一种基于视频流图像处理的人数统计方法技术领域
本发明属于视频图像处理及识别技术领域，特别涉及一种基于视频流图像处理的人数统计方法。
背景技术
人数统计是运动目标检测与跟踪技术的一个重要应用，也是当今智能视觉系统研究中一个十分活跃的新领域。传统的人数统计方法是利用人工计数或人工电子设备触发计数，随着信息化时代的到来，发展一种智能化的人数统计方法显得十分必要。
智能化人数统计技术就是利用计算机视觉和图像处理的方法建立一个智能管理系统，在不需要人的干预、或者只需要很少干预的情况下，通过对摄像机拍录的视频序列进行分析来实现行人的定位、跟踪并在此基础上进行精确的人数统计，进一步判定人流量的动向，做到了既能完成日常管理又能在发生异常情况时及时做出反应，从而提供了一种加先进和可行的智能处理方案。
基于视频流图像处理的人数统计方法不仅具有很强的科学研究价值，还具有很强的实用价值，其成本低，使用周期长，统计的准确率高，目前国内外正对此做大量的研究工作。
中国专利03109626.3，名称为“微小昆虫自动技术系统”的发明专利公开了一种微小昆虫的自动计数系统。然而该发明仅仅是在特定的背景环境及特定区域中实现对特定目标体的自动计数。这种针对特定目标体的计数技术并不能满足公共区域各种环境中对不断变化的人流量统计的需求。
有鉴于此，有必要对现有技术中公共区域中的人数统计方法予以改进，以解决上述问题。
发明内容
本发明的目的在于提供一种基于视频流图像处理的人数统计方法，用以提高公共区域内的实时人数统计的效率与准确度。
为实现上述目的，本发明提供了一种基于视频流图像处理的人数统计方法，该方法包括以下步骤：
S1、获取监控区域的视频流图像作为输入图像；
S2、通过中值滤波处理去除所述输入图像中的噪声，并进行直方图均衡化处理，以提高步骤S1中所获取的输入图像的对比度；
S3、根据步骤S2中所获取的高对比度的输入图像，通过高斯背景建模法分割出运动目标区域；
S4、对分割出的运动目标区域通过腐蚀平滑算子进行腐蚀平滑运算，得到运动目标轮廓；
S5、将若干圆环模板对步骤S4中获取的运动目标轮廓进行扫描，并进行共圆重合度HO计算，以提取出人头轮廓；
S6、对人头轮廓计数，以得到人数。
作为本发明的进一步改进，所述步骤S1具体为：通过摄像机获取监控区域的视频流图像作为输入图像，所述监控区域位于摄像机的斜下方。
作为本发明的进一步改进，所述步骤S3中的高斯背景建模法具体为：使用递推法来计算高斯分布参数，并对其采用不同的更新率α、β进行更新运算，所述高斯分布参数包括平均值μ和方差σ2，该更新运算公式为：
其中，α、β∈[0,1]，且α>β。
作为本发明的进一步改进，所述步骤S4中腐蚀平滑运算为：运用3×3大小的腐蚀平滑算子对运动目标区域进行腐蚀平滑运算，得到运动目标轮廓。
作为本发明的进一步改进，所述步骤S5具体为：根据步骤S4中所获取的运动目标轮廓，用若干圆环模板对所述运动目标轮廓进行扫描，以提取出圆环模板区域内的运动目标轮廓点，并将所提取出的运动目标轮廓点与圆环模板进行共圆重合度HO计算，然后将该共圆重合度HO与设定阈值T作比较，
若共圆重合度HO大于或等于设定阈值T，提取出该人头轮廓，
若共圆重合度HO小于设定阈值T，不提取出该人头轮廓，
所述共圆重合度HO的计算公式为：
其中， HCN为圆环模板区域内的运动目标轮廓点总和，r1和r2分别为该圆环模板的内半径与外半径。
作为本发明的进一步改进，所述设定阈值T为80%。
作为本发明的进一步改进，所述圆环模板的内半径r1与外半径r2之间的差值为10个像素点。
与现有技术相比，本发明的有益效果是：通过本发明，可对超市、商场、车站、银行等人流量巨大的场所进行实时人数的统计，从而有效地提高了公共区域内的实时人数统计的效率与准确度。
附图说明
图1为本发明一种基于视频流图像处理的人数统计方法一具体实施方式中的流程示意图；
图2为图1所示的获取监控区域的视频流图像的工作原理示意图；
图3为图1所示的中值滤波处理去除输入图像中的噪声的原理图；
图4为图1所示的腐蚀平滑运算的工作原理示意图；
图5为图4所示的腐蚀平滑算子示意图；
图6为图4所示的腐蚀平滑运算的效果图；
图7为图1所示的圆环模板的示意图；
图8为图1所示的圆环模板对运动目标轮廓进行扫描的原理图。
具体实施方式
