專利名稱：可去除虛假目標的人流量統(tǒng)計的方法及系統(tǒng)的制作方法
技術領域：
本發(fā)明涉及視頻監(jiān)控及圖像處理與分析技術領域，尤其涉及一種可去除虛假目標 的人流量統(tǒng)計的方法及系統(tǒng)。
背景技術：
隨著社會的不斷進步，視頻監(jiān)控系統(tǒng)的應用范圍越來越廣。在超市、商場、體育館 以及機場車站等場所的出入口常安裝有監(jiān)控攝像機，以便保安人員和管理者對這些場所的 出入口進行監(jiān)控。另一方面，超市、商場、體育館以及機場車站等場所進出的人流量對于上 述場所的經(jīng)營者或管理者來說有著重要的意義，其中，人流量是指按一定方向流動的人數(shù)， 本文中特指按進入/離開兩個方向流動的人數(shù)?，F(xiàn)有的視頻監(jiān)控中，人流量統(tǒng)計主要是通過監(jiān)控人員人工清點來實現(xiàn)。這種人工 統(tǒng)計人流量的方法在監(jiān)控時間短、人流量稀疏的情況下比較可靠，但由于人眼生物特性的 限制，當監(jiān)控時間較長，人流量密集時，統(tǒng)計的準確性將大大下降，而且人工統(tǒng)計的方式需 要耗費大量的人力成本。基于視頻分析的人流量統(tǒng)計方法可以實現(xiàn)人流量的自動統(tǒng)計，解 決人工統(tǒng)計帶來的各種問題。目前，基于視頻分析的流量統(tǒng)計方法主要有三類一是基于特征點跟蹤的方法，該方法首先跟蹤一些運動的特征點，然后對特征點 的軌跡進行聚類分析，從而得到人流量信息；基于特征點跟蹤的方法需要跟蹤一些運動的 特征點，然后對特征點的軌跡進行聚類分析，從而得到人流量信息，該方法的缺點是特征點 本身難以穩(wěn)定地跟蹤，計數(shù)精度較差。二是基于人體分割和跟蹤的方法，該方法首先需要提取出運動目標塊，然后對運 動目標塊進行分割得到單個人體目標，最后跟蹤各個人體目標實現(xiàn)人流量的統(tǒng)計；基于人 體分割和跟蹤的方法首先需要提取處運動目標塊，然后對運動目標塊進行分割得到單個人 體目標，最后跟蹤得到各個人體的軌跡，從而實現(xiàn)人流量的統(tǒng)計。該方法的缺點是當人體存 在遮擋時，人體分割的準確性難以得到保證，影響統(tǒng)計精度。三是基于人頭或頭肩檢測和跟蹤的方法，該方法在視頻中檢測人頭或頭肩，通過 對人頭或頭肩的跟蹤進行人流量的統(tǒng)計。基于人頭檢測和跟蹤的方法是在視頻中檢測人 頭，通過對人頭的跟蹤進行人流量的統(tǒng)計，當攝像機角度合適時，人頭出現(xiàn)遮擋的情況較 少，因此基于人頭檢測的方法較前兩種方法準確性有所提高，目前有公司提出了基于人頭 檢測統(tǒng)計人數(shù)的方法，例如北京中星微電子在申請?zhí)?00910076256. X的專利文件所提到 的方法中，首先提取運動前景，然后采用haar特征訓練兩個串行的分類器在前景中搜索預 定尺寸的人頭，實現(xiàn)人頭檢測，其中，haar特征，是一種矩形特征，通過改變矩形的尺寸和組 合方式可以描述目標的形狀和灰度信息。該方法僅通過運動估計確定人頭平移矢量速度， 從而統(tǒng)計出人頭數(shù)量，這種方式準確度不高，對于虛假目標不易識別，導致人頭統(tǒng)計不準確。

發(fā)明內(nèi)容
