CN102289805A

CN102289805A - 一种基于视频的地铁人群密度检测方法

Info

Publication number: CN102289805A
Application number: CN2011101562708A
Authority: CN
Inventors: 蔚晓明
Original assignee: BEIJING CLOUD ACCELERATE INFORMATION TECHNOLOGY CO LTD
Current assignee: BEIJING CLOUD ACCELERATE INFORMATION TECHNOLOGY CO LTD
Priority date: 2011-06-10
Filing date: 2011-06-10
Publication date: 2011-12-21

Abstract

本发明涉及一种基于视频的地铁人群密度检测方法，该方法首先基于地铁不同场合下的地铁视频图像输入相应的四点坐标来标记出有人活动区域和无人活动区域；对视频中每一帧是否为错误帧判断，如果是，则舍弃错误的视频帧；如果不是，则对没有人的视频抽取一帧帧进行背景高斯建模；利用获得的高斯背景图像与有人群的视频帧通过背景差法得出前景；对所述步骤4)获得的前景图进行标记，对无人活动区域的像素值标记为0；对获得的图像进行二值化处理，得到的背景为黑色，人为白色；并对获得的二值化图像进行连通域标记；根据人群整体密度和局部密度来检查地铁人群密度。

Description

一种基于视频的地铁人群密度检测方法

技术领域

本发明涉及人群密度检测，特别涉及一种基于视频的地铁人群密度检测方法。

背景技术

现在各大城市地铁交通在迅速发展，为人们的生活带来了很多便利。对人群密度的检测十分重要。因为人流密度过大，有很多隐患要发生。

公开号为CN101431664A的中国专利申请介绍了一种基于视频图像的密度客流自动检测方法及系统，采用计算机视觉算法对采集到的视频图像进行处理，在人群密度较低时，采用像素数计算，并应用时间轴的信息进行背景生成；在人群密度较高时应用小波包分解来对人群图像进行多角度分析，提取小波包分解系数矩阵的计盒维数作为特征并使用分类器分类，得到人群密度等级。

公开号为US2007/0031005A1的美国专利介绍了一种基于视频的实时人群密度估计，并使用MRF(Markov Random Field)法检测交化图像，然后再利用几何规则估计场景的人群密度。然而上述方法对于高密度人群的场景密度估计准确率较差。

公开号为CN102034243A的中国专利介绍了一种获取视频图像中人群密度图的方法，该方法利用Harris算法获取检测区域中的角点，接着对每个角点进行密度扩散，获取检测区域内相应于该角点的每个像素点的密度扩散值，然后将每个像素点的对应于不同角点的密度扩散值进行累加，以获得该像素点的密度值；最后，根据像素点的密度值，画出检测区域的人群密度图。这种方法计算复杂度高，没有考虑到视频出现黑屏、雪花和移位的现象，整体的人群密度计算准确性下降了。因此，在地铁人群密度检测方面实际应用意义不大。

因此，目前急需解决传统的人群密度检测的问题。

发明内容

本发明的目的在于，为解决上述问题，本发明提出一种基于视频的地铁人群密度检测方法，实现实时准确的人群密度检测。

为实现上述发明目的，本发明提出一种基于视频的地铁人群密度检测方法，其特征在于，该方法的具体内容包括如下步骤：

步骤1)：基于地铁不同场合下的地铁视频图像输入相应的四点坐标来标记出有人活动区域和无人活动区域；

步骤2)：根据所述步骤1)获得的无人活动区域对视频中每一帧是否为错误帧判断，如果是，则舍弃错误的视频帧；如果不是，则转至步骤3)；

步骤3)：对没有人的视频抽取一帧帧进行背景高斯建模；

步骤4)：利用所述步骤3)获得的高斯背景图像与有人群的视频帧通过背景差法得出前景；

步骤5)：根据所述步骤1)获得的无人活动区域对所述步骤4)获得的前景图进行标记，对无人活动区域的像素值标记为0；

步骤6)：对所述步骤5)获得的图像进行二值化处理，得到的背景为黑色，人为白色；并对获得的二值化图像进行连通域标记；

步骤7)：判读i＜＝N是否成立；如果i＜＝N成立，则转至步骤8)；如果i＜＝N成立，则转至步骤10)；其中，N表示连通域个数，i表示第几个连通域，0＜i＜＝N，i为正整数；

