基于监控视频下的商店人流轨迹智能分析方法
【技术领域】
[0001] 本发明涉及计算机智能监控视频处理领域，具体涉及基于监控视频下的商店人流 轨迹智能分析方法。
【背景技术】
[0002] 在现代社会的飞速发展进程中，自身安全、公共安全以及财产安全等问题越来越 引起人们的关注和重视，在这些因素的推动下，人们对视频监控系统的需求也应运而生。在 智能视频分析技术出现之前，人为监控系统一直存在着响应速度慢、漏报率高、可靠性差以 及数据利用率低等问题。不仅如此，随着应用的监控系统越来越庞大，需要分析的视频越来 越多的时候，人为监控的成本也变得更加昂贵和不现实。而随着大数据时代的到来，智能 视频分析技术更多的是基于安全需求，应用在安防、金融、交通等多个领域，例如平安城市 建设、智能检索交通监控、智能厂区监控等。但是在商业领域上，商业经营者的应用需求不 仅限于安全需求，商业经营者更关注的是如何从商店监控视频中得到对商业发展有利的信 息。
[0003] 在商业领域上，面对海量的监控视频数据，人工地统计监控视频中出现的人数，以 及记录其中出现的顾客的移动轨迹等等这些工作都是繁琐和困难的，这样既浪费了大量人 力资源和时间资源，同时又难以保证人工收集到的数据的正确性。而传统的智能视频分析 技术基本应用在安防上，将智能视频分析技术与商业领域上的人流轨迹分析相结合的情况 则是少之又少。
【发明内容】
[0004] 本发明针对当前智能视频监控技术在商业领域应用上的不足，提供了基于监控视 频下的商店人流轨迹智能分析方法。本发明的目的在于智能地对商店人流的轨迹进行自动 分析，得到顾客的移动路径、主要停留区域与平均停留时间、人流量等有利于商业经营决策 的信息，让用户可以快速并直观的获取想要的顾客信息数据，具体技术方案如下。
[0005] 基于监控视频下的商店人流轨迹智能分析方法，包括以下步骤：
[0006] (a)从本地磁盘读入一个avi格式的视频文件；
[0007](b)使用混合高斯背景建模对读入的视频建立背景模型，初始化更新背景模型的 相关参数，得到自适应的背景模型；
[0008] (c)使用背景帧差法与步骤（c)得到的自适应背景模型结合，逐帧对读入的视频 进行运动物体检测，得到运动物体的矩形轮廓；
[0009] (d)记录每一帧中的运动物体的矩形轮廓位置和大小，使用矩形轮廓匹配来对步 骤（C)中检测出的运动物体的矩形轮廓进行精确跟踪；
[0010] (e)将步骤⑷中跟踪的所有运动物体的运动轨迹进行统计和分析，得到整体的 轨迹分析的详细信息；
[0011] (f)在步骤（e)中对整个视频的人流轨迹信息分析完毕后，将分析得到的结果绘 制到背景图像中，得到一个包含所有分析信息的图片文件。上述基于监控视频下的商店人 流轨迹分析方法中，步骤（b)包括以下步骤：
[0012] (b- 1)采用默认构造函数初始化混合高斯背景模型类；
[0013](b-2)设置混合高斯背景模型类的背景更新率为0. 1;
[0014](b-3)在视频中获取单帧图像；
[0015](b-4)在混合高斯模型类中，使用得到的单帧图像初始化背景模型；
[0016](b-5)使用视频的后续帧的图像逐帧更新背景模型，所得到的背景模型就是自适 应的背景模型。
[0017] 上述基于监控视频下的商店人流轨迹智能分析方法中，步骤（c)包括以下步骤：
[0018](c-1)在视频中获取单帧图像；
[0019](c_2)在混合高斯背景模型中获取背景图像；
[0020] (c- 3)将这两帧图像转化为灰度图像；
[0021](C-4)将这两帧图像的灰度图进行做差操作，得出差图像；
[0022] (c_ 5)对差图像进行二值化操作；
[0023](c-6)对二值化的差图像进行中值滤波操作，消除小的噪声；
[0024](c_7)对滤波后的二值化的差图像进行形态学操作，突出运动对象的轮廓；
[0025](c_8)对图像进行矩形轮廓检测，所得到的矩形轮廓就是视频中运动物体的矩
