CN106204619B - 一种目标对象分布密度确定方法及装置 - Google Patents

一种目标对象分布密度确定方法及装置 Download PDF

Info

Publication number
CN106204619B
CN106204619B CN201610580912.XA CN201610580912A CN106204619B CN 106204619 B CN106204619 B CN 106204619B CN 201610580912 A CN201610580912 A CN 201610580912A CN 106204619 B CN106204619 B CN 106204619B
Authority
CN
China
Prior art keywords
target object
pixel
sample image
image
characteristic information
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.)
Active
Application number
CN201610580912.XA
Other languages
English (en)
Other versions
CN106204619A (zh
Inventor
金伟
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.)
Zhejiang Dahua Technology Co Ltd
Original Assignee
Zhejiang Dahua Technology Co Ltd
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 Zhejiang Dahua Technology Co Ltd filed Critical Zhejiang Dahua Technology Co Ltd
Priority to CN201610580912.XA priority Critical patent/CN106204619B/zh
Publication of CN106204619A publication Critical patent/CN106204619A/zh
Application granted granted Critical
Publication of CN106204619B publication Critical patent/CN106204619B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/50—Context or environment of the image
    • G06V20/52—Surveillance or monitoring of activities, e.g. for recognising suspicious objects
    • G06V20/54—Surveillance or monitoring of activities, e.g. for recognising suspicious objects of traffic, e.g. cars on the road, trains or boats
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/46—Descriptors for shape, contour or point-related descriptors, e.g. scale invariant feature transform [SIFT] or bags of words [BoW]; Salient regional features
    • G06V10/462—Salient features, e.g. scale invariant feature transforms [SIFT]
    • 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
    • G06T2207/30232—Surveillance
    • 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)
  • Data Mining & Analysis (AREA)
  • Multimedia (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开了一种目标对象分布密度确定方法及装置，该方法包括：在监控场景拍摄的多组未标定图像中分别选取各拍摄视角对应的样本图像；在各样本图像中区分出现的同一类各目标对象和对应的背景，并分别确定该类各目标对象和对应的背景的位置信息及各样本图像所包含的各像素点的特征信息；对各样本图像中各像素点的特征信息，以及该类各目标对象和对应的背景的位置信息进行岭回归拟合，确定各样本图像针对该类目标对象的映射关系；根据确定出的该映射关系及与各样本图像相同拍摄视角的其他的未标定图像中各像素点的特征信息，确定各未标定图像中的该类目标对象的分布密度。本发明提供的方法，只需对样本图像进行岭回归拟合，提高了计算速度。