有鑒于此，本發(fā)明提供一種可去除虛假目標的人流量統(tǒng)計的方法及系統(tǒng)，以解決現(xiàn)有人流量統(tǒng)計方案統(tǒng)計不準確的問題。為此，本發(fā)明實施例采用如下技術方案一種可去除虛假目標的人流量統(tǒng)計的方法，包括采用分類器對當前圖像進行人 頭檢測，確定當前圖像中的各人頭；對確定出的各人頭進行跟蹤，形成人頭目標運動軌跡； 對人頭目標運動軌跡進行平滑度分析；根據(jù)分析后的人頭目標運動軌跡方向進行人流量計數(shù)。所述對人頭目標運動軌跡進行平滑度分析包括確定人頭目標運動軌跡的平滑 度，判斷所述平滑度是否滿足閾值，若是，保留該人頭目標運動軌跡，否則，丟棄該人頭目標 運動軌跡。在采用分類器對當前圖像進行人頭檢測之后、確定當前圖像中的各人頭之前，還 包括對分類器檢測到的人頭進行邊緣特征細篩選處理。所述對分類器檢測到的人頭進行邊緣特征細篩選處理包括計算所述分類器判斷 為人頭目標的矩形內(nèi)邊緣特征與預置的上半橢圓弧的擬合度，如果擬合度大于閾值，則將 該矩形確定為人頭，否則將該矩形從目標列表中去除。在采用分類器對當前圖像進行人頭檢測之前，還包括對圖像中的檢測區(qū)域進行 場景標定，從而將檢測區(qū)域劃分為若干個子區(qū)域；所述分類器進行人頭檢測是在所述若干 個子區(qū)域內(nèi)進行的。所述對圖像中的檢測區(qū)域進行場景標定包括選擇標定框；計算場景深度變化系 數(shù)；計算檢測區(qū)域內(nèi)人頭目標尺寸變化范圍；根據(jù)人頭目標尺寸變化范圍將檢測區(qū)域劃分 為若干個子區(qū)域。所述分類器為并聯(lián)的多類分類器。所述多類分類器對圖像進行人頭檢測包括設置各類分類器的檢測順序，按照檢 測順序依次采用各個分類器對當前圖像進行人頭檢測，直到確定出人頭，其中，所述并聯(lián)的 多類分類器由至少兩類分類器并聯(lián)而成。所述并聯(lián)的多類分類器由深色頭發(fā)通用分類器、淺色頭發(fā)分類器、帽子分類器和 擴展分類器中的任意兩種或多種并聯(lián)而成。一種可去除虛假目標的人流量統(tǒng)計的系統(tǒng)，包括人頭檢測模塊，用于采用分類器 對當前圖像進行人頭檢測，確定當前圖像中的各人頭；人頭目標跟蹤模塊，用于對確定出的 各人頭進行跟蹤，形成人頭目標運動軌跡；人頭目標運動軌跡分析模塊，用于計算人頭目標 運動軌跡的平滑度，判斷所述平滑度是否滿足閾值，若是，保留該人頭目標運動軌跡，否則， 丟棄該人頭目標運動軌跡；人流量計數(shù)模塊，用于在分析后的人頭目標運動軌跡方向進行 人流量計數(shù)。還包括場景標定模塊，用于對圖像中的檢測區(qū)域進行場景標定，從而將檢測區(qū)域 劃分為若干個子區(qū)域。所述分類器為并聯(lián)的多類分類器；所述人頭檢測模塊包括粗檢測子模塊和細篩選 子模塊，所述粗檢測子模塊用于設置各類分類器的檢測順序，按照檢測順序依次采用各個 分類器對當前圖像進行人頭檢測，直到確定出人頭，其中，所述并聯(lián)的多類分類器由至少兩 類分類器并聯(lián)而成；細篩選子模塊，用于對并聯(lián)的多類分類器檢測到的人頭進行邊緣特征 細篩選處理。
