本发明涉及图像处理领域，尤其涉及一种区域内目标物的数量统计方法及区域内目标物的数量统计装置。
背景技术
本发明对于背景技术的描述属于与本发明相关的相关技术，仅仅是用于说明和便于理解本发明的
技术实现要素：
，不应理解为申请人明确认为或推定申请人认为是本发明在首次提出申请的申请日的现有技术。
目前大多数的养殖企业依靠人工来进行盘点和计算，不仅工作环境恶劣，而且对实时运动动物的计数都会不可避免的产生误差。同时人工效率的低下也进一步降低了数据的时效性，进一步降低了数据的价值。在不断涌现的解决方案中，大量神经网络方法都局限于检测器的训练和修改，而对于一个大范围和规模的养殖业场景来说，单一摄像头不能覆盖全部区域，单一的目标检测算法进行计数的过程中也会忽略了时间序列和牲畜的空间流动性，结果偏差极大。在早期的研究工作中，对于检测的匹配问题是追踪问题的最重要核心问题，因此基于传统的匈牙利算法，卡尔曼滤波算法配合级联匹配的效果，会因为检测器性能突变，物体重叠等情况导致追踪结果出现强烈的劣化。因此保证追踪器面对数据波动的相对稳定和鲁棒性是极其重要的。
发明内容
本发明第一方面的提供了一种区域内目标物的数量统计方法，包括：
采集区域内的图像；
提取图像中的多帧图像作为关键帧图像；
对多个关键帧图像进行筛选，并对关键帧图像中的目标物采用标定框进行标定；
根据关键帧图像中对目标物的标定，运算得到目标物数量的初步检测结果；
对初步结果进行第一追踪检查；
对初步结果进行第二追踪检查；
根据第一追踪检查的结果和第二追踪检查的结果更新目标物数量，得到目标物数量的最终检测结果。
优选地，对初步结果进行第一追踪检查包括：
根据每一个关键帧图像中被标定的多个目标物的图像生成第一列表；
对每一个第一列表中的多个目标物的图像进行尺度不变性特征的特征提取，生成第二列表；
将需要追踪检查的第n个关键帧图像的第二列表中的特征，与其前后k个关键帧图像的第二列表中的特征匹配；
当前后k个关键帧图像的第二列表的特征连续与第n个关键帧图像的第二列表中的特征相匹配成功，当前后k个关键帧图像的第二列表的特征与第n个关键帧图像的第二列表中的特征存在未匹配的特征，判定未匹配的特征为漏选目标物，更新目标物的数量；
当前后k个关键帧图像第二列表的特征不连续与第n个关键帧图像的第二列表中的特征相匹配，将第n个关键帧图像的第二列表中的特征，与其前一帧的第二列表中的特征匹配，当出现未匹配特征判定未匹配的特征为漏选目标物，更新目标物的数量。
优选地，在对每一个第一列表中的多个目标物的图像进行尺度不变性特征的特征提取，生成第二列表之后还包括：
对设定时间内的多个关键帧图像的第二列表中的特征匹配；
当特征匹配成功，判定匹配成功的特征对应的目标物存在，更新目标物的数量；
当特征未匹配成功，判定未匹配成的特征对应的目标物不存在，更新目标物的数量。
优选地，对每一个第一列表中的多个目标物的图像进行尺度不变性特征的特征提取，生成第二列表包括:
将第一列表中的每一个目标物的图像生成高斯差分金字塔，并构建尺度空间；
在尺度空间中，将每一个像素点和与其所有的相邻点比较，确定极值点；
筛选极值点稳定关键点的精确定位；
稳定关键点方向信息分配；
对关键点采用多维向量的描述子进行关键点描述，生成第二列表。
优选地，高斯差分金字塔的构建公式为：
尺度空间的构建公式为：
l(x,y)＝g(x,y)*i(x,y)；
其中，g(x,y)为高斯函数，l(x,y)为尺度空间，i(x,y)为原图像在x,y点处的像素值，x,y分别为原图像的坐标，x0,y0分别为目标图像的坐标，e为无理数，σ1为常数。
优选地，稳定关键点方向信息分配的公式为：
其中，m(x,y)为梯度幅值，l(x,y)为尺度空间。
优选地，对初步结果进行第二追踪检查包括：
记录需要追踪检查的目标物消失的关键帧图像和目标物重新出现的关键图像；
向目标物消失的关键帧图像之前提取多个关键帧图像的标定框的关键点的位置信息；
向目标物重新出现的关键帧图像之后提取多个关键帧图像的标定框的关键点的位置信息；
根据两次提取的多个关键点的位置信息计算对应点的差值；
根据多个差值计算均方差值；
将均方差值与预设的阈值进行比较；
当均方差值小于阈值时，消失的目标物与重新出现的目标物为同一目标物，更新目标物的数量；
当均方差值大于阈值时，消失的目标物与重新出现的目标物为两个目标物，更新目标物的数量。