Description

一种目标对象分布密度确定方法及装置
技术领域
本发明涉及图像处理技术领域，尤指一种目标对象分布密度确定方法及装置。
背景技术
对于一般的物体计数问题，都是简单分析图像的纹理，区分前景和背景。就是将摄像机固定在某个制高点处，镜头对准道路进行拍摄，对获得的图像进行一系列的图像处理，用模板进行卷积计算，然后进行匹配。
但现有目标对象密度估计方法的计算量比较大，所以耗时比较长，无法达到实时监控的要求。
发明内容
本发明实施例提供一种目标对象分布密度确定方法及装置，用以解决现有技术中存在的确定目标对象的分布密度时，计算过程耗时较长无法实现对目标对象的分布密度进行实时监控的问题。
本发明实施例提供了一种目标对象分布密度确定方法，包括：
在监控场景拍摄的多组未标定图像中分别选取各拍摄视角对应的样本图像；
在各所述样本图像中区分出现的同一类各目标对象和对应的背景，并分别确定该类各所述目标对象和对应的背景的位置信息，以及各所述样本图像中所包含的各像素点的特征信息；
对各所述样本图像中各所述像素点的特征信息，以及该类各所述目标对象和对应的背景的位置信息进行岭回归拟合，确定各所述样本图像针对该类目标对象的映射关系；
根据确定出的各所述样本图像针对该类目标对象的映射关系，以及与各所述样本图像相同所述拍摄视角的其他的的未标定图像中各像素点的特征信息，确定各所述未标定图像中的该类目标对象的分布密度。
在一种可能的实现方式中，在本发明实施例提供的方法中，根据确定出的各所述样本图像针对该类目标对象的映射关系，以及与各所述样本图像相同所述拍摄视角的其他的未标定图像中各像素点的特征信息，确定各所述未标定图像中的该类目标对象的分布密度，具体包括：
根据所述未标定图像中各像素点的特征信息以及所述样本图像针对该类目标对象的映射关系，确定所述未标定图像中各像素点的得分值；
根据预先确定的该类目标对象与对应背景的参考分值区间以及所述未标定图像中各像素点的得分值，确定所述未标定图像中各像素点是否属于该类目标对象；
根据属于该类目标对象的各像素点组成的轮廓，确定在所述未标定图像中该类目标对象的分布密度。
在一种可能的实现方式中，在本发明实施例提供的方法中，根据确定出的各所述样本图像针对该类目标对象的映射关系，以及与各所述样本图像相同所述拍摄视角的其他的未标定图像中各像素点的特征信息，确定各所述未标定图像中的该类目标对象的分布密度，具体包括：
将所述未标定图像划分为多个区域；
根据各所述区域中各像素点的特征信息以及所述样本图像针对该类目标对象的映射关系，确定各所述区域中各像素点的得分值；
根据预先确定的该类目标对象与对应背景的参考分值区间以及所述区域中各像素点的得分值，确定各所述区域中各像素点是否属于该类目标对象；
根据属于该类目标对象的各像素点组成的轮廓，确定在各所述区域中该类目标对象的分布密度；
根据各所述区域中该类目标对象的分布密度，确定所述未标定图像中该类目标对象的分布密度。
在一种可能的实现方式中，在本发明实施例提供的方法中，在分别确定该类各所述目标对象和对应的背景的位置信息时，还包括：
分别对该类各所述目标对象和对应的背景的位置信息进行高斯滤波处理。
在一种可能的实现方式中，在本发明实施例提供的方法中，在分别确定各所述样本图像中所包含的各像素点的特征信息时，还包括：
对各像素点的特征信息进行聚类处理。
在一种可能的实现方式中，在本发明实施例提供的方法中，所述对各所述样本图像中各所述像素点的特征信息，以及该类各所述目标对象和对应的背景的位置信息进行岭回归拟合时，具体包括：
对各所述样本图像中各所述像素点的采用高斯滤波处理后的特征信息和对应的采用高斯滤波处理后的该类各所述目标对象和对应的背景的位置信息进行岭回归拟合。
在一种可能的实现方式中，在本发明实施例提供的方法中，所述特征信息为选取尺度不变特征变换特征中的主要数据构成的特征信息。
基于同一发明构思，本发明实施例还提供了一种目标对象分布密度确定装置，包括：
样本图像选取模块，用于在监控场景拍摄的多组未标定图像中分别选取各拍摄视角对应的样本图像；
信息确定模块，用于在各所述样本图像中区分出现的同一类各目标对象和对应的背景，并分别确定该类各所述目标对象和对应的背景的位置信息，以及各所述样本图像中所包含的各像素点的特征信息；
拟合模块，用于对各所述样本图像中各所述像素点的特征信息，以及该类各所述目标对象和对应的背景的位置信息进行岭回归拟合，确定各所述样本图像针对该类目标对象的映射关系；