所述并聯(lián)的多類分類器由深色頭發(fā)通用分類器、淺色頭發(fā)分類器、帽子分類器和 擴展分類器中的任意兩種或多種并聯(lián)而成?？梢?，本發(fā)明通過對人頭目標軌跡的平滑度分析可以去除虛假目標，可進一步提 高檢測準確率。進一步，本發(fā)明將多個分類器并聯(lián)使用，能同時檢測深色頭發(fā)、淺色頭發(fā)以 及各種顏色帽子等多類人頭目標，確保統(tǒng)計更加全面。進一步，本發(fā)明還設置了一個擴展分 類器，可以根據(jù)特殊環(huán)境的應用，采集樣本訓練，檢測指定顏色或帽子的人頭，比如工廠或 倉庫的工作帽等。進一步，在多個并聯(lián)的分類器作為人頭粗檢測的基礎上，再利用邊緣特征 對粗檢測結果進行細篩選，最后得到真正的人頭目標，使得檢測更加準確。另外，本發(fā)明在 檢測前通過場景標定自動選擇檢測窗口的尺寸，使本發(fā)明能自適應各種攝像機角度，拓寬 了應用范圍。


圖1為本發(fā)明一實施例人流量統(tǒng)計的方法流程圖；圖2為本發(fā)明另一實施例人流量統(tǒng)計的方法流程圖；圖3為本發(fā)明較優(yōu)實施例場景標定流程圖；圖4為本發(fā)明較優(yōu)實施例人頭檢測模塊結構框圖；圖5為本發(fā)明較優(yōu)實施例各類分類器級聯(lián)分類過程示意圖；圖6為本發(fā)明較優(yōu)實施例粒子濾波跟蹤的流程圖；圖7為本發(fā)明較優(yōu)實施例運動軌跡平滑度分析流程圖；圖8為本發(fā)明人流量統(tǒng)計的系統(tǒng)結構示意圖。
具體實施例方式本發(fā)明提出一種可去除虛假目標的人流量統(tǒng)計的方法，請參見圖1，為本發(fā)明一實 施例流程圖，包括SlOO 采用分類器對當前圖像進行人頭檢測，確定當前圖像中的各人頭；SlOl 對確定出的各人頭進行跟蹤，形成人頭目標運動軌跡；S102 對人頭目標運動軌跡進行平滑度分析；S103 根據(jù)分析后的人頭目標運動軌跡方向進行人流量計數(shù)。其中，對人頭目標運動軌跡進行平滑度分析的過程為確定人頭目標運動軌跡的 平滑度，判斷所述平滑度是否滿足閾值，若是，保留該人頭目標運動軌跡，否則，丟棄該人頭 目標運動軌跡?？梢?，本發(fā)明檢測通過對人頭目標軌跡的平滑度分析可以去除虛假目標，可進一 步提高檢測準確率。為了進一步提高人流量統(tǒng)計的準確性，在圖1所示的方案基礎上，可進一步進行 優(yōu)化，包括，場景標定、采用并聯(lián)的多類分類器進行粗檢測、對粗檢測結果進行邊緣特征細 篩選等，請參見圖2，為本發(fā)明另一實施例流程圖，包括S201 場景標定；具體地，場景標定是指對圖像中的檢測區(qū)域進行場景標定，從而將檢測區(qū)域劃分 為若干個子區(qū)域。
S202:人頭檢測；人頭檢測進一步包括并聯(lián)分類器粗檢測以及邊緣特征細篩選兩個步驟，從而確定 當前圖像中的各人頭。S203:人頭目標跟蹤；通過對確定出的各人頭進行跟蹤，形成人頭目標運動軌跡。S204 對人頭目標運動軌跡進行平滑度分析；具體地，對人頭目標運動軌跡進行平滑度分析包括確定人頭目標運動軌跡的平 滑度，判斷所述平滑度是否滿足閾值，若是，保留該人頭目標運動軌跡，否則，丟棄該人頭目 標運動軌跡。S205 人流量統(tǒng)計通過人頭目標運動軌跡方向?qū)θ肆髁窟M行計數(shù)。需要說明的是，上述場景標定、對并聯(lián)分類器粗檢測的人頭進行邊緣特征細篩選， 以及對人頭目標運動軌跡進行分析的改進點可結合應用，也可單獨使用。下面對包含所有改進點的本發(fā)明最優(yōu)實施例進行詳細分析。