CN105550663A - 影院上座率统计方法及*** - Google Patents

影院上座率统计方法及*** Download PDF

Info

Publication number
CN105550663A
CN105550663A CN201610009132.XA CN201610009132A CN105550663A CN 105550663 A CN105550663 A CN 105550663A CN 201610009132 A CN201610009132 A CN 201610009132A CN 105550663 A CN105550663 A CN 105550663A
Authority
CN
China
Prior art keywords
image
seat
time cycle
target image
seating area
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.)
Pending
Application number
CN201610009132.XA
Other languages
English (en)
Inventor
李亚鹏
柴智
肖军波
翟佳
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.)
Beijing Institute of Environmental Features
Original Assignee
Beijing Institute of Environmental Features
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 Beijing Institute of Environmental Features filed Critical Beijing Institute of Environmental Features
Priority to CN201610009132.XA priority Critical patent/CN105550663A/zh
Publication of CN105550663A publication Critical patent/CN105550663A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/40—Scenes; Scene-specific elements in video content
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/25—Fusion techniques
    • G06F18/251—Fusion techniques of input or preprocessed data
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/10—Services
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
    • G06V10/75—Organisation of the matching processes, e.g. simultaneous or sequential comparisons of image or video features; Coarse-fine approaches, e.g. multi-scale approaches; using context analysis; Selection of dictionaries
    • G06V10/751—Comparing pixel values or logical combinations thereof, or feature values having positional relevance, e.g. template matching
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10016—Video; Image sequence
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20212—Image combination
    • G06T2207/20221—Image fusion; Image merging
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30242—Counting objects in image

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Business, Economics & Management (AREA)
  • Multimedia (AREA)
  • Health & Medical Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • General Health & Medical Sciences (AREA)
  • Tourism & Hospitality (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Databases & Information Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Medical Informatics (AREA)
  • Software Systems (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computing Systems (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Economics (AREA)
  • Human Resources & Organizations (AREA)
  • Marketing (AREA)
  • Primary Health Care (AREA)
  • Strategic Management (AREA)
  • General Business, Economics & Management (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开了一种影院上座率统计方法及***，包括：采集背景图像；提取背景图像中每个座位区域的边缘，生成座位网格；获取至少一个时间周期的监控图像，并计算在任一时间周期内每帧监控图像与背景图像的差分图像；对该时间周期内所有的差分图像进行累积，生成该时间周期的目标图像；将座位网格覆盖在目标图像上，得到目标图像的座位区域；计算目标图像中每个座位区域的面积；对于目标图像中的每个座位区域，基于座位区域的像素分布及座位区域面积，得到在该时间周期内每个座位的就座信息；根据就座信息获取上座率。根据本发明的影院上座率统计方法及***，能够准确计算影院的上座率，为获取真实的票房信息提供判断依据。

