目标数量统计方法
【专利摘要】本发明公开了一种目标数量统计方法，属于视频监控【技术领域】，解决了现有的目标数量统计系统存在检测率较低的技术问题。该目标数量统计方法包括：根据视距的远近，将待检测图像划分为若干个图像块；初始化各个图像块中目标检测值与目标密度估计值的权重；对每个图像块进行目标检测和目标密度估计，得到目标检测值和目标密度估计值；对于每个图像块，将目标检测值和目标密度估计值根据所述权重进行计算，得出目标数量值。本发明可应用于视频监控系统中。
【专利说明】目标数量统计方法
【技术领域】
[0001]本发明涉及视频监控【技术领域】，具体地说，涉及一种目标数量统计方法。
【背景技术】
[0002]随着互联网、无线通信以及智能化多媒体处理技术的迅猛发展，视频监控系统越来越广泛的应用到社会的各个方面，在安防、政府、银行、教育、交通等领域都发挥着极其重要的作用。
[0003]对视频进行智能分析，能够很好地缓解传统视频监控中海量信息冗余的问题。利用计算机图像视觉分析技术，可以将场景中的背景和目标分离，进而分析在场景内出现的目标。而在视频的智能分析中，目标数量统计系统是一个应用广泛的基础功能，比如:车流量统计、人流量统计或其他事物的统计，目标数量统计系统无论在交通、安防，还是在工业、教育、银行等领域，均占有很重要的地位。
[0004]目前目标数量统计系统的种类较多，较为常见的有单摄像头式目标数量统计系统，其具有成本低、安装方便、与已有视频监控系统兼容等优点。但是，在目标密集、目标之间互相遮挡重叠、目标小尺度等情况下，会使目标特征不明显或缺失，给目标检测带来困难。在此种情况下，采用现有的目标数量统计系统，会出现检测率降低的问题。
【发明内容】
[0005]本发明的目的在于提供一种目标数量统计方法，以解决现有的目标数量统计系统存在检测率较低的技术问题。
[0006]本发明提供一种目标数量统计方法，包括:
[0007]根据视距的远近，将待检测图像划分为若干个图像块；
[0008]初始化各个图像块中目标检测值与目标密度估计值的权重；
[0009]对每个图像块进行目标检测和目标密度估计，得到目标检测值和目标密度估计值；
[0010]对于每个图像块，将目标检测值和目标密度估计值根据所述权重进行计算，得出目标数量值。
[0011]进一步的是，该方法还包括:
[0012]将每个图像块的目标数量值叠加，得出目标数量统计值。
[0013]优选的是，在根据视距的远近，将待检测图像划分为若干个图像块之前，还包括:
[0014]对待检测图像进行预处理，并设置检测范围和目标尺寸范围。
[0015]进一步的是，在根据视距的远近，将待检测图像划分为若干个图像块之前，还包括:
[0016]通过训练，获得目标检测分类器；
[0017]所述目标检测分类器用于对图像块进行目标检测。
[0018]具体为:
[0019]步骤I，预先准备目标场景的视频；
[0020]步骤2，在所述视频中采集正样本图像；
[0021]步骤3，在所述视频中采集负样本图像；
[0022]步骤4，对正样本图像和负样本图像进行训练，获得目标检测分类器；
[0023]步骤5，判断目标检测分类器是否达到预设要求；
[0024]如果未达到预设要求，则增加正样本图像和/或负样本图像，并返回步骤4 ;如果达到预设要求，则结束训练。
[0025]优选的是，所述预设要求为检测率彡97%，误检率彡5%。
[0026]优选的是，所述正样本图像包括两类，其中一类为目标的正面、背面样本图像，另一类为目标的侧面样本图像；
[0027]所述目标检测分类器包括两个，其中一个用于检测目标的正面、背面样本图像，另一个用于检测目标的侧面样本图像。
[0028]进一步的是，在根据视距的远近，将待检测图像划分为若干个图像块之前，还包括:
[0029]通过训练，获得目标密度估计分类器；