1、場景標定由于用于人流量統(tǒng)計的攝像機一般都是固定安裝的，場景變化性較小，因此場景 標定模塊只需要在第一幀檢測人頭目標前啟用，之后各幀檢測人頭時均采用第一幀標定的 結果即可。如果場景發(fā)生變化，則需要再次啟用場景標定。在攝像機無旋轉的情況下，場景的深度變化可以近似為沿圖像y坐標成線性變 化，即w (x, y) = f Xy+c (1)其中，w(χ, y)表示中心圖像坐標為(X，y)的人頭目標外接矩形的寬度，f為場景 深度系數(shù)，c為常數(shù)。場景標定的目的就是通過標定框確定f和c的值，從而通過式(1)求 出圖像中任意坐標處人頭目標外接矩形的尺寸。本發(fā)明通過選擇4 6個標定框計算式(1)中的兩個未知量f和c，從而得到場景 的深度變化系數(shù)，然后將檢測區(qū)域外接矩形的上邊緣和下邊緣坐標代入式(1)中，得到檢 測區(qū)域內(nèi)最小人頭尺寸Wmin和最大人頭尺寸Wmax，最后，根據(jù)人頭尺寸變化范圍將檢測區(qū)域 分為若干個子區(qū)域，每個子區(qū)域?qū)粋€變化較小的人頭尺寸范圍，在接下來的人頭檢測 模塊中，每個子區(qū)域用不同尺寸窗口搜索候選矩形。場景標定步驟框圖如圖3所示，包括S301 選擇標定框；S302 計算場景深度變化系數(shù)；S303 計算檢測區(qū)域內(nèi)人頭目標尺寸變化范圍；S304 根據(jù)人頭目標尺寸變化范圍將檢測區(qū)域劃分為若干個子區(qū)域。至此，場景標定結束。接下來開始在每一幀圖像中進行人頭的檢測、跟蹤和計數(shù)。2、人頭檢測本發(fā)明中的人頭檢測分為并聯(lián)分類器粗檢測和邊緣特征細篩選兩個環(huán)節(jié)。并聯(lián)分類器粗檢測環(huán)節(jié)中通過預先訓練好的分類器將大部分非人頭目標排除，剩 下人頭目標和部分誤檢為人頭目標的非人頭目標，然后再通過邊緣特征細篩選環(huán)節(jié)去除大 部分誤檢，保留真實人頭目標。人頭檢測模塊結構框圖如圖4所示。
本發(fā)明采用haar特征基于Adaboost算法分別訓練包含正面人頭和背面人頭的 深色頭發(fā)通用分類器、深色頭發(fā)正面分支分類器、深色頭發(fā)背面分支分類器、淺色頭發(fā)分類 器、帽子分類器以及為適應特定環(huán)境專門設置的擴展分類器等多個分類器。多個分類器的 組合方式如圖4粗檢測環(huán)節(jié)所示深色頭發(fā)通用分類器與正面分支分類器、背面分支分類 器組合成樹形結構，然后與淺色頭發(fā)分類器、帽子分類器以及擴展分類器形成并聯(lián)，分類器 檢測結果進入人頭邊緣細篩選環(huán)節(jié)，最后得到真實的人頭目標。2. 1、并聯(lián)分類器粗檢測環(huán)節(jié)訓練器需要預先用大量正樣本和負樣本進行訓練，本發(fā)明采用人臉檢測中使用的 haar特征加Adaboost算法訓練識別器。Haar特征由兩個或三個不同尺寸的矩形構成。通過改變矩形的尺寸、組合方式和 角度可以描述特定目標的形狀和灰度信息。Adaboost算法是一種能將若干弱分類器組合成 強分類器的方法。每一個弱分類器選擇一個或幾個haar特征來對樣本進行分類，若干個弱 分類器通過Adaboost算法組合成一級強分類器。本發(fā)明中所述的各類分類器，均由若干級 強分類器級聯(lián)而成。