[发明专利]一种高密度行人检测方法

说明书

技术领域

本发明涉及一种高密度行人检测方法。具体的说是一种适用于大人流量高密度场景下高密度行人检测方法，属于城市交通管理技术领域。

背景技术

国内外有许多先进的行人统计系统，但都是针对行人稀少的情况，对于机场、车站这样人员密集区则无能为力。对高密度人群中的行人进行检测和跟踪是一个很难的问题。较常见的方法如通过背景模型检测运动区域并进行前景分割，或通过人体模型、特征对人体进行检测，都不能解决高密度人群的行人检测问题，原因在于：在高密度人群视频中，观测区域的大部分或者全部处于运动的状态，行人间存在严重的遮挡。另外存在一类研究，避开了高密度人群中行人的分割检测的问题，而是通过一些全局统计特征对人群的密度进行估计，但这类研究并不能给出精确的行人流量和方向。在众多研究中，是少有的直接针对高密度人群中的行人进行检测和跟踪的研究。

目前各大城市已经安装了大量的交通视频监控系统，但是对于交通视频的处理上尚不能较好地实现自动化处理。基于视频监控的行人检测是智能交通系统中的一项关键技术。在实际应用中,由于场景的复杂性、视角与尺度的变化、人体姿态与着装的多样性以及部分遮挡等因素,使得行人检测具有极大的困难。随着模式识别技术和视频处理技术的发展，智能视频监控得到了越来越多的关注。

现有专利文献中公开号为103390172公开了一种高密度场景下人群密度估计方法，首先采集视频帧，并进行梯度方向计算，获取梯度方向图；然后进行LBP纹理特征计算；利用Adaboost进行人头检测；获取高密度场景下的人头数目。采集到的视频数据存在大量的噪声，直接计算梯度方向图会影响检测结果的精度和鲁棒性，Adaboost算法复杂，运算速度慢，无论在跟踪的准确性和实时性上都难以满足行人统计对于精度和时效性的要求。

发明内容

为此，本发明所要解决的技术问题在于高密度行人检测方法的检测精度和鲁棒性低、计算复杂、时效性差，从而提出一种检测精度高、鲁棒性好、运算简便及时效性高的高密度行人检测方法。

为解决上述技术问题，本发明的技术方案如下：

一种高密度行人检测方法，包括如下步骤：

选取一定量的视频数据，根据行人的头部形状和纹理特征建立行人头部模型；

对于摄像机传来的视频流，根据所述行人头部模型获取每帧图像中检测区域内的行人头部信息；

为第一帧图像中的每个行人头部信息创建一个队列，并将该行人头部信息的位置信息存储到该队列中；

后续每帧图像根据其与前一帧图像中的行人头部信息之间的关系确定是否为同一个行人的头部信息；

是同一个行人的头部信息则将该头部信息的位置信息存入到其相应的队列中，不是同一个行人的头部信息则生成一个新的队列并存储该行人的头部信息的位置信息；

按照上述方法依次处理后续每帧图像，对于位置信息持续更新且包含至少三个所述头部信息的位置信息的队列，认为检测到了一个行人。

所述选取一定量的视频数据，根据所述视频数据建立行人头部模型的过程包括：根据所述视频数据获取每个行人的头部形状和纹理特征，再根据每个人的头部形状和头部纹理特征建立所述行人头部模型。

所述对于摄像机传来的视频流，根据所述行人头部模型获取每帧图像中检测区域内的行人头部信息的过程中，还包括：对于所述摄像机传来的视频流进行检测区域设定，所述检测区域的宽度为有效通行道的宽度，所述检测区域的高度为行人头部平均直径的四至十倍。

所述根据所述视频数据获取每个行人的头部形状和纹理特征的过程，其中所述头部形状的过程包括：

获取行人头部图像的边界；

提取所述行人头部头像的边界序列；

通过傅里叶变换计算所述行人的头部形状。

所述根据所述视频数据获取每个行人的头部形状和纹理特征的过程，其中获取所述纹理特征的过程，包括：

将所述行人头部图像划分为若干个图像子块；

对每个所述图像子块进行直方图统计，得到所有的所述图像子块直方图；

利用所有的所述图像子块直方图描述所述行人头部图像的纹理特征。

提取所有行人的共有的头部形状特征和共有的纹理特征作为行人的头部模型。

获取所述头部形状的纹理特征采用Garbor滤波器。

所述后续每帧图像根据其与前一帧图像中的行人头部信息之间的关系确定是否为同一个行人的头部信息的过程，包括：