范围。此外应理解，在阅读了本发明讲授的内容之后，本领域技术人员可以对本发明作各种改动或修改，这些等价形式同样落于本申请所附权利要求书所限定的范围。
[0030]本发明涉及一种基于颜色特征的密集人流量实时检测方法，如图1所示，包括以下步骤:对采集的发色图片样本进行聚类特性分析；对视频进行畸变校正预处理；根据颜色特征进行二值化；根据背景差分提取运动前景；混合二值化的结果和前景图像，分析得到行人头部区域；对行人进行跟踪并且记录轨迹；根据轨迹信息进行判断人数和运动方向。以下通过具体的实施例来进一步说明本发明。
[0031]步骤一:首先采集一定数量的图像样本，图像内容为头发。将样本图片进行色彩空间的变换，分别变换到灰度空间，HSV空间，CYbYr空间和LUV空间。对不同颜色空间的不同颜色分量进行统计分析，得到他们的聚类特性，如图3所示。使用混合高斯概率模型来获得这些分量的概率密度函数:
[0032]
[0033]其中参数的估计使用最大期望值法(EM)来进行估计，得到的聚类结果如下:
[0034]表I聚类区间
[0035]
颜色分量聚类区间
灰度值[9,40]
H(HSV)「0，5]&|]]0，180j
Ch(YCbCr)[127,132]
Cr(YCbCi)[127,133]
U(LUV)[95/100]
V(LUY)LI33J4iJ
[0036]步骤二:在检测区域架设一台摄像机，摄像机采用垂直地面俯视拍摄的方式，如图
4。摄像机采集实时视频监控图像序列，通过网络设备将实时的视频数据传输至计算机终端。对摄像机进行标定，然后在计算机终端获得每一帧图像都进行畸变校正。
[0037]步骤三:选取头发聚类特征较好的几个颜色分量:灰度分量、HSV空间的H分量、YCbCr空间的Cb分量和Cr分量，LUV空间的U分量和V分量。根据步骤一中得到的聚类区间，将图像进行二值化操作。如果该像素点在某个分量上的值正好落在该分量的聚类区间内，则将该像素点二值化后的结果置为255，若不在聚类区间内则将其值置为O ;同时二值化之后的结果还需要使用形态学中的闭操作(先腐蚀后膨胀)去除一些毛刺和孔洞。
[0038]步骤四:在执行步骤三的同时，畸变校正后的图像还需要同时完成如下的操作步骤。使用自适应的混合高斯背景差分，获得运动目标的前景图像。同样地也需使用闭操作去除孔洞和凸起。
[0039]步骤五:步骤三和步骤四分别得到两个二值化后的图像，使用与操作将这两者合并起来。这样子既可以去除步骤三中背景颜色的干扰，又可以将步骤四中得到的运动前景进行有效地分割。合并后的图像先做闭操作，然后提取出其轮廓。轮廓根据如下的五个特征进行判断:
[0040]L:轮廓的周长
[0041]A:轮廓包围的面积
[0042]B:包含轮廓的最小矩形的面积
[0043]Z:占空比(A与B的比值)
[0044]C:离散度(L2/A)
[0045]其中，轮廓的周长，包围的面积和最小矩形的面积均需要根据实际的视频情况进行取值。而占空比和离散度是相对比较固定的参数，占空比理论值为0.79，离散度理论值为12.6。可以根据实际情况细微调动。这样便可以检测出合适的人头区域。
[0046]步骤六:对行人区域使用最近邻方法进行目标跟踪，跟踪过程中使用kalman滤波器进行预测平滑运动轨迹，并且记录下目标的运动轨迹，行人跟踪的示意图见图2。
[0047]步骤七:对获得的运动目标轨迹进行特征判断，主要是轨迹的有效点数、轨迹的首位长度和轨迹的增量方向。定义平面图中y增加的方向为进，减小的方向为出。假设目标的运动轨迹为:Trace = {(x0, y0), (x1； Y1),...(xn, yn)}，那么目标在y方向的速度可以近似表示为如下形式:vy = Iy1-Ytl, Y2I1,…，yn_yn_J ,正数表示进入,负数表示出去,统计出正数的个数为m,轨迹长度为distance那么判断出入的准则如下:当distance≥180&Π≥15&m/η≥0.7时,判断行人为进入,进入总人数加I ;当distance≥180&Π≥15&0 ≥ m/n ≥ 0.3时，判断行人为出去，出去总人数加I ;当不满足以上两个条件时说明该轨迹为错误轨迹，将其剔除，不做计数。
