CN106022219A - 一种非垂直俯视视角的人群密度检测方法 - Google Patents

Abstract

该发明提供了一种非垂直俯视视角的人群密度检测方法，它将背景差分法与三帧差分法相结合对目标图像进行前景提取，然后运用Canny算子对图像进行边缘检测。再运用图像分割技术对视频图像进行分层处理，再分别统计不同层次图像的边缘像素总和，根据与不同层次的临界值的比较，得到各个层次的人群密度信息。根据不同层次图像与摄像头的位置关系对其加权，最终求各层次人群密度信息加权均值，得到整个检测区域的人群密度信息。本方法可以在保证较大检测视角的基础上，有效解决在非垂直俯视视角的人群密度检测效率与检测精度相矛盾的问题，适用于人群密度较大的公共场所。

Description

一种非垂直俯视视角的人群密度检测方法

技术领域

本发明属于图像处理技术领域，涉及一种非垂直俯视视角的人群密度检测方法，可用于大型公共场所较大范围内的人群密度检测。

背景技术

近年来，随着经济持续稳定发展，人们物质文化需要的提高，城市公共场所作为经济文化的主要载体承担着各种商业活动，娱乐活动，文化活动，交通运输活动，体育活动，宗教活动。城市公共场所数量的迅速发展，规模越来越大，人群聚集活动越来越多的出现在各种公共场所中，聚集人群的安全问题已经引起人们的高度重视。大型公共场所人群高度密集，一旦发生灾害，将造成严重的人员伤亡。踩踏事件是由于有限区域内人群密度过大引发的严重事故，每年我国因踩踏事件造成的人员伤亡都比较严重，也造成了较坏的社会影响。在传统公共安全领域，一般是用现场警力人为控制人群密度，效率较低，没有一个长期有效的办法，现利用智能视频检测技术监控人流密度较大的场所是解决这一问题的有效办法。因此，研究面向大型公共场所的人群密度检测问题有很强的现实意义。

现有的基于视频的人群密度检测方法主要包括有两种：一种是基于图像的像素特征，另一种是基于图像的纹理特征。基于像素特征的人群密度检测算法是通过找图像像素与人群人数的对应关系来分析成群密度，这种方法计算简单，复杂度低，但是当摄像头视角过大、人群过于密集时，由于近大远小的局限性，这种方法的误差比较大，所以只适用于类垂直俯视视角下的人群密度检测，检测范围过小。基于纹理特征的人群密度检测算法是通过分析图像的纹理，根据不同的纹理特征对应不同的密度等级，虽然这种方法在大视角计算时准确度好，但是标定环节复杂，计算量大。

在公共场所中，大多数摄像头视角为非垂直俯视视角，以增大检测区域。但是在此视角下，基于像素特征的方法精度较低，不能满足实际需求；基于纹理特征的方法复杂度太大，计算成本过高。因此，特别需要一种改进的人群密度检测方法，以解决现有技术存在的不足。

发明内容

本发明的目的在于提供一种非垂直俯视视角的人群密度检测方法，针对现有技术的不足，可以同时获得较高的运算效率和准确度。该方法在人群密度检测的过程中，先运用图像分割技术对视频图像进行分层处理，再基于像素特征的方法分别对不同层次的图像进行人群密度检测，将每个层次的人群密度信息进行汇总处理，得到最终的人群密度信息。

本发明所解决的技术问题可以采用以下技术方案来实现：

一种非垂直俯视视角的人群密度检测方法，其特征在于，它包括如下步骤：步骤一：获取实时视频图像；步骤二：将背景差分法与三帧差分法相结合对目标图像进行前景提取；步骤三：运用Canny算子对图像进行边缘检测；步骤四：边缘提取后，按照远近关系将图像分为有限层；步骤五：对不同层边缘图像分别统计边缘像素总和，并分别与不同临界值的比较，得到不同层的人群密度信息；步骤六：将各层人群密度信息汇总，根据相关位置关系，得到整个检测区域的人群密度信息。

(1)进一步，在步骤一所述的获取视频图像的过程中，要使摄像头尽量覆盖到需要检测的区域，并且要求图像要有一定的精度。摄像头可以不与地面保持垂直视角，以获取较大的检测区域，并以此固定的角度与位置对该区域进行监测。

(2)进一步，步骤二所述的将背景差分法与三帧差分法相结合进行前景提取是指：21：利用背景差分法得到图像的结果为D(x,y)；22：利用三帧差分法得到的结果为ΔF(x,y)；23：目标图像的前景为背景差分得到的结果与三帧差分得到的结果相或，即为D(x,y)∪ΔF(x,y)。

