一种基于图像信息的客流量识别统计方法
【技术领域】
[0001]本发明涉及图像识别技术领域，尤其涉及一种基于图像信息的客流量识别统计方法。
【背景技术】
[0002]客流量一直都是商场、机场、公交车站、地铁站等公共场所进行管理和决策不可或缺的重要数据，随着我国经济与科技的发展，许多行业对客流量统计的需求也日益见长。传统的人工统计方法费时费力，且时效性不强，后续数据处理繁琐，不能提供实时的统计数据，因此开发出一种实时的客流量智能统计系统具有十分重要的意义。
[0003]传统的红外光电检测客流量统计系统原理简单，应用比较广泛，但有明显的缺陷:主动式受温度、光照等自然条件影响较大，可靠性较差；被动式可靠性较强，但价格昂贵，且受场地限制。基于图像信息的客流量识别统计具有成本低、安装维护简单等优点，还能与原有的监控系统相连接，不需另购设备。
[0004]该系统设计主要解决动态图像中多目标的识别与跟踪计数问题，目前已提出多种基于动态图像的客流量统计计数方法，具有代表性的主要有以下三种方法:
[0005](I)建立行人真实轨迹的数学统计模型。如结合利用背景建模方法和先验假设算法得到前景模块，再对轨迹模型滤波以排除非行人轨迹。该算法比直接检测行人节省了时间，但对轨迹数学模型要求较高，且依赖于前景块识别的准确度。
[0006](2)基于遗传算法。如“基于遗传算法的客流量分析系统研宄”通过将遗传算法引入到了客流量的统计系统中提高了客流量的准确性，但是由于是通过人体识别，当客流量较大时遮挡面积的增多导致识别难度增大。
[0007](3)数学形态学算法。如“基于改进特征跟踪的客流量统计”提出了一种基于数学形态学的客流量统计方法，首先对进行数学形态学处理后的目标连通域进行分析，采用向前搜索原则确定目标的新位置，通过划定计数线进行计数。该方法实现简单，但是容易与其它非人运动目标混淆，影响统计的准确性。
【发明内容】
[0008]本发明要解决的技术问题在于针对现有技术中的缺陷，提供一种基于图像信息的客流量识别统计方法。
[0009]本发明解决其技术问题所采用的技术方案是:一种基于图像信息的客流量识别统计方法，包括以下步骤:
[0010]I)确定目标检测区域；设置目标图像检测区域ROI的四个参数:RO1.X代表检测区域ROI左上角点的X轴坐标，RO1.Y代表检测区域ROI左上角点的y轴坐标，RO1.Width代表检测区域ROI的宽度，RO1.Height代表检测区域ROI的高度；
[0011]2)确定目标检测区域没有待检测目标存在时的背景图像；采用多幅图像平均法，对10?20帧原始图像叠加求取平均值，获取目标不存在时视频图像的背景图像，记为I。；
[0012]3)对采集的视频图像的每帧图像进行处理，将存在运动目标图像帧按顺序存入数组中；
[0013]将采集到的视频图像的第i帧图像进行分块处理，记为当前帧图像，然后选定目标图像检测区域ROI ；
[0014]对当前帧图像进行二值化后、距离变换后，再通过均值滤波或亚取样，得到当前帧图像的增强图像；然后与经过I)?3)步处理过的第1-ι帧图像进行差分，将选定的目标图像检测区域ROI的差值记为NZ ；
[0015]将运动检测差值NZ与设定的报警最小元素数量限定值NO作比较:若NZ < NO，则没有运动存在，自动采集第i+Ι帧原始图像，返回第3)步；若NZ多NO，则保存当前帧图像，记为Il ;
[0016]对当前帧图像和背景图像^进行差分，将选定的目标图像检测区域ROI的差值记为Nb;
[0017]将目标检测差值Nb与设定的报警最小元素数量限定值N ^ ’作比较:若Nb< Nc/,则没有待检测目标存在；若NB> N ^，则报警存在运动的目标，然后将存在运动目标的当前帧图像存入数组MovingImages [i] [j]中；
[0018]4)根据图像帧是否连续，对数组中的图像帧进行分块；
[0019](I)将目标图像检测区域ROI的横坐标的最小值和最大值分别保存到对应的变量xin和xout中，然后读取数组MovingImages [i] [j]中的第一帧原始图像序列，记为多目标跟踪统计计数的当前帧目标图像；
[0020](2)定义计数变量PersonIn和PersonOut，分别记录进入和离开的目标数量，初始化设置为0，并规定沿X方向为进，逆X方向为出；
[0021](3)对当前帧目标图像进行基于差分法的自适应背景分割，将获得的运动区域图像进行二值化，用(与头部大小相称的)2 X 2结构算子对目标图像的二值图像进行形态学腐蚀，以去除伪目标(即非头部图像)，再通过形态学膨胀还原实际目标的大小，获得只含有运动目标连通域的二值图像；
[0022](4)遍历只含有运动目标连通域的二值图像，获取各个目标连通域Area[n] [i]的特征值，存入相应的链表中，其参数包括:图像索引Num，目标索引Index，目标质心的横坐标X和纵坐标Y，对应原图像目标区域的灰度平均值Gray，目标区域矩形包围窗口的长度Length和宽度Width，目标区域的面积大小Space ；