下面结合附图所示的各实施方式对本发明进行详细说明，但应当说明的是，这些实施方式并非对本发明的限制，本领域普通技术人员根据这些实施方式所作的功能、方法、或者结构上的等效变换或替代，均属于本发明的保护范围之内。
参图1所示，图1为本发明一种基于视频流图像处理的人数统计方法具体实施方式中的流程示意图。在本实施方式中，一种基于视频流图像处理的人数统计方法，该方法包括以下步骤：
S1、获取监控区域的视频流图像作为输入图像。
关于公共区域内的人数统计的方法，常用的有基于运动特性的方法、基于形状信息的方法、基于行人模型、结构元素的方法、立体视觉的方法、神经网络的方法、小波和支持向量机的方法等。
参图2所示，本发明一种基于视频流图像处理的人数统计方法是基于摄像机垂直拍摄并适用于室外情况和室内情况。在本实施方式中，该步骤S1具体为：通过摄像机10获取监控区域30的视频流图像作为输入图像，所述监控区域30位于摄像机10的正下方。
具体的，摄像机10设置在出入口20的正上方，行人可沿着箭头201的方向上在出入口20中来回走动。摄像机10所获取的监控区域30可完全覆盖出入口20的全部区域。
在本实施方式中，该监控区域30为一正方形，当然也可以为矩形或圆形或者其他形状。摄像机10位于监控区域30的中心点301的斜上方，由此我们可以推导出该监控区域30位于摄像机10的斜下方。
S2、通过中值滤波处理去除视频流图像的噪声，并进行直方图均衡化处理，以提高步骤S1中所获取的输入图像的对比度。
中值滤波是一种非线性平滑滤波，其主要起到保护图像边缘的同时，又能去除输入图像中的噪声。所谓中值滤波处理，是指把以输入图像中的某个像素点( x , y )为中心的小窗口内的所有像素点的灰度按从大到小的顺序排列，将中间值作为( x , y )处的灰度值。若窗口中有偶数个像素点，则取两个中间值的平均值。
如图3所示，图3表明了中值滤波算法如何消除输入图像中的噪声。图3中左侧示意图中的数字代表该输入图像中被选取的像素点（x,y）的灰度。可以看出原图中间的“8”和周围的灰度相差很大，它可认为是一个噪声。经过 3×3 窗口（即9个像素取中间值）的中值滤波处理，以得到图3中的右侧示意图。从中我们可以看出，图3中左侧示意图的噪声被成功去除，以得到图3中右侧的示意图。
中值滤波处理在一定的条件下可以克服线性滤波（例如：平均滤波等）所带来的图像细节模糊问题，可以有效过滤掉脉冲干扰和图像扫描所产生的噪声。在保持输入图像原有清晰轮廓的同时，又能把输入图像的噪声去除，尤其对椒盐噪声和脉冲噪声有较佳效果。
但中值滤波处理去处理输入图像中的噪声会导致输入图像的对比度下降。因此，在通过中值滤波处理输入图像中的噪声后，需要提高该输入图像的对比度，用于后续图像处理。在本实施方式中，可采用直方图均衡化处理，以提高步骤S1中所获取的输入图像的对比度。
直方图均衡化处理是把步骤S2中的中值滤波处理后的输入图像的直方图分布改变成均匀分布的直方图，以得到全局均衡化的直方图。输入图像中灰度级为rk 的各像素映射到输出图像中灰度级为sk 的对应像素的公式为公式（1），
（1）
其中，r为中值滤波处理后的输入图像的灰度，s为经直方图修正后的图像灰度；n 是图像中像素总和，nk是灰度级为rk 的像素个数，L为图像中可能的灰度级总数。
S3、根据步骤S2中所获取的高对比的输入图像，通过高斯背景建模法分割出运动目标区域。
高斯分布背景模型中，静止的像素点的灰度值满足高斯分布，即以某个均值为基准在其附近做不超过一定偏差的振荡。场景中的各个像素点都采用高斯分布建立背景模型，对于新一帧视频流图像中的各个像素点，根据其像素值是否与它的背景高斯分布相匹配，判断它是前景像素点还是背景像素点。属于背景像素的任一像素点( x , y )，其灰度值 I 满足均值为μ，方差为σ2 的高斯分布。因此，坐标值为( x , y )，灰度值为 I 的某个像素点属于背景像素的概率为：
对于任意像素点( x , y )，若其灰度值 I 属于背景像素的概率 p ( x , y )小于某个设定阈值U，则被认为是前景点；若否，认为它是背景点。在本实施方式中，该设定阈值U可设定为90%。