优选地，对初步结果进行第二追踪检查还包括：
当被遮挡目标物与遮挡目标物的检测评价函数值大于预先设置的阈值，且被遮挡目标物消失的关键帧图像中遮挡目标物未消失，记录被遮挡目标物消失的关键帧图像中遮挡目标物的多个关键点的位置信息；
读取被遮挡目标物重新出现关键帧图像中被遮挡目标物的多个关键点的位置信息；
根据遮挡目标物的多个位置信息与被遮挡目标物的多个位置信息计算对应点的差值；
根据多个差值计算均方差值；
将均方差值与预设的阈值进行比较；
当均方差值小于阈值时，被遮挡目标物与遮挡的目标物为同一目标物，更新目标物的数量；
当均方差值大于阈值时，被遮挡目标物与遮挡的目标物为两个目标物，更新目标物的数量。
优选地，均方差值的计算公式为：
其中，σ2为均方差，n为关键点的数量，xi为第i个差值，μ差值的平均数。
优选地，标定框的关键点包括：标定框的中心点、标定框的每个边框的中心点，标定框的每个角点。
本发明的第二方面的实施例提供了一种区域内目标物的数量统计装置，包括：
采集模块，用于采集区域内的图像；
提取模块，用于提取图像中的多帧图像作为关键帧图像；
标定模块，用于对多个关键帧图像进行筛选，并对关键帧图像中的目标物采用标定框进行标定；
运算模块，用于根据关键帧图像中对目标物的标定，运算得到目标物数量的初步检测结果；
第一模块，用于对初步结果进行第一追踪检查；
第二模块，用于对初步结果进行第二追踪检查；
结果模块，根据第一追踪检查的结果和第二追踪检查的结果更新目标物数量，得到目标物数量的最终检测结果。
优选地，第一模块包括：
图像单元，用于根据每一个关键帧图像中被标定的多个目标物的图像生成第一列表；
特征单元，用于对每一个第一列表中的多个目标物的图像进行尺度不变性特征的特征提取，生成第二列表；
第一匹配单元，用于将需要追踪检查的第n个关键帧图像的第二列表中的特征，与其前后k个关键帧图像的第二列表中的特征匹配；
第一判定单元，用于当前后k个关键帧图像的第二列表的特征连续与第n个关键帧图像的第二列表中的特征相匹配成功，当前后k个关键帧图像的第二列表的特征与第n个关键帧图像的第二列表中的特征存在未匹配的特征，判定未匹配的特征为漏选目标物，更新目标物的数量；当前后k个关键帧图像第二列表的特征不连续与第n个关键帧图像的第二列表中的特征相匹配，将第n个关键帧图像的第二列表中的特征，与其前一帧的第二列表中的特征匹配，当出现未匹配特征判定未匹配的特征为漏选目标物，更新目标物的数量。
优选地，第一模块还包括：
第二匹配单元，用于对设定时间内的多个关键帧图像的第二列表中的特征匹配；
第二判定单元，用于当特征匹配成功，判定匹配成功的特征对应的目标物存在，更新目标物的数量；当特征未匹配成功，判定未匹配成的特征对应的目标物不存在，更新目标物的数量。
优选地，特征单元包括:
构建子单元，用于将第一列表中的每一个目标物的图像生成高斯差分金字塔，并构建尺度空间；
比较子单元，用于在尺度空间中，将每一个像素点和与其所有的相邻点比较，确定极值点；
筛选子单元，用于筛选极值点稳定关键点的精确定位；
分配子单元，用于稳定关键点方向信息分配；
生成子单元，用于对关键点采用多维向量的描述子进行关键点描述，生成第二列表。
优选地，高斯差分金字塔的构建公式为：
尺度空间的构建公式为：
l(x,y)＝g(x,y)*i(x,y)；
其中，g(x,y)为高斯函数，l(x,y)为尺度空间，i(x,y)为原图像在x,y点处的像素值，x,y分别为原图像的坐标，x0,y0分别为目标图像的坐标，e为无理数，σ1为常数。
优选地，稳定关键点方向信息分配的公式为：
其中，m(x,y)为梯度幅值，l(x,y)为尺度空间。
优选地，第二模块包括：
第一记录单元，用于记录需要追踪检查的目标物消失的关键帧图像和目标物重新出现的关键图像；
第一提取单元，用于向目标物消失的关键帧图像之前提取多个关键帧图像的标定框的关键点的位置信息；
第二提取单元，用于向目标物重新出现的关键帧图像之后提取多个关键帧图像的标定框的关键点的位置信息；
第一差值单元，用于根据两次提取的多个关键点的位置信息计算对应点的差值；
第一计算单元，用于根据多个差值计算均方差值；
第一比较单元，用于将均方差值与预设的阈值进行比较；
第三判定单元，用于当均方差值小于阈值时，消失的目标物与重新出现的目标物为同一目标物，更新目标物的数量；当均方差值大于阈值时，消失的目标物与重新出现的目标物为两个目标物，更新目标物的数量。