本發(fā)明在檢測區(qū)域內(nèi)，根據(jù)場景標定模塊得到的人頭目標尺寸，采用窮舉的方式 搜索人頭目標候選矩形。將候選矩形分別輸入到深色頭發(fā)通用分類器、淺色頭發(fā)分類器、帽 子分類器以及擴展分類器中進行分類，如果被分類為人頭，則該候選矩形被檢測為人頭目 標輸出，繼續(xù)判斷下一個候選矩形，否則，將選候選矩形丟棄，繼續(xù)判斷下一個候選矩形。在上述過程中，一個候選矩形被分類器分類為人頭目標需要逐級通過級聯(lián)分類器 的各級強分類器，否則被分類為非人頭目標，其過程示意圖如圖5所示。另外，上述分類器檢測過程中，優(yōu)先選擇的分類器可以根據(jù)實際應用調(diào)整。一般的 應用場景中深色頭發(fā)的概率最大，因此優(yōu)先選擇深色頭發(fā)分類器檢測，在特定場景，比如檢 測倉庫門口，可優(yōu)先選擇工作帽樣本訓練得到的擴展分類器檢測，以加快檢測速度。2. 2、邊緣特征細篩選環(huán)節(jié)通過并聯(lián)分類器粗檢測環(huán)節(jié)，大部分非人頭矩形被排除了，只留下真實人頭矩形 和被分類器誤檢為人頭的矩形。邊緣特征細篩選環(huán)節(jié)則能通過提取矩形內(nèi)的邊緣特征去除 大部分誤檢矩形，保留真實人頭目標。本發(fā)明采用橢圓上半圓弧作為人頭模型，邊緣特征細篩選就是計算被分類器判斷 為人頭目標的矩形內(nèi)邊緣特征與橢圓上半圓弧的擬合度。如果擬合度大于判斷閾值，則該 矩形為真實人頭矩形，否則為誤檢人頭矩形，將該矩形從目標列表中去除。3、人頭跟蹤人頭目標檢測出來后需要進行跟蹤，形成目標運動軌跡，以避免同一個目標重復 計數(shù)。本發(fā)明的目標跟蹤模塊采用粒子濾波算法對人頭目標進行跟蹤。粒子濾波跟蹤的流程如圖6所示，具體過程如下步驟601 粒子初始化；當新檢測到的人頭目標沒有已有的粒子對應時，則新生成一個粒子跟蹤器，并用 新檢測到的目標初始化跟蹤器中各個粒子的位置和尺寸，并賦給各粒子相等的權重值。步驟602 粒子重采樣；在跟蹤過程中，粒子經(jīng)過幾次權重更新后會出現(xiàn)“退化現(xiàn)象”，即接近真實人頭矩形的少數(shù)粒子的權重會變得較大，而遠離人頭矩形的大部分粒子的權重變得很小，大量的 計算會浪費在這些權重很小的粒子上。為了解決“退化現(xiàn)象”，每次粒子權重更新后應該對 粒子進行重采樣。粒子重采樣就是保留和復制權重較大的粒子，剔除權重較小的粒子，使原來帶權 重的粒子映射為等權重的粒子繼續(xù)預測跟蹤。跟蹤器新生成時，跟蹤器中各粒子的權重相 等，因此，不需要在再進行重采樣。步驟603:粒子的傳播；粒子的傳播，也即粒子的狀態(tài)轉移，是指粒子的狀態(tài)隨時間的更新過程。本發(fā)明 中，粒子的狀態(tài)是指粒子所代表的目標矩形的位置和尺寸。粒子的傳播采用一種隨機運動 過程實現(xiàn)，即粒子的當前狀態(tài)由上一個狀態(tài)加上一個隨機量得到。這樣，當前的每一個粒子 都代表著人頭目標在當前幀中的一個可能位置和尺寸。步驟604 根據(jù)觀測值更新粒子權重；粒子通過傳播方式只是得到了人頭目標在當前幀中的可能位置和尺寸，還需要利 用當前圖像的觀測值來確定哪些粒子最有可能是人頭矩形。本發(fā)明中提取粒子對應圖像矩 形的haar特征和邊緣特征作為觀測值更新粒子的權重。