[go: up one dir, main page]

CN104866844B - 一种面向监控视频的人群聚集检测方法 - Google Patents

一种面向监控视频的人群聚集检测方法 Download PDF

Info

Publication number
CN104866844B
CN104866844B CN201510304080.4A CN201510304080A CN104866844B CN 104866844 B CN104866844 B CN 104866844B CN 201510304080 A CN201510304080 A CN 201510304080A CN 104866844 B CN104866844 B CN 104866844B
Authority
CN
China
Prior art keywords
area
foreground
human body
edge
point
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Expired - Fee Related
Application number
CN201510304080.4A
Other languages
English (en)
Other versions
CN104866844A (zh
Inventor
谢剑斌
闫玮
刘通
李沛秦
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
National University of Defense Technology
Original Assignee
National University of Defense Technology
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by National University of Defense Technology filed Critical National University of Defense Technology
Priority to CN201510304080.4A priority Critical patent/CN104866844B/zh
Publication of CN104866844A publication Critical patent/CN104866844A/zh
Application granted granted Critical
Publication of CN104866844B publication Critical patent/CN104866844B/zh
Expired - Fee Related legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/50—Context or environment of the image
    • G06V20/52—Surveillance or monitoring of activities, e.g. for recognising suspicious objects
    • G06V20/53—Recognition of crowd images, e.g. recognition of crowd congestion

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Multimedia (AREA)
  • Theoretical Computer Science (AREA)
  • Image Analysis (AREA)

Abstract

本发明涉及一种面向监控视频的人群聚集检测方法。首先通过像素点灰度统计和边缘一致性测算实现前景区域的可靠提取，然后使用基于区域归一化的改进Haar人体检测方法提取包含人体的前景区域，最后通过统计包含人体的前景区域的Fast特征点的分布特性实现人群聚集检测。基于像素点灰度统计和边缘一致性的前景提取方法，初始训练时间短，虚警率低。区域归一化的人体检测方法，不同尺寸的待检测区域归一化后的外扩范围相同，兼顾了检测精度和效率。基于Fast特征点的区域特征提取与人群聚集检测，使用区域面积作为加权依据，实际系统中可操作性强；使用特征点加权值表征人体可有效克服遮挡，适应性强。