优选地，第二模块还包括：
第二记录单元，当被遮挡目标物与遮挡目标物的检测评价函数值大于预先设置的阈值，且被遮挡目标物消失的关键帧图像中遮挡目标物未消失，记录被遮挡目标物消失的关键帧图像中遮挡目标物的多个关键点的位置信息；
读取单元，读取被遮挡目标物重新出现关键帧图像中被遮挡目标物的多个关键点的位置信息；
第二差值单元，用于根据遮挡目标物的多个位置信息与被遮挡目标物的多个位置信息计算对应点的差值；
第二计算单元，用于根据多个差值计算均方差值；
第二比较单元，用于将均方差值与预设的阈值进行比较；
第四判定单元，用于当均方差值小于阈值时，被遮挡目标物与遮挡的目标物为同一目标物，更新目标物的数量；当均方差值大于阈值时，被遮挡目标物与遮挡的目标物为两个目标物，更新目标物的数量。
优选地，均方差值的计算公式为：
其中，σ2为均方差，n为关键点的数量，xi为第i个差值，μ差值的平均数。
优选地，标定框的关键点包括：标定框的中心点、标定框的每个边框的中心点，标定框的每个角点。
本发明第三面的实施例提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现所上述任一项所述区域内目标物的数量统计方法的步骤。
本发明第四面的实施例提供了一种人机交互装置，包括存储器、处理器及存储在存储器上并可在处理器上运行的程序，所述处理器执行所述程序时实现上述任一项所述区域内目标物的数量统计方法的步骤。
本发明提供的技术方案，先利用神经网络算法，以及足量的标定框对目标物进行标定，然后计算出目标物的数量，之后在对数据进行两次数据追踪，通过两次追踪检查的结果互相配合，更新目标物数量得到目标物数量的最终检测结果，以准确地得到目标的数量，对于目标物的抖动和重叠带来的结果突变劣化有着极大地改善，一方面，极大地减少了人工在恶劣条件下工作的时间，提高了工作效率，另一方面，使得目标物的审计、统计效率更加的准确，提高了检测的准确率。
本发明的附加方面和优点将在下面的描述部分中变得明显，或通过本发明的实践了解到。
附图说明
本发明的上述和/或附加的方面和优点从结合下面附图对实施例的描述中将变得明显和容易理解，其中：
图1是本发明所述区域内目标物的数量统计方法第一种实施例的流程示意图；
图2是本发明所述区域内目标物的数量统计方法第二种实施例的流程示意图；
图3是本发明所述区域内目标物的数量统计方法第三种实施例的流程示意图；
图4是本发明所述区域内目标物的数量统计方法第四种实施例的流程示意图；
图5是本发明所述区域内目标物的数量统计方法第五种实施例的流程示意图；
图6是本发明所述区域内目标物的数量统计方法第六种实施例的流程示意图；
图7是本发明所述区域内目标物的数量统计装置的结构框图；
图8是图7中所示第一模块第一种实施例的结构框图；
图9是图7中所示第一模块第二种实施例的结构框图；
图10是图9中所示特征单元的结构框图；
图11是7中所示第二模块第一种实施例的结构框图；
图12是7中所示第二模块第二种实施例的结构框图；
图13是梯度方向直方图；
图14是关键点周围区域图像梯度的示意图；
图15是关键点描述子第一种实施例的示意图；
图16是关键点描述子第二种实施例的示意图。
其中，图7至图12中附图标记与部件名称之间的对应关系为：
10采集模块，20提取模块，30标定模块，40运算模块，50第一模块，51图像单元，52特征单元，521构建子单元，522比较子单元，523筛选子单元，524分配子单元，525生成子单元，53第一匹配单元，54第一判定单元，55第二匹配单元，56第二判定单元，60第二模块，61第一记录单元，62第一提取单元，63第二提取单元，64第一差值单元，65第一计算单元，66第一比较单元，67第三判定单元，68第二记录单元，69读取单元，610第二差值单元，611第二计算单元，612第二比较单元，613第四判定单元，70结果模块，100区域内目标物的数量统计装置。
具体实施方式
为了能够更清楚地理解本发明的上述目的、特征和优点，下面结合附图和具体实施方式对本发明进行进一步的详细描述。需要说明的是，在不冲突的情况下，本申请的实施例及实施例中的特征可以相互组合。
在下面的描述中阐述了很多具体细节以便于充分理解本发明，但是，本发明还可以采用其他不同于在此描述的其他方式来实施，因此，本发明的保护范围并不受下面公开的具体实施例的限制。