Description

影院上座率统计方法及***
技术领域
本发明涉及图像处理技术领域，尤其涉及一种影院上座率统计方法及***。
背景技术
电子商务的崛起丰富了电影票销售的渠道，同时也为票房数据的统计增加了新的难度。为保证票房数据的正确性，监管部门不得不派遣监督员进行票房确认，但面对庞大的院线数量，这种方式可谓杯水车薪；通过接入各院线票务***可以直接获取票房数据，但这种方法会造成管理部门通讯***及软件***复杂程度的大幅提高，同时也很难识别影院的造假行为。
因此，亟需一种影院上座率统计方法及***，通过上座率进而获取票房信息，以解决现有技术的上述问题。
发明内容
本发明提供了一种影院上座率统计方法及***，利用安放在影院放映厅的视频监控***，在光线昏暗的放映厅内获取清晰的监控图像，并通过对监控图像的处理及识别，准确计算影院的上座率，为获取真实的票房信息提供判断依据。
本发明一方面提供一种影院上座率统计方法，包括：S1.采集背景图像；提取背景图像中每个座位区域的边缘，生成座位网格；S2.获取至少一个时间周期的监控图像，并计算在任一时间周期内每帧监控图像与背景图像的差分图像；S3.对该时间周期内所有的差分图像进行累积，生成该时间周期的目标图像；将座位网格覆盖在目标图像上，得到目标图像的座位区域；计算目标图像中每个座位区域的面积；S4.对于目标图像中的每个座位区域，基于座位区域的像素分布及座位区域面积，得到在该时间周期内每个座位的就座信息；根据就座信息获取上座率。
优选地，采集背景图像具体包括：采集m帧无观众时的图像，并基于采集的无观众时的图像，根据公式1获取背景图像；
F B ( i , j ) = 1 m · Σ p = 1 m FOL p ( i , j ) 公式1
其中，m>1，且m∈N；FB(i，j)为背景图像中(i，j)点的像素值；FOLp(i，j)为第p帧无观众时的图像中(i，j)点的像素值；p＝1、2、3…m；i为正整数，j为正整数。
优选地，步骤S2具体包括：获取至少一个时间周期的监控图像，并根据公式2计算在任一时间周期内n帧监控图像与背景图像的差分图像；
BFDk(i,j)＝|Fk(i,j)-FB(i,j)|公式2
其中，n>1，且n∈N；Fk(i，j)为在任一时间周期内第k帧监控图像中(i，j)点的像素值；BFDk(i，j)为在该时间周期内第k帧差分图像中(i，j)点的像素值；k＝1、2、3…n。
优选地，步骤S2还包括：设置与监控图像的像素矩阵同型的零矩阵作为初始累加矩阵；对该时间周期内所有的差分图像进行累积，生成该时间周期的目标图像具体包括：
S31.分别确定每帧差分图像的分割阈值，并通过分割阈值，根据公式3分割该差分图像，生成与该差分图像对应的分割矩阵；
BFS k ( i , j ) = 1 BFD k ( i , j ) &GreaterEqual; Th k - 1 BFD k ( i , j ) < Th k 公式3
S32.基于初始累加矩阵及每帧差分图像对应的分割矩阵，根据公式4计算累加图像矩阵；
FSM k ( i , j ) = m i n < m a x { &lsqb; FSM k - 1 ( i , j ) + BFS k ( i , j ) &rsqb; , 0 } , 255 > 公式4
S33.通过预设的二值化阈值，根据公式5对累加图像矩阵进行二值化处理，生成该时间周期的目标图像；
F S E ( i , j ) = 1 FSM n ( i , j ) &GreaterEqual; t h 0 FSM n ( i , j ) < t h 公式5
其中，Thk为与第k帧差分图像的分割阈值；
BFSk(i，j)为第k个分割矩阵中(i，j)点的像素值；
max为最大值函数，min为最小值函数；
FSMk-1(i，j)为与第k-1个分割矩阵对应的累加矩阵中(i，j)点的像素值；
当k＝1时，FSMk-1(i，j)＝FSM0(i，j)，FSM0(i，j)为初始累加矩阵中(i，j)点的像素值；
FSMk(i，j)为与第k个分割矩阵对应的累加矩阵中(i，j)点的像素值；
当k＝n时，FSMk(i，j)＝FSMn(i，j)，FSMn(i，j)为累加图像矩阵中(i，j)点的像素值；
th为预设的二值化阈值；
FSE(i，j)为该时间周期的目标图像中(i，j)点的像素值。
优选地，分别确定每帧差分图像的分割阈值具体包括：计算每帧差分图像中所有像素值的算术平均值及标准差；针对差分图像中大于该差分图像对应的算术平均值与标准差之和的像素值，以最大类间方差准则获取该差分图像的分割阈值；将座位网格覆盖在目标图像上，得到目标图像的座位区域具体包括：通过匹配座位网格与目标图像对应的定位点，将座位网格覆盖在目标图像上，得到目标图像的座位区域。
优选地，步骤S33在对累加图像矩阵进行二值化处理之后，在生成该时间周期的目标图像之前，还包括：针对二值化处理后的累加图像矩阵，采用第一正方形模板去除噪点，采用第二正方形模板填补空洞。
优选地，对于目标图像中的每个座位区域，基于座位区域的像素分布及座位区域面积，得到在该时间周期内每个座位的就座信息具体包括：
计算该时间周期的目标图像中每个座位区域内的亮点面积，将座位区域内亮点面积大于面积阈值的座位标记为在该时间周期有人；其中，所述亮点为像素值为1的点；面积阈值为座位区域面积与预设固定系数的乘积；
