[发明专利]一种基于双区域学习的地铁站场景行人计数实现方法

说明书

本发明公开了一种基于双区域学习的地铁站场景行人计数方法。所述方法的创新之处在于：(1)基于高斯混合模型的地铁视频前景提取方法，针对视频的每一帧，提取得到视频行人群体的有效计算区域；(2)地铁监控视频的双区域划分方法，将视频的每一帧划分为远视角和近视角；(3)基于超强学习机(ELM)的远视角行人估计方法，通过对远视角区域提取全局场景特征，使用ELM和高斯过程回归模型建立行人数量估计模型；(4)基于聚集信道特征(ACF)的近视角区域行人数量估计方法。本发明的输入是地铁站中单个监控摄像头采集的视频数据，输出是对视频数据流中每一帧计算得到的行人数量。本方法的优点在于计数结果的准确性和实时性。

技术领域

本发明涉及数字图像处理计数，模式识别以及视觉计算，具体涉及一种基于双区域学习的地铁站场景行人计数方法。

背景技术

人口持续增长以及城市化进程加剧使得、如行人对冲，行人踩踏等突发性公共行人安全事件发生频率呈现上升趋势。针对于此类问题，传统的解决方案是在公共场所加装大量监控设备，同时增派人力进行不间断的关注。但此类做法通常会有以下几点不足：

1)随着监控设备的不断增加，需要处理的信息也会随之增加，从而极大地提高了人力成本。

2)数据量过于庞大，依靠传统的人力无法做到及时的分析，从而无法对现场出现的情况做出及时的反应。

为了解决依靠人力方案所带来的不足，通过监控视频对于公共场所密集行人行为的研究已经越来越多受到来自社会学方面以及视觉计算方面研究者的关注。相关的研究用于以下几个方面：

1)人流引导和控制：对于公共场所密集行人行为的研究可以被用于制定人流引导和控制措施，以此来避免由于人流增长引发的公共安全事故。这点主要是针对容易产生大规模行人聚集现象的场所如体育馆，大型的地铁站等。

2)公共空间设计：对于公共场所密集行人行为的研究可以为公共空间的设计提供一定的标准。例如在设计购物中心时，行人行为的研究会为如何有效的进行空间布局提供有效的帮助

3)虚拟环境仿真：对于公共场所密集人群行为的研究可以作为虚拟环境仿真如人流模拟的参考数据，以此来增加仿真环境的真实感。

4)智能监控设备：密集人群行为的研究可以用于设计自动监控检测设备来检测密集人群发生的异常状况并且自动报警。

在公共场所密集人群行为研究中，行人数量的计算是研究的重点。行人数量是判断行人集聚状况的一个指标，根据同一场景行人数量的不同，可以将其设为多个级别，不同的级别密度下的行人应够受到不同程度的关注，在许多行人公共安全事故中如踩踏事故往往是由行人数量过多造成的。

目前行人计数方法主要分为两类。第一类是基于行人个体特征的方法如行人检测。第二类则基于全局场景特征的方法，通过场景特征来估计行人数量。但在地铁站场景中，相关的监控摄像画面存在严重的行人遮挡和透视变换，导致上述两类方法无法有效获取地铁站场景中的行人数量。因此，如何有效的解决行人遮挡和透视变换对行人计数准确性造成的影响成为一个值得关注的问题。

发明内容

本发明所要解决的技术问题是提供一种基于双区域学习的地铁站场景行人计数实现方法，通过本发明可以把地铁站监控视频作为数据输入，能够较为准确的获取每帧视频画面中的行人数量。

本发明的技术方案如下：

步骤1，针对视频的每一帧，提取得到视频行人群体的有效计算区域并使用区域分割策略分割图像。

图像会分成两个区域，区域一为近视角区域，在此区域中行人的个体特征较为明显，在画面中占据的像素区域较大，相互遮挡情况不严重。区域二为远视角区域，在此区域中透视变换的影响较小。