[0026] 形轮廓。
[0027] 上述基于监控视频下的商店人流轨迹智能分析方法中，步骤（d)中，在视频的第i 帧使用步骤（c)检测出的运动物体的矩形轮廓集合和在视频的第i+1帧使用步骤（c)检测 出的运动物体的矩形轮廓集合进行匹配，轮廓匹配度大于70%的识别为同一个运动物体， 上述的i表示视频的帧号。
[0028] 上述基于监控视频下的商店人流轨迹智能分析方法中，轮廓匹配度的计算方法为
，卩为2个矩形轮廓的匹配度，S'为2个矩形轮廓重叠部分的面积，Si*第一个 矩形轮廓的面积，S2为第二个矩形轮廓的面积。
[0029] 上述基于监控视频下的商店人流轨迹智能分析方法中，步骤（e)中采用特定数据 格式记录整体的人流轨迹的详细信息，所述特定数据格式包括以下内容：商店的客流量； 商店人流的主要停留区域；商店人流的主要停留区域的平均停留时间；商店人流的关键移 动路径；商店人流的关键移动路径的热门程度。
[0030] 上述基于监控视频下的商店人流轨迹智能分析方法中，步骤（e)包括以下步骤：
[0031](e_1)使用步骤⑷中得到的所有人流轨迹的数据，根据人流轨迹的数量得到商 店的客流量数据；
[0032](e-2)在所有的人流轨迹的数据中，提取每个轨迹中停留超过一定时间阈值的位 置点，该点视为主要停留点，得到所有轨迹的主要停留点的集合；
[0033](e-3)使用改进后的IS0DATA算法对主要停留点的集合进行聚类，得到的聚类结 果作为人流轨迹的主要停留区域，聚类结果包括区域的中心点坐标和区域半径长度；
[0034](e_4)重新遍历所有人流轨迹的位置点，统计位置点连续停留在主要停留区域的 时间帧长度；将时间帧长度转化为时间单位，然后计算得到每个主要停留区域的平均停留 时间；
[0035](e-5)将所有主要停留位置点连接，得到全路径图；对每个人流轨迹，计算与其位 置点最接近的路径，并对其计数，根据位置点数量的比例选取大于阈值的路径作为该人流 轨迹的拟合路径。对所有的人流轨迹同样处理，得到所有路径的拟合计数。
[0036](e_6)筛选拟合计数大于阈值的路径作为关键移动路径，并对关键移动路径的拟 合计数进行比较，确定每个关键移动路径的热门程度。上述基于监控视频下的商店人流轨 迹智能分析方法中，步骤（e-3)包括以下步骤：
[0037](e-3-1)初始化IS0DATA算法的相关参数；
[0038](e-3-2)初始化整体聚类结果的数据结构；
[0039](e-3-3)对主要停留点的集合执行IS0DATA算法，得到聚类结果，包括聚类的中 心点位置和半径长度；
[0040](e-3-4)将当期聚类结果与整体聚类结果进行合并，即将重叠度较大的区域合 并，重叠度较小的区域添加，得到新的整体聚类结果。
[0041](e- 3-5)重复步骤（e-3-3)到步骤（e-3-5)，直到处理次数达到最大执行次 数；
[0042](e-3 -6)保存最后的整体聚类结果，该聚类结果包括所有的主要停留区域的中心
[0043] 点坐标和该区域的半径长度。上述基于监控视频下的商店人流轨迹智能分析方法 中，步骤（f)包括以下步骤：
[0044](f_ 1)在混合高斯背景模型中获取背景图像；
[0045](f_2)新建一个与背景图像相同尺寸且以黑色为背景的图像；
[0046](f_3)将步骤（e)得到客流量数据以及相应的文字说明绘制到新建图像的左上 角；
[0047](f_4)将步骤（e)得到的所有的主要停留区域以其中心点位置和半径长度画圆， 绘制到新建图像上，并在中心绘制对应的平均停留时间；
[0048](f_5)对步骤（e)得到的关键移动路径按其热门程度，以不同的颜色绘制到新建 图像上；
[0049](f_6)将新建图像进行透明化处理，然后与步骤（f-1)获得的背景图像合并，得 到新的图像，然后将新的图像保存为一个jpg格式的包含轨迹分析信息的图像文