[0048]不难发现，本发明使用基于颜色特征的行人检测方法，它具有运算复杂度低、实时性好的优点。由于存在色彩一致性问题，单一地根据某种颜色特征进行判断是否是所需要的目标是不合理的，本方法综合了多个颜色空间的多个颜色分量，可以有效地避免单纯使用某一种颜色特征造成的误判。同时，当背景颜色与目标颜色接近时，本方法利用混合高斯背景差分的方法，检测出运动目标，这样就可以将静态背景中的相似颜色有效地去除。对于提取出的前景使用基于颜色的方法进行分割非常有效，因为身体有可能连接在一起，但是垂直拍摄时人的头部很难靠在一起，用这个方法可以有效分割不同的行人。在人流量密集、行人距离过紧时可以体现出很好的性能。
【权利要求】
1.一种基于颜色特征的密集人流量实时检测方法，其特征在于，包括以下步骤: (1)采集头发照片样本，对不同色彩空间发色的聚类特征进行分析，找出合适的聚类分量; (2)对采集到的视频数据进行预处理； (3)对完成预处理的图像进行基于颜色聚类特征的二值化操作和基于混合高斯背景差分的前景提取操作，并作形态学上的闭操作； (4)将基于颜色聚类特征的二值化操作的结果和基于混合高斯背景差分的前景提取操作的结果进行合并，并判断出合适的人头区域； (5)对得到的人头区域进行目标跟踪，记录跟踪轨迹； (6)对轨迹信息进行特征判断，获得行人的数目和运动方向； (7)输出人流量检测的结果。
2.根据权利要求1所述的基于颜色特征的密集人流量实时检测方法，其特征在于，所述步骤(I)中采集的图像样本为RGB格式，将其分别转换为灰度空间、HSV空间、LUV空间、YCbCr空间，在各个色彩空间统计出发色的聚类区间。
3.根据权利要求1所述的基于颜色特征的密集人流量实时检测方法，其特征在于，所述步骤(2)中预处理过程需要对摄像头进行标定，得到摄像头的内外参数，再对捕获的视频图像进行调整。
4.根据权利要求1所述的基于颜色特征的密集人流量实时检测方法，其特征在于，所述步骤(3)中利用步骤(I)中得到的发色聚类分量，对图像在各个色彩分量上进行聚类特征的二值化操作，并且二值化后的结果使用形态学中的闭操作处理。
5.根据权利要求1所述的基于颜色特征的密集人流量实时检测方法，其特征在于，所述步骤(3)中对预处理后的图像使用混合高斯背景差分的方法提取前景运动目标，并且对提取出的结果使用形态学中的闭操作。
6.根据权利要求1所述的基于颜色特征的密集人流量实时检测方法，其特征在于，所述步骤(4)中利用轮廓长度，面积，占空比和离散度进行判断是否为人头区域。
7.根据权利要求1所述的基于颜色特征的密集人流量实时检测方法，其特征在于，所述步骤(5 )中在检测到的人头区域使用最近邻方法进行跟踪，跟踪过程中使用kalman滤波器进行预测平滑轨迹，记录目标的运动轨迹。
8.根据权利要求1所述的基于颜色特征的密集人流量实时检测方法，其特征在于，所述步骤(6)中对获得行人运动轨迹进行特征分析，具体的包括轨迹的长度、轨迹的增量方向、和轨迹的点数，根据上述特征判断行人的运动方向和行人的数目。
【文档编号】G06T7/00GK103440491SQ201310253484
【公开日】2013年12月11日 申请日期:2013年6月24日 优先权日:2013年6月24日
【发明者】徐小龙, 谷宇章, 胡珂立, 邹方圆, 魏智, 张 诚 申请人:中国科学院上海微系统与信息技术研究所