一种基于视频监控的客运站非出入口区域的客流统计方法与流程

技术特征：

1.一种基于视频监控的客运站非出入口区域的客流统计方法，该方法预先划定好人数统计区域，并对该区域内的行人目标进行检测和跟踪，从而统计进入和离开统计区域的人数，其特征在于：其中对行人目标进行检测和跟踪的具体过程如下：

S1.人工提取监控图像里的行人的头肩部haar-like特征对AdBoost分类器进行训练，得到训练好的AdBoost分类器；

S2.对于当前帧图像，采用背景差分法在当前帧图像的统计区域内获取运动目标；

S3.提取运动目标的头肩部haar-like特征，并将其输入训练好的AdBoost分类器内，AdBoost分类器判别运动目标是否为行人，若是则执行步骤S4；

S4.计算判别为行人的运动目标的头肩部中心点位置，并使用四维向量X_k＝(p_x,p_y,v_x,v_y)来表示其在当前帧的系统状态，其中(p_x,p_y)表示头肩部中心点的位置，(v_x,v_y)表示中心点的速度；

S5.将X_k输入Kalman滤波器，并对Kalman滤波器的四个参数进行初始化：A_k、H_k、w_k、v_k；其中A_k表示状态由当前帧到下一帧的转移矩阵，H_k当前帧的观测矩阵，w_k和v_k分别表示当前帧的系统噪声向量和观测噪声向量；令A_k、H_k在各帧的系统状态变换过程中为已知且具有唯一值的矩阵，另外，设w_k、v_k的概率密度函数是均值为零的高斯函数且相互独立；

S6.Kalman滤波器对运动目标的头肩部中心点在下一帧的系统状态进行预报，具体如下：

${{\tilde{X}}^{\′}}_{k+1}=A_k{\tilde{X}}_k---\left(1\right)$

其中A_k表示状态转移矩阵，表示预报的下一帧的系统状态；表示当前帧的系统状态；

由(1)式，可得系统状态协方差的预报方程：

${P^{\′}}_{k+1}=A_k{P}_k{A}_k^T+Q_k$

其中，P'_k+1和P_k分别是和对应的协方差，表示A_k的转置矩阵，Q_k表示当前帧的系统噪声向量w_k的协方差矩阵；

S7.根据步骤S6求取的内容对Kalman加权矩阵进行求取：

$K_{k+1}={P^{\′}}_{k+1}{H}_k^T{(H_k{P^{\′}}_{k+1}{H}_k^T+R_k)}^{-1}$

其中K_k+1表示下一帧的Kalman加权矩阵，H_k、表示观测矩阵以及其转置，R_k表示观测噪声向量v_k的协方差矩阵；

S8.根据求取的Kalman加权矩阵对运动目标的头肩部中心点在下一帧的系统状态和状态向量协方差P_k+1进行更新：

${\tilde{X}}_{k+1}={{\tilde{X}}^{\′}}_{k+1}+K_{k+1}(Z_{k+1}-H_k{{\tilde{X}}^{\′}}_{k+1})$

P_k+1＝(I-K_k+1H_k)P'_k+1

其中Z_k+1为下一帧的观测值，I表示单位矩阵；

S9.对下一帧图像按照步骤S2～S4的方法获取运动目标的头肩部中心点位置的系统状态，然后将获取的系统状态与步骤S5～S9预测得到的运动目标的系统状态进行匹配关联，若两者匹配，则将匹配的结果确定为运动目标在下一帧的位置，否则利用步骤S5～S9预测得到的系统状态确定运动目标在下一帧的位置；

S10.S5～S9重复执行直至完成整个的统计过程。

2.根据权利要求1所述的基于视频监控的客运站非出入口区域的客流统计方法，其特征在于：所述步骤S2中，遍历每一帧视频图像中的所有像素值，按照从左至右、从上到下的顺序，对每一个像素利用背景差分法判别其是否为运动目标，背景差分法可用以下公式表示：

$f_d(x,y)=\left\{\begin{array}{cc}1& |f_n(x,y)-B_n(x,y)|\>T\\ 0& other\end{array}\right\}$

其中，f_d(x,y)代表前景点，T为阈值，B_n(x,y)和f_n(x,y)分别表示像素(x,y)在无运动目标的情况下的像素值和当前帧的像素值，n表示当前为第n帧。

3.根据权利要求2所述的基于视频监控的客运站非出入口区域的客流统计方法，其特征在于：所述像素(x,y)在无运动目标的情况下的像素值可通过以下方式确定：

选取内容不包括运动目标的连续100帧图像序列，并对100帧图像序列中相对应的各个像素点进行平均运算，获得B(x,y)：

$B(x,y)=\mathrm{\Σ}\frac{1}{100}{I}_m,(m=1,2...100)$

其中，I_m为像素(x,y)在第m帧的像素值。