[发明专利]一种公交车客流量实时统计方法

说明书

本发明涉及一种公交车客流量实时统计方法。目的是提供一种对视频图像中的人头进行检测与跟踪的方法。所述方法的视频数据是利用摄像头从公交车前门、后门的顶部区域所拍摄的客流视频数据，统计方法包括以下步骤：特征提取；模型训练；头部检测；头部跟踪；本发明相对于现有技术的进步在于：本发明检测方法具有实时性，且能够高效精确地检测出客流量。

技术领域：

本发明涉及模式识别中的图像处理技术领域，进一步涉及一种公交车客流量实时统计方法。

背景技术：

很多开发者曾经用红外线装置和压力传感器的方法进行客流统计。因为检测结果和实际的客流量误差较大，所以，基于红外线装置和压力传感器的客流计数方法并没有沿用至今并逐渐地被摒弃。近几年来，随着模式识别领域和GPU并行计算领域的不断发展，计算机视觉方向得到了迅速发展。在图像处理领域中，客流统计是一个重要的应用，也是目前智能视频监控中的一个新的领域和方向。

近几年，客流统计的方法主要基于三大类：基于特征点、基于人体分割与跟踪和基于深度学习的检测方法，这三类方法均存在缺陷。前两类检测方法的准确性有待提高。虽然，第三类检测方法的准确性很高，但是，它的实时性和高昂的硬件成本均未能达到推广和使用的标准。

发明内容：

本发明目的是提供一种对视频图像中的人头进行检测的方法。这种方法应该能够高效精确地检测出客流量。具体技术方案如下：

所述方法的视频数据是利用摄像头从公交车前门、后门的顶部区域所拍摄的客流视频数据，统计方法包括以下步骤：

步骤1：模型训练：

步骤1.1：将摄像头采集的真实图像视频帧转化为BGRA格式；在所述视频帧中，标定乘客的头部位置并将其视为训练检测模型的正样本训练图像集，将所述视频帧中不含乘客头部的区域视为训练检测模型的负样本训练图像集；将所述的正样本训练图像集和所述的负样本训练图像集进行图像尺度归一化处理，形成相同大小的训练输入图像；

步骤1.2：对图像提取特征：计算LUV特征的梯度幅值特征和相关的方向值；根据相关的梯度方向值，对所述的梯度幅值特征进行量化，提取其直方图特征；随后，将LUV特征，梯度幅值特征和直方图特征进行串联，形成最终的图像特征；

步骤1.3：构建特征金字塔：根据设定特征金字塔层数，计算每层金字塔的特征缩放比例系数；随后，用特征缩放比例系数乘以图像特征，形成特征金字塔；

步骤1.4：构建训练模型：将已经生成的特征金字塔送入决策树算法中进行训练，直到训练的准确度到达要求，结束迭代训练；

步骤2：头部检测：

步骤2.1：利用摄像头获取待检测的视频帧；

步骤2.2：计算待检测视频帧的LUV特征，LUV特征的梯度幅值特征和相关的方向值；根据相关的梯度方向值，对所述的梯度幅值特征进行量化，提取其直方图特征；随后，将LUV特征，梯度幅值特征和直方图特征进行串联，形成最终的图像特征；

步骤2.3：根据设定特征金字塔层数，计算每层金字塔的特征缩放比例系数；随后，用特征缩放比例系数乘以图像特征，形成特征金字塔；

步骤2.4：将步骤2.3得到待检测视频帧的特征金字塔输入到步骤1.4已训练好的决策树分类器中，用已设定的检测窗口大小和检测移动步长乘以每层金字塔的特征缩放比例系数，得到扫描每层金字塔的检测窗口大小和检测移动步长；用对应的检测窗口和移动步长在对应的金字塔层上进行扫描；根据决策树在每层金字塔上的判别结果和窗口得分判别这些窗口是乘客的头部还是非头部区域，并将认定是头部的窗口按照特征缩放比例系数缩放到原始大小，去除重合的窗口；最后在结果文件中记录下乘客的头部位置；

步骤3：跟踪头部：