如果一个静止的场景中发生了光照改变或者一个长时间静止的物体开始移动，则图像上对应于该物体未移动前位置的像素点将被认为是前景点，这将在后期目标跟踪中产生累积性的错误，这就需要高斯模型能够响应这些变换。也就是要求利用视频序列提供的信息来对高斯模型的参数进行更新。当背景估计图像的初始化完成后，随着每一帧的新图像的到来，为了不断自适应地更新背景图像的高斯分布参数。
在本实施方式中，对高斯背景建模法加以改进，使用递推法来计算高斯分布参数均值μ和方差σ2，且对μ和方差σ2 采用不同的更新率α，β进行更新，该频率更新公式为：
其中，α，β∈[0,1]，且α>β。优选的，α为0.005，β为0.003。
S4、对分割出的运动目标区域通过腐蚀平滑算子进行腐蚀平滑运算，得到运动目标轮廓。
经过S3步骤处理过的图像为二值图像。其中，属于运动目标区域的像素点为白色，属于背景的像素点为黑色。由于提取出来的运动目标区域基本为实体区域，所以需要对其进行进一步处理。在本实施方式中，运用了腐蚀平滑算子进行腐蚀平滑运算，以得到运动目标轮廓。
参图4与图5所示，在本实施方式中，腐蚀平滑运算是检查3×3窗口内图像结构的细节，其中P为当前点，P0-P7为其8个邻接点。腐蚀平滑运算的准则为：当P=255（即P为白色像素），如果P0、P1、P2、P3、P4、P5、P6、P7都等于255（即都为白色像素），则P变为0（即变成黑色像素）。
结合图6所示，通过腐蚀平滑算子进行腐蚀平滑运算，以将图6中左侧的运动目标区域提取出，以得到如图6中右侧所示的运动目标轮廓。
S5、将若干圆环模板对步骤S4中获取的运动目标轮廓进行扫描，并进行共圆重合度HO计算，以提取出人头轮廓。
经过S4步骤的处理，运动目标轮廓已经被提取了出来，运动目标轮廓包含了人体的各个部分，而我们需要找的是运动目标轮廓的人头轮廓，而人头轮廓区别于人体其它部分轮廓的最大特征就是共圆特性，即人头轮廓是圆形或是近似圆形。
结合图7与图8所示，在本实施方式中，所述步骤S5具体为：根据步骤S4中所获取的运动目标轮廓，用若干圆环模板60对所述运动目标轮廓进行扫描，以提取出圆环模板60区域内的运动目标轮廓点601，并将所提取出的运动目标轮廓点601与圆环模板60进行共圆重合度HO计算，然后将该共圆重合度HO与设定阈值T作比较，
若共圆重合度HO大于或等于设定阈值T，提取出该人头轮廓，
若共圆重合度HO小于设定阈值T，不提取出该人头轮廓，
所述共圆重合度HO的计算公式为：
其中，HCN为圆环模板60区域内的运动目标轮廓点601总和，r1和r2分别为该圆环模板60的内半径与外半径。
在本实施方式中，该圆环模板60是若干以r为半径的圆形的组合（即r1<r<r2）。其中，r1和r2是该圆环模板60的内半径与外半径。更具体的，每一组圆环模板60中的内半径r1与外半径r2之间的差值为10个像素点。
S6、对人头轮廓计数，以得到人数。
在本实施方式中，通过步骤S5中用圆环模板60对运动目标轮廓进行扫描，若该运动目标轮廓与圆环模板60的共圆重合度HO大于或者等于设定阈值T，则认为是人头区域，并计数为1；同时排除掉已经确定为人头区域的该运动目标轮廓，然后继续第二次扫描。以此类推，直到扫描到的共圆重合度HO小于设定阈值T时停止扫描，并停止计数。因此，之前扫描出的所有人头区域的个数就是在特定时间段内的监控区域30中所获取的视频流图像中的人数。
上文所列出的一系列的详细说明仅仅是针对本发明的可行性实施方式的具体说明，它们并非用以限制本发明的保护范围，凡未脱离本发明技艺精神所作的等效实施方式或变更均应包含在本发明的保护范围之内。
对于本领域技术人员而言，显然本发明不限于上述示范性实施例的细节，而且在不背离本发明的精神或基本特征的情况下，能够以其他的具体形式实现本发明。因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本发明的范围由所附权利要求而不是上述说明限定，因此旨在将落在权利要求的等同要件的含义和范围内的所有变化囊括在本发明内。不应将权利要求中的任何附图标记视为限制所涉及的权利要求。
此外，应当理解，虽然本说明书按照实施方式加以描述，但并非每个实施方式仅包含一个独立的技术方案，说明书的这种叙述方式仅仅是为清楚起见，本领域技术人员应当将说明书作为一个整体，各实施例中的技术方案也可以经适当组合，形成本领域技术人员可以理解的其他实施方式。