一种基于TOF技术的客流统计终端的制作方法

本发明属于数据处理，具体涉及一种基于tof技术的客流统计终端。

背景技术：

1、在许多公共场合都部署了客流量统计系统，以便实时获取某一区域的客流量大小。现有技术主要用于采用视觉技术处理图像，从而获取客流统计结果。而传统彩色相机只能获得目标区域的颜色或灰度信息，受这一条件限制，任何算法都将在环境光照发生较大变化或目标物体与背景颜色过于接近时失效。考虑一个极端情况，一个人穿着白衣服戴着白帽子站在一堵白墙前面，可能任何算法都无法准确地检测目标。且在传统彩色相机下目标物体的轮廓存在明显抖动，且会随着环境光照发生较大改变，从而导致客流统计结果不准确。

技术实现思路

1、本发明提供一种基于tof技术的客流统计终端，用以解决现有技术中客流统计不准确的问题。

2、一种基于tof技术的客流统计终端，包括数据采集模块、数据处理模块、目标识别模块以及客流统计模块；

3、所述数据采集模块，用于获取设置于客流统计目标地点的tof深度相机所采集的深度视频流，所述深度视频流包括多张深度图像，所述深度图像是由tof深度相机面向地面方向所采集的图像；

4、所述数据处理模块，用于对每张深度图像进行预处理，获取预处理之后的各个深度图像，并对预处理之后的各个深度图像进行分割，获取分割区域；

5、所述目标识别模块，用于将分割区域缩放至统一尺寸，得到缩放之后的分割区域，并通过预先训练完成的目标识别模型对缩放之后的分割区域进行识别，确定深度图像中每个分割区域对应的目标识别结果；所述目标识别结果包括分割区域存在人或者分割区域不存在人；

6、所述客流统计模块，用于根据深度视频流中每张深度图像对应的分割区域所对应的目标识别结果，进行客流统计，以获取客流统计结果。

7、进一步地，对每张深度图像进行预处理，获取预处理之后的深度图像，包括：对所述深度图像依次进行腐蚀操作、膨胀操作以及中值滤波操作，得到预处理之后的深度图像。

8、进一步地，对预处理之后的深度图像进行分割，获取分割区域，包括：采用最大稳定极值区域分割算法对预处理之后的深度图像进行分割，得到深度图像对应的至少一个分割区域。

9、进一步地，预先训练完成的目标识别模型的获取方法为：

10、采用svm深度学习模型构建目标识别模型，并初始化目标识别模型的超参数，得到超参数向量，重复获取多个超参数向量；

11、获取预先存储的训练数据，所述训练数据包括统一尺寸的训练分割区域图像以及训练分割区域图像对应的目标识别结果；

12、按预设比例将多个超参数向量进行划分为第一目标向量、第二目标向量以及第三目标向量；

13、将训练分割区域图像作为目标识别模型的输入数据，将训练分割区域图像对应的目标识别结果作为目标识别模型的实际输出数据，获取每个超参数向量对应的适应度值，从而得到第一目标向量的适应度值、第二目标向量的适应度值以及第三目标向量的适应度值；

14、根据第一目标向量的适应度值、第二目标向量的适应度值以及第三目标向量的适应度值，确定适应度值最大的目标向量作为全局最优值，确定适应度值最小的目标向量作为全局最劣值；

15、针对第一目标向量，根据全局最优值，并采用全局探索策略在超参数解空间内对第一目标向量进行搜索，得到更新后的第一目标向量；

16、针对第二目标向量，根据全局最优值或者全局最劣值，并采用跟随搜索策略在超参数解空间内对第二目标向量进行搜索，得到更新后的第二目标向量；

17、针对第三目标向量，根据全局最优值，采用信息融合搜索策略在超参数解空间内对第三目标向量进行搜索，得到更新后的第三目标向量；

18、根据更新后的第一目标向量、更新后的第二目标向量以及更新后的第三目标向量，重新确定全局最优值；

19、判断是否满足搜索结束条件，若是，则输出重新确定的全局最优值，否则返回第一目标向量、第二目标向量以及第三目标向量划分的步骤。

20、进一步地，将训练分割区域图像作为目标识别模型的输入数据，将训练分割区域图像对应的目标识别结果作为目标识别模型的实际输出数据，获取每个超参数向量对应的适应度值，包括：

21、确定批次训练数量，并以批次训练数量为基础，随机确定多个训练分割区域图像以及训练分割区域图像对应的目标识别结果；

22、将超参数向量应用至目标识别模型中之后，将随机确定的多个训练分割区域图像依次输入目标识别模型，以获取多个实际输出数据；

23、根据随机确定的多个训练分割区域图像对应的目标识别结果以及实际输出数据，获取超参数向量对应的适应度值为：

24、

25、其中，表示适应度值；表示第 m个训练分割区域图像输入目标识别模型之后，得到的实际输出数据中第 n个概率值； m=1,2,…,m，m表示随机确定多个训练分割区域图像总数； n=1,2,…,n，n表示目标识别模型单次输出的概率值总数；表示第 m个训练分割区域图像对应的目标识别结果中第 n个期望概率值；