密度确定模块，用于根据确定出的各所述样本图像针对该类目标对象的映射关系，以及与各所述样本图像相同所述拍摄视角的其他的未标定图像中各像素点的特征信息，确定各所述未标定图像中的该类目标对象的分布密度。
在一种可能的实现方式中，在本发明实施例提供的装置中，所述密度确定模块具体用于：
根据所述未标定图像中各像素点的特征信息以及所述样本图像针对该类目标对象的映射关系，确定所述未标定图像中各像素点的得分值；
根据预先确定的该类目标对象与对应背景的参考分值区间以及所述未标定图像中各像素点的得分值，确定所述未标定图像中各像素点是否属于该类目标对象；
根据属于该类目标对象的各像素点组成的轮廓，确定在所述未标定图像中该类目标对象的分布密度。
在一种可能的实现方式中，在本发明实施例提供的装置中，所述密度确定模块具体用于：
将所述未标定图像划分为多个区域；
根据各所述区域中各像素点的特征信息以及所述样本图像针对该类目标对象的映射关系，确定各所述区域中各像素点的得分值；
根据预先确定的该类目标对象与对应背景的参考分值区间以及所述区域中各像素点的得分值，确定各所述区域中各像素点是否属于该类目标对象；
根据属于该类目标对象的各像素点组成的轮廓，确定在各所述区域中该类目标对象的分布密度；
根据各所述区域中该类目标对象的分布密度，确定所述未标定图像中该类目标对象的分布密度。
在一种可能的实现方式中，在本发明实施例提供的装置中，所述装置还包括：
滤波处理模块，用于分别对该类各所述目标对象和对应的背景的位置信息进行高斯滤波处理。
在一种可能的实现方式中，在本发明实施例提供的装置中，所述装置还包括：
聚类处理模块，用于对各像素点的特征信息进行聚类处理。
在一种可能的实现方式中，在本发明实施例提供的装置中，所述拟合模块具体用于：
对各所述样本图像中各所述像素点的采用高斯滤波处理后的特征信息和对应的采用高斯滤波处理后的该类各所述目标对象和对应的背景的位置信息进行岭回归拟合。
在一种可能的实现方式中，在本发明实施例提供的装置中，所述特征信息为选取尺度不变特征变换特征中的主要数据构成的特征信息。
本发明有益效果如下：
本发明实施例提供的一种目标对象分布密度确定方法及装置，通过在各样本图像中区分出现的同一类各目标对象和对应的背景，并分别确定该类各目标对象和对应的背景的位置信息，以及各样本图像中所包含的各像素点的特征信息，对各样本图像中各像素点的特征信息，以及该类各目标对象和对应的背景的位置信息进行岭回归拟合，确定各样本图像针对该类目标对象的映射关系，根据确定出的各样本图像针对该类目标对象的映射关系，以及与各样本图像相同拍摄视角的其他的未标定图像中各像素点的特征信息，确定各未标定图像中的该类目标对象的分布密度。本发明实施例提供的方法，对于拍摄视角相同的多个未标定图像，首先确定了样本图像中针对该类目标对象的映射关系，其他多个未标定图像都可以通过该映射关系确定该类目标对象的分布密度，避免了对每一个图像都进行拟合，提高了计算速度，此外，采用岭回归拟合进一步提高了计算速度，满足了实时监控的要求。
附图说明
图1为本发明实施例提供的一种目标对象分布密度确定方法的流程图之一；
图2为本发明实施例提供的一种目标对象分布密度确定方法的流程图之二；
图3为本发明实施例提供的一种目标对象分布密度确定方法的流程图之三；
图4为本发明实施例提供的一种目标对象分布密度确定装置的结构示意图。
具体实施方式
针对现有技术中存在的确定目标对象分布密度时，由于计算过程耗时较长无法实现对目标对象的分布密度进行实时监控的问题。
本发明实施例提供了一种目标对象分布密度确定方法，如图1所示，具体包括以下步骤：
S101、在监控场景拍摄的多组未标定图像中分别选取各拍摄视角对应的样本图像；
S102、在各样本图像中区分出现的同一类各目标对象和对应的背景，并分别确定该类各目标对象和对应的背景的位置信息，以及各样本图像中所包含的各像素点的特征信息；
S103、对各样本图像中各像素点的特征信息，以及该类各目标对象和对应的背景的位置信息进行岭回归拟合，确定各样本图像针对该类目标对象的映射关系；
S104、根据确定出的各样本图像针对该类目标对象的映射关系，以及与各样本图像相同拍摄视角的其他的未标定图像中各像素点的特征信息，确定各未标定图像中的该类目标对象的分布密度。
