一种人流量统计系统中分类器的自动选择方法
【专利摘要】本发明公开了一种人流量统计系统中分类器的自动选择方法，属于视频监控及模式识别【技术领域】。本发明包括：预先设定多个成像视角，分别离线训练一个分类器；在线学习时，针对当前输入图像，对各分类器分别执行下述操作：检测目标，将当前检测出的行人目标与已有的跟踪目标进行关联，对未关联的跟踪目标采用跟踪算法进行跟踪，将未关联的检测目标加入跟踪目标队列中；对跟踪目标队列中符合条件的目标进行计数；若所有分类器所计目标数均未超过阈值，则继续处理下一图像；选取目标计数最多的分类器作为人流量统计系统中使用的最优分类器。本发明提供的方法能为人流量统计系统自动选择最优分类器，避免了手动设置分类器的不准确性和不方便性问题。
【专利说明】一种人流量统计系统中分类器的自动选择方法
【技术领域】
[0001]本发明属于视频监控及模式识别【技术领域】，更具体地，涉及一种人流量统计系统中分类器的自动选择方法。
【背景技术】
[0002]在二十世纪七十年代，视频监控系统就已开始出现。随着科学技术的发展，现在视频监控系统已经对社会产生了非常重要的影响，监控摄像机几乎遍布大街小巷。但是实际上，目前监控系统承担的许多监控任务还是需要人工干预。随着人工智能技术的发展，现在兴起了一种智能监控系统。通过计算机视觉技术与模式识别技术对采集到的视频信息进行分析，提取出视频中有用的信息并进行相关操作，使现有的视频监控系统可以在没有人工干预的情况下，自动完成一些视频监控任务。
[0003]基于视频的人流量统计技术是智能视频监控系统中的一个重要应用。人流量一直都是商场、超市、体育馆以及机场车站等等公共场所进行管理和决策不可缺少的重要数据。对于一些行业来说，人流量可以直接反应出其经营业绩。近年来，随着智能视频监控系统的兴起，基于视频的人流量统计技术成为一个非常具有科学意义与商业应用价值的研究热点。人流量统计数据有着非常重要的意义，例如机场车站等场所可以利用人流量统计数据预估客流信息调整运行班次，也可以对某个出入口进行人流量统计进而判断该出入口的设置是否合理；商场超市可以利用人流量统计数据分析消费者的购买习惯，优化店面布局以及评估所实施的营销和促销的投资回报；而安防人员可以利用人流量统计数据防止异常事件的发生。
[0004]在现有的基于视频的人流量统计方法中，一种应用较为广泛并且统计精度较高的方法是基于统计学习理论的人流量统计方法，该方法需要先提取场景中的目标正负样本，然后选取一种特征描述算子来描述目标，利用机器学习算法对所采集的正负样本进行特征学习分类，从而得到用于人流量统计中目标检测的分类器。在人流量统计中，利用上述学习得到的分类器检测视频场景中的行人目标并对其进行跟踪，根据行人目标的运动轨迹，统计相应方向的人数。
[0005]但是人流量统计应用的场景由于不同的成像需要，所安装的监控摄像机的成像角度通常是不一样的。在应用上述方法时，为了能够在不同的视频成像角度下都取得较高的统计精度，需要训练各个不同成像角度的分类器，然后在人流量统计算法应用前选择相应角度的分类器进行人流量统计。虽然采用分类器的方法提高了不同成像角度下的统计精度，但是在人流量统计系统运行前，需要人工的选择相应分类器，降低了系统的自适应性，并且由于使用者可能没有正确判断应该使用的分类器，造成统计精度下降。
【发明内容】
[0006]针对现有技术的以上缺陷或改进需求，本发明提供一种人流量统计系统中分类器的自动选择方法，在人流量统计系统运行之前，本发明通过在线学习的方法，选择出最优的分类器；其目的在于避免基于统计学习理论的人流量统计算法存在的手动设置分类器的不准确性和不方便性的问题。