根据就座信息获取上座率具体包括：若获取的是一个时间周期的监控图像，根据目标图像中标记为在该时间周期有人的座位数及总座位数，基于公式6计算上座率；
R = W 1 W 公式6
其中，R为上座率，W1为目标图像中标记为在该时间周期有人的座位数，W为总座位数。
优选地，根据就座信息获取上座率还包括：若获取的是分别在时间周期T1、T2…Ta内的监控图像，则根据步骤S43、S44、S45获取上座率：
S43.获取每个座位分别在时间周期T1、T2…Ta内的就座信息；
S44.针对每个座位，统计标记为有人的时间周期数bx；若bx>0.5a，则判定该座位被占用；
S45.基于判定为被占用的座位数及总座位数，通过公式7计算上座率；
R = W 2 W 公式7
其中，a为时间周期总数，a>1，且a∈N；T1＝T2…＝Ta；x为座位号，x∈N；bx<a，且bx∈N；W2为判定为被占用的座位数。
本发明还提供一种影院上座率统计***，包括：图像采集单元、座位区域获取单元、图像差分单元、图像累积单元及上座率计算单元；其中，
图像采集单元，用于采集背景图像及至少一个时间周期内的监控图像；并将背景图像发送到座位区域获取单元，将监控图像发送到图像差分单元；
图像差分单元，用于接收监控图像，计算在任一时间周期内每帧监控图像与背景图像的差分图像，并将差分图像发送到图像累积单元；
图像累积单元，用于接收差分图像，对该时间周期内所有的差分图像进行累积生成该时间周期的目标图像，并将目标图像发送到座位区域获取单元及上座率计算单元；
座位区域获取单元，用于接收背景图像，提取背景图像中每个座位区域的边缘，生成座位网格；将座位网格覆盖在目标图像上，得到目标图像的座位区域；计算目标图像中每个座位区域的面积；并将目标图像的座位区域及座位区域面积发送到上座率计算单元；
上座率计算单元，用于对目标图像中的每个座位区域，基于座位区域的像素分布及座位区域面积，得到在该时间周期内每个座位的就座信息；根据就座信息获取上座率。
优选地，图像累积单元包括：
差分图像接收模块，用于接收差分图像，并将接收的差分图像发送到分割模块；
分割模块，用于通过分割阈值分割该分割阈值对应的差分图像，生成与该差分图像对应的分割矩阵，并将分割矩阵发送到累积模块；
累积模块，用于根据每个分割矩阵，计算累加图像矩阵，并将累加图像矩阵发送到二值化模块；
二值化模块，用于对累加图像矩阵进行二值化处理，并将二值化处理后的累加图像矩阵发送到形态学处理模块；
形态学处理模块，用于针对二值化处理后的累加图像矩阵，采用第一正方形模板去除噪点，采用第二正方形模板填补空洞，生成该时间周期的目标图像，并将目标图像发送到座位区域获取单元及上座率计算单元。
本发明能够在不增加管理部门通讯***及软件***复杂程度的前提下，利用安放在影院放映厅的视频监控***，准确计算影院的上座率，为获取真实的票房信息提供判断依据。
附图说明
图1是本发明的影院上座率统计方法的第一流程图；
图2是本发明的影院上座率统计方法及***的背景图像示意图；
图3是本发明的影院上座率统计方法及***的监控图像示意图；
图4是本发明的影院上座率统计方法及***的差分图像示意图；
图5是本发明的影院上座率统计方法及***的目标图像示意图；
图6是本发明的影院上座率统计方法及***的统计结果示意图；
图7是本发明的影院上座率统计方法的第二流程图；
图8是本发明的影院上座率统计方法的多个时间周期统计流程图；
具体实施方式
为使本发明的目的、技术方案及优点更加清楚明白，以下参照附图并举出优选实施例，对本发明进一步详细说明。然而，需要说明的是，说明书中列出的许多细节仅仅是为了使读者对本发明的一个或多个方面有一个透彻的理解，即便没有这些特定的细节也可以实现本发明的这些方面。
现有的票房信息获取方法存在所需监督人员多、通讯***及软件***复杂程度高等问题。本发明提供了一种影院上座率统计方法及***，利用安放在影院放映厅的视频监控***，在光线昏暗的放映厅内获取清晰的监控图像，并通过对监控图像的处理及识别，准确计算影院的上座率，为获取真实的票房信息提供判断依据。
本发明一方面提供一种影院上座率统计方法，如图1所示，包括：
S1.采集背景图像；提取背景图像中每个座位区域的边缘，生成座位网格；上述座位区域包含座位的上下左右边界，背景图像如图2所示。
在本发明优选实施例中，采集背景图像具体包括：采集m帧无观众时的图像，并基于采集的无观众时的图像，根据公式1获取背景图像；
F B ( i , j ) = 1 m &CenterDot; &Sigma; p = 1 m FOL p ( i , j ) 公式1
其中，m>1，且m∈N；FB(i，j)为背景图像中(i，j)点的像素值；FOLp(i，j)为第p帧无观众时的图像中(i，j)点的像素值；p＝1、2、3…m；i为正整数，j为正整数。
在本发明优选实施例中，m取10。
上述步骤针对m帧无观众时的图像采用公式1所示的多帧平均法进行背景建模，得到背景图像，上述方法能够有效地消除噪声对背景图像的影响。
提取背景图像中每个座位区域的边缘需采用现有的模式识别及边缘提取技术，此处不再赘述。