Description

一种面向监控视频的人群聚集检测方法
技术领域
本发明属于面向公共安全预警的视频图像处理领域，具体涉及一种人群聚集检测方法。
背景技术
视频监控被广泛应用于公共安全领域，为公共安全管理业务中的预警与查证提供了有力的数据于技术支撑。人群聚集检测目的在于从实时监视视频中快速发现大量人体的聚集情况，预防因拥挤导致的各类突发事件，对于维护社会稳定有重要作用。
目前面向视频监控的人群聚集检测的智能化水平还比较低，应用受限。专利200710041086使用背景差法提取前景目标，使用特征匹配判断前景人体目标，通过统计前景人体目标的个数实现聚集检测；专利201110329227首先提取前景，然后通过计算前景势能与单个人体平均势能之比来估算局部人体聚集情况，这两种方法仅适用于无遮挡的低密度人体场景检测。专利201210064543通过提取前景区域的SURF特征点，再对特征点进行聚类来判断人体数量；文献“利用归一化前景和二维联合熵的人群聚集检测方法（武汉大学学报信息科学版，2013.09）”通过计算前景区域二维联合熵来统计场景中的人群密度，这两种方法一定程度解决了遮挡问题，但是不能消除非人体前景目标干扰。文献“多种人群密度场景下的人群计数（中国图象图形学报，2013.04）”采用回归模型估计场景中的人数，可以估计特定场景下的人群密度，但是训练过程较为复杂，场景适应性差。
发明内容
针对人群聚集检测的技术需求，本发明提出了面向监控视频的人群聚集检测方法，该方法首先通过像素点灰度统计和边缘一致性测算实现前景区域的可靠提取，然后使用基于区域归一化的改进Haar人体检测方法提取包含人体的前景区域，最后通过统计包含人体的前景区域的Fast特征点的分布特性实现人群聚集检测。
下面对本发明中的技术方案阐述如下：
1、基于像素点灰度统计和边缘一致性测算的可靠前景提取方法
视频中前景和背景的灰度分布区间存在差异，利用这种差异可以提取出前景区域。当提取结果正确时，提取到的区域边缘和实际前景的边缘较为相似，据此可以消除前景提取中的虚假目标。具体流程为：
Step1：利用第一帧的随机采样结果生成初始背景序列
其中为像素坐标，为背景序列中的序号，为随机函数，取值范围为；
Step2：对于新输入的视频帧，计算每一个像素点灰度和背景序列对应像素点灰度差异，如果差异超过给定阈值的次数超过两次，则该点被判定为前景点，否则为背景点；
Step3：对得到前景提取结果以的模板进行一次开运算和闭运算，得到滤波后的前景；
Step4：使用Sobel算子提取当前帧的边缘和滤波后的前景边缘，对于每一个滤波后的前景边缘点，计算其邻域内的当前帧边缘点数量，如果数量大于4，则该点为有效边缘点；
Step5：对于每一个滤波后的前景区域，统计其有效边缘点总数和所有边缘点总数之比，如果比值超过60%，则该滤波后的前景区域为有效区域，反之为虚假区域；
Step6：利用当前背景区域像素点的灰度值随机更新背景序列中对应像素点的一个采样值。
2、基于区域归一化的改进Haar人体检测方法
基于Haar分类器的人体检测是常用的人体检测方法，为消除目标远近对检测结果的差异，将提取到的前景区域缩放到同一尺度下是通常的做法，但是由于区域提取算法可能存在提取不全的问题，需要对图像区域进行对应的扩充，具体处理流程如下：
Step1：预先训练好用于人体检测的Haar分类器，确定人体图像的最大宽度和最大高度；
Step2：依据待检测前景区域的宽度和高度，确定缩放尺度；
Step3：使用对整个输入图像进行缩放，将缩放后的前景区域对应位置上、下、左、右各扩充20个像素的区域作为待检测的目标区域；
Step4：使用训练好的Haar分类器对待检测区域进行检测，确定人体区域。
3、基于前景区域Fast特征点分布特性的人群聚集检测方法
在视频图像中，人群越密集，对应区域的纹理就越复杂，局部极值点就越多，通过局部极值点来表征人群密集程度，可有效解决多人遮挡问题，考虑到目标距摄像机距离不同时对可用的特征点数量存在差异，依据目标位置对特征点权重进行补偿。具体实施步骤为：
Step1：单个测试人员在场景中从最近点运动到最远点，将最近点的权值设为1，将其余点的权值设为最近点目标区域面积与当前点目标区域面积的比值；
Step2：提取前景人体区域的FAST特征点；
Step3：将所有特征点乘以其权值，求取所有加权和；
Step4：当输入视频帧的加权和连续50次超过预设阈值，则判断发生聚集。
本发明的优点在于：
1、基于像素点灰度统计和边缘一致性的前景提取方法
初始训练时间短，虚警率低。
2、区域归一化的人体检测方法
不同尺寸的待检测区域归一化后的外扩范围相同，兼顾了检测精度和效率。
3、基于Fast特征点的区域特征提取与人群聚集检测
（1）使用区域面积作为加权依据，实际系统中可操作性强；
（2）使用特征点加权值表征人体可有效克服遮挡，适应性强。
附图说明
图1是本发明实施例的整体示意图；
图2是本发明基于像素点灰度统计和边缘一致性的前景提取方法的示意图。
具体实施方式
下面结合图示，对本发明的优选实施例作详细介绍。
本发明的人群聚集检测工作流程如图1所示，首先获取一帧视频数据；然后进行前景提取和人体检测得到前景人体区域；然后提取人体区域的Fast特征点并计算其加权和；最后根据加权和的大小判断是否出现人体聚集。
应当理解的是，对本领域普通技术人员来说，可以根据上述说明加以改进或变换，比如更改应用领域等，而所有这些改进和变换都应属于本发明所附权利要求的保护范围。
本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

Claims (1)