本发明实施例提供的方法，通过先确定各样本图像针对某一类目标对象的映射关系，再根据该映射关系以及与各样本图像相同拍摄视角的其他的未标定图像中各像素点的特征信息，确定各未标定图像中的该类目标对象的分布密度，对于拍摄视角相同的多个未标定图像利用相同的映射关系来确定该类目标对象的分布密度，避免了对每一个图像均进行拟合，提高了计算速度，此外，采用岭回归拟合进一步提高了计算速度，满足了实时监控的要求。
下面对上述各步骤的具体实现方式进行详细的说明。
本发明实施方式提供的上述步骤S101中，监控场景拍摄的多组图像可以是摄像机拍摄的视频帧也可以是照相机拍摄的图片，此处不做限定。
本发明实施方式提供的上述步骤S102中，在各样本图像中区分出现的同一类各目标对象和对应的背景，例如，在拍摄场景中有人、车辆、高楼以及树木等，若选取人作为目标对象，则对样本图像中所有的人进行标定，可以采用矩形框将样本图像中的人框起来的方式进行标定，当然也可以用其他的标记或者其他图形进行标定，此处不做限定。若选定人作为目标对象，则样本图像中其他的图形均为背景，例如样本图像中的树木、高楼等。若采用矩形框的方式对目标对象进行标定，则可以选取矩形框中两个相对的顶角的坐标作为各目标对象的位置信息，由于不是该类目标对象的位置均为背景的位置，则可以直接赋一个实数值来作为背景的位置信息，此处选取目标对象和对应的背景的位置信息只是优选的实施方式，在具体实施时，也可以采用其他的方式，例如选取矩形框中四个边的中点坐标等方式，此处不做限定。
具体地，本发明实施方式提供的上述步骤S102中，在分别确定该类各目标对象和对应的背景的位置信息时，还可以包括：
分别对该类各目标对象和对应的背景的位置信息进行高斯滤波处理。
高斯滤波是一种线性平滑滤波，可以去除数据中不合理的数据，比如数据中比较突兀的点，采用高斯滤波分别对各目标对象和对应的背景的位置信息进行处理，可以去掉位置信息中不合理的数据，从而使后续的拟合过程更加精确。
具体地，本发明实施方式提供的上述步骤S102中，在分别确定各样本图像中所包含的各像素点的特征信息时，还可以包括：
对各像素点的特征信息进行聚类处理。
通过对各像素点的特征信息进行聚类处理，可以防止后续拟合过程中出现过拟合或欠拟合，在具体实施时，可以采用K均值聚类(K-means clustering)、层次聚类等，此处不对聚类的具体方式进行限定。
具体地，本发明实施方式提供的上述步骤S103中，可以具体包括：
对各样本图像中各像素点的采用高斯滤波处理后的特征信息和对应的采用高斯滤波处理后的该类各目标对象和对应的背景的位置信息进行岭回归拟合。
采用高斯滤波对各像素点的特征信息以及该类各目标对象和对应的背景的位置信息进行处理，可以降低拟合过程中的时间复杂度，从而提高拟合过程的速度。
岭回归拟合一种专用于共线性数据分析的有偏估计回归方法，该拟合损失了无偏性，来换取高的数值稳定性，从而得到较高的计算精度。
具体地，本发明实施方式提供的上述步骤S104可以具体包括：
根据未标定图像中各像素点的特征信息以及样本图像针对该类目标对象的映射关系，确定未标定图像中各像素点的得分值；
根据预先确定的该类目标对象与对应背景的参考分值区间以及未标定图像中各像素点的得分值，确定未标定图像中各像素点是否属于该类目标对象；
根据属于该类目标对象的各像素点组成的轮廓，确定在未标定图像中该类目标对象的分布密度。
上述未标定图像的得分值可以通过未标定图像中各像素点的特征信息乘以样本图像针对该类目标对象的映射关系对应的映射系数得到，通过判断得分值属于该类目标对应的分值区间还是属于背景的分值区间来判断该像素点是否属于该类目标对象。通过分析该类目标对象的各像素点组成的轮廓，可以确定该类目标对象的准确分布密度。
在实际应用时，摄像机的位置一般都比较高，摄像机距离目标对象比较远，在图像中各目标对象的大小相差不多，所以可以通过轮廓的大小分析目标对象的个数。
在具体实施时，可以通过采用一定大小的矩形框或圆形框去框各像素点组成的轮廓的方式进行计数，矩形框或圆形框的大小可以根据样本图像中目标对象的大小设定，此处用矩形框或圆形框进行举例说明，并不对其形状进行限定，例如，对于目标对象为人体来说，可以通过一定大小的圆形框去框各像素点组成的轮廓，若几个像素点组成的轮廓和该圆形框大小类似，则可认定为该位置为一个人体，若出现两个人体重叠的情况，可以根据轮廓的大小来判断是几个人体，例如，该轮廓的宽度和一个半的圆形框大小类似，则可认定为该位置为两个人体，对于对个人体重叠的情况也可以采用类似的方式确定个数，此处不再赘述。
进一步地，本发明实施方式提供的上述步骤S104可以具体包括：
