件。
[0050] 本发明采用混合高斯背景建模法对视频建立自适应的背景模型，然后采用背景帧 差法将视频中的运动物体检测出来，即商店监控视频中的顾客，这是商店人流轨迹分析的 基本前提；通过轮廓匹配的方式对检测出的运动物体轮廓进行精确跟踪，得到所有运动物 体的运动轨迹，即人流轨迹；对整体的人流轨迹进行统计和分析，通过一定的数据格式将商 店人流轨迹的商店的客流量、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和商店人流的关键移动路径的热门程度记录下来，达 到分析并记录整个商店人流轨迹分析结果的目录；将记录的商店人流轨迹的详细分析结果 绘制到背景图像中，得到一个新的图片文件，该图片文件包含所有人流轨迹分析信息，用户 可以快速并直观的查看该视频的整体人流轨迹的分析结果。
[0051] 与现有技术相比，本发明具有如下优点和技术效果：
[0052] 现在的视频处理技术一般应用在车牌识别、人脸识别、入侵检测等方面，而对客流 及其轨迹方面的应用则是少之又少，大多也只是通过红外等硬件设备以及划出检测线的方 式来获取客流量的数据，至于其他的人流轨迹信息往往并没有被合适的智能化处理。本发 明能够在无需用户划出检测线或者借助红外等硬件设备的情况下进行客流量数据的统计， 得到视频的客流量数据。现有技术能得到的也单单只有客流量这一数据，而忽视或没有得 到人流轨迹信息的其他有意义的数据。本发明能够对商店人流轨迹进行进一步的分析，得 到更多有意义的信息，包括商店人流轨迹的商店的客流量、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和商店人流的关键移动路 径的热门程度，用户可以不仅仅获取客流量数据，还可以获取其他有价值的人流轨迹数据， 通过结合多个商店人流轨迹的分析数据来达到预期目的。
【附图说明】
[0053] 图1为实施方式中基于监控视频下的商店人流轨迹智能分析方法的流程图。
【具体实施方式】
[0054] 以下结合附图对本发明的实施方式作进一步说明，但本发明的实施不限于此，需 指出的是，以下若有未特别详细说明之过程或算法或相关符号，均是本领域技术人员可参 照现有技术实现或理解的。
[0055] 如图1，基于监控视频下的商店人流轨迹智能分析方法的主要流程包括以下步 骤：
[0056] (a)读入一个avi格式的视频文件；
[0057] (b)初始化并更新背景模型；
[0058] (c)进行运动物体检测与跟踪；
[0059] (d)记录目标的轨迹信息；
[0060] (e)统计与分析轨迹的数据信息 [0061] (f)绘制分析结果到背景图像中。
[0062] 步骤（a)允许用户通过文件选择窗口从本地硬盘选择一个视频文件作为视频摘 要提取源，此视频文件要求是avi编码格式。
[0063] 步骤（b)采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。
[0064] 步骤（b)包括以下步骤：
[0065](b_ 1)采用默认构造函数初始化混合高斯背景模型类；
[0066](b- 2)设置混合高斯背景模型类的背景更新率为0. 1 ;
[0067](b- 3)在视频中获取单帧图像；
[0068](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；
[0069](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。
[0070] 步骤（c)采用背景帧差法对视频进行运动物体的检测，背景帧差法是目前运动物 体检测算法中最快的算法之一，其主要原理是：通过单帧图像与背景图像的灰度图做差，筛 选出差图像中的大于设定阈值的像素区域，对这些区域进行滤波和形态学操作，处理后的 像素区域即是运动物体的轮廓，然后再将这些轮廓用最小矩形框圈出，最终得到运动物体 的矩形轮廓。
[0071] 步骤（c)包括以下步骤：
[0072] (b- 1)在视频中获取单帧图像；
[0073](b- 2)在混合高斯背景模型中获取背景图像；
[0074](b- 3)将这两帧图像转化为灰度图像；
[0075](b- 4)将这两帧图像的灰度图进行做差操作，得出差图像；
[0076](b- 5)对差图像进行二值化操作；
[0077] (b- 6)对二值化的差图像进行中值滤波操作，消除小的噪声；
[0078](b- 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；
[0079](b- 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形 轮廓。
[0080] 步骤（d)采用轮廓匹配法进行运动物体的跟踪，轮廓匹配法主要原理是，一个运 动物体在连续几帧内的矩形轮廓匹配度总是很高，这样对在相邻帧中检测出的运动物体矩 形轮廓进行轮廓匹配度计算，轮廓匹配度超过70%的标记为同一个运动物体的轮廓。如果 在上一帧中的某个矩形轮廓没有在下一帧找到与之相匹配的矩形轮廓，则判定前一帧中的 矩形轮廓所对应的运动物体结束运动。例如在视频第i帧检测出的某个轮廓面积为1000， 在视频第i+1帧检测出的另一个轮廓面积为1200,这两个轮廓的重叠面积为950,轮廓匹配 度的计算方法
，匹配度大于70%，这两个轮廓被识别为同一个运动物 体的轮廓，i为视频的帧号。
[0081] 步骤（e)将步骤（d)所跟踪到的所有的人流轨迹记录下来，对所有的商店人流轨 迹进行统计和分析，并且用特定数据格式将整体的商店人流轨迹的分析结果记录下来。特 定数据格式具体如表1、表2和表3所示。这里是通过提取所有的人流轨迹中的主要停留 点，对这些点的集合进行聚类，得到主要停留区域，针对连续停留在该区域的时间帧的数量 进行计算得到该区域的平均停留时间。然后根据主要停留区域的全连接图与人流轨迹点的 数据相拟合，得到关键的移动路径以及相应的路径热门程度，以达到快速而高效地分析人 流轨迹的目的。
[0082]表1保存人流轨迹分析结果的数据格式
[0084]表2SortCenter类的数据格式
[0087] 表3TrackSegment类的数据格式
[0088]
[0089]步骤（e)包括以下的详细步骤:
[0090](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；
[0091](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；
[0092](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；
[0093](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；
[0094](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。
[0095](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。
[0096] 其中步骤（e-3)采用了改后的IS0DATA算法，解决了IS0DATA算法由于其随机的 初始聚类中心而导致的聚类结果不稳定的问题，包括以下步骤：
[0097](e- 3 - 1)初始化IS0DATA算法的相关参数；
[0098](e- 3 - 2)初始化整体聚类结果的数据结构；
[0099](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；
[0100](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