[0030]所述目标密度估计分类器用于对图像块进行目标密度估计。
[0031]具体为:
[0032]采集不同密度等级的目标训练图像，并按照密度等级对所述目标训练图像进行分类；
[0033]利用灰度共生矩阵获取所述目标训练图像的纹理特征；
[0034]根据所述目标训练图像的密度等级和纹理特征进行训练，获得目标密度估计分类器。
[0035]本发明带来了以下有益效果:本发明提供的目标数量统计方法中，首先将待检测图像划分为若干个图像块。在对图像块进行目标检测，得到目标检测值的同时，还对图像块进行目标密度估计，得到目标密度估计值。然后根据每个图像块预设的目标检测值与目标密度估计值的权重进行计算，得出每个图像块的目标数量值。再将各个图像块的目标数量值相叠加，即可得出待检测图像中总的目标数量统计值。
[0036]本发明提供的目标数量统计方法中，针对目标密集、目标之间互相遮挡重叠、目标小尺度等情况，对图像块进行目标密度估计。还将得到的目标检测值与目标密度估计值根据权重进行计算，从而得出更为准确的目标数量值，提高了目标数量统计的检测率。
[0037]本发明的其它特征和优点将在随后的说明书中阐述，并且，部分地从说明书中变得显而易见，或者通过实施本发明而了解。本发明的目的和其他优点可通过在说明书、权利要求书以及附图中所特别指出的结构来实现和获得。
【专利附图】
【附图说明】
[0038]为了更清楚地说明本发明实施例中的技术方案，下面将对实施例描述中所需要的附图做简单的介绍:
[0039]图1是本发明实施例提供的目标数量统计方法的流程图；
[0040]图2是本发明实施例中训练目标检测分类器的流程图；
[0041]图3是本发明实施例中训练目标密度估计分类器的流程图。
【具体实施方式】
[0042]以下将结合附图及实施例来详细说明本发明的实施方式，借此对本发明如何应用技术手段来解决技术问题，并达成技术效果的实现过程能充分理解并据以实施。需要说明的是，只要不构成冲突，本发明中的各个实施例以及各实施例中的各个特征可以相互结合，所形成的技术方案均在本发明的保护范围之内。
[0043]本发明实施例提供一种目标数量统计方法，可应用于视频监控系统中，具体可以是车流量统计、人流量统计或其他事物的统计。
[0044]如图1所示,该目标数量统计方法包括:
[0045]S1:对待检测图像进行预处理，并设置检测范围和目标尺寸范围。
[0046]如果待检测图像的画质较差，可根据实际情况对待检测图像进行去噪声、亮度调节、灰度拉伸等预处理。
[0047]然后根据待检测图像的实际场景，设置检测范围、目标尺寸范围等参数。例如，在人流量统计中，可将待检测图像中的街道设置在检测范围之内，而将检测图像中的建筑物排除在检测范围之外。再根据目标的视距，设置目标在待检测图像中的尺寸范围。
[0048]S2:根据视距的远近，将待检测图像划分为若干个图像块。
[0049]在视距较远的图像块中，目标的尺寸会较小；在视距较近的图像块中，目标的尺寸会较大。因此，将待检测图像按视距的远近划分为若干个图像块之后，可以使单个图像块中目标的尺寸都较为接近。
[0050]S3:初始化各个图像块中目标检测值与目标密度估计值的权重。
[0051]通常目标检测值与目标密度估计值的权重之和为I。在视距较远的图像块中，目标密度估计值的权重偏大，目标检测值的权重偏小；在视距较近的图像块中，目标密度估计值的权重偏小，目标检测值的权重偏大。
[0052]S4:对每个图像块进行目标检测和目标密度估计，得到目标检测值和目标密度估计值。
[0053]S5:对于每个图像块，将目标检测值和目标密度估计值根据权重进行计算，得出目标数量值。
[0054]例如，在某一图像块中，目标检测值的权重是0.6，目标密度估计值的权重是0.4。经过检测得到的目标检测值为40，目标密度估计值为30，则可以得出目标数量值为40X0.6+30X0.4 = 36。
