[發明專利]一種基于Bag-of-features模型的自學習行人計數方法及裝置

在審

• 申請號: 201310449781.8
• 申請日: 2013-09-27
• 公開（公告）號: CN104517127A
• 公開（公告）日: 2015-04-15
• 發明（設計）人: 黃磊;李靜雯
• 申請（專利權）人: 漢王科技股份有限公司
• 主分類號: G06K9/66
• 分類號: G06K9/66;G06M11/00
• 代理公司: 北京正理專利代理有限公司 11257
• 代理人: 張文祎

技術領域

本發明涉及數字圖像處理、計算機視覺、模式識別領域，特別是涉及一種基于Bag-of-features模型的自學習行人計數方法和裝置。

背景技術

基于視頻的行人計數系統能夠智能分析圖像，得到攝像機視野范圍內的行人數目，在公共場所有很大的應用價值。隨著計算機視覺計數的飛速發展，該領域的研究和產品化受到廣泛關注。

基于行人檢測跟蹤的行人計數算法是一種主流的方法。該方法首先通過背景建模、幀差法等方法分割出前景區域，檢測行人目標，并進一步跟蹤檢出區域，實現行人計數。例如，Zhao等人（Xi?Zhao,E.Delleandrea,Liming?Chen.A?People?Counting?System?based?on?Face?Detection?and?Tracking?in?a?Video.Proc?of6th?IEEE?International?Conference?on?Advanced?Video?and?Signal?Based?Surveillance.Genoa,Italy,2009:67-72）和Zu等人（Keju?Zu,Fuqiang?Liu,and?Zhipeng?Li.Counting?pedestrian?in?crowded?subway?scene.IEEE2nd?International?Congress?on?In?Image?and?Signal?Processing,2009）采用檢測跟蹤行人頭部的方法，Li等人（M.Li,Z.Zhang,K.Huang,and?T.Tan.Estimating?the?number?of?people?in?crowded?scenes?by?MID?based?foreground?segmentation?and?head-shoulder?detection.Proc?of19th?IEEE?International?Conference?on?Pattern?Recognition.Tampa,Florida,USA,2008:1–4）采用頭肩檢測的方法來實現行人計數。Wen等人（Wusheng?Wen,Mengfen?Ho,and?Chunglin?Huang.People?tracking?and?counting?for?applications?in?video?surveillance?system.International?Conference?on?In?Audio,Language?and?Image?Processing,2008）先采用模板匹配的方法檢測前景中的行人區域，并進一步采用霍夫變換的方法最終確定行人頭部輪廓。Rittscher等人（Jens?Rittscher,Peter?H?Tu,and?Nils?Krahnstoever.Simultaneous?estimation?of?segmentation?and?shape.IEEE?Computer?Society?Conference?on?In?Computer?Vision?and?Pattern?Recognition,pages486–493,2005）利用行人輪廓的先驗知識分割前景圖像，得到行人個體并計數，該類方法假設行人個體是互不遮擋的，適用于行人密度較低的場景。

現有及上述的基于行人檢測的人數計數算法在行人檢測環節大都采用離線訓練的分類器，通過人工收集大量樣本訓練分類器以實現行人檢測。然而在實際應用中，視頻監控系統將面臨復雜多樣的應用場景，場景中的行人樣本和背景差異很大，離線采集訓練不僅耽誤時間更重要的是影響了系統的實際應用價值。

發明內容

鑒于以上問題，本發明提供了一種基于視覺詞袋模型Bag-of-features模型的在線自適應學習的行人計數方法，通過在線自動采集高置信度樣本，實時更新Bag-of-feature模型參數，使系統在Bag-of-features模型上具備自適應學習功能，有效提高了系統對不同場景的適應能力，減少人工干預，增加應用價值。

本發明的目的通過以下技術方案來實現：

一種基于Bag-of-features模型的自學習行人計數方法包括：

建立預先采集的視頻圖像樣本的Bag-of-features模型，采用支持向量機作為分類器訓練獲得初始狀態下的基于Bag-of-features模型的行人分類器；

提取符合支持向量機基本分類條件的當前視頻圖像的前景區域，并對當前視頻圖像的搜索窗口進行區域劃分，根據所述前景區域和所述搜索窗口內的特征點提取當前視頻圖像的高置信度樣本；