一种基于图像处理的自助存取款机实时人数检测方法
【技术领域】
[0001]本发明涉及视频监控领域，尤其涉及一种基于图像处理的自助存取款机实时人数检测方法。
【背景技术】
[0002]近年来，随着人们的消费节奏越来越快，分布于城市大街小巷的自助存取款机越来越多，而这些数量巨大的自助存取款机没人24小时看守，必然容易成为劫持抢劫的目标。虽然为了保障个人在自助存取款机上操作时的安全，大多银行为自助存取款机增加了防护窗、视频监控等安保设施，但是这些设施都不够完善，难实时通知保安及银行工作人员，特别晚上发生的劫持案件。现有的防护窗、视频监控系统，把防护窗内有两个以上人员的可疑视频调取到监控中心大屏，起到实时监视、预防犯罪的作用。该方法同样适用于空间大小有限，且监控摄影头安装位置高于人头的非银行一般场景，比如垂直升降机清点人数，防止人员过多。
[0003]基于监控视频中人头的人数清点，主要通过检测图像中人头的细节特征分辨人头，而现有监控系统获取的图像往往清晰度不高，细节丢失严重。
[0004]在安保领域，被动式的人数清点是一种有力的手段，主要方式有卡口红外线对射及图像处理两种方式。其中图像处理又分为检测头部肩部(摄影头斜角度安装)和检测头顶部(摄影头正上方安装)两种方式。头部肩部模型采用对头部和肩部的轮廓进行处理，头顶模型仅仅采用头顶部特征进行处理。图像处理虽然分头肩和头顶两种模型，但是方法基本相同，主要分三类。第一类采用轮廓特征方式，第二类采用三维信息比较方式，第三类采用特征统计方式。
[0005]首先，采用卡口红外线对射方式只能处理一次进单个人的场景，当出现两人并列，或者两人前后紧靠劫持时，往往会判断为一个人，本质上讲这方法不可用于判断自助存取款机防护窗内进入的是一个人还是多个人。
[0006]其次，头肩模型采集视频图像时需要一定倾斜角度，这也决定了当人员拥挤时会出现人员之间的肩部遮挡，无法提取到合适的肩部轮廓，所以摄影头安装在头顶时，人头模式才是受干扰最小的人数清点方式。
[0007]人头清点现也有几种方式:
第一类、采用轮廓，该方法只采用边缘信息。一般先采用Canny算子提取边缘，再通过Hough变换算子拟合轮廓。由于特征数量不够多，所以从复杂的图案中分别出头部和肩部轮廓比较困难，容易被干扰，识别率偏低。
[0008]第二类、采用三维信息，因为人头在三维信息分布图中处于极值位置，提取方便，但是由于存在局部极值，且方案不能采用现有监控设备，更新起来昂贵，不适合推广。
[0009]第三类、基于巨量特征降维训练成分类器的方法，具体讲先计算选定的所有特征，形成巨量的特征数量，之后采用学习的方法，得到一定量的特征分类器，从而对目标进行分类。现在使用较多的是ADAB00ST和SVM，检测中不可避免出现漏检和误检，传统的方式是采用复杂的目标跟踪方法进行优化，但是如果出现类人头目标，跟踪方式并不能减少误检率，甚至增加误检率。
【发明内容】
[0010]针对上述技术问题，本发明提出一种基于图像处理的自助存取款机实时人数检测方法。
[0011]为了解决上述技术缺陷，本发明的技术方案如下:
一种基于图像处理的自助存取款机实时人数检测方法，包括如下步骤:
11)提取实时监控图像作为待处理图像；
12)对该图像进行局部自适应直方图均衡处理；
13)基于局部信息特征的分类器检测人头。
[0012]进一步的，对步骤13)检测到的人头，通过视频相邻帧附近搜寻方法，计算人头的重叠率；并通过时间轴滤波方法，滤除孤立的噪声点，平滑短时间的目标误检和漏检。
[0013]进一步的，局部自适应直方图均衡处理包括对待处理图像分块处理，优化局部对比度，形成局部信息最优；同时进行对比度限幅，对限幅后的图像进行均衡，把全幅图像中均有的信息弱化，突出小分块中局部的差别。
[0014]进一步的，所述基于局部信息特征的分类器检测人头具体包括如下步骤:
离线训练基于局部信息特征的分类器，通过学习在大量已经标记为正负样本的图像中挑选出能区分这两类样本的特征从而生成分类器，该被挑选的特征最终形成特征平面，该特征平面用来分辨输入图像所在的样本域，即区分输入图像是否是人头，从而得出结果；所述输入图像通过对采集的视频图像缩放及截取感兴趣区域获得。
[0015]进一步的，训练特征采用通用的类哈尔特征，利用ADAB00ST方法训练，从巨量特征中，挑选符合要求的特征，即可以区分标定的大量正负样本的特征；对挑选符合要求的特征采用boosting方式形成强分类器，通过多次形成多个强分类器，再把这些强分类器按cascade方式级联形成最终分类器。
[0016]进一步的，把通过视频相邻帧附近搜寻方法跟踪到的目标存入数据结构中，过滤掉误检，补全漏检；单位时间上，时间占有率在一定阈值以下时，删除该部分数据结构，如果达到阈值，就把数据结构补全，最后形成完整的目标数据，这样的分段处理可以精确分辨目标人头的进入与离开。
[0017]本发明的有益效果在于:首先采用一种限制对比度自适应局部直方图均衡化方法，获取清晰的局部特征，再配合基于局部信息的类哈尔特征训练的分类器，获取较好结果。对于结果中的误检和漏检，提出一种时间轴滤波方法，可以使误检率从20%减少到5%，漏检率也可降低到5%以下。
【附图说明】
[0018]图1为整个系统应用框图；
图2为局部自适应原理图；
图3为图像映射均衡原理图；
图4为典型的类哈尔特征原理图； 图5为通过积分图方法求类哈尔特征值的原理图；
图6为利用时间轴滤波法过滤前的图；
图7为利用用时间轴滤波法过滤后的图；
图8为本发明的整体框图。
【具体实施方式】
[0019]以下将结合附图和具体实施例对本发明做进一步的说明。
[0020]本实施例基于现有的监控系统，提取实时监控图像作为待处理对象。该操作节省了大量前端资源，降低了使用成本。获取图像后，使用本发明的方法最终实时提取准确的多人可疑视频，供监控中心值班人员处理。
[0021]整个应用框图以及系统框图如图1和图8所示，首先从现有监控中获取视频，传送到本发明中处理，处理后如果结果为可疑危险视频，则传送到监控中心大屏上，供工作人员处理，实现预警作用。
[0022]但是现有监控系统获取的图像往往清晰度不高，细节丢失严重。而针对视频图像的人头检测主要需要图像的局部细节，首先重建图像中的局部细节信息，再利用基于局部信息特征的分类器来检测人头，这是发明中第一部分的核心。
[0023]首先介绍直方图均衡化的概念，直方图均衡化处理的是把原始图像的所有灰度值，按照灰度区间的形式统计成直方图，再把比较集中的某个灰度区间(就是图像中灰度值较多的区间)按一定比值分一部分给别的区间，形成全部灰度范围内的均匀分布。直方图均衡化就是对图像进行非线性拉伸，重新分配图像像素值，使一定灰度范围内的像素数量大致相同。直方图越均衡，图像细节就越突出。
[0024]本发明中的图像局部细节重建部分，首先是进行局部自适应直方图均衡处理，如图2，所谓局部自适应，就是对图像分块处理，因为分成小块处理更加利于优化局部对比度，形成局部信息最优；同时进行的对比度限幅，对统计的直方图进行峰值限制，把限制的峰值部分分配到所有区间上；如图3所示，限幅后再进行映射均衡，即把全幅图中都有的信息弱化，重点突出小分块中局部的差别，该方法处理过后的图像在明暗及细节上都优于一般的直方图均衡，这对于夜晚光线不良也有一定的补充作用，总体上可以最大程度增强图像局部细节。局部细节的增加，是后续分类器实现正确分类的先决条件。
[0025]图像细节信息增强后，发明采用基于局部信息特征的分类器来检测人头。首先需要离线训练基于局部信息特征的分类器，分类器的生成需要通过学习的方法在大量已经标记为正负样本的图像中挑选出能区分这两类样本的特征，这些被挑选的特征最终形成特征平面，该平面用来分辨输入图像所在的