基于逻辑回归的排队异常检测方法及装置与流程

本发明涉及基于逻辑回归的排队异常检测方法及装置。

背景技术：

随着信息化时代的到来，智能视频监控的应用也越来越多，对于视频排队检测的研究也越来越广泛，传统的基于轮廓或形状的人头检测，主要根据人头的特征，提取出人头轮廓，通过计算轮廓达到人数统计的目的，这种方法实现比较简单，但是干扰较大，识别准确率不高。

传统的基于轮廓的人头检测方法，首先进行黑色区域提取，提取黑色区域轮廓，然后进行形状分析，对于接近人头形状的判定为人头，然而人头形状没有明确的定义，而且在利用二值化处理后的人头区域可能会分块，这也影响了识别准确率。这种检测方法对于戴帽子或者光头难以利用黑色区域提取的办法，通用性不高。

技术实现要素：

为了解决上述问题，提出一种基于逻辑回归的排队异常检测方法及装置，对指定的排队区域进行排队异常检测，通过与背景图像差分处理后得到待检测目标，通过训练得到的人头分类器，识别人头并统计区域内的人头数，当人数超过一定数额时判定为排队异常事件，存储图像，并推送异常事件信息给管理员进行核实。

为实现上述目的，本发明采用如下方案：

一种基于逻辑回归的排队异常检测方法，其特征在于包括以下步骤：

步骤a，输入背景图片和当前待判断图像，提取需要检测窗口的感兴趣区域，

步骤b，对提取的感兴趣区域的背景图像和待判断图像进行差分处理，得到待检测目标，

步骤c，对待检测目标利用逻辑回归算法训练得到人头分类器，识别出区域中的人头，然后统计出人头数量，

步骤d，当检测到感兴趣区域人头数超过设定数值时，判定为排队异常事件，记录该次事件并存储图像，提取监控视频中的下一帧，返回步骤b开始执行。

所述步骤a，输入背景图片和当前待判断图像，提取需要检测窗口的感兴趣区域。主要实现步骤如下：

a1，从采集到的监控视频中提取一帧没有客户时的图像作为背景图像。

a2，然后对正常提供服务时的监控视频分帧处理，提取第一帧图像作为待判断图像。

a3，对指定的待检测窗口分别对背景图像和待判断图像进行感兴趣区域提取，根据感兴趣区域在图像中的位置，利用区域函数提取感兴趣区域图像。

所述步骤b中，对提取的感兴趣区域的背景图像和待判断图像进行差分处理，得到待检测目标。具体实现步骤如下：

b1，分别将提取感兴趣区域后的背景图像和待判断图像由rgb图像转换为gray图像。

b2，将灰度转换后的背景图像和待判断图像做差分，利用帧差法得到差分后的图像。

所述步骤c中，对待检测目标利用逻辑回归算法训练得到人头分类器，识别出区域中的人头，然后统计出人头数量。主要实现步骤如下：

c1，采集人头正样本与非人头负样本，提取样本的hog特征值，利用逻辑回归算法对正负样本的hog特征进行训练，得到基于逻辑回归的人头分类器。

c2，利用人头分类器检测b中得到的待检测目标，识别出目标中的人头。

c3，统计识别出的人头数量，最后输出统计的人头个数。

所述步骤c1中hog特征提取，主要步骤如下：

c1.1.1，利用gamma空间对图像进行标准化校正，先将图像转化为灰度图，然后利用i(x,y)＝i(x,y)^gamma对图像进行压缩。

c1.1.2，计算图像的梯度方向值，利用[-1,0,1]梯度算子计算图像的梯度方向值。

c1.1.3，构建每个细胞单元的梯度方向直方图，将图像分成若干个“单元格cell”，采用9个bin的直方图来统计每个cell的梯度信息，也就是将cell的梯度方向360度分成9个方向块。

c1.1.4，block梯度直方图的归一化，将各个cell组合成较大的、空间上联通的块(blocks),每个块的hog特征由该块内所有cell的特征向量串联起来得到。所有块的特征hog特征串联起来就组成了图像的hog特征向量f＝(x1,x2,…,xn)。

