专利名称：一种基于稳定特征的上下车乘客目标跟踪方法
技术领域：
本发明涉及一种目标跟踪方法，尤其是涉及一种基于稳定特征的上下车乘客目标 跟踪方法。
背景技术：
客运车辆乘客上下门等场所常常需要统计在某一时间点或时间段内上车的乘客 数量和下车的乘客数量，以此乘客统计数据为依据优化运营和提高管理水平。统计客运车辆上下乘客数量的流程中，在检测到乘客目标以后，需要对乘客目标 从出现到消失的过程进行跟踪，通过对乘客目标的跟踪来统计乘客目标数量。发明专利200710036809. X《运动目标跟踪及数量统计方法》公开了一种主要应用 于客运汽车统计乘客数量的方法。该发明在车门上方安装摄像机完成图像数据的采集，在 完成乘客目标和背景分离以后，采用分割出来的人体区域进行弹性匹配后创建跟踪链达到 跟踪的目的。由于人体目标分割困难，分割结果常常不稳定，导致弹性匹配经常实效，跟踪 效果不是很理想。武汉科技大学信息科学与工程学院的付晓薇在其硕士学位论文《一种基于动态图 像的多目标识别计数方法》中采用Kalman滤波方法完成乘客目标的跟踪。大连海事大学信 号与图像处理研究所的田京雷在2005年全国图象图形学学术会议上公布的《基于视频的 客流计数系统的研究》论文(《第十二届全国图象图形学学术会议论文集》，作者章毓晋， ISBN :7302119309)，采用形心法进行人体目标的匹配和跟踪。重庆通信学院信息与通信教 研室的张庚和徐昊在《中国新技术新产品》(分类号TP3)年，卷(期)为2009(1)公布的 《简单背景下基于灰度图象的人数统计》一文采用主动轮廓模型进行人体目标的跟踪。以上采用的乘客目标跟踪方法存在如下缺陷描述人体的特征过于简单，特征稳 定性差，所采用的特征对乘客目标的分割结果依赖性高，跟踪匹配方法对人体目标形状的 一致性假设过于严格。以上缺陷导致现有的人体目标跟踪方法难以在实际运行条件下高效 正确的完成人体目标的跟踪，在公交车等复杂场所中严重影响乘客统计数量的精度。本发明的目的就是为了克服上述现有技术存在的缺陷而提供一种在外界工作环 境极其复杂，人体上下车的行为和姿态千差万别等复杂情况下，稳定高效的人体目标匹配 跟踪方法，进而达到大幅度提高乘客数量统计精度的目的。
发明内容
本发明的目的就是为了克服上述现有技术存在的缺陷而提供一种基于稳定特征 的上下车乘客目标跟踪方法。本发明的目的可以通过以下技术方案来实现一种基于稳定特征的上下车乘客目标跟踪方法，该方法不断按照以下七个步骤循 环进行(1)采集一幅车门区域的视频图像，对采集的图像进行人体目标检测；
(2)如果没有检测到乘客目标，则返回步骤⑴；(3)如果检测到乘客目标，则计算图像中的尺度平移旋转不变特征点；(4)计算不变特征点的特征描述矢量；(5)对相邻帧图像中的所有不变特征点的特征描述矢量，采用Hough Voting方法 进行特征匹配，完成相临帧的对应特征点的映射；(6)创建特征点映射链；(7)根据创建的特征映射链，消除非乘客目标映射链。所述的计算图像中的尺度平移旋转不变特征点包括以下步骤(1)将图像由其它色度空间如RGB、YUV等转换为灰度图像S—；(2)选择高斯参数σ C1，σ —和所需要的平滑次数K+3 ；(3)计算高斯参数。=ViT^ ，采用参数为σ i的高斯函数对前一次平滑结果
图像Sp1进行平滑得到平滑图像Si (i = 0，1，…，K+2)，此步骤反复进行K+3次。(4)计算高斯差值图像 Di = Sw-Si (i = 0,1,…，K+2)；(5)对所有Di中的每个像素点(X，y)，分别计算正负两类特征点；(6)消除无效特征点。某正特征点PFiU, y)，如果在范围为 ||(χ-χ')2+0;-/)2|<^η2的区域内，存在特征点 PFiU'，y' )，PFh(X'，y' ),PFi+1(x'， 1')，使得三个特征点PFiU'，y' )，PFh(X'，y' )，PFi+1(x'，y')的最大值大于正特 征点PFiU, y)的值，则特征点PFiU, y)为无效特征点。其中A为根据实际问题选择的控 制系数，范围一般可以在1. 0 3. 0之间调节。