(3)进一步，步骤三中所述的运用Canny算子对图像进行边缘检测是指：31：选择合适的高斯滤波器参数δ，利用二维高斯函数对原始图像进行高斯平滑滤波，得到图像G；32：对G进行梯度计算，得到幅值图像P(由梯度大小组成)和方向图像θ(由梯度方向组成)；33：以点为中心的局部范围内沿梯度方向进行插值求取，选择最大的点为边缘点，以此进行非极大值抑制排除一部分非边缘点，得到新的边缘；34：设置阈值T_H和T_L进行双门限检测，如果图像像素值大小大于T_H的值，则其为边缘点，如果图像像素值大小小于T_L的值，则其不是边缘点。

(4)进一步，步骤四中所述按照远近关系将图像分为有限层是指，既要使分层后能显著提高检测的准确性，又不能因为分得过细而明显增加算法的计算量。

(5)进一步，步骤五所述的不同层边缘图像分别统计边缘像素总和是指：51：边缘提取后统计边缘像素总和，并分别选择合适的顶值T_i进行比较，得到该层次的人群密度信息。

(6)进一步，步骤六所述的将各层人群密度信息汇总是指将各层人群密度信息加权整合，得到反映整个检测区域内人群密度的信息。

本发明的有益效果在于：(1)结合了背景差分法与三帧差分法的优点，既有完整的运动信息，稳定性也很好，避免了背景差分法稳定性差和三帧差分运动信息不完整的缺点。(2)先利用图像分割技术对图像进行了分层，再分别基于像素特征进行人群密度检测。这既保留了基于像素特征方法的简易性，又减少了其近大远小的影响，提升了算法的准确性。使其在非垂直俯视视角下也很较好的检测效果。

附图说明

为了使本发明的目的、技术方案和优点更加清楚，下面将结合附图对本发明作进一步的详细描述，其中：

图1为非垂直俯视视角的人群密度检测方法框架图。

图2为Canny算法流程图。

图3为非垂直俯视视角的分层示意图。

图4为图像分层效果图。

具体实施方式

下面将结合附图，对本发明的优选实施例进行详细的描述。

图1为非垂直俯视视角的人群密度检测方法框架图，本方法包括以下步骤：

S1：实施例中首先通过已经标定好的摄像头得到视频图像，再通过背景差分法与三帧差分法相结合进行前景提取，具体步骤如下：

S11：事先将视频序列中不含运动前景物体的一帧或多帧的平均作为已知背景图像B(x,y)；

S12：将要检测的任意时刻的运动前景图像C(x,y)与已经保存的背景图像进行像素大小相减，得到提取出的运动前景D(x,y)。具体公式为：

D(x,y)＝C(x,y)-B(x,y)

S13：选取阈值为T_i，则：

S14：再用原始图像第(k+1)帧灰度值减去第k帧灰度值取绝对值，然后选取合适的阈值T_i′，得到二值图像ΔF₁(x,y)，再用第(k+2)帧灰度值减去第(k+1)帧灰度值取绝对值，用同样的阈值得到二值图像ΔF₂(x,y)。用公式表示为：

ΔF₁(x,y)＝|F₂(x,y)-F₁(x,y)|

ΔF₂(x,y)＝|F₃(x,y)-F₂(x,y)|

若选择阈值T_i′，则：

S15：用得到的二值图像ΔF₁(x,y)与ΔF₂(x,y)进行“与”运算，得到三帧差分法的处理结果ΔF(x,y)。用公式表示为：

ΔF(x,y)＝ΔF₁(x,y)∩ΔF₂(x,y)

S16：将背景差分法得到的结果与三帧差分得到的结果相或，即为最终提取到的运动前景D(x,y)∪ΔF(x,y)。

S2：利用Canny算子对原始图像进行边缘检测，具体的实施步骤如下：

S21：在边缘检测前，先用二维高斯函数对原始图像进行高斯平滑滤波，其中二维高斯函数如下：

$G(x,y)=\frac{1}{2{\mathrm{\π\δ}}^2}\exp \left(\frac{x^2+y^2}{2{\mathrm{\δ}}^2}\right)$

式中δ是高斯滤波器参数，主要用来控制平滑程度，选择合适的高斯滤波器参数可以兼顾较高的边缘精度与较高的图像信噪比，根据经验，这里取δ＝1。

S22：高斯滤波后得到图像G，对其进行梯度计算，可以得到幅值图像P(由梯度大小组成)和方向图像θ(由梯度方向组成)，那么在点(i,j)上x方向的偏导数P_x(i,j)和y方向的偏导数P_y(i,j)分别为：

P_x(i,j)＝(G(i,j+1)-G(i,j)+G(i+1,j+1)-G(i+1,j))/2

P_y(i,j)＝(G(i,j)-G(i+1,j)+G(i,j+1)-G(i+1,j+1))/2

S23:通过偏导数计算出点(i,j)出的梯度大小和梯度方向为：

$S(i,j)=\sqrt{P_x^2(i,j)+P_y^2(i,j)}$

$\mathrm{\θ}(i,j)=arctan\frac{P_x(i,j)}{P_y(i,j)}$

S24：以点为中心的局部范围内沿梯度方向进行插值求取，选择最大的点为边缘点，以此进行非极大值抑制排除一部分非边缘点，得到新的边缘。

S25：设置阈值T_H和T_L进行双门限检测，如果图像像素值大小大于T_H的值，则其为边缘点，如果图像像素值大小小于T_L的值，则其不是边缘点。根据边缘的连通性，在两阈值之间的点，如果点的相邻点中有边缘点，则该点也是边缘点，否则是非边缘点。

