基于智能视频分析的区域式客流计数算法.pdfVIP

般是一块圆形或者矩形区域 ，按步长减弱。光流判定的 4 光流计算 静止特征点作类似处理。2个参数 ：步长O-和遗忘因子 在对感兴趣区域中提取FAST特征点后 ，对每个特征 。 步长是历史图中值变化的最小单位 ，遗忘因子的存 点计算光流 ，每个特征点根据其运动向量分为两类 ：运 在是为了适应光照改变等复杂情况对背景的影响，使算 动特征点，静止特征点。按公式 (3)准则来划分。 法对场景变化具有稳健性 ，一般取[0．9，1]。 P(．)：』运动特征点 l(，)I ． 6 透视补偿加权 Y)l≤ ’㈡ ， 1静止特征点 l( (3) ， 式 中：P(X，Y)表示坐标点为 (X，Y)的特征点； 由于透视变换的普遍存在 ，每个特征点的权重应该 1 (X， )l表示运动向量的幅值 ； 是偏移量，一般 有所区分，距离图像底部越近，权值越小，反之亦然。 取个很小的值。 考虑透视补偿 ，减弱透视变换对结果的影响，每帧的特 基于一个假设 ： “场景中运动的物体仅有人”，被 征得分按公式 (4)计算。 判定为运动的特征点统一被划分为与人相关的特征点， ∑ (B)， (4) 静止特征点在历史 图分析一步继续细分 ，把所有与人相 J=l 关的特征点筛选出来。 式中： 特征得分 ； 在 区域式客流计数算法 中，光流计算采取 的是 一 一 加权函数； Lucas—Kanade算法 ]。设立相应的能量函数 ，用解最优 B——与人相关特征点的集合，包括光流运动点与 化方法的迭代方式或者分段线性求解的方法，可以快速 历史图判定的属于人的特征点； 方便得计算出结果 ，具体计算过程可参考文献[5]。 一 一 B中第 个点。 加权函数 的设计有很多种不同的方式，本文提出 5 历史图分析 了一种通过简单标定图像求加权函数的方法。此方法操 假定场景中只有人在运动 ，用光流法将与人相关的 作很简单，只需要标定图像中的若干人即可，并且可以 运动特征点分离后 ，剩下的静止特征点 由2部分组成 ： 达到相当的透视补偿效果。透视补偿算法基于一个合理 背景特征点与静止人的特征点。历史图分析的 目的将与 的假设 ：面积与特征点数成正 比，在Lin等 0工作的基础 人相关的静止特征点与背景特征点区分出来。 上进行了扩展。 历史图方法的提出是基于这样的事实 ：同一场景中 7 回归模型分析 的背景特征点保持稳定。在背景特征点位置基本固定的 情况下，建立一个与图像大小一致的历史图，每个元素 对一帧图像中与人相关的FAST特征点加权打分后， 的值相应地表征对应图像位置为背景特征点的可能性 。 剩下的就是将分值对应到具体的人数。这里采用的是回 历史图的大小为场景 图像 的大小 ，每个元素初始为0， 归模型预测，其训练与预测流程见图3。离线训练过程 范 围固定在 [0，255]，在短暂的离线训练之后 ，在线运 中，以特征点得分为 自变量 、真实人数为因变量训练回 行随时问进行检测更新。需要设置判定阈值 ，按要求 归器。在线预测过程 ，对输入的特征点得分给出相应的 可灵活选取，按照检测结果 ，静止特征点集合 中的每个 预测人数。回归器可以有多种选择：线性 回归器 、多项 元素均被打上一个标签 ，或者属于背景