粒子的觀測值與真實人頭越接近， 則該粒子對應的矩形越可能是人頭矩形，粒子的權重增大；否則，粒子的權重減小。步驟605 更新目標運動軌跡；將粒子按權重大小排序，取出權重最大的粒子，計算權重最大的粒子對應的矩形 與檢測得到的所有人頭目標矩形的重疊面積，重疊面積最大，且大于設定閾值的人頭目標 即是該粒子所在跟蹤器代表的人頭目標在當前幀中對應的人頭，則用該人頭目標的位置更 新跟蹤器的目標運動軌跡，并用該人頭目標代替權重最大的粒子，進入下一幀跟蹤；如果權 重最大的粒子與當前幀中檢測出來的所有人頭目標均不重疊或重疊面積小于閾值，則認為 該粒子所在跟蹤器代表的人頭目標在當前幀中沒有找到對應的人頭，則用該粒子的位置更 新跟蹤器的目標運動軌跡，并進入下一幀跟蹤。如果權重最大的粒子連續(xù)N(N> 2)幀找不 到對應人頭目標，則說明該粒子所在的跟蹤器代表的人頭目標以及消失，剔除該跟蹤器。經(jīng)過上述五個步驟，幀與幀之間的人頭目標便關聯(lián)起來形成了人頭目標的運動軌 跡。4、軌跡平滑度分析模塊一般來說，真實人頭目標的運動比較平滑，而誤檢目標則可能會呈現(xiàn)出雜亂的運 動，因此，本發(fā)明通過對目標運動軌跡的平滑度分析去除誤檢，進一步提高檢測準確性。對跟蹤模塊生成的目標運動軌跡進行分析，計算目標軌跡的平滑系數(shù)，如果平滑 系數(shù)大于設定的平滑閾值，則保留該軌跡；否則，剔除該軌跡。軌跡平滑度分析模塊流程如 圖7所示，包括S701 獲取目標運動軌跡；S702 確定人頭目標運動軌跡的平滑度；S703 判斷平滑度是否滿足預置的平滑度閾值要求，若是，執(zhí)行S704，否則，執(zhí)行 S705 ；S704 保留該目標運動軌跡；S705 丟棄該目標運動軌跡；
S706 輸出目標運動軌跡。5、人流量計數(shù)模塊本發(fā)明通過人頭目標運動軌跡方向?qū)θ肆髁窟M行計數(shù)。本發(fā)明在檢測區(qū)域內(nèi)判斷 該目標軌跡的方向與設定的“人流進入”方向是否一致，如果一致，則“進入人數(shù)”計數(shù)加一， 否則“離開人數(shù)”計數(shù)加一。計數(shù)完成后將該目標標記為“已計數(shù)”，使軌跡處于無效狀態(tài)， 避免同一個目標重復計數(shù)。至此，通過場景標定、人頭檢測、人頭目標跟蹤、人頭目標運動軌跡分析和人流量 統(tǒng)計這五大步驟，即完成了對人流量的全面、準確統(tǒng)計。與上述方法相對應，本發(fā)明還提供一種人流量統(tǒng)計的系統(tǒng)，該系統(tǒng)可通過軟件、硬 件或軟硬件結合實現(xiàn)。參考圖8，該系統(tǒng)包括人頭檢測模塊801，用于采用分類器對當前圖像進行人頭檢測，確定當前圖像中的 各人頭；人頭目標跟蹤模塊802，用于對人頭檢測模塊801確定出的各人頭進行跟蹤，形成 人頭目標運動軌跡；人流量計數(shù)模塊803，用于在人頭目標跟蹤模塊802確定的人頭目標運動軌跡方 向進行人流量計數(shù)；特別地，該系統(tǒng)還包括人頭目標運動軌跡分析模塊804，用于計算人頭目標運動軌 跡的平滑度，判斷所述平滑度是否滿足閾值，若是，保留該人頭目標運動軌跡，否則，丟棄該 人頭目標運動軌跡。此時，人流量計數(shù)模塊803是在人頭目標運動軌跡分析模塊804的基 礎上，根據(jù)運動軌跡方向的人頭進行統(tǒng)計的。