S2.获取至少一个时间周期的监控图像，并计算在任一时间周期内每帧监控图像与背景图像的差分图像。监控图像如图3所示。
在本发明优选实施例中，步骤S2具体包括：
获取至少一个时间周期的监控图像，并根据公式2计算在任一时间周期内n帧监控图像与背景图像的差分图像。差分图像如图4所示；
BFDk(i,j)＝|Fk(i,j)-FB(i,j)|公式2
其中，n>1，且n∈N；Fk(i，j)为第k帧监控图像中(i，j)点的像素值；BFDk(i，j)为第k帧差分图像中(i，j)点的像素值；k＝1、2、3…n。
在本发明优选实施例中，监控图像总数n＝500；不同时间周期的监控图像总数n可以相同，也可以不同，根据具体情况确定。
在本发明优选实施例中，步骤S2还包括：设置与监控图像的像素矩阵同型的零矩阵作为初始累加矩阵，用于步骤S3中差分图像的累积。
S3.对该时间周期内所有的差分图像进行累积，生成该时间周期的目标图像；将座位网格覆盖在目标图像上，得到目标图像的座位区域；计算目标图像中每个座位区域的面积。
在此步骤中，对差分图像进行分割处理获得运动目标区域，并对每一帧的运动区域图像进行累积，得到目标图像。
在本发明优选实施例中，对该时间周期内所有的差分图像进行累积，生成该时间周期的目标图像具体包括：
S31.分别确定每帧差分图像的分割阈值，并通过分割阈值，根据公式3分割该分割阈值对应的差分图像，生成与该差分图像对应的分割矩阵；
BFS k ( i , j ) = 1 BFD k ( i , j ) &GreaterEqual; T h ( k ) - 1 BFD k ( i , j ) < T h ( k ) 公式3
其中，Thk为与第k帧差分图像对应的分割阈值；BFSk(i，j)为第k个分割矩阵中(i，j)点的像素值；分割矩阵中的高像素点区域即为运动区域。
在本发明优选实施例中，分别确定每帧差分图像的分割阈值具体包括：计算每帧差分图像中所有像素值的算术平均值及标准差；针对差分图像中大于该差分图像对应的算术平均值与标准差之和的像素值，以最大类间方差准则获取该差分图像的分割阈值。
在此步骤中，分割阈值在大于差分图像像素值算术平均值与标准差之和的像素中提取，能够提高运动区域分割的精确性，而采用最大类间方差选取分割阈值，能够使错分概率最小。
所述算术平均值、标准差的计算以及最大类间方差准则都是已知的技术手段，此处不再赘述。
S32.基于初始累加矩阵及每帧差分图像对应的分割矩阵，根据公式4计算累加图像矩阵；
FSM k ( i , j ) = m i n < m a x { &lsqb; FSM k - 1 ( i , j ) + BFS k ( i , j ) &rsqb; , 0 } , 255 > 公式4
其中，max为最大值函数，得到自变量中的最大值；min为最小值函数，得到自变量中的最小值。公式4通过max函数与min函数将每一次的运算结果限制在[0,255]范围内；
FSMk-1(i，j)为与第k-1个分割矩阵BFSk-1(i，j)对应的累加矩阵中(i，j)点的像素值；
当k＝1时，FSMk-1(i，j)＝FSM0(i，j)，FSM0(i，j)为步骤2设置的初始累加矩阵中(i，j)点的像素值；
FSMk(i，j)为与分割矩阵BFSk(i，j)对应的累加矩阵中(i，j)点的像素值；
当k＝n时，FSMk(i，j)＝FSMn(i，j)，FSMn(i，j)为累加图像矩阵中(i，j)点的像素值。
步骤S32实现了对多帧差分图像运动区域的累积，为上座率的准确计算提供了依据。
S33.通过预设的二值化阈值，根据公式5对累加图像矩阵进行二值化处理，生成该时间周期的目标图像；目标图像如图5所示。
F S E ( i , j ) = 1 FSM n ( i , j ) &GreaterEqual; t h 0 FSM n ( i , j ) < t h 公式5
其中，th为预设的二值化阈值，根据具体情况选取；FSE(i，j)为该时间周期的目标图像中(i，j)点的像素值。
在本发明优选实施例中，th＝200。
在本发明优选实施例中，步骤S33在对累加图像矩阵进行二值化处理之后，在生成该时间周期的目标图像之前，还要进行形态学操作，包括：针对二值化处理后的累加图像矩阵，采用第一正方形模板进行腐蚀操作，以去除噪点；采用第二正方形模板进行膨胀操作，以填补空洞。此步骤能够得到更为完整的目标图像，有利于提高后续像素统计的准确性。
在本发明优选实施例中，第一正方形模板为5×5的正方形模板，第二正方形模板为7×7的正方形模板。
S34.将座位网格覆盖在目标图像上，得到目标图像的座位区域；计算目标图像中每个座位区域的面积。
由于背景图像与监控图像是固定于放映厅的同一视频监控***获取，而目标图像是通过对监控图像的差分、分割、累积获得，故背景图像的座位分布与目标图像相同。因此，在步骤S34中，将背景图像中的座位网格以相同的方向覆盖在目标图像上，即可得到目标图像的座位区域。计算目标图像中每个座位区域的面积，记录目标图像中的每个座位区域及其面积，作为步骤S4中获取就座信息的依据。
在本发明优选实施例中，将座位网格覆盖在目标图像上，得到目标图像的座位区域具体包括：在座位网格与目标图像预设对应的定位点，通过匹配上述定位点，将座位网格覆盖在目标图像上，得到目标图像的座位区域；定位点可以是座位网格及目标图像的顶点，也可以是其它的点。