对负特征点也进行类似的操作。所述的计算不变特征点的特征描述矢量包括以下步骤(1)选择计算特征点PFiU, y)的特征矢量的图像范围，范围为所有符合 ||(χ-χ|)2+0-/)2|<σ,2的像素点(χ'，y')；(2)在特征点PFiU, y)的有效范围内计算图像的梯度；(3)以(X，y)为中心点，把特征点的有效范围划成29个区域，统计每个区域内的 梯度幅度值之和，并进行归一化后形成特征值Gtl，...，G28 ；(4)输出维数为33的特征矢量V = (PN, i, x, y, G0,. . . , G28)，其中PN为特征点的 正负属性，i为特征PFi (x, y)的尺度，χ, y为特征PFi (x, y)的坐标位置。所述的基于Hough Voting方法的特征匹配包括以下步骤(1)创建一张二维Hough表，表的列数和行数分别是本帧图像特征点个数和前一 帧特征点个数；(2)计算两个特征矢量之间的相似系数C(m，η)，填入Hough表中对应位置。两个 特征矢量V，V'之间的相似系数为C(m, )=玄丨 G, _G/ 丨X Sim(PN,PN')χ Scale(i,V)χ Dist(^J(x-x')2 +(y-yf), 其中「1 I / - /1 丨< Scale Theshold
Scale(JJ) = X， Dist(yJ(x-xf+(y-yr) = \ ,--，
0 ^(x-xf +(y-yf DistThresholdScaleThreshold和DistThreshold均为根据实际问题事先选择的系数。一般 ScaleThreshold 值的范围为 1 4，DistThreshold 的范围为 0. 1 2. O ；
MlN(m,n)(3)选择符合条件argmin( ￡的所有特征对V，V‘之间的相似系数
/=0
C(m，n)。如果C(m，n) > 0，则表示上一帧图像的第m个特征点和本帧图像的第η个特征点 为一对对应映射点，否则为非对应映射点。所述的创建特征点映射链为对当前帧所有特征点，如果在上一帧存在对应映射点，则取出对应的特征链，将特 征参数P (i，χ，y, C，t)作为结点插入在该特征链的末尾，否则创建一条新的特征链，并将特 征参数P(i，x，y，C，t)作为该特征链的首结点，其中特征参数中的t为图像的帧编号，其它 参数含义和前面描述相同。所述的消除非乘客目标映射链的步骤如下(1)取出一条特征链，如果尾结点的参数t与当前帧的编号之间的差别大于T(T 一 般取为16 1024)或者t > MaxT (MaxT 一般取为1024 8192)，则该特征链为判别特征 链；(2)对所有的判别特征链，如果某判别特征链所有结点的最大i值和最小i值小于 3，同时该判别特征链所有结点的坐标位置之间的距离小于JD，则确定该判别特征链为非乘 客目标映射链，删除该特征链。其中JD = σ ,X JDCoff, JDCoff 一般取为0. 1 0. 5。与现有技术相比，本发明具有以下优点1、不依赖于乘客目标检测步骤。由于乘客目标检测错误或乘客目标分割错误，导 致采用先检测乘客目标后计算目标参数的目标跟踪方法常常出现错误的跟踪；2、跟踪特征具有尺度，旋转，平移和光照的不敏感性。而现有文献公布的特征不具 有以上优势；3、能有效应对复杂多变的人体形状，多样的行走姿式，乘客上下车拥挤等情况。而 现有文献公布的方法基本上假定人的姿势基本不变，乘客比较稀疏；4、能矫正乘客目标检测错误所导致的计数错误，现有的方法不具有该能力；5、特征匹配方法采用全局最优匹配方法，提高了匹配正确率。现有的特征匹配方 法基本上是在局部寻找匹配点；6、生成的特征链直接对应人体数量，一条特征链对应一个乘客。现有的方法还需 要复杂的乘客计数后处理步骤。
图1为一种基于稳定特征的上下车乘客目标跟踪方法的流程图；图2为邻域像素点示意图3为区域划分编号图。