優(yōu)選地，分類器采用并聯(lián)的多類分類器實現(xiàn)，例如，由深色頭發(fā)通用分類器、淺色 頭發(fā)分類器、帽子分類器和擴展分類器中的任意兩種或多種并聯(lián)而成，此時，人頭檢測模塊 801包括粗檢測子模塊和細篩選子模塊，其中，粗檢測子模塊用于設置各類分類器的檢測順 序，按照檢測順序依次采用各個分類器對當前圖像進行人頭檢測，直到確定出人頭；篩選子 模塊用于對并聯(lián)的多類分類器檢測到的人頭進行邊緣特征細篩選處理。優(yōu)選地，該系統(tǒng)還包括場景標定模塊805，用于對圖像中的檢測區(qū)域進行場景標定，從而將檢測區(qū)域劃分 為若干個子區(qū)域。其中，場景標定模塊805的目的是獲得場景的深度系數(shù)，根據(jù)場景深度系 數(shù)可以計算出圖像中各個位置的人頭目標的大小，為人頭目標檢測模塊提供檢測尺寸。此 時，人頭檢測模塊801根據(jù)場景標定模塊805提供的尺寸，在指定的若干個子區(qū)域內(nèi)搜索人 頭目標。上述系統(tǒng)的具體實現(xiàn)請參見方法實施例，不作贅述。可見，本發(fā)明通過對人頭目標軌跡的平滑度分析可以去除虛假目標，可提高檢測 準確率。進一步，本發(fā)明采用haar特征基于Adaboost算法訓練多個并聯(lián)的分類器作為人頭 粗檢測，再利用邊緣特征對粗檢測結果進行細篩選，最后得到真正的人頭目標。本發(fā)明中將 多個分類器并聯(lián)使用，能同時檢測深色頭發(fā)、淺色頭發(fā)以及各種顏色帽子等多類人頭目標， 本發(fā)明還設置了一個擴展分類器，可以根據(jù)特殊環(huán)境的應用，采集樣本訓練，檢測指定顏色 或帽子的人頭，比如工廠或倉庫的工作帽等。另外，本發(fā)明在檢測前通過場景標定自動選擇檢測窗口的尺寸,使本發(fā)明能自適應各種攝像機角度，拓寬了應用范圍。
以上所述僅是本發(fā)明的優(yōu)選實施方式，應當指出，對于本技術領域的普通技術人 員來說，在不脫離本發(fā)明原理的前提下，還可以做出若干改進和潤飾，這些改進和潤飾也應 視為本發(fā)明的保護范圍。
權利要求
一種可去除虛假目標的人流量統(tǒng)計的方法，其特征在于，包括采用分類器對當前圖像進行人頭檢測，確定當前圖像中的各人頭；對確定出的各人頭進行跟蹤，形成人頭目標運動軌跡；對人頭目標運動軌跡進行平滑度分析；根據(jù)分析后的人頭目標運動軌跡方向進行人流量計數(shù)。
2.根據(jù)權利要求1所述方法，其特征在于，所述對人頭目標運動軌跡進行平滑度分析 包括確定人頭目標運動軌跡的平滑度，判斷所述平滑度是否滿足閾值，若是，保留該人頭目 標運動軌跡，否則，丟棄該人頭目標運動軌跡。
3.根據(jù)權利要求1所述方法，其特征在于，在采用分類器對當前圖像進行人頭檢測之 后、確定當前圖像中的各人頭之前，還包括對分類器檢測到的人頭進行邊緣特征細篩選處理。
4.根據(jù)權利要求3所述方法，其特征在于，所述對分類器檢測到的人頭進行邊緣特征 細篩選處理包括計算所述分類器判斷為人頭目標的矩形內(nèi)邊緣特征與預置的上半橢圓弧的擬合度，如 果擬合度大于閾值，則將該矩形確定為人頭，否則將該矩形從目標列表中去除。
5.根據(jù)權利要求1所述方法，其特征在于，在采用分類器對當前圖像進行人頭檢測之 前,還包括對圖像中的檢測區(qū)域進行場景標定，從而將檢測區(qū)域劃分為若干個子區(qū)域； 所述分類器進行人頭檢測是在所述若干個子區(qū)域內(nèi)進行的。