将未标定图像划分为多个区域；
根据各区域中各像素点的特征信息以及样本图像针对该类目标对象的映射关系，确定各区域中各像素点的得分值；
根据预先确定的该类目标对象与对应背景的参考分值区间以及区域中各像素点的得分值，确定各区域中各像素点是否属于该类目标对象；
根据属于该类目标对象的各像素点组成的轮廓，确定在各区域中该类目标对象的分布密度；
根据各区域中该类目标对象的分布密度，确定未标定图像中该类目标对象的分布密度。
对于目标对象分布密度比较大的未标定图像，由于相同视角的各图像中该类目标对象的映射关系相同，所以可以通过将未标定图像划分为多个区域，分别确定各区域中该类目标对象的分布密度，从而确定该未标定图像中该类目标对象的分布密度。这样可以进一步提高得到的分布密度的准确性。
具体地，本发明实施方式提供的上述特征信息为选取尺度不变特征变换特征(scale invariant feature transform，SIFT)中的主要数据构成的特征信息。SIFT特征具有对形变、光照和对比度变化的不变性，又能保留空间信息，是一个128个数据组成的特征值，而本发明实施方式提供的特征信息为视觉改进的尺度不变特征变换特征(visualimproment scale invariant feature transform，VISIFT)，是选取SIFT特征中的主要数据构成的特征信息，是由一个98或96个数据组成的特征信息。通过对SIFT特征进行改进，去掉SIFT特征中不必要的数据只选取主要数据，可以减少后续拟合过程的计算量，并且使拟合结果更加准确。
下面通过以目标对象为人体为例，对本发明实施例提供的一种目标对象分布密度确定方法进行详细说明，如图2所示：
S201、在监控场景拍摄的多组未标定图像中分别选取各拍摄视角对应的样本图像；
S202、在各样本图像中区分出现的各人体和对应的背景，并分别确定各人体和对应的背景的位置信息以及对各人体和对应的背景的位置信息进行高斯滤波处理；
S203、确定各样本图像中所包含的各像素点的特征信息，并对各像素点的特征信息进行聚类处理；
S204、对各样本图像中各像素点的采用高斯滤波处理后的特征信息和对应的采用高斯滤波处理后的该类各目标对象和对应的背景的位置信息进行岭回归拟合，确定各样本图像针对人体的映射关系；
S205、根据确定出的各样本图像针对人体的映射关系，以及与各样本图像相同拍摄视角的其他的未标定图像中各像素点的特征信息，确定未标定图像中各像素点的得分值；
S206、根据预先确定的该类目标对象与对应背景的参考分值区间以及未标定图像中各像素点的得分值，确定未标定图像中各像素点是否属于该类目标对象；
S207、根据属于该类目标对象的各像素点组成的轮廓，确定在未标定图像中该类目标对象的分布密度。
具体地，上述步骤S202中，可以具体包括：
在各样本图像中通过矩形框将人体框出来的方式区分出人体和对应的背景，分别确定各人体对应的矩形框的一组对角的坐标，对于背景的位置信息可以通过直接赋值的方式得到，并提取各样本图像中所包含的各像素点的特征信息。
具体地，上述步骤S204中，可以具体包括：
对各样本图像中各像素点的特征信息和各人体和对应的背景的位置信息采用公式(1)进行岭回归拟合，通过找到一组k维的协方差系数来使得公式(1)的值最小；
||Xw-Y||2+λ||w||2→min(w) (1)
其中，X表示对应各像素点的特征信息，Y表示各人体和对应的背景的位置信息，w为映射系数，λ为控制预测错误和规则化之间的平衡的系数。
为了降低时间的复杂度，采用高斯滤波对各像素点的特征信息，以及人体和对应的背景的位置信息进行平滑处理，具体采用公式(2)进行处理：
||G*(Wx-Y)||2+λ||w||2→min(w) (2)
其中，G*表示在期望偏差进行高斯滤波，保证了局部无偏。
由于卷积是线性的，由上述公式(2)可以得到公式(3)：
||(G*X)w-G*Y)||2+λ||w||2→min(w) (3)
其中，(G*X)表示对X的每一列进行高斯滤波，G*Y为表示对位置信息进行高斯滤波，λ||w||2可以表示为标注人体中心的高斯和；
用Xs＝[G*X]和Ys＝[G*Y]替换原公式，得到映射系数w，即公式(4)：
其中，Γ表示偏置矩阵，T表示对矩阵进行转置操作。
本发明实施方式提供的方法还可以区分各类目标对象，下面通过以目标对象为人体和车辆为例，对本发明实施例提供的一种目标对象分布密度确定方法进行详细说明，如图3所示：