下述讨论提供了本发明的多个实施例。虽然每个实施例代表了发明元件的单一组合，但是本发明不同实施例的元件可以替换，或者合并组合，因此本发明也可认为包含所记载的相同和/或不同实施例中元件的所有可能组合。因而，如果一个实施例包含元件a、b、c，另一个实施例包含元件b和d的组合，那么本发明也应视为包括含有a、b、c、d的一个或多个元件的所有其他可能的组合的实施例，尽管该实施例可能并未在以下内容中有明确的文字记载。
如图1所示，本发明第一方面的提供的区域内目标物的数量统计方法，包括：
步骤10，采集区域内的图像；
步骤20，提取图像中的多帧图像作为关键帧图像；
步骤30，对多个关键帧图像进行筛选，并对关键帧图像中的目标物采用标定框进行标定；具体地，在得到了关键帧的图像之后进行质量筛选。剔除极端不稳定的图像。然后用可扩展标记语言格式(extensiblemarkuplanguage，xml)标定图像中的目标物，由于目标物通常都是单品所以标记种类只有一类，所要标记的内容为矩形框左上点和右下点的坐标，以构成完全包裹物体的矩形框，关键帧的图像保存为一个可扩展标记语言文件；
步骤40，根据关键帧图像中对目标物的标定，运算得到目标物数量的初步检测结果；
步骤50，对初步结果进行第一追踪检查；
步骤60，对初步结果进行第二追踪检查；
步骤70，根据第一追踪检查的结果和第二追踪检查的结果更新目标物数量，得到目标物数量的最终检测结果。
本发明提供的区域内目标物的数量统计方法，先利用神经网络算法，以及足量的标定框对目标物进行标定，然后计算出目标物的数量，之后在对数据进行两次数据追踪，通过两次追踪检查的结果互相配合，更新目标物数量得到目标物数量的最终检测结果，以准确地得到目标的数量，对于目标物的抖动和重叠带来的结果突变劣化有着极大地改善，一方面，极大地减少了人工在恶劣条件下工作的时间，提高了工作效率，另一方面，使得目标物的审计、统计效率更加的准确，提高了检测的准确率。
如图2所示，在本发明的一个实施例中，步骤50还包括：
步骤51，根据每一个关键帧图像中被标定的多个目标物的图像生成第一列表；
步骤52，对每一个第一列表中的多个目标物的图像进行尺度不变性特征(scale-invariantfeaturetransform，sift)的特征提取，生成第二列表；
步骤53，将需要追踪检查的第n个关键帧图像的第二列表中的特征，与其前后k个关键帧图像的第二列表中的特征匹配；
当前后k个关键帧图像的第二列表的特征连续与第n个关键帧图像的第二列表中的特征相匹配成功，当前后k个关键帧图像的第二列表的特征与第n个关键帧图像的第二列表中的特征存在未匹配的特征，判定未匹配的特征为漏选目标物，更新目标物的数量；
当前后k个关键帧图像第二列表的特征不连续与第n个关键帧图像的第二列表中的特征相匹配，将第n个关键帧图像的第二列表中的特征，与其前一帧的第二列表中的特征匹配，当出现未匹配特征判定未匹配的特征为漏选目标物，更新目标物的数量。
在该实施例中，基于空间尺度不变性算法进行特征匹配，对得到的目标物的数量数据进行追踪检查，解决目标物数量的初步检测结果出现的漏选，导致追踪结果的数据波动的结果劣化，一方面，极大地减少了人工在恶劣条件下工作的时间，提高了工作效率，另一方面，使得目标物的审计、统计效率更加的准确，提高了检测的准确率。
如图3所示，在本发明的一个实施例中，在步骤52之后还包括：
步骤54，对设定时间内的多个关键帧图像的第二列表中的特征匹配；
当特征匹配成功，判定匹配成功的特征对应的目标物存在，更新目标物的数量；
当特征未匹配成功，判定未匹配成的特征对应的目标物不存在，更新目标物的数量。
在该实施例中，基于空间尺度不变性算法进行特征匹配，对得到的目标物的数量数据进行追踪检查，解决目标物数量的初步检测结果出现多目标重合，导致的重新计数结果劣化，一方面，极大地减少了人工在恶劣条件下工作的时间，提高了工作效率，另一方面，使得目标物的审计、统计效率更加的准确，提高了检测的准确率。
如图4所示，在本发明的一个实施例中，步骤52包括:
步骤521，将第一列表中的每一个目标物的图像生成高斯差分金字塔，并构建尺度空间；