S4.对于目标图像中的每个座位区域，基于座位区域的像素分布及座位区域面积，得到在该时间周期内每个座位的就座信息；根据就座信息获取上座率。像素分布是指不同像素点占有面积的信息、及不同像素点的排列状态。
在本发明优选实施例中，步骤S4具体包括：
S41.计算该时间周期的目标图像中每个座位区域内的亮点面积，将座位区域内亮点面积大于面积阈值的座位标记为在该时间周期有人；其中，亮点为像素值为1的点；面积阈值为座位区域面积与预设固定系数的乘积。
预设固定系数根据具体情况选取，在本发明优选实施例中，预设固定系数为0.2。
S42.若获取的是一个时间周期的监控图像，根据目标图像中标记为在该时间周期有人的座位数及总座位数，基于公式6计算上座率；
R = W 1 W 公式6
其中，R为上座率，W1为目标图像中标记为在该时间周期有人的座位数，W为总座位数。
在本发明优选实施例中，根据就座信息获取上座率还包括：
若获取的是分别在时间周期T1、T2…Ta内的监控图像，则根据步骤S43、S44、S45获取上座率。其中，a为时间周期总数，a>1，且a∈N；T1＝T2…＝Ta。
S43.获取每个座位分别在时间周期T1、T2…Ta内的标记状态；
时间周期的时间长度根据具体情况选取，在本发明优选实施例中，T1＝T2…＝Ta＝10min。
由于不同时间周期的监控图像是固定于放映厅的同一视频监控***获取，故不同时间周期的目标图像具有相同的座位分布，由此能够获取每个座位分别在不同时间周期的就座信息。
S44.针对每个座位，统计标记为有人的时间周期数bx；若bx>0.5a，则判定该座位被占用；其中，x为座位号，x∈N；bx<a，且bx∈N；
S45.基于判定为被占用的座位数W2及总座位数，通过公式7计算上座率；
R = W 2 W 公式7
在此步骤中，得到影院的全程上座率，能够为获取真实的票房信息提供判断依据，全程上座率统计结果如如图6所示。
本发明另一方面提供一种影院上座率统计***，包括：图像采集单元、座位区域获取单元、图像差分单元、图像累积单元及上座率计算单元；其中，
图像采集单元，用于采集背景图像及至少一个时间周期内的监控图像；并将背景图像发送到座位区域获取单元，将监控图像发送到图像差分单元；
图像差分单元，用于接收监控图像，计算在任一时间周期内每帧监控图像与背景图像的差分图像，并将差分图像发送到图像累积单元；
图像累积单元，用于接收差分图像，对该时间周期内所有的差分图像进行累积生成该时间周期的目标图像，并将目标图像发送到座位区域获取单元及上座率计算单元；
座位区域获取单元，用于接收背景图像，提取背景图像中每个座位区域的边缘，生成座位网格；将座位网格覆盖在目标图像上，得到目标图像的座位区域；计算目标图像中每个座位区域的面积；并将目标图像的座位区域及座位区域面积发送到上座率计算单元；
上座率计算单元，用于对目标图像中的每个座位区域，基于座位区域的像素分布及座位区域面积，得到在该时间周期内每个座位的就座信息；根据就座信息获取上座率。
在本发明优选实施例中，图像采集单元为固定于影院放映厅的视频监控***，采用近红外光源补光，并与窄带滤光片配合，能够在光线昏暗的影厅内获取清晰的图像而不被观众察觉。
在本发明优选实施例中，图像累积单元包括：
差分图像接收模块，用于接收差分图像，并将接收的差分图像发送到分割模块；
分割模块，用于通过分割阈值分割该分割阈值对应的差分图像，生成与该差分图像对应的分割矩阵，并将分割矩阵发送到累积模块；
累积模块，用于根据每个分割矩阵，计算累加图像矩阵，并将累加图像矩阵发送到二值化模块；
二值化模块，用于对累加图像矩阵进行二值化处理，并将二值化处理后的累加图像矩阵发送到形态学处理模块；
形态学处理模块，用于针对二值化处理后的累加图像矩阵，采用第一正方形模板去除噪点，采用第二正方形模板填补空洞，生成该时间周期的目标图像，并将目标图像发送到座位区域获取单元及上座率计算单元。
图7是本发明影院上座率统计方法的第二流程图，图中示出，所述方法包括离线部分及在线部分。离线部分包括：获取背景图像的背景建模、及座位区域提取。在线部分包括图像采集、背景差分、阈值分割、差分累计、累计图像二值化、区域面积统计及输出结果。
图8是本发明的影院上座率统计方法在多个时间周期的统计示意图。图中示出，针对每个座位，统计在不同时间周期T1、T2…Ta的标记信息后进行投票(即步骤S44中判断座位是否被占用)，得出统计结果。
在本发明优选实施例中，图像处理的硬件平台采用高性能计算机实现，软件代码采用C语言编程实现，并在MicrosoftVisualC++6.0平台下编译运行。
根据本发明的影院上座率统计方法及***，能够准确计算影院的上座率，为获取真实的票房信息提供判断依据。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分步骤是可以通过程序来指令相关的硬件来完成，该程序可以存储于一计算机可读取存储介质中，如：ROM/RAM、磁碟、光盘等。
以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以作出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。