S301、在监控场景拍摄的多组未标定图像中分别选取各拍摄视角对应的样本图像；
S302、在各样本图像中区分出现的各人体和对应的背景，并分别确定各人体和对应的背景的位置信息以及各样本图像中所包含的各像素点的特征信息；
S303、对各样本图像中各像素点的特征信息，以及人体和对应的背景的位置信息进行岭回归拟合，确定各样本图像中人体的映射关系；
S304、根据确定出的各样本图像针对人体的映射关系，以及与各样本图像相同拍摄视角的其他的未标定图像中各像素点的特征信息，确定未标定图像中各像素点的得分值；
S305、根据预先确定的人体与对应背景的参考分值区间以及未标定图像中各像素点的得分值，确定未标定图像中各像素点是否属于人体；
S306、针对车辆，按照步骤S302到S305确定未标定图像中各像素点是否属于车辆；
S307、根据属于人体和属于车辆各像素点组成的轮廓，分别确定在未标定图像中车辆和人体的分布密度。
以上通过以目标对象为人体和车辆进行为例，来说明本发明实施例提供的方法可以区分各类目标对象，若区分多类目标对象，可按照相似的方法进行处理，此处不再赘述。
基于同一发明构思，本发明实施例还提供了一种目标对象分布密度确定装置，如图4所示，包括：
样本图像选取模块401，用于在监控场景拍摄的多组未标定图像中分别选取各拍摄视角对应的样本图像；
信息确定模块402，用于在各样本图像中区分出现的同一类各目标对象和对应的背景，并分别确定该类各目标对象和对应的背景的位置信息，以及各样本图像中所包含的各像素点的特征信息；
拟合模块403，用于对各样本图像中各像素点的特征信息，以及该类各目标对象和对应的背景的的位置信息进行岭回归拟合，确定各样本图像针对该类目标对象的映射关系；
密度确定模块404，用于根据确定出的各样本图像针对该类目标对象的映射关系，以及与各样本图像相同拍摄视角的其他的的未标定图像中各像素点的特征信息，确定各未标定图像中的该类目标对象的分布密度。
具体地，上述密度确定模块404可以具体用于：
根据未标定图像中各像素点的特征信息以及样本图像针对该类目标对象的映射关系，确定未标定图像中各像素点的得分值；
根据预先确定的该类目标对象与对应背景的参考分值区间以及未标定图像中各像素点的得分值，确定未标定图像中各像素点是否属于该类目标对象；
根据属于该类目标对象的各像素点组成的轮廓，确定在未标定图像中该类目标对象的分布密度。
进一步地，密度确定模块404可以具体用于：
将未标定图像划分为多个区域；
根据各区域中各像素点的特征信息以及所述样本图像针对该类目标对象的映射关系，确定各区域中各像素点的得分值；
根据预先确定的该类目标对象与对应背景的参考分值区间以及区域中各像素点的得分值，确定各区域中各像素点是否属于该类目标对象；
根据属于该类目标对象的各像素点组成的轮廓，确定在各区域中该类目标对象的分布密度；
根据各区域中该类目标对象的分布密度，确定未标定图像中该类目标对象的分布密度。
进一步地，上述装置还可以包括：
滤波处理模块，用于分别对该类各目标对象和对应的背景的位置信息进行高斯滤波处理。
进一步地，装置还可以包括：
聚类处理模块，用于对各像素点的特征信息进行聚类处理。
具体地，拟合模块403可以具体用于：
对各样本图像中各像素点的采用高斯滤波处理后的特征信息和对应的采用高斯滤波处理后的该类各目标对象和对应的背景的位置信息进行岭回归拟合。
具体地，特征信息可以为选取尺度不变特征变换特征中的主要数据构成的特征信息。
由于该装置解决问题的原理与前述一种目标对象分布密度确定方法相似，因此该装置的实施可以参见方法的实施，重复之处不再赘述。
本发明实施例提供的一种目标对象分布密度确定方法及装置，通过先确定各样本图像针对某一类目标对象的映射关系，再根据该映射关系以及与各样本图像相同拍摄视角的其他的未标定图像中各像素点的特征信息，确定各未标定图像中的该类目标对象的分布密度，对于拍摄视角相同的多个未标定图像利用相同的映射关系来确定该类目标对象的分布密度，避免了对每一个图像均进行拟合，提高了计算速度，此外，采用岭回归拟合进一步提高了计算速度，满足了实时监控的要求。
显然，本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样，倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内，则本发明也意图包含这些改动和变型在内。