步骤522，在尺度空间中，将每一个像素点和与其所有的相邻点比较，确定极值点；具体地，为了寻找高斯差分金字塔的极值点，每一个像素点要和它所有的相邻点比较，看其是否比它的图像域和尺度空间域的相邻点大或者小，在二维图像空间，中心点与它3*3邻域内的8个点做比较，在同一组内的尺度空间上，中心点和上下相邻的两层图像的2*9个点作比较，如此可以保证检测到的关键点在尺度空间和二维图像空间上都是局部极值点；
步骤523，筛选极值点稳定关键点的精确定位；具体地，differenceofgaussian(dog)值对噪声和边缘比较敏感，所以在尺度空间中检测到的局部极值点还要经过进一步的筛选，去除不稳定和错误检测出的极值点，另一点就是在构建高斯金字塔过程中采用了下采样的图像，在下采样图像中提取的极值点对应在原始图像中的确切位置；
步骤524，稳定关键点方向信息分配；具体地，稳定的极值点是在不同尺度空间下提取的，这保证了关键点的尺度不变性。为关键点分配方向信息所要解决的问题是使得关键点对图像角度和旋转具有不变性。方向的分配是通过求每个极值点的梯度来实现的；高斯差分金字塔的构建公式为：
尺度空间的构建公式为：
l(x,y)＝g(x,y)*i(x,y)；
其中，g(x,y)为高斯函数，l(x,y)为尺度空间，i(x,y)为原图像在x,y点处的像素值，x,y分别为原图像的坐标，x0,y0分别为目标图像的坐标，e为无理数，σ1为常数，σ1＝16；
对于任一关键点，其梯度幅值表述为：
其中，m(x,y)为梯度幅值，l(x,y)为尺度空间；
分配给关键点的方向并不直接是关键点的梯度方向，而是按照一种梯度方向直方图的方式给出的；
具体的方法是：计算以关键点为中心的邻域内所有点的梯度方向，当然梯度方向一定是在0～360°范围内，对这些梯度方向归一化到36个方向内，每个方向代表了10°的范围。然后累计落到每个方向内的关键点个数，以此生成如图13所示的梯度方向直方图。
将梯度方向直方图中纵坐标最大的项代表的方向分配给当前关键点作为主方向，若在梯度直方图中存在一个相当于主峰值80％能量的峰值，则将这个方向认为是关键点的辅方向。辅方向的设计可以增强匹配的鲁棒性，lowe指出，大概有15％的关键点具有辅方向，而恰恰是这15％的关键点对稳定匹配起到关键作用；
步骤525，对关键点采用多维向量的描述子进行关键点描述，生成第二列表，具体地，对关键点周围像素区域分块，计算快内梯度直方图，生成具有独特性的向量，这个向量是该区域图像信息的一种抽象表述。
如图14所示，对于2*2块，每块的所有像素点的梯度做高斯加权，每块最终取8个方向，即可以生成如图15所示的2*2*8维度的向量，以这2*2*8维向量作为中心关键点的数学描述。
如图16所示，最终对于关键点进行4*4*8共128维向量的描述子进行关键点描述：
第一追踪检查基于空间尺度不变性算法进行特征匹配，能够更快速的检测出目标物的抖动和重叠问题，以快速的得出准确的目标物的数量，提高了检测效率。
如图5所示，在本发明的一个实施例中，步骤60包括：
步骤61，记录需要追踪检查的目标物消失的关键帧图像和目标物重新出现的关键图像；
步骤62，向目标物消失的关键帧图像之前提取多个关键帧图像的标定框的关键点的位置信息；
步骤63，向目标物重新出现的关键帧图像之后提取多个关键帧图像的标定框的关键点的位置信息；
步骤64，根据两次提取的多个关键点的位置信息计算对应点的差值；
步骤65，根据多个差值计算均方差值；
步骤66，将均方差值与预设的阈值进行比较；
当均方差值小于阈值时，消失的目标物与重新出现的目标物为同一目标物，更新目标物的数量；
当均方差值大于阈值时，消失的目标物与重新出现的目标物为两个目标物，更新目标物的数量。
在该实施例中，基于常规数据结构的算子方差原理，对得到的目标物的数量数据进行追踪检查，解决目标物数量的初步检测结果出现的漏选，导致追踪结果的数据波动的结果劣化，一方面，极大地减少了人工在恶劣条件下工作的时间，提高了工作效率，另一方面，使得目标物的审计、统计效率更加的准确，提高了检测的准确率。
如图6所示，在本发明的一个实施例中，步骤60还包括：
步骤67，当被遮挡目标物与遮挡目标物的检测评价函数(intersectionoverunion，iou)值大于预先设置的阈值，且被遮挡目标物消失的关键帧图像中遮挡目标物未消失，记录被遮挡目标物消失的关键帧图像中遮挡目标物的多个关键点的位置信息；
步骤68，读取被遮挡目标物重新出现关键帧图像中被遮挡目标物的多个关键点的位置信息；
步骤69，根据遮挡目标物的多个位置信息与被遮挡目标物的多个位置信息计算对应点的差值；