步骤8)：

不成立，则连通域i的像素点个数不统计到人群整体密度中；否则，则转至步骤9)；其中，

Num_obj(j)为判断为人群的第i个连通域的像素点个数，Num_mem为该连通域最小外接矩形包含的像素点个数；

步骤9)：将连通域i的像素点个数统计到人群整体密度中，然后i自动加1，重复所述步骤7)、所述步骤8)和所述步骤9直至i＝N结束；

步骤10)：根据式(1)对一帧图像的人群整体密度进行计算；

其中，Num_obj(j)为判断为人群的第i个连通域的像素点个数，

为所有判读为人群的连通域的像素点总和；Height*Width是一帧图像的像素点总和；Num_label为根据四点坐标标记的无人活动区域的像素点总数。

所述步骤2)中的错误帧包括：黑屏、雪花和移位。

所述黑屏检测的方法包括：对视频帧灰度化后，对四点标记出的无人域求均值和方差，如果均值小于阈值th，且方差小于阈值zh，则判读为黑屏。

所述阈值th取60；所述阈值zh取100。

所述雪花和移位检测方法包括：对视频帧灰度化后，对四点标记出的无人域的像素点值与该无人域的背景像素点值相减，计算该区域相减后的像素差的平方和，如果平方和值大于阈值ch，则判读为摄像机移位或雪花。

所述阈值ch取100。

本发明的优点在于，本发明提出的方法标记出无人活动区域和有人活动区域，在检测人群密度检测方面只计算有人活动区域，这样计算复杂度降低，为实时性奠定了基础；在计算人流密度时，还考虑到了摄像头画面出现黑屏、雪花和移位的现象，这样这样整体上提高了人群密度检测的准确率。最后，通过对有人运动区域的连通域内的像素点个数与有人运动区域的像素点数的比值为人群整体密度值，这样计算复杂度低，并且这样衡量人群整体密度的精确度较高。尤其对于人群密度高的场景。

附图说明

图1为本发明的一种基于视频的地铁人群密度检测方法流程图；

图2为本发明的连通域i的定义图；

图3为本发明的无人区域的标定图。

具体实施方式

下面结合附图和具体实施方式，对本发明的技术方案进行进一步详细的说明。

如图1所述，图1为本发明的一种基于视频的地铁人群密度检测方法流程图。该方法的具体内容包括如下步骤：

步骤3)：对一场景下没有人的视频抽取一帧帧进行背景高斯建模；

步骤8)：

步骤10)：根据式(1)对一帧图像的人群整体密度进行计算；

其中，Num_obj(j)为判断为人群的第i个连通域的像素点个数，

1、人群整体密度与局部密度的定义

其中，Num_obj(j)为判断为人群的第i个连通域的像素点个数，

如图2所示，图2为本发明的连通域i的定义图。人群局部密度的计算公式为：

其中Num_obj(i)是连通域i的像素点个数，Num_mem是该连通域最小外接矩形包含的像素点个数。

2、高斯背景建模

传统的背景建模经常使用混合高斯背景建模，但针对地铁环境，光照强度无明显变化，并且在背景建立的时间段，运动前景在某个区域出现的有效时长远小于该区域无人时长的情况下，对混合高斯背景建模做了简化。目前只用了一个高斯模型进行背景的建模。高斯模型的参数有：均值，方差。简化的高斯背景建模也分为两步。

背景的建立：因为这里只有单高斯模型，为了提高背景模型的正确性，这里使用了多帧图像来进行高斯背景的建立。并且为了避免行人走动或停留的干扰，每隔一段时间抽取一帧图像。

具体过程如下：首先任意抽取一帧图像，将每个像素点的高斯模型均值置为像素点当前值。每隔一定的时间抽取一帧图像，更新每个像素点高斯模型均值，一共抽取N帧，此时建立的像素点高斯背景模型的均值bg_model.mean(i，j)是任意抽取的N帧图像的对应像素点的均值。此时给每个像素点高斯模型的方差置初始值Variance_ini(这里的方差初始值的设定参考无人活动区域N帧的方差与有人活动区域的N帧的方差，取合适值)。

背景的更新：对于以后的每帧图像，进行条件判定，当前像素点值为pixel，令temp＝(pixel-bg_model.mean(i，j))；

如果temp*temp/bg_model.variance(i，j)＜＝threshold(阈值1)，则判定该像素点为背景，对该像素点高斯模型两个参数进行更新，更新过程如下：

bg_model.mean(i，j)＝(bg_model.mean(i，j)+learn_rate*temp)；

bg_model.variance(i，j)＝(1-learn_rate)*bg_model.variance(i，j)+learn_rate*temp^2；其中learn_rate是学习率。