[0055]进一步的是，对于一个图像块，还可以设置两种或更多的权重分配，并通过设置目标密度估计值的阈值进行选取。因为目标密度估计值较大时，则表示目标密集度较高，所以目标密度估计值比目标检测值更可靠，因此目标密度估计值的权重增大，目标检测值的权重相应降低。
[0056]例如，将目标密度估计值的阈值设置为35，则当目标密度估计值小于35时，目标检测值的权重是0.6，目标密度估计值的权重是0.4 ;当目标密度估计值为35以上时，目标检测值的权重是0.4，目标密度估计值的权重是0.6。
[0057]如果目标检测值为40，目标密度估计值为30，则采用第一种权重进行计算，所得出的目标数量值为40X0.6+30X0.4 = 36。如果目标检测值为40，目标密度估计值为35，则采用第二种权重进行计算，所得出的目标数量值为40X0.4+35X0.6 = 37。
[0058]此外，在对目标检测值和目标密度估计值进行计算时，还可以对目标检测值和目标密度估计值中的一些错误进行二次判断、去重等操作。
[0059]S6:将每个图像块的目标数量值叠加，得出目标数量统计值。
[0060]本发明实施例提供的目标数量统计方法中，首先将待检测图像划分为若干个图像块。在对图像块进行目标检测，得到目标检测值的同时，还对图像块进行目标密度估计，得到目标密度估计值。然后根据每个图像块预设的目标检测值与目标密度估计值的权重进行计算，得出每个图像块的目标数量值。再将各个图像块的目标数量值相叠加，即可得出待检测图像中总的目标数量统计值。
[0061]本发明实施例提供的目标数量统计方法中，针对目标密集、目标之间互相遮挡重叠、目标小尺度等情况，对图像块进行目标密度估计。还将得到的目标检测值与目标密度估计值根据权重进行计算，从而得出更为准确的目标数量值，提高了目标数量统计的检测率。
[0062]在对待检测图像进行目标数量统计之前，还可以通过训练，获得目标检测分类器和目标密度估计分类器，分别用于对图像块进行目标检测和目标密度估计。
[0063]通过训练，获得目标检测分类器的过程，具体包括:
[0064]SlOl:预先准备目标场景的视频。
[0065]具体的，可以选择目标场景中代表性若干种视频，其中包括实际应用中能遇到的各种光照、天气情况，以及目标密集、目标稀疏等情况。
[0066]S102:在视频中采集正样本图像。
[0067]作为一个优选方案，正样本图像包括两类，其中一类为目标(例如人、车辆等)的正面、背面样本图像，另一类为目标的侧面样本图像。
[0068]相应的，所获得的目标检测分类器也是两个，其中一个用于检测目标的正面、背面样本图像，另一个用于检测目标的侧面样本图像。当然，两种目标检测分类器的训练过程是相同的。
[0069]S103:在视频中采集负样本图像。
[0070]负样本图像应当包含视频中所有的背景信息，但不能包含正样本图像的任何信息。具体可以在采集到的图像上，按正样本图像的大小、以一定的移动步长，生成负样本图像。
[0071]S104:对正样本图像和负样本图像进行训练，获得目标检测分类器。
[0072]首先，设置训练参数，包括支持向量机(Support Vector Machine,简称SVM)类型、核函数类型、核函数参数、支持向量个数、训练终止条件等。
[0073]然后，提取正样本图像和负样本图像的特征，其中可以选取纹理特征、方向梯度直方图(Histogram of Oriented Gradient,简称HOG)特征或Haar特征,米用SVM分类器对正样本图像和负样本图像进行训练。
[0074]S105:将训练好的目标检测分类器对测试图像进行目标检测，判断目标检测分类器是否达到预设要求。
[0075]其中，预设要求通常可选取为检测率彡97%，误检率< 5%。如果未达到预设要求，则增加正样本图像和/或负样本图像，并返回步骤S104。如果达到预设要求(达到训练终止条件)，则结束训练。