Claims (10)

1.一种影院上座率统计方法，其特征在于，包括：
S1.采集背景图像；提取背景图像中每个座位区域的边缘，生成座位网格；
S2.获取至少一个时间周期的监控图像，并计算在任一时间周期内每帧监控图像与背景图像的差分图像；
S3.对该时间周期内所有的差分图像进行累积，生成该时间周期的目标图像；将座位网格覆盖在目标图像上，得到目标图像的座位区域；计算目标图像中每个座位区域的面积；
S4.对于目标图像中的每个座位区域，基于座位区域的像素分布及座位区域面积，得到在该时间周期内每个座位的就座信息；根据就座信息获取上座率。
2.如权利要求1所述的方法，其特征在于，采集背景图像具体包括：采集m帧无观众时的图像，并基于采集的无观众时的图像，根据公式1获取背景图像；
F B ( i , j ) = 1 m &CenterDot; &Sigma; p = 1 m FOL p ( i , j ) 公式1
其中，m>1，且m∈N；FB(i，j)为背景图像中(i，j)点的像素值；FOLp(i，j)为第p帧无观众时的图像中(i，j)点的像素值；p＝1、2、3…m；i为正整数，j为正整数。
3.如权利要求2所述的方法，其特征在于，步骤S2具体包括：获取至少一个时间周期的监控图像，并根据公式2计算在任一时间周期内n帧监控图像与背景图像的差分图像；
BFDk(i,j)＝|Fk(i,j)-FB(i,j)|公式2
其中，n>1，且n∈N；Fk(i，j)为在任一时间周期内第k帧监控图像中(i，j)点的像素值；BFDk(i，j)为在该时间周期内第k帧差分图像中(i，j)点的像素值；k＝1、2、3…n。
4.如权利要求3所述的方法，其特征在于，步骤S2还包括：设置与监控图像的像素矩阵同型的零矩阵作为初始累加矩阵；
对该时间周期内所有的差分图像进行累积，生成该时间周期的目标图像具体包括：
S31.分别确定每帧差分图像的分割阈值，并通过分割阈值，根据公式3分割该差分图像，生成与该差分图像对应的分割矩阵；
BFS k ( i , j ) = 1 BFD k ( i , j ) &GreaterEqual; Th k - 1 BFD k ( i , j ) < Th k 公式3
S32.基于初始累加矩阵及每帧差分图像对应的分割矩阵，根据公式4计算累加图像矩阵；
FSMk(i,j)＝min<max{[FSMk-1(i,j)+BFSk(i,j)],0},255>公式4
S33.通过预设的二值化阈值，根据公式5对累加图像矩阵进行二值化处理，生成该时间周期的目标图像；
F S E ( i , j ) = 1 FSM n ( i , j ) &GreaterEqual; t h 0 FSM n ( i , j ) < t h 公式5
其中，Thk为与第k帧差分图像的分割阈值；
BFSk(i，j)为第k个分割矩阵中(i，j)点的像素值；
max为最大值函数，min为最小值函数；
FSMk-1(i，j)为与第k-1个分割矩阵对应的累加矩阵中(i，j)点的像素值；
当k＝1时，FSMk-1(i，j)＝FSM0(i，j)，FSM0(i，j)为初始累加矩阵中(i，j)点的像素值；
FSMk(i，j)为与第k个分割矩阵对应的累加矩阵中(i，j)点的像素值；
当k＝n时，FSMk(i，j)＝FSMn(i，j)，FSMn(i，j)为累加图像矩阵中(i，j)点的像素值；
th为预设的二值化阈值；
FSE(i，j)为该时间周期的目标图像中(i，j)点的像素值。
5.如权利要求4所述的方法，其特征在于，分别确定每帧差分图像的分割阈值具体包括：计算每帧差分图像中所有像素值的算术平均值及标准差；针对差分图像中大于该差分图像对应的算术平均值与标准差之和的像素值，以最大类间方差准则获取该差分图像的分割阈值；
将座位网格覆盖在目标图像上，得到目标图像的座位区域具体包括：
通过匹配座位网格与目标图像对应的定位点，将座位网格覆盖在目标图像上，得到目标图像的座位区域。
6.如权利要求5所述的方法，其特征在于，步骤S33在对累加图像矩阵进行二值化处理之后，在生成该时间周期的目标图像之前，还包括：
针对二值化处理后的累加图像矩阵，采用第一正方形模板去除噪点，采用第二正方形模板填补空洞。
7.如权利要求6所述的方法，其特征在于，
对于目标图像中的每个座位区域，基于座位区域的像素分布及座位区域面积，得到在该时间周期内每个座位的就座信息具体包括：
计算该时间周期的目标图像中每个座位区域内的亮点面积，将座位区域内亮点面积大于面积阈值的座位标记为在该时间周期有人；其中，所述亮点为像素值为1的点；面积阈值为座位区域面积与预设固定系数的乘积；
根据就座信息获取上座率具体包括：
若获取的是一个时间周期的监控图像，根据目标图像中标记为在该时间周期有人的座位数及总座位数，基于公式6计算上座率；
R = W 1 W 公式6
其中，R为上座率，W1为目标图像中标记为在该时间周期有人的座位数，W为总座位数。
8.如权利要求7所述的方法，其特征在于，根据就座信息获取上座率还包括：
若获取的是分别在时间周期T1、T2…Ta内的监控图像，则根据步骤S43、S44、S45获取上座率：
S43.获取每个座位分别在时间周期T1、T2…Ta内的就座信息；
S44.针对每个座位，统计标记为有人的时间周期数bx；若bx>0.5a，则判定该座位被占用；
S45.基于判定为被占用的座位数及总座位数，通过公式7计算上座率；
R = W 2 W 公式7
其中，a为时间周期总数，a>1，且a∈N；T1＝T2…＝Ta；x为座位号，x∈N；bx<a，且bx∈N；W2为判定为被占用的座位数。
9.一种影院上座率统计***，其特征在于，包括：图像采集单元、座位区域获取单元、图像差分单元、图像累积单元及上座率计算单元；其中，
图像采集单元，用于采集背景图像及至少一个时间周期内的监控图像；并将背景图像发送到座位区域获取单元，将监控图像发送到图像差分单元；
图像差分单元，用于接收监控图像，计算在任一时间周期内每帧监控图像与背景图像的差分图像，并将差分图像发送到图像累积单元；
图像累积单元，用于接收差分图像，对该时间周期内所有的差分图像进行累积生成该时间周期的目标图像，并将目标图像发送到座位区域获取单元及上座率计算单元；
座位区域获取单元，用于接收背景图像，提取背景图像中每个座位区域的边缘，生成座位网格；将座位网格覆盖在目标图像上，得到目标图像的座位区域；计算目标图像中每个座位区域的面积；并将目标图像的座位区域及座位区域面积发送到上座率计算单元；
上座率计算单元，用于对目标图像中的每个座位区域，基于座位区域的像素分布及座位区域面积，得到在该时间周期内每个座位的就座信息；根据就座信息获取上座率。
10.如权利要求9所述的***，其特征在于，图像累积单元包括：
差分图像接收模块，用于接收差分图像，并将接收的差分图像发送到分割模块；
分割模块，用于通过分割阈值分割该分割阈值对应的差分图像，生成与该差分图像对应的分割矩阵，并将分割矩阵发送到累积模块；
累积模块，用于根据每个分割矩阵，计算累加图像矩阵，并将累加图像矩阵发送到二值化模块；
二值化模块，用于对累加图像矩阵进行二值化处理，并将二值化处理后的累加图像矩阵发送到形态学处理模块；
形态学处理模块，用于针对二值化处理后的累加图像矩阵，采用第一正方形模板去除噪点，采用第二正方形模板填补空洞，生成该时间周期的目标图像，并将目标图像发送到座位区域获取单元及上座率计算单元。
CN201610009132.XA 2016-01-07 2016-01-07 影院上座率统计方法及*** Pending CN105550663A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201610009132.XA CN105550663A (zh) 2016-01-07 2016-01-07 影院上座率统计方法及***