[0007]为实现上述目的，本发明提供一种人流量统计系统中分类器的自动选择方法，包括以下步骤:
[0008](I)获取视频源；
[0009](2)读取所述视频源中的一帧图像作为当前图像帧；
[0010](3)将人流量统计系统中的所有分类器都标记为未选择的状态，各分类器对应不同成像角度；
[0011](4)从所有标记为未选择状态的分类器中选择一个分类器，并将其标记为已选择状态；
[0012](5)利用所述步骤(4)已选择的分类器对所述当前图像帧中的行人进行目标检测；
[0013](6)判断当前选择分类器的跟踪目标队列是否为空，如果为空则转向步骤(9)，否则转向步骤(7)，其中，所述跟踪目标队列是存放所述视频源中检测到的行人目标的运动轨迹的队列；
[0014](7)判断所述已选择的分类器的检测目标队列中是否存在与所述跟踪目标队列中的跟踪目标相匹配的检测目标，如果有，则将所述检测目标与对应的跟踪目标都标记为匹配状态，并用所述检测目标更新所述对应的跟踪目标的位置信息，将所述对应的跟踪目标出现的帧次数加I ;否则对跟踪目标不进行任何操作，其中，所述检测目标队列为存放所述当前图像帧中检测到的所述行人目标的队列；
[0015](8)判断所述已选择的分类器的所述跟踪目标队列中的每一个跟踪目标是否为未匹配的状态，是则使用目标跟踪算法求得未匹配的跟踪目标在所述当前图像帧的位置，并用所述求得的位置更新所述未匹配的跟踪目标的位置信息；否则对跟踪目标不进行任何操作；
[0016](9)将标记为匹配状态的检测目标从所述检测目标队列中删除，如果检测目标与所述已选择的分类器的所述跟踪目标队列中任何跟踪目标都不匹配，则将所述检测目标加入到所述跟踪目标队列中去，并将其出现的帧次数加I ;否则对检测目标不进行任何操作；
[0017](10)如果跟踪目标位于所述当前图像帧的边缘，则将其从所述跟踪目标队列中删除，否则对跟踪目标不进行任何操作；
[0018](11)分别对所述已选择的分类器的所述跟踪目标队列中的每一个跟踪目标进行计数操作，得到所述已选择的分类器统计的人数；
[0019](12)判断是否还有标记为未选择状态的分类器，有则执行步骤(4)，否则执行步骤(13)；
[0020](13)判断统计人数最多的分类器所统计的人数是否超过统计阈值，是则执行步骤
(14)，否则执行步骤(2);
[0021](14)选择所述统计人数最多的分类器作为所述人流量统计系统中使用的最优分类器，以实现对所述人流量统计系统中多个分类器的自动选择。
[0022]总体而言，通过本发明所构思的以上技术方案与现有技术相比，具有以下有益效果:
[0023]本发明是一种在线学习的方法，运行在人流量统计算法之前。经过对需要选择分类器的人流量统计场景视频进行在线学习后，本发明能够选择出最适合此人流量统计场景的分类器。在采用本发明后，能让现有的基于统计学习理论的人流量统计算法自动化的运行，不需要人工选择最优分类器，也避免了因人为选择了错误分类器而造成的统计精度下降；
[0024]本发明选取分类分值最高的检测目标作为最终的检测目标，将其他与之重叠的检测目标删除，降低了虚假目标出现的可能，使得检测出来的目标基本是正确的行人目标；
[0025]本发明利用了跟踪目标的空间和时间信息来对计数目标进行约束，对于出现次数较少的跟踪目标不进行计数操作，降低了虚假目标被统计的概率。
【专利附图】
【附图说明】
[0026]图1为本发明人流量统计系统中分类器自动选择方法的流程图。
[0027]图2(a)为本发明从视频源中获取的某一帧图像。
[0028]图2(b)为本发明采用成像角度为45度的视频中提取的正负样本训练所得的分类器对图2(a)进行目标检测的结果。