6.根據(jù)權利要求5所述方法，其特征在于，所述對圖像中的檢測區(qū)域進行場景標定包括選擇標定框；計算場景深度變化系數(shù)；計算檢測區(qū)域內(nèi)人頭目標尺寸變化范圍；根據(jù)人頭目標尺寸變化范圍將檢測區(qū)域劃分為若干個子區(qū)域。
7.根據(jù)權利要求1至6任一項所述方法，其特征在于，所述分類器為并聯(lián)的多類分類器。
8.根據(jù)權利要求7所述方法，其特征在于，所述多類分類器對圖像進行人頭檢測包括 設置各類分類器的檢測順序，按照檢測順序依次采用各個分類器對當前圖像進行人頭檢測，直到確定出人頭，其中，所述并聯(lián)的多類分類器由至少兩類分類器并聯(lián)而成。
9.根據(jù)權利要求7所述方法，其特征在于，所述并聯(lián)的多類分類器由深色頭發(fā)通用分 類器、淺色頭發(fā)分類器、帽子分類器和擴展分類器中的任意兩種或多種并聯(lián)而成。
10.一種可去除虛假目標的人流量統(tǒng)計的系統(tǒng)，其特征在于，包括人頭檢測模塊，用于采用分類器對當前圖像進行人頭檢測，確定當前圖像中的各人頭；人頭目標跟蹤模塊，用于對確定出的各人頭進行跟蹤，形成人頭目標運動軌跡； 人頭目標運動軌跡分析模塊，用于計算人頭目標運動軌跡的平滑度，判斷所述平滑度 是否滿足閾值，若是，保留該人頭目標運動軌跡，否則，丟棄該人頭目標運動軌跡；人流量計數(shù)模塊，用于在分析后的人頭目標運動軌跡方向進行人流量計數(shù)。
11.根據(jù)權利要求10所述系統(tǒng)，其特征在于，還包括場景標定模塊，用于對圖像中的檢測區(qū)域進行場景標定，從而將檢測區(qū)域劃分為若干 個子區(qū)域。
12.根據(jù)權利要求10或11所述系統(tǒng)，其特征在于， 所述分類器為并聯(lián)的多類分類器；所述人頭檢測模塊包括粗檢測子模塊和細篩選子模塊，所述粗檢測子模塊用于設置各 類分類器的檢測順序，按照檢測順序依次采用各個分類器對當前圖像進行人頭檢測，直到 確定出人頭，其中，所述并聯(lián)的多類分類器由至少兩類分類器并聯(lián)而成；細篩選子模塊，用 于對并聯(lián)的多類分類器檢測到的人頭進行邊緣特征細篩選處理。
13.根據(jù)權利要求12所述系統(tǒng)，其特征在于，所述并聯(lián)的多類分類器由深色頭發(fā)通用 分類器、淺色頭發(fā)分類器、帽子分類器和擴展分類器中的任意兩種或多種并聯(lián)而成。
全文摘要
本發(fā)明公開了一種可去除虛假目標的人流量統(tǒng)計的方法及系統(tǒng)，其中的方法包括采用分類器對當前圖像進行人頭檢測，確定當前圖像中的各人頭；對確定出的各人頭進行跟蹤，形成人頭目標運動軌跡；對人頭目標運動軌跡進行平滑度分析；根據(jù)分析后的人頭目標運動軌跡方向進行人流量計數(shù)。可見，本發(fā)明通過對人頭目標軌跡的平滑度分析可以去除虛假目標，可進一步提高檢測準確率。
文檔編號G06T7/20GK101872414SQ20101011813
公開日2010年10月27日 申請日期2010年2月10日 優(yōu)先權日2010年2月10日
發(fā)明者任燁, 呼志剛, 朱勇, 胡揚忠, 蔡巍巍, 賈永華, 鄔偉琪 申請人:杭州海康威視軟件有限公司