具体实施例方式下面结合附图和具体实施例对本发明进行详细说明。实施例1如图1所示，参照图2、图3，一种基于稳定特征的上下车乘客目标跟踪方法，该方 法不断按照以下七个步骤循环进行(1)采集一幅车门区域的视频图像，对采集的图像进行人体目标检测。(2)如果没有检测到乘客目标，则返回步骤(1)(3)如果检测到乘客目标，则计算图像中的尺度平移旋转不变特征点。(4)计算所有不变特征点的特征描述矢量。(5)对相邻帧图像中的所有不变特征点的特征描述矢量，采用Hough Voting方法 进行特征匹配，完整相临帧的对应特征点的映射。(6)创建特征点映射链。(7)根据创建的特征映射链，消除非乘客目标映射链。所述的计算不变特征点包括以下步骤(1)将图像由其它色度空间如RGB、YUV等转换为灰度图像S—。(2)选择高斯参数QyC^1和所需要的平滑次数K+3。(3)计算高斯参数。二扣^+心,采用参数为ο i的高斯函数对前一次平滑结果
图像Sp1进行平滑得到平滑图像Si (i = 0，1，…，K+2)，此步骤反复进行K+3次。(4)计算高斯差值图像 Di = Sw-Si (i = 0，1，…，Κ+2)。(5)对所有Di中的每个像素点(x，y)，分别计算正负两类特征点，正特征点PFiU, y)为该像素点的高斯差值比如图2所示的所有26个像素点的高斯差值都要大，且该像素点 的高斯差值为正。负特征点NFiU,y)为该像素点的高斯差值比如图2所示的所有26个像 素点的高斯差值都要小，且该像素点的高斯差值为负。其中下标i表示该特征点的尺度，坐 标U，y)为特征点在图像中的坐标位置。(6)消除无效特征点。某正特征点PFiU, y)，如果在范围为 IKx-x’)2+^-/)2^^^的区域内，存在特征点 PFiU'，y' )，PFh(X'，y' ),PFi+1(x'， 1')，使得三个特征点PFiU'，y' )，PFh(X'，y' )，PFi+1(x'，y')的最大值大于正特 征点PFiU, y)的值，则特征点PFiU, y)为无效特征点。其中A为根据实际问题选择的控 制系数，范围一般可以在1. 0 3. 0之间调节。对负特征点也进行类似的操作。所述的计算特征矢量包括以下步骤(1)选择计算特征点PFiU, y)的特征矢量的图像范围，范围为所有符合 HO —JC’)2+0； —/)2|<σ,2的像素点(χ'，y')。(2)在特征点PFiU, y)的有效范围内计算图像的梯度。(3)以(X，y)为中心点，按图3进行区域划分和编号。统计每个区域内的梯度幅 度值之和，并进行归一化后形成特征值Gtl，...，G280(4)输出维数为33的特征矢量V = (PN, i，x，y，G。，...，G28)。其中PN为特征点的正负属性，i为特征PFi (x, y)的尺度，χ, y为特征PFi (x, y)的坐标位置。所述的基于Hough Voting方法的特征匹配包括以下步骤(1)创建一张二维Hough表，表的列数和行数分别是本帧图像特征点个数和前一 帧特征点个数。(2)计算两个特征矢量之间的相似系数C(m，η)，填入Hough表中对应位置。两个
特征矢量V，V'之间的相似系数为
权利要求
一种基于稳定特征的上下车乘客目标跟踪方法，其特征在于，该方法不断按照以下七个步骤循环进行(1)采集一幅车门区域的视频图像，对采集的图像进行人体目标检测；(2)如果没有检测到乘客目标，则返回步骤(1)；(3)如果检测到乘客目标，则计算图像中的尺度平移旋转不变特征点；(4)计算不变特征点的特征描述矢量；(5)对相邻帧图像中的所有不变特征点的特征描述矢量，基于Hough Voting方法进行特征匹配，完成相临帧的对应特征点的映射；(6)创建特征点映射链；(7)根据创建的特征映射链，消除非乘客目标映射链。