S3：按照远近关系，将图像分为有限层的具体操作步骤如下：

S31：如图3所示，根据检测区域与摄像头的高度及角度关系，分为不同的检测层。分层时的要求0＜α_i＜90°。其中α_i代表i层下边缘与摄像头中心连线与垂线的夹角。

S32：根据在图4中的效果图与实验数据，当分得的层数n＝5时，既能显著提高算法的检测精度，又不会明显增加算法的计算负担。据所以本方法取n＝5。

S4：根据传统研究证明，检测区域人越多，提取出来的运动前景图像像素值加起来总和越大，或者运动前景图像经过边缘检测的边缘像素点越多，同时也意味着像素总和越大。所以统计像素总和T_i0，与阈值T_i比较，得到该层区域的人群密度ρ_i。

${\mathrm{\ρ}}_i=\frac{T_{i0}}{T_i}$

S5：得到不同层区域的人群密度，离摄像头越近，在同样人群密度下，其得到的结果越大，为了消除这种影响，分别对不同区域的结果加权，距离越远权重越大，最终得到结果。

$\mathrm{\&rho;}=\underset{i=1}{\overset{5}{\&Sigma;}}{a}_i\&times;{\mathrm{\&rho;}}_i(0<a_i<1,a_{i+1}>a_i)$

其中a_i＝kα_iH,k可以根据实际的图像进行调节。

最后说明的是，以上优选实施例仅用以说明本发明的技术方案而非限制，尽管通过上述优选实施例已经对本发明进行了详细的描述，但本领域技术人员应当理解，可以在形式上和细节上对其作出各种各样的改变，而不偏离本发明权利要求书所限定的范围。

Claims (7)

1.一种非垂直俯视视角的人群密度检测方法，其特征包括如下步骤：

步骤一：将视频信息传送到计算机终端，获取实时视频图像；

步骤二：将背景差分法与三帧差分法相结合对目标图像进行前景提取；

步骤三：运用Canny算子对图像进行边缘检测；

步骤四：边缘提取后，按照远近关系将图像分为有限层；

步骤五：不同层边缘图像分别统计边缘像素总和

步骤六：整合各层次人群密度信息，得到整个区域的人群密度。

2.根据权利要求1所述的一种非垂直俯视视角的人群密度检测方法，其特征在于：在步骤一中，摄像头不与地面保持垂直俯视视角，以获得较大检测区域。并以此固定的角度与位置对该区域进行监测。

3.根据权利要求1所述的一种非垂直俯视视角的人群密度检测方法，其特征在于：在步骤二中，具体包括以下步骤：21：利用背景差分法得到图像的结果为D(x,y)；22：利用三帧差分法得到的结果为ΔF(x,y)；23：目标图像的前景为背景差分得到的结果与三帧差分得到的结果相或，即为D(x,y)∪ΔF(x,y)。

4.根据权利要求1所述的一种非垂直俯视视角的人群密度检测方法，其特征在于：在步骤三中，具体包括以下步骤：31：选择合适的高斯滤波器参数δ，利用二维高斯函数对原始图像进行高斯平滑滤波，得到图像G；32：对G进行梯度计算，得到幅值图像P(由梯度大小组成)和方向图像θ(由梯度方向组成)；33：以点为中心的局部范围内沿梯度方向进行插值求取，选择最大的点为边缘点，以此进行非极大值抑制排除一部分非边缘点，得到新的边缘；34：设置阈值T_H和T_L进行双门限检测，如果图像像素值大小大于T_H的值，则其为边缘点，如果图像像素值大小小于T_L的值，则其不是边缘点。

5.根据权利要求1所述的一种非垂直俯视视角的人群密度检测方法，其特征在于：在步骤四中，利用图像分割技术对待测图像进行分层处理，每一层下边缘与摄像头中心连线与垂线的夹角α_i需要满足0＜α_i＜90°。

6.根据权利要求1所述的一种非垂直俯视视角的人群密度检测方法，其特征在于：在步骤五中，具体包括以下步骤：51：边缘提取后统计边缘像素总和，并分别选择合适的顶值T_i进行比较，得到该层次的人群密度信息。

7.根据权利要求1所述的一种非垂直俯视视角的人群密度检测方法，其特征在于：在步骤六中，根据不同层次图像与摄像头的位置关系对其加权，各层权重a_i＝kα_iH，最终求各层次人群密度信息加权均值，得到整个检测区域的人群密度信息。