1.一种面向监控视频的人群聚集检测方法，针对人群聚集检测，其特征在于，首先通过像素点灰度统计和边缘一致性测算实现前景区域的可靠提取，然后使用基于区域归一化的改进Haar人体检测方法提取包含人体的前景区域，最后通过统计包含人体的前景区域的Fast特征点的分布特性实现人群聚集检测，具体如下：
(1)、基于像素点灰度统计和边缘一致性测算的可靠前景提取，
视频中前景和背景的灰度分布区间存在差异，利用这种差异提取出前景区域，当提取结果正确时，提取到的区域边缘和实际前景的边缘较为相似，据此消除前景提取中的虚假目标；
(2)、基于区域归一化的改进Haar人体检测
基于Haar分类器的人体检测是常用的人体检测方法，为消除目标远近对检测结果的差异，将提取到的前景区域缩放到同一尺度下，但是由于区域提取算法存在提取不全的问题，需要对图像区域进行对应的扩充；
(3)、基于前景区域Fast特征点分布特性的人群聚集检测
在视频图像中，人群越密集，对应区域的纹理就越复杂，局部极值点就越多，通过局部极值点来表征人群密集程度，可有效解决多人遮挡问题，考虑到目标距摄像机距离不同时对可用的特征点数量存在差异，依据目标位置对特征点权重进行补偿；
所述基于像素点灰度统计和边缘一致性测算的可靠前景提取具体流程为：
Step1：利用第一帧I1(x,y)的随机采样结果生成初始背景序列IB(n)(x,y)
IB(n)(x,y)＝I1(x+Random(n),y+Random(n))
其中(x,y)为像素坐标，n为背景序列中的序号，Random(n)为随机函数，取值范围为{-1,0,1}；
Step2：对于新输入的视频帧Ii(x,y)，计算每一个像素点灰度和背景序列对应像素点灰度差异，如果差异超过给定阈值Th1的次数超过两次，则该点被判定为前景点，否则为背景点；
Step3：对得到前景提取结果以3×3的模板进行一次开运算和闭运算，得到滤波后的前景；
Step4：使用Sobel算子提取当前帧的边缘和滤波后的前景边缘，对于每一个滤波后的前景边缘点，计算其3×3邻域内的当前帧边缘点数量，如果数量大于4，则该点为有效边缘点；
Step5：对于每一个滤波后的前景区域，统计其有效边缘点总数和所有边缘点总数之比，如果比值超过60％，则该滤波后的前景区域为有效区域，反之为虚假区域；
Step6：利用当前背景区域像素点的灰度值随机更新背景序列中对应像素点的一个采样值；
所述基于区域归一化的改进Haar人体检测具体处理流程如下：
Step2.1：预先训练好用于人体检测的Haar分类器，确定人体图像的最大宽度Width_Max和最大高度Height_Max；
Step2.2：依据待检测前景区域的宽度Width_FG和高度Height_FG，确定缩放尺度Scale；
<mrow> <mi>S</mi> <mi>c</mi> <mi>a</mi> <mi>l</mi> <mi>e</mi> <mo>=</mo> <mi>m</mi> <mi>i</mi> <mi>n</mi> <mo>{</mo> <mfrac> <mrow> <mi>W</mi> <mi>i</mi> <mi>d</mi> <mi>t</mi> <mi>h</mi> <mo>_</mo> <mi>F</mi> <mi>G</mi> </mrow> <mrow> <mi>W</mi> <mi>i</mi> <mi>d</mi> <mi>t</mi> <mi>h</mi> <mo>_</mo> <mi>M</mi> <mi>a</mi> <mi>x</mi> </mrow> </mfrac> <mo>,</mo> <mfrac> <mrow> <mi>H</mi> <mi>e</mi> <mi>i</mi> <mi>g</mi> <mi>h</mi> <mi>t</mi> <mo>_</mo> <mi>F</mi> <mi>G</mi> </mrow> <mrow> <mi>H</mi> <mi>e</mi> <mi>i</mi> <mi>g</mi> <mi>h</mi> <mi>t</mi> <mo>_</mo> <mi>M</mi> <mi>a</mi> <mi>x</mi> </mrow> </mfrac> <mo>}</mo> </mrow>
Step2.3：使用Scale对整个输入图像进行缩放，将缩放后的前景区域对应位置上、下、左、右各扩充20个像素的区域作为待检测的目标区域；
Step2.4：使用训练好的Haar分类器对待检测区域进行检测，确定人体区域；
所述基于前景区域Fast特征点分布特性的人群聚集检测具体实施步骤为：
Step3.1：单个测试人员在场景中从最近点运动到最远点，将最近点的权值设为1，将其余点的权值设为最近点目标区域面积与当前点目标区域面积的比值；
Step3.2：提取前景人体区域的FAST特征点；
Step3.3：将所有特征点乘以其权值，求取所有加权和；
Step3.4：当输入视频帧的加权和连续50次超过预设阈值Th2，则判断发生聚集。
CN201510304080.4A 2015-06-05 2015-06-05 一种面向监控视频的人群聚集检测方法 Expired - Fee Related CN104866844B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201510304080.4A CN104866844B (zh) 2015-06-05 2015-06-05 一种面向监控视频的人群聚集检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201510304080.4A CN104866844B (zh) 2015-06-05 2015-06-05 一种面向监控视频的人群聚集检测方法

Publications (2)

Publication Number Publication Date
CN104866844A CN104866844A (zh) 2015-08-26
CN104866844B true CN104866844B (zh) 2018-03-13

Family

ID=53912665

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201510304080.4A Expired - Fee Related CN104866844B (zh) 2015-06-05 2015-06-05 一种面向监控视频的人群聚集检测方法