步骤610，根据多个差值计算均方差值；
步骤611，将均方差值与预设的阈值进行比较；
当均方差值小于阈值时，被遮挡目标物与遮挡的目标物为同一目标物，更新目标物的数量；
当均方差值大于阈值时，被遮挡目标物与遮挡的目标物为两个目标物，更新目标物的数量。
在该实施例中，基于常规数据结构的算子方差原理，对得到的目标物的数量数据进行追踪检查，解决目标物数量的初步检测结果出现多目标重合，导致的重新计数结果劣化，一方面，极大地减少了人工在恶劣条件下工作的时间，提高了工作效率，另一方面，使得目标物的审计、统计效率更加的准确，提高了检测的准确率。
在本发明的一个实施例中，均方差值的计算公式为：
其中，σ2为均方差，n为关键点的数量，xi为第i个差值，μ差值的平均数。
在本发明的一个实施例中，标定框的关键点包括：标定框的中心点、标定框的每个边框的中心点，标定框的每个角点。
第二追踪检查基于常规数据结构的算子方差原理，能够更准确出目标物的抖动和重叠问题，以更准确地得出目标物的数量，提高了检测准确率。
如图7所示，本发明的第二方面的实施例提供的区域内目标物的数量统计装置100，包括：采集模块10、提取模块20、标定模块30、运算模块40、第一模块50、第二模块60和结果模块70。
具体地，采集模块10用于采集区域内的图像；提取模块20用于提取图像中的多帧图像作为关键帧图像；标定模块30用于对多个关键帧图像进行筛选并对关键帧图像中的目标物采用标定框进行标定；运算模块40用于根据关键帧图像中对目标物的标定运算得到目标物数量的初步检测结果；第一模块50用于对初步结果进行第一追踪检查；第二模块60用于对初步结果进行第二追踪检查；结果模块70根据第一追踪检查的结果和第二追踪检查的结果，更新目标物数量得到目标物数量的最终检测结果。
本发明提供的区域内目标物的数量统计装置100，提取模块20用神经网络算法，以及足量的标定框对目标物进行标定，然后运算模块40计算出目标物的数量，之后通过第一模块50和第二模块60对数据进行两次数据追踪，结果模块70通过的两次追踪检查的结果互相配合，更新目标物数量得到目标物数量的最终检测结果，以准确地得到目标的数量，对于目标物的抖动和重叠带来的结果突变劣化有着极大地改善，一方面，极大地减少了人工在恶劣条件下工作的时间，提高了工作效率，另一方面，使得目标物的审计、统计效率更加的准确，提高了检测的准确率。
在本发明的一个实施例中，采集装置被安装滑轨中，每个采样点设置一个停泊凹槽阻拦拍摄装置，当拍摄装置稳定后向正下方拍摄。从而完整的获得目标物的上视图。采集装置为视频摄录装置，用于采集区域内的目标物的视频，具体地，采集装置为摄录装置，目标物为猪、牛、羊等，采集区域为：养殖场；本装置也可用来统计人数量。
如图8所示，在本发明的一个实施例中，第一模块50包括：图像单元51、特征单元52、第一匹配单元53和第一判定单元54。
具体地，图像单元51用于根据每一个关键帧图像中被标定的多个目标物的图像生成第一列表；特征单元52用于对每一个第一列表中的多个目标物的图像进行尺度不变性特征的特征提取，生成第二列表；第一匹配单元53用于将需要追踪检查的第n个关键帧图像的第二列表中的特征，与其前后k个关键帧图像的第二列表中的特征匹配；第一判定单元54用于当前后k个关键帧图像的第二列表的特征连续与第n个关键帧图像的第二列表中的特征相匹配成功，当前后k个关键帧图像的第二列表的特征与第n个关键帧图像的第二列表中的特征存在未匹配的特征，判定未匹配的特征为漏选目标物，更新目标物的数量；当前后k个关键帧图像第二列表的特征不连续与第n个关键帧图像的第二列表中的特征相匹配，将第n个关键帧图像的第二列表中的特征，与其前一帧的第二列表中的特征匹配，当出现未匹配特征判定未匹配的特征为漏选目标物，更新目标物的数量。
在该实施例中，第一模块50基于空间尺度不变性算法进行特征匹配，对得到的目标物的数量数据进行追踪检查，解决目标物数量的初步检测结果出现的漏选，导致追踪结果的数据波动的结果劣化，一方面，极大地减少了人工在恶劣条件下工作的时间，提高了工作效率，另一方面，使得目标物的审计、统计效率更加的准确，提高了检测的准确率。
如图9所示，在本发明的一个实施例中，第一模块50还包括：第二匹配单元55和第二判定单元56。