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201610009132.XA CN105550663A (zh) 2016-01-07 2016-01-07 影院上座率统计方法及***

Publications (1)

Publication Number Publication Date
CN105550663A true CN105550663A (zh) 2016-05-04

Family

ID=55829846

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201610009132.XA Pending CN105550663A (zh) 2016-01-07 2016-01-07 影院上座率统计方法及***

Country Status (1)

Country Link
CN (1) CN105550663A (zh)

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106204346A (zh) * 2016-06-30 2016-12-07 北京文安智能技术股份有限公司 一种基于视频分析的影院座位样本自动标注方法、装置及电子设备
CN106228126A (zh) * 2016-07-18 2016-12-14 北京文安智能技术股份有限公司 一种基于视频分析的影院上座人数统计方法、装置及电子设备
CN110059961A (zh) * 2019-04-19 2019-07-26 河南应用技术职业学院 以教学周期内教学区上座率数据分析为依据的校园学风分析方法及配套的数据采集设备
CN111524401A (zh) * 2020-07-03 2020-08-11 南京晓庄学院 一种智能教学教室一体化***
CN113792674A (zh) * 2021-09-17 2021-12-14 支付宝(杭州)信息技术有限公司 空座率的确定方法、装置和电子设备
CN114663830A (zh) * 2022-03-04 2022-06-24 山东巍然智能科技有限公司 一种基于图结构匹配的多相机场景下的人数计算方法