Country Status (1)

Country Link
CN (1) CN104866844B (zh)

Families Citing this family (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106022219A (zh) * 2016-05-09 2016-10-12 重庆大学 一种非垂直俯视视角的人群密度检测方法
CN106156749A (zh) * 2016-07-25 2016-11-23 福建星网锐捷安防科技有限公司 基于选择性搜索的人脸检测方法及装置
CN111242096B (zh) * 2020-02-26 2023-04-18 贵州安防工程技术研究中心有限公司 基于人数梯度的人群聚集的判别方法
CN113255430A (zh) * 2021-03-31 2021-08-13 中交第二公路勘察设计研究院有限公司 基于深度学习的视频中人群分布检测与计数方法

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102890791A (zh) * 2012-08-31 2013-01-23 浙江捷尚视觉科技有限公司 基于深度信息聚类的复杂场景人数统计方法
CN103164711A (zh) * 2013-02-25 2013-06-19 昆山南邮智能科技有限公司 基于像素和支持向量机的区域人流密度估计的方法
CN103577875A (zh) * 2013-11-20 2014-02-12 北京联合大学 一种基于fast的计算机辅助cad人数统计方法
CN103679148A (zh) * 2013-12-11 2014-03-26 哈尔滨工业大学深圳研究生院 一种基于聚类角点加权面积的群体聚散检测的方法与装置

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
TWI482123B (zh) * 2009-11-18 2015-04-21 Ind Tech Res Inst 多狀態目標物追蹤方法及系統

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102890791A (zh) * 2012-08-31 2013-01-23 浙江捷尚视觉科技有限公司 基于深度信息聚类的复杂场景人数统计方法
CN103164711A (zh) * 2013-02-25 2013-06-19 昆山南邮智能科技有限公司 基于像素和支持向量机的区域人流密度估计的方法
CN103577875A (zh) * 2013-11-20 2014-02-12 北京联合大学 一种基于fast的计算机辅助cad人数统计方法
CN103679148A (zh) * 2013-12-11 2014-03-26 哈尔滨工业大学深圳研究生院 一种基于聚类角点加权面积的群体聚散检测的方法与装置

Also Published As

Publication number Publication date
CN104866844A (zh) 2015-08-26

Similar Documents

Publication Publication Date Title
CN107330372B (zh) 一种基于视频的人群密度与异常行为检测系统的分析方法
CN102542289B (zh) 一种基于多高斯计数模型的人流量统计方法
US9754160B2 (en) Method and device for detecting gathering of objects based on stereo vision as well as non-transitory computer-readable medium
WO2015131734A1 (zh) 一种前视监视场景下的行人计数方法、装置和存储介质
CN103077423B (zh) 基于视频流的人群数量估计、局部人群聚集状态以及人群跑动状态检测方法
CN106203513B (zh) 一种基于行人头肩多目标检测及跟踪的统计方法
CN104658152B (zh) 一种基于视频的运动物体入侵报警方法
CN104866841B (zh) 一种人体目标奔跑行为检测方法
CN103530893A (zh) 相机抖动场景下基于背景差和运动信息的前景检测方法
CN105654516B (zh) 基于目标显著性的卫星图像对地面弱小运动目标检测方法
CN104866843B (zh) 一种面向监控视频的蒙面人脸检测方法
Tan et al. Fast anomaly detection in traffic surveillance video based on robust sparse optical flow
CN103400142B (zh) 一种行人计数方法
CN104866844B (zh) 一种面向监控视频的人群聚集检测方法
CN104951793B (zh) 一种基于stdf特征的人体行为识别方法
CN102930248A (zh) 基于机器学习的人群异常行为检测方法
CN104036250B (zh) 视频行人检测与跟踪方法
CN106022234B (zh) 基于光流计算的异常拥挤行为检测算法
CN105893963B (zh) 一种筛选视频中单个行人目标的最佳易识别帧的方法
CN103971135A (zh) 基于头肩深度信息特征的人体目标检测方法
CN105554462A (zh) 一种遗留物检测方法
CN104616006A (zh) 一种面向监控视频的胡须人脸检测方法
CN103475800B (zh) 图像序列中前景的检测方法和装置
CN105023019A (zh) 一种用于视频监控自动探测人群异常行为的特征描述方法
CN104239908A (zh) 基于自适应阈值的智能乘客流量自动统计方法

Legal Events

Date Code Title Description
C06 Publication
PB01 Publication
EXSB Decision made by sipo to initiate substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant
CF01 Termination of patent right due to non-payment of annual fee

Granted publication date: 20180313

CF01 Termination of patent right due to non-payment of annual fee