26、遍历所有超参数向量，获取每个超参数向量对应的适应度值。

27、进一步地，针对第一目标向量，根据全局最优值，并采用全局探索策略在超参数解空间内对第一目标向量进行搜索，包括：

28、随机确定一个第一目标向量，并根据全局最优值，并采用全局探索策略在超参数解空间内对随机确定的第一目标向量更新为：

29、

30、

31、其中，表示第 t次搜索过程中第 i个第一目标向量中的第 j个超参数； i=1,2,…,i，i表示第一目标向量的总数； j=1,2,…, j， j表示超参数向量中超参数的总数；表示更新后的，表示第一更新步长因子，表示（0,1）之间的第一随机数，表示（0,1）之间的第二随机数，表示位于（0,1）之间的第一预设阈值，表示第 t次搜索过程中全局最优值中的第 j个超参数；表示位于超参数上下限之间的随机向量，随机向量的维度与超参数向量的维度相同，且随机向量中参数按照（0,1）正态分布；表示第一更新步长因子的最大值，表示第一更新步长因子的最小值，表示圆周率，表示最大搜索次数；

32、判断是否还有第一目标向量未更新，若是，则返回随机确定一个第一目标向量的步骤，否则得到更新后的第一目标向量。

33、进一步地，针对第二目标向量，根据全局最优值或者全局最劣值，并采用跟随搜索策略在超参数解空间内对第二目标向量进行搜索，包括：

34、随机确定一个第二目标向量，根据全局最优值或者全局最劣值，并采用跟随搜索策略在超参数解空间内对随机确定的第二目标向量更新为：

35、

36、

37、其中，表示第 t次搜索过程中第 h个第二目标向量中的第 j个超参数； h=1,2,…,h，h表示第二目标向量的总数，表示在第 t次搜索过程中的更新量，表示第 t+1次搜索过程中的更新量，表示第二更新步长因子，表示第一学习因子，表示第二学习因子，表示第 t次搜索过程中第 h个第二目标向量的历史最优值中的第 j个超参数，表示（0,1）之间的第二随机数，表示（0,1）之间的第三随机数，表示更新后的，表示全局最劣值中第 j个超参数；

38、判断是否还有第二目标向量未更新，若是，则返回随机确定一个第二目标向量的步骤，否则得到更新后的第二目标向量。

39、进一步地，针对第三目标向量，根据全局最优值，采用信息融合搜索策略在超参数解空间内对第三目标向量进行搜索，包括：

40、随机确定一个第三目标向量，根据全局最优值，采用信息融合搜索策略在超参数解空间内对该随机确定的第三目标向量更新为：

41、

42、

43、

44、

45、其中，表示第 t次搜索过程中第 k个第三目标向量， k=1,2,…,k，k表示第三目标向量的总数，表示第三目标向量的更新量，表示更新后的，表示与不同的随机第三目标向量，表示的下一状态，表示（0,1）之间的第四随机数，表示第 t次搜索过程中的第三更新步长因子，表示第 t-1次搜索过程中的第三更新步长因子，表示步长调节因子，表示第 t次搜索过程中全局最优值，表示的适应度值，表示的适应度值。

46、进一步地，判断是否满足搜索结束条件，包括：

47、判断当前搜索次数是否大于或者等于最大搜索次数，若是，则判定满足搜索结束条件，否则判定未满足搜索结束条件。

48、进一步地，根据深度视频流中每张深度图像对应的分割区域所对应的目标识别结果，进行客流统计，以获取客流统计结果，包括：

49、根据深度视频流中每张深度图像对应的分割区域所对应的目标识别结果，确定当前帧深度图像中是否存在人头，若是，则获取分割区域中人头的最小外接圆形的中心，得到当前帧深度图像的人头特征，否则不对该图像进行处理；

50、当下一帧深度图像到来时，获取下一帧深度图像的人头特征；

51、根据当前帧深度图像的人头特征以及下一帧深度图像的人头特征，对人头进行追踪，获取客流统计结果；

52、其中，追踪的逻辑为：当下一帧深度图像存在与当前帧深度图像不同的人头特征时，则判定新目标进入tof深度相机的摄像区域；当当前帧深度图像存在与下一帧深度图像不同的人头特征时，则判定跟踪目标走出tof深度相机的摄像区域；根据相邻两帧之间的同一人头特征确定行进方向，当行进方向为进入客流统计目标地点且跟踪目标走出tof深度相机的摄像区域时，则客流统计结果加一。

53、本发明提供的一种基于tof技术的客流统计终端，融合了tof技术以及深度学习技术，通过tof深度相机作为数据源，能够保证目标轮廓的稳定性，从而提高检测精度，同时通过深度学习技术对tof深度相机采集到深度图像进行识别，可以有效地检测出tof深度相机视野中的目标，最后结合目标跟踪算法，能够有效地实现客流统计，并且为了保证目标的识别准确性，还提出了目标识别模型的获取方法，能够有效地对目标识别模型的超参数进行优化，从而提高目标识别模型的识别能力。