[0023](5)根据获得的目标连通域Area[n] [i]的特征值，用Kalman滤波来预测下一帧图像中目标连通域Area[n+1] [i]的质心运动位置p (xi，yi)的搜索区域；
[0024](6)采集下一帧图像，对其进行步骤(2)的操作；
[0025](7)同步骤(3)；
[0026](8)根据改进的代价函数，在当前帧图像的Kalman预测搜素区域匹配下一帧图像各目标连通域，计算当前帧目标连通域Area[n][i]与下一帧图像对应搜索区域内所有目标连通域的代价函数值，并找出其中最小值(假设与下一帧目标Area[n+1] [j]代价函数值最小)；
[0027](9)计算目标连通域Area[n] [i]和Area[n+1] [j]的质心距离d，并与质心距离限定值d0作比较。若d < d0，则目标连通域Area[n+1] [j]为目标连通域Area[n] [i]的后续，用目标连通域Area[n+1] [j]的特征值替代目标连通域Area[n] [i]的值，并对目标连通域Area[n+1] [j]做标记，建立目标链；
[0028](10)若d > d0，则目标连通域Area[n] [i]在下一帧中没有后续，目标连通域Area[n] [i]可能离开图像观测窗口或者暂时静止，需判断目标连通域Area[n] [i]的质心坐标X的位置:
[0029]5)对分块后的图像帧进行统计计数；
[0030]具体如下:
[0031]5.1)将目标图像检测区域ROI的横坐标的最小值和最大值分别保存到对应的变量xin和xout中，然后读取数组MovingImages [i] [j]中的第一帧原始图像序列，记为多目标跟踪统计计数的当前帧目标图像；
[0032]5.2)定义计数变量PersonIn和PersonOut，分别记录进入和离开的目标数量，初始化设置为0，并规定沿X轴正方向为进，逆X轴正方向为出；
[0033]5.3)对目标连通域Area [n] [i]的质心坐标X的位置:
[0034]当X < xin时，如果目标连通域Area[n] [i]的运动轨迹的第一个质心横坐标Xl ( xin，则说明该目标一直在预留区内徘徊，任何计数器不动作；如果Xl>xin，则说明目标离开跟踪窗口，方向为出，出计数器PersonOut加I，并清除目标连通域Area [n] [i]的目标链；
[0035]当X>xout时，如果目标连通域Area[n] [i]的运动轨迹第一个质心坐标横坐标Xl ^ xout，则说明该目标一直在预留区内徘徊，任何计数器不动作；如果XKxout，则说明目标进入跟踪窗口，方向为进，进计数器PersonIn加1，并清除目标连通域Area[n] [i]的目标链；
[0036]当xin〈X〈xout，则说明目标连通域Area[n] [i]在检测区内运动，其最后的运动方向不明，保留其特征值，等待下一帧中该目标的跟踪；若下一帧中有匹配目标，则按上述步骤建立目标链，否则作为干扰，丢弃；
[0037]5.4)跟踪窗口中的所有目标连通域进行匹配后，验证当前帧中所有目标是否被跟踪；若存在未被跟踪的目标，则判断其质心横坐标是否满足X < Xin和X>xout中的任意一个，满足则表示有新目标出现，为其建立新的目标链，获取并记录特征值，转入步骤4中的
(3);不满足则判断为干扰，丢弃；
[0038]5.5)当前帧图像中所有目标识别计数结束后，计算当前进计数器PersonIn和出计数器的差值PersonOut的差值，记为当前客流量CustomCounting，当前帧图像的目标识别计数结束；
[0039]5.6)依次对图像数组MovingImages [i] [j]中每帧图像的目标连通域进行识别和自动计数，直到图像数组MovingImages [i] [j]中的图像序列全部处理完毕，则整个目标识别计数结束。
[0040]按上述方案，所述采用目标链代价函数对多目标进行跟踪匹配，步骤是:
[0041]I)获取第k帧图像中多个目标的三个特征值:目标质心坐标、平均灰度和目标区域的面积，其中目标i的特征值分别记为:Point[k] [i]、Gray[k] [i]和Space[k] [i]；
[0042]2)利用Kalman滤波预测第k帧图像中目标i在第k+Ι帧图像中的搜索区域，遍历目标i在第k+Ι帧图像中的搜索区域，发现η个目标对象，获取他们的特征值，其中目标j 的特征值分别记为:Point[k+l] [j]、Gray[k+l] [j]和 Space[k+1] [j]；
[0043]3)分别求取第t+1帧图像目标i的搜索区域中η个目标对象与第t帧图像中目标i的3个特征值的变化程度，求取最大值分别记为MaxPoint、MaxGray和MaxSpace，具体计算公式如下:
[0044]MaxPoint [i] = Max (sqrt ((Point [k] [i].χ-Point [k+1] [m].x) * (Point [k] [i].χ-Point[k+1][m].x) + (Point[k][i].y-Point[k+1][m].y)*(Point[k][i].y-Point[k+1][m].y)))
[0045]MaxGray[i] =