專利名稱：基于虛擬卡口的行人及車輛數(shù)目計(jì)數(shù)方法
技術(shù)領(lǐng)域：
本發(fā)明涉及的是一種數(shù)字視頻處理技術(shù)領(lǐng)域的方法，具體是一種基于虛擬卡口的行人及車輛數(shù)目計(jì)數(shù)方法。
背景技術(shù)：
作為計(jì)算機(jī)視覺(jué)領(lǐng)域的一項(xiàng)實(shí)際應(yīng)用，行人及車輛數(shù)目的統(tǒng)計(jì)方法在交通信息統(tǒng)計(jì)、客流引導(dǎo)以及密集人流預(yù)警等方面發(fā)揮著重要的作用。由于場(chǎng)景的多樣性以及設(shè)備條件的限制，如何實(shí)現(xiàn)各種環(huán)境下魯棒的行人及車輛數(shù)目的統(tǒng)計(jì)一直是研究的熱點(diǎn)?；谀繕?biāo)跟蹤與檢測(cè)的傳統(tǒng)方法對(duì)場(chǎng)景的要求較高并且由于該類方法計(jì)算量普遍較大，從而限制了其在實(shí)時(shí)系統(tǒng)中的應(yīng)用。經(jīng)過(guò)對(duì)現(xiàn)有技術(shù)的文獻(xiàn)檢索發(fā)現(xiàn)，基于虛擬卡口的行人數(shù)目統(tǒng)計(jì)方法在行人與車輛實(shí)時(shí)計(jì)數(shù)系統(tǒng)中得到了廣泛的關(guān)注，最具代表性的方法如2007年Lee等人在《2007年國(guó)際分布式智能攝 象豐幾大會(huì)〉〉(International Conference on Distributed Smart Cameras) 第四1到第296頁(yè)發(fā)表的“Automatic Estimation of Pedestrian Flow”(人流密度的自動(dòng)估計(jì)方法)。該方法是一種基于虛擬卡口以及光流信息積分的行人數(shù)目統(tǒng)計(jì)方法，計(jì)算框架簡(jiǎn)單，適用于實(shí)時(shí)處理系統(tǒng)。但是，該方法采用的稠密光流場(chǎng)的估計(jì)方法準(zhǔn)確度偏低，也無(wú)法在同一場(chǎng)景中分別統(tǒng)計(jì)出通過(guò)虛擬卡口的行人以及車輛的數(shù)量。因此，能夠?qū)\(yùn)動(dòng)區(qū)域的稠密光流場(chǎng)作出準(zhǔn)確估計(jì)，并且同時(shí)對(duì)通過(guò)虛擬卡口的行人及車輛分別進(jìn)行計(jì)數(shù)的方法，可顯著提高現(xiàn)有行人與車輛實(shí)時(shí)計(jì)數(shù)系統(tǒng)的工作性能。

發(fā)明內(nèi)容
本發(fā)明針對(duì)現(xiàn)有技術(shù)存在的上述不足，提供一種基于虛擬卡口的行人及車輛數(shù)目計(jì)數(shù)方法，通過(guò)計(jì)算前景區(qū)域中置信度較高的角點(diǎn)的光流值，然后基于求得的角點(diǎn)光流值對(duì)前景區(qū)域使用區(qū)域增長(zhǎng)的方法求取前景區(qū)域的稠密光流場(chǎng)，從而克服了光流值的不準(zhǔn)確對(duì)于算法精度的影響。再進(jìn)一步使用閾值對(duì)稠密光流場(chǎng)進(jìn)行分類，并對(duì)分類所得的表示行人及車輛的光流信息分別作積分運(yùn)算，得到通過(guò)虛擬卡口的行人以及車輛數(shù)目。