具体地，第二匹配单元55用于对设定时间内的多个关键帧图像的第二列表中的特征匹配；第二判定单元56用于当特征匹配成功，判定匹配成功的特征对应的目标物存在，更新目标物的数量；当特征未匹配成功，判定未匹配成的特征对应的目标物不存在，更新目标物的数量。
在该实施例中，第一模块50基于空间尺度不变性算法进行特征匹配，对得到的目标物的数量数据进行追踪检查，解决目标物数量的初步检测结果出现多目标重合，导致的重新计数结果劣化，一方面，极大地减少了人工在恶劣条件下工作的时间，提高了工作效率，另一方面，使得目标物的审计、统计效率更加的准确，提高了检测的准确率。
如图10所示，在本发明的一个实施例中，特征单元52包括:构建子单元521、比较子单元522、筛选子单元523、分配子单元524和生成子单元525。
具体地，构建子单元521用于将第一列表中的每一个目标物的图像生成高斯差分金字塔并构建尺度空间；
比较子单元522用于在尺度空间中将每一个像素点和与其所有的相邻点比较确定极值点；具体地，为了寻找高斯差分金字塔的极值点，每一个像素点要和它所有的相邻点比较，看其是否比它的图像域和尺度空间域的相邻点大或者小，在二维图像空间，中心点与它3*3邻域内的8个点做比较，在同一组内的尺度空间上，中心点和上下相邻的两层图像的2*9个点作比较，如此可以保证检测到的关键点在尺度空间和二维图像空间上都是局部极值点；
筛选子单元523用于筛选极值点稳定关键点的精确定位；具体地，differenceofgaussian(dog)值对噪声和边缘比较敏感，所以在尺度空间中检测到的局部极值点还要经过进一步的筛选，去除不稳定和错误检测出的极值点，另一点就是在构建高斯金字塔过程中采用了下采样的图像，在下采样图像中提取的极值点对应在原始图像中的确切位置；
分配子单元524用于稳定关键点方向信息分配；具体地，稳定的极值点是在不同尺度空间下提取的，这保证了关键点的尺度不变性。为关键点分配方向信息所要解决的问题是使得关键点对图像角度和旋转具有不变性。方向的分配是通过求每个极值点的梯度来实现的；高斯差分金字塔的构建公式为：
尺度空间的构建公式为：
l(x,y)＝g(x,y)*i(x,y)；
其中，g(x,y)为高斯函数，l(x,y)为尺度空间，i(x,y)为原图像在x,y点处的像素值，x,y分别为原图像的坐标，x0,y0分别为目标图像的坐标，e为无理数，σ1为常数，σ1＝16；
对于任一关键点，其梯度幅值表述为：
其中，m(x,y)为梯度幅值，l(x,y)为尺度空间；
分配给关键点的方向并不直接是关键点的梯度方向，而是按照一种梯度方向直方图的方式给出的；
具体的方法是：计算以关键点为中心的邻域内所有点的梯度方向，当然梯度方向一定是在0～360°范围内，对这些梯度方向归一化到36个方向内，每个方向代表了10°的范围。然后累计落到每个方向内的关键点个数，以此生成如图13所示的梯度方向直方图。
将梯度方向直方图中纵坐标最大的项代表的方向分配给当前关键点作为主方向，若在梯度直方图中存在一个相当于主峰值80％能量的峰值，则将这个方向认为是关键点的辅方向。辅方向的设计可以增强匹配的鲁棒性，lowe指出，大概有15％的关键点具有辅方向，而恰恰是这15％的关键点对稳定匹配起到关键作用；
生成子单元525用于对关键点采用多维向量的描述子进行关键点描述生成第二列表，具体地，对关键点周围像素区域分块，计算快内梯度直方图，生成具有独特性的向量，这个向量是该区域图像信息的一种抽象表述。
如图14所示，对于2*2块，每块的所有像素点的梯度做高斯加权，每块最终取8个方向，即可以如图15所示生成2*2*8维度的向量，以这2*2*8维向量作为中心关键点的数学描述。
如图16所示，最终对于关键点进行4*4*8共128维向量的描述子进行关键点描述：
第一模块50基于空间尺度不变性算法进行特征匹配，能够更快速的检测出目标物的抖动和重叠问题，以快速的得出准确的目标物的数量，提高了检测效率。
如图11所示，在本发明的一个实施例中，第二模块60包括：第一记录单元61、第一提取单元62、第二提取单元63、第一差值单元64、第一计算单元65、第一比较单元66和第三判定单元67。