如果temp*temp/bg_model.variance(i，j)＞threshold(阈值1)，则认为是前景，不处理。

可以看出，针对本设计：简化的高斯建模方法能够较好的对背景进行建模。

高斯背景建模的抽取帧数以及如何抽取的考虑：

1、抽取的帧数的选择主要是考虑到场景不会发生剧烈的变化，而摄像机的频率，如果是25帧每秒，则选择隔4秒抽取一帧，这样如果背景中有人走动的话，刚好使得前后两帧之间人的距离比较远，做平均的时候，人已经走出了之前帧位置区域，这样拟合背景相对更准。

2、取100帧进行高斯模型的建立，因为通过实验，发现取超过100帧以上拟合效果差不多，如果拟合太多帧，则会加大运算量与运算时长，且取的帧数越多，拟合时间会越长，进入地跌站台的人会渐渐变多，反而拟合效果不好，取的太少，会不大准确(有人的模糊影像)，所以取100帧。

简化的高斯背景建模中的参数设定：threshold(阈值1)的选取是无人区域与人群活动区域的折中，本设计中取2*2.5*2.5，learn_rate取了常用的0.05。

3、无人区域标定

如图3所示，图3为本发明的无人区域的标定图。由于有些地方是不可能出现人的，比如电子钟上方，和两边立柱的上侧空间。对视频帧中的人流进行统计，发现无人区域可以用三条直线进行标定，标定的坐标如下：x0＝210；y0＝1；x1＝80；y1＝150；x2＝80；y2＝210；x3＝210；y3＝352；对于图像中的其他点，如果其坐标x，y，符合条件x＜x1或(x1-x0)×y+(x-x1)×y0-(x-x0)×y1＞＝0或(x3-x2)×y+(x-x3)×y2-(x-x2)×y3＞＝0即判断为无人区域。四个坐标点也可自行输入，即可由用户自行进行无人区域的标定。

4、错误帧的检测思路

黑屏：考虑到黑屏的特点是整个屏幕基本是一样。读出人群视频帧，转化为人群灰度图后，对整个图像求均值与方差，如果均值小于阈值1，方差值小于阈值2，则判断为黑屏。这部分可以1秒中抽取一帧来计算，以便减少运算量。

判断雪花和移位：由于有无人区域的坐标标定，所以在读出人群视频帧，转化为人群灰度图后，将人群灰度图的无人区域的像素点与背景的该区域相减，计算该区域相减之后的像素差的平方和，如果值大于某一设定的阈值3时，认为摄像机移位或雪花的情况。(由于目前没有相关的视频帧错误视频用来实验的，所以几个阈值目前的设定为：阈值1为60，阈值2为100，阈值3为100)，由于黑屏、雪花和移位这几种都是视频错误的警报，而且都是可以在无人区域进行判断的，所以可以合并来判断，这部分只需要在无人区域计算，所以计算量并不大。

最后所应说明的是，以上实施例仅用以说明本发明的技术方案而非限制。尽管参照实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，对本发明的技术方案进行修改或者等同替换，都不脱离本发明技术方案的精神和范围，其均应涵盖在本发明的权利要求范围当中。

Claims

1.一种基于视频的地铁人群密度检测方法，其特征在于，该方法的具体内容包括如下步骤：

步骤3)：对没有人的视频抽取一帧帧进行背景高斯建模；

步骤8)：

不成立，则连通域i的像素点个数不统计到人群整体密度中；否则，则转至步骤9)；其中，Num_obj(j)为判断为人群的第i个连通域的像素点个数，Num_mem为该连通域最小外接矩形包含的像素点个数；

步骤10)：根据式(1)对一帧图像的人群整体密度进行计算；

其中，Num_obj(j)为判断为人群的第i个连通域的像素点个数，为所有判读为人群的连通域的像素点总和；Height*Width是一帧图像的像素点总和；Num_label为根据四点坐标标记的无人活动区域的像素点总数。

2.根据权利要求1所述的基于视频的地铁人群密度检测方法，其特征在于，所述步骤2)中的错误帧包括：黑屏、雪花和移位。

3.根据权利要求2所述的基于视频的地铁人群密度检测方法，其特征在于，所述黑屏检测的方法包括：对视频帧灰度化后，对四点标记出的无人域求均值和方差，如果均值小于阈值th，且方差小于阈值zh，则判读为黑屏。

4.根据权利要求3所述的基于视频的地铁人群密度检测方法，其特征在于，所述阈值th取60；所述阈值zh取100。

5.根据权利要求2所述的基于视频的地铁人群密度检测方法，其特征在于，所述雪花和移位检测方法包括：对视频帧灰度化后，对四点标记出的无人域的像素点值与该无人域的背景像素点值相减，计算该区域相减后的像素差的平方和，如果平方和值大于阈值ch，则判读为摄像机移位或雪花。

6.根据权利要求5所述的基于视频的地铁人群密度检测方法，其特征在于，所述阈值ch取100。