本發(fā)明相較現(xiàn)有的行人數(shù)目統(tǒng)計(jì)算法而言具有可以在同一個(gè)算法框架內(nèi)同時(shí)統(tǒng)計(jì)行人以及車輛數(shù)目的優(yōu)點(diǎn)，使得算法在實(shí)際場(chǎng)景中的應(yīng)用更為靈活。本發(fā)明是通過(guò)以下技術(shù)方案實(shí)現(xiàn)的，本發(fā)明包括如下步驟第一步、在視頻圖像中確定兩個(gè)不同位置的像素點(diǎn)并設(shè)置虛擬卡口。所述的虛擬卡口為視頻圖像中由兩個(gè)端點(diǎn)唯一決定的線段。第二步、采用基于高斯混合模型的背景建模方法獲得每幀圖像中的前景區(qū)域，具體步驟包括2. 1)對(duì)每個(gè)像素點(diǎn)的時(shí)序特性采用3個(gè)高斯模型的加權(quán)進(jìn)行描述PkJ=^ ^^;///^),其中η是高斯概率密度函數(shù)
權(quán)利要求
1.一種基于虛擬卡口的行人及車輛數(shù)目計(jì)數(shù)方法，其特征在于，包括如下步驟 第一步、在視頻圖像中確定兩個(gè)不同位置的像素點(diǎn)并設(shè)置虛擬卡口 ；第二步、采用基于高斯混合模型的背景建模方法獲得每幀圖像中的前景區(qū)域； 第三步、檢測(cè)當(dāng)前幀圖像中的有效角點(diǎn)，并采用基于金字塔的LK光流算法計(jì)算有效角點(diǎn)的光流值；第四步、在前景區(qū)域中對(duì)有效角點(diǎn)的光流值進(jìn)行擴(kuò)散，獲得前景區(qū)域的稠密光流場(chǎng)信息；第五步、基于稠密光流場(chǎng)信息將每幀圖像中位于虛擬卡口上的前景像素點(diǎn)通過(guò)絕對(duì)值比較劃分為行人像素和運(yùn)動(dòng)車輛像素；第六步、分別對(duì)行人像素和運(yùn)動(dòng)車輛像素的光流信息執(zhí)行視角補(bǔ)償?shù)姆e分運(yùn)算，并基于預(yù)設(shè)參數(shù)歸一化得到行人與車輛的數(shù)目。
2.根據(jù)權(quán)利要求1所述的基于虛擬卡口的行人及車輛數(shù)目計(jì)數(shù)方法，其特征是，所述的第二步包括以下步驟2. 1)對(duì)每個(gè)像素點(diǎn)的時(shí)序特性采用3個(gè)高斯模型的加權(quán)進(jìn)行描述
3.根據(jù)權(quán)利要求2所述的基于虛擬卡口的行人及車輛數(shù)目計(jì)數(shù)方法，其特征是，所述的高斯匹配是指尋找與當(dāng)前像素顏色相匹配的高斯混合模型I (P)-PkI I < 0.5ok)2，其中I(p)、yk、01;分別表示像素點(diǎn)的顏色向量值、第k個(gè)高斯的均值以及標(biāo)準(zhǔn)差，當(dāng)上述條件成立則當(dāng)前像素與選擇的高斯混合模型相匹配，否則不匹配。
4.根據(jù)權(quán)利要求2所述的基于虛擬卡口的行人及車輛數(shù)目計(jì)數(shù)方法，其特征是，所述的高斯參數(shù)更新是指對(duì)高斯混合模型的參數(shù)采用EM算法進(jìn)行更新，即
5.根據(jù)權(quán)利要求2所述的基于虛擬卡口的行人及車輛數(shù)目計(jì)數(shù)方法，其特征是，所述的第三步包括以下步驟3. 1)利用Sobel算子得到當(dāng)前幀圖像的每個(gè)像素點(diǎn)灰度的二階導(dǎo)數(shù)，從而建立二階導(dǎo)數(shù)的自相關(guān)矩陣