Claims (12)

1.一种目标对象分布密度确定方法，其特征在于，包括：
在监控场景拍摄的多组未标定图像中分别选取各拍摄视角对应的样本图像；
在各所述样本图像中区分出现的同一类各目标对象和对应的背景，并分别确定该类各所述目标对象和对应的背景的位置信息，以及各所述样本图像中所包含的各像素点的特征信息；
对各所述样本图像中各所述像素点的特征信息，以及该类各所述目标对象和对应的背景的位置信息进行岭回归拟合，确定各所述样本图像针对该类目标对象的映射关系；
根据确定出的各所述样本图像针对该类目标对象的映射关系，以及与各所述样本图像相同所述拍摄视角的其他的未标定图像中各像素点的特征信息，确定各所述未标定图像中的该类目标对象的分布密度；
其中，根据确定出的各所述样本图像针对该类目标对象的映射关系，以及与各所述样本图像相同所述拍摄视角的其他的未标定图像中各像素点的特征信息，确定各所述未标定图像中的该类目标对象的分布密度，具体包括：
根据所述未标定图像中各像素点的特征信息以及所述样本图像针对该类目标对象的映射关系，确定所述未标定图像中各像素点的得分值；
根据预先确定的该类目标对象与对应背景的参考分值区间以及所述未标定图像中各像素点的得分值，确定所述未标定图像中各像素点是否属于该类目标对象；
根据属于该类目标对象的各像素点组成的轮廓，确定在所述未标定图像中该类目标对象的分布密度。
2.如权利要求1所述的方法，其特征在于，根据确定出的各所述样本图像针对该类目标对象的映射关系，以及与各所述样本图像相同所述拍摄视角的其他的未标定图像中各像素点的特征信息，确定各所述未标定图像中的该类目标对象的分布密度，具体包括：
将所述未标定图像划分为多个区域；
根据各所述区域中各像素点的特征信息以及所述样本图像针对该类目标对象的映射关系，确定各所述区域中各像素点的得分值；
根据预先确定的该类目标对象与对应背景的参考分值区间以及所述区域中各像素点的得分值，确定各所述区域中各像素点是否属于该类目标对象；
根据属于该类目标对象的各像素点组成的轮廓，确定在各所述区域中该类目标对象的分布密度；
根据各所述区域中该类目标对象的分布密度，确定所述未标定图像中该类目标对象的分布密度。
3.如权利要求1所述的方法，其特征在于，在分别确定该类各所述目标对象和对应的背景的位置信息时，还包括：
分别对该类各所述目标对象和对应的背景的位置信息进行高斯滤波处理。
4.如权利要求1所述的方法，其特征在于，在分别确定各所述样本图像中所包含的各像素点的特征信息时，还包括：
对各像素点的特征信息进行聚类处理。
5.如权利要求1所述的方法，其特征在于，所述对各所述样本图像中各所述像素点的特征信息，以及该类各所述目标对象和对应的背景的位置信息进行岭回归拟合时，具体包括：
对各所述样本图像中各所述像素点的采用高斯滤波处理后的特征信息和对应的采用高斯滤波处理后的该类各所述目标对象和对应的背景的位置信息进行岭回归拟合。
6.如权利要求1-5任一项所述的方法，其特征在于，所述特征信息为选取尺度不变特征变换特征中的主要数据构成的特征信息。
7.一种目标对象分布密度确定装置，其特征在于，包括：
样本图像选取模块，用于在监控场景拍摄的多组未标定图像中分别选取各拍摄视角对应的样本图像；
信息确定模块，用于在各所述样本图像中区分出现的同一类各目标对象和对应的背景，并分别确定该类各所述目标对象和对应的背景的位置信息，以及各所述样本图像中所包含的各像素点的特征信息；
拟合模块，用于对各所述样本图像中各所述像素点的特征信息，以及该类各所述目标对象和对应的背景的位置信息进行岭回归拟合，确定各所述样本图像针对该类目标对象的映射关系；
密度确定模块，用于根据确定出的各所述样本图像针对该类目标对象的映射关系，以及与各所述样本图像相同所述拍摄视角的其他的未标定图像中各像素点的特征信息，确定各所述未标定图像中的该类目标对象的分布密度；
其中，所述密度确定模块具体用于：
根据所述未标定图像中各像素点的特征信息以及所述样本图像针对该类目标对象的映射关系，确定所述未标定图像中各像素点的得分值；
根据预先确定的该类目标对象与对应背景的参考分值区间以及所述未标定图像中各像素点的得分值，确定所述未标定图像中各像素点是否属于该类目标对象；
根据属于该类目标对象的各像素点组成的轮廓，确定在所述未标定图像中该类目标对象的分布密度。
8.如权利要求7所述的装置，其特征在于，所述密度确定模块具体用于：
将所述未标定图像划分为多个区域；
根据各所述区域中各像素点的特征信息以及所述样本图像针对该类目标对象的映射关系，确定各所述区域中各像素点的得分值；
根据预先确定的该类目标对象与对应背景的参考分值区间以及所述区域中各像素点的得分值，确定各所述区域中各像素点是否属于该类目标对象；
根据属于该类目标对象的各像素点组成的轮廓，确定在各所述区域中该类目标对象的分布密度；
根据各所述区域中该类目标对象的分布密度，确定所述未标定图像中该类目标对象的分布密度。
9.如权利要求7所述的装置，其特征在于，所述装置还包括：
滤波处理模块，用于分别对该类各所述目标对象和对应的背景的位置信息进行高斯滤波处理。
10.如权利要求7所述的装置，其特征在于，所述装置还包括：
聚类处理模块，用于对各像素点的特征信息进行聚类处理。
11.如权利要求7所述的装置，其特征在于，所述拟合模块具体用于：
对各所述样本图像中各所述像素点的采用高斯滤波处理后的特征信息和对应的采用高斯滤波处理后的该类各所述目标对象和对应的背景的位置信息进行岭回归拟合。
12.如权利要求7-11任一项所述的装置，其特征在于，所述特征信息为选取尺度不变特征变换特征中的主要数据构成的特征信息。
CN201610580912.XA 2016-07-21 2016-07-21 一种目标对象分布密度确定方法及装置 Active CN106204619B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201610580912.XA CN106204619B (zh) 2016-07-21 2016-07-21 一种目标对象分布密度确定方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201610580912.XA CN106204619B (zh) 2016-07-21 2016-07-21 一种目标对象分布密度确定方法及装置