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20090030643A1 (en) * 2007-07-25 2009-01-29 White Timothy J Method for collecting statistics for movie theaters
CN101770642A (zh) * 2008-12-26 2010-07-07 深圳先进技术研究院 一种车内人数计数方法和***
CN103679690A (zh) * 2012-09-24 2014-03-26 中国航天科工集团第二研究院二O七所 一种基于分段背景学习的目标检测方法
CN104217206A (zh) * 2013-05-31 2014-12-17 上海亚视信息科技有限公司 基于高清视频的实时上座率统计方法
CN104658008A (zh) * 2015-01-09 2015-05-27 北京环境特性研究所 一种基于视频图像的人员聚集检测方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20090030643A1 (en) * 2007-07-25 2009-01-29 White Timothy J Method for collecting statistics for movie theaters
CN101770642A (zh) * 2008-12-26 2010-07-07 深圳先进技术研究院 一种车内人数计数方法和***
CN103679690A (zh) * 2012-09-24 2014-03-26 中国航天科工集团第二研究院二O七所 一种基于分段背景学习的目标检测方法
CN104217206A (zh) * 2013-05-31 2014-12-17 上海亚视信息科技有限公司 基于高清视频的实时上座率统计方法
CN104658008A (zh) * 2015-01-09 2015-05-27 北京环境特性研究所 一种基于视频图像的人员聚集检测方法

Cited By (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106204346A (zh) * 2016-06-30 2016-12-07 北京文安智能技术股份有限公司 一种基于视频分析的影院座位样本自动标注方法、装置及电子设备
CN106228126A (zh) * 2016-07-18 2016-12-14 北京文安智能技术股份有限公司 一种基于视频分析的影院上座人数统计方法、装置及电子设备
CN106228126B (zh) * 2016-07-18 2019-02-01 北京文安智能技术股份有限公司 一种基于视频分析的影院上座人数统计方法、装置及电子设备
CN110059961A (zh) * 2019-04-19 2019-07-26 河南应用技术职业学院 以教学周期内教学区上座率数据分析为依据的校园学风分析方法及配套的数据采集设备
CN111524401A (zh) * 2020-07-03 2020-08-11 南京晓庄学院 一种智能教学教室一体化***
CN113792674A (zh) * 2021-09-17 2021-12-14 支付宝(杭州)信息技术有限公司 空座率的确定方法、装置和电子设备
CN113792674B (zh) * 2021-09-17 2024-03-26 支付宝(杭州)信息技术有限公司 空座率的确定方法、装置和电子设备
CN114663830A (zh) * 2022-03-04 2022-06-24 山东巍然智能科技有限公司 一种基于图结构匹配的多相机场景下的人数计算方法
CN114663830B (zh) * 2022-03-04 2024-05-14 山东巍然智能科技有限公司 一种基于图结构匹配的多相机场景下的人数计算方法

Similar Documents

Publication Publication Date Title
CN105550663A (zh) 影院上座率统计方法及***
Singh et al. Muhavi: A multicamera human action video dataset for the evaluation of action recognition methods
CN101657839B (zh) 用于对2d图像进行区域分类以进行2d至3d转换的***和方法
JP5075924B2 (ja) 識別器学習画像生成プログラム、方法、及びシステム
CN113963445B (zh) 一种基于姿态估计的行人摔倒动作识别方法及设备
CN101610425B (zh) 一种评测立体图像质量的方法和装置
CN106157307A (zh) 一种基于多尺度cnn和连续crf的单目图像深度估计方法
CN109255342B (zh) 一种基于眼动轨迹数据两步聚类的图像感兴趣区域提取方法和***
CN103942525A (zh) 一种基于视频序列的实时人脸优选方法
CN111832465A (zh) 基于MobileNetV3的实时人头分类检测方法
CN105574848A (zh) 用于对象的自动分割的方法和装置
US10169661B2 (en) Filtering methods for visual object detection
CN111723773A (zh) 遗留物检测方法、装置、电子设备及可读存储介质
CN107948586A (zh) 基于视频拼接的跨区域运动目标检测方法和装置
CN106384359A (zh) 运动目标跟踪方法和电视
CN110189181B (zh) 一种用于在线视频app的广告浏览受益的记账***
CN112417974A (zh) 一种公共卫生监控方法
CN113496235A (zh) 图像处理方法、装置及***、存储介质、计算设备
Avgerinakis et al. Moving camera human activity localization and recognition with motionplanes and multiple homographies
CN112702877B (zh) 机柜内部远程监控诊断方法及***、机柜装置和存储介质
CN112989115B (zh) 待推荐视频的筛选控制方法及装置
CN113505733A (zh) 行为识别方法、装置、存储介质及电子装置
CN114049682A (zh) 一种人体异常行为识别方法、装置、设备及存储介质
CN113822155A (zh) 一种聚类辅助的弱监督视频异常检测方法和装置
CN113239931A (zh) 一种物流站车牌识别的方法

Legal Events

Date Code Title Description
C06 Publication
PB01 Publication
C10 Entry into substantive examination
SE01 Entry into force of request for substantive examination
RJ01 Rejection of invention patent application after publication

Application publication date: 20160504

RJ01 Rejection of invention patent application after publication