[0076]采用以上方式依次对两种类型的正样本图像进行训练，即可依次获得两个目标检测分类器。
[0077]另一方面，通过训练，获得目标密度估计分类器的过程，具体包括:
[0078]S201:采集不同密度等级的目标训练图像，并按照密度等级对目标训练图像进行分类。
[0079]S202:利用灰度共生矩阵获取目标训练图像的纹理特征。
[0080]具体的，可以先对目标训练图像进行去噪声、亮度调节、灰度拉伸等预处理，再利用灰度共生矩阵获取目标训练图像的纹理特征，则可以得到更为清晰、明显的纹理特征。
[0081]S203:根据目标训练图像的密度等级和纹理特征进行训练，获得目标密度估计分类器。
[0082]采用SVM分类器，对目标训练图像的纹理特征与密度等级的对应关系进行训练，即可获得目标密度估计分类器。
[0083]虽然本发明所公开的实施方式如上，但所述的内容只是为了便于理解本发明而采用的实施方式，并非用以限定本发明。任何本发明所属【技术领域】内的技术人员，在不脱离本发明所公开的精神和范围的前提下，可以在实施的形式上及细节上作任何的修改与变化，但本发明的专利保护范围，仍须以所附的权利要求书所界定的范围为准。
【权利要求】
1.一种目标数量统计方法，其特征在于，包括: 根据视距的远近，将待检测图像划分为若干个图像块； 初始化各个图像块中目标检测值与目标密度估计值的权重； 对每个图像块进行目标检测和目标密度估计，得到目标检测值和目标密度估计值；对于每个图像块，将目标检测值和目标密度估计值根据所述权重进行计算，得出目标数量值。
2.如权利要求1所述的方法，其特征在于，还包括: 将每个图像块的目标数量值叠加，得出目标数量统计值。
3.如权利要求1所述的方法，其特征在于，在根据视距的远近，将待检测图像划分为若干个图像块之前，还包括: 对待检测图像进行预处理，并设置检测范围和目标尺寸范围。
4.如权利要求1所述的方法，其特征在于，在根据视距的远近，将待检测图像划分为若干个图像块之前，还包括: 通过训练，获得目标检测分类器； 所述目标检测分类器用于对图像块进行目标检测。
5.如权利要求4所述的方法，其特征在于，通过训练，获得目标检测分类器，具体为: 步骤I，预先准备目标场景的视频； 步骤2，在所述视频中采集正样本图像； 步骤3，在所述视频中采集负样本图像； 步骤4，对正样本图像和负样本图像进行训练，获得目标检测分类器； 步骤5，判断目标检测分类器是否达到预设要求； 如果未达到预设要求，则增加正样本图像和/或负样本图像，并返回步骤4 ;如果达到预设要求，则结束训练。
6.如权利要求5所述的方法，其特征在于，所述预设要求为检测率>97%，误检率(5%。
7.如权利要求5所述的方法，其特征在于，所述正样本图像包括两类，其中一类为目标的正面、背面样本图像，另一类为目标的侧面样本图像； 所述目标检测分类器包括两个，其中一个用于检测目标的正面、背面样本图像，另一个用于检测目标的侧面样本图像。
8.如权利要求1所述的方法，其特征在于，在根据视距的远近，将待检测图像划分为若干个图像块之前，还包括: 通过训练，获得目标密度估计分类器； 所述目标密度估计分类器用于对图像块进行目标密度估计。
9.如权利要求8所述的方法，其特征在于，通过训练，获得目标密度估计分类器，具体为: 采集不同密度等级的目标训练图像，并按照密度等级对所述目标训练图像进行分类； 利用灰度共生矩阵获取所述目标训练图像的纹理特征； 根据所述目标训练图像的密度等级和纹理特征进行训练，获得目标密度估计分类器。
【文档编号】G06T7/00GK104463204SQ201410728196
【公开日】2015年3月25日 申请日期:2014年12月4日 优先权日:2014年12月4日
【发明者】侯林利, 孙文超, 彭伟伦 申请人:四川九洲电器集团有限责任公司