2.根据权利要求1所述的一种基于稳定特征的上下车乘客目标跟踪方法，其特征在 于，所述的计算图像中的尺度平移旋转不变特征点包括以下步骤(1)将图像由其它色度空间如RGB、YUV等转换为灰度图像S—；(2)选择高斯参数σC1，σ —和所需要的平滑次数K+3 ；(3)计算高斯参数σ,，采用参数为σ i的高斯函数对前一次平滑结果图像 S"进行平滑得到平滑图像5“1 =0，1，…，K+2)，此步骤反复进行K+3次。(4)计算高斯差值图像Di = Sw-Si (i = 0,1, -,K+2)；(5)对所有Di中的每个像素点(x，y)，分别计算正负两类特征点；(6)消除无效特征点。某正特征点PFiU,y)，如果在范围为||(x-x')2+(少-力2|<Ατ,2 的区域内，存在特征点PFiU' , y' ), PF^^x' , y' ), PFi+1(x' , y')，使得三个特征点 PFiU'，y' hPUx'，y' ), PFi+1 (χ'，y')的最大值大于正特征点PFi (x，y)的值，则 特征点PFiU,y)为无效特征点。其中A为根据实际问题选择的控制系数，范围一般可以在 1. 0 3. 0之间调节。对负特征点也进行类似的操作。
3.根据权利要求1所述的一种基于稳定特征的上下车乘客目标跟踪方法，其特征在 于，所述的计算不变特征点的特征描述矢量包括以下步骤(1)选择计算特征点PFiU,y)的特征矢量的图像范围，范围为所有符合 ||(x-x’)2+Cy-/)2|<￥的像素点(χ'，y')；(2)在特征点PFiU,y)的有效范围内计算图像的梯度；(3)以(X，y)为中心点，把特征点的有效范围划成29个区域，统计每个区域内的梯度 幅度值之和，并进行归一化后形成特征值Gtl，...，G28 ；(4)输出维数为33的特征矢量V= (PN, i，X，y，G。，. . .，G28)，其中PN为特征点的正负 属性，i为特征PFi (x, y)的尺度，χ, y为特征PFi (x, y)的坐标位置。
4.根据权利要求1所述的一种基于稳定特征的上下车乘客目标跟踪方法，其特征在 于，所述的基于Hough Voting方法进行特征匹配包括以下步骤(1)创建一张二维Hough表，表的列数和行数分别是本帧图像特征点个数和前一帧特 征点个数；(2)计算两个特征矢量之间的相似系数C(m，η)，填入Hough表中对应位置。两个特征 矢量V，V'之间的相似系数为
5.根据权利要求1所述的一种基于稳定特征的上下车乘客目标跟踪方法，其特征在 于，所述的创建特征点映射链为对当前帧所有特征点，如果在上一帧存在对应映射点，则取出对应的特征链，将特征参 数P (i，X，y，C，t)作为结点插入在该特征链的末尾，否则创建一条新的特征链，并将特征参 数P (i，X，y，C，t)作为该特征链的首结点，其中特征参数中的t为图像的帧编号，其它参数 含义和前面描述相同。
6.根据权利要求1所述的一种基于稳定特征的上下车乘客目标跟踪方法，其特征在 于，所述的消除非乘客目标映射链的步骤如下(1)取出一条特征链，如果尾结点的参数t与当前帧的编号之间的差别大于T(T 一般取 为16 1024)或者t > MaxT (MaxT 一般取为1024 8192)，则该特征链为判别特征链；(2)对所有的判别特征链，如果某判别特征链所有结点的最大i值和最小i值小于3， 同时该判别特征链所有结点的坐标位置之间的距离小于JD，则确定该判别特征链为非乘客 目标映射链，删除该特征链。其中JD = OiXJDCoff, JDCoff 一般取为0. 1 0. 5。
全文摘要
本发明涉及一种基于稳定特征的上下车乘客目标跟踪方法，该方法不断按照以下七个步骤循环进行(1)采集一幅车门区域的视频图像，对采集的图像进行人体目标检测；(2)如果没有检测到乘客目标，则返回步骤(1)；(3)如果检测到乘客目标，则计算图像中的尺度平移旋转不变特征点；(4)计算所有不变特征点的特征描述矢量；(5)对相邻帧图像中的所有不变特征点的特征描述矢量，采用HoughVoting方法进行特征匹配，完成相临帧的对应特征点的映射；(6)创建特征点映射链；(7)根据创建的特征映射链，消除非乘客目标映射链。与现有技术相比，本发明具有跟踪效果不依赖于乘客目标检测结果，跟踪特征具有尺度、旋转、平移、光照的不敏感性，跟踪过程能有效应对复杂多变的人体形状，能矫正乘客目标检测错误所导致的计数错误等优点。
文档编号G07C9/00GK101957996SQ200910055048
公开日2011年1月26日 申请日期2009年7月17日 优先权日2009年7月17日
发明者万长明, 姚薇 申请人:上海遥薇实业有限公司