Publications (2)

Publication Number Publication Date
CN106204619A CN106204619A (zh) 2016-12-07
CN106204619B true CN106204619B (zh) 2019-07-16

Family

ID=57492217

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201610580912.XA Active CN106204619B (zh) 2016-07-21 2016-07-21 一种目标对象分布密度确定方法及装置

Country Status (1)

Country Link
CN (1) CN106204619B (zh)

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6072903A (en) * 1997-01-07 2000-06-06 Kabushiki Kaisha Toshiba Image processing apparatus and image processing method
CN101025862A (zh) * 2007-02-12 2007-08-29 吉林大学 基于视频的混合交通流参数的检测方法
CN102509151A (zh) * 2011-11-08 2012-06-20 上海交通大学 一种基于视频处理的人群密度与分布的估计方法
CN103295031A (zh) * 2013-04-15 2013-09-11 浙江大学 一种基于正则风险最小化的图像目标计数方法
CN105139378A (zh) * 2015-07-31 2015-12-09 小米科技有限责任公司 卡片边界检测方法及装置

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2009129001A (ja) * 2007-11-20 2009-06-11 Sanyo Electric Co Ltd 運転支援システム、車両、立体物領域推定方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6072903A (en) * 1997-01-07 2000-06-06 Kabushiki Kaisha Toshiba Image processing apparatus and image processing method
CN101025862A (zh) * 2007-02-12 2007-08-29 吉林大学 基于视频的混合交通流参数的检测方法
CN102509151A (zh) * 2011-11-08 2012-06-20 上海交通大学 一种基于视频处理的人群密度与分布的估计方法
CN103295031A (zh) * 2013-04-15 2013-09-11 浙江大学 一种基于正则风险最小化的图像目标计数方法
CN105139378A (zh) * 2015-07-31 2015-12-09 小米科技有限责任公司 卡片边界检测方法及装置

Also Published As

Publication number Publication date
CN106204619A (zh) 2016-12-07

Similar Documents

Publication Publication Date Title
CN110378931A (zh) 一种基于多摄像头的行人目标移动轨迹获取方法及***
CN108717531B (zh) 基于Faster R-CNN的人体姿态估计方法
CN104835175B (zh) 一种基于视觉注意机制的核环境中目标检测方法
WO2017054314A1 (zh) 一种建筑物高度计算方法、装置和存储介质
CN111723721A (zh) 基于rgb-d的三维目标检测方法、***及装置
CN111091075B (zh) 人脸识别方法、装置、电子设备及存储介质
CN110956661B (zh) 基于双向单应矩阵的可见光与红外相机动态位姿计算方法
CN107862698A (zh) 基于k均值聚类的光场前景分割方法及装置
CN106023187B (zh) 一种基于sift特征和角度相对距离的图像配准方法
CN108416291B (zh) 人脸检测识别方法、装置和***
CN110969669B (zh) 基于互信息配准的可见光与红外相机联合标定方法
CN103080979B (zh) 从照片合成肖像素描的***和方法
CN103984920B (zh) 一种基于稀疏表示与多特征点的三维人脸识别方法
CN104424640A (zh) 对图像进行虚化处理的方法和装置
CN104537381B (zh) 一种基于模糊不变特征的模糊图像识别方法
Zou et al. Microarray camera image segmentation with Faster-RCNN
Zheng et al. What does plate glass reveal about camera calibration?
CN111626241A (zh) 一种人脸检测方法及装置
CN103544699B (zh) 一种基于单图片三圆模版的摄像头标定方法
CN110599407B (zh) 基于向下倾角方向的多台tof相机人体降噪方法及***
Gardziński et al. Crowd density estimation based on voxel model in multi-view surveillance systems
CN106204619B (zh) 一种目标对象分布密度确定方法及装置
CN116563306A (zh) 自适应火灾痕迹光谱图像分割方法及***
CN105095901B (zh) 用于处理尿液沉渣图像的待处理区块的方法和装置
CN113610926B (zh) 一种基于消失点正交性质的相机标定方法

Legal Events

Date Code Title Description
C06 Publication
PB01 Publication
C10 Entry into substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant