[发明专利]一种基于TOF相机的人流计数方法

说明书

本发明涉及计算机数字图像处理与模式识别技术领域，公开了一种基于TOF相机的人流计数方法，其包括TOF人头检测样本集的获取S1；人头检测模型训练S2；深度图像的处理S3；处理单元的划分S4；处理单元的检测S5；人头区域的匹配与跟踪S6；轨迹分析及人流量的获取S7。本发明采用检测与跟踪相结合的方式克服了单一检测算法误检率高和跟踪算法易丢失目标的缺点，能有效对空间内的人流进行精准实时监测分析，对课堂出勤率，车厢拥挤程度判断等需要统计现场人数的场景具有非常大的实际应用价值，提高统计效率，节约人力分析成本。

技术领域

本发明涉及计算机数字图像处理与模式识别技术领域，特别涉及了一种基于TOF相机的人流计数方法。

背景技术

随着社会与技术的不断发展，人流信息的重要性日益凸显。对于大型商场、超市，实时的人流信息有助于了解顾客行为，检测商场服务设施的合理性，有助于优化资源配置；对于公共汽车、列车车厢实时的人流信息有助于判断车厢拥挤程度，检测超载情况，优化车辆调度；对于教室、大会堂等密闭空间，通过进出的人流信息可以准确计算出空间内部人数，实现自动考勤等；人流量统计是智能监控的重要应用之一，具有重大的社会应用价值。

专利名称为：基于深度卷积神经网络的密集人群计数方法及系统，申请号：CN201710034202.1，申请日：2017-01-18的发明专利申请中记载，基于深度卷积神经网络的密集人群计数方法及系统，该方法通过将原始图像划分成若干小块，用深度神经网络回归每一块图像中的人数，进行累加之后获得原始图像中的人数；公开号为CN106250828A的专利公开了一种基于改进LBP算子的人群计数方法，采用基于圆形领域的自适应尺度的旋转不变等价模式的ASLBP算子描述图像的局部纹理特征实现人群计数；公开号为CN102663491A的专利公开了一种基于SURF特征的高密度人群计数方法，该方法对视频中提取的SURF特征进行聚类，采用支持向量机回归之后得到预测人数。

TOF相机可以通过距离信息获取物体之间更丰富的位置关系，容易区分前景与后景；此外，TOF相机采用主动式光源，对环境中的光线变化不敏感，更适宜全天24小时工作。

得益于深度学习的高速发展，基于卷积神经网络的目标检测算法取得了突破性的进展。基于卷积神经网络的目标检测算法主要思想是将目标检测当做一个回归任务，使网络自动建立图片和目标类别、位置的联系，从而端对端的输入一张图片，卷积神经网络可以直接输出该图片中包含的目标类别和位置。另一方面采用丰富的深度特征比传统手工设计的特征更加鲁棒，性能上远远超过传统的基于滑动窗口和手工设计特征的目标检测算法。另一方面，由于各种轻量级网络的出现和模型压缩技术的高速发展，使得基于神经网络的算法落地成为了现实。

发明内容

本发明目的在于提供一种基于TOF相机的人流计数方法，在乘客上下车或者学生进出教室的过程中，能够对TOF相机采集的深度数据进行实时性处理，获得当前场景中人头的坐标，进而得出客流信息，以解决现有技术的不足。

为了解决上述技术问题，本发明通过下述技术方案得以解决：

一种基于TOF相机的人流计数方法，包括以下步骤：

S1：TOF人头检测样本集的获取，样本集指在不同相机高度下采集的视频中截取有人头的图像和该图像的坐标标定文件；

S2：人头检测模型训练，采用的是基于基于神经网络的目标检测算法进行人头检测，人头检测模型训练的步骤包括：

(1)对检测的模型进行低精度量化处理；

(2)对训练图像的前景和背景进行噪声增强处理；

(3)模拟TOF相机过爆的情景；

S3：深度图像的处理，通过TOF相机获取深度图像，然后转化为灰度图像；

S4：处理单元的划分，根据S3获取的灰度图像每K帧划分为一个处理单元；