6.根據(jù)權(quán)利要求1所述的基于虛擬卡口的行人及車輛數(shù)目計(jì)數(shù)方法，其特征是，第四步中所述的擴(kuò)散是指對(duì)于前景區(qū)域中的每一個(gè)有效角點(diǎn)(Xi，yi)，選擇其鄰域的8個(gè)候選像素點(diǎn)，艮口 (Xi_3，Υ "3)、(Xi, Yi-3)、(Xi+3, Yi-3)、(χ「3, Yi)、(Xi+3, Yi)、(χ「3, Yi+3)、(Xi,Yi+3)、(Xi+3，Yi+3)，當(dāng)每個(gè)候選像素點(diǎn)同時(shí)滿足i)該候選像素點(diǎn)屬于前景像素點(diǎn)； )在以候選像素點(diǎn)為中心的大小為5X5的窗口內(nèi)無(wú)其他已求得光流值的像素點(diǎn)；則將有效角點(diǎn)U” Yi)的光流值賦給該候選像素點(diǎn)，并且將該候選像素點(diǎn)標(biāo)識(shí)為有效角點(diǎn)，重復(fù)上述擴(kuò)散直至達(dá)到預(yù)設(shè)迭代次數(shù)。
7.根據(jù)權(quán)利要求1所述的基于虛擬卡口的行人及車輛數(shù)目計(jì)數(shù)方法，其特征是，第五步中所述的絕對(duì)值比較是指設(shè)置速度閾值，當(dāng)前景像素點(diǎn)的對(duì)應(yīng)光流值的絕對(duì)值大于速度閾值，則將該前景像素點(diǎn)歸為運(yùn)動(dòng)車輛像素，否則為行人像素。
8.根據(jù)權(quán)利要求1所述的基于虛擬卡口的行人及車輛數(shù)目計(jì)數(shù)方法，其特征是，第六步中所述的積分運(yùn)算是指初始化行人與車輛的數(shù)目，歷遍視頻序列每一幀圖像并對(duì)每一幀中虛擬卡口上所有像素點(diǎn)完成以上第一步至第六步，將得到的行人與車輛的數(shù)目累加得到該幀為止通過(guò)虛擬卡口的車輛以及行人的數(shù)目。
9.根據(jù)權(quán)利要求1或9所述的基于虛擬卡口的行人及車輛數(shù)目計(jì)數(shù)方法，其特征是，所述的行人與車輛的數(shù)目，其初始值分別為1。 (1) =0, Iped(I) =0，且滿足
全文摘要
一種視頻圖像處理技術(shù)領(lǐng)域的基于虛擬卡口的行人及車輛數(shù)目計(jì)數(shù)方法，通過(guò)計(jì)算前景區(qū)域中置信度較高的角點(diǎn)的光流值，然后基于求得的角點(diǎn)光流值對(duì)前景區(qū)域使用區(qū)域增長(zhǎng)的方法求取前景區(qū)域的稠密光流場(chǎng)，從而克服了光流值的不準(zhǔn)確對(duì)于算法精度的影響。再進(jìn)一步使用閾值對(duì)稠密光流場(chǎng)進(jìn)行分類，并對(duì)分類所得的表示行人及車輛的光流信息分別作積分運(yùn)算，得到通過(guò)虛擬卡口的行人以及車輛數(shù)目。本發(fā)明相較現(xiàn)有的行人數(shù)目統(tǒng)計(jì)算法而言具有可以在同一個(gè)算法框架內(nèi)同時(shí)統(tǒng)計(jì)行人以及車輛數(shù)目的優(yōu)點(diǎn)，使得算法在實(shí)際場(chǎng)景中的應(yīng)用更為靈活。
文檔編號(hào)G06T7/00GK102156985SQ20111008915
公開(kāi)日2011年8月17日 申請(qǐng)日期2011年4月11日 優(yōu)先權(quán)日2011年4月11日
發(fā)明者徐奕, 楊小康, 陸家駿 申請(qǐng)人:上海交通大學(xué)