一種基于圖像處理的自助存取款機實時人數(shù)檢測方法
【技術(shù)領(lǐng)域】
[0001]本發(fā)明涉及視頻監(jiān)控領(lǐng)域，尤其涉及一種基于圖像處理的自助存取款機實時人數(shù)檢測方法。
【背景技術(shù)】
[0002]近年來，隨著人們的消費節(jié)奏越來越快，分布于城市大街小巷的自助存取款機越來越多，而這些數(shù)量巨大的自助存取款機沒人24小時看守，必然容易成為劫持搶劫的目標(biāo)。雖然為了保障個人在自助存取款機上操作時的安全，大多銀行為自助存取款機增加了防護窗、視頻監(jiān)控等安保設(shè)施，但是這些設(shè)施都不夠完善，難實時通知保安及銀行工作人員，特別晚上發(fā)生的劫持案件?，F(xiàn)有的防護窗、視頻監(jiān)控系統(tǒng)，把防護窗內(nèi)有兩個以上人員的可疑視頻調(diào)取到監(jiān)控中心大屏，起到實時監(jiān)視、預(yù)防犯罪的作用。該方法同樣適用于空間大小有限，且監(jiān)控攝影頭安裝位置高于人頭的非銀行一般場景，比如垂直升降機清點人數(shù)，防止人員過多。
[0003]基于監(jiān)控視頻中人頭的人數(shù)清點，主要通過檢測圖像中人頭的細節(jié)特征分辨人頭，而現(xiàn)有監(jiān)控系統(tǒng)獲取的圖像往往清晰度不高，細節(jié)丟失嚴重。
[0004]在安保領(lǐng)域，被動式的人數(shù)清點是一種有力的手段，主要方式有卡口紅外線對射及圖像處理兩種方式。其中圖像處理又分為檢測頭部肩部(攝影頭斜角度安裝)和檢測頭頂部(攝影頭正上方安裝)兩種方式。頭部肩部模型采用對頭部和肩部的輪廓進行處理，頭頂模型僅僅采用頭頂部特征進行處理。圖像處理雖然分頭肩和頭頂兩種模型，但是方法基本相同，主要分三類。第一類采用輪廓特征方式，第二類采用三維信息比較方式，第三類采用特征統(tǒng)計方式。
[0005]首先，采用卡口紅外線對射方式只能處理一次進單個人的場景，當(dāng)出現(xiàn)兩人并列，或者兩人前后緊靠劫持時，往往會判斷為一個人，本質(zhì)上講這方法不可用于判斷自助存取款機防護窗內(nèi)進入的是一個人還是多個人。
[0006]其次，頭肩模型采集視頻圖像時需要一定傾斜角度，這也決定了當(dāng)人員擁擠時會出現(xiàn)人員之間的肩部遮擋，無法提取到合適的肩部輪廓，所以攝影頭安裝在頭頂時，人頭模式才是受干擾最小的人數(shù)清點方式。
[0007]人頭清點現(xiàn)也有幾種方式:
第一類、采用輪廓，該方法只采用邊緣信息。一般先采用Canny算子提取邊緣，再通過Hough變換算子擬合輪廓。由于特征數(shù)量不夠多，所以從復(fù)雜的圖案中分別出頭部和肩部輪廓比較困難，容易被干擾，識別率偏低。
[0008]第二類、采用三維信息，因為人頭在三維信息分布圖中處于極值位置，提取方便，但是由于存在局部極值，且方案不能采用現(xiàn)有監(jiān)控設(shè)備，更新起來昂貴，不適合推廣。
[0009]第三類、基于巨量特征降維訓(xùn)練成分類器的方法，具體講先計算選定的所有特征，形成巨量的特征數(shù)量，之后采用學(xué)習(xí)的方法，得到一定量的特征分類器，從而對目標(biāo)進行分類?，F(xiàn)在使用較多的是ADAB00ST和SVM，檢測中不可避免出現(xiàn)漏檢和誤檢，傳統(tǒng)的方式是采用復(fù)雜的目標(biāo)跟蹤方法進行優(yōu)化，但是如果出現(xiàn)類人頭目標(biāo)，跟蹤方式并不能減少誤檢率，甚至增加誤檢率。

【發(fā)明內(nèi)容】

[0010]針對上述技術(shù)問題，本發(fā)明提出一種基于圖像處理的自助存取款機實時人數(shù)檢測方法。
[0011]為了解決上述技術(shù)缺陷，本發(fā)明的技術(shù)方案如下:
一種基于圖像處理的自助存取款機實時人數(shù)檢測方法，包括如下步驟:
11)提取實時監(jiān)控圖像作為待處理圖像；
12)對該圖像進行局部自適應(yīng)直方圖均衡處理；
13)基于局部信息特征的分類器檢測人頭。
[0012]進一步的，對步驟13)檢測到的人頭，通過視頻相鄰幀附近搜尋方法，計算人頭的重疊率；并通過時間軸濾波方法，濾除孤立的噪聲點，平滑短時間的目標(biāo)誤檢和漏檢。
[0013]進一步的，局部自適應(yīng)直方圖均衡處理包括對待處理圖像分塊處理，優(yōu)化局部對比度，形成局部信息最優(yōu)；同時進行對比度限幅，對限幅后的圖像進行均衡，把全幅圖像中均有的信息弱化，突出小分塊中局部的差別。
[0014]進一步的，所述基于局部信息特征的分類器檢測人頭具體包括如下步驟:
離線訓(xùn)練基于局部信息特征的分類器，通過學(xué)習(xí)在大量已經(jīng)標(biāo)記為正負樣本的圖像中挑選出能區(qū)分這兩類樣本的特征從而生成分類器，該被挑選的特征最終形成特征平面，該特征平面用來分辨輸入圖像所在的樣本域，即區(qū)分輸入圖像是否是人頭，從而得出結(jié)果；所述輸入圖像通過對采集的視頻圖像縮放及截取感興趣區(qū)域獲得。
[0015]進一步的，訓(xùn)練特征采用通用的類哈爾特征，利用ADAB00ST方法訓(xùn)練，從巨量特征中，挑選符合要求的特征，即可以區(qū)分標(biāo)定的大量正負樣本的特征；對挑選符合要求的特征采用boosting方式形成強分類器，通過多次形成多個強分類器，再把這些強分類器按cascade方式級聯(lián)形成最終分類器。
[0016]進一步的，把通過視頻相鄰幀附近搜尋方法跟蹤到的目標(biāo)存入數(shù)據(jù)結(jié)構(gòu)中，過濾掉誤檢，補全漏檢；單位時間上，時間占有率在一定閾值以下時，刪除該部分數(shù)據(jù)結(jié)構(gòu)，如果達到閾值，就把數(shù)據(jù)結(jié)構(gòu)補全，最后形成完整的目標(biāo)數(shù)據(jù)，這樣的分段處理可以精確分辨目標(biāo)人頭的進入與離開。
[0017]本發(fā)明的有益效果在于:首先采用一種限制對比度自適應(yīng)局部直方圖均衡化方法，獲取清晰的局部特征，再配合基于局部信息的類哈爾特征訓(xùn)練的分類器，獲取較好結(jié)果。對于結(jié)果中的誤檢和漏檢，提出一種時間軸濾波方法，可以使誤檢率從20%減少到5%，漏檢率也可降低到5%以下。
【附圖說明】
[0018]圖1為整個系統(tǒng)應(yīng)用框圖；
圖2為局部自適應(yīng)原理圖；
圖3為圖像映射均衡原理圖；
圖4為典型的類哈爾特征原理圖； 圖5為通過積分圖方法求類哈爾特征值的原理圖；
圖6為利用時間軸濾波法過濾前的圖；
圖7為利用用時間軸濾波法過濾后的圖；
圖8為本發(fā)明的整體框圖。
【具體實施方式】
[0019]以下將結(jié)合附圖和具體實施例對本發(fā)明做進一步的說明。
[0020]本實施例基于現(xiàn)有的監(jiān)控系統(tǒng)，提取實時監(jiān)控圖像作為待處理對象。該操作節(jié)省了大量前端資源，降低了使用成本。獲取圖像后，使用本發(fā)明的方法最終實時提取準(zhǔn)確的多人可疑視頻，供監(jiān)控中心值班人員處理。
[0021]整個應(yīng)用框圖以及系統(tǒng)框圖如圖1和圖8所示，首先從現(xiàn)有監(jiān)控中獲取視頻，傳送到本發(fā)明中處理，處理后如果結(jié)果為可疑危險視頻，則傳送到監(jiān)控中心大屏上，供工作人員處理，實現(xiàn)預(yù)警作用。
[0022]但是現(xiàn)有監(jiān)控系統(tǒng)獲取的圖像往往清晰度不高，細節(jié)丟失嚴重。而針對視頻圖像的人頭檢測主要需要圖像的局部細節(jié)，首先重建圖像中的局部細節(jié)信息，再利用基于局部信息特征的分類器來檢測人頭，這是發(fā)明中第一部分的核心。
[0023]首先介紹直方圖均衡化的概念，直方圖均衡化處理的是把原始圖像的所有灰度值，按照灰度區(qū)間的形式統(tǒng)計成直方圖，再把比較集中的某個灰度區(qū)間(就是圖像中灰度值較多的區(qū)間)按一定比值分一部分給別的區(qū)間，形成全部灰度范圍內(nèi)的均勻分布。直方圖均衡化就是對圖像進行非線性拉伸，重新分配圖像像素值，使一定灰度范圍內(nèi)的像素數(shù)量大致相同。直方圖越均衡，圖像細節(jié)就越突出。
[0024]本發(fā)明中的圖像局部細節(jié)重建部分，首先是進行局部自適應(yīng)直方圖均衡處理，如圖2，所謂局部自適應(yīng)，就是對圖像分塊處理，因為分成小塊處理更加利于優(yōu)化局部對比度，形成局部信息最優(yōu)；同時進行的對比度限幅，對統(tǒng)計的直方圖進行峰值限制，把限制的峰值部分分配到所有區(qū)間上；如圖3所示，限幅后再進行映射均衡，即把全幅圖中都有的信息弱化，重點突出小分塊中局部的差別，該方法處理過后的圖像在明暗及細節(jié)上都優(yōu)于一般的直方圖均衡，這對于夜晚光線不良也有一定的補充作用，總體上可以最大程度增強圖像局部細節(jié)。局部細節(jié)的增加，是后續(xù)分類器實現(xiàn)正確分類的先決條件。
[0025]圖像細節(jié)信息增強后，發(fā)明采用基于局部信息特征的分類器來檢測人頭。首先需要離線訓(xùn)練基于局部信息特征的分類器，分類器的生成需要通過學(xué)習(xí)的方法在大量已經(jīng)標(biāo)記為正負樣本的圖像中挑選出能區(qū)分這兩類樣本的特征，這些被挑選的特征最終形成特征平面，該平面用來分辨輸入圖像所在的