[0029]图2 (C)为本发明对某视频进行最优分类器选择的结果。
【具体实施方式】
[0030]为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。此外，下面所描述的本发明各个实施方式中所涉及到的技术特征只要彼此之间未构成冲突就可以相互组合。
[0031]图1所示为本发明人流量统计系统中分类器自动选择方法的流程图，包括以下步骤:
[0032](I)获取视频源。
[0033](2)读取步骤(I)所获取的视频源中的一帧图像。图2(a)所示为本发明实施例视频源中的一帧图像。
[0034](3)将用于人流量统计系统中的所有分类器都标记为未选择的状态。预先设定多个成像视角，分别离线训练一个分类器。在本发明实例中，分类器为基于成像角度为45度、60度、80度的正负样本训练所得的三种不同角度的线性支持向量机分类器。
[0035](4)从标记为未选择状态的分类器中选择一个分类器，并标记其为已选择状态。
[0036](5)利用步骤(4)中选择的分类器对当前一帧图像中的行人进行目标检测，具体包括以下子步骤:
[0037](5-1)用不同尺寸大小的检测窗口依次在当前帧的图像内从上到下、从左到右进行滑动检索。在本发明实施例中，一帧图像的大小(分辨率)为352 X 288，检测窗口的尺寸包括 22X22,26X26,30X30 和 34X34 四种尺寸。
[0038]提取当前检测窗口内的目标特征，所提取的目标特征与分类器学习训练的特征一致。在本发明实施例中，提取的目标特征为方向梯度直方图(Histogram of OrientedGradient，以下简称HOG)特征。方向梯度直方图特征是通过统计目标梯度强度和方向分布来描述目标的外观形状特征，能够很好地描述非刚体(例如行人)目标，并且能够抵抗场景中的光照变化。将提取的目标特征输入当前选择的分类器中得到相应的分类分值，在本发明实施例中，目标特征的分类分值一般分布在(0,4)区间内，非目标特征的分类分值一般分布在(-4,0)区间内。分类分值score的计算公式为:
【权利要求】
1.一种人流量统计系统中分类器的自动选择方法，其特征在于，包括以下步骤: (1)获取视频源； (2)读取所述视频源中的一帧图像作为当前图像帧； (3)将人流量统计系统中的所有分类器都标记为未选择的状态，各分类器对应不同成像角度； (4)从所有标记为未选择状态的分类器中选择一个分类器，并将其标记为已选择状态； (5)利用所述步骤(4)已选择的分类器对所述当前图像帧中的行人进行目标检测； (6)判断当前选择分类器的跟踪目标队列是否为空，如果为空则转向步骤(9)，否则转向步骤(7)，其中，所述跟踪目标队列是存放所述视频源中检测到的行人目标的运动轨迹的队列； (7)判断所述已选择的分类器的检测目标队列中是否存在与所述跟踪目标队列中的跟踪目标相匹配的检测目标，如果有，则将所述检测目标与对应的跟踪目标都标记为匹配状态，并用所述检测目标更新所述对应的跟踪目标的位置信息，将所述对应的跟踪目标出现的帧次数加I ;否则对跟踪目标不进行任何操作，其中，所述检测目标队列为存放所述当前图像帧中检测到的所述行人目标的队列； (8)判断所述已选择的分类器的所述跟踪目标队列中的每一个跟踪目标是否为未匹配的状态，是则使用目标跟踪算法求得未匹配的跟踪目标在所述当前图像帧的位置，并用所述求得的位置更新所述未匹配的跟踪目标的位置信息；否则对跟踪目标不进行任何操作； (9)将标记为匹配状态的检测目标从所述检测目标队列中删除，如果检测目标与所述已选择的分类器的所述跟踪目标队列中任何跟踪目标都不匹配，则将所述检测目标加入到所述跟踪目标队列中去，并将其出现的帧次数加I ;否则对检测目标不进行任何操作； (10)如果跟踪目标位于所述当前图像帧的边缘，则将其从所述跟踪目标队列中删除，否则对跟踪目标不进行任何操作； (11)分别对所述已选择的分类器的所述跟踪目标队列中的每一个跟踪目标进行计数操作，得到所述已选择的分类器统计的人数； (12)判断是否还有标记为未选择状态的分类器，有则执行步骤(4)，否则执行步骤(13)； (13)判断统计人数最多的分类器所统计的人数是否超过统计阈值，是则执行步骤(14)，否则执行步骤(2); (14)选择所述统计人数最多的分类器作为所述人流量统计系统中使用的最优分类器，以实现对所述人流量统计系统中多个分类器的自动选择。
2.如权利要求1所述的方法，其特征在于，所述步骤(5)具体包括以下子步骤: (5-1)用不同尺寸大小的检测窗口依次在所述当前图像帧内从上到下、从左到右进行滑动检索，提取当前检测窗口内的目标特征，计算所述目标特征的分类分值score，如果所得的所述分类分值score大于分类阈值，则认定所述检测窗口中存在检测目标，并将所述检测目标添加到所述已选择的分类器的所述检测目标队列中，其中，分类分值score的计算公式为:
其中，[W1, W2,..., Wq]表示线性支持向量机分类器的支撑向量；[X1, X2,...，Xq]表示所述检测窗口内的方向梯度直方图特征^表示选取的方向梯度直方图特征维数；b*表示所述线性支持向量机分类器求得的最优分类间隔； (5-2)将检测窗口移动到所述当前图像帧的下一个位置，并重复所述步骤(5)直到每个尺寸的检测窗口都遍历完所述当前图像帧为止； (5-3)选取所述分类分值score最高的检测目标作为最终的检测目标，将其他与之重叠的检测目标删除。
3.如权利要求1或2所述的方法，其特征在于，所述步骤(7)中判断检测目标是否与跟踪目标相匹配的方法为:若检测目标与一个跟踪目标相匹配，那么其与所述跟踪目标之间的距离要小于距离阈值，并且是与所述跟踪目标距离小于所述距离阈值的所有检测目标中与所述跟踪目标的表观颜色信息最相似的，其中，所述表观颜色相似度采用如下公式进行计算:
其中，k表示跟踪目标；1表示检测目标；将跟踪目标和检测目标所在图像区域的二维点集R = {It (a, b) Za1≤a≤a2, Id1≤b ≤b2}转换为按行顺序存储的一维向量X,所述一维向量X的均值为
，N表示所述图像区域内像素点的个数；Xki和Xli分别为向量Xk和Xi中任一元素。
4.如权利要求1或2所述的方法，其特征在于，所述步骤(8)中使用的所述目标跟踪算法为均值漂移算法。
5.如权利要求1或2所述的方法，其特征在于，所述步骤(10)中若跟踪目标的中心位置与所述当前图像帧某一边的距离小于最大检测窗口尺寸的一半，则认为所述跟踪目标已经位于所述当前图像帧的边缘。
6.如权利要求1或2所述的方法，其特征在于，所述步骤(11)具体包括以下子步骤: (11-1)判断跟踪目标是否标记为已计数状态，如果是，则对所述跟踪目标不进行任何操作，否则执行步骤(11-2)； (11-2)判断跟踪目标在上一帧图像的位置与所述当前帧图像的位置的差值是否大于位差阈值，如果是则执行步骤(I 1-3)，否则对该跟踪目标不进行任何操作； (11-3)判断跟踪目标出现的帧次数是否大于出现次数阈值，如果是则将所述已选择的分类器统计的人数值加1，否则不进行任何操作。
【文档编号】G06K9/66GK104134078SQ201410349739
【公开日】2014年11月5日 申请日期:2014年7月22日 优先权日:2014年7月22日
【发明者】桑农, 王莹, 彭章祥, 高常鑫, 杜文凯, 李冠萍 申请人:华中科技大学