所述步骤c1中利用逻辑回归算法对正负样本的hog特征进行训练，主要步骤如下：

c1.2.1，构造检测人头的概率函数其中，z是对c1.1.4中得到的图像的hog特征向量的加权函数z＝θ0+θ1x1+θ2x2+…+θnxn。

c1.2.2，通过采集到的样本数据的hog特征向量求未知参数θ，得到z。

c1.2.3，利用概率函数p(x)对新数据进行预测，若果p(x)>0.5认为检测到的是人头，否则检测到的不是人头。

所述步骤d中，当检测到感兴趣区人头数超过设定数值时，判定为排队异常事件，记录该次事件并存储图像，提取监控视频中的下一帧，返回步骤b开始执行。主要实现步骤如下:

d1，设定排队异常判定阈值，根据c中输出的人头数与阈值比较，超过阈值则判定为排队异常。

d2，记录本次排队异常事件和排队人数到本地数据库中，并将本次判定图像存储到分布式系统中，将异常信息推送给系统管理员进行核实。

d3，提取监控视频的下一帧图像，返回步骤b继续进行排队异常判定。

基于逻辑回归的排队异常检测装置，包括：

硬盘录像机模块：存储监控视频的设备，营业厅采集到的监控视频都存储在硬盘录像机内，对营业厅内不同窗户或柜台进行排队检测时需要从硬盘录像机内读取相应窗口或柜台的视频信息，在读取视频时需要提供用户名和密码。

格式装换模块：对读取的视频进行格式转换，硬盘录像机内存储的视频格式为yuv格式，排队检测是结合opencv实现的，因此需要将yuv格式转换成opencv可以识别的格式。

感兴趣区域提取模块：提取视频中需要分析检测的窗口或柜台区域，主要使用opencv中的区域函数提取感兴趣区域图像，将提取的感兴趣区域交由排队统计模块进行排队检测分析。

排队统计模块：分析统计感兴趣区域的排队情况，通过采集人头正样本和负样本，提取样本hog特征利用逻辑回归算法进行人头训练，生成人头分类器，利用人头分类器分析识别感兴趣区域内的人数并进行统计，将统计结果输出到排队异常监控模块。

排队异常监控模块：对排队统计模块输出的统计结果进行分析，设定排队异常阈值，如果统计结果超过该阈值则判定为排队异常，记录该次异常事件，将图像存储到数据存储模块，并将异常信息推送给系统管理员进行核实。

数据存储模块：分布式数据存储系统，主要用于存储排队异常监控模块判定为排队异常的图像。

本发明的有益效果：

1、本发明优越于传统的人头识别方式，解决了通用性差的问题，同时利用大量人头样本训练，通过得到的分类器识别人头提高了识别准确率，而且干扰性较小。

2、通过智能视频排队检测方式，减少了人工巡查的工作量，可以迅速检测排队异常并发出警报，便于营业厅合理安排开放窗口，提高办事速度。

附图说明

图1为基于逻辑回归的排队检测异常检测装置图

图2为基于逻辑回归的排队异常检测方法流程图

图3是hog特征提取流程图

具体实施方式

下面结合附图与实施例对本发明作进一步说明。

图2是一种基于逻辑回归的排队异常检测方法流程图，主要包含以下步骤：

步骤101，从采集到的监控视频中提取一帧没有客户时的图像作为背景图像，正常提供服务时的监控视频图像作为待判断图像，提取需要检测窗口的感兴趣区域，对指定的待检测窗口分别对背景图像和待判断图像进行感兴趣区域提取，根据感兴趣区域在图像中的位置，利用区域函数cvrect(intx,inty,intwidth,intheight)提取感兴趣区域图像，其中x代表区域的左上角的x坐标，y代表区域的左上角的y坐标，width代表区域的宽度，height代表区域的高度。输出提取感兴趣区域后的背景图片和当前待判断图像。