具体地，第一记录单元61用于记录需要追踪检查的目标物消失的关键帧图像和目标物重新出现的关键图像；第一提取单元62用于向目标物消失的关键帧图像之前提取多个关键帧图像的标定框的关键点的位置信息；第二提取单元63用于向目标物重新出现的关键帧图像之后提取多个关键帧图像的标定框的关键点的位置信息；第一差值单元64用于根据两次提取的多个关键点的位置信息计算对应点的差值；第一计算单元65用于根据多个差值计算均方差值；第一比较单元66用于将均方差值与预设的阈值进行比较；第三判定单元67用于当均方差值小于阈值时，消失的目标物与重新出现的目标物为同一目标物，更新目标物的数量；当均方差值大于阈值时，消失的目标物与重新出现的目标物为两个目标物，更新目标物的数量。
在该实施例中，第二模块60基于常规数据结构的算子方差原理，对得到的目标物的数量数据进行追踪检查，解决目标物数量的初步检测结果出现的漏选，导致追踪结果的数据波动的结果劣化，一方面，极大地减少了人工在恶劣条件下工作的时间，提高了工作效率，另一方面，使得目标物的审计、统计效率更加的准确，提高了检测的准确率。
如图12所示，在本发明的一个实施例中，第二模块60还包括：第二记录单元68、读取单元69、第二差值单元610、第二计算单元611、第二比较单元612和第四判定单元613。
具体地，第二记录单元68当被遮挡目标物与遮挡目标物的检测评价函数值大于预先设置的阈值，且被遮挡目标物消失的关键帧图像中遮挡目标物未消失，记录被遮挡目标物消失的关键帧图像中遮挡目标物的多个关键点的位置信息；读取单元69读取被遮挡目标物重新出现关键帧图像中被遮挡目标物的多个关键点的位置信息；第二差值单元610用于根据遮挡目标物的多个位置信息与被遮挡目标物的多个位置信息计算对应点的差值；第二计算单元611用于根据多个差值计算均方差值；第二比较单元612用于将均方差值与预设的阈值进行比较；第四判定单元613用于当均方差值小于阈值时，被遮挡目标物与遮挡的目标物为同一目标物，更新目标物的数量；当均方差值大于阈值时，被遮挡目标物与遮挡的目标物为两个目标物，更新目标物的数量。
在该实施例中，第二模块60基于常规数据结构的算子方差原理，对得到的目标物的数量数据进行追踪检查，解决目标物数量的初步检测结果出现多目标重合，导致的重新计数结果劣化，一方面，极大地减少了人工在恶劣条件下工作的时间，提高了工作效率，另一方面，使得目标物的审计、统计效率更加的准确，提高了检测的准确率。
在本发明的一个实施例中，均方差值的计算公式为：
其中，σ2为均方差，n为关键点的数量，xi为第i个差值，μ差值的平均数。
在本发明的一个实施例中，标定框的关键点包括：标定框的中心点、标定框的每个边框的中心点，标定框的每个角点。
第二模块60基于常规数据结构的算子方差原理，能够更准确出目标物的抖动和重叠问题，以更准确地得出目标物的数量，提高了检测准确率。
综上所述，本统计装置分别考虑了重合时间长短对于问题由量变带来的质变因素。将长时间和短时间的操作相分离。显著改善了短时间重合的数据抖动，同时长时间消失直接判别为被记忆序列遗忘而重新计数。检测的准确率达到97％以上，超过人工盘点的精度2个百分点。人工盘点周期一般为三天到一周，而本统计装置数据更新速度为半小时一次。大幅提高了数据时效性。
本发明第三面的实施例提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现所上述任一项所述区域内目标物的数量统计方法的步骤。
本发明第四面的实施例提供了一种人机交互装置，包括存储器、处理器及存储在存储器上并可在处理器上运行的程序，所述处理器执行所述程序时实现上述任一项所述区域内目标物的数量统计方法的步骤。
在本发明中，在本发明中，术语“第一”、“第二”等仅用于描述的目的，而不能理解为指示或暗示相对重要性或顺序，术语“多个”则指两个或两个以上，除非另有明确的限定。术语“安装”、“相连”、“连接”、“固定”等术语均应做广义理解，例如，“连接”可以是固定连接，也可以是可拆卸连接，或一体地连接；“相连”可以是直接相连，也可以通过中间媒介间接相连。对于本领域的普通技术人员而言，可以根据具体情况理解上述术语在本发明中的具体含义。
在本说明书的描述中，术语“一个实施例”、“一些实施例”、“具体实施例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不一定指的是相同的实施例或实例。而且，描述的具体特征、结构、材料或特点可以在任何的一个或多个实施例或示例中以合适的方式结合。
以上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。