步骤102，分别将提取感兴趣区域后的背景图像和待判断图像由rgb图像转换为gray图像，将灰度转换后的背景图像和待判断图像做差分，利用帧差法得到差分后的图像，从而得到待检测目标。

步骤103，采集1000张人头正样本和1957张负样本，提取每个样本的hog特征值，然后利用逻辑回归算法对正负样本的hog特征进行训练。首先构造检测人头的概率函数其中，z是图像的hog特征向量的加权函数z＝θ0+θ1x1+θ2x2+…+θnxn。然后通过采集到的样本数据的hog特征向量求未知参数θ，得到z，从而得出人头分类器。最后对待检测目标利用逻辑回归算法训练得到人头分类器，识别出区域中的人头，利用概率函数p(x)对新数据进行预测，若果p(x)>0.5认为检测到的是人头，否则检测到的不是人头，然后统计出人头数量，最后输出统计的人头个数。

步骤104，设定排队异常判定阈值，根据103中输出的人头数与阈值比较，超过阈值则判定为排队异常。记录本次排队异常事件和排队人数到本地数据库中，并将本次判定图像存储到分布式系统中，将异常信息推送给系统管理员进行核实。提取监控视频的下一帧图像，返回步骤102继续进行排队异常判定。

图3是hog特征提取流程图，主要步骤如下：

步骤201，利用gamma空间对每个正负样本图像进行标准化校正，先将样本图像转化为灰度图，然后利用i(x,y)＝i(x,y)^gamma对图像进行压缩。

步骤202，计算样本图像的梯度方向值，首先用[-1,0,1]梯度算子对原图像做卷积运算，得到x方向的梯度分量gx(x,y)²，然后用[1,0,-1]^t梯度算子对原图像做卷积运算，得到y方向的梯度分量gy(x,y)²，利用公式计算该像素点的大小，利用公式计算梯度方向。

步骤203，构建每个细胞单元的梯度方向直方图，将图像分成若干个“单元格cell”，每个cell为6*6个像素，采用9个bin的直方图来统计每个cell的梯度信息，也就是将cell的梯度方向360度分成9个方向块。

步骤204，block梯度直方图的归一化，将各个cell组合成较大的、空间上联通的块(blocks),每个块的hog特征由该块内所有cell的特征向量串联起来得到。所有块的特征hog特征串联起来就组成了图像的hog特征向量f＝(x1,x2,…,xn)。

图1是基于逻辑回归的排队异常检测装置，主要包括：

硬盘录像机模块001：主要用于存储监控视频，营业厅采集到的监控视频都存储在硬盘录像机内，对营业厅内不同窗户或柜台进行排队检测时需要从硬盘录像机内读取相应窗口或柜台的视频信息，在读取视频时需要提供用户名和密码，然后将视频流输入给格式转换模块002。

格式装换模块002：对读取的视频进行格式转换，硬盘录像机内存储的视频格式为yuv格式的流数据，排队检测是结合opencv实现的，因此需要将yuv格式流数据转换成opencv可以识别的帧图片。

感兴趣区域提取模块003：提取帧图片中需要分析检测的窗口或柜台区域，主要使用opencv中的区域函数提取感兴趣区域图像，将提取的感兴趣区域交由排队统计模块004进行排队检测分析。

排队统计模块004：分析统计感兴趣区域的排队情况，通过采集人头正样本和负样本，提取样本hog特征利用逻辑回归算法进行人头训练，生成人头分类器，利用人头分类器分析识别感兴趣区域内的人数并进行统计，将统计结果输出到排队异常监控模块005。

排队异常监控模块005：对排队统计模块004输出的统计结果进行分析，设定排队异常阈值，如果统计结果超过该阈值则判定为排队异常，记录该次异常事件，将图像存储到数据存储模块，并将异常信息推送给系统管理员进行核实。

数据存储模块006：分布式数据存储系统，主要用于存储排队异常监控模块005判定为排队异常的图像。